COMBINATORIA

Y
PROBABILIDAD
Departamento de Did´actica de la Matem´atica
Universidad de Granada
Miguel R. Wilhelmi
Combinatoria y Probabilidad
c 2004 Miguel R. Wilhelmi
Reservados todos los derechos. No se permite reproducir, almacenar en sistemas de
recuperaci´on de la informaci´on ni transmitir alguna parte de esta publicaci´on, cualquiera
que sea el medio empleado —electr´onico, mec´anico, fotocopia, grabaci´on, etc.—, sin el
permiso previo del autor.
ISBN: 84-933517-0-9
Dep´ osito legal: GR-849/04
Dise˜ no de car´ atula: Carola Garc´ıa Vilela
Composici´on de texto:
Sistema L
A
T
E
X, orientado especialmente hacia la creaci´ on de
documentos cient´ıficos que contengan f´ ormulas matem´aticas.
Recuperable en: http://www.miktex.org/
Publicaci´ on:
Grupo de Investigaci´ on en Educaci´ on Estad´ıstica
Departamento de Did´ actica de la Matem´atica
Universidad de Granada
Impresi´ on:
Expresi´ on Digital
C/ Real de los Neveros, 12. Edif. Bruselas - Local 2.
18008 Granada (Espa˜ na)
Financiaci´ on:
Grupo de Investigaci´ on FQM-126.
Consejer´ıa de Educaci´ on. Junta de Andaluc´ıa
Pr´ologo
El juego. La teor´ıa de la probabilidad ha estado desde sus inicios vinculada
con los juegos de azar. De hecho, etimol´ogicamente, la palabra azar
deriva del ´ arabe az-zahr, que quiere decir: el dado para jugar. Las
culturas egipcia, griega y romana, participaron de esta afici´ on a los
juegos de azar y se conservan restos veraces del uso l´ udico de huesos
de animales u otros objetos.
Hist´oricamente, se asocia el origen de la teor´ıa moderna de la probabi-
lidad a un carteo entre B. Pascal (1623–1662) y P. Fermat (1601–1665),
despu´es de las preguntas que el caballero de M´er´e hizo al primero, en
torno a ciertos juegos de azar relacionados con el lanzamiento de un
dado y a m´etodos de reparto de apuestas en partidas no conclusas
(§4.2).
M´ as recientemente, sobre todo a ra´ız de los trabajos de A. Kolmog´ orov
(1903–1987), se desarroll´ o una teor´ıa axiom´ atica, formalizada y abs-
tracta de la probabilidad. Estos trabajos han tenido gran influencia en
los sistemas de ense˜ nanza, dando prioridad al desarrollo m´ as abstracto
y normativo de la teor´ıa (cap.5).
Enfoque. Nos interesa recuperar la visi´ on m´ as intuitiva, referida a situa-
ciones reales: desde el lanzamiento de un dado, hasta el an´ alisis de
situaciones parad´ ojicas que puedan darse en un sistema electoral. El
desarrollo te´ orico de la probabilidad se har´ a en la medida de las nece-
sidades concretas que se tengan. El camino es claro: de la realidad, al
modelo; del juego, a la formalizaci´ on.
Por otro lado, la modelizaci´ on de situaciones reales, conllevar´ a en mu-
chos casos el dise˜ no de simulaciones que permitan un estudio experi-
mental de la probabilidad. En este sentido, el estudio te´ orico, forma
parte de un modelo de estudio m´ as amplio, como complemento ideal
al trabajo emp´ırico.
i
ii Pr´ ologo
Estructura. El libro est´ a estructurado en ocho cap´ıtulos. El cap´ıtulo 1 in-
troduce, por medio de un sencillo juego, las nociones fundamentales de
forma relacionada; en particular, se introduce la relaci´ on fundamental
entre frecuencia y probabilidad: la ley del azar. En los cap´ıtulos 2 y 3
se desarrolla la noci´ on central de contar: en el cap´ıtulo 2 se explican
algunas t´ecnicas generales de recuento de casos; en el cap´ıtulo 3 se
sistematiza el c´alculo combinatorio de ciertas situaciones por medio
de las nociones de permutaci´on, variaci´ on y combinaci´ on.
En los cap´ıtulos 4 y 5 se introduce y explica el concepto de probabi-
lidad: en primera instancia, se hace un uso intuitivo, informal, ligado
a situaciones concretas, se sugiere cierta notaci´on y la necesidad de
desarrollos te´ oricos explicativos (cap.4); en segundo t´ermino, se hace
un desarrollo de la teor´ıa elemental de la probabilidad (cap.5).
Los dos ´ ultimos cap´ıtulos, representan una amplicaci´ on del trabajo
realizado: el cap´ıtulo 6 resalta la utilidad de la teor´ıa de la probabilidad
para tener criterios de decisi´ on en diferentes situaciones; el cap´ıtulo
7 centra su atenci´ on en la definici´ on de funciones de probabilidad,
se introducen las nociones de variable aleatoria y de distribuci´ on de
probabilidad (como instrumento te´orico de modelizaci´ on de situaciones
reales).
El libro se completa con siete anexos de distinta naturaleza: desarrollo
de cuestiones te´oricas (anexos A, C, D, F y G), explicaci´ on de pro-
blemas hist´oricos (anexos B y E) o instrumentos de trabajo para la
resoluci´ on de problemas (anexo H). Todos ellos representan un mate-
rial complementario, de profundizaci´ on o desarrollo, con un marcado
car´ acter te´orico.
Agradecimiento. Un modo sencillo de introducir figuras en un documento
editado con L
A
T
E
X consiste en producir un gr´ afico con un software
especializado y guardarlo en formato eps. A excepci´on de los diagramas
de barras de las distribuciones de probabilidad del cap´ıtulo 7, que han
sido producidos autom´ aticamente con Mathematica, el resto de figuras
que se presentan en el texto han sido construidas o retocadas por la
diagramadora Carola Garc´ıa Vilela, utilizando el programa de dise˜ no
gr´ afico CorelDraw!. El trabajo est´ a a la vista: unas figuras precisas,
que ayudan a la comprensi´ on del libro.
Granada, 6 de mayo de 2004
Miguel R. Wilhelmi
´
Indice general
Pr´ ologo I
1. La carrera 1
1.1. El juego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Recogida de datos . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Organizaci´ on de datos . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Visualizaci´ on de datos . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Conjeturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6. Validaci´ on de conjeturas . . . . . . . . . . . . . . . . . . . . . 7
1.7. Predicci´ on y toma de decisiones . . . . . . . . . . . . . . . . . 9
1.8. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.9. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2. Recuento sistem´atico 13
2.1. Principios de la suma y del producto . . . . . . . . . . . . . . 13
2.2. El dilema del taxista . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1. Dise˜ no de una estrategia . . . . . . . . . . . . . . . . . 17
2.2.2. Variables del problema . . . . . . . . . . . . . . . . . . 19
2.3. La sucesi´ on de Fibonacci . . . . . . . . . . . . . . . . . . . . . 19
2.3.1. Casos particulares . . . . . . . . . . . . . . . . . . . . 20
2.3.2. Inferencia de una regla de formaci´ on . . . . . . . . . . 20
2.3.3. Validaci´ on de la regla . . . . . . . . . . . . . . . . . . 21
2.4. El solitario Sol y Luna . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1. Codificaci´ on de la situaci´ on: notaci´ on pertinente . . . 22
2.4.2. Formulaci´ on de un nuevo problema . . . . . . . . . . . 23
2.4.3. Vuelta a la situaci´ on original . . . . . . . . . . . . . . 25
2.4.4. *Restricciones del juego . . . . . . . . . . . . . . . . . 25
2.5. Traslaciones, giros y simetr´ıas . . . . . . . . . . . . . . . . . . 27
2.6. Colocaci´ on de objetos . . . . . . . . . . . . . . . . . . . . . . 30
iii
iv
´
Indice general
2.6.1. Objetos distinguibles en cajas distinguibles . . . . . . 32
2.6.2. Objetos indistinguibles en cajas distinguibles . . . . . 33
2.6.3. Objetos distinguibles en cajas indistinguibles . . . . . 34
2.6.4. Objetos indistinguibles en cajas indistinguibles . . . . 35
2.7. Las torres de Hanoi . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.10. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3. Permutaciones, variaciones y combinaciones 45
3.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1. Permutaciones ordinarias o sin repetici´ on . . . . . . . 45
3.1.2. Permutaciones con repetici´ on . . . . . . . . . . . . . . 46
3.1.3. Permutaciones circulares . . . . . . . . . . . . . . . . . 47
3.1.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.1. Variaciones ordinarias o sin repetici´ on . . . . . . . . . 50
3.2.2. Variaciones con repetici´ on . . . . . . . . . . . . . . . . 51
3.2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.1. Combinaciones ordinarias o sin repetici´ on . . . . . . . 53
3.3.2. Combinaciones con repetici´ on . . . . . . . . . . . . . . 54
3.3.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4. N´ umeros combinatorios . . . . . . . . . . . . . . . . . . . . . 58
3.5. Extracci´ on de bolas de una urna . . . . . . . . . . . . . . . . 61
3.5.1. Extracci´ on ordenada sin reposici´ on . . . . . . . . . . . 61
3.5.2. Extracci´ on ordenada con reposici´ on . . . . . . . . . . 62
3.5.3. Extracci´ on no ordenada y sin reposici´ on . . . . . . . . 62
3.5.4. Extracci´ on con reposici´ on no ordenada . . . . . . . . . 63
3.5.5. Permutaciones con repetici´ on: bolas indistinguibles . . 63
3.5.6. Esquema resumen . . . . . . . . . . . . . . . . . . . . 64
3.6. Binomio de Newton . . . . . . . . . . . . . . . . . . . . . . . 64
3.6.1. Propiedades de los n´ umeros combinatorios . . . . . . . 66
3.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.7. Relaciones y ecuaciones combinatorias . . . . . . . . . . . . . 68
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.9. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Miguel R. Wilhelmi
v
4. Situaciones introductorias de c´alculo de probabilidades 77
4.1. Asignaci´ on de probabilidades . . . . . . . . . . . . . . . . . . 78
4.1.1. Monedas trucadas . . . . . . . . . . . . . . . . . . . . 78
4.1.2. Ruletas . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2. Juegos equitativos . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2.1. Diferencia de dados . . . . . . . . . . . . . . . . . . . 85
4.2.2. 6 simple, 6 doble . . . . . . . . . . . . . . . . . . . . . 87
4.2.3. Reparto justo . . . . . . . . . . . . . . . . . . . . . . . 90
4.3. Misi´ on espacial . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4. Estimaci´ on de una probabilidad . . . . . . . . . . . . . . . . . 97
4.4.1. Recoger y organizar informaci´ on . . . . . . . . . . . . 98
4.4.2. An´ alisis de la situaci´ on e hip´ otesis de partida . . . . . 98
4.4.3. Simulaci´ on . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4.4. Obtenci´ on y organizaci´ on de datos. Representaciones
gr´ aficas . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.5. Estudio te´ orico . . . . . . . . . . . . . . . . . . . . . . 102
4.4.6. Conclusiones, decisiones y predicciones . . . . . . . . . 104
4.5. N´ umeros aleatorios . . . . . . . . . . . . . . . . . . . . . . . . 105
4.6. El timador “honrado” . . . . . . . . . . . . . . . . . . . . . . 109
4.7. Fiabilidad de una prueba . . . . . . . . . . . . . . . . . . . . 111
4.8. Extracciones de bolas de urnas . . . . . . . . . . . . . . . . . 114
4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.10. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5. Teor´ıa elemental de la probabilidad 121
5.1.
´
Algebra de Boole de sucesos . . . . . . . . . . . . . . . . . . . 121
5.1.1. Espacio muestral . . . . . . . . . . . . . . . . . . . . . 121
5.1.2. Espacios de sucesos . . . . . . . . . . . . . . . . . . . . 123
5.1.3. Operaciones con sucesos . . . . . . . . . . . . . . . . . 125
5.1.4. Propiedades de las operaciones con sucesos . . . . . . 127
5.2. Noci´ on de probabilidad . . . . . . . . . . . . . . . . . . . . . 128
5.2.1. Frecuencias absoluta y relativa de un suceso . . . . . . 128
5.2.2. Definici´ on de probabilidad . . . . . . . . . . . . . . . . 130
5.2.3. Construcci´ on de una funci´ on de probabilidad . . . . . 137
5.3. Probabilidad condicionada . . . . . . . . . . . . . . . . . . . . 138
5.3.1. Funci´ on probabilidad condicionada . . . . . . . . . . . 140
5.3.2. Sucesos dependientes e independientes . . . . . . . . . 141
5.3.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . 143
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.5. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Combinatoria y Probabilidad
vi
´
Indice general
6. Toma de decisiones 153
6.1. La pregunta Marilyn . . . . . . . . . . . . . . . . . . . . . . . 153
6.1.1. Simulaci´ on . . . . . . . . . . . . . . . . . . . . . . . . 154
6.1.2. Estudio te´ orico . . . . . . . . . . . . . . . . . . . . . . 155
6.1.3. Escala de decisiones . . . . . . . . . . . . . . . . . . . 156
6.2. La paradoja de Condorcet . . . . . . . . . . . . . . . . . . . . 160
6.3. Decisiones individuales vs. Decisiones sociales . . . . . . . . . 163
6.4. Toma de informaci´ on . . . . . . . . . . . . . . . . . . . . . . . 164
6.4.1. Una encuesta comprometedora . . . . . . . . . . . . . 164
6.4.2. El problema de las ardillas . . . . . . . . . . . . . . . 166
6.5. Cazapalabras . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
6.6. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7. Funci´on de probabilidad de una variable aleatoria discreta 181
7.1. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . 181
7.2. Funciones de probabilidad . . . . . . . . . . . . . . . . . . . . 184
7.2.1. Funci´ on degenerada en x
0
. . . . . . . . . . . . . . . . 185
7.2.2. Funci´ on uniforme en n puntos . . . . . . . . . . . . . . 185
7.2.3. Funci´ on binomial . . . . . . . . . . . . . . . . . . . . . 186
7.2.4. Funci´ on hipergeom´etrica . . . . . . . . . . . . . . . . . 191
7.2.5. Funci´ on binomial negativa . . . . . . . . . . . . . . . . 198
7.2.6. Funci´ on de Poisson . . . . . . . . . . . . . . . . . . . . 201
7.3. Esperanza, varianza y desviaci´ on t´ıpica . . . . . . . . . . . . . 207
7.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
7.5. Autoevaluaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . 217
A. Colocaci´on de objetos 219
B. Los puentes de K¨ onigsberg 225
C. Inducci´ on matem´atica 233
D. F´ ormula de Leibniz 239
E. El problema de la aguja 243
F. Distribuciones de probabilidad 245
F.1. L´ımite de la funci´ on de probabilidad binomial . . . . . . . . . 245
F.2. L´ımite de la funci´ on de probabilidad hipergeom´etrica . . . . . 247
F.3. “Memoria” de la distribuci´ on geom´etrica . . . . . . . . . . . . 248
F.4. Deducci´ on de la funci´ on de probabilidad de Poisson . . . . . . 250
Miguel R. Wilhelmi
vii
G. Desigualdad de Chebishev 253
H. Tablas de las distribuciones discretas de probabilidad 265
Bibliograf´ıa 271
´
Indice de Materias 272
Combinatoria y Probabilidad
viii
´
Indice general
Miguel R. Wilhelmi
Cap´ıtulo 1
La carrera
El juego de La carrera permite introducir de forma relacionada los con-
ceptos clave de recuento sistem´ atico, frecuencia, probabilidad y recogida, or-
ganizaci´ on, visualizaci´ on y an´alisis de datos, que ser´an desarrollados con
detalle en los cap´ıtulos siguientes; as´ı, estos conceptos se introducen de for-
ma intuitiva, ligados al juego, y, por lo tanto, las definiciones que se dar´ an
no ser´ an rigurosas.
1.1. El juego
El juego es para dos personas. Se necesita un tablero como el que se
muestra a continuaci´ on (con once filas numeradas del 2 al 12 y 11 columnas,
la ´ ultima de las cuales est´a marcada con la palabra meta), 10 fichas de dos
colores distintos (5 de cada color) y dos dados (numerados del 1 al 6).
2
3 M
4 E
5 T
6 A
7
8 M
9 E
10 T
11 A
12
1
2 1 La carrera
Reglas de juego
1. Alternativamente, cada uno de los contrincantes, escoge un n´ umero
comprendido entre 2 y 12 (posibles resultados en la suma de un par
de dados), colocando una ficha en la casilla correspondiente. Una vez
distribuidos 10 de los 11 n´ umeros, se empieza a jugar.
2. Por turno, lanzan los dados cada uno de los contrincantes. Si la suma
de los dados es uno de los n´ umeros escogidos por el lanzador, ´este
desplaza la ficha correspondiente hacia delante una casilla.
3. Si la suma de los dados es el n´ umero que no ha sido escogido por
ninguno de los dos adversarios, el jugador del turno escoge una de sus
fichas (la que quiera) y la mueve hacia delante una casilla.
4. Si la suma de los dados es un n´ umero del adversario, las fichas quedan
como est´an.
5. Gana el jugador que consigue llevar una de sus fichas hasta la meta.
Juegue ahora una partida para familiarizarse con el juego. Para ello,
le sugerimos construya un tablero similar al que se ha mostrado, pero m´ as
grande. Si no tuviera algui´en con quien jugar, simule una partida, tal y como
se jugar´ıa si hubiera dos jugadores.
¿Qu´e n´ umeros escoger´a con preferencia? .
¿Qu´e n´ umeros no escoger´a? .
Si tuviera que escoger entre el 3 y el 11, ¿cu´ al tomar´ıa? .
Si tuviera que escoger entre el 5 y el 9, ¿cu´ al tomar´ıa? .
¿Qu´e n´ umeros prefiere: “grandes” o “peque˜ nos”? .
¿Da igual los n´ umeros que se escojan? .
¿Todo es cuesti´on de suerte? .
Si se juegan 10 partidas, ¿es razonable pensar que ganar´ a una partida ca-
da n´ umero elegidos? . ¿Por qu´e?
.
Si se juegan 100 partidas, ¿se debe esperar que, m´ as o menos, gane 10 par-
tidas cada n´ umero elegido? . ¿Por qu´e?
.
1.2. Recogida de datos
Para poder analizar el juego es preciso tomar datos. Al responder a las
preguntas formuladas al final de la secci´ on anterior ha establecido ciertas
Miguel R. Wilhelmi
1.3 Organizaci´ on de datos 3
reglas que intuye suceden. El an´ alisis del juego, debe conducir a la aceptaci´ on
o rechazo de las hip´ otesis que han regido las elecciones de las fichas.
Para dicho an´ alisis, es preciso jugar varias partidas y tomar datos.
¿Qu´e datos cree usted que ser´an relevantes?
.
Por otro lado, es tambi´en necesario tener una forma c´ omoda de almace-
nar estos datos, esto es, codificar la informaci´ on, de tal manera que sea f´ acil
su organizaci´on y an´ alisis posteriores.
La intenci´ on es analizar el juego, no qui´en lo gana. Con otras palabras,
se pretende estudiar si hay elecciones de los n´ umeros m´as convenientes que
otras y, en tal caso, cu´ ales. Por lo tanto, los datos que interesa tomar son
aquellos que se refieren a n´ umeros escogidos, n´ umeros ganadores, movimien-
tos realizados, etc. Mas no, aquellos que se˜ nalen si el ganador ha sido fulano
o mengano.
Juegue diez partidas y complete la tabla siguiente. En la casilla que indica
el n´ umero que no ha sido escogido en una determinada partida coloque una
equis (X); en el resto, el n´ umero de casillas que ha avanzado (entre 0 y 11,
ambos inclusive
1
).
Partida 2 3 4 5 6 7 8 9 10 11 12 Gana
1
2
3
4
5
6
7
8
9
10
1.3. Organizaci´ on de datos
Una vez que haya jugado las 10 partidas habr´ a obtenido unos resultados
parecidos a los que muestran en la tabla siguiente, donde se observa que los
n´ umeros intermedios son los que m´ as se han movido; en particular, la ficha
7 es la que m´as partidas ha ganado: cuatro.
1
El cero (0) indica que la ficha no se ha movido. El 11 que la ficha ha llegado a la meta.
Combinatoria y Probabilidad
4 1 La carrera
Partida 2 3 4 5 6 7 8 9 10 11 12 Gana
1 X 2 10 8 10 11 4 6 3 2 1 Ficha 7
2 X 3 5 5 11 1 6 2 5 1 2 Ficha 6
3 0 1 6 5 2 5 3 X 11 2 1 Ficha 10
4 2 2 1 3 3 11 10 5 5 X 2 Ficha 7
5 2 2 5 X 10 8 11 3 6 3 3 Ficha 8
6 1 3 X 5 11 5 4 8 5 3 1 Ficha 6
7 1 2 11 9 6 8 6 6 X 0 2 Ficha 4
8 1 X 3 7 4 11 5 6 3 0 2 Ficha 7
9 1 X 7 8 10 6 11 6 1 5 1 Ficha 8
10 2 2 2 5 3 11 X 5 3 1 0 Ficha 7
Por la simple observaci´ on realizada anteriormente, es posible tomar al-
gunas decisiones respecto a la elecci´on de los n´ umeros: se puede suponer
que, si las condiciones del juego no var´ıan, los n´ umeros “centrales” seguir´an
saliendo con m´ as asiduidad y, por lo tanto, los jugadores escoger´ an con pre-
ferencia estos n´ umeros centrales y dejar´an sin seleccionar los n´ umeros extre-
mos (el 2 o el 12). ¿Estas elecciones coinciden con las que usted ha intuido
al principio del cap´ıtulo? . ¿Hay alg´ un otro criterio que conside-
re usted conveniente tener en cuenta?
.
La tabla siguiente muestra los resultados de otras 12 partidas. ¿Considera
adecuado que se haya dejado de elegir el n´ umero 2 en la mayor´ıa de las
partidas? . ¿Es m´as f´ acil obtener 2 o 12? .
Partida 2 3 4 5 6 7 8 9 10 11 12 Gana
11 1 3 4 4 10 11 7 8 4 2 X Ficha 7
12 X 3 3 3 3 3 11 9 1 4 1 Ficha 8
13 X 2 1 4 11 3 6 6 3 1 2 Ficha 6
14 X 3 1 6 7 11 9 3 5 2 1 Ficha 7
15 X 7 5 6 6 11 7 6 8 2 1 Ficha 7
16 X 2 3 11 4 10 5 4 3 4 2 Ficha 5
17 X 2 6 11 9 3 10 8 5 3 1 Ficha 5
18 X 6 5 11 7 10 10 7 10 3 3 Ficha 5
19 3 4 2 2 5 11 5 6 3 3 X Ficha 7
20 X 2 4 5 5 11 7 8 7 4 4 Ficha 7
21 X 4 3 11 8 8 6 8 5 4 0 Ficha 5
22 X 1 2 3 4 11 1 2 3 2 3 Ficha 7
Por otro lado, es posible organizar los datos obtenidos para las 22 parti-
das de forma sin´ optica en una tabla que permita responder a las preguntas:
1. ¿Cu´ antas partidas ha ganado cada una de las fichas?
Miguel R. Wilhelmi
1.3 Organizaci´ on de datos 5
2. ¿Cu´ antos movimientos corresponden a cada una de las fichas?
Ficha 2 3 4 5 6 7 8 9 10 11 12 Total
Mov. 14 56 89 132 149 180 149 122 99 51 33 1074
Ganadas 0 0 1 4 3 10 3 0 1 0 0 22
El n´ umero de movimientos realizados por cada ficha representa la fre-
cuencia absoluta, esto es, n´ umero de veces que ha salido 2, 3, 4, . . . O bien,
n´ umero de veces que ha ganado la ficha 2, 3, 4, . . . Por otro lado, es in-
teresante saber no s´olo cu´ antas veces ha ocurrido un suceso, sino tambi´en
cu´antas veces pod´ıa haberlo hecho. De forma m´ as precisa: ¿cu´al es la rela-
ci´on entre las veces que ha ocurrido un suceso y las veces que pod´ıa haber
sucedido? En el ejemplo, se han lanzado 1074 veces los dados y s´ olo 14 veces
los dados han sumado 2; 56 veces, 3; 89 veces, 4; 132 veces, 5; . . . Por otro
lado, de las 22 partidas jugadas, las fichas 2, 3, 9, 11 y 12 no han ganado
ninguna, mientras que la ficha 7 ha ganado 10 de ellas.
Se llama frecuenca relativa a esta relaci´on: cociente entre el n´ umero de
veces que ha ocurrido un suceso (movimientos realizados por una ficha, veces
que ha ganado cada una de ellas) y el n´ umero de veces que se ha realizado
el experimiento (movimientos realizados, partidas jugadas).
Por ´ ultimo, en muchas ocasiones interesa mostrar la relaci´on entre el
n´ umero de veces que ha ocurrido un suceso y las veces que se ha realizado
un experimento en tantos por ciento ( %). Para ello, basta multiplicar las
frecuencias relativas por 100.
La tabla siguiente muestra las frecuencas relativas y los porcentajes,
tanto de los movimientos como de las partidas ganadas.
Ficha f
r
(mov.) f
r
(p. gan.) % (mov.) % (p. gan.)
2 0,013 0 1,3 0
3 0,052 0 5,2 0
4 0,083 0,0455 8,3 4,55
5 0,123 0,1818 12,3 18,18
6 0,139 0,1364 13,9 13,64
7 0,167 0,4545 16,7 45,45
8 0,139 0,1364 13,9 13,64
9 0,114 0 11,4 0
10 0,092 0,0455 9,2 4,55
11 0,047 0 4,7 0
12 0,031 0 3,1 0
Total 1 1 100 100
Combinatoria y Probabilidad
6 1 La carrera
As´ı, se puede afirmar que, aproximadamente, el 17 % de los momivientos
realizados han sido con la ficha 7 y, adem´ as, 45 % de las partidas jugadas
las ha ganado esta ficha.
1.4. Visualizaci´ on de datos
La informaci´ on sintetizada (p.5) puede ser visualizada por medio de gr´ afi-
cos: diagramas que explican un fen´ omeno. En la figura siguiente se pueden
ver dos diagramas de barras donde se han representado las frecuencias abso-
lutas del n´ umero de movimientos realizados (diagrama 1) y del n´ umero de
veces que ha ganado cada una de las fichas (diagrama 2).
A continuaci´ on, se muestran otros dos diagramas: uno de barras, donde
se han representado las frecuencias relativas del n´ umero de movimientos
realizados (diagrama 1); otro, un diagrama circular o de sectores, donde se
han representado el tanto por cierto de partidas ganadas por cada una de
las fichas, que, por supuesto, han ganado alguna partida (diagrama 2).
Miguel R. Wilhelmi
1.5 Conjeturas 7
Los diagramas que se han mostrado (de barras y circular) permiten ver
“de golpe” la informaci´ on que se ha recogido en las diferentes tablas
2
.
1.5. Conjeturas
A partir del trabajo realizado es posible enunciar alguna conjetura; en
concreto, un juicio sobre cu´ ales son las fichas que m´as se mueven y, por lo
tanto, qu´e fichas tendr´ an que ser escogidas con preferencia si se desea ganar
la partida. Estas conjeturas se enuncian en funci´ on del an´ alisis de los datos
(y la construcci´ on de las tablas de frecuencias absolutas y relativas) y por
observaci´ on de los diagramas realizados. En particular:
Si usted escoge primero, ¿qu´e ficha tomar´a en primer lugar? .
Si usted escoge segundo, ¿qu´e ficha tomar´a en primer lugar? .
A la hora de escoger, ¿qu´e criterio de selecci´on seguir´ a?
.
¿Qu´e ficha escoger´a con preferencia la 2 o la 12? .
Si tuviera que escoger entre el 3 y el 11, ¿cu´ al tomar´ıa? .
Si tuviera que escoger entre el 5 y el 9, ¿cu´ al tomar´ıa? .
¿Qu´e n´ umeros son “mejores”: los “grandes”, los “del medio” o los “pe-
que˜ nos”? .
¿Da igual los n´ umeros que se escojan? .
¿Todo es cuesti´on de “suerte”? .
Compare estas respuestas con aquellas que dio al principio del cap´ıtu-
lo. ¿Qu´e diferencias y similitudes hay?
.
1.6. Validaci´ on de conjeturas
Es preciso validar las conjeturas enunciadas en la anterior secci´ on, es-
to es, llegar a la certeza de su validez o falsedad. Para ello, dos caminos
esencialmente distintos pueden realizarse:
1. Repetici´ on del experimento: se juegan m´as partidas y, si los resulta-
dos de ´estas ratifican las conjeturas formuladas, se puede esperar que
dichas conjeturas sean verdaderas.
2
Esta visi´on “de golpe” justifica la introducci´on en peri´odicos y revistas, en noticieros,
en facturas de luz, etc., de este tipo de diagramas: en poco espacio, se puede resumir una
gran cantidad de informaci´on.
Combinatoria y Probabilidad
8 1 La carrera
2. Estudio te´ orico: ya no se juegan m´ as partidas, sino que se estudia el
juego de manera formal, esto es, antes de lanzar los dados, se desea
responder a la pregunta: ¿qu´e n´ umero o n´ umeros se debe esperar que
salgan con m´ as asiduidad?
Para la verificaci´ on de las conjeturas por repetici´ on del experimento,
introduzca las 10 partidas que ha jugado usted (p.3) y verifique si las conje-
turas se ajustan tambi´en al total de las 32 partidas. En caso de que as´ı sea,
queda la incertidumbre del factor suerte (¿el jugador que juega con la ficha
7 tiene mucha suerte?) o del factor trampa (¿los dados que se utilizan est´an
trucados o defectuosos y por eso sale con m´as frecuencia el n´ umero 7?). Sin
embargo, si observamos c´omo se han obtenido los resultados, no parece na-
tural que estos puedan explicarse en su totalidad por los factores suerte y
“trampa”: las 22 partidas a las que se refiere el estudio han sido jugadas por
11 parejas distintas (dos partidas cada pareja), utilizando dados distintos y,
por otro lado, los resultados que usted ha obtenido, tambi´en difieren en las
personas involucradas y los dados utilizados.
Si bien el m´etodo experimental suele dar resultados bien adaptados a
la situaci´ on, no permite comprender con profundidad el juego. En general,
la compresi´ on m´ as aguda se sigue de un estudio te´orico. A continuaci´ on
haremos un an´ alisis formal del juego.
Al lanzar los dos dados obtenemos dos n´ umeros comprendidos entre 1 y
6, ambos inclusive: uno por cada dado. Si representamos por la dupla (2,3)
el resultado “se ha obtenido 2 con el primer dado y 3 con el segundo” y por
la dupla (3,2) el resultado “3 con el primero y 2 con el segundo”, los posibles
resultados son:
Suma Sucesos favorables Total
2 (1,1) 1
3 (1,2) (2,1) 2
4 (1,3) (2,2) (3,1) 3
5 (1,4) (2,3) (3,2) (4,1) 4
6 (1,5) (2,4) (3,3) (4,2) (5,1) 5
7 (1,6) (2,5) (3,4) (4,3) (5,2) (6,1) 6
8 (2,6) (3,5) (4,4) (5,3) (6,2) 5
9 (3,6) (4,5) (5,4) (6,3) 4
10 (4,6) (5,5) (6,4) 3
11 (5,6) (6,5) 2
12 (6,6) 1
Miguel R. Wilhelmi
1.7 Predicci´ on y toma de decisiones 9
Por lo tanto, hay 36 formas de caer los dados: una suma 2; 2 suman 3;
. . . ; 6 suman 7; etc. Con otras palabras, si se lanzan 36 veces los dos dados,
hay que esperar, por ejemplo, que, aproximadamente, 6 de ellos sumen 7 y
s´olo uno sume 2 o 12. La relaci´ on que se establece entre el n´ umero de formas
que favorecen a un determinado suceso y el n´ umero de formas posibles es la
probabilidad de que dicho suceso ocurra. Por ejemplo, la probabilidad de que
al lanzar los dados se obtenga 5 es: 4/36, esto es, el n´ umero de formas con las
que se obtiene 5 al lanzar los dados entre el n´ umero de formas posibles. Se
concluye, por lo tanto, que obtener 7 es el suceso m´ as probable (probabiliad
6/36) y obtener 2 o 12 son los sucesos menos probables (probabilidad 1/36).
¿Est´an estas afirmaciones en desacuerdo con las conjeturas que usted hab´ıa
formulado? .
En la tabla siguiente se pueden comparar las frecuencias absolutas y
relativas del n´ umero de movimientos y las probabilidades de los sucesos:
¿qu´e similitudes y diferencias observa?
Ficha f
a
f
r
Formas Probabilidad
2 14 0,013 1 1/36 ≈ 0, 028
3 56 0,052 2 2/36 ≈ 0, 056
4 89 0,083 3 3/36 ≈ 0, 083
5 132 0,123 4 4/36 ≈ 0, 111
6 149 0,139 5 5/36 ≈ 0, 139
7 180 0,167 6 6/36 ≈ 0, 167
8 149 0,139 5 5/36 ≈ 0, 139
9 122 0,114 4 4/36 ≈ 0, 111
10 99 0,092 3 3/36 ≈ 0, 083
11 51 0,047 2 2/36 ≈ 0, 056
12 33 0,031 1 1/36 ≈ 0, 028
Total 1074 1 36 1
1.7. Predicci´ on y toma de decisiones
Por lo estudiado en las otras secciones, es m´ as probable que gane la ficha
7; por lo tanto, si debemos elegir en primer lugar, escogeremos esta ficha.
Adem´as, el criterio de selecci´on puede enunciarse, brevemente: “tomar las
fichas centrales y dejar las extremas”. Este criterio se concreta en una toma
de deciones: por ejemplo, si me toca elegir y la fichas 5, 6, 7 y 8 han sido
tomadas, selecionar´e la ficha 9 (¿por qu´e?).
Es claro, por otro lado, que no siempre estas elecciones tendr´ an como
consecuencia la victoria en la partida: siempre queda un espacio para la
Combinatoria y Probabilidad
10 1 La carrera
suerte. Las elecciones nos dan m´ as probabilidades de ganar, mas no aseguran
que vayamos a hacerlo. La probabilidad es, por lo tanto, una forma de cifrar
la esperanza de que algo suceda y, de esta manera, anticiparnos a lo que en
la realidad acontecer´ a.
Con otras palabras, la frecuencia resume el resultado de un experimento
(pasado); la probabilidad, anticipa el resultado que se debe esperar al realizar
dicho experimento (futuro).
1.8. Resumen
El ejemplo propuesto nos ha permitido introducir los objetos fundamen-
tales que ser´an desarrollados en los siguientes cap´ıtulos. Estos son:
1. Combinatoria o recuento sistem´ atico: estrategias de control sobre el
recuento de los casos, para no contar por exceso (contar m´ as de una
vez un mismo caso) ni por defecto (omitir casos). Por ejemplo, para
la determinaci´ on del n´ umero de formas en que pueden caer los dados
se ha seguido el siguiente criterio: las duplas (n, m) y (n + 1, m− 1)
suman lo mismo (p.8).
2. An´alisis de datos: toma, ordenaci´ on, s´ıntesis y visualizaci´ on de datos,
cuyo fin es inferir alguna conjetura, que tendr´ a que ser validada por
un an´ alisis experimental o te´ orico.
3. Probabilidad: la inferencia de conclusiones a partir de un estudio te´ orio
suele estar basado en el c´alculo de probababilidades. Brevemente, la
probabilidad cuantifica la esperanza de que un suceso ocurra.
4. Frecuencia absoluta: n´ umero de veces que ha ocurrido un determinado
suceso, repetido un experimento aleatorio (que depende del azar) un
n´ umero finito de veces en las mismas circunstacias. Por ejemplo, 180
es la frecuencia absoluta del suceso “sumar 7 al lanzar los dados”,
despu´es de 1074 lanzamientos.
5. Frecuencia relativa: relaci´ on entre la frecuencia absoluta y el n´ umero
de veces que se ha realizado el experimento. Por ejemplo, 180/1074 es la
frecuencia relativa del suceso “sumar 7”, despu´es de 1074 lanzamientos.
6. Ley del azar: Si un experimento aleatorio se repite “muchas” veces,
las frecuencias relativas de un suceso determinado se aproximan a la
probabilidad (te´ orica) de que dicho suceso ocurra. Esta ley permite
Miguel R. Wilhelmi
1.9 Autoevaluaci´ on 11
predecir resultados y, por lo tanto, es un indicativo para la toma de
decisiones.
Con otras palabras, la ley del azar es un puente tendido entre el pasado
y el futuro, entre las frecuencias (lo que ha ocurrido) y las probabili-
dades (lo que se espera suceda).
1.9. Autoevaluaci´ on
Simule el siguiente juego para dos personas. Se numeran 4 casillas del 0 al
3 (ver figura adjunta). Cada jugador, por turno, escoge una casilla y coloca
una ficha en ella, de modo que las cuatro casillas quedan cubiertas: dos
con fichas de un color; las otras dos, con otro color diferente. Tambi´en por
turno, cada jugador lanza 3 monedas (o bien tres veces la misma moneda),
cuenta el n´ umero de caras y avanza, si es suya, la ficha que est´a en la casilla
correspondiente. Gana el primero que alcanza la meta con alguna de sus
fichas.
Juegue 10 partidas y haga un estudio completo de probabilidades, espe-
cificando claramente todas las fases. Distinga claramente entre frecuencia y
probabilidad.
0 M
1 E
2 T
3 A
Combinatoria y Probabilidad
Cap´ıtulo 2
Recuento sistem´atico
Brevemente, la combinatoria es el arte de contar sin enumerar directa-
mente todos los casos. Para ello, es preciso aprender t´ecnicas de ordenaci´ on,
colocaci´on, selecci´on, etc., de objetos. Esta tarea no es f´ acil. Este cap´ıtulo
pretende introducir un n´ umero de t´ecnicas y procemientos que contribuyan
a ello.
2.1. Principios de la suma y del producto
En ciertas circustancias, es posible contar efectivamente todos los casos,
esto es, es posible afirmar “hay tantas disposiciones, configuraciones, modos
de colocar y ´estas son. . . ” (Dando expl´ıcimante todas ellas). Sin embargo,
esto no siempre es posible o resulta muy tedioso: se necesitan m´etodos de
c´alculo en los que no se den (escriban, pinten) expl´ıcitamente todas las
configuraciones posibles, pero se tenga la seguridad de cu´ antas son.
Para ilustrar algunos m´etodos se plantea resolver el siguiente problema:
¿cu´ antas banderas de 3 bandas horizontales pueden formarse con 3 colores
distintos si se utilizan los tres?
El primer m´etodo consiste en la construcci´ on efectiva de todas las po-
sibles banderas, esto es, se pintan (figura 2.1). Pintar 6 banderas no es
complicado ni tedioso. Sin embargo, es posible simplificar la construcci´ on
efectiva eligiendo una correcta notaci´ on, que nos permita una simbolizaci´ on
de las figuras.
En la figura 2.1, se ha simbolizado el color negro con la letra A; el gris,
con la letra B; el blanco, con la letra C. De tal forma que la tripla (A, B, C)
representa la bandera negro-gris-blanco, en el orden dado: de la banda supe-
rior a la inferior. Utilizando esta simbolizaci´ on: ¿cu´ antas banderas de cuatro
13
14 2 Recuento sistem´atico
Figura 2.1: Banderas distintas de tres bandas con tres colores distintos.
bandas se pueden construir con cuatro colores? Forme las 24 posibles ban-
deras; para ello, dise˜ ne un m´etodo que le asegure no olvidarse ninguna y no
repetir una misma bandera.
Si el n´ umero de bandas y colores es mayor, tanto el m´etodo recuento
efectivo como el m´etodo simbolizaci´ on resultan tediosos: ¿es posible saber
cu´antas banderas pueden construirse sin construirlas efectiva o simb´ olica-
mente? En la figura 2.1 puede verse un diagrama: si la banda superior es
pintada de negro, para pintar la banda central quedan s´ olo el gris y el blan-
co; en el supuesto de que ´esta se pinte con gris, la inferior tedr´ a que pintarse,
necesariamente, de blanco. Esto es, para pintar la banda superior se puede
escoger entre los tres colores disponibles, para la central de dos y la inferior,
toda vez que se han pintado las otras, se pinta con el color restante: 3 · 2 · 1
banderas pueden pintarse entonces. De esta forma, ¿cu´ antas banderas de 10
bandas cada una pueden construirse con 10 colores distintos si se utilizan
todos? .
El principio de base que se est´a utilizando es el siguiente:
Proposici´on 1 (Principio del producto) Si una situaci´ on puede ocur-
rir de m maneras y otra de k maneras, entonces ambas situaciones pueden
ocurrir de m· k maneras.
Otro principio b´ asico que se utiliza mucho es el principio de la suma,
que permite calcular el n´ umero de formas totales en que puede suceder una
situaci´ on u otra, pero no ambas. Por ejemplo, para ir de un punto a otro
de una ciudad se puede ir en un veh´ıculo o haciendo ejercicio. Si el veh´ıculo
puede ser una combi, un taxi, un mototaxi o una moto y las formas de
Miguel R. Wilhelmi
2.1 Principios de la suma y del producto 15
desplazarse haciendo ejercicio a pie, corriendo o en bicicleta, entonces el
n´ umero de formas en que una persona puede ir de un lugar a otro son siete
(4 (motorizado) + 3 (haciendo ejercicio)). En general, se tiene:
Proposici´on 2 (Principio de la suma) Si una situaci´ on puede ocurrir
de m maneras diferentes y otra de k maneras diferentes, incompatibles las
unas con las otras, entonces existen m + k maneras en las cuales puede
ocurrir la primera o la segunda, mas no ambas.
El t´ermino incompatible debe ser entendido correctamente. En el anterior
ejemplo, las maneras de ir de un lado a otro “motorizado” o no son incom-
patibles: o bien se toma un transporte (con motor) o bien se va haciendo
ejercicio, no habiendo una forma de hacer las dos cosas simult´ aneamente.
No siempre sucede esto. Por ejemplo, si en una clase hay 12 personas que
saben ingl´es y 5 que saben franc´es: ¿es posible asegurar que hay 17 personas?
¿Qu´e sucede si una persona sabe los dos idiomas?. . .
A continuaci´ on se plantean dos problemas que pueden afrontarse con los
principios de la suma y de la multiplicaci´ on. Intente resolverlos y despu´es
lea el desarrollo que se hace. Analice no s´olo el resultado, sino tambi´en el
m´etodo que se ha seguido. Los dos problemas son:
1. ¿Cu´ antos n´ umeros pares de tres cifras significativas mayores que 500
hay? ¿Cu´ antos n´ umeros pares de tres cifras significativas menores que
500 hay? ¿Cu´ antos n´ umeros pares de tres cifras significativas hay?
2. Una clase est´a formada por 23 varones y 19 mujeres: ¿de cu´ antas for-
mas puede elegirse un delegado? ¿de cu´antas formas puede elegirse un
delegado y un subdelegado?
Un n´ umero par de tres cifras significativas mayor que 500 cumple las
siguientes condiciones: la cifra de las centenas debe ser 5, 6, 7, 8 ´ o 9; la
cifra de las decenas puede ser cualquier n´ umero comprendido entre 0 y 9,
ambos inclusive; la cifra de las unidades es un n´ umero par (0, 2, 4, 6 u 8);
por ´ ultimo, es necesario excluir el n´ umero 500 (que cumple las condiciones
anteriores, pero no es m´as mayor que 500, obviamente). De esta forma, la
cifra de las decenas puede ser escogida de 5 maneras distintas; la de las
decenas, de 10 maneras distitas; la de las unidades, de 5 maneras distintas.
Por lo tanto, por el principio de la multiplicaci´ on, existen 5 · 10 · 5 n´ umeros
mayores o iguales que 500, esto es, excluyendo el n´ umero 500, quedan 249
n´ umeros pares de tres cifras mayores que 500.
Por un razonamiento similar, se concluye que existen 4 · 10 · 5 = 200
n´ umeros pares de tres cifras significativas (se excluye la posibilidad de que
Combinatoria y Probabilidad
16 2 Recuento sistem´atico
la cifra de las centenas sea 0). Por el principio de la suma, hay 249+1+200 =
450 n´ umeros pares de tres cifras significativas. Obs´ervese que los n´ umeros
obtenidos en cada grupo son “incompatibles”: un n´ umero es menor, igual
o mayor que 500, pero no puede ser mayor y menor a la vez, por ejemplo.
Este hecho se conoce como la ley de tricotom´ıa de los n´ umeros reales.
Proposici´on 3 (Ley de tricotom´ıa) Dados dos n´ umeros reales a y b, se
cumple una y justamente una de las siguientes propiedades:
a < b; a = b; a > b
Por otro lado, para la elecci´ on del delegado, como no se especifica si
este debe ser var´on o mujer, hay, por el principio de la suma, 23 + 19 = 42
posibilidades, puesto que, obviamente, ambos grupos humanos son “incom-
patibles”: toda persona es o var´ on o mujer. Para la elecci´ on del subdelegado
dos situaciones pueden establecerse: una, que una persona pueda tomar am-
bos cargos
1
; otra, que una persona no pueda tomar ambos cargos (situaci´ on
que normalmente se adopta)
2
. En la segunda situaci´ on, el delegado se elige
entre las 42 personas de la clase, mientras que, una vez que se ha elegido ´este,
el subdelegado se elige de las 41 restantes; por lo tanto, hay, por el principio
del producto, 42 · 41 = 1 722 formas de elegir a ambos representantes. En la
primera situaci´ on, tanto el delegado como el subdelegado puede ser elegido
entre los 42 estudiantes y, por lo tanto, hay: 42 · 42 = 1 764 formas de elegir
a la persona o personas que ocuparan los cargos.
2.2. El dilema del taxista
Un taxista tiene que ir de un punto A de una ciudad a un punto B (ver
figura siguiente). Para ir de A a B el taxista tomar´ a las calles horizontales
siempre en el sentido izquierda-derecha y las calles verticales siempre en el
sentido arriba-abajo, esto es, nunca retrocer´ a. ¿De cu´antas formas puede el
taxista realizar el trayecto?
1
Un forma de votaci´on que puede seguirse para que esto suceda es la siguiente: cada
alumno pone en un papel quien considera m´as adecuado para ocupar cada uno de los
cargos, esto es, todos los alumnos votan por su candidato para delegado y su candidato
para subdelegado. El recuento puede hacer que una persona consiga el m´aximo de votos
en ambas clasificaciones.
2
Un forma de votaci´on para ello es la siguiente: cada alumno pone en un papel quien
considera m´as adecuado para ser delegado. La persona con m´as votos es el delegado; la
segunda m´as votada, el subdelegado.
Miguel R. Wilhelmi
2.2 El dilema del taxista 17
2.2.1. Dise˜ no de una estrategia
Lo primero que se tiene que hacer es dise˜ nar una estrategia que permita
contar todos los casos sin olvidarse ninguno. Para ello una observaci´ on: el
taxista no puede sino desplazarse en sentido horizontal o vertical, de tal for-
ma que si arranca horizontalmente tendr´ a que seguir en este sentido hasta
la primera intersecci´ on, donde podr´ a continuar sobre la misma calle o vol-
tear a su derecha para bajar por la perpendicular, as´ı sucesivamente. Estos
sentidos de movimiento est´an se˜ nalizados en la figura anterior. Dise˜ ne un
m´etodo que le permita contar los posibles caminos y cuente ´estos; despu´es
siga con la lectura.
Lo primero que se puede hacer es esquematizar el diagrama dado: lo im-
portante son las intersecciones de las calles, puesto que entre ellas el taxista
no puede variar la ruta. En la figura 2.2 se muestra un esquema simplificado
de la ciudad: cada intersecci´ on est´a se˜ nalada por un c´ırculo; as´ı, partiendo
de la intersecci´on A el taxista puede ir a la intersecci´ on 1 o 5; si ha avanzado
horizontalmente, llegar´ a al nodo 1 y puede decir ir a la intersecci´ on 2 o 6; si
decide voltear, avanzar´ a hasta el nodo 6 y, nuevamente, tendr´ a que tomar
una decisi´ on. ¿Cu´ antos posibles caminos puede realizar?
Para hacer el recuento total de los caminos se puede seguir la siguiente
estrategia: construir un ´ arbol donde se indiquen las dos posibles opciones
en cada caso, de tal forma que una ruta est´e marcada por una secuencia
de nodos (figura 2.3). Si se procede de esta forma, no es necesario escribir
expl´ıcitamente todos los posibles caminos; por ejemplo, si se ha establecido
que desde el nodo 7 hay 6 posibles caminos, siempre que lleguemos a ´el
tomaremos este hecho como dato, sin establecer otra vez cu´ales son ´estos.
Como se puede observar en la figura 2.3 el n´ umero total de caminos es 35.
¿Qu´e principio ha se utilizado para determinar este n´ umero?
Combinatoria y Probabilidad
18 2 Recuento sistem´atico
Figura 2.2: Ciudad esquematizada
Figura 2.3:
´
Arbol para el recuento de las posibles rutas del taxista
Miguel R. Wilhelmi
2.3 La sucesi´on de Fibonacci 19
2.2.2. Variables del problema
El problema planteado puede generalizarse, atiendiendo a las variables
que lo determinan: n´ umero de cuadr´ıculas y tipo de movimientos permitidos.
Vamos a analizar estas dos variables por separado.
En general, los taxistas no realizan siempre un mismo recorrido, sino que
van haciendo carreras seg´ un las necesidades de los usuarios: por lo tanto,
no siempre se mover´an en una “cuadr´ıcula” 4 ×3. En general, tendr´ an que
moverse en cuadr´ıculas n ×k. Determine, para las variables n y k variando
entre 1 y 5 el n´ umero total de movimientos:
k (columnas)
n (filas) 1 2 3 4 5
1
2
3
4
5
Respecto a la variable movimientos permitidos, los taxistas no escogen
las rutas al azar, sino que consideran unas determinadas en funci´ on de la
hora, densidad de tr´ ansito, calles en obras, etc. De esta forma, es posible
plantearse preguntas del tipo: ¿cu´ antas rutas posibles hay entre los puntos
A y C pasando por B? 6 para ir de A a B y 20 de B a C: en total 6 · 20,
puesto que .
2.3. La sucesi´ on de Fibonacci
Se dispone de losetas de tama˜ no 1 × 2 y se desea cubrir una superficie
de dimensiones 2 × n, donde n es un n´ umero natural. ¿De cu´ antas formas
se puede hacer?
Combinatoria y Probabilidad
20 2 Recuento sistem´atico
2.3.1. Casos particulares
En muchas circustancias, no se conoce un medio para el recuento de casos
en una situaci´ on concreta. Un m´etodo consiste en simplificar el problema
inicial, formulando uno nuevo que s´ı se sepa resolver e intentar inferir de
´este alguna conclusi´ on. Una forma eficaz de hacerlo consiste en estudiar un
conjunto de casos particulares.
En el problema que se plantea, esto supone, en particular, responer a la
pregunta: ¿de cu´ antas formas se puede recubrir una superficie de dimensiones
2 × n, si n toma los valores 1, 2, 3, 4 o 5? Para evitar equivocaciones, es
preciso encontrar un m´etodo que asegure pintar todas las configuraciones y
que no se repite ninguna. En la figura siguiente se pueden ver los distintos
recubrimientos de superficies con n = 1, 2, 3, 4 y 5.
¿C´omo se han construido? ¿Qu´e regla se ha seguido para poder asegurar
que se han considerado todas las posibles configuraciones y que no se ha
dejado ninguna? A partir de estas representaciones, ¿es posible determinar
una regla que permita ir dibujando las configuraciones con la confianza de
pintarlas todas (y de no repetir ninguna)?
.
2.3.2. Inferencia de una regla de formaci´ on
Inferir es sacar una consecuencia o deducir una cosa de otra. Por obser-
vaci´ on num´erica, se puede observar que, al menos para los casos particulares
estudiados, se tiene la regla de recurrencia de Fibonacci (1170–1250) con pri-
meros t´erminos 1 y 2: a partir del t´ermino tercero, el n´ umero de disposiciones
es la suma de las disposiciones con una y dos losetas menos:
Miguel R. Wilhelmi
2.4 El solitario Sol y Luna 21
Si n = 3: 1 + 2 = 3 disposiciones diferentes.
Si n = 4: 2 + 3 = 5 disposiciones diferentes.
Si n = 5: 3 + 5 = 8 disposiciones diferentes.
Si esto esta regla es v´alida para cubrir una superficie 2 × n, n ∈ N, con
n = 6 se tendr´an 13 formas, ¿puede conseguirlas? ¿Cu´ antas posibles formas
se tendr´an si n = 7, 8, 9 o 10? .
2.3.3. Validaci´ on de la regla
La intuici´ on num´erica ha mostrado una regla que es preciso validar, esto
es, demostrar que es verdadera para un n arbitrario; en concreto, es necesario
justificar que el n´ umero de configuraciones para recubrir una superficie 2×n
se obtiene sumando el n´ umero de las diferentes configuraciones posibles de
las losetas para recubrir las superficies 2 ×(n −1) y 2 ×(n −2).
La aceptaci´ on de la regla se sigue de la construcci´on misma de las confi-
guraciones sucesivas: si n = 4, por ejemplo, las configuraciones que se pueden
hacer son las que resultan de a˜ nadir una loseta vertical a las configuracio-
nes posibles con n = 3 y aquellas que se obtienen agregando dos losetas
horizontales a las configuraciones con n = 2, como se muestra en la figura.
En general, el n´ umero de formas en que puede cubrirse una superficie
2 ×n sigue la ley de recurrencia de Fibonacci: las posibles combinaciones de
a˜ nadir una loseta vertical a las configuraciones para recubrir una superficie
2 ×(n −1) y aqu´ellas que se obtienen agregando dos losetas horizontales a
las configuraciones de recubrimiento de una superficie 2 ×(n −2).
2.4. El solitario Sol y Luna
El solitario Sol y Luna consta de un tablero con nueve casillas y ocho
fichas, cuatro de un color y cuatro de otro (generalmente, blanco y negro,
Combinatoria y Probabilidad
22 2 Recuento sistem´atico
que representan el d´ıa y la noche, de ah´ı el nombre del juego). El objetivo
del juego consiste en llevar la fichas de la posici´ on inicial a la final, mediante
movimientos legales:
Un movimiento legal es aquel que respeta las reglas del juego.
´
Estas son:
1. Las fichas negras se desplazan siempre de izquierda a derecha; las blan-
cas, en sentido opuesto.
2. Una ficha puede moverse si la casilla contigua (en el sentido de des-
plazamiento que le es permitido) est´a vac´ıa; o bien, puede saltar (en el
sentido de desplazamiento que le es permitido) por encima de una ficha
del otro color, siempre que el cuadrado que haya a continuaci´ on est´e li-
bre (de igual forma que en el juego de las damas, pero sin “comer”
ninguna ficha).
3. En cada casilla, hay como m´ aximo una ficha.
Un estudio combinatorio del problema debe conducir a responder pre-
guntas del tipo: ¿de cu´ antas formas se pueden disponer las fichas en el ta-
blero si son colocadas al azar?, ¿cu´ antas de estas formas se pueden alcanzar
mediante movimientos legales?, ¿cu´antos movimientos son necesarios para
completar el juego?, etc.
2.4.1. Codificaci´ on de la situaci´ on: notaci´ on pertinente
En muchas situaciones el problema, tal y como es planteado no ser´ a ope-
rativo; de hecho, en general, los juegos f´ısicos manipulativos van a requerir
de una notaci´ on que permita el recuento de casos.
Como recordar´a, en el cap´ıtulo 1 se observ´ o que la dupla (2,3) pod´ıa
significar, para el lanzamiento de los dos dados, que se ha obtenido 2 con
el primer dado y 3 con el segundo; mientras que la dupla (3,2) represen-
taba que con el primero se ha obtenido 3 y 2 con el segundo. En el caso
del solitario Sol y Luna, es posible utilizar una notaci´ on similar: la 9-upla
3
3
Por simplicidad, en matem´aticas, se dice n-upla a las reuniones de n elementos orde-
nados (n ∈ N, n ≥ 4), utiliz´andose las voces castellanas ´ unicamente para uplas de 2 y 3
elementos, esto es, duplas y ternas.
Miguel R. Wilhelmi
2.4 El solitario Sol y Luna 23
(N, N, N, N, X, B, B, B, B) representa la posici´ on inicial, mientras que la 9-
upla (B, B, B, B, X, N, N, N, N) representa la posici´ on final. Esto es, con la
letra B se simboliza una ficha blanca; con la letra N, una ficha negra; con
la letra X, el espacio vac´ıo.
Como en el caso anterior, antes de afrontar todo el problema, resolvere-
mos algunos casos m´as simples: ¿cu´antas disposiciones se tienen si se juega el
solitario con 2 fichas, una de cada color? En otras palabras, ¿cu´ antas triplas
se pueden formar con las letras B, X y N? No es dif´ıcil darse cuenta de que
son seis.
´
Estas son:
(B, N, X) (B, X, N) (N, B, X) (N, X, B) (X, B, N) (X, N, B)
El criterio que se ha seguido se funda en la ordenaci´ on natural de las
letras del alfabeto. Ahora bien, ¿cu´ antas disposiciones se tienen si se juega
el solitario con 4 fichas, dos de cada color? La situaci´ on se complica, puesto
que dos fichas del mismo color resultan indistinguibles, esto es, jugan el
mismo papel en el solitario y, por lo tanto, la configuraci´ on (N, N, X, B, B)
no se diferencia en nada si las fichas negras se intercambian de lugar:
(N

, N, X, B, B)
En total son 30 posibles configuraciones: ¿puede escribirlas todas? Confec-
cione un m´etodo que le permita construirlas.
2.4.2. Formulaci´ on de un nuevo problema
Como se ha visto en el anterior punto, no es f´ acil calcular todas las formas
en que se pueden disponer las fichas en el tablero. En otras palabras, a partir
del estudio de las situaciones particulares con 1 y 2 fichas de cada color no
es f´acil inferir la regla de formaci´ on. La dificultad de determinaci´ on de tal
regla es la repetici´on de objetos. De esta forma, una estrategia de resoluci´ on
consiste en suponer que todos los objetos son iguales (simplificaci´ on del
problema) y, despu´es, analizar qu´e supone que haya objetos indistinguibles
(vuelta a la situaic´ on original ).
De esta manera, se plantea: ¿de cu´ antas formas se pueden colocar n
elementos diferentes? Si se tiene 1 elemento, este se puede colocar de una
sola forma, obviamente; si se tiene 2 elementos, estos se pueden colocar de
dos formas diferentes: si se denota por 1 a un elemento y por 2 al otro,
entonces las dos posibles configuraciones son (1,2) y (2,1); con 3 elementos,
con la notaci´ on se˜ nalada:
(3, 1, 2) (1, 3, 2) (1, 2, 3)
(3, 2, 1) (2, 3, 1) (2, 1, 3)
Combinatoria y Probabilidad
24 2 Recuento sistem´atico
Si se observa, para construir estas 6 formas diferentes, se ha colocado
el objeto “3” delante, en medio, y detr´ as de los n´ umeros 1 y 2, en las dos
configuraciones en que ´estos ´ ultimos pueden ser colocados. ¿Cu´ antas dispo-
siciones distintas se tienen con 4 elementos diferentes?
(4, 3, 1, 2) (3, 4, 1, 2) (3, 1, 4, 2) (3, 1, 2, 4)
( , 1, 3, 2) (1, , 3, 2) (1, 3, , 2) (1, 3, 2, )
( , 1, 2, 3)
( , 3, 2, 1)
( , 2, 3, 1)
( , 2, 1, 3)
¿Puede establecer una regla de formaci´ on? ¿Cu´ antas configuraciones distin-
tas se pueden formar con 5 elementos distintos? ¿Y con 6?
Si observa con detenimiento, el n´ umero de configuraciones con cuatro
elementos (P
4
) se obtiene multiplicando el n´ umero de configuraciones que
se ten´ıa con tres elementos (P
3
) por 4, esto es: P
4
= 4 · P
3
. Pero m´ as a´ un,
a esta conclusi´on se llega porque dados tres elementos ordenados existen
cuatro formas de colocar el cuarto: 1.- delante de todos ellos; 2.- entre el
primero y el segundo; 3.- entre el segundo y el tercero; 4.- detr´ as de todos
ellos. De esta forma, por cada configuraci´ on con tres elementos existen cuatro
si a˜ nadimos uno.
Este procedimiento puede ser extendido para cualquier n´ umero natural
n: ¿en cu´ antos lugares se puede situar un objeto si tenemos n−1 colocados?
Uno, delante de todos ellos; otro, detr´ as de todos ellos; y n −2, intercalado
entre los objetos dados. En total, n formas distintas. Se concluye, por lo
tanto, que, si P
n−1
es el n´ umero de formas en que se pueden disponer n −1
elementos, entonces P
n
= n· P
n−1
es el n´ umero de formas en que pueden ser
colocadas n objetos, esto es, recurrentemente:

P
n
= n · P
n−1
, ∀n ≥ 2, n ∈ N
P
1
= 1
Por lo tanto, el n´ umero de formas posibles de ordenar n objetos, n = 1,2,
3, 4, 5 es igual a:
P
1
= 1
P
2
= 2 · P
1
= 2 · 1
P
3
= 3 · P
2
= 3 · 2 · 1
P
4
= 4 · P
3
= 4 · 3 · 2 · 1
P
5
= 5 · P
5
= 5 · 4 · 3 · 2 · 1
Miguel R. Wilhelmi
2.4 El solitario Sol y Luna 25
En conclusi´ on, P
n
(n ≥ 2) es el producto de los n primeros n´ umeros
naturales. Este producto se denota de forma abreviada por n!: P
n
= n!,
adem´as, P
1
= 1.
2.4.3. Vuelta a la situaci´ on original
No olvidemos que el problema que ha sido formulado y resuelto (§2.4.2)
tiene como fin poder afrontar el problema original que se hab´ıa planteado:
¿de cu´antas formas se pueden colocar las fichas del solitario Sol y Luna
en el tablero? Tenemos 4 fichas negras, 4 blancas y un espacio en blanco.
¿Podemos decir que el problema se reduce a calcular de cu´antas formas se
pueden colocar 9 (4 + 4 + 1) objetos? .
El problema que debemos resolver puede ser enunciado en los siguientes
t´erminos: ¿de cu´antas formas pueden colocarse 9 elementos, sabiendo que
hay tres grupos de objetos indistinguibles, dos con 4 objetos y uno con 1 s´ olo
objeto? Es posible describir el n´ umero de disposiciones posibles en funci´ on
P
9
y P
4
. Antes de seguir leyendo piense c´ omo podr´ıa hacerse esto.
Describiremos un m´etodo que se sigue en dos pasos:
1. Suponer que todos los objetos son distintos. Por el razonamiento reali-
zado anteriormente: hay P
9
= 9! formas de ordenarlos.
2. Razonar cu´ antas ordenaciones son esencialmente distintas, esto es,
reducir las ordenaciones que son equivalentes, puesto que han sido
obtenidas intercambiando elementos indistinguibles.
Si cuatro elementos son indistinguibles, cualquier intercambio que ha-
gamos entre ellos mantiene la misma disposici´on: existen P
4
= 4! dis-
posiciones equivalentes.
Si otros cuatro elementos son indistinguibles, tambi´en cualquier inter-
cambio que hagamos entre ellos mantiene la misma disposici´on: existen
otras P
4
= 4! disposiciones equivalentes.
Por lo tanto, existen
P
9
P
4
·P
4
=
9!
4!·4!
disposiciones en esencia diferentes.
2.4.4. *Restricciones del juego
De esta forma, se ha podido determinar el n´ umero de formas en que pue-
den ser colocadas al azar las fichas en el tablero: ¿cu´antas de estas posiciones
pueden lograrse mediante movimientos legales? ¿cu´ antos movimientos son
necesarios para completar el juego? Responer a estas preguntas no resulta
f´ acil. En lo que sigue se considera el solitario Sol y Luna con dos fichas de
Combinatoria y Probabilidad
26 2 Recuento sistem´atico
cada color. Se pretende comprender el problema e intentar obtener alguna
regla que pueda ser generalizada.
Hay 30 formas de colocar al azar las cuatro fichas (¿por qu´e?).
´
Estas son:
x
1
≡ (X, B, B, N, N) x
2
≡ (B, X, B, N, N) x
3
≡ (B, B, X, N, N)
x
4
≡ (B, B, N, X, N) x
5
≡ (B, B, N, N, X) x
6
≡ (X, B, N, N, B)
x
7
≡ (B, X, N, N, B) x
8
≡ (B, N, X, N, B) x
9
≡ (B, N, N, X, B)
x
10
≡ (B, N, N, B, X) x
11
≡ (X, N, N, B, B) x
12
≡ (N, X, N, B, B)
x
13
≡ (N, N, X, B, B) x
14
≡ (N, N, B, X, B) x
15
≡ (N, N, B, B, X)
x
16
≡ (X, B, N, B, N) x
17
≡ (B, X, N, B, N) x
18
≡ (B, N, X, B, N)
x
19
≡ (B, N, B, X, N) x
20
≡ (B, N, B, N, X) x
21
≡ (X, N, B, N, B)
x
22
≡ (N, X, B, N, B) x
23
≡ (N, B, X, N, B) x
24
≡ (N, B, N, X, B)
x
25
≡ (N, B, N, B, X) x
26
≡ (X, N, B, B, N) x
27
≡ (N, X, B, B, N)
x
28
≡ (N, B, X, B, N) x
29
≡ (N, B, B, X, N) x
30
≡ (N, B, B, N, X)
Sin embargo, no son todas “construibles”, esto es, partiendo de la posi-
ci´on inicial (N, N, X, B, B) y siguiendo las reglas de juego, es posible alcan-
zar s´olo algunas de las posiciones consideradas. Nos interesar´a diferenciar
las posiciones “alcanzables” de aquellas que no lo son. Se denomina estados
de juego a cada una de las ordenaciones de las fichas en el tablero que puede
ser alcanzada mediante un n´ umero finito de movimientos legales, es decir,
respetando las reglas de juego. ¿Cu´ antos estados de juego tiene el solitario de
Sol y Luna con dos fichas de cada color? Dado que el n´ umero de “jugadas”
no es muy grande, es posible representar en un diagrama todas ellas, donde
se especifiquen las posibles secuencias de estados (figura 2.4).
En el esquema, se denota a x
13
por I (estado inicial) y a x
3
por F
(estado final que deja el juego completo). El paso de un estado a otro,
queda explicitado por las “flechas”. As´ı, por ejemplo, el paso del estado 24
al estado 23 se representa por x
24
→x
23
. Por otro lado, un estado terminal
queda determinado por la ausencia de flechas que “salen” de ´el, en otras
palabras, toda cadena de estados “muere” en un estado terminal (as´ı como
toda cadena de estados comienza en la situaci´ on inicial I).
El n´ umero de estados de juego es, por lo tanto, 23. Adem´ as, el esquema
muestra que un estado de juego puede alcanzarse por distintas secuencias de
movimientos. En particular, el estado final F, donde el juego est´ a completo,
puede alcanzarse por dos secuencias distintas de movimientos. Estas dos
secuencias se llamana jugadas ganadoras (resaltadas en el diagrama): se
necesitan 8 movimientos para completar el juego.
Por ´ ultimo, si se llama comedia a una disposici´ on no alcanzable desde
el estado inicial por aplicaci´ on de las reglas de juego, se concluye que las
disponsiciones: x
1
, x
5
, x
9
, x
10
, x
18
, x
26
y x
27
representan una comedia, esto
es, hay 7 comedias.
Miguel R. Wilhelmi
2.5 Traslaciones, giros y simetr´ıas 27
Figura 2.4: Jugadas legales con 2 fichas de cada color.
¿C´omo se puede generalizar el estudio realizado para determinar el n´ ume-
ro de estados de juego y comedias que hay en el solitario Sol y Luna con
cuatro fichas de cada color? Por otro lado, para completar el solitario con
una ficha de cada color se precisan 3 movimientos; para completarlo con 2
fichas de cada color, 8 movimientos; ¿cu´ antos se precisan para completar
el juego con 3 y 4 fichas de cada color? ¿Hay alguna relaci´ on entre estos
n´ umeros?
2.5. Traslaciones, giros y simetr´ıas
Se quiere saber cu´ antas figuras distintas se pueden construir con tres
segmentos de longitud 1 sobre una cuadr´ıcula de tal forma que una figura
se distinga de otra atendiendo a los siguientes criterios:
1. Dos figuras son iguales si existe una traslaci´ on de tal forma que se
superponen.
2. Dos figuras son iguales si existe una traslaci´ on y un giro de tal forma
que se superponen.
3. Dos figuras son iguales si existe una traslaci´ on, un giro y una simetr´ıa
(respecto a un eje horizontal o vertical) de tal forma que se superponen.
Combinatoria y Probabilidad
28 2 Recuento sistem´atico
A continuaci´ on, se muestran tres figuras iguales seg´ un cada uno de los
criterios.
Dos figuras que son iguales por uno de los criterios no significa que los
sean por los otros. Las figuras centrales (se ha hecho un giro) no son iguales
si s´olo se permite hacer traslaciones. Las figuras de la derecha (iguales por
simetr´ıa) no son iguales ni por giro ni por traslaci´ on. Sin embargo, es claro
que, si dos figuras son iguales por un criterio, entonces tambi´en lo son por
el siguiente: dos figuras iguales por el criterio 1 son iguales por los criterios
2 y 3; dos figuras iguales por el criterio 2 son iguales por el criterio 3. Los
rec´ıprocos, sin embargo, no son ciertos.
Recuento de una situaci´on general y agrupamiento de casos
El m´etodo que seguiremos consiste en obtener todas las posibles configu-
raciones con tres segmentos, admitiendo la igualdad ´ unicamente por trasla-
ci´on. De esta forma, se obtiene el m´aximo posible de configuraciones, puesto
que se impone el criterio menos restrictivo. Despu´es se agrupan las figuras
que son iguales si se realizan giros y, por ´ ultimo, se establece la igualdad por
simetr´ıa.
Por lo tanto, lo primero que se debe hacer es representar todas las figuras
distintas seg´ un el primer criterio: dise˜ ne un m´etodo que le permita construir
todas las configuraciones posibles sin olvidar ninguna. Cuando haya termi-
nado, prosiga con la lectura.
Una clasificaci´ on posible se obtiene si se sigue la siguiente pauta de cons-
trucci´ on: en primer lugar, construir las figuras que tienen los tres segmentos
sobre la misma l´ınea; en segundo lugar, construir las figuras que tienen s´ olo
dos segmentos sobre la misma l´ınea; por ´ ultimo, construir las figuras que
tienen todos los segmentos sobre distintas l´ıneas.
Miguel R. Wilhelmi
2.5 Traslaciones, giros y simetr´ıas 29
En la figura siguiente se pueden ver todas las distintas cofiguraciones po-
sibles, atendiendo la pauta de construcci´ on establecida: 22. Con otras pala-
bras, existen 22 figuras distintas (salvo traslaciones) que pueden construirse
con 3 segmentos rectil´ıneos horizontales o verticales.
¿Cu´ ales de estas figuras son iguales mediante giros? Por ejemplo, las
figuras A y B son iguales si efectuamos a cualquiera de ellas un giro de 90

.
De manera similar, es f´ acil concluir que:
La figura C es igual a la figura D si se realiza un giro de 90

. De igual
manera, la figura D es igual a la figura E y ´esta a la F. En conclusi´ on,
las figuras C, D, E y F son iguales por giros.
La figura G es igual a la figura , por medio de un giro de .
La figura I es igual a la figura , por medio de un giro de .
Sin embargo, las figuras G y H son distintas a las figuras I y J, puesto
que no existe ning´ un giro que transforme las unas en las otras.
La figura K .
La figura O .
¿Son las figuras K, L, M y N iguales (por traslaciones y giros) a las
figuras O, P, Q y R? .
La figura S .
De esta forma, se concluye que existen (salvo traslaciones y giros) 7
figuras distintas: las de “tipo A” (y todas las giradas y trasladas de ´esta);
las de “tipo C”;
.
De estas siete, s´olo 5 son distintas si se admiten, adem´as de traslaciones
y giros, simetr´ıas.
´
Estas son: tipos A, C, .
Combinatoria y Probabilidad
30 2 Recuento sistem´atico
Para terminar este punto, remarcaremos una propiedad que ha quedado
enmascarada: si una figura es igual a otra y esta ´ ultima igual a una tercera,
entonces la primera y la tercera son iguales (para el criterio que se est´e consi-
derado). De otra forma, si una figura se puede relacionar con otra (mediante
una traslaci´ on, un giro o una simetr´ıa) y ´esta con una tercera, entonces la
primera y la ´ ultima est´an igualmente relacionadas.
Proposici´on 4 (Propiedad transitiva de una relaci´on) Una relaci´ on
R entre elementos de un conjunto X tiene la propiedad transitiva si para
todos a, b y c en el conjunto X se verifica: si a est´ a relacionado con b por
medio de la relaci´ on R, denotaremos aRb, y b a su vez est´ a relacionado con
c, bRc, entonces aRc.
En nuestro caso, si denotamos por R
t
a la relaci´ on traslaci´ on, por R
g
a
la relaci´ on giro, por R
s
a la relaci´ on simetr´ıa y por F
1
, F
2
y F
3
tres figuras
planas, se tienen las siguientes tres proposiciones:
Si F
1
R
t
F
2
y F
2
R
t
F
3
, entonces F
1
R
t
F
3
.
Si F
1
R
g
F
2
y F
2
R
g
F
3
, entonces F
1
R
g
F
3
.
Si F
1
R
s
F
2
y F
2
R
s
F
3
, entonces F
1
R
s
F
3
.
2.6. Colocaci´ on de objetos
En esta secci´on, se van a estudiar algunos casos particulares relacionados
con la colocaci´on de objetos: ¿de cu´ antas formas pueden organizarse r ob-
jetos en n lugares? Para responder a esta pregunta hay que tener en cuenta
distintas variables que intervienen a la hora de organizar los objetos:
1. Tipo de objetos a colocar: si son distintiguibles o indistinguibles. Por
ejemplo, si colocamos libros en una biblioteca, en general, hay un ejem-
plar de cada uno y, por lo tanto, todos los libros son distinguibles entre
s´ı; sin embargo, si ordenamos los libros puestos a la venta en una li-
brer´ıa, muchos libros aparecer´ an repetidos, pues se estima que m´as de
una persona va a desear adquirirlos.
2. Tipo de lugares donde se van a colocar los objetos: si son distinguibles
o indistinguibles. Por ejemplo, si para realizar una mudanza se necesi-
ta embalar un grupo de libros y se dispone para ello de unas cuantas
Miguel R. Wilhelmi
2.6 Colocaci´ on de objetos 31
cajas, no se proceder´a de igual manera si ´estas son distintas (escoge-
remos unas u otras cajas seg´ un los tama˜ nos relativos a los libros que
tengamos) o si son iguales (utilizaremos las cajas conforme vayamos
ocup´ andolas).
3. Ordenaci´ on de los objetos en cada lugar disponible: importa o no el
orden. Por ejemplo, si el embalaje de los libros lo realiza la misma
persona que los va a recibir, puede establecer el criterio siguiente: “los
libros que voy a necesitar nada m´ as llegar los coloco al final de cada
caja, as´ı podr´e disponer de ellos sin mucho trabajo”. Por otro lado,
si la persona que realiza el embalaje desconoce las necesidades del
destinatario, seguramente no tomar´ a en consideraci´ on ning´ un orden
en la colocaci´on de los libros.
4. Restricciones sobre el uso de los lugares. Por ejemplo, si se disponen
cajas para transportar calzado es normal imponer que en cada caja
vaya uno y s´ olo un par de zapatos.
De esta forma, la modificaci´on de estas variables genera una gran canti-
dad de situaciones. Se pretende a continuaci´ on, presentar algunos ejemplos,
con el modelo ordenaci´ on de bolas en cajas. Enunciados similares pueden
establecerse para ordenar libros, zapatos, alumnos en diferentes aulas, etc.
En el anexo A se hace una discusi´ on detallada con relaci´ on al recuento de
posibles ordenaciones.
Antes de introducir algunos problemas resulta ´ util tener en cuenta un
sencillo principio que se utiliza muchas veces (la mayor parte de las veces
de forma impl´ıcita): el principio del palomar. Supongamos, que un granjero
tiene 11 palomas y 10 casilleros para que ´estas duerman y se cobijen del fr´ıo
y la lluvia. Es f´ acil concluir que, si todas las palomas duermen en alguno de
los casilleros del palomar, en al menos uno de ellos tiene que haber m´ as de
una paloma. En general se tiene:
Proposici´on 5 (Principio del palomar) Si se tiene r objetos y n lugares
para colocarlos y el n´ umero de objetos es mayor que el n´ umero de lugares
(r > n), entonces, necesariamente, si se colocan todos los objetos, en uno
de los lugares tiene que haber al menos dos objetos.
Una aplicaci´ on curiosa de este sencillo principio es la afirmaci´ on: “al
menos 100 peruanos tienen el mismo n´ umero de cabellos en la cabeza”. Se
sabe que una persona tiene como mucho 200 000 cabellos en la cabeza. De
esta forma, un peruano puede tener 0, 1, 2, 3, 4, . . . , 199 999 pelos en su
Combinatoria y Probabilidad
32 2 Recuento sistem´atico
cabeza, luego, si se atiende al n´ umero de pelos que un peruano tiene en la
cabeza, podemos asegurar que hay, como m´aximo, 200 000 clases de perua-
nos. Como en Per´ u, hay una poblaci´ on mayor a 20 millones de habitantes,
al menos 100 peruanos tienen que pertenecer a una misma clase, puesto que
100 · 200 000 = 20 000 000.
Ejercicios
1. Se meten 10 pares de guantes en un caj´on y se van tomando al azar:
¿cu´ al es el n´ umero m´ınimo de guantes que se debe tomar para poder
asegurar que se ha obtenido un par de guantes completo?
2. Se tiene una bolsa con 50 canicas de cuatro colores diferentes.
¿Qu´e n´ umero de canicas, como m´ınimo, tienen que ser del mismo co-
lor? ¿Y como m´aximo?
3. Dado un tri´ angulo equil´ atero, de lado 1, demuestre que si tomamos
5 puntos interiores del tri´ angulo, dos al menos han de estar a una
distancia menor que 1/2.
2.6.1. Objetos distinguibles en cajas distinguibles
Se tiene r objetos (1 ≤ r ≤ 5) para colocar en n cajas (1 ≤ n ≤ 5). Los
objetos son distinguibles y las cajas tambi´en, de tal forma que si se tiene
un solo objeto y dos cajas existen dos formas distintas de colocar ´ aquel: en
una u otra caja. Nos interesa saber el n´ umero de formas en que pueden ser
introducidos los objetos en las cajas, pero no el orden en que esto se efect´ ua.
En resumen, dos disposiciones son distintas si en al menos una caja se tiene
alg´ un objeto distinto.
Estudiemos algunos casos particulares. Si, por ejemplo, n = 1, todos los
objetos son introducidos en la ´ unica caja que se tiene y, por lo tanto, para
cualquier n se tiene una ´ unica forma de colocar los objetos. Por otro lado,
si r = 1, el n´ umero de posibles colocaciones depende del n´ umero de cajas de
que se disponga: si n = 3, hay tres disposiciones distintas, que se obtienen
colocando el objeto en cada una de las cajas.
Supongamos, por lo tanto, que r y n son mayores que 1: r > 1, n > 1.
Por ejemplo, si r = n = 2 se tienen 4 formas de colocar los dos objetos:
los dos en una u otra caja (2 opciones); o bien, uno en cada caja (otras 2
opciones). De otra forma, cada objeto puede ser introducido en cualquiera
de las dos cajas y, por lo tanto, hay 2 · 2 = 2
2
= 4 opciones de colocar los
Miguel R. Wilhelmi
2.6 Colocaci´ on de objetos 33
dos objetos. Represente esta ´ ultima forma de hacer el recuento mediante un
diagrama de ´ arbol.
Complete la tabla siguiente; para ello, dise˜ ne un m´etodo que le permita
hacer el recuento de forma sencilla y que le de seguridad de los resultados
que obtenga. ¿Podr´ıa generalizar el m´etodo para cualquier r y n? Con otras
palabras, si denotamos por D
n,r
al n´ umero de colocaciones que se pueden
hacer con r objetos distinguibles en n cajas tambi´en distinguibles, ¿qu´e valor
toma D
n,r
seg´ un los par´ ametros r y n?
D
n,r
n = 1 n = 2 n = 3 n = 4 n = 5
r = 1 1 2 3 4 5
r = 2 1 4 9
r = 3 1 8 27
r = 4 1
r = 5 1
2.6.2. Objetos indistinguibles en cajas distinguibles
Se tiene r objetos (1 ≤ r ≤ 5) para colocar en n cajas (1 ≤ n ≤ 5). Los
objetos son indistinguibles, mientras que es posible distinguir unas cajas de
otras, de tal forma que dos disponsiciones se distinguen por el n´ umero de
objetos que hay en cada caja (admiti´endose que una caja est´e vac´ıa). En
resumen, dos disposiciones son distintas si, en al menos una caja, el n´ umero
de elementos es distinto.
Estudiemos algunos casos particulares. Al igual que en el caso anterior,
si n = 1, todos los objetos son introducidos en la ´ unica caja que se tiene
y, por lo tanto, para cualquier r se tiene una ´ unica forma de colocar los
objetos. Por otro lado, si r = 1, el n´ umero de posibles colocaciones depende
del n´ umero de cajas de que se disponga: si n = 5, hay cinco disposiciones
distintas, que se obtienen colocando el objeto en cada una de las cajas.
Supongamos, por lo tanto, que r y n son mayores que 1: r > 1, n > 1. Por
ejemplo, si r = n = 2 se tienen 3 formas de colocar los tres objetos: dos en
una caja y la otra vac´ıa (dos opciones, puesto que las cajas son distintas); o
bien, uno en cada caja. De otra forma, como los objetos son indistinguibles,
el n´ umero de formas en que pueden repartirse en dos cajas distinguibles es
igual a las descomposiciones del n´ umero 2 en n´ umeros enteros no negativos
(importando el orden): 2 + 0 = 0 + 2 = 1 + 1, de tal forma que el primer
sumando se˜ nala los objetos que han sido introducidos en la primera caja y,
el segundo, aquellos que han sido introducidos en la segunda.
Combinatoria y Probabilidad
34 2 Recuento sistem´atico
Otro ejemplo: n = 3, r = 2. Atendiendo al mismo criterio, se tienen las
siguientes seis descomposiciones del n´ umero 2 como suma de tres n´ umeros
enteros no negativos:
2 = 2 + 0 + 0 = 0 + 2 + 0 = 0 + 0 + 2 = 1 + 1 + 0 = 1 + 0 + 1 = 0 + 1 + 1
As´ı es posible completar la tabla:
E
n,r
n = 1 n = 2 n = 3 n = 4 n = 5
r = 1 1 2 3 4 5
r = 2 1 3 6
r = 3 1 4 10
r = 4 1
r = 5 1
¿Podr´ıa generalizar el m´etodo para cualquier r y n? Con otras palabras,
si denotamos por E
n,r
al n´ umero de colocaciones que se pueden hacer con r
objetos indistinguibles en n cajas distinguibles, ¿qu´e valor toma E
n,r
seg´ un
los par´ ametros r y n?
2.6.3. Objetos distinguibles en cajas indistinguibles
En este caso las cajas son indistinguibles, pero los objetos s´ı son distin-
guibles. Por lo tanto, interesa tomar en cuenta c´ omo se juntan los objetos,
mas no en qu´e caja se depositan. Es admisible, por lo tanto, que se rechace
la posibilidad de que haya cajas vac´ıas: en lo que sigue se restringe el estudio
a situaciones en las que el n´ umero de cajas n es menor o igual al n´ umero de
objetos disponibles r, esto es, n ≤ r.
¿Qu´e sucede si n = 1 o r = n?
.
Supongamos que: n > 1 y r > n. Por ejemplo, n = 2 y r = 3: numeramos
los objetos 1, 2 y 3, entonces, como cada una de las dos cajas tiene al menos
un elemento, tendr´ a que haber una caja con dos elementos y otra con uno.
Hay tres formas de dejar un objeto aislado: que sea 1, 2 o 3.
Por razonamientos an´ alogos, es posible completar la tabla:
F
n,r
n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7
r = 1 1 — — — — — —
r = 2 1 1 — — — — —
r = 3 1 3 1 — — — —
r = 4 1 7 7 1 — — —
r = 5 1 1 — —
r = 6 1 1 —
r = 7 1 1
Miguel R. Wilhelmi
2.6 Colocaci´ on de objetos 35
¿Podr´ıa generalizar el m´etodo para cualquier r y n? Con otras palabras,
si denotamos por F
n,r
al n´ umero de colocaciones que se pueden hacer con
r objetos distinguibles en n cajas indistinguibles, r ≤ n, ¿qu´e valor toma
F
n,r
seg´ un los par´ ametros r y n? A diferencia de los dos casos anteriores, no
resulta f´ acil encontrar una ley general: ¿qu´e leyes parciales observa?, ¿puede
demostrarlas?
2.6.4. Objetos indistinguibles en cajas indistinguibles
En este caso, tanto los objetos como las cajas son indistinguibles. Por
lo tanto, interesa determinar la cantidad relativa de objetos en cada una de
las cajas. Es admisible, por lo tanto, al igual que en el caso anterior, que se
rechace la posibilidad de que haya cajas vac´ıas: en lo que sigue se restringe
el estudio a situaciones en las que el n´ umero de cajas n es menor o igual al
n´ umero de objetos disponibles r, esto es, n ≤ r.
De manera an´ aloga al caso anterior: si n = 1 o si n = r, existe una ´ unica
forma de colocar los objetos. Supongamos, por lo tanto, que: n > 1, r > n.
Por ejemplo, n = 2 y r = 3: como, al menos un objeto debe ir en cada caja,
queda un objeto por colocar, que se introducir´ a en una de las cajas. Como
todas las cajas son iguales existe una sola forma de colocar los objetos: dos
en una caja y uno en la otra. Si k = 2 y n = 4, hay dos formas de hacerlo
puesto que:
. De esta forma, se completa la tabla:
G
n,r
n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7 n = 8
r = 1 1 — — — — — — —
r = 2 1 1 — — — — — —
r = 3 1 1 1 — — — — —
r = 4 1 2 1 1 — — — —
r = 5 1 2 2 1 1 — — —
r = 6 1 1 — —
r = 7 1 1 —
r = 8 1 1
¿Podr´ıa generalizar el m´etodo para cualquier r y n? Con otras palabras,
si se denota por G
n,r
al n´ umero de colocaciones que se pueden hacer con
r objetos indistinguibles en n cajas indistinguibles, r ≤ n, ¿qu´e valor toma
G
n,r
seg´ un los par´ ametros r y n? Al igual que en el caso anterior, com-
probar´ a que no resulta f´ acil encontrar una ley general, a pesar de que se
observan ciertas regularidades: ¿qu´e leyes parciales observa? ¿Es cierto que
G
r,r−1
= 1, para todo r? ¿G
r,r−2
= 2, para todo r ≥ 4? ¿G
r,r−3
= 3, para
todo r ≥ 6? ¿G
r,r−4
= 5, para todo r ≥ 8?, etc.
Combinatoria y Probabilidad
36 2 Recuento sistem´atico
2.7. Las torres de Hanoi
Se dispone de n discos, todos de distinto tama˜ no, de manera que pueden
ser colocados ordenadamente, unos encima de otros, formando una torre —
figura (a). A su vez, se dispone de 3 soportes A, B, C. Se forma la torre
sobre el soporte A y se quiere, mediante movimientos legales, trasladarla
al soporte B. Un movimiento legal o permitido consiste en tomar un disco
y colocarlo en un soporte diferente, siempre que se verique una de las dos
condiciones siguientes:
1. El soporte no tenga ning´ un disco.
2. El disco superior sea mayor que el que se coloca.
En otras palabras, es legal colocar discos sobre soportes vac´ıos y discos
peque˜ nos sobre grandes, pero no son permitidas situaciones del tipo de la
figura (b).
¿Es posible completar el juego para un n´ umero n arbitrario de discos?
En caso de ser as´ı, ¿cu´ antos movimientos son necesarios para completar el
juego con n discos?
Como ya hemos razonado en otros ejemplos: una estrategia muy ´ util
consiste en estudiar un conjunto de casos particulares e intentar inferir de
´estos una regla general y un m´etodo que la justifique.
Por comodidad, se admiten las dos notaciones siguientes:
Los discos pueden ser numerados seg´ un su tama˜ no del 1 al n: el m´as
peque˜ no lo designamos con el n´ umero 1, mientras que el disco mayor
se identifica con el n´ umero n.
Para cada n, sea P
n
la proposici´ on “el juego (con n discos) es termina-
do”; luego, se quiere demostrar que las proposiciones P
n
son verdaderas
Miguel R. Wilhelmi
2.7 Las torres de Hanoi 37
para cualquier n´ umero natural n. Para ello, se enunciar´ an y demos-
trar´ an una serie de lemas
4
, que permitir´ an hacer una demostraci´ on
breve y sencilla.
Lema 1 P
1
es verdadera.
Demostraci´on. Basta mover el disco 1 del soporte A al soporte B y el juego
est´a completo:
Lema 2 P
2
es verdadera.
Demostraci´on. Es suficiente seguir la secuencia que se observa en la
figura 2.5.
Lema 3 P
3
es verdadera.
Demostraci´on. Por el lema 2 es posible mover los discos 1 y 2 al soporte
C (observar que los soportes A y B juegan un papel equivalente). Ahora se
mueve el disco 3 al soporte B y, otra vez por el lema 2, los discos 1 y 2
pueden ser movidos al soporte B, con lo que se termina el juego.
As´ı demostrado, el lema 3, da una pauta de trabajo: si un juego con
n discos puede ser completado, entonces el juego con n + 1 discos tambi´en
podr´ a serlo. Este hecho, queda formalizado en el siguiente lema.
Lema 4 Para cada n, P
n
⇒P
n+1
.
Demostraci´on. Se tiene n+1 discos sobre el soporte A. Como la propo-
sici´on P
n
es verdadera, se pueden trasladar los n primeros discos al soporte
C (mediante movimientos legales). Entonces el disco n+1 es movido del so-
porte A al soporte B y, otra vez por Pn, los discos 1, . . . , n son trasladados
al soporte B, con lo que el juego queda completo.
4
Lema: proposici´on verdadera, paso intermedio entre un enunciado general o m´as com-
plejo y su demostraci´on, que es introducido, por norma general, para simplificar la expo-
sici´on.
Combinatoria y Probabilidad
38 2 Recuento sistem´atico
Figura 2.5: Juego con tres discos.
Miguel R. Wilhelmi
2.7 Las torres de Hanoi 39
De esta forma, el lema 4 da una cadena de infinitas implicaciones:
P
1
⇒P
2
⇒P
3
⇒. . . ⇒P
n−2
⇒P
n−1
⇒P
n
⇒. . .
Adem´as, el lema 1, representa el primer paso necesario para que la ca-
dena descrita sea verdadera. De hecho, toda proposici´ on P
n
es verdadera,
para cualquier n natural, desde el lema 4, si la proposici´ on P
1
es verdade-
ra. El principio general que se est´ a utilizando es el principio de inducci´ on
matem´atica, que puede ser enuncuado en los siguientes t´erminos.
Proposici´on 6 (Principio de Inducci´on) Si para cada n´ umero natural
n se tiene una propiedad P
n
que puede ser cierta o falsa, de tal manera que:
1. P
1
es cierta; y
2. Para cada n ∈ N, suponiendo que P
n
es cierta se puede demostrar que
P
n+1
es cierta
Entonces P
n
es cierta para todo n ∈ N.
En el anexo C se desarrollar´ a este importante m´etodo matem´atico de
demostraci´on y de definici´ on.
Volviendo a nuestro juego: ya sabemos que este puede ser completado,
pero ¿cu´ antos movimientos son necesarios para completar un juego con n
discos? Si observamos el m´etodo descrito, la realizaci´ on del juego con n + 1
discos se apoya en el juego completo con n discos. De esta forma, el n´ umero
de movimientos necesarios puede obterse de manera recursiva: si se denota
por L
n+1
el n´ umero de movimientos necesarios para completar el juego con
n discos, ¿es posible encontrar una relaci´on entre L
n+1
y L
n
, sabiendo que
L
1
= 1? Piense una soluci´ on a este problema antes de continuar con la
lectura.
Para completar el juego con n = 2, realizamos los siguientes movimientos:
1. Pasamos el disco 1 al soporte C: 1 movimiento.
2. Pasamos el disco 2 al soporte B: 1 movimiento.
3. Pasamos el disco 1 al soporte B: 1 movimiento.
En total: 3 movimientos, esto es, L
2
= 3.
Para completar el juego con n = 3, realizamos los siguientes movimientos:
1. Pasamos los discos 1 y 2 al soporte C: L
2
= 3 movimientos.
Combinatoria y Probabilidad
40 2 Recuento sistem´atico
2. Pasamos el disco 3 al soporte B: 1 movimiento.
3. Pasamos los discos 1 y 2 al soporte B: L
2
= 3 movimientos.
En total: 2 · L
2
+ 1 = 2 · 3 + 1 = 7 movimientos, esto es, L
3
= 7.
En general, para completar el juego con n + 1 discos, realizamos los
siguientes movimientos:
1. Pasamos los discos 1, . . . , n al soporte C: L
n
movimientos.
2. Pasamos el disco n + 1 al soporte B: 1 movimiento.
3. Pasamos los discos 1, . . . , n al soporte B: L
n
movimientos.
En total: L
n+1
= 2 · L
n
+ 1 movimientos. De esta forma, para cualquier n,
el n´ umero de movimientos L
n+1
necesario para completar el juego con n+1
discos se obtiene por la regla de recurrencia siguiente:

L
n+1
= 2 · L
n
+ 1, ∀n ∈ N
L
1
= 1
Esto es, L
2
= 2· 1+1 = 2+1 = 3, L
3
= 2· 3+1 = 6+1 = 7, L
4
= 2· 7+1 =
14 +1 = 15, L
5
= 2 · 15 +1 = 30 +1 = 31, L
6
= 2 · 31 +1 = 62 +1 = 63,. . .
En general: L
n+1
= 2 · L
n
+ 1 = 2
n
−1, para todo n ≥ 2.
¿Se ha demostrado que L
n+1
= 2· L
n
+1 = 2
n
−1, ∀n ≥ 2? .
¿Es necesario demostrarlo? .
2.8. Resumen
En las secciones anteriores, se han descrito algunas situaciones de re-
cuento. En general, estas situaciones no se pueden resolver “de golpe” (es
necesario seguir una serie de pasos) ni de forma algor´ıtmica
5
(se desconoce
de antemano qu´e pasos es necesario dar).
Para el recuento de casos se precisa de estrategias espec´ıficas de c´alcu-
lo, adaptadas a cada situaci´ on concreta. Estas estrategias particulares, en
ocasiones, representan instrumentos reutilizables en clases amplias de pro-
blemas; por ejemplo: estudio de un conjunto finito (y en principio no muy
numeroso) de casos particulares e inferencia, a partir de ´estos, de una regla
de formaci´ on, que tendr´ a que ser validada en t´erminos de la situaci´ on.
5
Un algoritmo es un conjunto ordenado y finito de operaciones que permite hallar la
soluci´on de un problema: la suma, resta, multiplicaci´on y divisi´on de dos n´ umeros son
algoritmos, por ejemplo.
Miguel R. Wilhelmi
2.9 Ejercicios 41
Por otro lado, en ciertas situaciones, el recuento de casos en una situaci´ on
concreta ha implicado la determinaci´ on de principios elementales: de la suma
y del producto (§2.1), del palomar (proposici´ on 5) y de inducci´ on matem´atica
(§2.7). Estos principios constituyen instrumentos poderosos de resoluci´ on de
amplias clases de problemas.
En muchas ocasiones, una situaci´ on no permite un tratamiento ma-
tem´atico sencillo. Una soluci´ on consiste en la formulaci´ on de un nuevo pro-
blema, relacionado con el anterior, pero m´ as sencillo, cuya resoluci´ on mues-
tre un camino de resoluci´ on de la situaci´ on inicial. As´ı ha sucedido en las
secciones Sol y luna (§2.4) y Traslaciones, giros y simetr´ıas (§2.5).
En conclusi´ on, el recuento de casos es una tarea dif´ıcil, en general no
sistematizable, ligada a la situaci´on concreta que se est´e analizando. Sin em-
bargo, como se ver´a en el pr´ oximo cap´ıtulo, es posible organizar un conjunto
grande de situaciones mediante m´etodos sencillos de c´alculo: permutaciones,
variaciones, combinaciones.
2.9. Ejercicios
1. Con relaci´ on a la figura, ¿cu´ antos cuadrados pueden formarse de ma-
nera que los v´ertices est´en en alguno de los puntos?
Observe que un cuadrado se caracter´ıza por ser un paralegramo con
los cuatro lados iguales y ´ angulos de 90

, pero que no es necesario
que ´este se presente con una base horizontal. Por ejemplo, en la figura
siguiente se pueden ver dos cuadrados en distintas posiciones.
Si denotamos por Q
n
el n´ umero de cuadrados posibles que se pueden
dibujar sobre una cuadr´ıcula n × n: ¿es posible encontrar una regla
general para Q
n
?
2. Para sortear qui´en jugar´ a con blancas una partida de ajedrez, Juan
y Enrique efect´ uan siempre la siguiente pr´ actica: eligen cara o sello y
Combinatoria y Probabilidad
42 2 Recuento sistem´atico
lanzan una moneda al aire tantas veces c´ omo sea necesario para que
se cumpla una (o las dos) condiciones siguientes:
a) La primera persona que gane dos veces seguidas toma las blancas.
b) La primera persona que gane tres partidas (consecutivas o no)
juega con blancas.
¿Cu´ al es el m´aximo de partidas que juegan? ¿Y el m´ınimo? Represente
con un diagrama de ´ arbol todas las posibilidades y despu´es codif´ıquelas
en una n-upla.
3. Determine el n´ umero de subconjuntos que tiene un conjunto con n
elementos: estudie los casos particulares en el que el conjunto tiene 0,
1, 2, 3, 4 o 5 elemenos e infiera de estos casos una ley general. Intente
demostrar ´esta. (Nota: Todos los conjuntos contienen al menos dos
conjuntos: el conjunto vac´ıo y el conjunto total, excepto el conjunto
vac´ıo que contiene un solo conjunto, ´el mismo.)
4. Un hombre tiene tiempo para jugar ruleta cinco veces a lo sumo. En
cada juego gana o pierde un nuevo sol. El hombre empieza con un sol
y dejar´ a de jugar si antes de la quinta vez pierde todo su dinero o si
gana tres nuevos soles, esto es, si tiene cuatro. Hallar el n´ umero de
posibles situaciones finales, estableciendo la ganancia o p´erdida total.
5. En el diagrama 1 de la figura, A, B, C, D, E y F representan islas
y las l´ıneas de uni´ on puentes. Un hombre empieza en A y camina de
isla en isla. Se detiene a comer cuando no puede continuar caminando
sin tener que cruzar el mismo puente dos veces. Hallar el n´ umero de
recorridos posibles antes de comer.
6. Considere el diagrama 2 de la figura anterior. Se permite mover una
ficha horizontal o verticalmente desde A a la primera casilla en la
Miguel R. Wilhelmi
2.10 Autoevaluaci´ on 43
direcci´ on y sentido escogidos. El juego se detiene cuando no se pue-
de avanzar sin pasar por la misma casilla m´ as de una vez. Hallar el
n´ umero de maneras c´omo se puede realizar el juego: ¿cu´ antas partidas
completan el recorrido?
7. En el diagrama que se muestra, los puntos A, B, C, etc. representan
intersecciones de calles, las flechas sentidos de tr´ansito permitidos y
los n´ umeros, un´ındice
6
del gasto estimado. ¿Cu´ al es trayecto m´as caro
y el m´as barato?
8. Se representan en el plano n puntos, sin haber tres colineales. Si se tra-
za un segmento que una dos a dos dichos puntos: ¿cu´ antos segmentos
se dibujan? Realice el ejercicio para n variando entre 1 y 7 y deduzca
una ley general. ¿Puede encontrar una relaci´ on con la suma de los n
primeros n´ umeros naturales?
2.10. Autoevaluaci´ on
1. Generalizaci´ on del dilema del taxita. El c´ alculo total de trayectos posi-
bles para una determinada cuadr´ıcula puede determinarse en funci´ on
de aquellos posibles para cuadr´ıculas m´as peque˜ nas. ¿Es capaz de ob-
tener una regla que le permita calcular el n´ umero de rutas posibles
para una cuadr´ıcula n × k, con n y k dos n´ umeros enteros positivos
cualesquiera? Justifique la regla que obtenga en funci´ on de la situaci´ on
(posibles trayectos que puede tomar el taxista para ir de un punto a
otro), no de un conjunto finito de valores num´ericos (p.19).
2. En funci´ on de la figura, ¿cu´ antos tri´ angulos rect´ angulos pueden for-
marse de manera que los tres v´ertices est´en en alguno de los puntos?
Generalice el problema a una red de n×n puntos. (Nota: se restringe el
6
Variables de este ´ındice son: velocidad de tr´ansito, cambios de velocidad requeridos,
estado de la pista, etc
Combinatoria y Probabilidad
44 2 Recuento sistem´atico
estudio al caso en el que los catetos de los tri´angulos son horizontales
o verticales, esto es, unen dos puntos de la misma fila o columna.)
3. Tres en raya. En un tablero, como el que se muestra en la figura, se
van colocando fichas, de tal manera que no haya “tres en raya” (tres
en casillas consecutivas horizontales o veriticales). ¿Cu´ antas fichas se
pueden poner como m´ aximo? Generalice el problema a un tablero n×n.
Miguel R. Wilhelmi
Cap´ıtulo 3
Permutaciones, variaciones y
combinaciones
En la presente secci´on se introduce las nociones de permutaci´ on, varia-
ci´on y combinaci´ on, que constituyen instrumentos eficaces de recuento de
casos de amplias clases de problemas. Estas nociones se introducen por me-
dio de la resoluci´ on de situaciones particulares y su posterior generalizaci´ on
y formalizaci´ on.
3.1. Permutaciones
Gen´ericamente, permutar es: “variar la disposici´ on u orden en que esta-
ban dos o m´ as cosas”. Es necesario precisar si estas cosas son o no indistin-
guibles, para asegurar que la nueva configuraci´ on sea en esencia distinta a
la antigua.
3.1.1. Permutaciones ordinarias o sin repetici´ on
Como se ha visto en la secci´on 2.4, el n´ umero de ordenaciones posibles
que se pueden obtener con n (n ≥ 2) objetos distintos es el producto de los
n primeros t´erminos. Este producto se denota por n!, que se lee: “factorial
de n”. Se define:
Definici´on 1 (Factorial de un n´ umero) El factorial de un n´ umero en-
tero no negativo n, se denota n!, es igual a:
n! =

n(n −1)! si n > 0
1 si n = 0
45
46 3 Permutaciones, variaciones y combinaciones
La definici´ on dada es recursiva: a partir de 0! = 1, se obtienen los facto-
riales de los n´ umeros enteros positivos multiplicando el n´ umero n-´esimo por
el factorial de (n −1), esto es:
1! = 1 · 0! = 1 · 1 = 1 2! = 2 · 1! = 2 · 1 = 2
3! = 3 · 2! = 3 · 2 = 6 4! = 4 · 3! = 4 · 6 = 24
5! = 5 · 4! = 5 · 24 = 120 6! = 6 · 5! = 6 · 120 = 720
.
.
.
.
.
.
Definici´on 2 (Permutaciones ordinarias o sin repetici´on) Se llaman
permutaciones ordinarias o sin repetici´ on de n elementos, denotaremos P
n
,
a los distintos grupos que se pueden formar, de tal manera que en cada grupo
entren los n elementos y que un grupo se diferencie de los dem´ as en el orden
de colocaci´ on de los elementos. Adem´as se tiene que: P
n
= n!.
3.1.2. Permutaciones con repetici´ on
Por otro lado, el solitario Sol y Luna ha dejado abierta una puerta para
una generalizaci´ on: ¿cu´ antas ordenaciones en esencia distintas pueden ob-
tenerse con n elementos si hay k grupos cuyos objetos son indistinguibles
entre s´ı y cada grupo contiene a
1
, . . . , a
k
elementos, respectivamente? Por
ejemplo, en la figura siguiente se pude ver la representaci´ on de 13 elementos
distribuidos en 5 grupos de elementos indistinguibles. Si se colocan “en fila”,
uno detr´ as de otro, se tiene una configuraci´ on. Si se intercambian entre s´ı dos
objetos indistinguibles la nueva configuraci´ on es equivalente a la anterior.
¿Cu´ antas configuraciones esencialmente distintas se pueden disponer?
El razonamiento que se hizo en el solitario Sol y Luna consist´ıa en cal-
cular todas las ordenaciones posibles (suponiendo los objetos distinguibles),
para despu´es agrupar aquellas que son iguales (puesto que se han obtenido
por permutaci´ on de objetos indistinguibles). En el caso propuesto en la fi-
gura, las posibles permutaciones de 13 elementos son 13!, de las cuales 4!
Miguel R. Wilhelmi
3.1 Permutaciones 47
son iguales porque se han obtenido por permutaciones de los anillos (); 3!
son iguales porque se han obtenido por permutaciones de los corazones (♥);
otras 3! son iguales porque se han obtenido por permutaciones de los “copy-
right” ( c ); otras 2! son iguales porque se han obtenido por permutaciones
de los s´ımbolos de infinito (∞). Por lo tanto, se tienen:
13!
4!·3!·3!·2!
= 3 603 600
disponsiciones distintas.
El m´etodo puede generalizarse para calcular el n´ umero de ordenaciones
distintas que se pueden obtener con n elementos si hay k grupos cuyos obje-
tos son indistinguibles entre s´ı y cada grupo contiene a
1
, . . . , a
k
elementos,
respectivamente, de tal forma que a
1
+. . . +a
k
= n:
1. C´alculo de las permutaciones de n elementos: P
n
= n!.
2. Reagrupamiento de las permutaciones iguales (se han obtenido por
intercambio de posiciones de elementos indistinguibles de un grupo):
a
1
! · a
2
! · . . . · a
k−1
! · a
k
!.
3. C´ alculo de las permutaciones (con repetici´ on) distintas:
PR
a
1
,a
2
,...,a
k−1
,a
k
n
=
n!
a
1
! · a
2
! · . . . · a
k−1
! · a
k
!
Definici´on 3 (Permutaciones con repetici´on) Se llaman permutacio-
nes con repetici´ on de n elementos, distribuidos en k grupos de a
1
, a
2
,
. . . , a
k−1
, a
k
elementos indistinguibles, respectivamente, de tal forma que
a
1
+a
2
+. . . +a
k−1
+a
k
= n, a las distintas configuraciones que se pueden
formar con los n elementos, de tal forma que cada una de ellas se diferen-
cie de las dem´ as en el orden de colocaci´ on de sus elementos, excluyendo las
reordenaciones de elementos indistinguibles (esto es, que pertenecen a un
mismo grupo). Si se denota por PR
a
1
,a
2
,...,a
k−1
!,a
k
!
n
a este n´ umero, se tiene
que:
PR
a
1
,a
2
,...,a
k−1
,a
k
n
=
n!
a
1
! · a
2
! · . . . · a
k−1
! · a
k
!
3.1.3. Permutaciones circulares
Se quiere confeccionar un collar con n cuentas de colores, todas de dis-
tinto color, ¿de cu´ antas formas se puede formar el collar si se utilizan todas
ellas? El n´ umero de ordenaciones distintas de n objetos distintos es P
n
= n!,
sin embargo, las cuentas de un collar quedan uniformemente distribuidas en
una circunferencia y cualquier giro que se efect´ ue no cambia el collar (ver
Combinatoria y Probabilidad
48 3 Permutaciones, variaciones y combinaciones
figura), pero s´ı la configuraci´ on en l´ınea que lo gener´ o: hay m´ as ordenaciones
en l´ınea que circulares; el problema es cu´ antas.
En la figura anterior, los 8 giros que se representan, no mofican el collar;
de hecho, para confeccionar el collar importa la posici´ on relativa de unas
cuentas respecto a otras, mas no el orden en que ´estas han sido colocadas:
esto es, se pueden formar
8!
8
=
8·7!
8
= 7! collares distintitos con 8 cuentas
diferentes.
En general, si el collar est´ a formado por n cuentas se podr´ an formar
(n −1)! collares. As´ı, se define:
Definici´on 4 (Permutaciones circulares (sin repetici´on)) Se llaman
permutaciones circulares (sin repetici´ on) de n elementos, denotaremos PC
n
,
a los distintos grupos que se pueden formar, de tal manera que en cada
grupo entren los n elementos y que un grupo se diferencie de los dem´ as en
la posici´ on relativa de los elementos unos respecto a los otros. Adem´ as se
tiene que: PC
n
= (n −1)!.
En la discusi´ on que se acaba de hacer, se ha establecido la determina-
ci´on de las permutaciones circulares ordinarias o sin repetici´ on. Una tarea
similar se puede hacer para la determinaci´ on de las permutaciones circulares
con repetici´ on. Resuelva el lector la siguiente pregunta: ¿cu´ antos collares en
esencia distintos pueden obtenerse con n cuentas si hay m grupos de bo-
litas indistinguibles entre s´ı y cada grupo contiene a
1
, . . . , a
m
elementos,
respectivamente?
3.1.4. Ejercicios
1. Escriba todas las permutaciones que pueden formarse con las letras de
las palabras que se dan.
a) Las letras de ROMA.
b) Las letras de VIVIR.
Miguel R. Wilhelmi
3.1 Permutaciones 49
¿Cu´ antas ha formado en cada caso? ¿Coincide el n´ umero con el que se
obtiene por medio de las f´ ormulas que se han deducido en el desarrollo
te´orico?
2. ¿Cu´ antos n´ umeros de cinco cifras es posible formar con las cifras 1, 2,
3, 4, 5, sin que se repita ninguna? ¿Cu´ antos de esos n´ umeros tienen el
3 en cuarto lugar? ¿Cu´ al es, por lo tanto, la probabilidad de colocar
al azar un tres en el cuarto lugar?
3. ¿Cu´ antas banderas tricolores se pueden formar con tres franjas de
tela, una de color rojo, otra de color azul y otra de color amarillo,
pudiendose repetir los colores, pero sin poner dos bandas consecutivas
del mismo color?
4. Consideremos escritas en orden alfab´etico todas las permutaciones po-
sibles de las letras A, B, C, D y E.
a) ¿Qu´e permutaci´ on ocupa el lugar 73?
b) ¿Qu´e lugar ocupar´ a la permutaci´ on CDABE?
5. ¿Cu´ antas letras de cinco signos se pueden formar en el alfabeto Morse
1
con tres rayas y dos puntos?
6. ¿Cu´ anto suman los n´ umeros de cinco cifras que es posible formar con
las cifras 1, 2, 4, 5, 8 sin que se repita ninguna?
7. Un estudiante dispone de 5 libros distintos de matem´ aticas y 4 de
f´ısica. ¿De cu´antas formas distintas podr´ a colocarlos en una estanter´ıa
de su biblioteca si quiere poner juntos todos los de matem´ aticas, y
tambi´en los de f´ısica? Y si quiere que no est´en juntos dos libros de
matem´aticas, ¿de cu´ antas formas podr´ a colocarlos?
8. ¿Cu´ antas palabras
2
distintas se pueden formar con las letras de la pa-
labra PERMUTACI
´
ON? ¿Cu´antas empiezan por la letra E y terminan
en ON?
9. ¿Cu´ antas rondas se pueden formar con cinco personas si en cada una
participan 2, 3, 4 o las cinco personas?
1
Sistema de telegraf´ıa que utiliza un c´odigo consistente en la combinaci´on de rayas y
puntos.
2
Por palabra se entiende una ordenaci´on finita de s´ımbolos (letras) del alfabeto. No se
discute aqu´ı si estas ordenaciones tienen o no significado.
Combinatoria y Probabilidad
50 3 Permutaciones, variaciones y combinaciones
Nota: para calcular, por ejemplo, el n´ umero de rondas de dos personas
que pueden formarse debe establecer todas las posibles parejas; este
n´ umero es igual al n´ umero de rondas de dos personas, puesto que en
una ronda de dos personas solo hay una posici´ on relativa. Sin embargo,
para formar las rondas con tres personas se tiene que calcular primero
el n´ umero de tr´ıos que se pueden formar y observar que cada tr´ıo se
puede disponer en 2 rondas en esencia diferentes (¿por qu´e?).
3.2. Variaciones
En lenguaje usual, variar significa: “hacer que una cosa sea diferente en
algo de lo que antes era”. En matem´ aticas, la palabra variaci´ on tiene una
acepci´on mucho m´ as precisa; brevemente, una variaci´on de una familia de
elementos es una modificaci´on de alguno de sus elementos o del orden en
que se presentan.
3.2.1. Variaciones ordinarias o sin repetici´ on
Se desea formar un comit´e de aula para la organizaci´ on de un evento
cultural en un colegio. Dicho comit´e est´a formado por tres alumnos que
har´ an las veces de delegado, vocal y secretario. La clase est´a formada por 40
alumnos. Nos planteamos resolver la siguiente cuesti´on: ¿de cu´ antas formas
puede constituirse el comit´e si una persona no puede ocupar m´ as que un
cargo?
Como un estudiante no puede tener m´ as que un cargo, el delegado
podr´ a ser elegido entre los 40 alumnos de la clase; una vez que ´este ha
sido elegido, el cargo de vocal podr´ a ser tomado por uno de los 39 alumnos
restantes; por ´ ultimo, el cargo de secretario puede ser tomado por uno de
los 38 alumnos restantes. Es decir, existen 40 · 39 · 38 formas de constituir el
comit´e.
El m´etodo descrito puede ser extendido para deteminar el n´ umero de
comit´es de k estudiantes que se pueden formar en un aula de n estudiantes
(n ≥ k):
n · (n −1) · . . . · [n −(k −2)] · [n −(k −1)] =
n!
(n −k)!
Definici´on 5 (Variaciones ordinarias o sin repetici´on) Se llaman va-
riaciones ordinarias o sin repetici´ on de n elementos, tomados de k en k, se
Miguel R. Wilhelmi
3.2 Variaciones 51
denota V
n,k
, a los distintos grupos que se pueden formar con los n elementos,
de tal forma que en cada grupo entren k elementos distintos y que un grupo
se diferencie de los dem´ as, bien en alguno de sus elementos, bien en su orden
de colocaci´ on. Se tiene:
V
n,k
=
n!
(n −k)!
3.2.2. Variaciones con repetici´ on
Supongamos ahora que una misma persona puede ocupar m´ as de un car-
go, esto es, una persona puede ser a la vez vocal y delegado, por ejemplo.
Esta situaci´ on no es artificial: muchas veces una misma persona ocupa m´as
de un cargo dentro de una instituci´ on. Por ejemplo, profesor y coordinador
de ciencias, alumno y miembro de la banda de m´ usica del colegio, etc. Nos
planteamos, entonces, resolver la siguiente cuesti´on: si en un aula hay n es-
tudiantes, ¿de cu´ antas formas puede constituirse un comit´e de k estudiantes
si una persona puede ocupar m´ as que un cargo?
Antes de resolver el problema general planteado, volvamos a nuestro caso
particular: 3 cargos deben ser ocupados por alguno de los 40 estudiantes que
conforman un aula. Como un estudiante s´ı puede tener m´ as que un cargo, el
delegado podr´ a ser elegido entre los 40 alumnos de la clase; una vez que ´este
ha sido elegido, el cargo de vocal podr´ a ser tomado por uno cualquiera de
los estudiantes, incluido el delegado electo; por ´ ultimo, el cargo de secretario
puede ser tomado igualmente por cualquiera de los 40 estudiantes. Es decir,
existen 40 · 40 · 40 formas de constituir el comit´e.
Al igual que en la anterior situaci´ on, el m´etodo descrito puede ser exten-
dido para deteminar el n´ umero de comit´es de k estudiantes que se pueden
formar en un aula de n estudiantes (n ≥ k), pudiendo un alumno tener m´ as
de un cargo: n·
(k veces)
. . . ·n = n
k
comit´es diferentes. En general, se define:
Definici´on 6 (Variaciones con repetici´on) Se llaman variaciones con
repetici´ on de n elementos, tomados de k en k, denotaremos, V R
n,k
, a los
distintos grupos que se pueden formar con los n elementos, de tal manera
que en cada grupo entren k elementos iguales o distintos y que un grupo
se diferencie de los dem´ as, bien en alg´ un elemento, bien en su orden de
colocaci´ on. Se tiene:
V R
n,k
= n
k
Combinatoria y Probabilidad
52 3 Permutaciones, variaciones y combinaciones
3.2.3. Ejercicios
1. Sin repetir cifras, ¿cu´ antos n´ umeros de tres cifras se pueden formar
con los d´ıgitos pares 2, 4, 6, 8? ¿Cu´ antos de esos n´ umeros comienzan
por 2? ¿Cu´ antos terminar´ an en 64? ¿Cu´ antos habr´ a mayores que 500?
¿Cu´ anto suman todos los n´ umeros de tres cifras que se pueden obtener?
2. Realizar el problema anterior suponiendo que es posible repetir las
cifras.
3. Una l´ınea de ferrocarril tiene 25 estaciones. ¿Cu´antos boletos diferentes
habr´ a que imprimir, si cada boleto lleva impresas las estaciones de
origen y destino? ¿Y si ´ unicamente se coloca el importe y no si el
pasajero se desplaza de la localidad A a la B? (Nota: se ademite que
los trayectos de ida y de vuelta de una localidad a otra tienen el mismo
costo.)
4. En una rifa se han hecho 1 000 papeletas, numeradas del 000 al 999.
¿Cu´ antos n´ umeros capic´ ua
3
hay? ¿Es m´ as probable que salga premi-
dado un n´ umero capic´ ua u otro que no lo es? ¿La pregunta anterior es
equivalente a preguntar, por ejemplo, “qu´e es m´as probable que salga
el 848 o el 751”?
5. Un barco dispone de 8 banderas. ¿Cu´ antas se˜ nales puede mostrar si
cada se˜ nal consiste en tres banderas colocadas verticalmente en un
asta?
6. Una bandera tiene tres franjas horizontales. Si se pinta cada una de
un color (pueden repetirse los colores en la misma bandera, pero no de
forma consecutiva), ¿cu´antas banderas distintas pueden formarse si se
dispone de cinco colores?
7. Una matricula de auto tiene la primera letra correspondiente al depar-
tamento, despues un n´ umero del 0000 al 9999 y finalmente una o dos
letras. ¿Cu´antos autos pueden ser matriculados en un departamento
con este sistema? ¿Y en todo el Per´ u?
(Nota: Se supone que las letras del abecedario son 28.)
3
Capic´ ua: N´ umero que, como 2002, es igual le´ıdo de izquierda a derecha que de derecha
a izquierda. El mismo efecto, referido a palabras o frases, recibe el nombre de pal´ındromo;
por ejemplo, anilina y d´ abale arroz a la zorra el abad.
Miguel R. Wilhelmi
3.3 Combinaciones 53
3.3. Combinaciones
En lenguaje com´ un, combinar es: “unir cosas diversas, de manera que
formen un compuesto”. Al igual que las variaciones y las permutaciones, el
concepto de combinaci´on tiene un significado muy concreto en matem´ aticas:
brevemente, n´ umero de conjuntos de un determinado n´ umero de elementos
que se pueden formar con un universo de objetos, sin importar el orden de
selecci´on, sino qu´e elementos se toman.
3.3.1. Combinaciones ordinarias o sin repetici´ on
En el problema de la formaci´ on de los comit´es de aula, el orden de elec-
ci´on de los estudiantes es relevante, puesto que los cargos de delegado, vocal
y secretario no son equiparables. Sin embargo, si el comit´e est´a formado por
tres personas que desempe˜ nar´ an cargos similares, entonces no es relevante
que un estudiante sea elegido en primer, segundo o tercer lugar, sino el hecho
mismo de haber sido elegido. Como se ha visto, si el orden de elecci´on es
importante (y un alumno no puede tener sino un cargo), existen 40 · 39 · 38
formas de constituir los comit´es, pero si el orden no importa, hay que dividir
esta cantidad por 6, puesto que dados 3 estudiantes, podemos organizarlos
de 6 formas distintas (P
3
). As´ı, existen (40 · 39 · 38 / 6) formas de organizar
los comit´es si los tres integrantes van a desempe˜ nar labores similares.
En general, el razonamiento es v´ alido si es preciso escoger, sin importar
el orden, k estudiantes de entre n (n ≥ k), el n´ umero de comit´es que se
pueden formar son:
V
m,k
P
k
=
n!
(n−k)!·k!
. De esta forma, las combinaciones se
determinan en funci´ on de las variaciones y del agrupamiento de ´estas en
clases. Por ejemplo, si se tiene un conjunto formado por los elementos a, b,
c y d y se quieren formar todas las combinaciones sin repetici´ on de 3 en 3
se observa que:
Combinaciones Variaciones (V
4,3
)
abc abc, acb, bac, bca, cab, cba
abd abd, adb, bad, bda, dab, dba
acd acd, adc, cad, cda, dac, dca
bcd bcd, bdc, cbd, cdb, dbc, dcb
Definici´on 7 (Combinaciones sin repetici´on) Se llaman combinacio-
nes ordinarias o sin repetici´ on de n elementos, tomados de k en k, denota-
remos C
n,k
, a los diferentes conjuntos de k elementos distintos, esto es, un
conjunto se diferencie de los dem´ as en, al menos, un elemento (no importa
Combinatoria y Probabilidad
54 3 Permutaciones, variaciones y combinaciones
el orden de colocaci´ on o selecci´ on). Se tiene:
C
n,k
=
V
n,k
P
k
=
n!
(n −k)! · k!
3.3.2. Combinaciones con repetici´ on
El problema de la formaci´ on de comit´es ha permitido introducir las per-
mutaciones y las variaciones con y sin repeci´on y las combinaciones sin
repetici´ on. ¿C´omo debiera reformularse este problema para poder hablar de
combinaciones con repetici´ on? En las combinaciones, no importa el orden
de selecci´on de los individuos, puesto que todos van a desempe˜ nar la misma
funci´ on: ¿tiene sentido que una persona ocupe dos cargos cuyas funciones
son las mismas? El problema no parece tener mucho inter´es, puesto que
si una persona ocupa dos cargos que son iguales, diremos, sencillamente,
que debe trabajar “el doble”. Planteamos a continuaci´ on una situaci´ on que
precisa contar el n´ umero de combinaciones con repetici´on.
Uno de los logros cient´ıficos m´as importantes de la ´ ultima d´ecada es el
descubrimiento del genoma
4
humano. Se sabe que los caracteres hereditarios
dependen de los genes que cada sujeto recibe de sus antecesores. El caso m´as
simple, se tiene cuando un gen puede tomar ´ unicamente dos modalidades
distintas A y a, que se llaman dominante y recesivo, respectivamente. De
esta forma, este tipo de genes forman tres tipos de genotipos: AA, Aa, aa
(el genotipo aA es igual al Aa).
El siguiente caso es aquel en que los genotipos se forman con genes que
toman tres modalidades distintas. Por ejemplo, el grupo sangu´ıneo (si no
atendemos al factor RH) se constituye con los genes A, B (dominantes) y O
(recesivo). ¿Cu´ antos genotipos se pueden formar? Esto son:
AA, BB, OO
AB, AO, BO
Si se observa, los genotipos de la primera fila son aquellos que se forman
por repetici´ on de un mismo gen: 3 casos, tantos como modalidades del gen.
Mientras que los otros tres resultan de las posibles combinaciones de las
distintas modalidades de genes, esto es, C
3,2
.
4
Genoma: conjunto de cromosomas de una c´elula. Cromosoma: cada uno de ciertos
corp´ usculos, casi siempre en forma de filamentos, que existen en el n´ ucleo de las c´elulas
y solamente son visibles durante la mitosis. D´ebese su formaci´ on a una especie de con-
densaci´ on de la cromatina, y su n´ umero es constante para cada especie animal o vegetal
(DRAE, 1992).
Miguel R. Wilhelmi
3.3 Combinaciones 55
¿Puede generalizarse este c´alculo si los genes pueden tomar 4, 5, 6. . . mo-
dalidades distintas? En otras palabras, ¿cu´ antos genotipos se pueden formar
con un gen que puede tomar n modalidades distintas? No es dif´ıcil razonar
que el n´ umero de genotipos distintos que se pueden formar con un gen que
toma n modalidades distintas es: n +C
n,2
.
Definici´on 8 (Combinaciones con repetici´on de dos en dos) Se lla-
man combinaciones con repetici´ on de n elementos, tomados de 2 en 2, de-
notaremos CR
n,2
, a las distintas agrupaciones de 2 elementos (no necesa-
riamente distintos), esto es, un conjunto se diferencia de los dem´ as en, al
menos, un elemento (no importa el orden de colocaci´ on o selecci´on). Se
tiene:
CR
n,2
= n +C
n,2
Este problema puede ser nuevamente generalizado para la agrupaci´ on de
n elementos tomados de k en k (sin importar el orden): combinaciones con
repetici´ on de n elementos tomados de k en k, se denota CR
n,k
. Para ello,
vamos a estudiar algunos casos particulares, a partir de los cuales deducir
una ley general que nos permita calcular las combinaciones con repetici´ on
de n elementos tomados de k en k.
Es posible construir una tabla de doble entrada, variando en n y k, donde
se coloquen todas las posibles combinaciones con repetici´on. En la tabla
siguiente se pueden ver todas las posibles combinaciones con repetici´on,
CR
n,k
, con n, k ∈ {1, 2, 3, 4}:
CR
n,k
k = 1 k = 2 k = 3 k = 4
n = 1 A AA AAA AAAA
n = 2 A, B AA, BB, AB AAA, BBB, AAB,
ABB
AAAA, BBBB,
AAAB, AABB,
ABBB
n = 3 A, B, C AA, BB, CC, AB,
AC, BC
AAA, BBB, CCC,
AAB, AAC, BBA,
BBC, CCA, CCB,
ABC
AAAA, BBBB,
CCCC, AAAB,
AAAC, AABB,
AACC, AABC,
ABBB, ACCC,
ABBC, ABCC,
BBBC, BBCC,
BCCC
n = 4 A, B, C,
D
AA, BB, CC, DD,
AB, AC, AD, BC,
BD, CD
¿Cu´ales? ¿Cu´ales?
La conclusi´ on inmediata que se deduce es el n´ umero de combinaciones
con repetici´ on, CR
n,k
, con n, k ∈ {1, 2, 3, 4}:
Combinatoria y Probabilidad
56 3 Permutaciones, variaciones y combinaciones
CR
n,k
k = 1 k = 2 k = 3 k = 4
n = 1 1 1 1 1
n = 2 2 3 4 5
n = 3 3 6 10 15
n = 4 4 10 20 35
De la tabla anterior se deduce:
CR
1,k
= 1, ya que .
CR
n,1
= n, ya que .
Por otro lado, se constata que el n´ umero de combinaciones con repetici´ on
de n elementos tomados de k en k, CR
n,k
, se puede obtener (al menos para
n, k ∈ {2, 3, 4}) sumando el n´ umero de combinaciones con repetici´on de n
elementos tomados de (k −1) en (k −1) y el n´ umero de combinaciones con
repetici´ on de n −1 elementos tomados de k en k:
CR
n,k
= CR
n−1,k
+CR
n,k−1
Con otras palabras, el n´ umero que aparece en cada casilla se puede obtener
como suma de los n´ umeros de las casillas inmediatamente superior e izquier-
da. ¿Es posible asegurar que la formaci´ on de una tabla, por ejemplo con n
y k variando entre 1 y 10, sigue la misma regla? La respuesta es que s´ı. Si
se consideran los letras L
1
, . . . , L
n
, la formaci´ on de las combinaciones con
repetici´ on CR
n,k
puede ser hecha siguiendo el siguiente m´etodo:
1. Combinaciones sin L
n
: obtener todas las combinaciones con repetici´on
de n −1 elementos, tomados de k en k, esto es, CR
n−1,k
.
2. Combinaciones con L
n
: obtener todas las combinaciones con repetici´on
de n elementos, tomados de k en k, sabiendo que, al menos uno de ellos,
es L
n
, esto es, CR
n,k−1
. Como uno de los k elementos es L
n
, entonces
quedan k −1 elementos por elegir, de entre n elementos, sin importar
el orden de selecci´on y pudiendo tomar elementos repetidos.
Definici´on 9 (Combinaciones con repetici´on) Se llaman combinacio-
nes con repetici´ on de n elementos, tomados de k en k, se denota CR
n,k
, a las
diferentes agrupaciones de k elementos (indistinguibles o no), de tal forma
que una agrupaci´ on se diferencie de las dem´ as en, al menos, un elemento
(no importa el orden de colocaci´ on o selecci´ on). Se tiene:

CR
n,k
= CR
n−1,k
+CR
n,k−1
si k = 1, n = 1
CR
1,k
= 1 y CR
n,1
= n
Miguel R. Wilhelmi
3.3 Combinaciones 57
La definici´ on recurrente de los t´erminos CR
n,k
de las combinaciones con
repetici´ on es sencilla de aplicar, por ejemplo:
CR
2,3
= CR
1,3
+CR
2,2
= CR
1,3
+ (CR
1,2
+CR
2,1
) = 1 + 1 + 2 = 4
Sin embargo, en general, no es muy pr´ actica si se utiliza directamente. Por
ejemplo:
CR
4,5
=CR
4,4
+CR
3,5
=
=CR
4,3
+CR
3,4
+CR
3,4
+CR
2,5
=
=CR
4,3
+ 2CR
3,4
+CR
2,5
=
=CR
4,2
+CR
3,3
+ 2(CR
3,3
+CR
2,4
) +CR
2,4
+CR
1,5
=
=CR
4,2
+ 3CR
3,3
+ 3CR
2,4
+CR
1,5
=
=CR
4,1
+CR
3,2
+ 3(CR
3,2
+CR
2,3
) + 3(CR
2,3
+CR
1,4
) +CR
1,5
=
=CR
4,1
+ 4CR
3,2
+ 6CR
2,3
+ 3CR
1,4
+CR
1,5
=
=CR
4,1
+ 4(CR
3,1
+CR
2,2
) + 6(CR
1,3
+CR
2,2
) + 3CR
1,4
+CR
1,5
=
=CR
4,1
+ 4CR
3,1
+ 10CR
2,2
+ 6CR
1,3
+ 3CR
1,4
+CR
1,5
=
=CR
4,1
+ 4CR
3,1
+ 10(CR
2,1
+CR
1,2
) + 6CR
1,3
+ 3CR
1,4
+CR
1,5
=
=CR
4,1
+ 4CR
3,1
+ 10CR
2,1
+ 10CR
1,2
+ 6CR
1,3
+ 3CR
1,4
+CR
1,5
=
=4 + 12 + 20 + 10 + 6 + 3 + 1 = 56
En la pr´ actica, se puede completar una tabla utilizando el conocimiento
de la definici´ on recurrente para las combinaciones con repetici´ on y utilizar
dicha tabla en la resoluci´ on de problemas. Complete la tabla siguiente:
CR
n,k
k = 1 k = 2 k = 3 k = 4 k = 5 k = 6 k = 7 k = 8
n = 1
n = 2
n = 3
n = 4
n = 5
n = 6
n = 7
n = 8
Sin embargo, ¿cu´ antas combinaciones con repetici´on se tienen con 98
elementos tomados de 67 en 67, esto es, cu´anto vale CR
98,67
? La construcci´on
de una tabla del tama˜ no necesario para responder a la pregunta es una tarea
tediosa: ¿es posible describir las combinaciones con repetici´ on de otra forma,
que permita obtener ´estas de forma sencilla, r´apida y fiable? En la siguiente
secci´on se va a tratar este punto.
Combinatoria y Probabilidad
58 3 Permutaciones, variaciones y combinaciones
3.3.3. Ejercicios
1. En una familia de seis personas se acuerda que cada d´ıa se encarguen
dos de las tareas dom´esticas. ¿Cu´antos grupos distintos se pueden
formar?
2. ¿Cu´ antas rectas quedar´ an determinadas por cinco puntos de un plano,
suponiendo que no haya tres en l´ınea recta? ¿Cu´antas diagonales tiene
un pol´ıgono convexo de n lados?
3. En una avanzadilla hay 18 soldados. ¿Cu´ antas guardias diferentes de
tres soldados se pueden formar si todos los soldados van a desempe˜ nar
funciones similares? ¿En cu´ antas entrar´ a un soldado determinado? ¿Y
dos soldados determinados?
4. Se dispone de ocho objetos, ¿qu´e es mayor, el n´ umero de combinaciones
tom´andolos de tres en tres, o el n´ umero de combinaciones de los mismos
elementos de cinco en cinco? Razone su respuesta. Antes de hacer
ning´ un c´ alculo piense intuitivamente una respuesta: ¿es correcta su
intuici´ on? En caso contrario, d´ onde est´a la falacia.
5. Con los colores del arco iris
5
, ¿cu´ antas mezclas pueden hacerse si to-
mamos cada vez tres colores distintos? ¿Y si no es posible tomar dos
colores que aparecen de forma consecutiva en el arco iris?
6. Un estudiante debe responder a ocho de las doce preguntas de un
cuestionario, ¿cu´ antos grupos distintos de preguntas puede elegir?
7. En una finca del monte hay dispersas varias casetas de guardas cada
una de las cuales est´ a unida a las restantes por un camino. Calcular el
n´ umero de casetas que hay sabiendo que el n´ umero de caminos es 36.
8. ¿De cu´antas formas podr´ an distribuirse ocho premios iguales entre 12
aspirantes? ¿Y si los premios fueran diferentes?
3.4. N´ umeros combinatorios
Como se ha visto en la anterior secci´on, C
n,k
es el n´ umero de combinacio-
nes sin repetici´on que se pueden formar con n elementos (distintos) tomados
5
Fen´omeno luminoso en forma de arco semicircular que se forma cuando el Sol (y a
veces la Luna) refracta y refleja su luz en la lluvia y que ostenta los siete colores del prisma
(rojo, anaranjado, amarillo, verde, azul, a˜ nil y violado).
Miguel R. Wilhelmi
3.4 N´ umeros combinatorios 59
de k en k. Dicho n´ umero se suele denotar tambi´en por

n
k

y se lee: “n´ umero
combinatorio de n sobre k” o, sencillamente, n´ umero de combinaciones de
n elementos tomados de k en k. De esta forma, se tiene:
C
n,k

n
k

:=
n!
(n −k)! · k!
El s´ımbolo

0
0

representa el n´ umero uno (1). En efecto, como 0! = 1, se
tiene:

0
0

=
0!
(0−0)!0!
=
1
1·1
= 1. Por otro lado, los n´ umeros combinatorios de la
forma

n
0

tambi´en representan el n´ umero uno (1):

n
0

=
n!
(n−0)!0!
=
n!
n!·1
= 1.
El significado que se le debe dar a

0
0

“en t´erminos de combinaciones” es
el siguiente: ¿De cu´ antas formas se puede tomar ning´ un elemento sin tomar
ning´ un elemento? De una sola, haciendo precisamente lo que se nos dice:
no tomar ning´ un elemento. As´ı, los n´ umeros

n
0

representan el n´ umero de
formas que se tienen de tomar ning´ un elemento de n distintos: tambi´en una
(no tomando ning´ un elemento).
Los significados dados para los n´ umeros

0
0

y

n
0

no parecen relevantes:
¿por qu´e entonces introducir un objeto “sin inter´es”? Los n´ umeros combina-
torios pueden ser dispuestos en el conocido tri´ angulo de Pascal (1623–1662)
- Tartaglia (1499 aprox.–1557) y para ello es preciso contar con los n´ ume-
ros

0
0

y

n
0

introducidos: nos permiten “completar” y construir f´ acilmente
dicho tri´ angulo:
N´ umeros combinatorios

n
k

Valor que representan

0
0

1

1
0

1
1

1 1

2
0

2
1

2
2

1 2 1

3
0

3
1

3
2

3
3

1 3 3 1

4
0

4
1

4
2

4
3

4
4

1 4 6 4 1

5
0

5
1

5
2

5
3

5
4

5
5

1 5 10 10 5 1

6
0

6
1

6
2

6
3

6
4

6
5

6
6

1 6 15 20 15 6 1

7
0

7
1

7
2

7
3

7
4

7
5

7
6

7
7

1 7 21 35 35 21 7 1
La construcci´ on del tri´ angulo se sigue del siguiente criterio: los dos lados
no horizontales del tri´ angulo son iguales a 1, esto es,

n
0

=

n
n

= 1, para
todo n´ umero entero n no negativo, el resto de n´ umeros se obtienen sumando
los dos inmediatamente superiores. Con otras palabras, se ha de verificar la
propiedad (0 < k < n):

n
k

=

n −1
k −1

+

n −1
k

Combinatoria y Probabilidad
60 3 Permutaciones, variaciones y combinaciones
En efecto:

n
k

=

n−1
k−1

+

n−1
k

⇐⇒
⇐⇒
n!
(n−k)!·k!
=
(n−1)!
[(n−1)−(k−1)]!·(k−1)!
+
(n−1)!
(n−1−k)!·k!
⇐⇒
⇐⇒
(n−1)!
(n−k−1)!·(k−1)!

n
(n−k)·k

=
(n−1)!
(n−k−1)!·(k−1)!

1
(n−k)
+
1
k

⇐⇒
⇐⇒
n
(n−k)·k
=
1
(n−k)
+
1
k
=
k+n−k
(n−k)·k
=
n
(n−k)·k
De esta forma, es posible dar una caracterizaci´on de las combinaciones
sin repetici´ on por medio de una regla de recurrencia:

C
n,k
= C
n−1,k−1
+C
n−1,k
si 0 < k < n
C
n,0
= 1 = C
n,n
En otro orden de cosas: ¿qu´e semejanzas encuentra entre la tabla de
las combinaciones con repetici´on (p.57) y el tri´ angulo de Pascal - Tartaglia
(p.59) que muestra las combinaciones sin repetici´ on? Si se observa con dete-
nimiento los valores de ambas combinaciones (con y sin repetici´on) se llega
a la conclusi´ on de que se verifica la relaci´ on:
CR
n,k
= C
n+k−1,k
En caso de que ´esta fuera cierta, ¿qu´e inter´es tiene? El inter´es se sigue
del ´ ultimo p´ arrafo de la secci´on 3.3.2: ¿c´ omo saber qu´e n´ umero representa
CR
98,67
, sin necesidad de utilizar la f´ ormula recurrente de las combinaciones
con repetici´ on o de construir una tabla (¡tan grande!)? Sencillamente, si la
relaci´ on es cierta, se tiene: CR
98,67
= C
98+67−1,67
= C
98+67−1,67
= C
164,67
=
164!
97!·67!
≈ 4, 2859· 10
53
. Es decir, la relaci´ on es sumamente interesante, puesto
que pone al alcance la posibilidad de obtener las combinaciones con repeti-
ci´on mediante una f´ ormula, lo cual es muy ´ util y f´ acil de usar. Queda como
tarea, por lo tanto, justificar que dicha regla es v´ alida para cualquier n´ umero
combinatorio, no s´ olo para aquellos que se han obtenido efectivamente.
Proposici´on 7 El n´ umero de combinaciones con repetici´ on de n elementos
tomados de k en k es igual al n´ umero de combinaciones sin repetici´ on de
n +k −1 elementos tomados de k en k. Esto es: CR
n,k
= C
n+k−1,k
.
Demostraci´on. Dado un conjunto con n elementos, E = {e
1
; . . . ; e
n
}, se
considera el conjunto P = {1; . . . ; n}, que puede ponerse en correspondencia
biyectiva con E, asociando cada e
i
con i, para i variando entre 1 y n. De
esta forma, el n´ umero de configuraciones (combinaciones con repetici´on, en
este caso) de P y E es el mismo.
Miguel R. Wilhelmi
3.5 Extracci´on de bolas de una urna 61
Ahora bien, si (a
1
, a
2
, . . . , a
k−1
, a
k
) es una combinaci´ on con repetici´ on
de n elementos de P tomados de k en k, por lo que algunos elementos (o
todos) pueden ser iguales entre s´ı, es posible, poner esta combinaci´ on en
correspondencia con la siguiente:
(a
1
+ 0, a
2
+ 1, . . . , a
k−1
+k −2, a
k
+k −1)
Claramente, esta correspondencia es biun´ıboca y el n´ umero de configuracio-
nes del segundo tipo es precisamente C
n+k−1,k
, combinaciones sin repetici´on
de n +k −1 elementos tomados de k en k.
En la proposici´ on que se acaba de demostrar hay dos impl´ıcitos que es
necesario resaltar. En primer lugar, una correspondencia bi´ univoca es una
relaci´ on que asocia cada uno de los elementos de un conjunto con uno, y
justamente uno, de los de otro conjunto y, rec´ıprocamente, cada elemento
de este ´ ultimo conjunto con uno, y s´ olo uno, del otro. Una consecuencia
inmediata es la siguiente:
Proposici´on 8 (Principio de igualdad) Si entre dos conjuntos A y B
existe una correspondecia biun´ıvoca o biyectiva, entonces ambos conjuntos
tienen el mismo n´ umero de elementos.
Corolario 1 Si entre dos conjuntos A y B existe una correspondecia biyec-
tiva, entonces el n´ umero de configuraciones (del tipo que sea) que se pueden
obtener con los elementos de uno y otro conjunto es el mismo.
3.5. Extracci´ on de bolas de una urna
Un modelo para las nociones de permutaci´ on, de variaci´ on y de combi-
naci´ on es la extracci´on de bolas numeradas de una urna: se tienen n bolas
numeradas en una urna, ¿de cu´ antas formas se pueden extraer k bolas? La
pregunta formulada es ambigua. Dos variables determinan la posible inter-
pretaci´ on: si importa o no el orden de extracci´ on de las bolas y si una bola
es o no devuelta a la urna despu´es de ser tomada. En los siguientes p´arrafos
analizaremos las distintas situaciones que se desprenden.
3.5.1. Extracci´ on ordenada sin reposici´ on
En la primera extracci´ on se puede sacar cualquiera de las n bolas que
hay en la urna. Como no hay reposici´ on, esto es, la bola extra´ıda no se
devuelve a la urna, en la segunda extracci´ on se puede tomar cualquiera de
Combinatoria y Probabilidad
62 3 Permutaciones, variaciones y combinaciones
las n−1 bolas que quedan en la urna. As´ı sucesivamente, de tal forma que en
la k-´esima extracci´on se puede escoger una de las n−(k−1) que quedan. En
conclusi´on, por la regla del producto se concluye que el n´ umero de formas
en que se puende extraer k bolas de una urna donde hay n (n ≥ k) es:
n · (n −1) · . . . · (n −(k −2)) · (n −(k −1)) =
n!
(n −k)!
= V
n,k
De esta forma, las variaciones sin repetici´on de n elementos tomados de k
en k pueden ser entendidas c´ omo el n´ umero de formas en que se pueden
extraer k bolas de n (numeradas del 1 al n) de una urna sin reemplazo y
considerando el orden en que ´estas son extra´ıdas.
Un caso particular es cuando k = n, esto es, se extraen todas las bolas
de la urna de forma ordenada: el n´ umero de posibles formas es igual a
n!, esto es, permutaciones sin repetici´ on de n elementos. En general, las
permutaciones sin repetici´ on pueden ser vistas como un caso particular de
variaciones, tambi´en sin repetici´ on, donde se toman todos los elementos
disponibles: P
n
= V
n,n
.
3.5.2. Extracci´ on ordenada con reposici´ on
De igual manera que en el caso anterior, en la primera extracci´ on se puede
sacar cualquiera de las n bolas que hay en la urna. En este caso, como hay
reposici´ on, la bola extra´ıda se devuelve a la urna y en la segunda extracci´ on
se puede tomar, nuevamente, cualquiera de las n bolas que quedan en la
urna. As´ı en cualquiera de las k extracciones. En conclusi´ on, por la regla del
producto se concluye que el n´ umero de formas en que se puende extraer k
bolas de una urna donde hay n, si se reponen las bolas extra´ıdas, es:

(k veces)
. . . ·n = n
k
= V R
n,k
Entonces, las variaciones con repetici´ on de n elementos tomados de k
en k (en este caso, k puede ser cualquiera) pueden ser entendidas c´ omo el
n´ umero de formas en que se pueden extraer k bolas de n (numeradas del 1
al n) de una urna con reemplazo y considerando el orden en que ´estas son
extra´ıdas.
3.5.3. Extracci´ on no ordenada y sin reposici´ on
En este caso, no importa el orden de extracci´ on de las bolas, ´ unicamente
el n´ umero de bolas extra´ıdas y cu´ ales son ´estas. El m´etodo que se puede
Miguel R. Wilhelmi
3.5 Extracci´on de bolas de una urna 63
seguir es el siguiente: contar todas las posibles formas atendiendo al orden
de extracci´on (V
n,k
) y agruparlas atendiendo a las bolas extra´ıdas: todas las
permutaciones de k elementos representan la misma configuraci´ on, puesto
que s´olo importa las bolas extra´ıdas, mas no en el orden en que se han
tomado. Esto es, el total de extracciones posibles es:
V
n,k
P
k
=
n!
(n −k)! · k!
= C
n,k
De esta forma, las combinaciones sin repetici´on de n elementos tomados
de k en k pueden ser entendidas c´ omo el n´ umero de formas en que se pueden
extraer k bolas de n (numeradas del 1 al n) de una urna sin reemplazo y sin
tomar en cuenta el orden en que ´estas son extra´ıdas.
3.5.4. Extracci´ on con reposici´ on no ordenada
En este caso, no importa el orden de extracci´ on de las bolas, ´ unicamente
el n´ umero de bolas extra´ıdas y cu´ ales son ´estas; adem´as, como una vez
extra´ıda una bola se devuelve a la urna ´esta puede tomarse nuevamente.
Razone el lector que el caso refiere las combinaciones con repetici´on de n
elementos tomados de k en k.
De esta forma, las combinaciones con repetici´on de n elementos tomados
de k en k pueden ser entendidas c´ omo el n´ umero de formas en que se pueden
extraer k bolas de n (numeradas del 1 al n) de una urna con reemplazo y
sin tomar en cuenta el orden en que ´estas son extra´ıdas.
3.5.5. Permutaciones con repetici´ on: bolas indistinguibles
Los casos expuestos han permitido introducir los conceptos de varia-
ciones y combinaciones con y sin repetici´on, as´ı como las permutaciones
ordinarias o sin repetici´ on. Para que el modelo sea v´ alido para introducir las
permutaciones con repetici´ on es necesario introducir un cambio: hay bolas
que tienen el mismo n´ umero y que, por lo tanto, resultan indistinguibles.
¿De cu´antas formas se pueden extraer todas las bolas de una urna (sin re-
posici´ on) si algunas de ellas son indistinguibles? En este caso, nos importa
el orden de extracci´ on, sin embargo, si en primer lugar se saca una bola
marcada con el n´ umero 1 y en segundo lugar otra con el mismo n´ umero,
la configuraci´ on que se sigue de intercambiar ambas bolas es la misma. En
general, si intercambiamos bolas indistinguibles la configuraci´ on resultante
es la misma.
Combinatoria y Probabilidad
64 3 Permutaciones, variaciones y combinaciones
De esta forma, las permutaciones con repetici´on de n elementos, agru-
pados en r grupos de objetos indistinguibles, con a
1
, . . . , a
r
elementos cada
uno, a
1
+. . . +a
r
= n, pueden ser entendidas c´ omo el n´ umero de formas en
que se pueden extraer de forma ordena n bolas de una urna sin reemplazo,
numeradas del 1 al r, sabiendo que hay a
1
bolas marcadas con el n´ umero
1; a
2
bolas, con el n´ umero 2; a
3
, con el n´ umero 3; . . . ; a
r−1
, con el n´ umero
r −1; a
r
, con el n´ umero r.
3.5.6. Esquema resumen
Puede ayudar a plantear correctamente los problemas de combinatoria
el preguntarse sistem´ aticamente si importa o no el orden de selecci´on u or-
denaci´on de objetos, si ´estos son todos distinguibles o existen elementos in-
distinguibles. En pocas palabras, ¿importa el orden?, ¿se repiten? De hecho,
para aquellos problemas que involucren ´ unicamente variaciones, permuta-
ciones y combinaciones el esquema que se presenta a continuaci´on puede ser
suficiente para resolver correctamente las diferentes situaciones.
¿Importa el orden?





























S´ı: ¿entran todos?















No: ¿se repiten?

No: V
n,k
=
n!
(n−k)!
S´ı: V R
n,k
= n
k
S´ı: ¿se repiten?



No: P
n
= n!
S´ı: PR
a
1
,...,a
k
n
=
=
n!
a
1
!·...·a
k
!
No: ¿se repiten?

No: C
n,k
=
n!
(n−k)!·k!
S´ı: CR
n,k
= C
n+k−1,k
=
(n+k−1)!
(n−1)!·k!
3.6. Binomio de Newton
Se sabe que el cuadrado de una suma de t´erminos no nulos es igual
al cuadrado del primero, m´ as el doble del producto, m´ as el cuadrado del
segundo:
(a +b)
2
= a
2
+ 2ab +b
2
No es complejo demostrar, por multiplicaciones reiteradas que:
(a +b)
3
= a
3
+ 3a
2
b + 3ab
2
+b
3
¿Es posible conocer el desarrollo de la potencia n-´esima de (a +b), para
cualquier n? En otras palabras, ¿es posible dar el desarrollo de (a+b)
n
como
potencias de a y b para cualquier exponente n? La respuesta es s´ı.
Miguel R. Wilhelmi
3.6 Binomio de Newton 65
Como ya se ha dicho, por multiplicaciones sucesivas se pueden ir obte-
niendo las expresiones de (a + b)
n
como sumandos (a, b = 0). En la tabla
siguiente se puede observar hasta la potencia quinta.
Desarrollo de (a +b)
n
Coeficientes
(a +b)
0
= 1 1
(a +b)
1
= a +b 1 1
(a +b)
2
= a
2
+ 2ab +b
2
1 2 1
(a +b)
3
= a
3
+ 3a
3
b + 3ab
3
+b
3
1 3 3 1
(a +b)
4
= a
4
+ 4a
3
b + 6a
2
b
2
+ 4ab
3
+b
4
1 4 6 4 1
(a +b)
5
= a
5
+ 5a
4
b + 10a
3
b
2
+ 10a
2
b
3
+ 5ab
4
+b
5
1 5 10 10 5 1
Si se compara esta tabla con el tri´ angulo de Pascal-Tartaglia (p.59), se
establece la siguiente conjetura: los coeficientes del desarrollo de la potencia
n-´esima en el binomio de Newton son los n´ umeros combinatorios C
n,k
:
(a +b)
0
=

0
0

(a +b)
1
=

1
0

a +

1
1

b
(a +b)
2
=

2
0

a
2
+

2
1

ab +

2
2

b
2
(a +b)
3
=

3
0

a
3
+

3
1

a
3
b +

3
2

ab
3
+

3
3

b
3
(a +b)
4
=

4
0

a
4
+

4
1

a
3
b +

4
2

a
2
b
2
+

4
3

ab
3
+

4
4

b
4
(a +b)
5
=

5
0

a
5
+

5
1

a
4
b +

5
2

a
3
b
2
+

5
3

a
2
b
3
+

5
4

ab
4
+

5
5

b
5
De esta forma, la pregunta inicial se hace ahora m´ as concreta: ¿para
cualquier n´ umero natural n, se cumple que:
(a+b)
n
=

n
0

a
n
+

n
1

a
n−1
b+

n
2

a
n−2
b
2
+. . .+

n
n −1

ab
n−1
+

n
n

b
n
?
Para comprobar su veracidad, aplicaremos el principio de inducci´ on ma-
tem´atica (p.39). El uso del m´etodo de inducci´ on matem´atica viene motivado
por la manera en que se van obteniendo las sucesivas potencias: la potencia
n+1 de (a +b) se obtiene multiplicando (a +b)
n
por (a +b), de esta forma,
conocido el desarrolo de la potencia n-´esima, es f´acil obtener el desarrollo
de la potencia (n + 1)-´esima.
(a +b)
n+1
=(a +b)
n
(a +b) =
=

n
0

a
n
+

n
1

a
n−1
b +. . . +

n
n−1

ab
n−1
+

n
n

b
n

· (a +b) =
=

n
0

a
n+1
+

n
1

a
n
b +. . . +

n
n−1

ab
n
+

n
n

b
n+1
=
=

n
0

a
n+1
+

n
0

+

n
1

a
n
b +. . . +

n
n−1

+

n
n

ab
n
+

n
n

b
n+1
=
=

n+1
0

a
n+1
+

n+1
1

a
n
b +. . . +

n+1
n

ab
n
+

n+1
n+1

b
n+1
Combinatoria y Probabilidad
66 3 Permutaciones, variaciones y combinaciones
Observe que la ´ ultima igualdad es cierta por las relaciones establecidas
a partir del tri´ angulo de Pascal-Tartaglia (p.59):

Si 0 < k < n :

n
k

=

n−1
k−1

+

n−1
k

Si k = 0 o k = n :

n
0

=

n
n

= 1
Proposici´on 9 (Binomio de Newton) Sean a, b n´ umeros reales, a+b =
0. Para todo n´ umero natural n se cumple:
(a +b)
n
=
n
¸
k=1

n
k

a
n−k
b
k
Nota 1 (Sumatoria) El s´ımbolo sumatoria
¸
es una forma abreviada de
escribir la suma de t´erminos:
s
¸
i=r
a
i
= a
r
+a
r+1
+a
r+2
+. . . +a
s−2
+a
s−1
+a
s
De esta forma, i es un “contador” que toma todos los valores entre r y s,
r ≤ s.
3.6.1. Propiedades de los n´ umeros combinatorios
La relaci´on fundamental de los n´ umeros combinarorios viene dada por
la definici´ on recursiva de las combinaciones sin repetici´ on:

n+1
k+1

=

n
k

+

n
k+1

si 0 < k < n

n
0

= 1 =

n
n

La aplicaci´ on inmediata de esta relaci´ on es la construcci´on del tri´ angu-
lo de Pascal-Tartaglia. Interesa encontrar otras relaciones entre n´ umeros
combinatorios, que puedan ser utilizadas como pasos intermedios en demos-
taciones (por ejemplo, la relaci´on fundamental ha sido determinante para
demostrar el teorema de Newton); o bien, como medio de simplificaci´ on de
c´alculos. Por ejemplo, la relaci´ on:

n
0

+

n
1

+

n
2

+. . . +

n
n −2

+

n
n −1

+

n
n

= 2
n
Puede ser utilizada para calcular el n´ umero de subconjuntos que tiene un
conjunto (ejercicio 3, §2.9):

n
k

denota el n´ umero de subconjuntos de k
Miguel R. Wilhelmi
3.6 Binomio de Newton 67
elementos que se pueden constituir si se dispone de n para escoger. ¿Pero
c´omo demostrar la anterior relaci´ on?
Antes de hacer la demostraci´ on formal de la proposici´ on: ¿c´omo podemos
obtener una intuici´ on sobre su veracidad? Una forma consiste en completar
una tabla, donde se especifique el n´ umero n de elementos de un conjunto E,
los subconjuntos de ´este y el n´ umero p de ´estos.
n Conjunto Subconjuntos p
0 ∅ {∅} 2
0
1 {a} {∅, {a}} 2
1
2 {a, b} {∅, {a}, {b}, {a, b}} 2
2
3 {a, b, c} {∅, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}} 2
3
Otra forma de intuir la relaci´ on se basa en la observaci´ on del tri´ angulo
de Pascal-Tartaglia: la suma de los t´erminos de cada fila es igual a 2
n
, por
m´as filas que construyamos. ¿C´omo demostrar la relaci´on? La demostraci´ on
se basa en el binomio de Newton: basta tomar a = b = 1. En efecto:
(a +b)
n
≡ (1 + 1)
n
= 2
n
=
=
¸
n
k=1

n
k

1
n−k
1
k
=
¸
n
k=1

n
k

=
=

n
0

+

n
1

+

n
2

+. . . +

n
n−2

+

n
n−1

+

n
n

En otras ocasiones, una relaci´ on entre n´ umeros combinatorios puede ha-
cer que comprendamos alguna situaci´ on concreta. Por ejemplo, un grupo de
personas est´a formado por 10 personas: ¿se pueden formar m´ as grupos de 2
personas que de 8 personas? Antes de hacer ning´ un c´ alculo: ¿qu´e le dice su
intuici´ on?
Un grupo de personas se distingue de otro si hay alguna persona distinta
en ´el. De esta forma, el n´ umero de grupos distintos de 8 personas que se
pueden formar en este caso es igual a las combinaciones de 10 elementos
tomados de 8 en 8 y, por lo tanto, el n´ umero de grupos distintos de 2 personas
es igual a las combinaciones de 10 elementos tomados de 2 en 2. Ambos
n´ umeros son iguales:

10
8

=
10!
(10 −8)! · 8!
=
10!
2! · (10 −2)!
=
10!
(10 −2)! · 2!
=

10
2

Es muy normal que haya pensado que era mayor el n´ umero de grupos
de 2 personas que el de 8. El c´ alculo permite afirmar que ´esta intuici´ on
primera es incorrecta y nos permite repensar el problema en los siguientes
t´erminos: por cada grupo de 2 personas que se forma, se excluyen 8, esto es,
se forma un grupo de 8 “excluidos”. Por lo tanto, el principio de igualdad
Combinatoria y Probabilidad
68 3 Permutaciones, variaciones y combinaciones
(p.61) nos asegura la igualdad del n´ umero de grupos de 2 y 8 personas,
respectivamente. Adem´as, el ejemplo nos da un m´etodo de demostraci´on
para la relaci´ on:

n
k

=

n
n−k

. En efecto:

n
k

=
n!
(n −k)! · k!
=
n!
k! · (n −k)!
=

n
n −k

3.6.2. Ejercicios
Demuestre las siguientes relaciones:
1.

n
k+1

=
n−k
k+1

n
k

.
2.

n+2
k

=

n
k

+ 2

n
k−1

+

n
k−2

.
Suponga el conjunto A = {a, b, c
1
, . . . , c
n
} y clasifique los subconjuntos
de A de tama˜ no k seg´ un contengan o no a los elementos a y b: a uno,
a otro, a ambos o a ninguno.
3.

n
k

=

n−1
k

+

n−2
k−1

+. . . +

n−k−1
0

.
4.
¸
n
k=0
(−1)
k

n
k

= 0. (Nota: utilice el binomio de Newton.)
5.
¸
n
k=0

n
k

2
=

n
0

2
+. . . +

n
n

2
=

2n
n

2
.
3.7. Relaciones y ecuaciones combinatorias
Una parte importante del estudio de los objetos matem´ aticos exige “t´ec-
nica”, esto es, utilizar los objetos de manera fiable y r´ apida (con el m´ınimo
costo posible). Por ejemplo, “saber las ecuaciones de segundo grado” debe
entenderse de la siguiente forma: “cada vez que tenga que realizar una ecua-
ci´on de segundo grado, la resuelvo bien y r´ apidamente; con otras palabras,
la resoluci´ on de este tipo de ejercicios deja de ser un problema para ser una
herramienta”. En muchas circunstancias, las diferencias entre los “buenos” y
“malos” estudiantes reside en la capacidad que aqu´ellos tienen para ejecutar
de forma r´ apida ciertas t´ecnicas y, por lo tanto, concentran su trabajo en
los conceptos, t´ecnicas, procedimientos nuevos o que todav´ıa no controlan.
A continuaci´ on, con intenci´ on de conseguir un control sobre los obje-
tos “variaciones”, “permutaciones” y “combinaciones” se plantea una serie
ejercicios.
1. Comprobar las siguientes igualdades:
Miguel R. Wilhelmi
3.7 Relaciones y ecuaciones combinatorias 69
a) V
8,5
−V
8,4
= 15 · V
8,3
.
b)
V
n,k
V
n,h
=
V
n−h,k
V
n−k,h
.
c) V
n,k
−V
n−1,k
= k · V
n−1,k−1
.
2. Hallar el valor de m y n, sabiendo que:
a) V
m,n
= 1 · 2 · 3 · 4 · 5.
b) V
m,n
= 8 · 7 · 6 · 5 · 4.
3. Escribir los dos primeros y los dos ´ ultimos factores del desarrollo de
las siguientes expresiones:
a) V
m+1,n+1
.
b) V
m+1,n−1
.
c) V
m+3,n
.
4. Resolver las siguientes ecuaciones:
a) V
x,2
+V
x−2,2
+V
x−4,2
= 98.
b) V R
x,2
−V
x,2
= 17.
5. Comprobar las siguientes igualdades:
a)
V
n,n−k
V
n,k
=
P
n−k
P
k
.
b) P
n+1
−P
n
= (P
n
)
2
÷P
n−1
.
6. Resolver las siguientes ecuaciones:
a) P
x
= P
3
−2 · P
x
.
b) 12 · P
x
+ 5 · P
x+1
= P
x+2
.
c) 3
V
x+2,3
P
3
= 5
V
x+1,2
P
2
.
7. Comprobar las siguientes igualdades:
a) C
n,k
=
n
k
C
n−1,k−1
.
b) C
n,1
+ 2 · C
n,2
= n
2
.
c) n · C
n,k
= k · C
n,k
+ (k + 1) · C
n,k+1
.
8. Resolver las siguientes ecuaciones:
a) P
4
· C
x,3
= 3 · x · V
x,2
.
Combinatoria y Probabilidad
70 3 Permutaciones, variaciones y combinaciones
b) 2

x
4

= 2

x
3

x
2

.
c)

50
x

=

50
x+6

.
9. Resolver el siguiente sistema:




x
y+1

=

x
y−1

x
y

=
21
10

x
y−2

.
10. Si m > n, cu´ al de los siguientes n´ umeros combinatorios es mayor:

m
n

o

m+1
n+1

.
11. ¿Son iguales los siguientes n´ umeros combinatorios:

1657
915

y

1657
742

?
3.8. Ejercicios
1. ¿Cu´ antos sumandos es necesario contabilizar para determinar las com-
binaciones con repetici´on de n elementos tomados de k en k? Esto es,
por la definici´ on recurrente es posible escribir CR
n,k
como suma de
combinaciones con repetici´ on de la forma CR
1,j
y CR
t,1
: ¿cu´ antos su-
mandos aparecen?
2. ¿De cu´ antas formas se pueden sentar en una fila 4 ni˜ nos y 4 ni˜ nas si
deben estar alternados? Y si adem´as uno de los ni˜ nos ha de sentarse
siempre junto a una ni˜ na determinada, ¿de cu´ antas formas podr´ an
hacerlo?
3. Hay 10 aviones sirviendo la ruta de Piura a Lima. ¿De cu´ antas maneras
se puede hacer el viaje tomando al regreso un avi´ on distinto al de ida?
4. La plantilla de un equipo de f´ utbol est´ a compuesta por 3 porteros,
7 defensas, 5 medios y 8 delanteros. ¿Cu´antas alineaciones distintas
podr´ a formar el entrenador, suponiendo que cada jugador s´ olo puede
ser alineado en su demarcaci´ on?
(Nota: El entrenador siempre compone el equipo de la misma forma,
a saber: un portero, tres defensas, dos medios y cinco delanteros).
5. ¿Cu´ antos n´ umeros naturales hay entre 5000 y 6000 que tengan todas
sus cifras diferentes?
Miguel R. Wilhelmi
3.8 Ejercicios 71
6. ¿Cu´ antos n´ umeros de cuatro cifras distintas pueden formarse con los
guarismos 1, 2, 4, 5, 7? ¿Cu´ anto suman todos ellos? ¿Cu´ antos de aque-
llos n´ umeros son impares? ¿Cu´antos terminan en 57? ¿Cu´ antos son
m´ ultiplos de 25? ¿Cu´ antos empiezan por 245?
7. En una reuni´ on hay 17 personas. ¿Cu´ antos saludos se intercambiar´ an
si todas las personas se saludan entre s´ı (una sola vez)?
8. Cinco amigos disponen de un auto para trasladarse de un lugar a otro.
S´ olo dos de ellos saben conducir, ¿de cu´ antas maneras podr´ an colocarse
para sus viajes?
9. Si se tiran tres dados al aire. ¿Cu´ antos resultados distintos se puede
obtener si los dados son de tres colores distintos? ¿Y si los dados son
indistinguibles? Si se suma el resultado que se ha obtenido en los tres
dados, ¿cu´ antas sumas distintas se pueden obtener? ¿Qu´e suma es m´as
probable que se obtenga?
10. ¿De cu´antas maneras se pueden colocar 4 anillos distintos en los 10
dedos de ambas manos, no colocando m´ as de un anillo en cada dedo?
¿Y si los anillos fuesen iguales?
11. Dadas 5 vocales y 4 consonantes, calcular cu´ antas palabras de dos
vocales y dos consonantes distintas pueden formarse, con la condici´ on
de que en cada palabra no figuren dos consonantes seguidas.
12. Asisten a clase 24 alumnos y todos los d´ıas explican la lecci´ on dos
de ellos. El profesor desea que las parejas de alumnos no se repitan.
¿Durante cu´ anto tiempo lo podr´ a conseguir?
13. ¿Cu´ antos boletos habr´ıa que jugar para tener la absoluta seguridad de
acertar los 6 n´ umeros de la tinka?
14. Un n´ umero entero positivo mayor que 1 puede descomponerse en su-
mandos de diversas formas. Por ejemplo, si se supone que los sumandos
son n´ umeros naturales y se distingue el orden en que est´an colocados
los sumandos, es posible obtener las diferentes descomposiciones de un
n´ umero dado. Por ejemplo, para el n´ umero 4 se tiene:
4 = 1+3 = 3+1 = 2+2 = 2+1+1 = 1+2+1 = 1+1+2 = 1+1+1+1
Complete la tabla siguiente: n´ umero de descomposiciones de los n´ ume-
ros 2 al 8, inclusive, especificando en distintas columnas el n´ umero de
descomposiciones seg´ un el n´ umero s de sumandos.
Combinatoria y Probabilidad
72 3 Permutaciones, variaciones y combinaciones
n s = 2 s = 3 s = 4 s = 5 s = 6 s = 7 s = 8 Total
2 1 — — — — — — 1
3 2 1 — — — — — 3
4 3 3 1 — — — — 7
5
6
7
8
a) Si llamamos D(n) al n´ umero de descomposiciones de un n´ umero
entero n en sumandos: ¿es posible hallar una expresi´ on general
para D(n)?
b) Ahora, si se acepta que un n´ umero representa la descomposici´on
de ese mismo n´ umero cuando s = 1, ¿c´omo queda la tabla?, ¿la
puede asociar con algo?
c) Suponga que no se tiene en cuenta el orden al hallar los sumandos
en que puede descomponerse un n´ umero: ¿cu´antas descomposicio-
nes posibles hay? Por ejemplo, las descomposiciones del n´ umero
5 son:
5 = 4+1 = 3+2 = 3+1+1 = 2+2+1 = 2+1+1+1 = 1+1+1+1+1
Organice una tabla donde especifique expl´ıcitamente las descom-
posiciones posibles y el n´ umero de ´estas, para los n´ umeros enteros
positivos menores o iguales que 10.
d) Suponga que tiene 15 objetos unidos por un cordel. Calcule el
n´ umero de formas diferentes de hacer cortes a dicho cordel, de
tal forma que los objetos queden separados en 7 grupos. ¿Puede
relacionar este problema con un modelo combinatorio de coloca-
ciones? ¿Cu´ales ser´ıan sus caracter´ısticas?
15. Suponga que se tienen cubos de colores y que se quieren guardar,
colocar sacar u ordenar de una determinada forma: formule diversos
problemas para que la situaci´ on refiera a variaciones, permutaciones o
combinaciones, con y sin repetici´ on, respectivamente.
16. Calcule el n´ umero de rect´anculos posibles que pueden contarse en la
siguiente figura:
Miguel R. Wilhelmi
3.8 Ejercicios 73
17. Para el c´ alculo de los rect´ angulos del ejercicio anterior, una persona
realiza las siguientes anotaciones:
1 2 3 4 5 15
30
45
60
150
De tal forma, concluye que el n´ umero de rect´angulos es 150. Investigue
en qu´e se basa este m´etodo y general´ıcelo para el caso de una cuadr´ıcula
n ×k.
18. Una secretaria tiene que enviar n cartas a n destinatarios distintos.
Escribe todas las cartas primero y luego procede a meterlas en los
sobres correspondientes, procediendo al azar, esto es, sin mirar si el
destinatario coincide con la persona a quien va dirigida la carta. ¿Cu´ al
es la probabilidad de que 1, 2, 3, 4, . . . cartas coicidan con el sobre
adecuado? Complete la tabla siguiente donde se especifica, en relaci´on
con el n´ umero n de cartas (1 ≤ n ≤ 6), el n´ umero de coincidencias
(0 ≤ r ≤ n) y el total de formas posibles de introducir las cartas:
n 0 1 2 3 4 5 6 Total
1 0 1 — — — — — 1
2 1 0 1 — — — — 2
3 — — —
4 — —
5 —
6
19. Mediante el Binomio de Newton d´e el desarrollo de:
a) (a +2c)
9
. Indicaci´ on: Puede considerar el cambio de variable b =
2c y hacer el desarrollo de (a +b)
9
y luego deshacer el cambio, es
Combinatoria y Probabilidad
74 3 Permutaciones, variaciones y combinaciones
decir, poner c = 2b en el resultado
6
.
b) (a −b)
n
.
c) (a +b +c)
9
.
d) * (a +b +c)
n
, para cualquier n ∈ N (ver anexo D).
3.9. Autoevaluaci´ on
1. Compruebe las siguientes igualdades:
a)

m+n
m

=

m+n
n

.
b)

m+n+1
n+1

=

m+n
n+1

+

m+n
m

.
c)

m
n

=

m−3
n

+ 3

m−3
n−1

+ 3

m−3
n−2

+

m−3
n−3

, si m ≥ n + 3.
Justifique las igualdades aritm´eticamente (por la definici´ on de n´ umero
combinatorio) y por medio de un razonamiento combinatorio (des-
cribiendo qu´e supone cada igualdad a la hora de formar diferentes
configuraciones).
2. Un grupo de alumnos de probabilidad espera recibir los resultados del
examen final. Hay 15 mujeres y 5 varones. Se pide:
a) De cu´antas formas pueden organizarse “en fila” para recibir las
calificaciones.
b) De cu´antas formas pueden organizarse “en fila” para recibir las
calificaciones si las mujeres reciben primero las calificaciones.
c) De cu´antas formas pueden recibir “en fila” las calificaciones si no
pueden ir dos varones seguidos.
d) Como las calificaciones han sido ´optimas, deciden celebrarlo e irse
a bailar. ¿De cu´ antas formas pueden salir a la pista de baile, por
parejas, en tres canciones consecutivas, si todas las mujeres son
invitadas a bailar?
6
El cambio de variable, en este caso, es simplemente un cambio de “nombre”, que
facilita el desarrollo del Binomio de Newton, puesto que transforma la expresi´on que se
quiere desarrollar en la expresi´on can´ onica, para la cual se ha enunciado el Teorema del
Binomio de Newton.
Miguel R. Wilhelmi
3.9 Autoevaluaci´ on 75
3. Un frutero vende pl´ atanos, manzanas y mangos a 10 c´entimos la pieza.
Con un sol, ¿cu´ antas compras diferentes pueden hacerse? ¿Y si se tiene
un sol y 30 c´entimos? ¿Y con dos soles?
¿Puede dar una regla general que d´e el n´ umero de compras diferentes
que pueden hacerse si se tiene n soles y k monedas de 10 c´entimos?
4. En un caserio hay varias casitas, cada una de las cuales est´ a unida a
las restantes por un camino. Si sabemos que hay 351 caminos, ¿cu´ al
es el n´ umero de casitas que hay en el caser´ıo?
5. Resuelva la siguiente ecuaci´ on:
2 · C
x,3
=
1
3
(V R
x,3
−4

6
3

) +PR
x−1,1
x
6. Defina, de forma justificada, permutaciones circulares con repetici´ on.
Combinatoria y Probabilidad
Cap´ıtulo 4
Situaciones introductorias de
c´alculo de probabilidades
En el cap´ıtulo 1, se ha hecho un uso totalmente intuitivo de la proba-
bilidad. En particular, se ha utilizado el concepto cl´ asico de probabilidad,
que asocia a un suceso un n´ umero comprendido entre 0 y 1, que se obtiene
dividiendo el n´ umero de casos favorables (en los cuales ocurre el suceso)
entre el n´ umero total de casos (resultados posibles del experimento), supo-
niendo en el experimento una simetr´ıa que hace que todos los casos tengan
la misma probabilidad de salir (hip´ otesis de equiprobabilidad). Por ejemplo,
la probabilidad de obtener 3 en la suma de los dados es igual a 2/36, puesto
que s´olo dos posibilidades son favorables —(1,2) y (2,1)— de 36 resultados
posibles que se pueden obtener en el lanzamiento de los dados.
En los cap´ıtulos anteriores, dedicados al an´ alisis combinatorio, se ha
centrado el estudio en el recuento de casos de experimentos que tienen un
n´ umero finito de sucesos elementales. Este estudio ha permitido resolver
problemas en los que aparec´ıa la noci´ on de probabilidad cl´ asica: casos fa-
vorables (a un determinado suceso) entre casos posibles (del experimento
estudiando).
La visi´ on de probabilidad introducida es muy ´ util, puesto que perminte
resolver una gran cantidad de problemas, am´en de resultar muy intuitiva
y de f´ acil manejo. Sin embargo, dos problemas clave es preciso tomar en
consideraci´ on: la definci´ on cl´ asica de probabilidad es c´ıclica y restrictiva.
Es c´ıclica puesto que el t´ermino definido —probabilidad— es utilizado en la
definici´ on: la regla indica que la probabilidad de un suceso es igual al cociente
entre los casos favorables a ´el y el n´ umero total de casos posibles, siempre y
cuando ´estos sean “equiprobables”. Con otras palabras, la definici´ on cl´ asica
77
78 4 Situaciones introductorias de c´alculo de probabilidades
no ofrece una respuesta consistente a la pregunta: ¿qu´e es la probabilidad?
Por otro lado, es restrictiva, puesto que se aplica a casos en los que el n´ umero
de resultados de un experimento es finito y los casos posibles equiprobables.
Estos dos problemas son claves para replantear la pregunta: ¿qu´e es la
probabilidad? En el presente cap´ıtulo se presentan diversas situaciones que
involucran el c´ alculo de probabilidades y que exigir´ an una reformulaci´ on
de dicha noci´ on. El desarrollo te´ orico, sin embargo, tampoco se har´ a en
este cap´ıtulo: se pretende introducir los conceptos fundamentales de forma
intuitiva, para formalizarlos m´ as adelante (cap´ıtulo 5).
4.1. Asignaci´ on de probabilidades
En ciertas circunstancias, no es sencillo asignar a priori una probabili-
dad a cada uno de los sucesos posibles de un experimento aleatorio; bien
porque no se puede asegurar la equiprobabilidad de los sucesos, bien porque
el n´ umero de sucesos posibles no es finito. A continuaci´ on se presentan dos
situaciones concretas.
4.1.1. Monedas trucadas
Supongamos que recibimos una moneda trucada: por ejemplo, la pro-
babilidad de obtener cara es mayor que la probabilidad de obtener sello.
¿Qu´e probabilidad asociar a los sucesos “cara” y “sello”? Una soluci´ on: lan-
zar una moneda un n´ umero finito de veces y asignar a la probabilidad las
frecuencias relativas de cada uno de los sucesos.
En la tabla siguiente, se puede ver un cuadro resumen de la experimen-
taci´on realizada por 4 personas: n´ umero de repeticiones del experimento
(lanzamientos), frecuencias absolutas de los sucesos “cara” y “cruz” (f
a
(C)
y f
a
(X)) y probabilidades asignadas (P(C) y P(X)).
Persona Lanzamientos f
a
(C) f
a
(X) P(C) P(X)
1 2 1 1 1/2 1/2
2 10 4 6 4/10 4/10
3 50 28 21 28/50 21/50
4 100 63 37 63/100 37/100
¿Es admisible la experimentaci´ on de la persona 1?
.
¿Es admisible la experimentaci´ on de la persona 3?
.
Miguel R. Wilhelmi
4.1 Asignaci´ on de probabilidades 79
¿Qu´e estimaci´on de la probabilidad cree usted que es mejor, la dada por
la persona 2 o 4? . ¿Por qu´e? .
La experimentaci´ on hecha por la primera persona no es admisible, puesto
que ha realizado el experimento un n´ umero muy peque˜ no de veces (2). De
hecho, los experimentos aleatorios o al azar son aquellos en los que no es
posible conocer de antemano un resultado, con otras palabras, un resultado
aislado es imprevisible. Sin embargo, si se realizan “muchas” veces, en las
mismas condiciones, se observan ciertas regularidades. De esta forma, si
lanza una moneda al aire dos veces y se obtiene dos caras: ¿se puede asegurar
que siempre saldr´ a cara? Evidentemente, no.
En breve, para la experimentaci´ on de un experimiento aleatorio es pre-
ciso realizar ´este un n´ umero “grande” de veces, para poder inferir reglas
de comportamiento fiables. Con otras palabras, un muestra aislada de un
experimento aleatorio no es representativa del comportamiento general de
´este; sin embargo, todo experimento aleatorio presenta regularidades en un
conjunto “grande” de repeticiones: es la llamada ley del azar.
Para la experimentaci´ on, la tercera persona, s´ı ha tenido en cuenta la
“ley del azar”, pero tampoco es v´alida, por un motivo diferente: la suma
de las frecuencias absolutas de los sucesos “cara” y “sello” es distinto al
n´ umero de pruebas realizadas. Esto no es posible, puesto que los dos sucesos
posibles son complementarios: o bien sucede uno, o bien el otro, pero no
pueden suceder ambos la vez.
Por lo tanto, s´ olo las personas 2 y 4 han realizado correctamente la ex-
perimentaci´ on. Sin embargo, la estimaci´ on dada por la ´ ultima persona debe
ser aceptada como “la mejor”: al realizar el experimento un n´ umero mayor
de veces la ley del azar es m´ as fiable. En esta elecci´on, no se han tomado
en consideraci´ on otro tipo de variables que son tambi´en determinantes: ¿se
ha realizado el experimiento en las mismas condiciones?, ¿el recuento ha
sido llevado de forma correcta por las personas?, ¿la persona 1 ha estado
influenciada por la creencia de la equiprobabilidad de los sucesos “cara” y
“sello”?, etc.
En resumen, para asignar de forma experimental una probabilidad a un
suceso, se repetir´a ´este un n´ umero “grande” de veces y, en virtud de la ley
del azar, se le asignar´a la frecuencia relativa que se haya obtenido. Como
medio de control, hay que observar que la suma de las frecuencias absolutas
obtenidas de todos los sucesos complementarios (dos a dos) debe ser igual
al total de pruebas realizadas; de otro modo, la suma de las frecuencias
relativas de todos los sucesos complementarios (dos a dos) debe ser igual 1.
Combinatoria y Probabilidad
80 4 Situaciones introductorias de c´alculo de probabilidades
4.1.2. Ruletas
Una ruleta es una rueda horizontal giratoria, dividida en un n´ umero
finito de casillas radiales, numeradas o pintadas de colores y una bolita o
aguja. Haciendo girar aqu´ella, al cesar el movimiento, gana el n´ umero o
color de la casilla donde ha quedado la bolita o que se˜ nala la aguja. De esta
forma, es f´ acil construir ruletas que combinen n´ umeros y colores. El objetivo
es construir ruletas y asignar probabilidades a cada una de las casillas en
que queda dividida ´esta.
Con un clip sujetapapeles estirado por un extremo y un l´ apiz es f´acil
hacer una ruleta: se golpea el clip con el dedo indice y se observa en qu´e sector
se detiene la parte sobresaliente del mismo, tal y como se sugiere en la ruleta
1 de la figura.
En la figura anterior se muestran dos ruletas: en la ruleta 1, puede salir
el color gris o el color blanco; en la ruleta 2, los colores gris y blanco y los
n´ umeros 1 y 2. La pregunta clave es: ¿qu´e probabilidad se asigna a cada uno
de los sectores en que queda dividida cada una de las ruletas?
Para asignar a cada sector una probabilidad se puede proceder de la
siguiente manera: realizar el experimento muchas veces y anotar los resul-
tados, de tal manera que la frecuencia relativa de cada sector se considere
una buena aproximaci´ on de la probabilidad de que la aguja se˜ nale ´este. As´ı,
por ejemplo, para la ruleta 1 completaremos una tabla como la que sigue:
Sector Conteo f
a
f
r
Probabilidad
Gris (G)
Blanco(B)
Total 50 1 1
Miguel R. Wilhelmi
4.1 Asignaci´ on de probabilidades 81
En la columna conteo se colocan se˜ nales conforme se van realizando
las pruebas: por ejemplo, se hace una se˜ nal vertical en la casilla “Con-
teo/Blanco” cada vez que se ha verificado el suceso “la aguja qued´o fijada
en el sector blanco (B)”. El n´ umero de palitos es la frecuencia absoluta o
n´ umero de veces que ha ocurrido el suceso B, de las 50 que se ha reali-
zado el experimento. De igual manera, el n´ umero de palitos en la casilla
“Conteo/Gris” es la frecuencia absoluta del suceso G
1
.
La experimentaci´ on con la ruleta 1 debe tener una distribuci´ on en la que,
aproximadamente, el 25 % de las veces se haya obtenido el sector gris y el
resto el sector blanco (en los casos en los que haya duda, discrimine para uno
de los dos sectores). Esto es, las frecuencias absolutas deben ser pr´ oximas a:
f
a
(G) = 13 y f
a
(B) = 37. Y, por lo tanto, las frecuencias relativas pr´ oximas
a: f
r
(G) =
13
50
= 0, 26 y f
r
(B) =
37
50
= 0, 74, respectivamente, valores que se
asignan como las probabilidades de obtener gris y blanco en la ruleta.
La segunda ruleta permite un estudio m´ as rico. Por ejemplo, ¿cu´al es
la probabilidad de que se obtenga 1? ¿Cu´ al es la probabilidad de que se
obtenga 1 y gris? ¿Cu´ al es la probabilidad de obtener 1 que no sea gris?. . .
Para responder a estas preguntas y otras semejantes es necesario almancenar
mucha informaci´ on. Antes de hacer esto, introduciremos una notaci´ on muy
sencilla para designar cada uno de los sucesos que est´ an involucrados.
El suceso “salir blanco” lo denotamos por B; “salir gris”, G; “salir dos”,
2; “salir uno”, 1; “salir gris y uno”, G∩1; “salir uno que no sea gris”, 1 \ G;
“salir uno o blanco”, 1 ∪ B. En general, si tenemos dos sucesos A y B,
se puede distinguir tres operaciones con ellos para obtener nuevos sucesos:
suceso “salir A y B”, A∩B; “salir A o B”, A∪B; “salir A y no B”, A\B.
Para responder a las preguntas formuladas, complete la siguiente tabla.
Suceso Conteo f
a
f
r
Probabilidad
G
B
1
2
1 ∩ G
2 ∪ B
1 \ G
Total 100 1 1
1
Es c´omodo, para contar los palitos de cada casilla, proceder de la siguiente manera:
escribir las marcas en grupos. Por ejemplo, cuatro rayas verticales y una oblicua que las
tache, de tal forma que las marcas se organizan en grupos de cinco (as´ı como en las
pel´ıculas los prisioneros cuentan los d´ıas que pasan en un calabozo).
Combinatoria y Probabilidad
82 4 Situaciones introductorias de c´alculo de probabilidades
El conteo debe dar las frecuencias absolutas y, por lo tanto, las relati-
vas. De esta forma, se habr´a estimado la probabilidad de los sucesos que
se desean estudiar. Si realiza la experimentaci´ on como en el caso anterior,
obtendr´ a aproximadamente las siguientes estimaciones para la probabilidad:
P(G) = 0, 5; P(B) = 0, 5; P(1) = 0, 35; P(2) = 0, 65;
P(1 ∩ G) = 0, 1; P(2 ∪ B) = 0, 9; P(1 \ G) = 0, 25
Observe con detenimiento las probabilidades obtenidas en cada caso:
¿puede establecer alguna relaci´ on entre ´estas y las ´areas de los sectores
respectivos? .
¿Son las probabilidades proporcionales a las ´ areas? .
¿Qu´e probabilidad “te´ orica” asociaciar´ıa a los sectores de la ruleta 2?
.
Se puede observar que las probabilidades de los diversos sectores son,
aproximadamente, directamente propocionales a las ´ areas de ´estos. De tal
manera que, dada una ruleta, es posible asignar una probabilidad te´ orica a
cada uno de los sectores: si denotamos por S a un sector de una ruleta se
tiene:
P(S) =
´
Area total del sector S
´
Area total de la ruleta
De otra forma, si se considera que el ´ area de la ruleta es 1:
P(S) = Parte del ´ area total que representa el sector S
Por lo tanto, para la ruleta 1 se tienen las probabilidades te´ oricas:
P(B) =
3
4
; P(G) =
1
4
De igual forma, para la ruleta 2, se asignan las probabilidades: P(G) =
1/2; P(B) = 1/2; P(1) = 3/8; P(2) = 5/8. Y tambi´en:
P(1 ∩ G) = 1/8 ; P(1 ∩ B) = ; P(1 ∩ 2) = ;
P(2 ∩ G) = ; P(2 ∩ B) = ; P(B ∩ G) = 0 ;
P(1 ∪ G) = ; P(1 ∪ B) = ; P(1 ∪ 2) = 1 ;
P(2 ∪ G) = 3/4 ; P(2 ∪ B) = ; P(B ∪ G) = ;
P(1 \ G) = 1/4 ; P(1 \ B) = ; P(1 \ 2) = ;
P(2 \ G) = ; P(2 \ B) = ; P(B \ G) = P(B) = 1/2 ;
P(G\ 1) = ; P(B \ 1) = ; P(2 \ 1) = ;
P(G\ 2) = ; P(B \ 2) = 1/4 ; P(B \ G) = ;
Miguel R. Wilhelmi
4.1 Asignaci´ on de probabilidades 83
Por ´ ultimo, se pueden plantear preguntas tales como: ¿cu´ al es la proba-
bilidad de haber obtenido un 2 sabiendo que ha salido blanco? El “sabiendo
que” es un condicionante, puesto que modifica el conjunto de sucesos que
deben considerarse. El suceso “obtener 2 sabiendo que ha salido blanco” lo
denotaremos 2|B y se leer´a: “suceso 2 condicionado por Blanco”. Para ob-
tener la probabilidad de dicho suceso, es necesario tener en cuenta que ha
salido blanco, por lo tanto, la porci´ on de blanco juega el papel de “superficie
total” y los sectores que tienen 2 y blanco el de “superficie favorable”:
P(2|B) =
´
Area favorable al suceso (2 ∩ B)
´
Area favorable al suceso B
=
1/4
1/2
=
1
2
Calcule, para terminar, las siguientes probabilidades condicionadas:
P(1|1) =
3/8
3/8
= 1 ; P(1|G) =
1/8
1/2
= 1/4 ; P(1|B) = ; P(1|2) = ;
P(2|2) =
5/8
5/8
= 1 ; P(2|G) = ; P(2|B) = ; P(2|1) =
0
3/8
= 0 ;
P(G|G) = ; P(G|1) = ; P(G|2) = ; P(G|B) = ;
P(B|B) = ; P(B|1) = ; P(B|2) = ; P(B|G) = ;
¿Es cierto que, para cualesquiera dos sucesos A y B, de manera que
P(B) = 0, se tiene que P(A|B) =
P(A∩B)
P(B)
? Compruebe que, al menos para
este problema, los resultados coiciden si se aplica esta relaci´on.
¿Es cierto que, para todo suceso A, P(A) = 0, P(A|A) = 1?
.
¿Qu´e condici´ on o condiciones deben cumplirse para que P(A|B) = 0?
.
Ejercicios
En los siguientes p´ arrafos se presentan dos ejercicios que pueden englo-
barse dentro del calificativo de “problemas geom´etricos de probabilidades”
2
.
1. Asigne probabilidades a los sectores de las ruletas de la figura.
Si se denota por 1, 2, 3 y 4 a los sucesos “salir 1, 2, 3 o 4” y por B, C, G
y O a los sucesos “salir blanco (B), gris claro (C), gris G o gris oscuro
O”, calcule las probabilidades de los sucesos interesecci´ on (∩), uni´ on
(∪) o diferencia (\): determine, en primer lugar, todas las posibles
combinaciones que se pueden establecer en las distintas ruletas seg´ un
los n´ umeros de los sectores y los colores. As´ı mismo, determine las
probabilidades condicionadas de los sucesos.
2
El origen de este tipo de problemas se debe a G. Leclerc (1701–1788), conde de Buffon,
quien en 1777 enunci´o y resolvi´o el problema, ahora cl´asico, de la aguja (ver anexo E).
Combinatoria y Probabilidad
84 4 Situaciones introductorias de c´alculo de probabilidades
2. Se tiene un tablero en forma de cuadrado de lado A y con un cuadrado
m´as peque˜ no de lado B contenido en ´el y centrado (ver figura adjunta).
As´ı mismo, se tiene una ficha circular de radio r, tal que dos veces el
di´ ametro de la misma es igual al lado del cuadrado peque˜ no: 4r = B.
Se lanza la ficha sobre el tablero, ¿cu´ al es la probabilidad de que ´esta,
al caer, toque cualquiera de los lados del cuadrado interior?
El problema propuesto no se ajusta a un conteo de ciertos casos (pro-
babilidad en el sentido dado por Laplace); es preciso, sin embargo,
distinguir dos zonas dentro del tablero: “aquella que hace que la ficha
al caer toque al cuadrado interior” y “aquella en la que la ficha no
toca dicho cuadrado”. De esta forma, el problema puede enunciarse en
los siguientes t´erminos: ¿cu´al es la probabilidad de que el centro de la
ficha caiga en la zona comprendida por las dos curvas cerradas dibuja-
das con trazo discontinuo en la figura (b)? El problema se reduce, de
esta forma, a calcular el ´ area de la corona, figura (c):
P(“toque el cuadrado interior”) =
= P(“el centro de la ficha caiga sobre la corona”) =
A
corona
A
cuadrado de lado A
Miguel R. Wilhelmi
4.2 Juegos equitativos 85
4.2. Juegos equitativos
Un juego es equitativo cuando los participantes tienen, a priori, las mis-
mas posibilidades de ganar. Para nosotros el sentido es m´ as restrictivo: el
juego ha de estar fundamentado en el azar y no en la destreza, habilidad
o capacidad intelectual. El juego del ajedrez, a pesar de que las fichas se
sit´ uan de forma sim´etrica para ambos jugadores, no es equitativo, puesto
que, en general, uno de los competidores est´a mejor preparado que el otro.
El f´ utbol tampoco es equitativo, a pesar de que el es marcador inicial sea
0-0, puesto que la preparaci´ on de los equipos y la calidad de sus jugadores
es determinante. En conclusi´ on:
Definici´on 10 (Juego equitativo) Un juego de azar en el que participan
n jugadores J
1
, . . . , J
n
, es equitativo si P(“ganar J
k
”) = 1/n, para cualquier
k ∈ {1, . . . , n}.
En las siguientes secciones se describir´an algunas situaciones que permi-
ten analizar la equidad de diferentes juegos.
4.2.1. Diferencia de dados
El juego que se va a describir est´ a pensado para 2 personas. Se necesitan
2 dados y 10 fichas. El jugador A elige los n´ umeros 0, 1 y 2; el jugador B, los
n´ umeros 3, 4 y 5. El jugador A tira los dados y calcula el valor absoluto de
la diferencia de las cantidades obtenidas en ambos dados: si el resultado es
0, 1 o 2, toma una ficha de las 10 que est´ an en el centro de la mesa y vuelve
a tirar. En caso contrario, entrega los dados a su contrincate, que realiza la
misma acci´on. Cuando ya no queden fichas en el centro de la mesa, cada
jugador tomar´ a las fichas del mont´ on que su adversario haya acumulado.
Gana aquel jugador que se quede con todas las fichas.
¿Es el juego equitativo? .
En caso contrario, ¿qu´e jugador prefiere ser usted? .
¿C´omo puede justificar sus afirmaciones? .
¿Qu´e informaci´ on obtendr´ıa si juega varias partidas?
.
¿Qu´e datos le interesar´ a guardar de las partidas que juegue?
.
Efectivamente, varias partidas deben convencerlo de que es mejor ser el
jugador A que el B. De hecho, las partidas son relativamente r´ apidas: con
mucha frecuencia se obtiene en el lanzamiento de los dados una diferencia
Combinatoria y Probabilidad
86 4 Situaciones introductorias de c´alculo de probabilidades
igual a 0, 1 o 2. ¿Es posible dar una justificaci´ on te´orica a este hecho? Los
resultados posibles y diferencias que a ellos se pueden asociar son:
Resultados posibles Diferencias
(1,1); (1,2); (1,3); (1,4); (1,5); (1,6) 0; 1; 2; 3; 4; 5
De esta forma, de los 36 resultados posibles, 24 tienen por diferencia 0, 1
o 2 y s´olo 12 diferencia 3, 4 o 5. En conclusi´ on, el juego no es equitativo. ¿Es
posible modificar el juego para que este resulte equitativo? A continuaci´ on
se dan tres formas de hacer el juego equitativo.
1. Admitiendo n´ umeros enteros negativos. Se distingue un dado del otro
(pint´ andolos de colores, por ejemplo) y se resta siempre la cantidad
obtenida en uno menos la obtenida en el otro. Las diferencias positivas
favorecen a un jugador; las negativas, al otro. Cuando en los dos dados
sale el mismo n´ umero el jugador repite la tirada, mas no toma ninguna
ficha.
2. Modificando la distribuci´ on de las diferencias. El jugador A gana si
al lanzar los dados la diferencia es 1 o 2. En caso contrario, gana el
jugador B.
3. Modificando el n´ umero de fichas que toma cada jugador si la diferencia
le favorece: como la probabilidad de que el jugador A obtenga una
puntuaci´ on favorable es el doble de la del jugador B, ´este tomar´a 2
fichas si obtiene 3, 4 o 5; mientras que el jugador A s´olo tomar´ a 1 ficha
en caso de obtener 0, 1 o 2.
La modificaci´ on planteada en ´ ultimo lugar relaciona la probabilidad de
que se verifique un suceso con la ganancia asociada a ´este. De esta forma,
cuanto m´ as dif´ıcil sea que un suceso se verifique, mayor ganacia se tendr´ a que
asociar a dicho suceso. El objetivo es “nivelar” la esperanza de ganancia
media de sucesos mutuamente excluyentes. Si se denota por x
S
a dicha
esperanza para un suceso S, se tiene:
x
A
= 1 ·
24
36
=
2
3
; x
B
= 2 ·
12
36
=
2
3
;
Miguel R. Wilhelmi
4.2 Juegos equitativos 87
En resumen, a todo suceso de un experimiento aleatorio le asociamos
una nueva variable que es la esperanza de ganancia:
Definici´on 11 (Esperanza matem´atica) Para un juego aleatorio, dado
un suceso S, se llama esperanza matem´ atica de S, se denota por x
S
, al
producto de la probabilidad de que se verifique S por la ganancia G
S
asignada
a dicho suceso, esto es:
x
S
= G
S
· P(S)
De esta forma, se redefine juego equitativo como:
Definici´on 12 (Juego equitativo) Un juego de azar, en el que participan
n jugadores J
1
, . . . , J
n
, es equitativo si la esperanza de ganancia de los
sucesos S
1
, . . . , S
n
asociados a cada uno de los jugadores es la misma, esto
es, x
J
k
= x
J
i
, para cualesquiera k, i ∈ {1, . . . , n}.
Por ´ ultimo, la definici´ on 10 es un caso particular de la que ahora se acaba
de hacer: puesto que en dicha definici´ on las probabilidades de ganar de cada
jugador son todas iguales, entonces las esperanzas matem´aticas son iguales
si los coeficientes de ganancia (G
S
) son todos iguales a 1.
Ejercicios
1. Estudie la equidad del siguiente juego: se lanzan al aire tres monedas,
si las tres son cara o sello, gana el jugador A; si se obtienen dos caras,
gana el jugador B.
2. El juego del Yahtzee: se lanzan cinco dados, gana el primer jugador
que obtenga un doble (dos n´ umeros iguales) y un triple (tres n´ umeros
iguales) en una de las tiradas. ¿Cu´ al es la probabilidad de ganar el
juego en el primer lanzamiento?
Con base en el juego de Yahtzee se quiere dise˜ nar un juego ventajoso:
demuestre que, como m´ınimo, es preciso lanzar los cinco dados 15 veces
para que la esperanza de ganar sea mayor que la de perder.
4.2.2. 6 simple, 6 doble
El origen de la teor´ıa de probabilidades es el juego. De hecho, todos los
historiadores coinciden en que la teor´ıa moderna de la probabilidad tiene
Combinatoria y Probabilidad
88 4 Situaciones introductorias de c´alculo de probabilidades
su origen en los problemas que el caballero de M´er´e
3
plante´ o a su amigo B.
Pascal (1623–1662) y que originaron un correspondecia fruct´ıfera entre este
matem´atico y Pi`erre de Fermat (1601–1665).
Por un tiempo, el caballero de M´er´e gan´ o apostando que en cuatro ti-
radas de un solo dado saldr´ıa al menos un 6. De esta forma, sostuvo que el
juego era ventajoso (y, por lo tanto, no equitativo) si apostaba por dicho
suceso. Como veremos m´as adelante, esta conjetura es cierta. A ella lleg´o, el
caballero de M´er´e, de forma emp´ırica: jugado y observando que ganaba con
m´as frecuencia de la que perd´ıa.
Seguramente, sus adversarios observaron lo mismo y decidieron no com-
petir m´ as en un juego que les era desfavorable. Esto debi´ o conducir al ca-
ballero de M´er´e a plantearse te´oricamente el juego y as´ı dise˜ nar otro que le
diera nuevamente ventaja sobre otros jugadores. Un razonamiento err´ oneo
le condujo a un juego desfavorable y cuando se hubo dado cuenta de ello,
desconociendo la causa, le pregunt´ o a su amigo B. Pascal por ella.
El razonamiento seguido por el caballero de M´er´e, en esencia, es el si-
guiente: en el lanzamiento de un dado, es igual de probable que salga cual-
quier cara; de esta forma —y aqu´ı viene el error— la probabilidad de obtener
un seis en cuatro tiradas es 4 veces la de obtener un seis en una tirada, esto
es, 4 · (1/6) = 4/6 = 2/3. Entonces, por el mismo razonamiento, en 24 ti-
radas de dos dados se tiene que la probabilidad de obtener un seis doble es:
24 · (1/36) = 24/36 = 2/3.
Para analizar el juego se puede proceder de dos formas en esencia dife-
rentes:
1. Estudio experimental. Jugar efectivamente a ambos juegos. Por la ley
del azar, se asocia la frecuencia relativa con la probabilidad.
2. Estudio te´ orico. Analizar el juego de formalmente, de tal forma que se
asigne una probabilidad (te´ orica) a cada uno de los sucesos.
Para el estudio emp´ırico se pueden jugar 50 partidas. Organice el estudio
de tal forma que pueda almacenar los datos y asignar una probabilidad a
los sucesos: “obtener al menos un 6 en 4 lanzamientos de un dado” (6S) y
“obtener al menos un 6 doble en 24 lanzamientos de dos dados” (6D).
El resultado obtenido debe diferir del previsto por el caballero de M´er´e:
aproximadamente, se tiene que P(6) ≈ P(6D) ≈ 0, 5. El estudio te´ orico debe
ayudarnos a la comprensi´ on del problema. En la figura siguiente se puede
3
Los a˜ nos de nacimiento y muerte del caballero de M´er´e no son recogidos por los
historiadores matem´aticos. Sabemos que fue contempor´aneo de B. Pascal y que, por lo
tanto, vivi´o en el siglo XVII.
Miguel R. Wilhelmi
4.2 Juegos equitativos 89
observar esquem´ aticamente los juegos posibles: que en el primer lanzamiento
se obtenga un 6 o que no se obtenga (N); si se ha obtenido un 6 a la primera,
la partida est´ a ganada y se deja de jugar; si no se ha obtenido un 6, se lanza
nuevamente un dado; as´ı se procede hasta un m´aximo de 4 lanzamientos.
En la parte derecha de la figura se da el resultado: P(6S) ≈ 0, 52. El ra-
zonamiento que se sigue es el siguiente: cuando dos sucesos son mutuamente
excluyentes (no pueden verificarse a la vez) y el experimento s´olo admite
´estos como posibles resultados, entonces la suma de probabilidades de di-
chos sucesos es igual a 1. As´ı sucede con el lanzamiento de una moneda: los
sucesos “cara” (C) y “sello” (X) son mutuamente excluyentes y al lanzar
una moneda siempre debe salir o cara o sello, entonces: P(C) +P(X) = 1.
Dos sucesos mutuamente excluyentes, que a dem´as verifican que siempre
ha de cumplirse uno u el otro se llaman complementarios o contrarios; por
ejemplo, en el lanzamiento de una moneda los sucesos C y X son contrarios.
De igual manera, en el lanzamiento de un dado, si se denota por N el suceso
“salir distinto de 6”, los sucesos N y 6 son contrarios: o se cumple el suceso
N o se verifica el suceso 6.
En general, el suceso contrario de un suceso A lo denotaremos por A
c
y, por lo tanto, sabemos que se debe verificar: P(A) + P(A
c
) = 1, adem´ as
el suceso A ∩ A
c
no se verifica nunca, puesto que A y A
c
son mutuamente
excluyentes, esto es, nunca se verifican simult´aneamente. De esta forma, los
sucesos “6S” (un seis en 4 tiradas, seis simple) y el suceso “contrario” (6S)
c
(en ninguna de las 4 tiradas se obtiene un seis) deben verificar: P(6S) +
P((6S)
c
) = 1. De esta forma, si se determina la probabilidad del suceso
(6S)
c
se tendr´a determinada la probabilidad del suceso 6S:
P((6S)
c
) = P(N, N, N, N) = P(N)
4
=

5
6

4
≈ 0, 48 ⇒
⇒P(6S) = 1 −P((6S)
c
) ≈ 0, 52
Seguramente, la forma en que se ha resuelto el problema no es “natural”:
Combinatoria y Probabilidad
90 4 Situaciones introductorias de c´alculo de probabilidades
en general, no es la manera en que un persona, no familiarizada con el c´ alculo
de probabilidades, lo afrontar´ıa. El modo “natural” de proceder es:
P(6S) = P(6 en la primera tirada)+
+P(6 en el 2

lanz., si no ha salido en el 1

)+
+P(6 en el lanz. 3

, si no ha salido ni en el 1

ni en el 2

)+
+P(6 en el lanz. 4

, si no ha salido ni en el 1

ni en el 2

ni en el 3

) =
=
1
6
+
1
6
·
5
6
+
1
6
·
5
6
·
5
6
+
1
6
·
5
6
·
5
6
·
5
6
≈ 0, 52
Ya sea por el primer o el segundo m´etodo, se concluye, como lo hab´ıa
establecido el caballero de M´er´e, que el juego es ventajoso si se apuesta por
obtener al menos un 6 en 4 tiradas, mas la ventaja no es de 2 a 1 (proba-
bilidad de ganar igual al doble que la de perder). De hecho, la probabilidad
de ganar no es mucho mayor que la de perder y, por ello, se entiende que
los adversarios del caballero de M´er´e tardaran alg´ un tiempo en darse cuenta
de que, a la larga, su apuesta era desfavorable; de forma m´ as precisa: la
esperanza matem´atica de ganancia del caballero de M´er´e era mayor que la
de los otros jugadores.
Un razonamiento similar al expuesto, conduce a la conclusi´ on de que
el juego del seis doble (apostando a que saldr´ a al menos un 6 doble en 24
tiradas de dos dados) no es ventajoso. Construya un diagrama de ´ arbol y
razone que la probabilidad de obtener al menos un seis doble en 24 tiradas
es: P(6D) ≈ 0, 49. De esta forma, habr´ a podido resolver la inquietud del
caballero de M´er´e (¿por qu´e jugar al 6D ya no es ventajoso?)
Un pregunta m´ as compleja, sin embargo, queda sin contestar: ¿por qu´e el
razonamiento dado por el caballero de M´er´e no es correcto? ¿por qu´e no
resulta adecuado resolver el problema mediante proporcionalidad? ¿Qu´e re-
laci´ on existe en el juego entre los sucesivos lanzamientos de los dados?
4.2.3. Reparto justo
El problema de los repartos, de forma general, puede ser enunciado como
sigue: dos jugadores, interrumpiendo de com´ un acuerdo el juego antes del
final, quieren hacer un justo reparto de la apuesta inicial, de acuerdo con la
probabilidad que cada uno tiene de ganar
4
.
4
El problema inicial fue planteado tambi´en por el caballero de M´er´e a su amigo B.
Pascal y, al igual que en caso anterior, ´este tuvo una fruct´ıfera correspondencia con P.
Fermat que posibilit´o resolver ciertos casos particulares y sentar las bases para un estudio
general.
Miguel R. Wilhelmi
4.2 Juegos equitativos 91
Para ilustrar el problema supongamos la siguiente situaci´ on: dos jugado-
res A y B apuestan 32 monedas cada uno, eligen “cara” y “sello”, respecti-
vamente, gana el primero que obtenga 3 caras o 3 sellos. La distribuci´ on de
las 64 monedas, si el juego no ha concluido y uno de los dos jugadores tiene
ventaja, por ejemplo el jugador A, admite las siguientes posibilidades:
1. A haya ganado 2 partidas y B s´ olo 1
5
. En tal caso, si A gana nueva-
mente, se llevar´a toda la apuesta y en el caso de perder, habr´ a equidad
y se repartir´ an las monedas por igual. En conclusi´ on, el jugador A tiene
aseguradas 32 monedas, estando las otras 32 pendientes del siguiente
lanzamiento: el jugador A se queda con las 32 monedas que seguro
obtiene y la mitad de las restantes, esto es, en total: 48 monedas.
2. A haya ganado 2 partidas y B ninguna. Si A gana se queda con todo;
en caso contrario, se est´a en la situaci´ on del caso anterior. De esta
forma, el jugador A tiene aseguradas 48 monedas y el resto se reparten
equitativamente entre ambos jugadores: en total, el jugador A se queda
con 56 monedas.
3. A haya ganado 1 partida y B ninguna. Si A gana se queda, por el caso
anterior, con 56 monedas. Si pierde, el juego se equilibra. Por lo tanto,
el jugador A tiene aseguradas 32 monedas; mientras que el jugador B,
en caso m´as desfavorable (que pierda nuevamente), tiene aseguradas
8 monedas. De esta forma, el jugador A debe quedarse con las 32 que
tiene aseguradas y la mitad de las que quedan (sabiendo que B se
queda con 8), esto es: 32 + (32 −8)/2 = 32 + 12 = 44.
El mismo problema es resuelto por P. Fermat utilizando el c´ alculo com-
binatorio. Fermat procede a escribir todas las posibles formas en que se
puede desarrollar el juego completo, esto es, todas las formas en que se pue-
den jugar 5 partidas entre dos jugadores y despu´es establece repartos de la
cantidad total seg´ un las espectativas de ganar de cada uno de los jugadores.
Denotemos por a al suceso “el jugador A ha ganado una determinda
partida” y por b el suceso contrario, esto es, “el jugador B ha ganado una
determinada partida”. En la siguiente tabla se establecen todos los posibles
resultados, suponiendo que la primera partida la ha ganado el jugador A
(una tabla “sim´etrica” se obtendr´ıa en caso contrario):
5
Los razonamientos que a continuaci´on se har´an siguen las explicaciones dadas por B.
Pascal a su colega P. Fermat.
Combinatoria y Probabilidad
92 4 Situaciones introductorias de c´alculo de probabilidades
Partida 1 Partida 2 Partida 3 Partida 4 Partida 5 Ganador
a a a a a A
a a a a b A
a a a b a A
a a b a a A
a b a a a A
a a a b b A
a a b b a A
a b b a a A
a a b a b A
a b a b a A
a b a a b A
a b b b a B
a b b a b B
a b a b b B
a a b b b B
a b b b b B
De esta forma, si el jugador A gana la primera partida, tiene la espectati-
va de ganar en 11 de las 16 posibles partidas, esto es: el reparto debe hacerse,
en el tercer caso de la siguiente forma: el jugador A se quedar´a con 11/16
del total de monedas que se ha apostado, esto es, (11/16) · 64 = 44, llegando
al mismo reparto que estableci´ o B. Pascal (por un m´etodo diferente).
Concluya el lector cu´ al es reparto proporcional si el jugador A ha ganado
las dos partidas primeras o si ha ganado las dos primeras y ha perdido la
tercera. ¿Se obtienen los mismos que por el m´etodo primero? ¿Qu´e m´etodo
le parece m´as f´ acil de utilizar?
Un tercer m´etodo consiste en utilizar un modelo gr´ afico. Por ejemplo,
para determinar que el reparto justo es de 3/4 de la apuesta realizada si
el juego se detiene cuando el resultado parcial es 2 a 1, se procede de la
siguiente forma:
Paso0
2 a1
Paso1
3 a1 2 a2
Paso2
3 a2
2 a3
REPARTO
Cada paso toma en cuenta los posibles resultados. Si un jugador en un paso
consigue llegar a 3, se sombrea en el siguiente paso la zona correspondiente.
De esta forma, la zona sobreada final corresponde al “tanto por ciento” que
ha de llevarse el jugador que ten´ıa la ventaja (2-1) al detenerse el juego.
Miguel R. Wilhelmi
4.3 Misi´on espacial 93
De manera similar, puede razonarse para los otros casos.
Ejercicio
Se modifican las reglas generales de juego: un jugador gana toda la apues-
ta si cumple primero una cualquiera de las dos siguientes condiciones:
Gana dos partidas seguidas.
Gana tres partidas no consecutivas.
Si cada jugador apuesta 32 monedas, al igual que en el caso anterior, c´ omo
se tendr´an que repartir las monedas en las siguientes circunstancias:
1. Si el jugador A ha ganado una partida.
2. Si el jugador A ha ganado dos partidas y el jugador B una (la segunda).
Resuelva el problema por los tres m´etodos que se han utilizado en el caso
anterior: por el m´etodo de Pascal, por el m´etodo del recuento de todos los
caso posibles avanzado por Fermat y por un m´etodo gr´ afico. ¿C´omo puede
utilizar un diagrama de ´ arbol para representar todas las posibles partidas?
Justifique que s´ olo hay 10 formas de desarrollarse el juego, si aceptamos que
se deja de tirar la moneda cuando se conoce el ganador. ¿Son estas 10 formas
equiprobables?
4.3. Misi´ on espacial
Como podr´ a imaginar, toda misi´ on espacial es riesgosa: es preciso efec-
tuar muchas maniobras delicadas. En la presente secci´ on, vamos a analizar
la probabilidad de ´exito en la colocaci´ on de un m´ odulo de investigaci´ on en
la superficie de la Luna. En la figura, se puede ver el recorrido que se pue-
de efectuar para colocar dicho m´ odulo en la superficie lunar con el m´ınimo
gasto posible.
Combinatoria y Probabilidad
94 4 Situaciones introductorias de c´alculo de probabilidades
El itinerario de viaje en l´ınea recta no es viable: resultar´ıa costoso
econ´omica y f´ısicamente, ya que tendr´ıa que hacerse con la m´aquina del
misil quemando combustible durante todo el viaje. La manera m´ as c´omo-
da y barata de hacerlo es en vuelo libre, bajo la acci´ on de la gravitaci´ on
universal, sin usar motores ni quemar combustible en la mayor parte del
trayecto.
La Luna gira en torno a la Tierra porque ´esta la atrae (de igual manera
que el Sol atrae a la Tierra)
6
. La ley de la gravitaci´ on universal postula
que la fuerza de atracci´ on es directamente proporcional a las masas de los
cuerpos que interaccionan e inversamente proporcional al cuadrado de la
distancias, esto es, cuanto m´as pesados son los cuerpos con m´as fuerza se
atraen y, conforme m´ as alejados est´an, con menos fuerza.
El viaje, b´ asicamente, consta de cinco momentos clave (ver figura):
1. Alcanzar la ´ orbita circular terreste de salida.
2. Entrar en ´ orbita de tr´ ansito terreste: semielipse alrededor de la Tierra.
3. Enlazar con la ´ orbita de tr´ ansito lunar: semielipse alrededor de la Luna.
4. Enlazar con la ´ orbita circular lunar.
5. Alunizaje: descenso a la Luna desde la ´ orbita circular de llegada.
Estos cinco momentos exigen un gasto de combustible y marcan las si-
tuaciones de riesgo de la misi´ on: el ´exito de ´esta depende directamente del
´exito de cada una de las maniobras comprometedoras. El resto del viaje no
resulta problem´ atico: en las ´orbitas circular de salida y de tr´ ansito terreste
el m´odulo es un sat´elite de la Tierra; en las de tr´ ansito lunar y circular
de llegada, el m´ odulo es un sat´elite de la Luna. Mientras el m´ odulo es un
sat´elite de la Tierra o de la Luna no consume combustible: se mueve libre
bajo la influencia gravitatoria de la Tierra o la Luna, respectivamente. Para
modificar un vuelo libre, se precisa del concurso de un motor.
Para alcanzar la ´ orbita circular terreste (OCT), el m´odulo se lanza en
un cohete de etapas m´ ultiples: m´ odulos que se van desprendiendo conforme
cumplen su misi´ on. El despegue del cohete se identifica con la ignici´ on de
primera etapa. A cierta altura de la supeficie terreste, es necesario un nuevo
impulso, para que la nave no caiga: se separa la primera etapa (que se ha
utilizado para el despegue) y se produce la ignici´ on de la segunda. Cuando
6
La atracci´ on es mutua: la Tierra atrae a la Luna y viceversa. De igual manera sucede
con la Tierra y el Sol.
Miguel R. Wilhelmi
4.3 Misi´on espacial 95
esta ´ ultima etapa ha cumplido su funci´ on (y, por lo tanto, agotado el com-
bustible que ten´ıa), se separa del m´ odulo principal y se produce una tercera
ignici´ on, que conduce el m´ odulo principal hasta la OCT. La probabilidad de
´exito de esta fase es de 0,970.
El resto de fases son m´as sencillas: para entrar en la ´ orbita de tr´ ansito
terrestre (OTT) el m´odulo principal es propulsado para modificar su trayec-
toria (en caso contrario, permanecer´ıa dando vueltas al rededor de la tierra
en la OCT). De igual manera sucede para pasar a la ´ orbita de tr´ ansito lu-
nar (OTL) y de ´esta a la ´orbita circular de llegada (OCL). Por ´ ultimo, el
alunizaje es menos peligroso, puesto que la fuerza gravitatoria que ejerce
la Luna sobre el m´ odulo es menor (que aqu´ella que ejerc´ıa la Tierra). Las
probabilidades de ´exito de estas maniobras son: 0,999; 0,945; 0,973 y 0,977,
respectivamente. ¿Cu´al es la probabilidad de ´exito de la misi´ on?
Para que la misi´ on sea un ´exito, deben cumplirse todas las fases; sin
embargo, si una fase se ha realizado con ´exito, no se modifica la probabi-
lidad de ´exito de la siguiente (por ello se dice que el ´exito de cada fase es
independiente del resto).
En la figura siguiente se representa un diagrama de ´ arbol donde se indica
la probabilidad de ´exito (E) y de fracaso (F) de cada fase.
De esta forma, el ´exito total E debe interpretarse como:
E = E
1
∩ E
2
∩ E
3
∩ E
4
∩ E
5
esto es, que todas las fases se salden con ´exito. Por “´exito”, entendemos que
las condiciones son ´optimas y que, por lo tanto, la siguiente fase no tiene
dificultades a˜ nadidas (hip´ otesis de independencia). Entonces, la probabilidad
Combinatoria y Probabilidad
96 4 Situaciones introductorias de c´alculo de probabilidades
de ´exito es:
P(E) = P(E
1
∩ E
2
∩ E
3
∩ E
4
∩ E
5
) =
= P(E
1
) · P(E
2
) · P(E
3
) · P(E
4
) · P(E
5
) =
= 0, 970 · 0, 999 · 0, 945 · 0, 973 · 0, 977 = 0, 871
Y, por lo tanto, la probabilidad de que el viaje fracase es: 1−0, 871 = 0, 129.
Ejercicio
En un circuito el´ectrico en serie todos los componentes deben funcionar
correctamente para que ´este funcione: si uno de ellos no funciona, entonces el
flujo electrico se corta y el circuito queda abierto. En un circuito en paralelo,
el flujo se detiene ´ unicamente si los componentes as´ı colocados est´an todos
averiados, esto es, cada sector en paralelo est´a estropeado (uno o varios
sectores pueden estar constituidos a su vez por un circuito en serie).
De esta forma, si se piensa en los casos m´as sencillos de circuitos en serie
y paralelo, es posible asociar a ´estos una notaci´ on conjuntista que se˜ nale el
buen funcionamiento. Por ejemplo, el circuito en serie de la figura tiene dos
nodos A y B, ambos pueden funcionar correctamente o, por el contrario,
estar fallados. El suceso “el nodo A funciona correctamente” lo designamos,
sencillamente, por “A”; el suceso “el nodo A est´a fallado” lo denotamos, por
lo tanto, por “A
c
”. De manera an´ aloga, para el nodo B. De esta forma, el
suceso “A∩B” representa “el correcto funcionamiento del circuito en serie”,
puesto que ambos nodos funcionan.
¿Qu´e representan los sucesos A∩B
c
, A
c
∩B y A
c
∩B
c
? .
¿Qu´e se puede concluir en estos tres casos?
.
Para un circuito en paralelo simple, es suficiente que uno de los dos nodos
funcione correctamente para que ´este permanezca cerrado (y la corriente
pase de un extremo al otro). De esta forma, el suceso A ∪ B representa el
Miguel R. Wilhelmi
4.4 Estimaci´on de una probabilidad 97
correcto funcionamiento del sistema. ¿Los sucesos A∩B
c
y A
c
∩B representan
un circuito abierto o cerrado? .
¿Es cierto que: A∪ B = (A∩ B) ∪ (A∩ B
c
) ∪ (A
c
∩ B)? .
¿Qu´e relaci´on tiene esta igualdad con las anteriores preguntas?
.
¿Qu´e representa el suceso A
c
∩B
c
? .
Para terminar, suponga que la probabilidad de que falle un componente
es 0,1: ¿cu´al es la probabilidad de que los circuitos de la figura funcionen?
Realice una diagrama en forma de ´ arbol que le ayude a interpretar correcta-
mente el circuito. Si los circuitos en paralelo son m´ as fiables, ¿por qu´e cree
que en muchas circunstancias se opta por la instalaci´ on de uno en serie?
4.4. Estimaci´ on de una probabilidad
Con anterioridad, se ha comentado que la noci´ on de suerte deb´ıa ser acla-
rada. Cuando un suceso, que puede beneficiar a una persona y que tiene una
probabilidad pr´ oxima a cero, se verifica, decimos que la persona “ha tenido
suerte”. En otras ocasiones, la bondad de una t´ecnica o de un m´etodo de
proceder se mide en t´erminos de la probabilidad de obtener los mismos resul-
tados si se procede de forma aleatoria: un m´etodo es ´optimo si, procediendo
al azar, los resultados previsibles son sustancialmente peores. Inversamente,
un m´etodo es inadecuado si los resultados previsibles procediendo al azar
son similares o mejores que aquellos.
Por ejemplo, supongamos un test objetivo con dos opciones de respuesta:
verdadero y falso. Si el test cuenta con 100 preguntas y ´estas se contestan
al azar, se debe esperar acertar 50 de ellas. ¿Resulta admisible que una per-
sona pase la prueba si tiene 50 o m´ as preguntas correctas? Evidentemente,
no; puesto que este n´ umero de respuestas se puede conseguir tanto si se ha
estudiado como si no. Por lo tanto, una evaluaci´ on de conocimientos de esta
naturaleza no tendr´ a un car´ acter discriminatorio, esto es, no diferenciar´a a
las personas que han estudiado (y que han adquirido algunos conocimien-
tos) de aquellos que han respondido al azar. De esta forma, el m´etodo de
evaluaci´ on resulta inadecuado.
Una opci´ on consiste en penalizar cada contestaci´on incorrecta, de tal
suerte que si se contesta al azar se espera que la persona evaluada ten-
ga un promedio de cero: 50 preguntas acertadas menos 50 fallos, suman 0
puntos. Esto es, el nuevo m´etodo pone “las cosas en su sitio”: una persona
que conteste al azar (no tiene conocimientos suficientes para discernir en-
tre las opciones verdadero y falso), obtiene cero puntos, como es de esperar.
Combinatoria y Probabilidad
98 4 Situaciones introductorias de c´alculo de probabilidades
¿Qu´e m´etodo utiliz´ a para evaluar un test objetivo con k opciones de elecci´on
para la respuesta?
En los siguientes p´ arrafos simularemos una situaci´ on, para el an´ alisis de
una t´ecnica. En concreto, se desea responder a la pregunta: ¿se tienen datos
suficientes para admitir que dicha t´ecnica es buena? El proceso general que
se sigue se puede resumir en los siguientes puntos:
1. Recogida y organizaci´ on de la informaci´ on.
2. An´ alisis de la situaci´ on e hip´ otesis de partida.
3. Analisis la hip´ otesis mediante observaci´on directa de la situaci´ on (si es
posible) o mediante simulaci´ on de la misma u observaci´ on indirecta.
4. Recogida y organizaci´ on de datos. Representaciones gr´aficas.
5. Estudio te´ orico (siempre que sea posible).
6. Conclusiones, predicciones y decisiones.
4.4.1. Recoger y organizar informaci´ on
Supongamos, por ejemplo, que un equipo de b´ asquet se enfrenta a la recta
final del campeonato. Una parte importante de los puntos conseguidos se
obtienen por lanzamientos de tiros libres. Por ello, el entrenador decide que
los jugadores practiquen, despu´es de cada entrenamiento, una nueva t´ecnica
de lanzamiento de tiros libros, con la que espera que el equipo obtendr´ a un
porcentaje mayor de aciertos en esta faceta del juego.
Antes de la utilizaci´ on de la nueva t´ecnica, los jugadores fallaban 1 de ca-
da 3 lanzamientos desde la l´ınea de tiros libres. En el ´ ultimo entremamiento,
el entrenador comprueba que los jugadores han tenido una notable mejor´ıa:
en promedio, han acertado 5 de cada 6 lanzamientos. Con estos datos, ¿se
puede afirmar que la nueva t´ecnica es mejor? ¿Qu´e probabilidad hay de que
la nueva t´ecnica no sea mejor y que en el ´ ultimo entrenamiento los jugado-
res hayan estado “afortunados”? De forma m´ as precisa, ¿qu´e probabilidad
hay de que un jugador que normalmente encesta 2 de cada 3 lanzamientos,
consiga 5 de 6 con la misma t´ecnica o con una peor?
4.4.2. An´alisis de la situaci´ on e hip´ otesis de partida
Si el equipo rival ha cometido 8 o m´ as faltas personales en un mismo
tiempo y comete otra (sobre un jugador que no est´ a en diposici´ on de tirar
Miguel R. Wilhelmi
4.4 Estimaci´on de una probabilidad 99
a canasta), el equipo que tiene la pelota en posesi´ on debe decidir una de las
dos siguientes acciones:
1. Tirar lanzamientos libres: 1 m´ as 1, esto es, un jugador lanza un tiro
libre, si lo acierta tiene la opci´ on de uno m´ as; si lo falla, el juego sigue.
2. Hacer un saque de banda y seguir el juego.
El entrenador tendr´ a que tomar una decisi´ on: o bien lanzar los tiros libres
o bien hacer un saque de banda. La decisi´ on, a favor de los tiros libres se
toma si el entrenador sabe que las probabilidades de acertar son grandes: la
nueva t´ecnica es m´as efectiva (hip´ otesis); con otras palabras, el acierto no
puede explicarse correctamente en t´erminos de suerte.
La probabilidad de meter 5 de cada 6 lanzamientos si normalmente se
introducen 2 de cada 3 puede ser determinada de forma experimental o
te´orica. En el siguiente apartado, se explica un m´etodo de simulaci´on para
estudiar de forma experimental dicha probabilidad.
4.4.3. Simulaci´ on
Como los jugadores acertaban 2 de cada 3 lanzamientos, se concluye
que con la antigua t´ecnica la probabilidad de encestar un tiro libre era 2/3.
Por otro lado, si se lanza un dado (no trucado), la probabilidad de obtener
cualquiera de sus caras es 1/6: la probabilidad de obtener “1”, “2”, “3” o “4”
es 4/6, esto es, 2/3. Por lo tanto, si se lanza un dado reiteradas veces, puede
interpretarse como acierto si se obtiene cualquiera de los cuatro anteriores
n´ umeros y como fallo en caso contrario
7
. ¿Cu´ al es la probabilidad de que (al
menos) 5 de cada 6 veces que se lance el dado se obtenga “acierto”?
El estudio emp´ırico se reduce a la toma de datos y an´ alisis de ´estos. Para
ello, se lanza 6 veces un dado, anotando el n´ umero de veces que se acierta
(se obtiene 1, 2, 3 o 4 con el dado) y el n´ umero de veces que se falla (se
obtiene 5 o 6). Si el n´ umero de aciertos es igual a 5 o 6, entonces se asigna
“1” al bloque; en caso contrario, se asigna “0”. Se repite este procedimiento
10 veces, por ejemplo, de tal forma, que sumando los n´ umeros del “bloque”
se obtiene la frecuencia absoluta de las veces en que se ha verificado el suceso
“al menos 5 de cada 6 veces se ha acertado”. Complete la tabla:
7
La elecci´on de las caras es irrelevante: es preciso excluir dos caras, pero como los
sucesos son equiprobables (se supone que el dado no est´a trucado), se puede excluir cua-
lesquiera dos: 1 y 2, 2 y 5, 4 y 6, . . . ¿De cu´antas formas podemos elegir las caras?
Combinatoria y Probabilidad
100 4 Situaciones introductorias de c´alculo de probabilidades
Partida Aciertos Fallos Bloque
1
2
3
4
5
6
7
8
9
10
Total
¿En cu´ antas partidas ha obtenido en 5 o 6 de sus lanzamientos “acierto”?
De esta forma, la probabilidad experimental de meter al menos 5 de cada 6
lanzamientos (suceso “Bloque”) si normalmente se introducen 2 de cada 3
(suceso “Antes”) es:
P(Bloque|Antes) =
f
a
(Bloque)
10
A la luz de los datos obtenidos, ¿cree usted que hay informaci´on sufi-
ciente para afirmar que la nueva t´ecnica es mejor?
.
4.4.4. Obtenci´ on y organizaci´ on de datos. Representaciones
gr´aficas
Los datos obtenidos en una simulaci´ on pueden ser almacenados en tablas
y representados en histogramas, diagramas de sectores, etc. La intenci´on
es obtener una lectura r´ apida y fiable de los datos, que permita hacer un
reconstrucci´on lo m´ as precisa posible de la situaci´ on.
Supongamos una clase modelo de 40 alumnos, donde cada alumno ha
realizado la experiencia anterior. Se dispone de 400 jugadas (40·10 jugadas)
8
.
De esta forma, teniendo en cuenta la ley del azar se puede esperar una
aproximaci´ on suficientemente aceptable.
Para simplificaci´ on en la presentaci´ on de los datos, introduciremos algu-
na notaci´ on: los sucesos “6”, “5”, “4”, . . . denotan los sucesos “jugada de
6 lanzamientos en la que se ha conseguido 6, 5, 4, . . . lanzamientos favora-
bles, es decir, que la cara superior del dado ha sido 1, 2, 3 o 4”. Por otro
8
Se supone que todos los alumnos han realizado la experimentaci´on en condiciones
similares y que, por lo tanto, todas las jugadas son equiparables.
Miguel R. Wilhelmi
4.4 Estimaci´on de una probabilidad 101
lado, designaremos por f
a
a la frecuencia absoluta de cada uno de los suce-
sos; por f
r
, a la frecuencia relativa. La tabla siguiente resume los resultados
obtenidos.
Suceso f
a
f
a
acumulada f
r
f
r
acumulada % % acumulado
“6” 20 20 0,0500 0,0500 5,00 5,00
“5” 128 148 0,3200 0,3700 32,00 37,00
“4” 183 331 0,4575 0,8275 45,75 82,75
“3” 58 389 0,1450 0,9725 14,50 97,25
“2” 8 397 0,0200 0,9925 2,00 99,25
“1” 1 398 0,0025 0,9950 0,25 99,50
“0” 2 400 0,0050 1 0,5000 100
Total 400 400 1 1 100 100
Las frecuencias relativa y absoluta acululadas son ´ utiles para agrupar
resultados de frecuencias: por ejemplo, se puede afirmar que en 148 de las 400
partidas, se obtuvieron 5 o 6 aciertos y que la frecuencia relativa acumulada
es 0,37: la probabilidad (emp´ırica) asignada es 0,37 y, por lo tanto, se debe
aceptar que la nueva t´ecnica es mejor, puesto que resulta poco probable que
se acierten 5 de cada 6 tiros libres con la antigua t´ecnica.
Por otro lado, los datos pueden ser visualizados mediante gr´ aficos: his-
tograma, diagrama lineal, sector circular. A continuaci´ on, se utilizan estos
tipos de gr´ aficos para representar los valores de la frecuencia relativa, de la
frecuencia absoluta acumulada y de los porcentajes, respectivamente.
Un histograma es una representaci´on gr´ afica de una distribuci´ on de fre-
cuencias por medio de rect´angulos, cuyas anchuras representan intervalos de
la clasificaci´on y cuyas alturas representan las correspondientes frecuencias.
Como en nuestro caso no hay intervalos, sino un conjunto finito de sucesos,
representaremos las frecuencias relativas mediante un diagrama de barras
(histograma que se utiliza cuando la variable es discreta). En la figura si-
guiente se representan las frecuencias relativas de los sucesos “los 6, 5,. . .
lanzamientos son aciertos”.
Un diagrama lineal es una representaci´on gr´ afica de una distribuci´ on de
frecuencias por medio de una l´ınea poligonal, que une puntos colocados a
Combinatoria y Probabilidad
102 4 Situaciones introductorias de c´alculo de probabilidades
alturas que representan las correspondientes frecuencias. La figura siguiente
representa las frecuencias absolutas acumuladas de los sucesos “los 6 lanza-
mientos son aciertos”, “5 o 6 lanzamientos son aciertos”, . . .
En el diagrama lineal se observa claramente, por ejemplo, que la frecuen-
cia absoluta acumulada ha alcanzado casi su l´ımite para el suceso “m´as de 4
aciertos”. De hecho, este tipo de informaci´on puede ser ´ util para simplificar
los datos agrup´ andolos en “colecciones de sucesos”.
Por ´ ultimo, un diagrama o sector circular representa el valor de cada
frecuencia por un porci´ on radial de c´ırculo, cuya ´ area es propocional a dicha
frecuencia. Los valores suelen indicarse en tantos por ciento. En la figura
siguiente, para simplificar la presentaci´ on, diferentes sucesos se agrupan:
los sucesos “acertar 5 o 6” se han agrupado bajo el r´otulo “acierto”; los
sucesos “acertar 0, 1, 2” constituyen la secci´on “otros” (entre todos ellos
representan ´ unicamente el 3 % del total de frecuencias). De esta forma, el
diagrama de sector que debiera contar con 7 secciones cuenta s´olo con cuatro,
representativas de la distribuci´ on de la muestra.
4.4.5. Estudio te´ orico
El estudio de la probabilidad se ha realizado en los puntos anteriores de
forma experimental. En esta secci´on, se calcula de forma te´orica la probabi-
lidad de conseguir 5 o 6 aciertos, suponiendo que, con la nueva t´ecnica, los
Miguel R. Wilhelmi
4.4 Estimaci´on de una probabilidad 103
jugadores siguen teniendo una efectividad de 2 canastas de 3 intentos:
P(5 o 6 aciertos) = P(5 ∪ 6) = P(5A) +P(6A)
La segunda igualdad es cierta puesto que los sucesos “acertar 5 o 6”
son mutuamente excluyentes: si se han acertado 5 canastas no pueden, a
la vez, haberse acertado 6. Adem´ as se sabe que la probabilidad de acertar
(A) es 2/3: P(A) = 2/3; mientras que la probabilidad de fallar (F) es 1/3:
P(F) = 1/3. Por lo tanto, la probabilidad de acertar las 6 veces se calcula
de forma sencilla multiplicando 6 veces 2/3:
P(6 aciertos) = P(A,
(6 veces)
. . . , A) = P(A)·
(6 veces)
. . . ·P(A) =

2
3

6
Por otro lado, el suceso “acertar 5” puede interpretarse como el suceso
“fallar justamente 1”. Este fallo puede darse en el primer lanzamiento, en el
segundo, en el tercero, . . . , en el sexto. Ahora bien, la probabilidad de fallar
s´olo el primer lanzamiento es igual a:
P(F, A,
(5 veces)
. . . , A) = P(F) · P(A)·
(5 veces)
. . . ·P(A) =

1
3

·

2
3

5
Adem´as, la probabilidad de los sucesos, “fallar ´ unicamente el primero”, “fa-
llar ´ unicamente el segundo”, . . . son igual de probables (¿por qu´e?). Se
concluye:
P(5A y 1F) = 6 · P(F, A,
(5 veces)
. . . , A) = 6 ·

1
3

·

2
3

5
En la anterior expresi´ on, el n´ umero 6 representa las distintas posicio-
nes que puede ocupar el fallo: el n´ umero de diferentes ordenaciones de 5
elementos iguales (A) y 1 elemento diferente (F) es igual al n´ umero de per-
mutaciones con repetici´on de 6 elementos distribuidos en dos grupos de 5 y
1 elementos, respectivamente.
En conclusi´ on:
P(5 o 6A) =P(5 ∪ 6) = P(5A, 1F) +P(6A) =
=6 ·

1
3

·

2
3

5
+

2
3

6
≈ 0, 3512
Por lo tanto, se puede afirmar que la aproximaci´ on experimiental de
la probabilidad de obtener 5 o 6 aciertos (≈ 0, 37) se ajusta muy bien la
probabilidad te´ orica.
Combinatoria y Probabilidad
104 4 Situaciones introductorias de c´alculo de probabilidades
Ejercicios
1. El desarrollo hecho puede ser extendido para calcular la probabilidad
de tener n fallos y (6 − n) aciertos, con n variando entre 0 y 6. Para
ello, es necesario seguir dos pasos:
a) Calcular la probabilidad de fallar los n primeros y acertar los
(6 −n) siguientes.
b) Calcular el n´ umero de ordenaciones con 6 elementos, agrupados
en dos partes de n y (6 −n) elementos iguales, respectivamente.
2. Se desea hacer un estudio de probabilidad similar al descrito con base
en el siguiente problema: “En una caja hay 7 monedas no defectuosas y
6 monedas defectuosas (con cinco de ellas se obtiene con probabilidad
4/5 cara y con la restante se obtiene con probabilidad 2/3, cruz). Se
toma una moneda al azar, ¿es aceptable pensar que no es defectuosa
si despu´es de 10 lanzamientos se ha obtenido 7 caras y 3 cruces?”
4.4.6. Conclusiones, decisiones y predicciones
El estudio realizado permite afirmar que resulta poco probable que con
la vieja t´ecnica los jugadores tengan un acierto de 5 de cada 6 lanzamientos
de tiros libres intentados y, por lo tanto, cabe afirmar que la nueva t´ecnica
es mejor.
De la conclusi´ on anterior, no se deduce necesariamente que siempre que
se tenga la oportunidad de escoger entre tirar lanzamientos de tiro libre
1 m´as 1 o sacar de banda y jugar la pelota, se vaya a decidir lo primero.
Por ejemplo, si faltando 10 segundos y estando en desventaja de 3 puntos,
obtaremos siempre por sacar de banda e intentar una canasta de 3 puntos,
puesto que si lanzamos tiros libres, en el mejor de los casos, encestaremos
los dos, pero la pelota quedar´ a en posesi´on del equipo rival y, con mucha
probabilidad, el tiempo pasar´ a sin que podamos hacer nada.
El conocimiento de la bondad de la nueva t´ecnica es un elemento de
juicio, mas no el ´ unico: una decisi´ on debe tomarse considerando el mayor
n´ umero de variables que afecten al desarrollo de una situaci´ on concreta.
No es posible, por lo tanto, dar “recetas”, sino elementos de juicio que nos
permitan discernir al cabal cual es la estrategia mejor o, en su defecto, cual
es una buena decisi´ on
9
.
9
En muchas circunstancias tendremos un tiempo reducido de tiempo para tomar una
decisi´on o nos faltar´an elementos de juico: el an´alisis no podr´a ser exhaustivo y, en general,
consideraremos una estrategia ´optima “para esas circunstancias particulares”. Con otras
Miguel R. Wilhelmi
4.5 N´ umeros aleatorios 105
Por ´ ultimo, en el supuesto de que se tomara la decisi´ on de tirar los
lanzamientos de 1 m´as 1: ¿cu´al es la probabilidad de acertar 1, 2 o ninguno
de los lanzamientos?
P(0) =

1
6

2
≈ 0, 0278; P(1) = 2
1
6
·
5
6
≈ 0, 2778; P(2) =

5
6

2
≈ 0, 6944
Modelizaci´on
En todo lo descrito se evita introducir componentes “an´ omalos”. Por
ejemplo, que el bal´ on est´e ligeramente desinflado (se modifica el control que
se tiene del mismo); que los datos que se tienen se hayan tomado en las fases
previas (donde la presi´ on es menor y los jugadores est´an menos nerviosos);
etc. En definitiva, estamos describiendo la situaci´ on en condiciones “ideales,
mod´elicas”. Una de las actividades genuinamente matem´aticas es la mode-
lizaci´ on de la realidad, es decir, la construcci´ on de un modelo (matem´ atico)
que nos permita describir e interpretar una situaci´ on concreta, generalmen-
te para operar sobre ella. Por modelo se entiende, un esquema te´orico de
un sistema o de una realidad compleja (en nuestro caso, sobre el uso de
una nueva t´ecnica para el lanzamiento de tiros libres en el b´ asquet), que se
elabora para facilitar su comprensi´ on y el estudio de su comportamiento.
4.5. N´ umeros aleatorios
Los n´ umeros aleatorios
10
(y las funciones que los generan) son de gran
utilidad cuando se pretende realizar simulaciones que involucren procesos
probabil´ısticos y se desee introducir una cierta incertidumbre.
Hay muchos procedimientos para obtener n´ umeros al azar: con una ru-
leta, extrayendo bolas numeradas de una urna, mediante una calculadora o
un ordenador, con un dado (obtener n´ umeros naturales comprendidos entre
palabras, el dicho popular reza: Lo mejor es enemigo de lo bueno.
10
En la actualidad, se sabe que con una computadora es imposible generar una secuencia
de n´ umeros de forma totalmente aleatoria. Los paquetes inform´aticos que incorporan esta
opci´on permiten obtener n´ umeros que no son aleatorios en sentido estricto, sino n´ umeros
llamados pseudoaleatorios, debido a que est´an generados mediante un algoritmo, de tal
forma que, partiendo de un n´ umero inicial llamado semilla, se genera una lista de n´ umeros
con las caracter´ısticas matem´aticas ligadas al fen´omeno de la aleatoriedad. Sin embargo,
existe un cierto determinismo en la obtenci´on de esa lista, en el sentido de que fijar la
misma semilla implica obtener la misma lista de n´ umeros aleatorios. No obstante, para
las simulaciones de sistemas probabil´ısticos, es suficiente con disponer de un generador de
n´ umeros pseudoaleatorios.
Combinatoria y Probabilidad
106 4 Situaciones introductorias de c´alculo de probabilidades
1 y 6, ambos inclusive), etc. La tabla siguiente muestra 500 n´ umeros de una
cifra obtenidos de forma aleatoria con el software Mathematica.
1, 2, 1, 4, 5, 0, 5, 4, 5, 8, 1, 9, 9, 7, 9, 2, 7, 2, 9, 5, 8, 0, 3, 0, 1, 8, 1, 7,
4, 0, 0, 8, 8, 0, 3, 7, 0, 0, 5, 9, 4, 6, 9, 0, 6, 2, 5, 5, 1, 2, 2, 3, 9, 3, 1, 2,
6, 1, 7, 3, 7, 1, 1, 3, 4, 5, 4, 3, 7, 0, 4, 3, 3, 9, 6, 9, 5, 7, 4, 2, 4, 3, 5, 5,
8, 5, 5, 5, 2, 5, 4, 4, 8, 5, 0, 5, 1, 4, 4, 6, 2, 3, 8, 8, 0, 0, 2, 7, 7, 1, 7, 8,
9, 2, 2, 1, 3, 2, 6, 9, 1, 1, 9, 2, 9, 3, 0, 7, 7, 2, 9, 2, 4, 7, 4, 2, 1, 4, 1, 8,
5, 4, 9, 9, 2, 4, 5, 9, 8, 3, 4, 8, 1, 0, 3, 9, 5, 9, 3, 1, 2, 1, 8, 8, 4, 5, 5, 2,
6, 3, 2, 1, 7, 1, 0, 8, 4, 5, 3, 4, 0, 9, 1, 1, 5, 6, 5, 4, 8, 6, 8, 3, 7, 5, 9, 6,
0, 4, 1, 4, 4, 3, 5, 1, 5, 3, 9, 0, 9, 8, 7, 1, 7, 4, 1, 9, 4, 8, 8, 3, 6, 9, 6, 1,
1, 5, 6, 0, 7, 9, 9, 8, 5, 8, 4, 1, 6, 7, 1, 7, 9, 0, 7, 6, 1, 6, 7, 9, 8, 8, 4, 0,
2, 4, 1, 7, 5, 4, 2, 3, 0, 0, 2, 6, 4, 4, 5, 2, 6, 9, 1, 3, 6, 5, 9, 3, 7, 9, 6, 9,
8, 3, 5, 8, 4, 7, 1, 1, 3, 1, 5, 8, 5, 1, 8, 3, 0, 5, 9, 1, 0, 6, 9, 5, 7, 3, 9, 4,
5, 2, 8, 1, 5, 9, 4, 8, 8, 0, 7, 7, 7, 2, 9, 6, 0, 6, 6, 9, 0, 4, 7, 9, 5, 1, 8, 3,
1, 4, 0, 3, 2, 9, 9, 6, 5, 0, 4, 2, 1, 3, 7, 4, 2, 6, 1, 5, 9, 6, 3, 3, 1, 5, 8, 8,
8, 7, 8, 1, 8, 8, 6, 6, 9, 2, 5, 3, 7, 4, 4, 0, 0, 1, 4, 0, 8, 9, 9, 2, 1, 8, 8, 8,
1, 4, 6, 0, 5, 0, 6, 7, 1, 0, 9, 2, 1, 2, 7, 7, 0, 9, 0, 8, 0, 9, 3, 5, 2, 0, 1, 5,
7, 7, 4, 5, 7, 3, 5, 7, 2, 6, 1, 5, 1, 6, 8, 2, 1, 5, 0, 2, 9, 3, 4, 4, 8, 9, 1, 1,
3, 0, 9, 6, 4, 5, 8, 4, 5, 4, 2, 8, 3, 7, 0, 7, 4, 6, 7, 4, 3, 7, 4, 9, 5, 8, 0, 2,
4, 3, 5, 6, 5, 9, 1, 6, 5, 7, 7, 0, 5, 7, 6, 2, 3, 0, 4, 2, 0, 6, 5, 9
La pregunta que cabe formularse es la siguiente: ¿c´ omo asegurar que
dicha lista es realmente aleatoria? Con otras palabras, ¿nuestro programa
produce realmente secuencias de n´ umeros aleatorios o tiene ciertas pautas
que pueden ser descubiertas? La idea general consiste en comparar las fre-
cuencias relativas de ciertos sucesos (a partir de los n´ umeros obtenidos en
la tabla) con sus respectivas probabilidades calculadas bajo la hip´ otesis de
equiprobabilidad. Por ejemplo, bajo la hip´ otesis de equiprobabilidad, la pro-
babilidad de sacar un 1, un 2, un 3, etc. es igual a 1/10 y, por lo tanto, la
frecuencia relativa de ceros, unos, doses, treses, etc. debe ser pr´oxima a este
valor: complete la tabla 4.1.
¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas
y las probabilidades estimadas?
.
¿Es definitiva la prueba que se acaba de realizar?
.
El hecho de que la tabla anterior muestre concordancia entre la frecuencia
relativa y la probabilidad te´ orica esperada, no significa que la prueba permita
asegurar con rotundidad la aleatoriedad de los n´ umeros. Por ejemplo, la serie
0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0,
1, 2, 3, 4, 5, 6, 7, 8, 9, . . . muestra concordancia entre la frecuencia relativa
Miguel R. Wilhelmi
4.5 N´ umeros aleatorios 107
N´ umero Conteo f
a
f
r
0
1
2
3
4
5
6
7
8
9
Tabla 4.1: ¿Aleatoriedad o determinismo?
y la probabilidad te´ orica de obtener un n´ umero al azar comprendido entre
0 y 9, ambos inclusive, pero es claro que no hay aleatoriedad en dicha serie.
Por lo tanto, ser´ an necesarias otras pruebas que contribuyan a la tesis de
aleatoriedad de los n´ umeros obtenidos. Por ejemplo, si se agrupan los d´ıgitos
de la dicha tabla de dos en dos, se obtienen 250 n´ umeros de dos cifras, los
primeros de ellos ser´ıan: 12, 14, 50, 54, 58, . . . De esta forma, es posible
completar otra tabla que nos permita comparar las frecuencias relativas
de aparici´ on de diferentes n´ umeros con las probabilidades esperadas. Por
ejemplo, ¿cu´antos n´ umeros comprendidos entre 00 y 09 (ambos inclusive),
entre 10 y 19 (tambi´en ambos inclusive), entre 20 y 29, . . . , hay? Complete
la tabla siguiente, donde la columna P representa la probabilidad te´ orica.
N´ umero Conteo f
a
f
r
P
entre 00-09
entre 10-19
entre 20-29
entre 30-39
entre 40-49
entre 50-59
entre 60-69
entre 70-79
entre 80-89
entre 90-99
¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas
y las probabilidades estimadas?
.
Combinatoria y Probabilidad
108 4 Situaciones introductorias de c´alculo de probabilidades
¿Es definitiva la prueba que se acaba de realizar?
.
Se podr´ıa razonar, como en el caso anterior, que la prueba no es defini-
tiva. Por ejemplo, es susficiente considerar la serie:
.
Por lo tanto, es preciso realizar otras pruebas. A continuaci´ on, se dan
algunas. Analice las frecuencias relativas que se obtienen en cada caso y
comp´arelas con las probabilidades esperadas en el supuesto de equiprobabi-
lidad
11
.
1. En la tabla de n´ umeros aparecen “rachas” de n´ umeros, esto es, 2, 3, 4,
. . . , n´ umeros iguales seguidos. Por ejemplo, en la primera fila aparece
la racha de longitud 2: 99; en la segunda fila, las rachas 00 (2 veces),
88, 55, 22, tambi´en de longitud 2; en la cuarta fila la racha de longitud
3: 555; etc. ¿Cu´ antas rachas de longitud 2, 3, 4, . . . , aparecen? ¿Cu´ al
es la probabilidad de obtener una racha de 2, 3, 4, . . . ?
¿Hay alguna diferencia excesiva entre las frecuencias relativas obte-
nidas y las probabilidades estimadas?
.
¿Es definitiva la prueba que se acaba de realizar?
.
2. Si en la tabla de n´ umeros se resalta un n´ umero (por ejemplo, el siete)
y se observa el n´ umero que le sigue, bajo la hip´ otesis de equiproba-
bilidad, las frecuencias relativas de los n´ umeros que lo siguen deben
ser pr´ oximas a . Construya una tabla donde almacene las
frecuencias absoluta y relativa de las cifras que se encuentran detr´ as
del n´ umero resaltado.
¿Hay alguna diferencia excesiva entre las frecuencias relativas obte-
nidas y las probabilidades estimadas?
.
¿Es definitiva la prueba que se acaba de realizar?
.
3. Al principio de esta secci´ on, se ha observado que la frecuencia relativa
del suceso “obtener un n´ umero determinado comprendido entre 0 y 9
(ambos inclusive)” era pr´ oxima a 1/10. Esto puede interpretarse que,
en promedio, cada 10 d´ıgitos aparece dicho n´ umero una vez. Se toma,
11
Pruebas extra´ıdas del libro Godino et al. (1996), p.130–133.
Miguel R. Wilhelmi
4.6 El timador “honrado” 109
por ejemplo, como referencia el n´ umero 0, entonces se completa la
tabla:
Secuencia hasta el n´ umero 0 (inclusive) Longitud
1, 2, 1, 4, 5, 0 6
5, 4, 5, 8, 1, 9, 9, 7, 9, 2, 7, 2, 9, 5, 8, 0 16
3, 0 2
1, 8, 1, 7, 4, 0 6
0 1
.
.
.
.
.
.
¿Hay alguna diferencia excesiva entre las frecuencias relativas obte-
nidas y las probabilidades estimadas?
.
¿Es definitiva la prueba que se acaba de realizar?
.
4. Invente y realize una nueva prueba sobre estos n´ umeros. ¿Puede afir-
mar que son realmente aleatorios? ¿Existe alguna regla que permita
predecir el n´ umero que saldr´ a la pr´ oxima vez?
Ejercicio
Pida a un amigo que le de al azar 50 n´ umeros de una cifra (compren-
didos entre 0 y 9, ambos inclusive). Analice, en los t´erminos descritos, la
aleatoriedad de los n´ umeros as´ı obtenidos.
Suponga que propone el siguiente juego a su amigo: “Anota (y no me
lo ense˜ nes) un n´ umero del 0 al 9, ambos inclusive, en un papel. Luego yo
escribir´e 5 de ellos en otro papel. Si uno de los n´ umeros que yo he elegido
coincide con el que t´ u has escrito, me invitas a un helado; en caso contrario,
te invito yo”. ¿Cree que ser´ıa ventajoso este juego para usted? Realice con
varias personas el experimento descrito: ¿cu´antas ha ganado usted? Si hu-
biera equiprobabilidad, ¿cu´ antas aproximadamente debiera haber ganado?
4.6. El timador “honrado”
Un sujeto le propone el siguiente juego: “Aqu´ı hay tres cartas: una blanca
por ambas caras (carta BB); otra, blanca por una cara y marcada con un
sello por la otra (carta BS); la tercera, marcada con un sello por ambas
caras (carta SS). Usted saca al azar una de ellas y muestra una de las dos
Combinatoria y Probabilidad
110 4 Situaciones introductorias de c´alculo de probabilidades
caras. Entonces, el sujeto apuesta a favor de una de ellas y usted a favor de
otra. Quien acierte gana”. ¿Jugar´ıa usted al juego? ¿Es equitativo?
.
Suponga que la cara que ambos jugadores ven es blanca: ¿la carta es-
tra´ıda puede ser cualquiera de las tres? . ¿Qu´e cartas pueden
ser? . ¿Las probabilidades de que sea cualquiera de
estas cartas son iguales entre s´ı? . ¿Por qu´e?
.
Mucha gente razona de la siguiente forma: “Supongamos que la cara que
se ha salido es blanca, entonces no puede ser la tarjeta con ambas caras
marcadas con sello, es decir, ha de ser la carta BB o la BS. Por lo tanto,
puede ser cualquiera de las dos cartas con probabilidad 1/2. En conclusi´ on:
el juego es equitativo.” Sin embargo, este razonamiento es err´ oneo.
Una serie de partidas (se pueden jugar muchas de forma muy r´ apida)
sirve para aceptar o rechazar el razonamiento. Complete, con el concurso de
otra persona la tabla siguiente. Juegue para ello 100 partidas con un amigo,
almacenando el n´ umero de veces que la cara de la carta escogida es blanca o
tiene un sello y cu´ antas de ellas gana cada una de las cartas BB, BS y SS.
Sali´ o Gan´ o BB Gan´ o BS Gan´ o SS
B —
S —
¿Observa alguna “anomal´ıa” con relaci´ on al razonamiento anterior?
.
Si se sabe que la cara de la carta elegida es blanca, ¿qu´e carta escoger´ıa
con preferencia? .
¿Y si la cara de la carta est´a marcada con un sello? .
Las frecuencias relativas obtenidas nos permiten suponer que gana con
m´as frecuencia aquel jugador que escoge la carta que tiene ambas caras
iguales: si la cara que se ve es blanca, es mejor pedir la carta BB; si la cara
que se ve tiene un sello marcado, es mejor pedir la carta SS.
¿Puede dar una explicaci´ on a este hecho?
.
¿Puede representar la situaci´ on por medio de un diagrama en forma de
´arbol? . ¿Qu´e informaci´ on podr´ıa obtener de ´el?
.
Si la cara visible es blanca, ´esta puede ser la cara blanca de la tarjeta
BS o bien una de las dos caras de la tarjeta BB. De esta forma, mientras
con una carta hay una sola posibilidad de ganar, con la otra hay dos. Las
Miguel R. Wilhelmi
4.7 Fiabilidad de una prueba 111
probabilidades de sacar una de las tres cartas son iguales, pero la probabi-
lidad de haber sacado una u otra, sabiendo el color de la cara de la carta
extra´ıda, var´ıa sustancialmente. De hecho, se concluye que:
P(BB) = P(BS) = P(SS) = 1/3
P(BB|B) = P(SS|S) = 2/3
P(BS|S) = P(BS|B) = 1/3
P(BB|S) = P(SS|B) = 0
En general, un conocimiento adicional sobre una situaci´ on, puede modi-
ficar las probabilidades de los sucesos asociados a la misma: no es lo mismo
la probabilidad de sacar una de las tres cartas, que la probabilidad de sacar
una carta condicionada a que se ha extra´ıdo una y se conoce el color de una
de sus caras. En la siguiente secci´on, veremos otro ejemplo de probabilidad
condicionada.
4.7. Fiabilidad de una prueba
Uno de los graves problemas que enfrenta el norte de Per´ u son las epide-
mias de malaria
12
. Es necesario, controlar esta enfermedad y desarrollar un
plan para su prevenci´ on y control. Supongamos que, por la segunda cam-
pa˜ na de arroz en el departamento de Piura, ha habido una aumento de casos
de malaria (M), de tal forma que los epidemi´ ologos empiezan a considerar la
situaci´ on “de grave”. Unido a este problema, el verano trae consigo intoxica-
ciones alimenticias por consumo de productos mal conservados. Se sabe, por
otro lado, que una persona con paludismo presenta cuadros de fiebre alta
(F)
13
; pero este s´ıntoma se presenta tambi´en en personas con intoxicaci´ on
12
El paludismo (del lat´ın palus, -udis: pantano, laguna —tambi´en conocido como mala-
ria, del italiano malaria: mal aire—) es una enfermedad infecciosa producida por protozoos
del g´enero plasmodium que se transmiten al hombre a trav´es de las hembras del mosquito
anopheles, com´ unmente llamado zancudo o turula. Existen cuatro especies del g´enero que
infectan al ser humano: Plasmodium vivax, Plasmodium ovale, Plasmodium malariae y
Plasmodium falciparum. Esta ´ ultima especie es la especie m´as agresiva y la mayor´ıa de
los casos mortales de paludismo se debe a este protozoo. En la zona end´emica de Per´ u,
podemos encontrar las especies falciparum y vivax. El Plasmodium malariae se encuentra
especialmente en
´
Africa, mientras que el Plasmodium ovale no suele encontrarse fuera de
dicho continente.
13
La malaria se caracteriza por la aparici´on de fiebres intermitentes en accesos. Los pri-
meros s´ıntomas consisten en malestar, dolor de cabeza, cansancio, molestias abdominales
y dolores musculares, seguidos de una crisis febril con escalofr´ıos y tiritonas que duran
aproximadamente 1 hora. Tras esto, aparece fiebre, con calor, enrojecimiento facial, piel
seca y temperaturas de hasta 41
o
C, s´ıntomas que duran unas seis horas. Finalmente, las
Combinatoria y Probabilidad
112 4 Situaciones introductorias de c´alculo de probabilidades
(I) e incluso en algunos que no tengan ninguna enfermedad importante (N).
Por otro lado, un estudio estad´ıstico nos permite afirmar que:
P(F|M) = 0, 95; P(F|I) = 0, 5; P(F|N) = 0, 01
Con otras palabras, el 95 % de las personas con malaria tienen fiebre; el
50 % de las personas con intoxicaci´ on tambi´en; y, por ´ ultimo, el 1 % de las
personas sin enfermadad presenta fiebre. Adem´ as, se estima que el 2 % de
la poblaci´ on tiene malaria, el 1 % intoxicaci´ on y el resto ninguna enferme-
dad importante. El diagrama de ´ arbol muestra de forma sin´ optica toda la
informaci´ on dada, a partir de la cual se va tener que tomar una decisi´ on.
El comit´e de salud y bienestar social del departamento de Piura se ve
ante la disyuntiva de: o bien administrar medicamentos para combatir la
malaria a todo aquel que llegue a una posta con fiebre alta; o bien esperar el
resultado de la gota gruesa
14
. Para tomar una decisi´ on al respecto, se realiza
un peque˜ no estudio de probabilidades: ¿cu´ al es la probabilidad de que una
persona con fiebre alta tenga malaria? De esta forma, se quiere saber si el
indicador “fiebre alta” es, por s´ı solo, suficiente para la medicaci´ on masiva
de individuos que presentan cuadros de fiebre alta.
Antes de realizar ning´ un c´ alculo: a tenor de los datos, ¿cree usted que la
fiebre alta es un indicador eficaz para discriminar los pacientes con malaria
manifestaciones cl´ınicas son: bajada de la temperatura corporal, abatimiento y somnolen-
cia, durante unas cuatro horas. Tambi´en pueden ser frecuentes las n´auseas y los v´omitos,
aunque en ocasiones las ´ unicas alteraciones son la anemia (por destrucci´on de los gl´obulos
rojos) y el aumento de tama˜ no del bazo.
14
Prueba de laboratorio que tiene por fin determinar si un paciente tiene o no malaria. En
concreto, la enfermedad se diagnostica demostrando la presencia de formas asexuadas del
par´ asito, que se transmite con la picadura del mosquito an´ofeles, en las c´elulas sangu´ıneas
mediante la tinci´on de Giemsa.
Miguel R. Wilhelmi
4.7 Fiabilidad de una prueba 113
de aquellos que no tienen esta enfermedad?
.
La pregunta clave que se debe contestar es: ¿cu´al es la probabilidad de
que un sujeto tenga malaria si presenta un cuadro de fiebre alta? Cuando
un paciente llega a una consulta observamos los s´ıntomas que presenta, mas
no las causas que los provocaron: no es posible saber si la fiebre se debe al
par´ asito causante de la malaria, a una intoxicaci´ on o otra causa no determi-
nada. Por lo tanto, es necesario discriminar que porcentaje de las personas
con fiebre alta tienen malaria.
Por otro lado, el suceso F puede ser descrito como la uni´ on de los sucesos
(F ∩ M), (F ∩ I) y (F ∩ N), que representan una partici´ on en sucesos
mutuamente excluyentes (se supone que una persona no est´e intoxicada y
con malaria a la vez). De esta forma, la probabilidad de que una persona
tenga fiebre es:
P(F) = P((F ∩ M) ∪ (F ∩ I) ∪ (F ∩ N)) =
= P(F ∩ M) +P(F ∩ I) +P(F ∩ N) =
= 0, 95 · 0, 02 + 0, 5 · 0, 01 + 0, 01 · 0, 97 = 0, 0337
Por otro lado, la probabilidad del suceso “el paciente tiene malaria sa-
biendo que presenta un cuadro de fiebres altas” se interpreta de forma ade-
cuada como el suceso M condicionado por el suceso F; se denota: M|F.
P(M|F) =
P(M ∩ F)
P(F)
=
0, 95 · 0, 02
0, 0337
=
0, 019
0, 0345
≈ 0, 56
De esta forma, los miembros del comit´e pueden tomar al menos dos
decisiones:
1. No se administrar´ an medicamentos hasta que no se conozcan los re-
sultados del examen de gota gruesa, salvo en el caso de que se tengan
otros datos relativos al paciente. La espera est´a justificada puesto que
la probabilidad de que un persona tenga malaria sabiendo ´ unicamente
que padece de fiebre alta es aproximadamente 1/2, lo cual no justifica
una administraci´ on de medicamentos agresivos
15
.
2. Se administrar´ an medicamentos nada m´as llegar a todo paciente con
fiebre alta: la gravedad de la enfermedad exige una medida que no
15
Desde 1938, el tratamiento del paludismo se basa en la quinina, extracto de la corteza
del ´arbol de la quina, que detiene el crecimiento de los protozoos del g´enero plasmodium
dentro de los hemat´ıes. M´as adelante, se descubri´o otro f´ armaco, la cloroquina, m´ as eficaz
y de menor toxicidad.
Combinatoria y Probabilidad
114 4 Situaciones introductorias de c´alculo de probabilidades
dilate el tiempo de espera. En el supuesto de que la prueba de gota
gruesa demuestre que el paciente no tiene el par´asito, se suprime la
medicaci´on inmediatamente.
En general, la segunda medida se adopta en ´epocas de brotes masivos de
la enfermedad en zonas rurales de alto riesgo. De hecho, otros indicadores se
toman en cuenta a la hora de prescribir los medicamentos: por ejemplo, si la
persona vive en una zona rural o urbana, en un sector pr´ oximo a un arrozal
o laguna, si su domicilio est´ a dentro de un barrio donde el porcentaje de
personas enfermas es alto o bajo, si el paciente vive con un familiar al que
se le ha diagnosticado malaria, etc. Estos y otros aspectos, condicionan la
probabilidad de que el paciente tenga paludismo.
En conclusi´ on, la toma de decisiones debe estar bien fundamentada. Un
estudio de probabilidades puede sufrir serias modificaciones si se conocen
datos condicionantes de la situaci´ on que act´ uen de indicadores de compor-
tamiento.
Ejercicio
Por las estad´ısticas de natalidad, se sabe que, aproximadamente, la mitad
de los reci´en nacidos son varones y la otra mitad mujeres. En concreto, 51 de
cada 100 nacimientos corresponden a varones y 49 de cada 100 a mujeres. En
la actualidad, desde el sexto mes de embarazo, puede acertarse en la mayor
parte de los casos cu´al ser´ a el sexo del feto por medio de una ecograf´ıa.
Cuando se hace una ecograf´ıa, el 80 % de los varones son clasificados como
tales y el 90 % de las ni˜ nas como mujeres. Los errores son motivados por la
dificultad de observaci´ on del feto seg´ un su posici´ on. ¿Es fiable la prueba?
¿Qu´e probabilidad hay de que sea var´ on si se ha clasificado como mujer?
¿Qu´e probabilidad hay de que sea mujer si se ha clasificado como var´ on?
16
4.8. Extracciones de bolas de urnas
Los problemas de probabilidad tienen un car´ acter muy determinado: se
estudian fen´ omenos puramente aleatorios para determinar con qu´e frecuen-
cias se espera ocurran diversos sucesos. Con otras palabras, la probabilidad
16
Conociendo la posibilidad de no acertar con el diagn´ostico, un astuto ginec´ologo pro-
ced´ıa de la siguiente forma: interpretaba la ecograf´ıa, predec´ıa el sexo del futuro beb´e y
se lo transmit´ıa a la pareja. Sin embargo, anotaba en su registro el sexo opuesto al que la
lectura suger´ıa, de tal manera que, si se confund´ıa y la pareja se lo observaba, ´el dec´ıa:
“estoy seguro de que no me equivoqu´e, les mostrar´e mi registro. . . ”
Miguel R. Wilhelmi
4.8 Extracciones de bolas de urnas 115
pretende describir los posibles resultados de un experimento aleatorio no
realizado, mientras que la frecuencia relativa muestra la relaci´ on entre las
veces que se ha verificado un suceso y el n´ umero total de pruebas realizadas.
Este conocimiento debe ser claro. En ocasiones, se presentan problemas
que no admiten un estudio de probabilidades (y que, sin embargo, evocan
a otros que si lo admiten): la “clave” es observar si el estudio se centra en
algo que se espera suceda o en algo que ha sucedido de hecho. En el primer
caso, un estudio de probabilidad resulta adecuado; en el segundo, no. En la
presente secci´on, se va a ilustrar este problema. Se plantean las dos siguientes
situaciones:
[Problema 1] Se tiene dos urnas con las siguientes composiciones: la primera
contiene dos bolas blancas y una negra y la segunda una bola blanca
y cinco negras. Se pasa una bola de la primera a la segunda y de ´esta
se extrae una bola que es blanca. Calcular la probabilidad de que la
bola transferida de la primera a la segunda urna haya sido negra.
[Problema 2] Se tiene dos urnas con las siguientes composiciones: la primera
contiene 200 bolas blancas y la segunda 700 bolas negras. Se pasan 25
bolas de la primera a la segunda urna. Se remueven las bolas de la
segunda urna y se pasan 25 bolas de la segunda a la primera urna.
¿Hay m´as bolas blancas en la segunda urna que negras en la primera?
¿Qu´e similitudes observa en los problemas?
.
¿Qu´e diferencias observa en los problemas?
.
¿Los dos problemas “piden” un estudio de probabilidad?
.
¿Alguno de los problemas “exige” un estudio no probabil´ıstico?
.
El problema 1 puede esquematizarse mediante el uso de un diagrama de
´arbol (figura (a)). La resoluci´ on se reduce a la correcta interpretaci´ on de
este ´arbol en t´erminos de probabilidad condicional. Se denotan los sucesos
“extraer una bola negra (N) de la primera urna” y “extraer una bola blanca
(B) de la segunda urna” por N
1
y B
2
, respectivamente, entonces:
P(N
1
|B
2
) =
P(N
1
∩ B
2
)
P(B
2
)
=
1
3
·
1
7
1
3
·
1
7
+
2
3
·
2
7
=
1
21
5
21
=
1
5
No es posible razonar de manera similar con el segundo problema pro-
puesto. ¿Qu´e problemas encuentra si intenta realizar un diagrama de ´ arbol
Combinatoria y Probabilidad
116 4 Situaciones introductorias de c´alculo de probabilidades
tal y como se ha hecho en el anterior problema?
. ¿Se co-
noce el n´ umero de bolas de cada color que pasan en cada etapa de una a
otra urna? . ¿Para que ser´ıa necesario este conocimiento?
.
El problema, exige una reconsideraci´ on no s´ olo de los medios de c´ alculo,
sino tambi´en de la situaci´ on propuesta: no se trata de determinar la proba-
bilidad de que una bola sea negra o blanca en una u otra extracci´ on, sino
determinar la situaci´ on final.
Una persona razona: “como la urna segunda tiene m´ as bolas negras,
entonces es menos probable que extraigamos una de las bolas blancas que
han sido introducidas; por consiguiente, es mucho m´ as probable que en la
urna segunda haya m´ as bolas blancas que negras en la primera”. ¿Es v´ alido
esta razonamiento? ¿Por qu´e? .
Simplifiquemos un poco el problema: en lugar de pasar 25 bolas, pasa-
mos s´olo una. Dos situaciones se presentan: que al revolver la segunda urna
tomemos la bola blanca que acabamos de pasar, en cuyo caso no tendremos
bolas negras en la primera urna ni tampoco blancas en la segunda; o bien,
que pasemos una negra (lo m´ as probable, todo sea dicho de paso), en cuyo
caso habr´a una blanca en la segunda urna y una negra en la primera. En
ambos casos, hay el mismo n´ umero de bolas blancas en la segunda urna que
negras en la primera: una o ninguna, seg´ un el caso. Con dos bolas sucede
lo mismo (compru´ebelo usted mismo). . . Qu´e sucede cuando pasamos 25,
¿podremos asegurar que el n´ umero de bolas blancas en la segunda urna es
igual al n´ umero de bolas negras en la primera? En efecto, como muestra la
figura (b) anterior, hay x bolas negras en la primera urna y, como se han
pasado 25 − x bolas blancas de las 25 que se hab´ıan traspasado, quedan
25 − (25 − x) bolas blancas en la segunda urna, esto es, x bolas blancas.
Luego, el n´ umero de bolas blancas en la segunda urna es igual al n´ umero de
Miguel R. Wilhelmi
4.9 Ejercicios 117
bolas negras en la primera.
4.9. Ejercicios
1. Se tiene dos urnas con las siguientes composiciones: la primera contiene
b
1
bolas blancas y n
1
negras; la segunda, b
2
blancas y n
2
negras. Se
pasa una bola de la primera a la segunda y de ´esta se extrae una bola
que es negra. Calcular la probabilidad de que la bola transferida de la
primera a la segunda urna sea tambi´en negra.
2. Se lanza treinta (30) veces al aire una moneda. Obteni´endose 13 caras
(C) y 17 sellos (X), en la secuencia X, X, X, C, C, X, X, C, C, X,
X, X, C, X, C, X, X, C, X, X, C, C, X, C, C, X, C, C, X, X. De
esta forma, las frecuencias relativas del suceso “salir cara” despu´es del
primer, segund, trecer, . . . lanzamiento son:
0
1
;
0
2
;
0
3
;
1
4
;
2
5
;
2
6
; . . .
a) Respecto al suceso “salir cara”: ¿Cu´ al es la secuencia completa de
las frecuencias relativas? ¿Cu´al es la frecuencia relativa inicial?
¿Y despu´es de los 30 lanzamientos? ¿Cu´al es la secuencia de las
frecuencias absolutas?
b) Respecto al suceso “salir cruz”. Haga los gr´ aficos:
1) Gr´ afico de barras de las frecuencias relativas.
2) Sector circular en tantos por ciento.
Interprete dichos gr´ aficos.
c) Diferencias y relaci´on entre frecuencia y probabilidad. ¿Por
qu´e decimos que la probabilidad de salir cara es 1/2?
3. Se lanzan dos dados; si la suma de puntos obtenidos es mayor que siete
el jugador gana; si vale siete, la tirada es nula, y si es inferior a siete,
el jugador pierde. ¿C´ ual es la probabilidad de ganar? ¿Es equitativo
este juego?
4. En la p´ agina siguiente se presenta un tablero de juego. Para jugar, se
precisa de una moneda, un dado y 20 fichas. En la casilla “0” se colocan
las 20 fichas. Cuatro jugadores eligen uno de los casilleros (M, N, R y
S). Entonces se lanza una moneda al aire, si se obtiene cara, una ficha
se desplaza a la casilla C; si se obtiene sello, se desplaza a la casilla X.
Combinatoria y Probabilidad
118 4 Situaciones introductorias de c´alculo de probabilidades
Supongamos que sali´ o cara; se lanza un dado y sale 6, entonces la ficha
se mueve a la casilla 2. Se vuelve a lanzar el dado, si sale un n´ umero
par, la ficha avanza hasta la casilla N; si sale impar, hasta la casilla
R. Se procede de esta forma hasta que las 20 fichas est´an en alguno
de los casilleros de la ´ ultima columna. Gana el jugador que acaba con
m´as fichas. ¿Qu´e jugador eligir´ıa usted?
Concluya, por un razonamiento experimental y otro te´ orico que las
probabilidades de que una ficha que sale de la casilla “0” llegue a
“M”, “N”, “R” y “S” son:
P(M) =
20
72
; P(N) =
19
72
; P(R) =
25
72
; P(S) =
8
72
4.10. Autoevaluaci´ on
1. De una urna que contiene b bolas blancas y n bolas negras se van
extrayendo bolas sin reemplazo. Si hacemos k extracciones, ¿cu´al es la
probabilidad de que la k-´esima bola sea blanca? (k ≤ b) (Indicaci´ on:
Estudie los casos k= 1, 2, 3, 4 y 5, despu´es intente generalizar.)
Miguel R. Wilhelmi
4.10 Autoevaluaci´ on 119
2. En una sala de juegos, las dos m´ aquinas tragamonedas existentes per-
miten ganar con una probabilidad de 0,2 cuando funcionan correcta-
mente. Una de ellas se ha estropeado y permite ganar con probabilidad
0,6, pero no sabemos cu´ al es. Si escogemos una m´aquina al azar y juga-
mos, ¿cu´al es la probabilidad de que la m´ aquina elegida sea la averiada
en cada uno de los siguientes casos?:
a) Antes de comenzar a jugar.
b) Si se ha jugado una partida y se ha ganado.
c) Si se han jugado dos partidas y se han perdido las dos.
d) Si se han jugado dos partidas y se ha ganado la primera y perdido
la segunda.
Si usted tiene 5 monedas: ¿qu´e estrategia seguir´ıa para elegir una u
otra m´ aquina?
3. En la figura se muestra un tiro al blanco. El punto central del tiro al
blanco se llama diana. Se sabe que una persona da al tablero 9 de cada
10 veces que lanza y que, si ha dado al tablero, da a la diana propor-
cionalmente a la superficie de ´esta. Sabiendo que R = 4r. Determine
las siguientes probabilidades:
P(corona) = P(diana) =
P(diana | tablero) = P(tablero | diana) =
P(tablero | corona) = P(diana | no tablero) =
P(corona | no tablero) = P(no tablero | corona) =
P(no tablero | diana) = P(corona | tablero) =
Donde la palabra “tablero” representa el suceso “dar en el tablero”; la
palabra “diana”, “dar en la diana”; etc.
Combinatoria y Probabilidad
Cap´ıtulo 5
Teor´ıa elemental de la
probabilidad
En los cap´ıtulos anteriores se han introducido, de manera informal, mu-
chos conceptos de la teor´ıa de la probabilidad: frecuencia, azar, probabilidad,
sucesos posibles, sucesos favorables, etc. En este cap´ıtulo se formalizar´ an es-
tos y otros conceptos de la teor´ıa de la probabilidad.
5.1.
´
Algebra de Boole de sucesos
5.1.1. Espacio muestral
La teor´ıa de la probabilidad est´ a interesada en la descripci´ on y compren-
si´on de experimentos aleatorios, esto es, sujetos al azar o la “suerte”:
Definici´on 13 (Experimento aleatorio) Un experimento es aleatorio si
al repetirlo (en condiciones an´ alogas) no se puede predecir el resultado. En
caso contrario, el experimento se llama determinista.
El juego de La carrera (cap´ıtulo 1) se basa en un experimento aleartorio:
antes de lanzar los dados desconocemos el resultado; a´ un m´ as, es igualmente
probable que se obtenga el suceso (1, 5) que el suceso (4, 3)
1
. Esto no quiere
decir que la elecci´on de los n´ umeros sea irrelevante: existen n´ umeros que
salen con m´as frecuencia, con los que es m´as probable ganar, puesto que
existen m´as formas de que los dados sumen una cantidad u otra.
1
Suceso (a, b): obtener a con el primer dado y b con el segundo.
121
122 5 Teor´ıa elemental de la probabilidad
Otros ejemplos de experimentos aleatorios son: lanzar una moneda, sacar
una naipe de una baraja, observar el n´ umero de veces que hay que lanzar
una moneda para obtener cara, etc. Por otro lado, cuando se observa, por
ejemplo, la caida libre de un cuerpo desde una determinada altura y se
mide el tiempo que tarda en llegar al suelo se obtiene siempre el mismo va-
lor, aproximadamente; el experimento es determinista, puesto que es posible
predecir el resultado del mismo (antes de que ´este se realice). Otros exper-
mientos deterministas son: observar la oxidaci´ on de una manzana partida
por la mitad, medir la fuerza de repulsi´ on de los polos iguales de dos imanes,
medir la temperatura de fusi´ on del hierro, etc.
Como hemos dicho anteriormente, nos vamos a interesar en los experi-
mentos aleatorios. As´ı:
Definici´on 14 (Espacio muestral) Se llama espacio muestral de un ex-
perimento aleatorio, denotaremos E, al conjunto de todos los resultados po-
sibles de dicho experimento. Cada uno de los resultados posibles del experi-
mento es un punto muestral.
Obs´ervese que, en la definici´on de espacio muestral que se acaba de dar,
se especifica que el experimento es aleatorio. En el supuesto de que ´este sea
determinista, el espacio muestral se reduce a un ´ unico resultado; con otras
palabras, un experimento con un ´ unico punto muestral es determinista. Por
lo tanto, un espacio muestral tiene al menos dos puntos muestrales. As´ı,
para todo experimento aleatorio, es posible asociarle su espacio muestral.
En la tabla siguiente se da una lista de experimentos aleatorios: establezca
el espacio muestral para cada uno de ellos
2
.
Experimento aleatorio Espacio muestral
Lanzar dos dados y observar la suma de
los mismos
E = {2, 3, 4, . . . , 10, 11, 12}
Lanzar una moneda al aire E = {cara, sello} ≡ {C, X}
Lanzar dos monedas al aire
Observar el palo que sale al levantar
una carta de una baraja
N´ umero de caras al lanzar 4 monedas
Observe el lector que los espacios muestrales asociados a los cinco expe-
rimentos que aparecen en la tabla anterior son finitos. No siempre sucede
as´ı: el lanzamiento de un dardo sobre un blanco de tiro puede cifrarse por la
2
Por sencillez, en el lanzamiento de una moneda: denote cara, por C; y sello, por X.
Miguel R. Wilhelmi
5.1
´
Algebra de Boole de sucesos 123
distancia a la diana o punto central del blanco. Entonces, si el blanco es cir-
cular de radio r, un lanzamiento v´ alido queda determinado por una distancia
al centro, comprendida entre 0 (la diana ha sido alcanzada) y r (el dardo
ha ca´ıdo en el filo del blanco)
3
; es decir, cualquier n´ umero real en el inter-
valo [0; r]. Sin embargo, estamos especialmente interesados en experimentos
cuyos espacios muestrales sean conjuntos finitos.
5.1.2. Espacios de sucesos
En el juego La carrera, un jugador A selecciona 5 n´ umeros y su con-
trincante B otros 5, quedando uno libre. Supongamos, por ejemplo, que los
n´ umeros seleccionados por el jugador A son 2, 5, 7, 8 y 10 y que el n´ umero
3 queda libre (el resto, por lo tanto, son seleccionados por el jugador B).
De esta forma, el jugador A mover´a una ficha si al lanzar los dados obtiene
uno de los n´ umeros que ha escogido o el 3. En estas circunstancias, diremos
que el suceso “el jugador A mueve una ficha” se ha verificado. En otras
palabras, el suceso “el jugador A mueve una ficha” est´ a constituido por los
puntos muestrales: 2, 3, 5, 7, 8 y 10. En general, se define:
Definici´on 15 (Suceso) Se llama suceso (de un experimento aleatorio) a
cada uno de los subconjuntos de un espacio muestral.
De esta forma, cuando se afirma que un suceso determinado se ha veri-
ficado se est´a se˜ nalando que el resultado del experimento pertenece a dicho
conjunto. Por ejemplo, que el suceso “el jugador A mueve una ficha” se ha-
ya verificado significa que en el lanzamiento de los dados dicho jugador ha
obtenido 2, 3, 5, 7, 8 o 10.
Por otro lado, el suceso “el jugador A mover´ a la ficha que desee” s´olo se
cumple si al lanzar los dados obtiene 3, es decir, el suceso se verifica solamen-
te si se obtiene un punto muestral; en tal caso, el suceso se llama elemental
o simple. En general, se llama suceso elemental o simple de un experimento
aleatorio a cualquier subconjunto unitario de un espacio muestral. En caso
contrario, el suceso se llama compuesto.
Existen unos sucesos muy particulares: el suceso seguro y el suceso impo-
sible. Por ejemplo, los sucesos “obtener un n´ umero menor que 13” o “obtener
un n´ umero mayor que 1” se verifican siempre y por ello se llaman seguros.
Todos tienen una caracter´ıstica com´ un: son iguales al espacio muestral E.
3
Impl´ıcitamente, se admite que todo lanzamiento v´alido es aqu´el que alcanza el blanco;
en caso contrario, el supuesto lanzador debiera repetir su intento.
Combinatoria y Probabilidad
124 5 Teor´ıa elemental de la probabilidad
Por suceso imposible se designa a uno que no puede verificarse bajo ningu-
na condici´ on: “obtener m´ as de 12” o “un n´ umero negativo”, por ejemplo.
En general, en un espacio finito, el suceso imposible es identificado con el
conjunto vac´ıo (∅): no hay ning´ un punto muestral que haga que se verifique.
Definici´on 16 (Espacio de sucesos) Se llama espacio de sucesos de un
experimento aleatorio, se denota U, al conjunto formado por todos los suce-
sos
4
.
Por otro lado, es posible determinar el cardinal de U si se conoce el de
E; en efecto:
Proposici´on 10 Si E tiene n elementos, entonces U tiene 2
n
, esto es:
Si Card(E) = n ⇒Card(U) = 2
n
Demostraci´on. Ejercicio 3, §2.9.
Hasta ahora hemos descrito los experimentos por un conjunto de sucesos
“aislados”. Sin embargo, en muchas ocasiones es necesario describir relacio-
nes entre diferentes sucesos. Por ejemplo, si el jugador A obtiene cualquiera
de los n´ umeros que ha elegido o el n´ umero 3, entonces mover´a una de sus
fichas; de esta forma, el suceso “el jugador A mueve una ficha” se verifica
siempre que se verifique cualquiera de los sucesos “salir 2, 5, 7, 8 o 10” o
“salir 3”. En general, se define:
Definici´on 17 (Inclusi´on de un suceso) El suceso A incluye al suceso
B, se donota A ⊇ B, si siempre que se verifica B se verifica tambi´en A.
De esta forma, si se denota por A al suceso “el jugador A mueve una
ficha” y por B “salir 3”, se tiene que A ⊇ B, mas no es cierto el rec´ıproco.
De hecho, se define:
Definici´on 18 (Sucesos iguales) Los sucesos A y B son iguales, se es-
cribe A = B, si siempre que se verifica uno de ellos se verifica tambi´en el
otro. Esto es:
A = B ⇔A ⊇ B ∧ B ⊇ A
4
Una notaci´ on m´as precisa ser´ıa P(E), puesto U representa “las partes de E”. En
general, dado un conjunto A, P(A) representa el conjunto de subconjuntos de A, esto es,
“las partes de A”. Por lo tanto, como cada suceso representa un subconjunto de E, el
conjunto de todos los sucesos representa a P(E). Sin embargo, se denota por U al espacio
de sucesos para no llevar a confusi´on: m´as adelante, denotaremos a la probabilidad del
suceso total E por P(E).
Miguel R. Wilhelmi
5.1
´
Algebra de Boole de sucesos 125
5.1.3. Operaciones con sucesos
Como se ha definido en la anterior secci´ on, un suceso es un subconjunto
del espacio de muestral E. Entonces es posible hablar de la uni´ on, intersec-
ci´on, diferencia de sucesos; el significado de estas operaciones se sigue del de
la Teor´ıa de Conjuntos. A continuaci´ on, se dan dichas definiciones referidas
a los sucesos.
Definici´on 19 (Uni´ on de sucesos) Dados dos sucesos A y B de un es-
pacio de sucesos U, se llama uni´ on de los sucesos A y B, se denota A∪ B,
al suceso que se verifica cuando se verifica al menos uno de los sucesos A o
B.
Por ejemplo, en el experimento de lanzar un dado al aire y observar el
resultado, si el suceso A es “salir impar” y b es “salir mayor que 3”, entonces
A∪B es el suceso “salir impar o salir mayor que 3”. En t´erminos conjuntistas,
se tiene: como A = {1, 3, 5} y B = {4, 5, 6}, entonces A∪ B = {1, 3, 4, 5, 6}.
Definici´on 20 (Intersecci´on de sucesos) Dados dos sucesos A y B de
un espacio de sucesos U, se llama intersecci´ on de los sucesos A y B, se
denota A∩B, al suceso que se verifica cuando se verifican simult´ aneamente
los sucesos A y B.
As´ı, por ejemplo, en el experimento anterior, la intersecci´ on de los sucesos
A y B es igual a: A ∩ B = {5}. En ciertas circustancias A ∩ B = ∅, esto
es, los dos sucesos no pueden verificarse simult´aneamente: por ejemplo, salir
cara o sello en el lanzamiento de una moneda; obtener un n´ umero mayor
que 4 o menor que 2 en el lanzamiento de un dado. Este tipo de sucesos se
llaman incompatibles
5
.
Definici´on 21 (Sucesos incompatibles) Dos sucesos son incompatibles
cuando no pueden verificarse simult´ aneamente, esto es, dados dos sucesos
A y B de un espacio de sucesos U, se tiene:
A y B son incompatibles ⇔A∩ B = ∅
Los ejemplos dados de sucesos incompatibles tienen una diferencia esen-
cial: mientras que en el lanzamiento de una moneda necesariamente o bien
sale cara o bien sale sello, en el lanzamiento de un dado el suceso “mayor
5
Los sucesos incompatibles en ocasiones son llamados mutuamente excluyentes o dis-
juntos.
Combinatoria y Probabilidad
126 5 Teor´ıa elemental de la probabilidad
que 4” se verifica si se obtiene 5 o 6 y el suceso “menor que 2” ´ unicamente si
se obtiene 1, de esta forma, si al lanzar el dado la cara superior es 2, 3 o 4,
ninguno de los dos sucesos se verifica. Los sucesos “salir cara” y “salir sello”
se llaman contrarios o complementarios; sin embargo, los sucesos “mayor
que 4” y “menor que 2” del experimento con el dado no lo son. En general:
Definici´on 22 (Sucesos complementarios) Dos sucesos se llaman com-
plementarios (o contrarios) si simpre que no se verifica uno de ellos se ve-
rifica el otro, esto es, dados dos sucesos A y B de un espacio de sucesos U,
se tiene:
A y B son complementarios ⇐⇒ A∩ B = ∅ ∧ A∪ B = E
Se denota por A
c
al suceso complementario del suceso A.
De esta forma, dos sucesos complementarios son incompatibles, pero,
en general, no es cierto el rec´ıproco; con otras palabras: complementarie-
dad implica incompatibilidad, pero la implicaci´ on inversa no es cierta. Un
contraejemplo se ha dado anteriormente; otro es el siguiente: para el experi-
mento “lanzar dos monedas al aire y esperar que sale”, los sucesos “obtener
dos caras” y “obtener dos cruces” son incompatibles, mas no complementa-
rios, puesto que en dicho experimento se puede verificar, adem´ as de los dos
citados, el suceso “salir una cara y una cruz”.
Por otro lado, en ocasiones, interesar´ a determinar cu´ ando un suceso se
verifica, supuesto que otro no se ha verificado. En concreto:
Definici´on 23 (Diferencia de sucesos) Dados dos sucesos A y B de un
espacio de sucesos U, se llama diferencia de los sucesos A y B, se denota
A\ B, al suceso que se verifica cuando se verifica A, pero no B; esto es:
A\ B = A∩ B
c
Por ejemplo, Si A es el suceso “salir un n´ umero menor que 4” y B es “salir
un n´ umero mayor que 1 y menor que 6”, entonces se tiene que: A = {1, 2, 3}
y B = {2, 3, 4, 5} y, por lo tanto, A \ B = {1} y B \ A = {4, 5}. ¿Es la
operaci´ on diferencia conmutativa? .
Para terminar esta secci´on, las operaciones con sucesos pueden ser re-
presentandas por los cl´ asicos diagramas conjuntistas de Venn-Euler
6
. En la
figura siguiente, aparecen representadas la uni´ on e intersecci´on de sucesos,
¿puede obtener representaciones de sucesos incompatibles, contrarios y de
la operaci´ on diferencia?
6
John Venn (1834–1927). Leonhard Euler (1707–1783).
Miguel R. Wilhelmi
5.1
´
Algebra de Boole de sucesos 127
Como veremos v´as adelante, los diagramas de Venn-Euler resultan muy
´ utiles para demostrar ciertas propiedades de las operaciones con sucesos
(§5.1.4) y para determinar la probabilidad de un suceso conocida la de otro,
dentro del mismo espacio de sucesos (§5.2.2).
5.1.4. Propiedades de las operaciones con sucesos
Las operaciones sobre conjuntos que se han introducido cumplen ciertas
propiedades que es conveniente resaltar. Por ejemplo, las operaciones uni´ on
e intersecci´on de dos sucesos son conmutativas, esto es:
A∪ B = B ∪ A A∩ B = B ∩ A
Demostrar estas propiedades es autom´atico. Por ejemplo, para la inter-
secci´on, decir que se deben verificar los sucesos A y B simult´ aneamente es
id´entico a decir que se deben verificar los sucesos B y A a la vez. Otra forma
de razonar la veracidad de estas propiedades por medio de los diagramas de
Venn-Euler: “es preciso sombrear la misma porci´ on de ´ area”.
A continuaci´ on se detalla una lista con las operaciones fundamentales y
las propiedades que ´estas cumplen. Sean A, B y C tres sucesos de un espacio
de suceso U, complete la siguiente tabla:
Propiedad Uni´ on Intersecci´on
Conmutativa A∪ B = B ∪ A A∩ B = B ∩ A
Asociativa A∪ (B ∪ C) = (A∪ B) ∪ C A∩ (B ∩ C) =
Elemento neutro A∪ ∅ = A A∩ E =
Distributiva A∪ (B ∩ C) = (A∪ B) ∩ (A∪ C) A∩ (B ∪ C) =
Complementaci´on A∪ A
c
= A∩ A
c
= ∅
Las propiedades distributivas que se han se˜ nalado en las columnas
“uni´ on” e “intersecci´on” deben enunciarse, de forma m´ as precisa, como “la
propiedad distributiva de la uni´ on respecto a la intersecci´ on” y como “la
Combinatoria y Probabilidad
128 5 Teor´ıa elemental de la probabilidad
propiedad distributiva de la intersecci´ on respecto a la uni´ on”, respectiva-
mente. Por verificarse estas propiedades, se dice que U, espacio de sucesos,
es un ´ algebra de Boole (1815–1864).
Otras propiedades son:
Propiedad Uni´ on Intersecci´on
Idempotencia A∪ A = A A∩ A = A
Simplificaci´ on A∪ (A∩ B) = A A∩ (A∪ B) = A
De Morgan (A∪ B)
c
= A
c
∩ B
c
(A∩ B)
c
= A
c
∪ B
c
Observe que se cumple un principio de dualidad: para cualquier pro-
posici´ on v´ alida para la uni´ on se tiene otra v´ alida para la intersecci´ on. En
concreto, toda proposici´ on con los s´ımbolos ∪, ∩, ∅ y E tiene su dual: es su-
ficiente escribir otra proposici´ on cambiando el s´ımbolo ∪ por ∩; el s´ımbolo
∩, por ∪; el conjunto vac´ıo ∅, por el total E; el total E, por el vac´ıo ∅.
Ejercicio
Observe la dualidad entre las propiedades de las operaciones que han sido
enunciadas y establezca, para las que se dan a continuaci´ on, la proposici´ on
dual, observando su veracidad.
Propiedad Propiedad dual
A∪ E = E
E
c
= ∅
A∪ B
c
= (A∩ B) ∪ B
c
5.2. Noci´ on de probabilidad
En esta secci´on se formaliza la noci´ on central de probabilidad, seg´ un las
definiciones dadas por Pi`erre Simon de Laplace (1749–1827), Richard Von
Mises (1883–1953) y Andrei Nikolaievich Kolmog´ orov (1903–1987).
5.2.1. Frecuencias absoluta y relativa de un suceso
Como se ha podido comprobar en los cap´ıtulos precedentes, la noci´ on de
probabilidad est´ a ´ıntimamente relacionada con las frecuencias relativas. Se
define:
Miguel R. Wilhelmi
5.2 Noci´on de probabilidad 129
Definici´on 24 (Frecuencia) Sea A un suceso cualquiera de un experimen-
to aleatorio. Si se realizan n pruebas y el suceso A se verifica n
A
veces, se
llama frecuencia absoluta del suceso A, se denota f
a
(A), al n´ umero n
A
. Se
llama frecuenca relativa del suceso A, se denota f
r
(A), al cociente entre la
frecuencia absoluta y el n´ umero total de pruebas realizadas. Esto es:
f
a
(A) = n
A
f
r
(A) =
n
A
n
Por ejemplo, si se ha lanzado al aire un dado 100 veces y ha salido “par”
53 veces, se tiene que:
f
a
(“par”) = 53 f
r
(“par”) =
53
100
Por otro lado, las frecuencias relativas de un suceso aleatorio cumplen la
siguiente:
Proposici´on 11 Sea A un suceso cualquiera de un espacio de sucesos U,
entonces se cumplen las siguientes propiedades:
1. La frecuencia relativa de A es un n´ umero comprendido entre 0 y 1:
0 ≤ f
r
(A) ≤ 1.
2. Si A = E, entonces la frecuencia relativa es 1: f
r
(E) = 1.
3. Si A = ∅, entonces la frecuencia relativa es 0: f
r
(∅) = 0.
4. Si B es incompatible con A, entonces la frecuencia relativa del suceso
uni´ on es la suma de las respectivas frecuencias relativas:
Si A∩ B = ∅ ⇒f
r
(A∪ B) = f
r
(A) +f
r
(B)
Demostraci´on. Si n
A
es la frecuencia absoluta del suceso A cuando se
han realizado n pruebas, es claro que debe verificarse: 0 ≤ n
A
≤ n; luego,
dividiendo por n:
0 ≤ n
A
≤ n ⇒0 ≤
n
A
n
≤ 1 ⇒0 ≤ f
r
(A) ≤ 1
De esta forma, queda demostrada la primera propiedad. Las dos propiedades
siguientes son claras (¿por qu´e?). Por ´ ultimo, para la propiedad 4, si en n
pruebas el suceso A se verifica n
A
veces y el suceso B, n
B
veces, entonces,
por ser A y B incompatibles (no pueden verificarse simult´ aneamente), el
suceso A∪ B se producir´ a n
A
+n
B
veces. Por lo tanto:
f
r
(A∪ B) =
n
A
+n
B
n
=
n
A
n
+
n
B
n
= f
r
(A) +f
r
(B)
Combinatoria y Probabilidad
130 5 Teor´ıa elemental de la probabilidad
5.2.2. Definici´ on de probabilidad
En muchos de los problemas de los anteriores cap´ıtulos, se han calculado
probabilidades, observando el n´ umero de casos en los que se verifica un
suceso determinado en un experimento aleatorio (respecto al n´ umero de
casos posibles). No es circunstancial este uso primero que se ha hecho: la
probabilidad tuvo su origen en la resoluci´ on de problemas relativos a juegos
de azar. En estos juegos, los resultados posibles (que se cuentan haciendo
uso de la Combinatoria) pueden clasificarse en un n´ umero finito de casos que
se suponen perfectamente sim´etricos, como, por ejemplo, las dos caras de
una moneda, las seis caras de un dado o las cuarenta cartas de una baraja.
As´ı, en 1812, P. S. Laplace, en su obra Teor´ıa anal´ıtica de las probabilidades,
dio la definici´ on que hoy se conoce como cl´asica:
Definici´on 25 (Probabilidad cl´asica) Sea E un espacio muestral finito,
la probabilidad de un suceso A de U (espacio de sucesos asociado a E) es
igual a la proporci´ on entre el n´ umero de casos favorables a A y el n´ umero de
casos posibles (Card(E)), siempre que todos los resultados sean igualmente
probables (equiprobables):
P(A) =
casos favorables a A
casos posibles (equiprobables)
Apesar de que la definici´ on cl´ asica seg´ un Laplace es c´ıclica (el t´ermino de-
finido —probabilidad— es utilizado en la definici´ on) y restrictiva (se aplica
a casos en los que el espacio muestral es finito y los casos posibles equi-
probables), es una definici´ on muy ´ util, que resuelve un conjunto grande de
problemas, am´en de resultar muy intuitiva.
Los problemas aparecen cuando no es posible afirmar que los casos son
equiprobables o cuando la variable a estudiar es continua (como es el caso de
la distancia del dardo al centro del blanco de tiro). Laplace, advirtiendo el
problema de la equiprobabilidad consider´ o el principio de raz´ on insuficiente,
que considera los casos de un experimento aleatorio equiprobables si no
existe una raz´on “de peso” para suponer lo contrario.
M´ as adelante, la asignaci´ on de una probabilidad a un suceso de un ex-
perimento aleatorio por la regla de Laplace se justific´ o por el principio de
indiferencia: los casos posibles son considerados como equiprobables cuando
hay un balance de evidencia a favor de cada una de las alternativas. Dicha
evidencia, puede conseguirse por la repetici´ on de un experimento en las mis-
mas condiciones y observando la simetr´ıa de las frecuencias relativas de los
casos.
Miguel R. Wilhelmi
5.2 Noci´on de probabilidad 131
El m´etodo emp´ırico condujo a la formulaci´ on de la ley del azar y a la
definici´ on de la probabilidad en t´erminos de la frecuencia relativa. Los ex-
perimentos aleatorios son totalmente imprevisibles de manera aislada, pero
presentan regularidades si se repiten un n´ umero “elevado” de veces. Esta
es la ley de regularidad de las frecuencias relativas o ley del azar para un
experimento aleatorio: las frecuencas relativas de los sucesos tienden a esta-
bilizarse, cuando el n´ umero de pruebas crece. De esta forma, R. von Mises,
en su obra Probabilidad, estad´ıstica y verdad, publicada en 1928, defini´ o la
probabilidad con base en las frecuencias relativas de los sucesos.
Definici´on 26 (Probabilidad frecuencial) Se llama probabilidad de un
suceso A, se denota P(A), al n´ umero alrededor del cual se estabilizan las
frecuencias relativas de A.
7
La ley del azar es muchas veces mal comprendida. La falacia del jugador
consiste en aceptar la siguiente m´axima: “si en muchas repeticiones se ha
verificado un determinado suceso, en la siguiente repetici´ on ocurrir´ a otro”.
Esta m´axima no es correcta: por ejemplo, si lanzamos tres veces una moneda
y sale siempre cara, no podemos determinar si saldr´ a cara o sello en el pr´oxi-
mo lanzamiento; ´ unicamente podemos esperar que si lanzamos la moneda
“muchas” veces, “m´as o menos” la mitad sean cara y la otra mitad sello.
Igual sucede con el lanzamiento de un dado o la extracci´ on de una carta de
una baraja o con cualquier otro experimento aleatorio.
Por lo tanto, si se admite como hip´ otesis la ley del azar, a los n´ umeros
alrededor de los cuales se estabilizan las frecuencias relativas de los sucesos
se les llama probabilidades de ´estos. En definitiva, la probabilidad es una
manera de asignar un n´ umero a un suceso de manera no arbitraria, esto es,
la probabilidad es una funci´ on. L´ ogicamente, esta funci´ on debe tener propie-
dades parecidas a las de la frecuencia relativa y, de esta forma, no entrar en
7
La definici´on te´ orica de probabilidad frecuencial puede ser enunciada en t´erminos de
l´ımites secuenciales: Se llama probabilidad del suceso A, se denota P(A), al l´ımite de las
frecuencias relativas cuando el n´ umero de pruebas tiende a infinito:
P(A) = l´ım
n→∞
n
A
n
Sin embargo, esta definici´on tiene, a nuestro entender, un problema radical: la frecuencia
designa el n´ umero de veces que ha ocurrido un experimento, ¿c´omo realizarlo un n´ umero
infinito de veces? A lo sumo, para un experimento aleatorio determinado, se pueden realizar
un n´ umero finito de pruebas y, por lo tanto, en la pr´actica (que es como se obtienen las
frecuencias) la definici´on secuencial queda invalidada. Es posible, sin embargo, hacer una
reformulaci´on del problema con base en el llamado Teorema de los grandes n´ umeros (ver
anexo G), pero siempre quedan problemas de reproductibilidad de un experimento en
condiciones fijas.
Combinatoria y Probabilidad
132 5 Teor´ıa elemental de la probabilidad
contradicci´ on con la definici´ on de probabilidad avanzada por R. von Mises.
Esta idea llev´ o en 1933 a A. N. Kolmog´ orov, en su obra Fundamentos de
la teor´ıa de la probabilidad, a definir el concepto de probabilidad de manera
axiom´atica de la manera siguiente:
Definici´on 27 (Probabilidad axiom´atica) Si U es el espacio de sucesos
asociado a un experimento aleatorio, se llama probabilidad a toda funci´ on
que asocia a cada suceso A, del espacio de sucesos U, un n´ umero real que
se denomina probabilidad de A y que se representa por P(A), esto es:
P : U −→R
A →P(A)
Adem´as, la funci´ on P cumple las siguientes propiedades:
1. P(A) ≥ 0, ∀A ∈ U.
2. P(E) = 1.
3. Si A∩ B = ∅, entonces P(A∪ B) = P(A) +P(B).
Definici´on 28 (Espacio probabil´ıstico) Se llama espacio probabil´ıstico
o de probabilidades asociado a un experimento aleatorio a la terna (E, U, P),
donde E es el espacio muestral, U es el espacio de sucesos y P una funci´ on
de probabilidad definida sobre el mismo.
A un mismo expermiento aleatorio se le pueden asociar distintos espa-
cios probabil´ısticos, sin m´as que modificar la funci´ on de probabilidad. Por
ejemplo, se recibe una moneda defectuosa o trucada, con la cual se obtienen
m´as caras que sellos, pero se desconoce en qu´e proporci´ on. Para determinar
las probabilidades P(C) (“salir cara”) y P(X) (“salir sello”), se procede a
lanzar la moneda un n´ umero finito de veces y asignar, de esta manera, de
forma experimental, una probabilidad a ambos sucesos. Tres personas llegan
a la siguiente conclusi´on:
P
1
: U −→R P
2
: U −→R P
3
: U −→R
∅ →P(∅) = 0 ∅ →P(∅) = 0 ∅ →P(∅) = 0
{C} →P({C}) = 3/4 {C} →P({C}) = 1/2 {C} →P({C}) = 2/3
{X} →P({X}) = 1/4 {X} →P({X}) = 1/2 {X} →P({X}) = 3/5
E →P(E) = 1 E →P(E) = 1 E →P(E) = 1
Una funci´ on P es de probabilidad si cumple con las tres propiedades dadas
en la definici´ on axiom´ atica (definici´ on 27).
Miguel R. Wilhelmi
5.2 Noci´on de probabilidad 133
¿Es P
1
funci´ on de probabilidad? .
¿Es P
2
funci´ on de probabilidad? .
¿Es P
3
funci´ on de probabilidad? .
Como se puede observar, la funci´ on P
3
no es de probabilidad, puesto que
no cumple la propiedad tercera: los sucesos “salir cara” y “salir cruz” son
incompatibles y contrarios, por lo tanto, necesariamente, la suma de proba-
bilidades de dichos sucesos, P(C) +P(X), debe ser igual a 1. Por otro lado,
la funci´ on P
2
si es de probabilidad, mas la asignaci´ on de probabilidad no se
ajusta a los datos del problema: la moneda es defectuosa, obteni´endose con
m´as frecuencia cara, que sello. Por ´ ultimo, la funci´ on P
1
es de probabilidad
y se ajusta a la situaci´ on.
Por otro lado, es posible demostrar algunas propiedades que verifica toda
funci´ on de probabilidad, que se deducen de los axiomas (def.27) y que han
sido utilizadas de manera informal en el cap´ıtulo 4.
Proposici´on 12 La probabilidad del suceso uni´ on de un n´ umero finito de
sucesos incompatibles entre s´ı dos a dos es igual a la suma de las probabili-
dades de dichos sucesos.
La proposici´ on que se acaba de enunciar supone la generalizaci´ on del ter-
cer axioma de una funci´ on de probabilidad, esto es, dados n sucesos A
1
,. . . ,
A
n
, tal que A
i
∩ A
j
= ∅, para todo i = j, entonces:
P(A
1
∪ . . . ∪ A
n
) = P(A
1
) +. . . +P(A
n
)
Antes de demostrar la proposici´ on general enunciada, se demostrar´ a un
caso particalar: n = 3. En concreto:
Lema 5 Dados tres sucesos A, B y C incompatibles entre s´ı dos a dos,
entonces la probabilidad del suceso uni´ on es igual a la suma de las probabi-
lidades de dichos sucesos. Esto es:
Si A∩ B = A∩ C = B ∩ C = ∅ ⇒P(A∪ B ∪ C) = P(A) +P(B) +P(C)
Demostraci´on. Por la propiedad asociativa de la uni´ on de sucesos se
tiene que A ∪ B ∪ C = A ∪ (B ∪ C). Adem´as, los sucesos A y B ∪ C son
incompatibles. En efecto:
A∩ (B ∪ C) = (A∩ B) ∪ (A∩ C) = ∅ ∪ ∅ = ∅
De esta forma, es f´acil concluir la tesis, en virtud del axioma tercero de la
funci´ on de probabilidad:
P(A∪ B ∪ C) = P(A∪ (B ∪ C)) = P(A) +P(B ∪ C) = P(A) +P(B) +P(C)
Combinatoria y Probabilidad
134 5 Teor´ıa elemental de la probabilidad
Demostraci´on de la proposici´on 12. La demostraci´ on del lema 5 da
una pauta para la generalizaci´ on: utilizar la propiedad asociativa de la uni´ on
de sucesos para aplicar sucesivamente la propiedad tercera de la definci´ on
axiom´atica de probabilidad. Esto es, para demostrar la propiedad, es su-
ficiente aplicar dicho axioma (n − 1) veces. Queda al lector escribir dicha
demostraci´ on
8
.
Proposici´on 13 La probabilidad del suceso complementario de A es igual
a 1 menos la probabilidad del suceso A, esto es:
P(A
c
) = 1 −P(A)
Demostraci´on. Por la propiedad segunda de la definici´ on axiom´ atica,
se tiene: P(E) = 1, adem´ as, como A y A
c
son complementarios se verifica
que A∩ A
c
= ∅ y A∪ A
c
= E, luego:
1 = P(E) = P(A∪ A
c
) = P(A) +P(A
c
) ⇒P(A
c
) = 1 −P(A)
Como una consecuencia clara de la anterior proposici´ on se tiene el si-
guiente:
Corolario 2 La probabilidad del suceso imposible es cero, esto es: P(∅) = 0
Demostraci´on. La propiedad anterior: P(∅) = 1 −P(∅
c
) = 1 −P(E) =
1 −1 = 0.
Proposici´on 14 Sean A y B dos sucesos cualesquiera (no necesariamente
incompatibles), entonces se cumple:
P(A\ B) = P(A) −P(A∩ B)
Demostraci´on. Es claro observar que todo suceso A puede ser des-
compuesto como uni´on de dos sucesos incompatibles en la forma: A =
(A\ B) ∪ (A∩ B) (¿por qu´e? Ver figura 5.1(a)). Entonces, nuevamente por
la propiedad tercera de la definici´ on axiom´ atica:
P(A) = P(A\ B) +P(A∩ B) ⇒P(A\ B) = P(A) −P(A∩ B)
8
La demostraci´on formal de esta proposici´on se da en el anexo C.
Miguel R. Wilhelmi
5.2 Noci´on de probabilidad 135
Figura 5.1:
Proposici´on 15 Sean A y B dos sucesos cualesquiera (no necesariamente
incompatibles), entonces se cumple:
P(A∪ B) = P(A) +P(B) −P(A∩ B)
Demostraci´on. La demostraci´ on es similar a la anterior y queda como
ejercicio. (Indicaci´ on: A∪ B = (A\ B) ∪ B, figura 5.1(b).)
Por otro lado, la demostraci´ on anterior puede ser generalizada a n sucesos
cualesquiera (ver anexo C). As´ı por ejemplo, para el caso de tres sucesos, se
tiene:
P(A∪B∪C) = P(A) +P(B) +P(C) −P(A∩B) −P(A∩C) −P(B∩C) +P(A∩B∩C)
En efecto:
P(A∪ B ∪ C) = P(A∪ (B ∪ C)) =
= P(A) + P(B ∪ C) −P(A∩ (B ∪ C)) =
= P(A) + P(B) + P(C) −P(B ∩ C) −P((A∩ B) ∪ (A∩ C)) =
= P(A) + P(B) + P(C) −P(B ∩ C) −[P(A∩ B) + P(A∩ C) −P(A∩ B ∩ A∩ C)] =
= P(A) + P(B) + P(C) −P(A∩ B) −P(A∩ C) −P(B ∩ C) + P(A∩ B ∩ C)
Proposici´on 16 Si A ⊆ B, entonces P(A) ≤ P(B).
Demostraci´on. Como A est´a incluido en B, es posible descomponer ´este
´ ultimo suceso como uni´on de dos suceso incomptatibles: B = (B \ A) ∪ A
(¿por qu´e?, figura 5.1(c)), luego, por la propiedad tercera de la definici´ on
axiom´atica, se tiene:
P(B) = P(B\A)+P(A) ⇒P(B)−P(A) = P(B\A) ≥ 0 ⇒P(B) ≥ P(A)
Una consecuencia inmediata es:
Combinatoria y Probabilidad
136 5 Teor´ıa elemental de la probabilidad
Corolario 3 Si A es un suceso cualquiera: P(A) ≤ 1.
Demostraci´on. Es suficiente observar que, para todo suceso A, A ⊆ E
y aplicar la proposici´ on precedente.
Una aplicaci´ on muy interesante de todas las propiedades que se acaban
de enunciar y demostrar es la resoluci´ on de problemas, donde se conoce la
probabilidad de ciertos sucesos de un espacio muestral y se desea determinar
la de otros de ese mismo espacio. Por ejemplo, se sabe que P(A) = a,
P(B) = b y P(A ∩ B) = c, entonces es posible determinar la probabilidad
de: P((A ∩ B)
c
) = 1 − P(A ∩ B) = 1 − c. Compruebe que las siguientes
igualdades:
1. P(A
c
∪ B
c
) = 1 −c.
2. P(A∪ B) = a +b −c.
3. P(A
c
∩ B
c
) = 1 −a −b +c.
4. P(A
c
∩ B) = b −c.
5. P(A
c
∪ B) = 1 −a +c.
Ejercicios
1. Si P es una funci´ on de probabilidad de E = {a, b, c}. Halle P({a}) en
los siguientes casos:
a) P({a}) = P({b}) = P({c}).
b) P({b}) = P({c}) = 2 · P({a}).
c) P({a}) = P({b}), P({c}) = 1/2.
d) P({a}) = 2 · P({b}) = 3 · P({c}).
2. Tres sucesos cumplen: P(A) = P(B) = P(C) = 1/3, P(A ∩ B) =
P(B ∩ C) = P(C ∩ A) = 1/9, P(A ∩ B ∩ C) = 1/27. Calcule las
siguientes probabilidades:
a) P(A∪ B ∪ C).
b) P(A∪ B).
c) No se cumpla ninguno de los sucesos A, B, C.
d) Se cumpla C, pero no se cumpla ni A, ni B.
Miguel R. Wilhelmi
5.2 Noci´on de probabilidad 137
3. Sean A y B dos sucesos tales que P(A) = 3/8, P(B) = 1/2 y P(A ∩
B) = 1/4. Se pide:
a) P(A∪ B).
b) P(A
c
).
c) P(A
c
∪ B
c
).
d) P(A
c
∩ B
c
).
e) P(A∩ B
c
).
f ) P(A
c
∩ B).
5.2.3. Construcci´ on de una funci´ on de probabilidad
¿C´omo asignar probabilidades a los distintos sucesos de manera que re-
sulte una funci´ on de probabilidad? Sea E = {a
1
, . . . , a
n
} un espacio muestral
finito correspondiente a un experimento aleatorio y A
i
= {a
i
} los sucesos
elementales del mismo. Sea ahora un suceso compuesto A por los puntos k
primeros puntos muestrales a
1
, . . . , a
k
, entonces:
A = {a
1
, . . . , a
k
} = {a
1
} ∪ . . . ∪ {a
k
} = A
1
∪ . . . ∪ A
k
Adem´as, como los sucesos simples son incompatibles dos a dos, se concluye
que:
Proposici´on 17 La probabilidd de un suceso es igual a la suma de las
probabilidades de los sucesos elementales que lo forman, esto es, si A =
{a
1
, . . . , a
k
}:
P(A) = P(A
1
) +. . . +P(A
k
)
Obs´ervese que la elecci´on de los primeros puntos muestrales no es res-
tricci´ on alguna: en el supuesto de que el suceso A estuviera conformado por
k sucesos simples “desordenados”, ser´ıa suficiente “ordenarlos” o, de otra
forma, “renombrarlos”. Lo esencial es que el suceso A est´a conformado por
un conjunto finito de sucesos elementales y que ´estos son incompatibles dos
a dos.
Por otro lado, ¿qu´e condici´ on deber´ an cumplir las probabilidades asig-
nadas a los sucesos elementales? Sabemos que A
1
∪ . . . ∪ A
n
= E, entonces:
1 = P(E) = P(A
1
) +. . . +P(A
n
)
Dos situaciones son ahora posibles: los sucesos elementales sean o no
sean equiprobables. En el primer caso, es sencillo asignar probabilidades: si
Combinatoria y Probabilidad
138 5 Teor´ıa elemental de la probabilidad
hay n sucesos elementales A
1
, . . . , A
n
y denotamos por a a la probabilidad
de cualquiera de ellos (P(A
i
) = a, ∀i ∈ N, 1 ≤ i ≤ n), entonces se tiene:
P(A
1
) +. . . +P(A
n
) = a · n = 1 ⇒a =
1
n
Esto es, a cada suceso elemental se le asigna la probabilidad 1/n. De esta for-
ma, si entre los n resultados posibles equiprobables hay k de ellos favorables
la realizaci´ on del suceso A (A = A
1
∪ . . . ∪ A
k
), se concluye que:
P(A) = P(A
1
∪ . . . ∪ A
k
) = P(A
1
) +. . . +P(A
n
) =
1
n
+
k veces
. . . +
1
n
=
k
n
En conclusi´ on, se recupera la definici´ on cl´ asica de probabilidad: la probabi-
lidad del suceso A es igual al cociente entre los casos favorables al suceso A
y el n´ umero de casos posibles.
El segundo caso, en el cual los sucesos elementales no son equiprobables
(o no se tiene certeza de que lo sean), se asigna a ´estos la probabilidad que
nos da la ley del azar: se realiza el experimento un n´ umero finito de veces y se
observa en torno a qu´e valores se estabilizan las frecuencias relativas. Por lo
tanto, se “recupera” la definici´ on frecuencial de probabilidad que introdujo
Richard Von Mises.
5.3. Probabilidad condicionada
La situaci´ on del “timador honrado” (§4.6) permite concluir que un co-
nocimiento adicional sobre una situaci´ on puede modificar las probabilidades
de los sucesos asociados a la misma: no es lo mismo la probabilidad de sacar
una de las tres cartas, que la probabilidad de sacar una carta condicionada
a que se ha extra´ıdo una y se conoce el color de una de sus caras.
El problema propuesto no es anecd´ otico: en general, un conocimiento adi-
cional condiciona las probabilidades de un suceso. Supongamos, por ejemplo,
la siguiente situaci´ on: se dispone de una urna con seis bolas marcadas con
el n´ umero 1 y otras seis con el n´ umero 2. No todas tienen el mismo color.
De las primeras: tres son negras y tres blancas; de las segundas: cinco ne-
gras y una blanca. Se extrae entonces una bola de la urna y los jugadores
deben apostar a favor de que ´esta tenga el n´ umero 1 o 2. Los sucesos son
equiprobables (probabilidad 1/2), puesto que hay el mismo n´ umero de bolas
marcadas con el 1 que con el 2.
Un jugador, antes de realizar su apuesta, haciendo trampas, consigue ver
que la bola es blanca: ¿por qu´e n´ umero apostar´ a el jugador si quiere ganar?
Miguel R. Wilhelmi
5.3 Probabilidad condicionada 139
El jugador apostar´ a por el n´ umero 1: la probabilidad de ganar es 3/4, ya
que .
El an´ alisis del ejemplo, prescindiendo de la an´ecdota de la trampa, per-
mite distinguir entre:
Una probabilidad inicial : la probabilidad de sacar una bola marcada
con el n´ umero 1 es igual a la de obtener una marcada con el 2 (sucesos
equiprobables).
Una informaci´ on: la bola extra´ıda es de color blanca.
Una probabilidad modificada: sabiendo que la bola es de color blanco,
la probabilidad de que est´e marcada con el n´ umero 1 es 3/4 y de que
est´e marcada con el n´ umero 2 es 1/4.
En el juego de La carrera (cap´ıtulo 1): la probabilidad de haber obtenido
un 3 en alguno de los dados es diferente a la probabilidad de que haya
sucedido esto si se conoce el resultado final obtenido. En efecto, si denotamos
por P(3) a la probabilidad de obtener un tres (en al menos un dado) al lanzar
los dados, se tiene:
P(3) = P(“obtener 3 con el dado 1”o y no con el 2”o”)+
+P(“obtener 3 con el dado 2”o y no con el 1”o”)+
+P(“obtener 3 con ambos dados”) =
= 2 · P(“obtener 3 con un dado”) +P(“obtener 3 con ambos”) =
= 2 ·
1
6
·
5
6
+
1
6
·
1
6
=
11
36
Sin embargo, la probabilidad de haber obtenido un 3 sabiendo el resulta-
do del lanzamiento de los dados, depende de ´este. Si el resultado es 2, 3, 10,
11 o 12 entonces la probabilidad de haber obtenido un tres es nula, puesto
que en ninguno de los casos posibles en los que se obtiene respectivamente
2, 3, 10, 11 o 12 puede aparecer un tres. Sin embargo:
P(“obtener 3 sabiendo que la suma de los dados es 5”) = 2/4 = 1/2
P(“obtener 3 sabiendo que la suma de los dados es 6”) = 1/5
P(“obtener 3 sabiendo que la suma de los dados es 7”) = 2/6 = 1/3
P(“obtener 3 sabiendo que la suma de los dados es 8”) = 2/5
P(“obtener 3 sabiendo que la suma de los dados es 9”) = 2/4 = 1/2
Las probabilidades anteriores se obtienen teniendo en cuenta el n´ umero
de casos posibles en los que los dados suman 5, 6, 7, 8 o 9 y viendo en
cu´antos de ellos aparece un tres.
Combinatoria y Probabilidad
140 5 Teor´ıa elemental de la probabilidad
La expresi´ on “sabiendo que” alerta de la existencia de una probabilidad
condicionada. La pregunta ¿cu´ al es la probabilidad de que se verifique el
suceso A sabiendo que se ha cumplido el suceso B? es equivalente a ¿cu´al es
la probabilidad del suceso A condicionada por el suceso B? Se define:
Definici´on 29 (Probabilidad condicionada) Sea (E, U, P) un espacio
de probabilidades y A un suceso cualquiera con probabilidad no nula: P(A) =
0; se llama probabilidad del suceso B condicionada por el suceso A, y se es-
cribe P(B|A), al cociente:
P(B|A) =
P(A∩ B)
P(A)
De esta forma, en el ejemplo de la urna, si se denota por “1” al suceso
“sacar una bola marcada con el n´ umero 1”, por “2” al suceso “sacar una
bola marcada con el n´ umero 2”, por “N” al suceso “sacar una bola negra”
y por “B” al suceso “sacar una bola blanca”, se tiene:
P(1|B) =
P(1 ∩ B)
P(B)
=
3/12
4/12
=
3
4
Por ´ ultimo, en el ejemplo de los dados, si se considera el caso particular
en el que se tenga que calcular la probabilidad de que se obtenga un 3 (suceso
A) en alguno de los dados condicionada a que la suma de ´estos es 7 (suceso
B), se procede de la siguiente forma:
A = {(3, 1); (3, 2); . . . ; (1, 3); (2, 3); (4, 3); . . .}
B = {(1, 6); (2, 5); (3, 4); (4, 3); (5, 2); (6, 1)}

⇒A∩ B = {(3, 4); (4, 3)}
Por lo tanto:
P(A|B) =
P(A∩ B)
P(B)
=
2/36
6/36
=
2
6
=
1
3
5.3.1. Funci´ on probabilidad condicionada
La probabilidad condicionada as´ı definida es funci´ on de probabilidad;
con otras palabras, verifica los tres axiomas que debe cumplir toda funci´ on
de probabilidad (definici´ on 27, p.132).
Proposici´on 18 Sea (E, U, P) un espacio de probabilidades y A un suceso
con probabilidad no nula (P(A) = 0), entonces (E, U, P( |A)) es tambi´en
un espacio probabil´ıstico.
Miguel R. Wilhelmi
5.3 Probabilidad condicionada 141
Demostraci´on. Para probar la proposici´ on es suficiente demostrar que
P( |A) es funci´ on de probabilidad, esto es, la funci´ on:
P( |A) : U −→R
B →P(B|A)
es de probabilidad. En efecto:
1. P(B|A) =
P(B∩A)
P(A)
≥ 0, puesto que P(B ∩ A) ≥ 0 y P(A) > 0, por
hip´ otesis.
2. P(E|A) =
P(E∩A)
P(A)
=
P(A)
P(A)
= 1.
3. Si B y C son dos sucesos incompatibles (B ∩ C = ∅) entonces:
P(B ∪ C|A) =
P((B∪C)∩A)
P(A)
=
P((B∩A)∪(C∩A))
P(A)
=
=
P(B∩A)
P(A)
+
P(C∩A)
P(A)
= P(B|A) +P(C|A)
Por ´ ultimo, de la definci´ on de probabilidad condicionada se deduce que, si
P(A) = 0, P(A∩B) = P(A)· P(B|A). Este resultado puede ser generalizado
a un n´ umero finito de sucesos de un mismo experimento aleatorio; as´ı, por
ejemplo, para tres sucesos se tiene:
P(A∩ B ∩ C) = P(A) · P(B|A) · P(C|A∩ B)
La demostraci´on es clara, si tenemos en cuenta la propiedad asociacitiva de
la intersecci´on para los sucesos y la definci´ on de probabilidad condicionada
que acaba de darse. En el anexo C se muestra la generalizaci´on para cualquier
n.
5.3.2. Sucesos dependientes e independientes
Brevemente, dos sucesos son independientes si el conocimiento sobre si
uno de ellos se ha o no verificado no condiciona la esperanza de que suceda
el otro. M´ as concretamente:
Definici´on 30 Sea A un suceso en un espacio de sucesos U, si P(A) = 0,
un suceso B es independiente del suceso A si P(B|A) = P(B). En caso
contrario, si P(B|A) = P(B), el suceso B depende del suceso A.
¿Son las nociones de compatibilidad y dependencia equivalentes? No; sea,
por ejemplo, el experimento “lanzamiento de un dado y observar qu´e valor
se obtiene”, entonces:
Combinatoria y Probabilidad
142 5 Teor´ıa elemental de la probabilidad
1. Sucesos dependientes y compatibles: si A es el suceso “sacar m´as de 2”
y B el suceso“sacar menos de 5”, entonces A depende de B, puesto
que P(A) = P(A|B). En efecto:
P(A) = 4/6 = 2/3; P(A|B) =
P(A∩ B)
P(B)
=
2/6
4/6
= 1/2
Adem´as, A y B son compatibles: A∩ B = {3, 4}.
2. Sucesos independientes y compatibles: si A es el suceso “sacar impar”
y B el suceso “sacar menos de 3”, entonces A es independiente de B,
puesto que P(A) = P(A|B). En efecto:
P(A) = 3/6 = 1/2; P(A|B) =
P(A∩ B)
P(B)
=
1/6
2/6
= 1/2
Adem´as, A y B son tambi´en compatibles: A∩ B = {1}.
3. Sucesos dependientes e incompatibles: si A es el suceso “sacar menos
de 3” y B el suceso “sacar m´as de 4”, entonces A depende de B, puesto
que P(A) = P(A|B). En efecto:
P(A) = 2/6 = 1/3; P(A|B) =
P(A∩ B)
P(B)
=
0
2/6
= 0
Adem´as, A y B son ahora incompatibles: A∩ B = ∅.
4. ¿Puede ser A independiente e incompatible de B? ¿Por qu´e?
En conclusi´ on, los conceptos de incompatibilidad e independencia no son
equivalentes, puedi´endose afirmar ´ unicamente que si un suceso B, con proba-
bilidad no nula (P(B) = 0), es independiente de otro A, entonces por fuerza
deben ser compatibles, puesto que, en caso contrario: P(B) = P(B|A) =
P(B∩A)
P(A)
=
0
P(A)
= 0, llegando a contradicci´ on.
Para terminar esta secci´on, estableceremos unas importantes consecuen-
cias de la definici´ on de independecia de un suceso respecto a otro.
Proposici´on 19 Sea (E, U, P) un espacio de probabilidades y A y B dos
sucesos de U con probabilidad no nula, entonces se cumplen las siguientes
propiedades:
1. B es independiente de A ⇐⇒ P(A∩ B) = P(A) · P(B).
2. B es independiente de A ⇐⇒ A es independiente de B (por lo tanto,
diremos, simplemente, que “A y B son independientes”).
Miguel R. Wilhelmi
5.3 Probabilidad condicionada 143
3. Si A y B son independientes, entonces A
c
y B tambi´en son indepen-
dientes.
4. Si A y B son independientes, entonces A
c
y B
c
tambi´en son indepen-
dientes.
Demostraci´on. Las dos primeras propiedades son inmediatas, se dedu-
cen de forma r´ apida observando la siguiente cadena de equivalencias:
A indep. de B ⇐⇒P(A|B) = P(A) ⇐⇒
⇐⇒P(A∩ B) = P(A) · P(B) ⇐⇒
⇐⇒P(B|A) = P(B) ⇐⇒B indep. de A
Por ´ ultimo, para probar la veracidad de las dos ´ ultimas propiedades, es
suficiente tener en cuenta la propiedad primera que acaba de ser demostrada:
P(A∩ B) = P(A) · P(B)
En efecto:
P(A
c
∩ B)=P(B) −P(A∩ B) = P(B) −P(A) · P(B)
=P(B)[1 −P(A)] = P(B) · P(A
c
)
La ´ ultima propiedad se realiza de manera similar.
5.3.3. Teorema de Bayes
El teorema que se va introducir es debido a Thomas Bayes (1702–1761).
Permite calcular la probabilidad condicionada de un suceso en funci´ on de
las probabilidades de sucesos m´as simples y, por lo tanto, es una herramien-
ta muy ´ util para el c´ alculo de probabilidades, puesto que no siempre es tan
f´ acil determinar la probabilidad de un suceso condicionada por otro median-
te la definici´ on. Antes que todo, establecer quienes son esos sucesos “m´as
simples”.
Definici´on 31 (Partici´on) Sea E un espacio muestral. Los sucesos A
1
,
. . . , A
n
forman una partici´ on de E si verifican las dos condiciones siguien-
tes:
1. Son incompatibles dos a dos: A
i
∩ A
j
= ∅, ∀i = j.
2. La uni´ on de todos ellos es E: A
1
∪. . . ∪A
n
= E, o bien, de forma m´ as
compacta:
n
¸
k=1
A
k
= E
Combinatoria y Probabilidad
144 5 Teor´ıa elemental de la probabilidad
De esta forma, se tiene:
Teorema 1 (Probabilidad total) Si los sucesos A
1
, . . . , A
n
forman una
partici´ on y P(A
k
) = 0, para todo k, entonces para todo suceso B (con pro-
babilidad no nula) se verifica:
P(B) = P(B|A
1
) · P(A
1
) +. . . +P(B|A
n
) · P(A
n
) =
n
¸
k=1
P(B|A
k
) · P(A
k
)
Demostraci´on. Para la demostraci´ on nos apoyaremos en la representa-
ci´on gr´ afica que se puede ver en la figura. A partir de ella y por las defini-
ciones de partici´ on y de probabilidad condicionada se demuestra el teorema.
En efecto:
P(B)=P(B ∩ E) = P[B ∩ (A
1
∪ . . . ∪ A
n
)] =
=P[(B ∩ A
1
) ∪ . . . ∪ (B ∩ A
n
)] =
=P(B ∩ A
1
) +. . . +P(B ∩ A
n
) =
=P(B|A
1
) · P(A
1
) +. . . +P(B|A
n
) · P(A
n
)
Ejemplo 1 Supongamos que la probabilidad de que un hombre fume es 0,6 y
la de que una mujer sea fumadora, 0,3. En una f´ abrica, el 75 % son varones
y el 25 % mujeres. Si se toma una persona al azar, ¿cu´ al es la probabilidad
de que ´esta fume?
La probabilidad de que fume la persona elegida es igual a la probabilidad
de que fume y sea mujer m´ as la de que fume y sea var´ on: de esta forma, si se
denota por V al suceso “var´ on”, por M al suceso “mujer”, por F al suceso
“fumador” y, por ´ ultimo, por N al suceso “no fumador”, se tiene:
P(F) = P(V ∩ F) +P(M ∩ F)
Para calcular ´estas probabilidades nos apoyaremos en un par de representa-
ciones: diagramas de Venn-Euler y en forma de ´ arbol.
Miguel R. Wilhelmi
5.4 Ejercicios 145
Entonces es claro que:
P(F)=P(M ∩ F) +P(V ∩ F) =
=P(M) · P(F|M) +P(V ) · P(F|V ) =
=0, 25 · 0, 3 + 0, 75 · 0, 6 = 0, 525
Teorema 2 (Bayes) Si los sucesos A
1
, . . . , A
n
forman una partici´ on y
P(A
k
) = 0, para todo k, entonces, para todo suceso B (con probabilidad no
nula), se verifica:
P(A
k
|B) =
P(B|A
k
) · P(A
k
)
P(B|A
1
) · P(A
1
) +. . . +P(B|A
n
) · P(A
n
)
Demostraci´on. Ejercicio: es inmediato, a partir de la definici´ on de pro-
babilidad condicionada y el teorema de la probabilidad total.
Ejemplo 2 En el caso del ejemplo 1: si la persona que se ha tomado al azar
resulta ser fumadora, ¿cu´ al es la probabilidad de que sea var´ on?
Esto es, ¿cu´al es la probabilidad del suceso “var´ on” (V ) condicionada
al suceso “fumador” (F)?; con otras palabras, ¿cu´ anto vale P(V |F)? Por el
teorema de Bayes se tiene:
P(V |F) =
P(F|V ) · P(V )
P(F|V ) · P(V ) +P(F|M) · P(M)
=
0, 6 · 0, 75
0, 6 · 0, 75 + 0, 3 · 0, 25
≈ 0, 87
5.4. Ejercicios
1. Revise los problemas del cap´ıtulo 4 teniendo en cuenta las definiciones
y teoremas introducidos en ´este. En particular, precise las afirmaciones
intuitivas (informales) que se hayan hecho en dicho cap´ıtulo.
Combinatoria y Probabilidad
146 5 Teor´ıa elemental de la probabilidad
2. En una caja existen monedas normales y defectuosas (m´ as de tres de
cada tipo). Se extraen una por una, ordenadamente, tres monedas de
la caja. Determine:
a) El espacio muestral E.
b) El suceso: “Primera moneda defectuosa”.
c) El suceso: “Todas las monedas defectuosas menos una”.
¿El problema se modifica si se extrae una moneda y se devuelve a la
caja antes de la siguiente extracci´ on? Razone su respuesta.
3. Se lanzan dos monedas y a continuaci´ on un dado tantas veces como
caras hayan salido. Determine el espacio muestral.
4. En una bolsa hay 6 bolas blancas y 8 azules. Se extraen simult´ anea-
mente 4 bolas. Calcule la probabilidad de obtener:
a) Las cuatro blancas.
b) Las cuatro azules.
c) No sean las cuatro blancas.
d) Al menos una sea blanca.
5. Resuelva el problema anterior suponiendo que se extrae una bola, se
anota el color y se devuelve a la bolsa antes de tomar la siguiente.
6. En una poblaci´ on, el 60 % tiene el pelo negro y el resto son rubios.
Entre los morenos, el 90 % tienen los ojos casta˜ nos y el 10 % azules.
Entre los rubios, el 80 % tienen los ojos azules y el 20 % verdes. Se
elige una persona al azar, calcule las siguientes probabilidades:
a) De que tenga el pelo negro.
b) Tenga los ojos casta˜ nos.
c) Tenga los ojos azules.
d) Tenga los ojos verdes o casta˜ nos.
7. La probabilidad de que un hombre y una mujer de 18 a˜ nos vivan 50
m´as es 0,6 y 0,7 respectivamente. Suponga que un hombre y una mujer
de 18 a˜ nos se casan. Calcule:
a) La probabilidad de que celebren sus bodas de oro (50 a˜ nos de
matrimonio.)
Miguel R. Wilhelmi
5.4 Ejercicios 147
b) Probabilidad de que transcurridos 50 a˜ nos viva s´ olo el hombre.
c) Probabilidad de que transcurridos 50 a˜ nos viva al menos uno de
los dos.
d) Probabilidad de que transcurridos 50 a˜ nos no viva ninguno de los
dos.
8. Un dado est´ a trucado de modo que la probabilidad de obtener las
distintas caras es proporcional a los n´ umeros de ´estas. Calcular la
probabilidad de:
a) Cada una de las caras.
b) Sacar un n´ umero par.
c) Sacar un m´ ultiplo de 3.
9. Tenemos dos bolsas. La bolsa A contiene 3 bolas blancas y 5 negras.
La bolsa B contiene 8 blancas y 7 negras. Se elige una bolsa al azar y
se extrae una bola. ¿Cu´ al es la probabilidad de haberla sacado de B
si ha salido blanca?
10. Se lanza una moneda defectuosa de forma que las probabilidades de
salir cara y cruz son, respectivamente, 1/3 y 2/3. Si sale cara se elige
al azar un n´ umero comprendido entre 1 y 7; si sale cruz se elige un
n´ umero entre 1 y 5.
a) Hallar la probabilidad de elegir un n´ umero impar.
b) Si se ha elegido un n´ umero impar, calcular la probabilidad de que
al lanzar la moneda haya salido cara.
11. En una determinada ´epoca, en un hospital el 50 % de enfermos ha
ingresado por bronquitis, 30 % con neumon´ıa y 20 % con gripe. La
probabilidad de curaci´ on completa de cada una de estas enfermedades
es, respectivamente, 0,8; 0,9; 0,95. Un enfermo internado en el hospital
ha sido dado de alta completamente sano. Hallar la probabilidad de
que el enfermo dado de alta ingresara con bronquitis.
12. Una enfermendad puede ser producida por tres virus A, B y C. En un
laboratorio se tienen tres tubos con virus A, dos con virus B y cinco
con virus C. La probabilidad de que el virus A produzca la enfermedad
es 1/3, que la produzca el virus B es 2/3 y que la produzca el virus
C es 1/7. Se inocula un virus a un animal y contrae la enfermedad.
¿Cu´ al es la probabilidad de que el virus que se inocul´ o fuera el C?
Combinatoria y Probabilidad
148 5 Teor´ıa elemental de la probabilidad
13. Si P(A
c
) = 1/2, P(A∩ B
c
) = 13/32 y P(A∪ B) = 17/32. Calcule:
a) P(B).
b) P(A|B).
c) P(B|A
c
).
d) P(A
c
∪ B
c
).
14. Si P(A) = 1/2, P(B) = 1/3, P(A ∩ B) = 1/6. Calcule P(A
c
∪ B) y
P(A∪ B). ¿Son A y B incompatibles? ¿Son A y B independientes?
15. En una determinada poblaci´ on, el 40 % estudia franc´es, el 30 % ingl´es
y el 25 % quechua. El 14 % estudia franc´es e ingl´es, el 11 % franc´es y
quechua, el 13 % ingl´es y quechua. Y el 5 % las tres lenguas. Se elige
una persona al azar, calcule las probabilidades siguientes:
a) Estudie al menos una lengua.
b) Estudie ´ unicamente franc´es.
c) Estudie ingl´es o quechua, pero no franc´es.
16. A una cierta convenci´ on asisten 200 cient´ıficos; 55 de ellos hablan
franc´es; 60 espa˜ nol; 80 japon´es y 120 ingl´es; 40 franc´es y espa˜ nol; 50
japon´es e ingl´es; 10 japon´es y franc´es; 20 espa˜ nol y japon´es; 5 franc´es,
espa˜ nol y japon´es y uno los cuatro idiomas.
El cient´ıfico que conoce los 4 idiomas escoge uno de ellos al azar para
dirigirse a un colega (tambi´en elegido al azar), ¿cu´al es la probabilidad
de que pueda entenderse con este colega en el idioma escogido?
17. Un rat´ on huye de un gato. El rat´ on puede entrar tres callejones A, B
y C. En cada uno de ellos puede el gato alcanzarlo o no. Calcule la
probabilidad de que:
a) El gato cace al rat´ on.
b) Si ha sido cazado, lo haya sido en el callej´ on B.
Sabiendo que: P(entre por A)=0,3, P(entre por B)=0,5, P(entre
por C)=0,2; P(cazado en A)=0,4, P(cazado en B)=0,6, P(cazado en
C)=0,1. Donde:
Dice Se interpreta
entre por A el rat´ on entre por el callej´ on A
cazado en A el gato lo cace si entra por el callej´on A
Miguel R. Wilhelmi
5.4 Ejercicios 149
An´ alogamente, para los callejones B y C.
18. Un trasnochador dispone de un llavero con tres llaves totalmente in-
distinguibles en la oscuridad, de las cuales s´ olo una abre la puerta
de su casa. Para dar con la llave en cuesti´ on suele seguir uno de los
siguientes m´etodos:
[M´etodo 1] Prueba las llaves una tras otra teniendo cuidado de no
volver a usar la misma llave.
[M´etodo 2] Prueba una llave y si no sirve, agita el llavero y prueba
otra vez, con lo cual corre el peligro de volverla a usar de nuevo.
Se sabe adem´as que el tal trasnochador usa el m´etodo 2 cuando vuelve
a casa despu´es de haber bebido con exceso (lo cual ocurre uno de cada
tres d´ıas) y el m´etodo 1 cuando regresa sobrio. Si se sabe que en los
dos primeros intentos de abrir ha fracasado, ¿cu´ al es la probabilidad
de que el trasnochador est´e sobrio?
19. Un hombre quiere abrir su puerta y tiene n llaves de las cuales s´olo
una abre la puerta deseada. Como no recuerda cu´ al es la llave correcta,
prueba las llaves al azar, descartando una llave, si no abre la puerta,
esto es, no vuelve a probar con ella. ¿Qu´e es m´as probable, que acierte
a abrir la puerta en el primer o en el segundo intento?
20. Colocamos en una bolsa 10 bolas numeradas en la forma siguiente: −1,
−2, −3, −4, −5, +1, +2, +3, +4, +5. Tomamos al azar una de las
bolas y anotamos el n´ umero obtenido. Sin devolver la bola a la bolsa
tomamos otro n´ umero al azar. ¿Cu´ al es la probabilidad de que el signo
del producto de los dos n´ umeros que hemos obtenido sea positivo?
21. En un pueblo hay n + 1 habitantes, una persona le comenta algo a
una segunda y ´esta a una tercera, y as´ı sucesivamente. En cada paso,
se escoge aleatoriamente el receptor del rumor de entre las n personas
disponibles. Calcule la probabilidad de que el rumor pase r veces, en
los siguiente casos:
a) Sin regresar al que lo origin´ o.
b) Sin repet´ırselo a ninguna persona.
c) En el supuesto de que el rumor pase de una persona a un grupo
de N personas elegidas aleatoriamente, resolver el problema en
los mismos dos supuestos anteriores.
Combinatoria y Probabilidad
150 5 Teor´ıa elemental de la probabilidad
22. En una fiesta, cada individuo tiene una copa con su nombre. Una
persona s´olo sabe que dej´ o su copa sobre una mesa, donde ahora se
encuentra con n copas, que tiene que ir mirando una por una, para ver
si es la suya. Calcule la probabilidad de que llegue a mirar k copas, sa-
biendo que con una probabilidad p la copa se la ha llevado previamente
otra persona por error.
23. Existe una prueba para el diagn´ ositico del c´ancer que acierta en el
90 % de las ocasiones (es decir, cuando un individuo tiene c´ ancer, se le
diagnostica c´ ancer con probabilidad 0,9 y, cuando no tiene, da como
resultado que no tiene la maligna enfermedad con la misma probabili-
dad). Se sabe adem´ as que de cada 1000 habitantes, uno tiene c´ ancer.
¿Cu´ al es la probabilidad de que a un individio que se le ha diagnosti-
cado c´ancer, tenga realmente la enfermedad? ¿Qu´e opini´ on le merece
la prueba como dato aislado para un posible tratamiento?
24. * Una secretaria tiene que enviar n cartas a n destinatarios distintos.
Escribe todas las cartas primero y luego procede a meterlas en los
sobres correspondientes, procediendo al azar, esto es, sin mirar si el
destinatario coincide con la persona a quien va dirigida la carta. ¿Cu´ al
es la probabilidad de al menos una coincidencia? Demuestre que la
probabilidad, con n →∞, tiende a 1−
1
e
≈ 0, 6321. M´ as a´ un, para n ≥
7, si se aproxima la probabilidad con 4 cifras decimales, se comprueba
que dicha probabilidad es igual a 0,6321.
5.5. Autoevaluaci´ on
1. Definici´ on de probabilidad: relaci´ on entre las definiciones cl´ asica
(seg´ un P. Laplace), frecuencial (seg´ un R. Von Mises) y axiom´ atica
(seg´ un A. Kolmog´ orov).
2. Demuestre que si A y B son dos sucesos independientes de un ex-
perimento aleatorio, tambi´en lo son cada uno de ellos y el contrario
del otro. Esto es: si A y B independientes, entonces A
c
y B tambi´en;
an´ alogamente, si A y B independientes, entonces B
c
y A tambi´en.
3. En una urna hay 30 bolas negras, 20 blancas y 10 rojas. Se pide:
a) ¿D´e cu´antas formas se pueden extraer 3 bolas?
Miguel R. Wilhelmi
5.5 Autoevaluaci´ on 151
b) Se extraen 3 bolas sin reemplazo: ¿cu´ al es el suceso m´as probable?,
¿con qu´e probabilidad?
c) Se extraen r bolas con reemplazo: ¿cu´al es el suceso m´as proba-
ble?, ¿con qu´e probabilidad?
4. En un bimestre, el 25 % de los estudiantes de una clase suspendieron
matem´aticas, el 15 % f´ısica y el 10 % ambos. Se selecciona un estudiante
al azar:
a) Si suspendi´ o f´ısica, ¿cu´al es la probabilidad de que haya suspen-
dido tambi´en matem´aticas?
b) Si suspendi´ o matem´aticas, ¿cu´al es la probabilidad de que haya
suspendido tambi´en f´ısica?
c) ¿Cu´ al es la probabilidad de que haya suspendido alguna de las
dos asignaturas?
5. En una planta, con tres m´ aquinas A, B y C se fabrica el mismo pro-
ducto. La m´ aquina A produce el 55 % del total de art´ıculos, mientras
que el 25 % y 20 % son producidos por la m´ aquina B y C, respec-
tivamente. Adem´ as, se conoce la media de art´ıculos defectuosos que
produce cada una de las m´ aquinas: el 2 %, 1, 5 % y 3 %. El supervisor
general, descubre dos art´ıculos defectuosos listos para salir a la venta.
Se pregunta:
a) ¿Qu´e probabilidad hay de que un art´ıculo defectuoso haya sido
producido por cada una de las tres m´ aquinas?
b) ¿Qu´e probabilidad hay de que los dos art´ıculos defectuosos hayan
sido producidos por cada una de las tres m´ aquinas?
c) ¿Cu´ al es el suceso m´as probable: que los art´ıculos defectuosos
hayan sido producidos por la m´ aquina A; B; C; uno por la A,
otro por la B; . . . ?
Combinatoria y Probabilidad
Cap´ıtulo 6
Toma de decisiones
En diferentes secciones (§1.7, §4.4.6, §4.7, etc.), se ha observado la utili-
dad de la teor´ıa de la probabilidad para tener criterios de decisi´ on en diferen-
tes situaciones: la probabilidad permite prever los posibles comportamientos
y las frecuencias con que se espera que estos sucedan.
En el presente cap´ıtulo, se van a estudiar con detenimiento algunos pro-
blemas que exigen tomar una decisi´ on y, sobre los cuales, un estudio de
probabilidad puede darnos valiosa informaci´ on.
6.1. La pregunta Marilyn
Marilyn vos Savant public´ o en 1991 la siguiente prueba de inteligencia
en su columna “Pregunta Marilyn” del Parade Magazine:
Supongamos que est´ a usted en un programa de TV y le dan a
elegir entre tres puertas. Detr´ as de una de ellas hay un carro;
detr´ as de las otras dos, fantasmas. Usted escoge una puerta,
digamos la A, y el conductor del programa, que sabe lo que
hay detr´ as de cada puerta, abre una de las que usted no ha
elegido, digamos la C, que tiene un fantasma. Entonces le
pregunta a usted, ¿quiere elegir la puerta B? ¿Es ventajoso
para usted cambiar su elecci´ on?
En t´erminos de probabilidad, la pregunta debe ser formulada de la si-
guiente forma: si el concursante cambia de puerta, ¿tiene m´ as probabilidades
de ganar? ¿Qu´e cree usted? .
¿Por qu´e? .
¿C´omo podr´ıa justificar su hip´ otesis? .
153
154 6 Toma de decisiones
Dos m´etodos, en esencia distintos, pueden ser utilizados para demostrar
una hip´ otesis: una, la observaci´ on directa de la situaci´ on (si es posible) o,
en general, mediante la simulaci´ on de la misma o la observaci´ on indirecta;
otra, el an´ alisis te´orico. El primer m´etodo se basa en la inducci´ on emp´ırica
o experimetal: si un experimento aleatorio se reproduce “muchas” veces en
las mismas condiciones y se obtienen resultados que siguen un determinado
patr´ on, se concluye que “siempre” ser´a de ese modo; con otras palabras, en
virtud de la ley del azar, las frecuencias relativas de los sucesos tienden a
estabilizarse en torno a las probilidades te´oricas que puede asign´ arseles. El
segundo m´etodo, consiste en el estudio sistem´atico de casos y la asignaci´on
de una probabilidad a cada uno de los sucesos, en virtud de los enunciados
te´oricos que se hayan demostrado.
6.1.1. Simulaci´ on
No resulta c´omodo reproducir la situaci´ on tal y como es presentada.
Se impone, pues una simulaci´ on. ¿C´omo la har´ıa, por ejemplo, con tres
vasos opacos y un objeto?
.
La persona que representa el papel de concursante no debe saber en
qu´e vaso est´a el objeto; escoge al azar cualquiera de los vasos. La otra per-
sona, que hace el papel de conductor y que ha colocado el objeto, levanta
uno de los vasos que no ha sido escogido por el concursante y que no es-
conde nada: el concursante decide cambiar o no de vaso. As´ı se juegan, por
ejemplo, 100 partidas, almacenando los resultados en la siguiente tabla:
Cambi´ o Gan´ o Perdi´ o
S´ı
No
De las partidas en las que cambi´ o de vaso, ¿qu´e tanto por ciento ( %)
gan´ o el concursante? .
De las partidas en las que no cambi´ o de vaso, ¿qu´e tanto por ciento ( %)
gan´ o el concursante? .
¿Cree usted que es mejor cambiar de vaso o todo es cuesti´on de “suerte”?
.
¿C´omo podr´ıa justificar la respuesta anterior?
.
A partir del trabajo realizado, ¿es posible asignar una probabilidad
al suceso “ganar si se ha cambiado de vaso (G|C)”? . ¿Cu´ al?
.
Miguel R. Wilhelmi
6.1 La pregunta Marilyn 155
6.1.2. Estudio te´ orico
A partir de la simulaci´ on realizada es posible concluir que P(G|C) ≈ 2/3,
esto es, la probabilidad de ganar si se ha cambiado de vaso es 2/3. Sin
embargo, esta probabilidad no parece “l´ ogica” puesto que “al abrir una
puerta, quedan dos y, por lo tanto, la probabilidad de cada una de estas
puertas debiera ser 1/2”. Este razonamiento es falso; cuatro variables es
preciso tener en cuenta:
1. Premio: ¿d´ onde est´a colocado? Tres opciones: puertas A, B y C.
2. Elecci´ on: ¿qu´e puerta elige el concursante? Opciones: .
3. Cambio: ¿el concursante cambia de puerta? Opciones: .
4. Resultado: ¿el concursante gana el carro? Opciones: .
Por otro lado, se desea estudiar cu´ al es la influencia en el resultado
del juego si en todas la partidas se cambia de puerta: la variable cambio,
por lo tanto, se considera fija en la opci´ on “s´ı cambia”. De esta forma, las
preguntas clave que debemos responder son, teniendo en cuenta las otras
tres variables: ¿cu´ antos casos en esencia diferentes pueden darse?, ¿cu´antos
de ellos favorecen al suceso “ganar el carro”?
El recuento de casos queda archivado en la tabla:
N´ umero Premio Elecci´on Cambio Resultado
1 A A S´ı Pierde
2 B A S´ı Gana
3 C A S´ı Gana
4 A B S´ı Gana
5 B B S´ı Pierde
6 C B S´ı Gana
7 A C S´ı Gana
8 B C S´ı Gana
9 C C S´ı Pierde
Como se puede observar, 6 de los 9 casos favorecen al suceso “ganar”,
esto es, la probabilidad de ganar si se cambia es de 2/3. Por lo tanto, en las
condiciones del problema, se gana siempre que en la primera elecci´ on no se
haya acertado; con otras palabras, parad´ ojicamente, el concursante gana si
tiene “mala suerte” en su primera elecci´on, que, dicho sea de paso, es lo m´ as
probable.
Combinatoria y Probabilidad
156 6 Toma de decisiones
Por ´ ultimo, se puede dar una explicci´ on del problema sin necesidad de
hacer ning´ un recuento: la probabilidad de acertar a la primera es de 1/3
y, por lo tanto, la probabilidad de fallar es de 2/3; as´ı, por ejemplo, si la
puerta elegida es la A, entonces la probabilidad de que el carro est´e en
cualquiera de las otras dos puertas es 2/3. Si se abre la puerta B, toda la
probabilidad “recae” sobre la puerta C que, por lo tanto, tiene probabilidad
2/3 de esconder tras de s´ı el carro.
6.1.3. Escala de decisiones
En la vida cotidiana se acepta que no todas las decisiones son igual de
adecuadas: la bondad de una decisi´ on reside en las consecuencias favorables
que ´esta conlleva. De esta forma, es posible comparar dos decisiones: una
decisi´on es mejor que otra si sus consecuencias son m´as favorables para la
persona o grupo social que las pone en pr´ actica.
Empero, en la vida cotidiana, en la mayor´ıa de los casos es muy complejo
valorar la bondad de una decisi´ on: bien porque no existen criterios claros de
comparaci´ on entre diferentes consecuencias, bien porque es imposible saber
qu´e efecto hubiera causado otra decisi´on.
La teor´ıa de la probabilidad pone al alcance un medio eficaz y f´ acil de
usar para comparar un conjunto finito de decisiones en un juego de car´ acter
aleatorio. El principio b´ asico se sigue de la propia noci´ on de probabilidad
como un medio para prever los posibles comportamientos y las frecuencias
con que se espera que ´estos sucedan. En concreto:
Definici´on 32 (Comparaci´ on de decisiones) Para un juego de azar, se
establece que la decisi´ on D
1
es mejor que la decisi´ on D
2
, denotaremos D
1
>
D
2
, para los intereses de un determinado sujeto, si P(G|D
1
) > P(G|D
2
),
donde G representa el suceso “ganar”. Dos decisiones D
1
y D
2
son equiva-
lentes si P(G|D
1
) = P(G|D
2
).
El problema que estamos estudiando nos da un ejemplo: la decisi´ on de
cambiar (C) de puerta es mejor que la decisi´ on no cambiar de puerta (N),
puesto que la probabilidad de ganar el carro en el primer caso es 2/3, mien-
tras que en el segundo es 1/3, esto es:
P(G|C) =
2
3
>
1
3
= P(G|N) ⇒C > N
La pregunta que nos podemos formular es la siguiente: ¿es posible tomar
otra decisi´ on cuya probabilidad sea diferente a las dadas? Y, m´ as en concreto,
¿es posible encontrar otra decisi´ on mejor que las dos observadas?
Miguel R. Wilhelmi
6.1 La pregunta Marilyn 157
Supongamos que las tres puertas est´ an en una misma pared, entonces es
posible observar que los dos fantasmas (F) est´an juntos con mayor probabi-
lidad: si el carro (C) est´a en cualquiera de los dos extremos, los fantasmas
est´an juntos; mientras que s´ olo si el carro est´a en la puerta del centro los
fantasmas est´an separados. En conclusi´ on, tres configuraciones son posibles:
(F, F, C), (F, C, F) y (C, F, F) y, s´ olo en la segunda, los fantasmas est´an en
puertas no contiguas. Por lo tanto, un criterio que puede seguirse es: escoger
la puerta que no es contigua a la que el conductor ha abierto, puesto que es
m´as probable que los fantasmas est´en juntos (criterio F).
Sin embargo, el criterio F no siempre se puede llevar a cabo: ¿qu´e sucede
si yo he elegido la puerta del centro: cambio o no cambio? . Y si
el conductor abre la puerta del medio, ¿cambio o no cambio? .
Por lo tanto, es necesario, para estos casos de incerticumbre, tomar una
nueva decisi´ on. Se consideran las siguientes opciones:
1. No cambiar de puerta (opci´ on: N ∩ F).
2. Lanzar una moneda al aire: si sale cara, se cambia; si sale sello, no se
cambia (opci´ on: M ∩ F).
3. Cambiar de puerta (opci´ on: C ∩ F).
De esta forma, la pregunta que nos formulamos es la siguiente: ¿cu´ al es
la probabilidad de ganar si utilizamos los criterios N ∩ F, M ∩ F o C ∩ F?
En los casos en los que s´olo se ten´ıan en cuenta las opciones de cambiar
(C) y no cambiar (N), cuatro variables eran suficientes para describir la
situaci´ on: premio, elecci´ on, cambio y resultado (p.155). Sin embargo, ahora el
cambio est´a condicionado por la puerta que abra el conductor del programa
y, por lo tanto, es preciso tener en cuenta otra variable: abertura (¿qu´e puerta
abre el conductor del programa?). Esta nueva variable hace que se tengan
muchos m´as casos y que, por lo tanto, sea c´omodo representar todas las
posibles combinaciones mediante un diagrama en forma de ´arbol.
En la figura 6.1, se puede ver el gr´ afico asociado a la tercera opci´on
(en caso de duda, cambiar siempre de puerta, C ∩ F). Para simplificar la
representaci´on se ha tenido en cuenta que las puertas A y C son “sim´etricas”:
ambas son laterales, se tiene un comportamiento similar y, por lo tanto, es
suficiente estudiar el comportamiento de una para deducir el de la otra (en
t´erminos de probabilidad de ganar).
Se deduce que ´ unicamente 6 de los 12 casos posibles son favorables al
suceso ganar: ¿cu´al es la probabilidad de dichos sucesos? El diagrama de
Combinatoria y Probabilidad
158 6 Toma de decisiones
la figura 6.1 puede servirnos para calcular dichas probabilidades. De esta
forma, se concluye:
P(G|(C ∩ F)) = P(caso 2) +P(caso 3) +P(caso 4)+
+P(caso 9) +P(caso 10) +P(caso 11) =
=
1
3
·
1
3
·
1
2
+
1
3
·
1
3
+
1
3
·
1
3
+
1
3
·
1
3
+
1
3
·
1
3
+
1
3
·
1
3
·
1
2
=
5
9
De igual manera, los casos posibles que se generan con la segunda opci´ on
(en caso de duda, lanzar una moneda al aire, M∩F) pueden ser descritos por
otro diagrama en forma de ´ arbol (figura 6.2). Al igual que en el otro caso,
para simplificar la representaci´ on, se ha tenido en cuenta que las puertas A
y C son “sim´etricas”.
Se deduce que ´ unicamente 10 de los 20 casos posibles son favorables al
suceso ganar: ¿cu´al es la probabilidad de dichos sucesos? De manera similar
al caso anterior, la figura 6.2 sirve para calcular dichas probabilidades. De
esta forma, se concluye:
P(G|(M ∩ F)) = P(caso 2) +P(caso 3) +P(caso 4) +P(caso 6)+
+P(caso 10) +P(caso 12)+
+P(caso 15) +P(caso 17) +P(caso 18) +P(caso 19) =
=
1
3
·
1
3
·
1
2
·
1
2
+
1
3
·
1
3
·
1
2
+
1
3
·
1
3
·
1
2
+
1
3
·
1
3
·
1
2
+
+
1
3
·
1
3
·
1
2
·
1
2
+
1
3
·
1
3
·
1
2
·
1
2
+
+
1
3
·
1
3
·
1
2
+
1
3
·
1
3
·
1
2
+
1
3
·
1
3
·
1
2
+
1
3
·
1
3
·
1
2
·
1
2
=
=
1+2+2+2+1+1+2+2+2+1
36
=
16
36
=
4
9
En conclusi´ on, hasta el momento tenemos que:
P(G|C) > P(G|(C ∩ F)) > P(G|(M ∩ F)) > P(G|N)
Con probabilidades:
6
9
,
5
9
,
4
9
y
3
9
, respectivamente. Luego, hasta el momento,
la decisi´ on de cambiar sigue siendo la mejor de todas. Falta estudiar el caso
primero que se ha planteado: en caso de duda, no cambiar de puerta (N∩F).
Por un m´etodo an´ alogo al descrito para los otros dos casos, demuestre que la
decisi´on es tambi´en peor: ¿qu´e probabilidad de ganar se tiene si se considera
esta opci´on?
Ejercicio
Otras opciones pueden ser consideradas. Por ejemplo, como las dudas
respecto al criterio “fantasma” (F) se tienen si la puerta B tiene un papel
principal (si el conductor del programa abre la puerta B o si “yo” (el con-
cursante) he elegido la puerta B), entonces considerar´e como una opci´on no
Miguel R. Wilhelmi
6.1 La pregunta Marilyn 159
Figura 6.1: Diagrama en forma de ´ arbol de la opci´ on C ∩ F.
Figura 6.2: Diagrama en forma de ´ arbol de la opci´ on M ∩ F.
Combinatoria y Probabilidad
160 6 Toma de decisiones
tomar nunca la puerta B (el par´ ametro elecci´ on se restringe entonces a las
puertas A y C). Adem´as, en caso de que el conductor abra la puerta B, el
criterio ser´ a no cambiar de opci´ on. En resumen, la decisi´ on de cambiar o no
cambiar se sigue de los siguientes criterios:
1. No elegir la puerta B (criterio B).
2. Si el presentador abre la puerta B: no cambio (N).
3. Si el presentador abre la puerta A o C: la opci´ on de cambio se rige por
el criterio fantasma (F).
Se demuestra que la decisi´ on as´ı tomada (B ∩ N ∩ F) tiene una proba-
bilidad de ganar de 2/3 y, en definitiva, es una decisi´ on equivalente a la de
cambiar siempre
1
:
P(G|C) =
2
3
= P(G|(B ∩ N ∩ F))
Por ´ ultimo, razone por qu´e no es posible encontrar un criterio X tal que
P(G|X) > 2/3: tenga en cuenta que las decisiones “cambiar” (C) y “no
cambiar” (N) son mutuamente excluyentes.
6.2. La paradoja de Condorcet
Se confeccionan cuatro dados D
1
, D
2
, D
3
, D
4
de la siguiente forma: D
1
tiene en cuatro caras 4 y en dos 0; D
2
, en todas sus caras 3; D
3
, 2 en cuatro
caras y 6 en las restantes; y, por ´ ultimo, D
4
tiene 5 en tres caras y 1 en las
otras tres. Esto es:
N´ umeros
Dados 0 1 2 3 4 5 6
D
1
2 — — — 4 — —
D
2
— — — 6 — — —
D
3
— — 4 — — — 2
D
4
— 3 — — — 3 —
1
Por la definici´on 32, no se puede concluir que la decisi´on “cambiar” (C) sea mejor
que la decisi´on ´ ultima (B ∩ N ∩ F), puesto que las probabilidades asociadas son iguales;
sin embargo, se prefiere la primera a la segunda por su sencillez, tanto para la aplicaci´on
como para la comunicaci´on.
Miguel R. Wilhelmi
6.2 La paradoja de Condorcet 161
Dos jugadores compiten: uno de ellos selecciona un dado y el contrincan-
te, despu´es, otro. Lanzan los dados un m´ aximo de tres veces, gana quien en
dos de los lanzamientos obtiene una puntuaci´ on superior. ¿Cu´ al es la mejor
estrategia para ganar el juego?
Para estudiar la situaci´ on pueden seguirse, al igual que en muchas otras
circunstancias, dos m´etodos: uno pr´ actico y otro te´orico. El m´etodo pr´ actico
consiste en construir los dados y jugar muchas partidas, anotando todos los
resultados, para despu´es analizarlos.
¿Qu´e datos le ser´an ´ utiles? .
¿Es importante anotar qui´en elige primero y qui´en segundo? .
¿Es importante anotar qui´en gana y en cu´ antas partidas? .
Dise˜ ne un m´etodo de simulaci´on y conjeture cu´ al es la mejor estrategia
ganadora.
El estudio te´ orico supone responder, sin an´ alisis emp´ırico previo, la pre-
gunta: ¿con qu´e frecuencias se espera que un dado determinado gane a cual-
quiera de los otros tres?
P(D
1
gane a D
2
); P(D
2
gane a D
3
); P(D
3
gane a D
4
); P(D
4
gane a D
1
)
Mediante diagramas de ´ arbol es f´ acil concluir que las probilidades ante-
riores son todas iguales a 2/3: haga dichos diagramas y compru´ebelo.
En conclusi´ on , ¿qu´e estrategia seguir en el juego?
. ¿En qu´e lu-
gar es preferible escoger el dado: en primer o en segundo lugar? .
Si el primer jugador escoge el dado D
2
, ¿qu´e dado escoger´ıa? .
Si el primer jugador escoge el dado D
4
, ¿qu´e dado escoger´ıa? .
Si el primer jugador escoge el dado D
1
, ¿qu´e dado escoger´ıa? .
Si el primer jugador escoge el dado D
3
, ¿qu´e dado escoger´ıa? .
El problema todav´ıa no est´ a del todo resuelto: ¿cu´ al es la probabilidad
de ganar si hemos escogido en segundo lugar el dado “correcto” (aquel que
maximiza nuestras posibilidades de ganar)? Una partida, como se ha dicho
al principio de la secci´ on, es ganada por el jugador que obtiene en dos tiradas
mayor puntuaci´ on. Por lo tanto, si se denota por G al suceso “obtener mayor
puntuaci´ on en un lanzamiento” y por P al suceso contrario, se tiene:
P(ganar partida)=P(G, G) +P(G, P, G) +P(P, G, G) =
=
2
3
·
2
3
+
2
3
·
1
3
·
2
3
+
1
3
·
2
3
·
2
3
=
20
27
Esto es, la estrategia de elegir en segundo lugar (el dado “adecuado”, por
supuesto) hace que ganemos, en promedio, 20 de cada 27 partidas dispu-
tadas; sea cual sea el dado que escoja nuestro contrincante. A´ un m´ as, el
Combinatoria y Probabilidad
162 6 Toma de decisiones
ejemplo resalta el car´acter no transitivo de la probabilidad: D
1
gana con
mayor probabilidad a D
2
; D
2
gana con mayor probabilidad a D
3
; D
3
gana
con mayor probabilidad a D
4
; por lo tanto, de cumplirse la ley transitiva,
debieramos concluir que D
1
gana con mayor probabilidad a D
4
, lo cual es
falso, como se acaba de demostrar.
Ejercicios
1. Determine cu´al es la probabilidad de que el dado D
1
gane a los dados
D
3
y D
4
; de que el dado D
2
gane a los dados D
4
y D
1
; de que el dado
D
3
gane a los dados D
1
y D
2
; y, por ´ ultimo, de que el dado D
4
gane
a los dados D
2
y D
3
. ¿Es necesario calcular efectivamente todas estas
probabilidades o pueden ser deducidas por m´etodos indirectos?
En caso de que quisieramos hacer un juego equitativo (definici´ on 12,
p. 87) con base en la esperanza de ganancia de uno y otro jugador: ¿en
qu´e proporci´ on deben apostar cada uno de ellos seg´ un quien escoge
primero y qui´en segundo?
Suponga, por otro lado, que las reglas del juego cambian: el jugador
que elige en primer lugar gana si en un tirada obtiene una puntaci´ on
mayor que el otro; el jugador que elige en segundo lugar, gana si en
dos tiradas obtiene una puntuaci´ on mayor que el otro. ¿En qu´e turno
prefiere jugar usted? ¿Qu´e apuestas debieran hacer uno y otro jugador
para que el juego resultara equitativo?
2. Es posible describir otros juegos que resalten el car´ acter no transiti-
vo de la probabilidad. Por ejemplo, considere las tres ruletas que se
pueden ver en la figura y conteste a las preguntas que se formulan a
continuaci´ on.
¿Qu´e es m´as probable que en la ruleta A se obtenga un valor mayor que
en la ruleta C o viceversa? Si tuviera que elegir una ruleta, para “com-
petir” contra otra persona, ¿qu´e ruleta escoger´ıa? ¿Se “transgrede” la
propiedad transitiva?
Miguel R. Wilhelmi
6.3 Decisiones individuales vs. Decisiones sociales 163
6.3. Decisiones individuales vs. Decisiones sociales
En la anterior secci´ on, entre otras cosas, se ha visto que “la probabilidad
no es transitiva”. En esta secci´ on vamos a observar la influencia de esta
“transgresi´ on” en los fen´ omenos sociales. En concreto: la “racionalidad” de
las decisiones individuales no conduce necesariamente a la “racionalidad” de
las decisiones sociales o colectivas.
En unas elecciones presidenciales con 3 candidatos A, B y C, un tercio
del electorado los ordena de la siguiente forma: A, B, C; otro tercio, B, C,
A; otro tercio, C, A, B. De esta forma, 2/3 de la poblaci´ on prefiere a A en
lugar de B (con independencia de que el candidato A sea el preferido); 2/3
a B en lugar de C; 2/3 a C en lugar de A. De esta forma, se concluye que
la intenci´ on de voto de la poblaci´ on puede ser reflejada mediante: A gana a
B, B gana a C, C gana a A. Luego, incluso suponiendo que las elecciones
individuales sean transitivas (esto es, toda persona que prefiere a J sobre K
y a K sobre L, entonces tambi´en prefiere a J sobre L), no es posible inferir
que la elecci´on comunitaria sea transitiva.
Lo dram´ atico del ejemplo anterior es que no es anecd´otico: el economista
K. Arrow (1921–?)
2
ha demostrado una generalizaci´ on muy potente seg´ un
la cual todos los sistemas de votaci´ on se caracterizan por presentar alguna
situaci´ on parecida a la anterior. De esta forma, los sistemas electorales que
se utilizan en los pa´ıses no garantizan una transferencia de las preferencias
individuales y, por lo tanto, parad´ ojicamente, los resultados electorales no
son fiel reflejo de las decisiones individuales.
El sistema actual de designaci´ on de regidores de las municipalidades es
un ejemplo de esta situaci´ on, pero por diferentes motivos. Actualmente, el
partido que obtiene m´ as votos recibe la mayor´ıa m´ as uno de los regidores:
por ejemplo, 5 regidores si el municipio consta de ocho regidores.
Analicemos, brevemente, si esta distribuci´ on puede resultar representa-
tiva del voto de los electores. Si se tiene en cuenta al alcalce electo, que es
del mismo partido que los citados regidores, se tiene que seis de los nueve
representantes (aproximadamente el 67 %) pertenecen al mismo partido y,
por lo tanto, tienen la facultad de gobernar seg´ un los criterios que crean
convenientes.
Como en la designaci´ on del n´ umero de regidores no interviene el porcen-
taje de votos v´ alidos recibidos por el partido, sino el puesto que ocupan en
2
Kenneth J. Arrow (1921-?): economista estadounidense, nacido en Nueva York, gana-
dor del Premio Nobel de Econom´ıa de 1972 junto con el brit´anico Sir John R. Hicks por
su teor´ıa sobre el equilibrio general econ´omico y el bienestar.
Combinatoria y Probabilidad
164 6 Toma de decisiones
la lista de partidos m´ as votados, se tiene situaciones como la que sigue: se
presentan cuatro partidos y alcanzan el 25 %, 23 %, 20 % y 15 %, respectiva-
mente, con un 17 % de votos en blanco o nulos. Entonces, la distribuci´ on de
los ocho regidores, puede ser 5, 2, 1 y 0; o bien, 5, 1, 1 y 1. En cualquiera
de las dos situaciones, la distribuci´ on no es, en absoluto, fiel reflejo de la
decisi´on social: ¿cu´ al es la probabilidad de que tomado un elector al azar no
haya votado por el partido ganador? ¿Cu´ al es la probabilidad de tomar al
azar un representante (regidor o alcalde) del partido ganador?
Encuentre criterios para la asignaci´ on de regidores de manera que ´el
n´ umero de ellos est´e mejor relacionado con el porcentaje de votos v´ alidos
emitidos favorables a cada uno de los partidos. Las variables que debe tener
en cuenta son: el n´ umero n de regidores con que cuenta el municipio, el
n´ umero k de partidos que postulan y las frecuencias relativas de los votos
que cada partido P
j
(1 ≤ j ≤ k) obtenga en las elecciones, f
r
(P
j
).
6.4. Toma de informaci´ on
Para tomar una decisi´ on, es preciso tener informaci´on precisa sobre el
asunto o la poblaci´ on que se quiere estudiar. De hecho, la idea clave de
la estad´ıstica es deducir informaci´ on acerca de un aspecto determinado de
una poblaci´ on grande, a partir de datos extra´ıdos de una muestra peque˜ na
tomada al azar.
En muchas circunstancias, la toma de datos es cr´ıtica: la informaci´ on
resulta comprometodora para el individuo o el medio de control sobre la
poblaci´ on no es f´ acil. En esta secci´on, se describen dos situaciones muy dis-
tintas que permiten extraer informaci´ on “delicada” que permitir´ a elaborar
estrategias adecuadas de actuaci´on, esto es, toma de decisiones pertinentes.
6.4.1. Una encuesta comprometedora
En una comunidad se detecta que un grupo consume droga. Las autori-
dades, alertadas por el problema, deciden hacer un estudio de la gravedad
del problema. Se supone que un consumidor no admite abiertamente que lo
es, salvo bajo medidas de presi´ on extremas o en grupos reducidos de “gente
de su confianza”. Una decisi´ on de fuerza podr´ıa ser tomar un anal´ısis de
sangre de toda la poblaci´ on y discriminar el grupo de las personas que dan
positivo en un test ad hoc. Al menos tres problemas graves debe afrontar
este m´etodo:
1. Alto costo: si la poblaci´ on es grande el costo es elevado. Adem´as, no
Miguel R. Wilhelmi
6.4 Toma de informaci´ on 165
resultar´ıa admisible cobrar por dichos an´ alisis, puesto que estos no han
sido requeridos por los afectados, sino impuestos por las autoridades
a toda la comunidad.
2. Inquisitorial : imponer a toda una comunidad que se practique un an´ ali-
sis sangu´ıneo no resulta muy democr´ atico. La medida es propia de un
gobierno del siglo XVIII: “todo para el pueblo, pero sin el pueblo”
3
. El
car´ acter retr´ogrado de la medida no es, pues, aceptable en la sociedad
actual
4
.
3. Temporal : una persona elimina las toxinas del organismo pasado un
cierto tiempo despu´es de su ´ ultimo consumo y, por lo tanto, si se
le practica entonces un an´ alisis dar´ a negativo. De esta forma, puede
tenerse un grave sesgo que inuntilice los datos obtenidos.
Por lo tanto, se precisa de un m´etodo no tan costoso, que no violente la
libertad individual y que permita extraer informaci´ on sobre la poblaci´ on que
se desea estudiar de manera fiable. Puede entonces plantearse una encuesta
con las siguientes caracter´ısticas:
Se plantean las preguntas sobre el asunto en cuesti´ on, sobre las cua-
les la persona encuestada pueda responer ´ unicamente s´ı o no: ¿ha
consumido droga alguna vez?, ¿consume droga al menos una vez al
a˜ no/mes/semana/d´ıa?
Para que las personas respondan desinhibidamente y, por lo tanto, la
encuesta sea fiable, se sigue el siguiente m´etodo: se pide que la persona
3
En el siglo XVIII, siglo de las luces o de la ilustraci´ on, caracterizado por la confianza
total en la raz´on humana como instrumento capaz de resolver todos los problemas, una
forma de gobierno absolutista se impone en Europa: el despotismo ilustrado. Los reyes y
sus ministros gobernaban atendiendo las necesidades del pueblo, pero sin permitir su par-
ticipaci´on en la elaboraci´on de las leyes o en la toma de decisiones que pudieran afectarle.
Soberanos que destacaron en la pr´actica de esta pol´ıtica absolutista fueron Luis XIV en
Francia, Carlos III en Espa˜ na y Catalina II en Rusia.
4
Puede pensarse que la comunidad a la que nos referimos sea la comunidad de atle-
tas profesionales. Los controles antidopage se efect´ uan con este fuerte marcado car´acter
inquisitorial: se hacen batidas indiscriminadas para el control de consumo de “sustancias
prohibidas para el mejoramiento del rendimiento f´ısico”. Sin entrar a comentar la per-
tinecia del procediento dentro del deporte profesional de ´elite, el planteamiento que se
est´a formulando presupone comunidades m´as heterog´eneas: una ciudad, una universidad
o colegio, una clase social. Esto es, se presume que el control de consumo de drogas no
est´a tipificado dentro de la comunidad: salvo fundadas sospechas y dentro de un proceso
penal, una persona natural no puede ser forzada a realizarse unos an´alisis en contra de su
voluntad.
Combinatoria y Probabilidad
166 6 Toma de decisiones
que va a ser encuestada, tome una moneda, la lance al aire y vea (s´ olo
ella) el resultado. Si sale cara, la persona contesta la verdad (s´ı o no,
seg´ un proceda); si sale sello, la persona contesta, en todo caso, s´ı.
Como s´olo la persona ve el resultado de la moneda, s´ olo ella sabe si ha
contestado verdad o un inocuo “s´ı”, es de esperar que la gente, al no verse
comprometida con su respuesta realice el test correctamente. De esta forma,
tenemos a la mano una informaci´ on realista sobre el problema “social”, mas
no sobre cada individuo en particular. Por ejemplo, supongamos que se ha
realizado a 1 000 personas la pregunta “¿ha consumido alguna vez alg´ un tipo
de droga?” y que los resultados de la muestra arrojan que 597 han respondido
s´ı: ¿qu´e informaci´ on podemos extrer de este dato? Al lanzar la moneda 1 000
veces es de esperar (ley del azar) que m´as o menos la mitad sean caras y la
otra mitad sellos: se estima que quinientas (500) personas que han contestado
s´ı, lo han hecho porque obtuvieron sello en su lanzamiento. De esta forma,
quedan 97 (597 − 500) personas que han contestado s´ı, habiendo obtenido
cara, esto es, han consumido en alguna oportunidad alguna clase de droga:
por lo tanto, una aproximaci´ on razonable del tanto por ciento de personas
que han consumido drogas es:
97
500
· 100 % = 19, 4 %.
Ahora, la decisi´ on de las medidas que tendr´ an que tomarse se funda-
menta en la aproximaci´ on de que alrededor del 20 % de la poblaci´ on ha
consumido drogas alguna vez. Como la cifra es realmente grande, cabe es-
perar que las autoridades intenten obtener informaci´ on m´ as precisa sobre
las drogas utilizadas, el modo de obtener la droga, las clases sociales m´ as
afectadas. . . En definitiva, la informaci´ on invita a realizar indagaciones que
delimiten el problema y permitan vislumbrar acciones de prevenci´on, edu-
caci´on, erradicaci´ on.
6.4.2. El problema de las ardillas
La Universidad de Piura (Per´ u) ha visto incrementarse la poblaci´ on de
ardillas de forma muy r´ apida en los ´ ultimos dos a˜ nos. Al principio, el mam´ıfe-
ro roedor sirvi´ o para equilibrar el ecosistema: come algarroba, huevos de rep-
tiles y carro˜ na. Sin embargo, en la actualidad, representan un serio problema
para ´este: la ausencia de un depredador natural (lechuza, b´ uho, serpientes
arbor´ıcolas o zorro), ha permitido que se reproduzca sin mesura
5
.
5
El problema fue planteado en el a˜ no 2001. En estos momentos, la depredaci´on de los
zorros introducidos (y de algunos gatos) ha hecho que la poblaci´on de ardillas se estabilice.
Mantenemos, de todas formas, la redacci´on original.
Miguel R. Wilhelmi
6.5 Cazapalabras 167
Antes de tomar ninguna decisi´ on, el consejo universitario decide hacer
un recuento aproximado del n´ umero de ardillas. El proyecto no es f´ acil: son
verdaderas acr´ obatas en los ´arboles y se esconden r´apidamente si sienten
peligro. Por lo tanto, se corre el riesgo de contar m´ as de una vez a una misma
ardilla o de no contar ejemplares escondidos en el bosque de algarrobos.
¿Qu´e m´etodo utilizar en este caso?
Un m´etodo que se puede utilizar es el siguiente:
1. Tomar un n´ umero m de ardillas y marcarlas (con un arito en una pata,
por ejemplo), cuidando de no malherirlas.
2. Distribuir las ardillas marcadas homog´eneamente por el campus.
3. Pasado un cierto tiempo, capturar el mismo n´ umero (m) y contar
cu´antas de ellas est´an marcadas.
4. Estimar el n´ umero de ardillas por la regla de tres simple: si en la
segunda toma se han cogido k ardillas marcadas de las m que se tienen
en la poblaci´ on total N, entonces se tiene la relaci´on: N =
m
2
k
.
Por ejemplo, si m = 100 (se han tomado y marcado 100 ardillas en la
primera “cacer´ıa”) y k = 5 (5 de las 100 ardillas capturadas en la segunda
“cacer´ıa” est´an marcadas, esto es, han sido capturadas por segunda vez),
entonces se estima que 5 es a 100 como 100 es a N: N =
100
2
5
= 2 000. Se
estima que en la actualidad hay 2 000 ardillas.
Si de ´estas, un 10 % son hembras adultas capaces de procrear, en la
pr´ oxima estaci´ on de cr´ıa se tendr´an aproximadamente 2 600 ardillas. . . Una
decisi´on pertinente puede ser el concurso de alg´ un derpredador natural, que
devuelva al ecosistema el equilibrio necesario.
6.5. Cazapalabras
El cazapalabras es un juego que consiste en la formaci´on de palabras
a partir de letras obtenidas al azar en el lanzamiento de un conjunto (no
demasiado grande) de dados. La construcci´ on f´ısica del juego exige una serie
de decisiones: cu´antos dados considerar, qu´e letras colocar en cada dado.
El alfabeto castellano cuenta con 29 letras (incluimos la che y la elle). Por
lo tanto, se necesitar´ a un m´ınimo de 5 dados (6 · 5 = 30) si se quiere poner
al menos una vez cada una de las letras. Por otro lado, aproximadamente
la mitad de las letras en las palabras son vocales, entonces ser´a necesario
colocar m´as vocales en las caras de los dados: ¿en qu´e proporci´ on?
Combinatoria y Probabilidad
168 6 Toma de decisiones
Una forma de proceder, para decidir la proporci´ on de vocales y conso-
nantes, es tomar al azar un n´ umero de palabras del diccionario y establecer
dicha proporci´ on. De esta forma, las frecuencias relativas que se obtengan
nos servir´ an como indicativo de la probabilidad con que deben salir las letras
en el lanzamiento de los dados. La versi´ on para ordenador del Diccionario de
la Real Academia de la Lengua Espa˜ nola (DRAE) incluye la opci´ on “entra-
da al azar”, que permite obtener de manera aleatoria palabras. En la tabla
6.1 aparecen 100 palabras obtenidas con este procedimiento.
barrenero chivateo barcia extorsionar
pod´ ologo(a) fradear ileocecal desenga˜ no
granadino(a) vinal ametalado(a) despierto(a)
monoptongaci´ on vivencia vig´ıa androide
ocaso encantado(a) augurador(a) oledor(a)
cordelero(a) obligativo(a) humillar murcielaguina
filoso(a) satirizar zancajiento hablanch´ın(a)
h´ıspido(a) asistolia tentaruja cantaletear
alborotado(a) d´ ollimo anarquismo supervisor(a)
curable adamadamente corpulento(a) envedijarse
decorado(a) sotavento chist besar
fermentador(a) rat´ımetro trucar cupl´e
cuerpo despasar atabe augurar
morbilidad febr´ atico(a) distinguido(a) isot´ermico(a)
convocaci´ on p´ıo per´ıfrasis sentenciador(a)
baj´ a somera l´ıbico poco(a)
hipocr´ as descervigamiento frutier disperso(a)
esportonada ed´en septeto jubilar
devanado(a) nomenclatural encomendamiento masecoral
vermicular canastillero(a) residual e
andrehuela estiomenar m´edano contenci´ on
paragoge aflorado(a) afijo huitr´ın
orlador(a) batuda climaterio adustivo(a)
modificativo(a) sociometr´ıa platicador caboverdiano
camenal objetividad dominicano(a) vilordo(a)
Tabla 6.1: 100 palabras obtenidas al azar, en el orden dado.
Por lo tanto, debemos analizar las 100 palabras que han sido obtenidas
al azar: determinar la proporci´ on de volcales y consonantes (¿cu´antas veces
Miguel R. Wilhelmi
6.5 Cazapalabras 169
se repite cada una de las 29 letras del abecedario?) y la longitud de las
palabras. Esta informaci´ on debe permitirnos, en primer lugar, encontrar
criterios para decidir el n´ umero de dados que se utilizar´ an para construir el
juego; en segundo lugar, el n´ umero de repeticiones asignado a cada letra;
en tercer lugar, encontrar alg´ un criterio para distribuir dichas letras en las
caras de los dados.
La longitud media de las palabras es 8, 52 (n´ umero de letras dividido
entre las 100 palabras consideradas, tabla 6.1) y, por lo tanto, una opci´ on
para el n´ umero de dados que pueden disponerse para confeccionar el juego es
9. Sin embargo, existe una objeci´ on a esta decisi´on: la longitud media de las
palabras no precisa cu´ antas palabras tienen un longitud mayor que 9, que,
evidentemente, no podr´ıan ser constru´ıdas en un juego de 9 dados. Por lo
tanto, interesa observar tambi´en cu´antas palabras hay de una determinada
longitud:
L 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
N 1 0 1 4 7 10 13 12 18 14 11 4 2 1 1 1
De esta forma, la longitud 9 tambi´en representa la moda, esto es, la
longitud que tiene una frecuencia absoluta mayor. As´ı, las dos medidas de
centralizaci´ on media y moda coiciden. ¿Es esto raz´on suficiente para aceptar
que el n´ umero de dados debe ser 9? Si se observa con deternimiento la tabla
´ ultima (que indica el n´ umero de palabras que hay con una determinada
longitud), se comprueba que alrededor del 35 % de las palabras tienen una
longitud mayor que 9 y que s´ olo un 10 % (aproximadamente) tiene una
longigud mayor que 11: ¿es m´ as conveniente construir un juego con 11 dados
que nos permita formar, en teor´ıa, alrededor del 90 % de las palabras del
diccionario (admitiendo que las palabras obtenidas al azar son una muestra
representativa, es decir, a partir de la cual se puede extraer informaci´ on
fiable)? En los siguientes p´ arrafos, razonaremos porqu´e esta decisi´on resulta
demasiado costosa.
Si se observan las palabras de la tabla 6.1, se concluye que hay palabras
compuestas, esto es, formadas por composici´on de dos o m´ as voces simples:
ileocecal (que pertenece a los intestinos ´ıleon y ciego), masecoral (maese
coral), caboverdiado (nativo de Cabo Verde), etc. Tambi´en hay palabras de-
rivadas, esto es, formadas por ampliaci´ on o alteraci´ on de la estructura o
significaci´ on de otros vocablos que se llaman primitivos: barrenero (de ba-
rrena), granadino (de Granada), ametalado (de metal), etc. Y, por ´ ultimo,
palabras compuestas o derivadas formadas por adici´ on de sufijos y prefijos:
asistolia (formada por el prefijo “a-” y la voz simple s´ıstole), curable (for-
mada por el vocablo cura y el sufijo “-ble”), etc. De hecho, la tabla 6.1,
Combinatoria y Probabilidad
170 6 Toma de decisiones
puede ser “simplificada”, de manera que aparezcan ´ unicamente voces sim-
ples (palabras no compuestas ni derivadas). De esta forma, la longitud de
las palabras ser´ a menor y, por lo tanto, la elecci´ on de 9 dados ser´ıa un tope
superior suficiente.
Este planteamiento es adecuado si reflexionamos sobre cu´ al podr´ıa ser
el objetivo del juego y el p´ ublico al que se destine. El juego puede utilizarse
para enriquecer el vocabulario de un grupo de estudiantes con edades com-
prendidas entre 8 y 16 a˜ nos. Puede establecerse que no es v´alido escribir
plurales, palabras extrajeras, nombres propios o conjugar verbos. Por otro
lado, si se tiene un n´ umero sobreabundante de dados, el juego puede resultar
un tanto ca´ otico y los estudiantes suelen restringir el uso a un conjunto de
todos ellos. Por ello, creemos pertinente estudiar un poco m´as a fondo c´ omo
var´ıan las palabras si transcribimos ´ unicamente palabras simples.
La tabla 6.2 representa una modificaci´ on de la tabla 6.1, siguiendo el
criterio de transcribir las palabras “generatrices” de las que se hab´ıan ob-
tenido (en el supuesto de una palabra compuesta, se considera un t´ermino
y se prescinde de los otros). El n´ umero total de letras es 678 (las graf´ıas
“qu”, “ch” y “ll” son contabilizadas como una sola letra) y, por lo tanto, la
longitud media es de 6,78. Por otro lado, ¿qu´e porcentaje de palabras tiene
una longitud menor o igual a 9 letras? Complete para ello la tabla 6.3.
¿Qu´e porcentaje de palabras tiene una longitud inferior o igual a 9?
.
¿Cu´ al es la moda de las longitudes de las palabras? .
¿Media y moda coinciden? .
De todo lo dicho, se acepta que un n´ umero adecuado de dados es 9.
Ahora, para tomar una decisi´ on en torno a la proporci´ on de vocales y con-
sonantes, es preciso, en primer lugar, hacer un recuento de las letras que
aparecen en las 100 palabras seleccionadas, esto es, la frecuencia absoluta
de cada una de las letras. A partir de este dato, es f´ acil calcular la frecuencia
relativa y el porcentaje. Dichos datos pueden ser observados en la tabla 6.4.
Se puede observar que las frecuencias absolutas var´ıan desde 0 (letras
“k”, “w”, “y”) hasta 129 (letra “a”). El total de palabras es 852: ¿qu´e tanto
por ciento de las letras son volcales? . ¿Y consonantes? .
Para asignar el n´ umero de caras que deben tener inscrita cada una de las
letras del abecedario se procede a relacionar los porcentajes con el n´ umero de
caras disponibles: 54 (9 dados por 6 caras cada uno de ellos). Por ejemplo,
como la frecuencia absoluta de la letra “a” es 129, y esto representa el
15, 1408 % del total de las letras, se concluye que debiera haber 54·
15,1408
100
=
54 · f
r
(a) = 54 · 0, 151408 = 8, 176032 caras de dados con la letra “a”, esto
Miguel R. Wilhelmi
6.5 Cazapalabras 171
barreno chivateo barcia extorsi´ on
pod´ ologa fradear ´ıleon enga˜ no
granado vinal metal despierta
monoptongo vivencia vig´ıa androide
ocaso encantado augurar olor
cordel obligar humillar murci´elago
filo satira zanca habla
h´ıspida s´ıstole tentar canto
alborotado d´ ollimo anarquismo visora
cura adamada cuerpo vedija
decorada sotavento chist besar
fermento rata trucar cupl´e
cuerpo pasar atabe augurar
morbilidad fiebre distinguido t´ermica
convocar p´ıo per´ıfrasis sentenciar
baj´ a somera l´ıbico poco
hipocr´ as cerviz frutier dispersa
esport´ on ed´en septeto jubilar
devanado nomenclatura encomendar maese
vermicular canasta residuo e
andrehuela estiomenar m´edano contenci´ on
paragoge flor afijo huitr´ın
orla batuda clima adusta
modificar social platicar cabo
camenal objetivo dominicano vilorda
Tabla 6.2: “Simplificaci´ on” de las palabras de la tabla 6.1.
L 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
N
Tabla 6.3: N´ umero N de palabras de la tabla 6.2 de longitud L.
Combinatoria y Probabilidad
172 6 Toma de decisiones
Letra f
a
f
r
%
a 129 0,151408 15,1408
b 16 0,018779 1,8779
c 41 0,048122 4,8122
ch 3 0,003521 0,3521
d 49 0,057512 5,7512
e 80 0,093897 9,3897
f 9 0,010563 1,0563
g 13 0,015258 1,5258
h 5 0,005869 0,5869
i 78 0,091549 9,1549
j 7 0,008216 0,8216
k 0 0 0
l 32 0,037559 3,7559
ll 3 0,003521 0,3521
m 26 0,030516 3,0516
n 52 0,061033 6,1033
˜ n 1 0,001174 0,1174
o 88 0,103286 10,3286
p 18 0,021127 2,1127
qu 1 0,001174 0,1174
r 73 0,085681 8,5681
s 36 0,042254 4,2254
t 47 0,055164 5,5164
u 24 0,028169 2,8169
v 18 0,021127 2,1127
w 0 0 0
x 1 0,001174 0,1174
y 0 0 0
z 2 0,002347 0,2347
Total 852 1 100
Tabla 6.4: Recuento de letras de las palabras de la tabla 6.1.
Miguel R. Wilhelmi
6.5 Cazapalabras 173
es, una decisi´ on puede ser asignar 8 caras a la letra “a”. Procediendo de esta
manera, complete las columnas “Asociaci´on te´ orica” y “Asignaci´ on” de la
tabla 6.5. Para la asignaci´ on, si un n´ umero tiene la parte decimal mayor que
0,5, se le asigna el n´ umero entero de caras inmediatamente superior (por
ejemplo, a la letra “f” se le asigna una cara, puesto que la asociaci´ on te´ orica
es de 0,570402); si un n´ umero tiene la parte decimal menor que 0,5, se le
asigna el n´ umero entero de caras inmediatamente inferior (por ejemplo, a la
letra “j” no se le asigna ninguna cara, puesto que la asociaci´ on te´ orica es de
0,443664). Complete la tabla 6.5.
En la columna “Ajuste” (tabla 6.5) se tienen en cuenta otras conside-
raciones. Por ejemplo, como se pretende utilizar el juego para alumnos de
secundaria, es conveniente que aparezcan todas las letras al menos una vez
(a excepci´on de la letra uve doble (‘w’), puesto que no se emplea sino en
voces de procedencia extranjera). Por ello, en la columna “Ajuste” se pone
1 a muchas letras que por “asignaci´ on” no le corresponder´ıa ninguna (por
ejemplo, a la letra “j”). Esto hace que el n´ umero de caras disponible sea
entonces menor y, por lo tanto, sea necesario (puesto que ya hemos estable-
cido que el n´ umero de dados es 9) reducir el n´ umero de asignaciones hechas
a otras letras (por ejemplo, la letra “a”: de 8 a 7 letras).
De esta forma, queda resuelto el segundo problema: c´ omo distribuir las
54 caras de los 6 dados entre las 28 letras (puesto que se excluye la uve
doble). Por lo tanto, queda un ´ unico problema: ¿c´ omo colocar las letras en
los dados? Una primera opci´ on tentativa es: ir completando dados con las
letras que se tienen. Esto es, 6 aes en un dado y la que queda en otro, que
se completa con una letra be, dos ces, una che y una de. An´ alogamente, el
resto de dados se construyen de la siguiente forma:
El tercer dado: .
El cuardo dado: .
El quinto dado: .
El sexto dado: .
El s´eptimo dado: .
El octavo dado: .
El noveno dado: .
Ahora bien, es preciso encontrar criterios para discernir si esta distribu-
ci´on es o no adecuada. Ciertos criterios pueden hacerse expl´ıcitos si se hace
la construcci´ on de los dados en las condiciones establecidas, se juegan algu-
nas partidas y se responden preguntas del tipo: ¿es f´ acil obtener palabras?
¿de qu´e longitud son ´estas?, ¿qu´e porcentaje de vocales se obtiene?, etc.
Sin embargo, no es preciso realizar la experimentaci´ on para llegar a ciertas
Combinatoria y Probabilidad
174 6 Toma de decisiones
Letra f
r
Asociaci´on te´ orica Asignaci´on Ajuste
a 0,151408 8,176032 8 7
b 0,018779 1,014066 1 1
c 0,048122 2,598588 3 2
ch 0,003521 0,190134 1 1
d 0,057512 3
e 0,093897 4
f 0,010563 0,570402 1 1
g 0,015258 1
h 0,005869 1
i 0,091549 4
j 0,008216 0,443664 0 1
k 0 0 0 1
l 0,037559 2
ll 0,003521 1
m 0,030516 2
n 0,061033 2
˜ n 0,001174 1
o 0,103286 5
p 0,021127 1
qu 0,001174 1
r 0,085681 3
s 0,042254 2
t 0,055164 2
u 0,028169 1
v 0,021127 1
w 0 0
x 0,001174 1
y 0 0 0 1
z 0,002347 1
Total 1 54 54
Tabla 6.5: Asociaci´ on te´ orica, asignaci´ on y ajuste del n´ umero de repeticiones
de cada una de las letras.
Miguel R. Wilhelmi
6.5 Cazapalabras 175
conclusiones. Por ejemplo, responda las siguientes preguntas:
1. ¿Cu´ al es la probabilidad de obtener cada una de las letras?
2. ¿Cu´ al es la probabilidad de obtener cuatro o m´ as vocales?
Ejercicios
1. El estudio de las frecuencias absolutas, relativas y porcentajes ha veni-
do dado a partir de la tabla 6.1. Un estudio similar puede realizarse a
partir de la tabla 6.2, que muestra una “simplificaci´ on” de las palabras
de aquella tabla. Estudie si hay o no concordancia entre las frecuencias
relativas de cada una de las letras. En caso de que as´ı sea: ¿qu´e pue-
de concluir? En caso contrario, ¿le parece adecuado tomar un nuevo
listado de 100 palabras obtenidas al azar y hacer un estudio completo
del mismo?
Para finalizar, un problema que ha quedado abierto es la pertinencia
de la distribuci´ on de las letras en los dados. La tabla 6.6 muestra una
distribuci´ on de las letras en los dados, am´en de alguna variaci´ on en el
“ajuste” del n´ umero de repeticiones de cada una de las letras. Justifi-
que la pertinencia de la distribuci´ on hecha y discuta las diferencias de
“ajuste”, respecto a las que se han realizado.
2. Suponga que los motores de una avi´ on dejan de funcionar en vuelo
con probabilidad (1 −p) independiente entre motores. Un avi´ on hace
un vuelo con ´exito si al menos el 50 % de sus motores permanecen
operativos. ¿Para qu´e valores de p es preferible un avi´ on de 4 motores
a uno de 2?
3. Tres personas A, B y C lanzan sucesivamente, por orden, un dado.
La primera persona que saca un seis gana. ¿Cu´ales son sus respectivas
probabilidades de ganar?
Indicaci´ on: la suma de los infinitos t´erminos de una progresi´ on
geom´etrica de raz´on r (|r| < 1) y primer t´ermino a es igual a
a
1−r
,
esto es:
¸
n∈N
ar
n−1
=
a
1 −r
, |r| < 1
4. Nos dan dos urnas con monedas trucadas. Las monedas de la urna A
obtienen cara con probabilidad p
1
y las monedas de la urna B con
probabilidad p
2
(distinta de p
1
). Nos dan a elegir dos estrategias:
Combinatoria y Probabilidad
176 6 Toma de decisiones
Letra D
1
D
2
D
3
D
4
D
5
D
6
D
7
D
8
D
9
Total
a 1 — — 1 — 1 — 1 2 6
b — — 1 — — — — — — 1
c — — — 1 — — — 1 — 2
ch — — — — — — — 1 — 1
d — 1 — — — — 1 — — 2
e 2 1 — — — 1 — — 3 7
f — 1 — — — — — — — 1
g — — — — — — 1 — — 1
h — 1 — — — — — — — 1
i 2 1 — 1 — — — — — 4
j — — — — 1 — — — — 1
k — — — — 1 — — — — 1
l — — 1 1 — — — — — 2
ll — — 1 — — — — — — 1
m — — — — — — — 1 — 1
n — — 1 — — — 1 — — 2
˜ n — — — — — — 1 — — 1
o 1 — — 1 — 1 — — — 3
p — — — — — 1 — — — 1
qu — — — — 1 — — — — 1
r — — 1 — — — 1 1 — 3
s — — 1 1 — — — 1 — 3
t — — — — — 1 1 — — 2
u — 1 — — — 1 — — — 2
v — — — — 1 — — — — 1
w — — — — — — — — — 0
x — — — — 1 — — — — 1
y — — — — — — — — 1 1
z — — — — 1 — — — — 1
Total 6 6 6 6 6 6 6 6 6 54
Tabla 6.6: Construcci´ on del juego Cazapalabras: ¿es pertinente la distribu-
ci´on que se muestra?
Miguel R. Wilhelmi
6.6 Autoevaluaci´ on 177
a) Elegir una urna al azar y tomar dos monedas de ella.
b) Elegir una moneda de cada urna.
¿Qu´e estrategia es mejor si se quiere obtener 2 caras en sendos lanza-
mientos?
5. El censo electoral de una comunidad lo constituyen 2n electores. Se
trata de elegir entre ellos un representante. Hay dos candidatos y se
sabe que (n − 1) apoyan a uno y (n + 1) apoyan al otro. A pesar del
inter´es de la votaci´on y de lo re˜ nido que est´ a el resultado, se calcula
que s´olo acudir´ a a votar el 100a % del censo. Calcular la probabilidad
de que resulte elegido el candidato que ´esta en minor´ıa. Aplicarlo con
n = 50 y a = 0, 8. ¿Qu´e reflexi´ on extrae con relaci´ on al derecho al
voto?
6. Un sult´ an le dice a Al´ı Bab´ a: “He aqu´ı dos urnas vac´ıas y dos bolsas con
b bolas blancas y n bolas negras, respectivamente. Reparte las bolas
en las urnas como juzges oportuno. Luego, yo las har´e indistinguibles.
Salvar´ as tu vida extrayendo una bola blanca de la urna que tu decidas”.
¿C´omo Al´ı Bab´ a maximizar´ a su “suerte”?
6.6. Autoevaluaci´ on
1. Un amigo te muestra dos dados y te dice que uno de ellos est´ a trucado
y que se obtiene con probabilidad 1/2 el n´ umero 6. Te deja hacer un
m´aximo de 3 lanzamientos con cada uno de los dados. ¿C´ omo proce-
der´ıas para escoger el dado trucado? ¿Cu´ al es la probabilidad de que
hayas acertado?
2. Dos cajas con las siguientes letras:
[Caja 1] ANA
[Caja 2] ANA ANA
Se debe elegir una de las dos cajas y a continuaci´ on extraer, al azar,
tres letras, una a una sin reeplazo. Si el resultado es ANA entoces se
gana un premio. ¿Qu´e caja elegir´ıa usted?
3. Construcci´ on de un juego: “Valor exacto”.
Combinatoria y Probabilidad
178 6 Toma de decisiones
[Objetivo] Uno de los objetivos que se pretende en la ense˜ nanza b´ asica
de la aritm´etica es el dominio de las cuatro operaciones elemen-
tales: se quiere construir un juego para desarrollar la t´ecnica de
las operaciones suma, producto, resta y cociente.
[Material] El juego consta de:
a) Una m´aquina, con la se obtiene aleatoriamente un n´ umero
de tres cifras, comprendido entre 000 y 999, ambos inclusive.
b) Fichas con n´ umeros, a partir de los cuales por suma, pro-
ducto, resta y cociente es preciso obtener el n´ umero obtenido
por la m´ aquina.
[Decisiones] Por lo tanto, es preciso decidir:
a) ¿C´omo construir la m´ aquina? Esto es, ¿c´omo obtener n´ ume-
ros aleatorios comprendidos entre 000 y 999?
b) ¿Cu´ antas fichas utilizar? Habr´ a que tener en cuenta dos cri-
terios: uno, que el juego sea “operativo”, esto es, pueda lle-
varse a la pr´ actica f´acilmente (el n´ umero de fichas no puede
ser excesivo); otro, que sea posible obtener los n´ umeros de
tres cifras en la mayor´ıa de los casos (el n´ umero de fichas no
puede ser demasiado reducido).
c) ¿Qu´e n´ umeros colocar en la fichas sabiendo que por medio de
operaciones elementales se debe obtener un n´ umero de tres
cifras?
[Ejemplos] Se obtiene al azar, por un procedimiento determinado, el
n´ umero 579 y de todas las fichas los concursantes eligen 6 de
ellas (3 cada uno, alternativamente) con los siguientes n´ umeros
inscritos:
100; 3; 2; 9; 7; 10
Entonces un jugador puede hacer la siguiente combinaci´ on gana-
dora:
(3 + 2) · 100 + 7 · 10 + 9 = 579
Sin embargo, en muchas situaciones, los jugadores no ser´ an ca-
paces de encontrar el n´ umero exacto, conform´andose con obtener
un n´ umero “pr´ oximo”:
(7 −2) · 100 + 10 · 9 −3 = 587 ≈ 579
Miguel R. Wilhelmi
6.6 Autoevaluaci´ on 179
Otro ejemplo: se obtiene con la m´aquina el n´ umero 731 y las
fichas elegidas tienen los n´ umeros:
10; 5; 15; 1; 2; 20
Una forma de obtener el n´ umero exacto es:
15 · 10 · 5 −20 + 1 = 731
[Orden] El moderador, debe entonces decir algo parecido a: el n´ umero
de tres cifras es el 579; que debe ser obtenido a partir de los
n´ umeros: 100, 3, 2, 9, 15 y 10. Tienen 2 minutos.
[Reglas] ¿Qui´en gana el juego? ¿Qu´e decisiones tomar en caso de
empate?
a) Gana quien ha formado el n´ umero pedido o quien se haya
dado el n´ umero m´as pr´ oximo.
b) Los n´ umeros de las fichas se pueden utilizar una sola vez.
c) En el supuesto de que las dos personas hayan formado el
n´ umero pedido, gana aquella persona que haya utilizado me-
nos fichas para conseguirlo (las descomposiciones, por lo ge-
neral, no son ´ unicas).
d) En el supuesto de que ambas personas hayan formado el
n´ umero utilizando el mismo n´ umero de fichas, el ganador se
echa a suerte: juegan a Pares y nones o ¡a-la-Yan-kem-po!,
por ejemplo.
e) El tiempo para pensar es limitado: a la voz de ¡tiempo!, los
dos jugadores deben dejar de inmediato el lapicero sobre
la mesa. Si alguno de ellos contin´ ua escribiendo pierde au-
tom´aticamente la partida. Seg´ un la destreza de los jugadores
se dejar´a m´as o menos tiempo.
Combinatoria y Probabilidad
Cap´ıtulo 7
Funci´ on de probabilidad de
una variable aleatoria
discreta
El presente cap´ıtulo centra su atenci´ on en la definici´ on de funciones de
probabilidad (definici´ on 27, p. 132) para experimentos cuyo espacio muestral
E es finito. En primer lugar, se introduce la noci´ on de variable aleatoria; en
segundo t´ermino, se definen algunas funciones de probabilidad, instrumentos
te´oricos que ser´an de gran ayuda para modelizar diversas situaciones reales.
7.1. Variable aleatoria
Los resultados de un experimento aleatorio pueden ser cualitativos o
cuantitativos. Puede ser ´ util, la cuantificaci´ on de resultados cualitativos.
Por ejemplo, en un examen objetivo
1
: por cada acierto, el examinado recibe
dos puntos, por cada fallo pierde uno. Entonces al acierto se le asocia el
n´ umero 2, al fallo el −1: la variable aleatoria toma los valores 2 y −1.
El concepto de variable aleatoria pone a nuestro alcance un medio para
relacionar cualquier resultado con una medida cuantitativa. Por ello, infor-
malmente, se entiende por variable aleatoria un medio de cuantificaci´ on de
resultados de un espacio muestral (y la descripci´ on del experimento aleatorio
asociado en funci´ on de los valores posibles que ´esta toma). Ilustraremos esta
vaga idea mediante algunos ejemplos.
1
Tipo test o de respuesta m´ ultiple (§4.4, p.97).
181
182 7 Funci´on de probabilidad de una variable aleatoria discreta
Ejemplo 3 Sea el experimento aleatorio: “lanzar dos monedas al aire y ob-
servar el resultado”. ¿Qu´e valores puede tomar la variable aleatoria “n´ umero
de caras obtenidas”?
Si se denota el suceso “obtener cara con una moneda” por “C” y el
suceso “obtener sello” por “X”. El espacio muestral E est´a formado por
cuatro duplas:
E = {(C, C); (C, X); (X, C); (X, X)}
Entonces podemos considerar la variable aleatoria “n´ umero de caras ob-
tenidas”. Dicha variable puede obtener los valores 2, 1 y 0. De esta forma,
asociamos al suceso (C, C) el valor 2, al suceso (X, X) el valor 0 y a los
sucesos (C, X) y (X, C) el valor 1.
Ejemplo 4 Sea el experimento aleatorio: “lanzar dos dados al aire y obser-
var el resultado”. ¿Qu´e valores puede tomar la variable aleatoria “suma de
los n´ umeros obtenidos en las caras superiores de los dados”?
El espacio muestral est´ a formado por 36 puntos muestrales, representa-
dos por duplas donde el primer n´ umero indica los puntos obtenidos por uno
de los dados y el segundo los obtenidos por el otro:
E = {(1, 1); (1, 2); (1, 3); . . . ; (6, 4); (6, 5); (6, 6)}
Podemos asociar (ver cap´ıtulo 1) a cada punto muestral el valor de la suma
de los dados. De esta forma, tenemos definida una variable aleatoria que
toma los valores 2, 3, . . . 11 y 12. Por ejemplo, al suceso (1, 1) le asociamos
el valor 2; a los sucesos (1, 2) y (2, 1) el valor 3; a los sucesos (1, 3), (3, 1)
y (2, 2) el valor 4, . . .
Ejemplo 5 Sea el experimento aleatorio: “lanzar un dardo con los ojos ven-
dados sobre un blanco de tiro de radio r y observar el resultado”. ¿Qu´e va-
lores puede tomar la variable “distancia al centro”?
Se puede asociar a cada lanzamiento la distancia del impacto al centro
de la diana. De esta forma, la variable aleatoria toma un valor comprendido
entre 0 y r, esto es, todos los valores comprendidos en el intervalo [0, r] (no
se considera la posibilidad de que un lanzamiento no alcance el tablero): 0,
si el impacto se produce en la diana; r, si el dardo se clava en el borde del
tiro al blanco.
Hay en los tres ejemplos un punto en com´ un: la variable aleatoria nos ha
permitido cuantificar los posibles resultados de una prueba, es decir, a cada
punto muestral le asociamos un valor num´erico (real). As´ı, se define:
Miguel R. Wilhelmi
7.1 Variable aleatoria 183
Definici´on 33 (Variable aleatoria) Una variable aleatoria X es una
funci´ on real sobre el espacio muestral E asociado a un experimento alea-
torio. Es decir, a cada punto muestral s le asociamos un valor real X(s):
X : E −→R
s →X(s)
Una variable aleatoria es discreta cuando el rango o imagen (valores
posibles que puede tomar dicha variable) es finito
2
. De esta forma, los dos
primeros experimentos han sido descritos mediante una variable aleatoria
discreta. Por el contrario, el rango de la variable aleatoria asociada al tercer
experimento es continuo: toma todos los valores comprendidos entre 0 y r.
En general, diremos que una variable aleatoria es continua cuando su rango
o imagen contiene a un intervalo [a; b] de la recta real, a < b.
Por otro lado, la variable aleatoria puede servir para construir una fun-
ci´on de probabilidad. Este cap´ıtulo, se ocupa de las funciones de probabilidad
asociadas a una variable aleatoria discreta (finita). Por ejemplo, en el expe-
rimento del ejemplo 3 (“lanzar dos monedas al aire y observar el resultado”)
se conoce la probabilidad de cada suceso elemental (1/4). A partir de este
hecho, se puede medir la probabilidad con que la variable aleatoria toma sus
distintos valores X(s), es decir, se pretende deducir cu´ al es la probabilidad
de que la variable aleatoria “n´ umero de caras obtenidas” tome los valores
0, 1 y 2. Se denota por P(X = 0) a la probabilidad de “no obtener ningu-
na cara”; por P(X = 1), a la probabilidad de “obtener una cara”; y por
P(X = 2), a la de “obtener dos caras”, entonces se tiene:
P(X = 0) =
1
4
; P(X = 1) =
1
2
; P(X = 2) =
1
4
En el ejemplo 4, al experimento de lanzar dos dados al aire se le ha
asociado la variable aleatoria “suma de dos dados”. De igual manera, se
puede asociar la probabilidad de que ´esta tome los valores 2, 3, . . . , 11, 12,
respectivamente (tabla 7.1).
En general, se puede medir la probabilidad con que una variable aleatoria
discreta X toma los distintos valores X(s) (valores asociados a los distintos
sucesos s). La variable aleatoria discreta X toma el valor k siempre que en
2
De forma m´as precisa: el rango debe ser contable, esto es, finito o numerable. Un
conjunto A es numerable si card(A) = card(N) := ℵ
0
, donde card(C) representa el cardinal
del conjunto C, esto es, el n´ umero de elementos que ´este tiene.
Centraremos el estudio en variables discretas finitas. En el anexo G se hace un breve
esbozo del estudio de variables aleatorias discretas numerables.
Combinatoria y Probabilidad
184 7 Funci´on de probabilidad de una variable aleatoria discreta
Resultados V.a. P. muestrales Probabilidad
(1,1) 2 1 1/36
(1,2),(2,1) 3 2 2/36
(1,3), (2,2), (3,1) 4 3 3/36
(1,4), (2,3), (3,2), (4,1) 5 4 4/36
(1,5), (2,4), (3,3), (4,2), (5,1) 6 5 5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 6 6/36
(2,6), (3,5), (4,4), (5,3), (6,2) 8 5 5/36
(3,6), (4,5), (5,4), (6,3) 9 4 4/36
(4,6), (5,5), (6,4) 10 3 3/36
(5,6), (6,5) 11 2 2/36
(6,6) 12 1 1/36
Tabla 7.1: Variable aleatoria “suma de dos dados”.
el experimento aleatorio se verifica un suceso s ∈ E tal que X(s) = k. As´ı,
la probabilidad de que X tome el valor k ser´a igual a la de que ocurra el
suceso:
A = {s ∈ E | X(s) = k}
De esta manera, es posible pasar de la definici´ on de probabilidad, introducida
en el cap´ıtulo 5, basada en una “funci´ on de conjuntos” (probabilidad de un
suceso) a una “funci´ on de puntos” (probabilidad de un valor):
Definici´on 34 (Funci´on de probabilidad) Se llama funci´ on de probabi-
lidad de una variable aleatoria discreta X a la funci´ on de variable real y con
dominio de valores contenido en el intervalo real [0; 1] dada por:
P(X = k) = P(A)
7.2. Funciones de probabilidad
La toma de datos emp´ıricos permite asociar a cada suceso de un ex-
perimento aleatorio una frecuencia relativa, que representa la probabilidad
emp´ırica asociada a dichos sucesos. En esta secci´on, se van a introducir cier-
tas reglas “arbitrarias” que permiten asociar a los sucesos una probabilidad
te´orica y modelizar, as´ı, la realidad de manera aproximada.
Antes que todo, precisar que el concepto de funci´ on de probabilidad de
una variable aleatoria discreta X (definici´ on 34) es puntual: al considerar los
valores de una variable aleatoria es posible definir una funci´ on matem´atica
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 185
que asigne una probabilidad a cada realizaci´ on k de la dicha variable X.
De esta forma, el t´ermino m´as general, distribuci´ on de probabilidad, se re-
fiere a la colecci´on de valores de la variable aleatoria y a la distribuci´ on de
probabilidades entre ´estos.
7.2.1. Funci´ on degenerada en x
0
Supongamos, por ejemplo, una moneda con doble cara: el mismo grabado
aparece en el anverso y en el reverso. Si lanzamos la moneda al aire se
obtendr´ a, sin duda, cara. Esto es, la probabilidad de obtener cara es 1 y, la
de obtener sello, 0; esto es, si se denomina X a la variable aleatoria “n´ umero
de caras en un lanzamiento” se tiene: P(X = 1) = 1. En general, se define:
Definici´on 35 (Distribuci´on degenerada en x
0
) Se dice que la colec-
ci´ on de valores de una variable aleatoria X est´ an distribuidos de forma
degenerada en un punto x
0
si:
P
D
(X = k) =

1 si k = x
0
0 si k = x
0
De esta forma, el suceso A = {s ∈ E | X(s) = x
0
} es seguro: se puede
interpretar, por lo tanto, que el experimento asociado es determinista, puesto
que la realizaci´ on del mismo implica la verificaci´on del suceso A.
7.2.2. Funci´ on uniforme en n puntos
En la secci´ on 5.2.3, se ha construido una funci´ on de probabilidad para
un espacio muestral sim´etrico donde todos los puntos eran equiprobables.
La distribuci´ on de probabilidad m´ as sencilla que puede construirse en estas
condiciones es aquella que asocia a cada punto e
i
del espacio muestral E un
valor de la variable aleatoria:
P(X = x
i
) = P(e
i
) =
1
n
Para todo valor x
i
(i = 1, . . . , n) que puede tomar la variable aleatoria X.
Ejemplos de esta distribuci´ on de probabilidades son el lanzamiento de
una moneda o el lanzamiento de un dado no trucados. Las variables aleato-
rias X e Y , que representan el “n´ umero de caras obtenidas en el lanzamiento
de una moneda” y el “valor num´erico obtenido en el lanzamiento de un da-
do”, pueden tomar, respectivamente, los valores 0 o 1 y 1, 2, 3, 4, 5 o 6,
Combinatoria y Probabilidad
186 7 Funci´on de probabilidad de una variable aleatoria discreta
adem´as, se cumple que:
P(X = 0) = P(X = 1) =
1
2
;
P(Y = 1) = P(Y = 2) = . . . = P(Y = 5) = P(Y = 6) =
1
6
En general, se define:
Definici´on 36 (Distribuci´on uniforme) La colecci´ on de valores de una
variable aleatoria X est´ an distribuidos de forma uniforme en n puntos (x
1
,
. . . , x
n
) si:
P
U
(X = k) =

1
n
si k = x
i
(i ∈ {n ∈ N| 1 ≤ i ≤ n})
0 en cualquier otro caso
Las distribuciones de probabilidad pueden ser descritas mediante un
gr´ afico de barras: en el eje horizontal se se˜ nalan los posibles valores que
puede tomar la variable aleatoria; en el eje vertical, las probabilidades aso-
ciadas a dichos valores. En la figura siguiente, se representa la distribuci´ on
uniforme con n variando entre 1 y 6. El caso n = 1 puede ser interpretado
como la distribuci´ on degenerada en el valor 1.
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
7.2.3. Funci´ on binomial
Supongamos un experimento en el que se puede verificar o no un suceso.
El ejemplo m´ as sencillo de una tal situaci´ on es el lanzamiento de una moneda
no trucada (salga cara, no salga cara). Otro ejemplo: al lanzar dos dados,
puede obtenerse el suceso “la suma de los dados es siete” o el suceso contrario
“la suma de los dados no es siete”. En general, hablaremos de “´exito” si se
verifica un determinado suceso (que interesa resaltar por alg´ un motivo); y
de “fracaso”, si se verifica el suceso contrario.
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 187
Existe un modelo que se ajusta a la situaci´on presentada: en una urna
tenemos N bolas, b bolas blancas y (N−b) bolas negras. Al extraer una bola
de la urna, ´esta puede ser blanca o negra. Si se considera el suceso “extraer
una bola blanca” como ´exito, el suceso contrario, “extraer una bola negra”,
ser´a entendido como fracaso. ¿Qu´e sucede si se hacen varias extracciones?
¿C´omo se modifica el experimento si ´estas se hacen con o sin reposici´on?
Supongamos, por el momento, que despu´es de cada extracci´on se repone
la bola tomada. Entonces, los ensayos son independientes unos de otros y la
probabilidad de ´exito en cada una de las extracciones permanece constante e
igual a b/N. Denotaremos por p a la probabilidad de ´exito, esto es, p = b/N.
As´ı, la probabilidad de fracaso es (1 −p), es decir, (N −b)/N. El problema
que se plantea es calcular la probabilidad de que en n extracciones k bolas
sean blancas: ¿cu´al es la probabilidad de obtener k ´exitos de n ensayos?
Responder a esta pregunta es equivalente a crear la distribuci´ on binomial.
Si consideramos que los k primeros ensayos son ´exito (E) y los (n − k)
siguientes son fracaso (F), entonces la probabilidad de este suceso es:
P(E,
k veces
. . . , E, F,
(n−k) veces
. . . , F) =
= p
k veces
. . . p · (1 −p)
(n−k) veces
. . . (1 −p) =
= p
k
· (1 −p)
n−k
La probabilidad de obtener k ´exitos y los (n − k) fracasos en cualquier
otro orden es la misma (es suficiente aplicar la propiedad conmutativa del
producto), de esta forma, basta calcular el n´ umero de ordenaciones posibles
para obtener la probabilidad del suceso “k ´exitos de n ensayos”. El n´ umero
de ordenaciones no es otro que las combinaciones de n elementos tomados
de k en k
3
. De esta forma, si denotamos por P(k; n, p) a la probabilidad
de obtener “k ´exitos de n ensayos”, donde p representa la probabilidad de
obtener en cada ensayo independiente un ´exito, tenemos:
P(k; n, p)=C
n,k
· p
k
· (1 −p)
n−k
=
=

n
k

· p
k
· (1 −p)
n−k
=
=
n!
(n−k)!·k!
· p
k
· (1 −p)
n−k
Obviamente, los valores k de la variable aleatoria discreta X var´ıan entre 0
(ning´ un ´exito) y n (todo ´exitos). Por lo tanto, los par´ ametros que determinan
la distribuci´ on binomial son n y p, es decir, el n´ umero de ensayos que se
realizan y la probabilidad de ´exito en cada uno de ellos. En definitiva, se
define:
3
Tambi´en puede ser descrito como las permutaciones con repetici´on de n elementos
clasificados en dos grupos de k y (n −k) elementos indistinguibles: PR
k,(n−k)
n
.
Combinatoria y Probabilidad
188 7 Funci´on de probabilidad de una variable aleatoria discreta
Definici´on 37 (Distribuci´on binomial) Sea una variable aleatoria dis-
creta X que representa el n´ umero de ´exitos en n intentos y que, por lo
tanto, puede tomar los valores 0, 1, . . . , n, y sea p la probabilidad de un ´exito
independiente; entonces, la colecci´ on de valores de una variable aleatoria X
est´ an distribuidos de forma binomial si:
P
B
(X = k; n, p) =

n
k

· p
k
· (1 −p)
n−k
si 0 ≤ k ≤ n, k ∈ N
0 en cualquier otro caso
Por otro lado, es preciso observar que la funci´ on binomial es de probabi-
lidad. Para ello, tendr´ an que cumplirse las tres propiedades fundamentales
introducidas por A. N. Kolmog´ orov en la definci´ on axiom´ atica de probabi-
lidad (defici´ on 27, p. 132):
1. Es claro que: P
B
(X = k; n, p) ≥ 0, para todo k ∈ {0, 1, 2, . . . , n}.
2.
¸
n
k=0

n
k

p
k
(1 −p)
n−k
= [p + (1 −p)]
n
= 1
n
= 1.
3. Si A ∩ B = ∅, entonces A debe representar un n´ umero de ´exitos y
B otro en el mismo n´ umero de pruebas, entonces, necesariamente,
P
B
(A∪ B) = P
B
(A) +P
B
(B).
La verificaci´ on del segundo axioma aclara, por otro lado, porqu´e la va-
riable aleatoria discreta X recibe el nombre “binomial”: los valores de la
probabilidad P
B
(k; n, p), para k variando entre 0 y n, son los t´erminos de la
expansi´ on del binomio de Newton con t´erminos p y (1 −p):
[p + (1 −p)]
n
=
n
¸
k=0

n
k

p
k
(1 −p)
n−k
Por ´ ultimo, es posible representar las funci´ on binomial de probabilidad
seg´ un cu´ ales sean los par´ametros n y p. En la figura 7.1 se pueden ver los
diagramas de barras con n = 6 y p = 0, 1, p = 0, 2, p = 0, 3, . . . , p = 0, 9,
respectivamente.
Como se puede observar en la figura 7.1, el diagrama de barras con p =
0, 5 es sim´etrico, respecto a los valores centrales. Es el caso del lanzamiento
de una moneda no trucada: el “´exito” se asimila a la obtenci´ on de una cara,
el “fracaso” a la obtenci´ on de un sello. En los otros casos, el gr´ afico queda
“desequilibrado”: hacia la derecha, si la probabilidad de ´exito es mayor que
0,5; hacia la izquierda, si la probabilidad de ´exito es menor que 0,5.
Este tipo de gr´ aficos puede servir para obtener la probabilidad de tener
un n´ umero determinado de ´exitos en un experimento, ligado a una variable
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 189
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6
0.1
0.2
0.3
0.4
0.5
0.6
Figura 7.1: Distribuci´ on binomial (n = 6 y p = 0, k; k ∈ {1, . . . , 9}).
aleatoria binomial. Sin embargo, los resultados no son precisos: se comenten
errores de cent´esimas. La soluci´on cl´ asica ha consistido en tabular los valores
de la funci´ on de probabilidad para un n´ umero suficiente amplio de valores
de los par´ ametros p y n (ver anexo H).
En la actualidad, la mayor´ıa de los microordenadores personales admi-
ten programas estad´ısticos que contienen paquetes ad hoc. De esta forma,
con sencillas ´ordenes, se obtiene de forma r´ apida y fiable los valores de las
probabilidades de las distribuciones de probabilidad, tanto discretas como
continuas. Las tablas para las funciones discretas de probabilidad del anexo
H han sido obtenidas con el software Mathematica.
Ejemplo 6 Supongamos el experimento aleatorio “lanzamiento de una mo-
neda”. La variable aleatoria asociada X definida por “n´ umero de caras”.
¿Cu´ al es la probabilidad de obtener en 6 lanzamientos justamente dos ca-
ras? ¿Y al menos dos caras? ¿Y menos de dos caras?
La probabilidad primera puede ser calculada como el valor de la funci´ on
binomial de par´ amentros n = 6 (n´ umero de veces que se lanza la moneda)
y p =
1
2
(probabilidad de obtener cara en cada lanzamiento independiente),
para el valor 2 de la variable aleatoria, esto es:
Combinatoria y Probabilidad
190 7 Funci´on de probabilidad de una variable aleatoria discreta
P
B
(X = 2; 6,
1
2
) =

6
2

·

1
2

2
·

1
2

4
=
6 · 5 · 4!
4! · 2!

1
2

6
= 15

1
2

6
= 0, 2344
Este resultado pod´ıa haberse obtenido, de forma aproximada, a partir
de las tablas del anexo H y por el diagrama de barras de la figura (p.189).
Por otro lado, la probabilidad de obtener en 6 lanzamientos “al menos”
dos caras debe interpretarse correctamente como la probabilidad de obtener
2, 3, 4, 5 o 6 caras de los 6 lanzamientos. Esto es:
P
B
(k ≥ 2; 6,
1
2
) = P
B
(2; 6,
1
2
) +P
B
(3; 6,
1
2
) +P
B
(4; 6,
1
2
) +P
B
(5; 6,
1
2
) +P
B
(6; 6,
1
2
)
Obtenga, realizando todos los c´ alculos necesarios, que dicho valor es
aproximadamente igual a 0,8906. ¿Obtiene el mismo valor si utiliza la tabla
para funci´ on binomial del anexo H?
Por ´ ultimo, la probabilidad de obtener menos de 2 caras, puede obtenerse
de manera similar observando que:
P
B
(k < 2; 6,
1
2
) =
O bien, que los sucesos “al menos 2” y “menos que 2” son contrarios y, por
lo tanto,
P
B
(k < 2; 6,
1
2
) = 1 −P
B
(k ≥ 2; 6,
1
2
) =
¿Se obtienen los mismos valores? . ¿C´omo podr´ıa utilizar las
tablas para calcular estos valores?
.
Ejemplo 7 En la secci´ on 4.2.2 se estudi´o el caso de la probabilidad de ob-
tener (al menos) un 6 en 4 lanzamientos. Dicho experimento puede ser des-
crito por la funci´ on binomial.
La probabilidad de obtener “al menos” un seis en 4 tiradas es igual al
valor de la funci´ on de probabilidad binomial acumulada: P
B
(1 ≤ k ≤ 4; 4,
1
6
).
Se llama acumulada puesto que agrupa las probabilidades de la funci´ on
binomial con par´ ametros n = 4 y p =
1
6
para los valores de la variable
aleatoria “salir un seis” variando entre 1 y 4:
P
B
(1 ≤ k ≤ 4; 4,
1
6
) = P
B
(1; 4,
1
6
) +P
B
(2; 4,
1
6
) +P
B
(3; 4,
1
6
) +P
B
(4; 4,
1
6
)
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 191
Como en el caso anterior, dicho valor se puede obtener realizando todos
los c´alculos a partir de la definici´ on de funci´ on de probabilidad binomial o
utilizando las tablas del anexo H (o, en caso de tener acceso a ello, mediante
un programa de ordenador que d´e autom´aticamente dichos valores).
Otra forma de afrontar el problema es tener en cuenta que el suceso
“obtener al menos un seis en cuatro lanzamientos de un dado” es el suce-
so contrario de . Por lo tanto, en
t´erminos de la funci´ on de probabilidad binomial de par´ ametros n = 4 y
p =
5
6
(probabilidad de no obtener seis), se tiene:
P
B
(1 ≤ k ≤ 4; 4,
1
6
) = 1 −P
B
(k = 4; 4,
5
6
) = 1 −

5
6

4
≈ 0, 5177
Funci´on de Bernouilli
Un caso particular de la distribuci´ on binomial es la funci´ on de Bernouilli,
llamada as´ı en honor del matem´ atico Jacques Bernouilli (1654–1705): el
n´ umero de realizaciones es 1, esto es, el par´ametro n = 1. Por lo tanto, un
´ unico par´ ametro define la funci´ on de probabilidad de Bernouilli: p. Se define:
Definici´on 38 (Distribuci´on de Bernouilli) Sea una variable aleatoria
discreta X que representa el n´ umero de ´exitos en un solo intento y que, por
lo tanto, puede tomar los valores 0 o 1, y sea p la probabilidad de ´exito; en-
tonces, la colecci´ on de valores de una variable aleatoria X est´ an distribuidos
seg´ un Bernouilli si:
P
BE
(X = k; p) =



p si k = 1
1 −p si k = 0
0 en cualquier otro caso
Por otro lado, se puede asegurar que la funci´ on de Bernouilli es de pro-
babilidad, puesto que la funci´ on binomial lo es (como se prob´ o en la anterior
secci´on) y la funci´ on de Bernouilli es un caso particular de ´esta. La repre-
sentaci´on de las distintas distribuciones de probabilidad de Bernouilli seg´ un
el par´ ametro p se realiza de forma an´aloga a como se hizo para la binomial;
la ´ unica diferencia es que la variable aleatoria toma ´ unicamente los valores
0 (fracaso) y 1 (´exito) y, por lo tanto, el gr´ afico tiene dos ´ unicas columnas.
7.2.4. Funci´ on hipergeom´etrica
En ciertas situaciones reales, las condiciones var´ıan seg´ un se analizan las
muestras. Por ejemplo: en un estudio de calidad en una f´ abrica, el modo
Combinatoria y Probabilidad
192 7 Funci´on de probabilidad de una variable aleatoria discreta
natural de proceder para estimar el n´ umero de productos defectuosos, que
tendr´ an que ser desechados para su salida al mercado, es retirar de la cadena
los objetos fallados que se vayan detectando. De esta forma, las condiciones
iniciales se modifican, puesto que la probabilidad de encontrar un producto
defectuoso disminuye: hay menos objetos defectuosos en la cadena, puesto
que los encontrados salen de ´esta (no se reponen).
Para describir la distribuci´ on binomial, se introdujo el modelo de la ur-
na. Como se dijo, las extracciones sucesivas de bolas que se van realizando
pueden ser con o sin reposici´ on. El caso de extracciones con reposici´on es
descrito por la distribuci´ on binomial. En el supuesto de que no se reponga la
bola extra´ıda, el modelo binomial no es adecuado: la probabilidad de ´exito
en una segunda extracci´ on no es independiente de la primera extracci´ on que
se ha realizado.
Dada una urna con N bolas, b blancas y N − b negras, en la primera
extracci´on la probabilidad de ´exito es b/N, en la segunda extracci´ on la pro-
babilidad de ´exito est´a condicionada por el resultado en el primer ensayo: si
se extrajo una bola blanca, la probabilidad de ´exito es (b−1)/(N−1); mien-
tras que si la bola extra´ıda fue negra, la probabilidad de ´exito es b/(N −1).
Entonces, ¿cu´ al es la probabilidad de obtener k bolas blancas de n extrac-
ciones “sin reemplazo”?
El n´ umero de formas en que se pueden extraer n bolas de una urna que
contiene N (n ≤ N) es igual al n´ umero de combianciones de N elementos
tomados de n en n: C
N,n
. De igual manera, el n´ umero de formas para extraer
k (k ≤ b) bolas blancas de la urna es C
b,k
y el n´ umero de maneras posibles
de extraer (n − k) [n − k ≤ N − b] bolas negras es C
(N−b),(n−k)
; por lo
tanto, por la regla del producto, el n´ umero total de formas en que se puede
tener k ´exitos es: C
b,k
· C
(N−b),(n−k)
. As´ı, si se denota por P(k; N, n, b) a la
probabilidad de obtener k bolas blancas en n extracciones (sin reemplazo)
de una urna con N bolas de las cuales b son blancas, se tiene:
P(k; N, n, b) =
C
b,k
· C
(N−b),(n−k)
C
N,n
=

b
k

·

N−b
n−k

N
n

Como se puede observar, las definiciones para las funciones de probabi-
lidad de las distribuciones discretas uniforme, binomial y de Bernouilli se
han dado en t´erminos de la probabiliadad p de un suceso “favorable”. Por
uniformidad, es posible expresar la funci´ on de probabilidad hipergeom´etrica
tambi´en en estos t´erminos. Sean p =
b
N
y q = 1−p =
N−b
N
, las probabilidades
de “´exito” y “fracaso”, respectivamente, cuando todav´ıa no se ha extra´ıdo
ning´ un elemento; entonces, es f´acil observar que la funci´ on de probabilidad
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 193
hipergeom´etrica puede escribirse en la forma:
P(k; N, n, p) =
C
Np,k
· C
Nq,(n−k)
C
N,n
=

Np
k

·

Nq
n−k

N
n

En conclusi´ on, se define:
Definici´on 39 (Distribuci´on hipergeom´etrica) Sea N el n´ umero total
de objetos de una poblaci´ on finita, de manera que b de ´estos es de un tipo
y (N − b) de otro. Sea X una variable aleatoria discreta que representa
el n´ umero de elementos del primer tipo en n extracciones sin reposici´ on
(ensayos dependientes) y que, por lo tanto, puede tomar los valores 0, 1,
. . . , n (n ≤ b); sea p la probabilidad de tomar en el primer intento un
elemento del primer tipo (p = b/N) y sea q la probabilidad de tomar en
el primer intento un elemento del segundo tipo (q = 1 − p = (N − b)/N);
entonces, la colecci´ on de valores de la variable aleatoria X est´ an distribuidos
de forma hipergeom´etrica si:
P
HG
(X = k; N, n, p) =



(
Np
k
)·(
Nq
n−k
)
(
N
n
)
si 0 ≤ k ≤ n; k ≤ b; n −k ≤ N −b
0 en cualquier otro caso
Como se ha establecido para la funci´ on binomial, es posible, para dis-
tintos par´ amentros, obtener los diagramas de barras asociados. En la figura
siguiente se puede ver la representaci´on para (N = 10, n = 5, p = b/10), con
b variando entre 1 y 9, b ∈ N. Interprete dichos gr´ aficos.
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6
0.2
0.4
0.6
0.8
1
Combinatoria y Probabilidad
194 7 Funci´on de probabilidad de una variable aleatoria discreta
¿Cu´ al es el valor de la funci´ on de probabilidad hipergeom´etrica con
par´ ametros (N = 10, n = 5, p = 5/10) para los valores 0, 1, 2, 3, 4 y 5 de la
variable aleatoria?
.
¿Observa alguna anomal´ıa con el gr´ afico asociado que se ha representado?
.
¿Hay otros gr´ aficos con una “anomal´ıa” parecida?
.
Al igual que para la variable aleatoria binomial, los diagramas de ba-
rras se pueden utilizar para calcular la probabilidad de los valores de una
variable aleatoria hipergeom´etrica. Sin embargo, como suced´ıa en el caso de
la distribuci´ on binomial, los resultados no son precisos: se comenten errores
de cent´esimas. Como se dijo entonces, la soluci´on cl´ asica ha consistido en
tabular los valores de la funci´ on de probabilidad para un n´ umero suficiente
amplio de valores de los par´ ametros N, n y p. Las tablas para las funciones
discretas de probabilidad del anexo H han sido obtenidas con el software
Mathematica.
A continuaci´ on presentamos algunos ejemplos que pueden ser resueltos
teniendo en cuenta la funci´ on de probabilidad hipergeom´etrica.
Ejemplo 8 Cinco personas son candidatas a tres premios. Se colocan cinco
papeles en una bolsa, tres de ellos marcados. Por turno, las personas toman
un papel de la bolsa. Considere la variable aleatoria X “n´ umero de papeles
premiados extra´ıdos” y determine las probabilidades de que en 1, 2, 3, 4 y
5 extracciones se saque 1, 2 o 3 premios.
Los par´ ametros de la funci´ on hipergeom´etrica son N = 5, p =
3
5
y n,
que var´ıa entre 1 y 5. La variable aleatoria X describe el n´ umero de “´exitos
(papeles premiados obtenidos)” y, por lo tanto, var´ıa entre 0 y 3. De esta
forma, la distribuci´ on hipergeom´etrica da los valores de la probabilidad del
n´ umero de ´exitos para un n´ umero determinado de extracciones. Entonces:
P
HG
(0; 5, 1,
3
5
) =
4
10
; P
HG
(1; 5, 1,
3
5
) =
6
10
; P
HG
(2; 5, 1,
3
5
) = 0 ; P
HG
(3; 5, 1,
3
5
) = 0
P
HG
(0; 5, 2,
3
5
) =
1
10
; P
HG
(1; 5, 2,
3
5
) =
6
10
; P
HG
(2; 5, 2,
3
5
) =
3
10
; P
HG
(3; 5, 2,
3
5
) = 0
P
HG
(0; 5, 3,
3
5
) = 0 ; P
HG
(1; 5, 3,
3
5
) =
3
10
; P
HG
(2; 5, 3,
3
5
) =
6
10
; P
HG
(3; 5, 3,
3
5
) =
1
10
P
HG
(0; 5, 4,
3
5
) = 0 ; P
HG
(1; 5, 4,
3
5
) = 0 ; P
HG
(2; 5, 4,
3
5
) =
6
10
; P
HG
(3; 5, 4,
3
5
) =
4
10
P
HG
(0; 5, 5,
3
5
) = 0 ; P
HG
(1; 5, 5,
3
5
) = 0 ; P
HG
(2; 5, 5,
3
5
) = 0 ; P
HG
(3; 5, 5,
3
5
) = 1
Los valores 0 para la probabilidad se˜ nalan situaciones imposibles: por la
definici´ on 39, se sabe que los par´ ametros de la distribuci´ on hipergeom´etrica
tienen ciertas restricciones (en cualquier otro caso, la probabilidad es cero).
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 195
Por ejemplo, en las condiciones del problema, la probabilidad de que no se
haya sacado ning´ un premio si se han extra´ıdo tres papeles es cero.
Por ´ ultimo, demuestre que el puesto de extracci´on es irrelevante y que,
por lo tanto, no resulta ventajoso tomar el papel en un orden determinado.
Con otras palabras, la probabilidad de ganar un premio es independiente
del orden establecido para la extracci´ on del papel.
Ejemplo 9 Un fabricante de pantalones, para mantener la competitividad,
requiere de nueva maquinaria. Una industria le ofrece a buen precio 50
m´ aquinas nuevas. ¿Qu´e estrategia puede seguir el comerciante para acep-
tar o rechazar el negocio?
Una posibilidad es la siguiente: tomar al azar un lote de 10 de las m´ aqui-
nas ofertadas y comprobar su funcionamiento. Si todas funcionan correcta-
mente, ¿hay raz´ on suficiente para cerrar el trato? La pregunta debe com-
prenderse en t´erminos de la distribuci´ on hipergeom´etrica: supongamos que
hay 4 con alg´ un fallo grave, ¿qu´e probabilidad hay de que tomadas al azar 10
m´aquinas de 50 todas funcionen correctamente? Sea X la variable aleatoria
n´ umero de fallos, entonces:
P
HG
(X = 0; 50, 10, 4) =

4
0

46
10

50
10
≈ 0, 39683
De esta forma, la probabilidad de que el lote se acepte si hay cuatro
m´aquinas defectuosas no es muy grande. Con otras palabras, la probabi-
lidad de que funcionen correctamente las 10 m´ aquinas si en el lote de 50
hay 4 defectuosas no es alta. En conclusi´ on, si las 10 m´ aquinas funcionan
correctamente se puede aceptar que casi todas las m´aquinas van a tener un
comportamiento correcto. De hecho, si ´ unicamente una de las m´ aquinas tie-
ne alguna falla de funcionamiento, la probabilidad de que ´este sea detectado
es peque˜ na:
P
HG
(X = 0; 50, 10, 1) =

1
0

49
10

50
10
≈ 0, 8
Ejemplo 10 El gerente de la misma f´ abrica de pantalones decide hacer un
seguimiento a la producci´ on que se obtiene con la nueva maquinaria. Por
ello, consulta al supervisor de planta qu´e n´ umero de pantalones tienen alg´ un
despefecto: “tres de cada millar”. El gerente decide hacer una inspecci´ on de
rutina: toma 25 pantalones al azar y obtiene 1 pantal´ on defectuoso. ¿Hay
razones suficientes para pensar que la informaci´ on dada por el supervisor es
incorrecta?
Combinatoria y Probabilidad
196 7 Funci´on de probabilidad de una variable aleatoria discreta
En t´erminos de la distribuci´ on hipergeom´etrica, es preciso calcular:
P
HG
(X = 1; 1000, 25,
3
1000
) =

3
1

997
24

1000
25
≈ 0, 0714
Adem´as, la probabilidad de que se tenga ning´ un pantal´ on defectuoso es muy
grande:
P
HG
(X = 0; 1000, 25,
3
1000
) =

3
0

997
25

1000
25
≈ 0, 9268
De esta forma, lo esperado hubiera sido no encontrar ning´ un pantal´ on en mal
estado. Entonces, hay serios indicios para suponer que el conocimiento de la
producci´ on por parte del supervisor de planta es incorrecto o bien ha surgido
un imprevisto de ´ ultima hora. Obs´ervese que si, en lugar de 3 pantalones de
cada mil, fueran 10, que tampoco es una cifra excesiva, la probabilidad de
tomar un pantal´ on defectuoso es del orden del 20 %. En efecto:
P
HG
(X = 1; 1000, 25,
10
1000
) =
De esta forma, el gerente tiene motivos fundados para sospechar que alg´ un
problema no localizado se est´ a produciendo y, por lo tanto, ordenar´ a al
supervisior que haga un estudio profundo para detectar la posible falla en
la cadena.
Por otro lado, en las condiciones iniciales del problema, la probabi-
lidad de que el primer art´ıculo seleccionado sea defectuoso es igual a
p =
3
1000
= 0, 003; de esta forma, la probabilidad de que el art´ıculo segun-
do sea tambi´en defectuoso es igual a:
2
999
= 0, 002. Es posible aceptar que
las condiciones “apenas si cambian”: si el cociente n/N es muy peque˜ no, la
funci´ on de probabilidad hipergeom´etrica puede ser aproximada por la bino-
mial, esto es, se admite que las pruebas son independientes unas de las otras,
manteni´endose constante la probabilidad p. En este caso, proceder´ıamos de
la siguiente forma:
P
HG
(1; 1000, 25,
5
1000
) ≈ P
B
(1; 25,
5
1000
) =

25
1

· 0, 005 · (0, 995)
24
≈ 0, 0698
El motivo de la aproximaci´ on por la binomial se cifra por la comodidad
que ello conlleva. En el anexo F.2 se da una justificaci´ on formal del uso de
la funci´ on binomial en lugar de la hipergeom´etrica para poblaciones cuyo
cociente n/N es peque˜ no (del orden de 0,01 o menor, por ejemplo). La tabla
7.2 muestra c´omo la funci´ on hipergeom´etrica se aproxima m´as y m´as a la
binomial conforme el cociente n/N se hace m´as peque˜ no.
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 197
X P
HG
(X = k; 1000, 100,
5
1000
) P
B
(X = k; 100,
5
1000
) n/N
0 0,589832 0,605770 0,1
1 0,329147 0,304407 0,1
2 0,072655 0,075719 0,1
3 0,007929 0,012430 0,1
4 0,000428 0,001515 0,1
5 0,000009 0,000146 0,1
X P
HG
(X = k; 1000, 50,
5
1000
) P
B
(X = k; 50,
5
1000
) n/N
0 0,773373 0,778313 0,05
1 0,204380 0,195556 0,05
2 0,021150 0,024076 0,05
3 0,001071 0,001936 0,05
4 0,000027 0,000114 0,05
5 0,000000 0,000005 0,05
X P
HG
(X = k; 1000, 10,
5
1000
) P
B
(X = k; 10,
5
1000
) n/N
0 0,950894 0,951110 0,01
1 0,048220 0,047795 0,01
2 0,000879 0,001081 0,01
3 0,000007 0,000014 0,01
4 0,000000 0,000000 0,01
5 0,000000 0,000000 0,01
X P
HG
(X = k; 1000, 5,
5
1000
) P
B
(X = k; 5,
5
1000
) n/N
0 0,975200 0,975249 0,005
1 0,024601 0,024504 0,005
2 0,000198 0,000246 0,005
3 0,000000 0,000001 0,005
4 0,000000 0,000000 0,005
5 0,000000 0,000000 0,005
Tabla 7.2: Aproximaci´ on de la distribuci´ on hipergeom´etrica por la binomial.
Combinatoria y Probabilidad
198 7 Funci´on de probabilidad de una variable aleatoria discreta
7.2.5. Funci´ on binomial negativa
En las condiciones de la distribuci´ on binomial, es decir, la probabilidad de
tener un ´exito en un ensayo independiente es constante (p), puede interesar
conocer cu´antas veces se debe reproducir un experimento para conseguir un
n´ umero determinado de ´exitos, esto es: ¿cu´antos ensayos deben realizarse
para conseguir k ´exitos? Ahora, la variable aleatoria no va ser el n´ umero de
´exitos que se han conseguido, sino el n´ umero de ensayos que se han realizado
(para conseguir un n´ umero predeterminado de ´exitos).
Como en los casos anteriores, ser´a necesario, en primer lugar, calcular
la probabilidad de conseguir k ´exitos. Obviamente, la ´ ultima extracci´ on es
´exito, puesto que en caso contrario, continuar´ıamos realizando nuevos en-
sayos hasta completar el k-´esimo ´exito. De esta forma, interesa saber c´omo
se obtuvieron los k − 1 ´exitos en los n − 1 primeros ensayos. El n´ umero de
formas distintas en que pueden ser observados k −1 ´exitos de n −1 ensayos
(k ≤ n) es igual al n´ umero de combinaciones de n − 1 elementos tomados
de k −1 en k −1, esto es, C
(n−1),(k−1)
. Luego, si se denota por P(n; k, p) a
la probabilidad de obtener k ´exitos en n ensayos, siendo el ´ ultimo ´exito, se
tiene:
P(X = n; k, p)=C
(n−1),(k−1)
p
k
(1 −p)
n−k
=

n−1
k−1

p
k
(1 −p)
n−k
(n = k, k + 1, . . .)
Ejemplo 11 El problema del caballero de M´er´e: ¿cu´ antas veces debe ser
lanzado un dado para que sea ventajoso apostar porque se obtendr´ a al menos
un seis en el lanzamiento de un dado?
La respuesta puede ser formulada en t´erminos de la funci´ on binomial
negativa: ¿cu´ al es la probabilidad de obtener un ´exito (k = 1) en n =
1, 2, 3, 4, . . . intentos sabiendo que todas las pruebas son independientes y
que la probabilidad de ´extito en cada una de ellas es de 1/6? De esta forma,
es preciso calcular la distribuci´ on de la funci´ on de probabilidad binominal
negativa con par´ ametros n = 1 y p = 1/6:
P(1; 1,
1
6
) =

0
0

1
6

5
6

1−1
=
1
6
P(2; 1,
1
6
) =

1
0

1
6

5
6

2−1
=
5
36
⇒ P(X ≤ 2; 1,
1
6
) =
1
6
+
5
36
≈ 0, 3056
P(3; 1,
1
6
) =

2
0

1
6

5
6

3−1
=
25
216
⇒ P(X ≤ 3; 1,
1
6
) =
1
6
+
5
36
+
25
216
≈ 0, 4213
P(4; 1,
1
6
) =

3
0

1
6

5
6

4−1
=
125
1296
⇒ P(X ≤ 4; 1,
1
6
) =
1
6
+
5
36
+
25
216
+
125
1296
≈ 0, 5177
En la secci´ on 4.2.2, se describieron algunos de los problemas que el caba-
llero de M´er´e plante´ o a su amigo B. Pascal y que originaron un corresponde-
cia fruct´ıfera entre este matem´atico y P. Fermat. Uno de esos problemas era
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 199
el que se acaba de describir y que fue resuelto correctamente, tanto por B.
Pascal como por P. Fermat. Por ello, a la funci´ on de probabilidad binomial
negativa que se acaba de deducir se le conoce tambi´en con el nombre de
funci´ on de Pascal–Fermat. Se define:
Definici´on 40 (Distribuci´on de Pascal–Fermat) Sea n el n´ umero total
de ensayos necesarios para conseguir justamente k ´exitos en un experimento
binomial, en el cual la probabilidad de cada ´exito independiente es p; en-
tonces, la colecci´ on de valores de la variable aleatoria X “n´ umero total de
ensayos” est´ an distribuidos seg´ un Pascal–Fermat si:
P
PF
(X = n; k, p) =

n−1
k−1

p
k
(1 −p)
n−k
si n = k, k + 1, . . .
0 en cualquier otro caso
La funci´ on binomial negativa, tal y como se conoce normalmente, se
obtiene observando que el n´ umero n de realizaciones puede expresarse como
suma de los ´exitos y los fracasos: n = s + k, donde s es el valor de una
variable aleatoria que representa el n´ umero de fracasos hasta que se observa,
de manera exacta, el n´ umero k de ´exitos. De esta forma, se define:
Definici´on 41 (Distribuci´on binomial negativa) Sea n = s + k el
n´ umero total de ensayos necesarios para conseguir justamente k ´exitos en un
experimento binomial, en el cual la probabilidad de cada ´exito independiente
es p; entonces, la colecci´ on de valores de la variable aleatoria X “n´ umero
total de fallos” est´ an distribuidos de forma binomial negativa si:
P
BN
(X = s; k, p) =

k+s−1
k−1

p
k
(1 −p)
s
si s = 0, 1, . . .
0 en cualquier otro caso
Al igual que en las anteriores distribuciones, es posible representar la
distribuci´ on binomial negativa para diferentes valores de los par´ ametros me-
diantes diagramas de barras. En la figura 7.2 se pueden observar 6 gr´ aficos de
barras de la distribuci´ on binomial negativa con par´ ametros p = 0, 2, p = 0, 5
y p = 0, 8 (por columnas) y n = 1 y n = 3 (por filas). Observe los distintas
escalas que se han utilizado, para visualizar mejor la representaci´ on de la
distribuci´ on.
Funci´on geom´etrica
La funci´ on de probabilidad geom´etrica es un caso particular de la dis-
tribuci´ on binomial negativa: n´ umero de fallos que ocurren antes de que se
Combinatoria y Probabilidad
200 7 Funci´on de probabilidad de una variable aleatoria discreta
0 1 2 3 4 5 6 7 8 9 101112
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0 1 2 3 4 5 6 7 8 9 101112
0.05
0.1
0.15
0.2
0 1 2 3 4 5 6 7 8 9 101112
0.1
0.2
0.3
0.4
0.5
0 1 2 3 4 5 6 7 8 9 101112
0.05
0.1
0.15
0.2
0.25
0 1 2 3 4 5 6 7 8 9 101112
0.1
0.2
0.3
0.4
0.5
0 1 2 3 4 5 6 7 8 9 101112
0.2
0.4
0.6
0.8
Figura 7.2: Distribuci´ on binomial negativa con par´ ametros: por columnas,
p = 0, 2, p = 0, 5 y p = 0, 8; por filas, n = 1 y n = 3.
presente el primer ´exito (k = 1). De esta forma, la fila primera de la figura
7.2, representa diferentes distribuciones geom´etricas para el par´ ametro p. En
general, se define:
Definici´on 42 (Distribuci´on geom´etrica) Sea n = s+1 el n´ umero total
de ensayos necesarios para conseguir justamente 1 ´exito en un experimento
binomial, en el cual la probabilidad de cada ´exito independiente es p; en-
tonces, la colecci´ on de valores de la variable aleatoria X “n´ umero total de
fallos” est´ an distribuidos de forma geom´etrica si:
P
G
(X = s; p) =

p(1 −p)
s
si s = 0, 1, . . .
0 en cualquier otro caso
*Justificaci´on del nombre de la funci´on binomial negativa
La definici´ on 40 justifica su nombre debido a los dos primeros matem´ ati-
cos que la utilizaron impl´ıcitamente. Sin embargo, la definici´ on 41 de la
funci´ on binomial negativa no permite justificar el nombre que ´esta posee.
En esta secci´on, se pretende justificar este hecho.
En primer lugar, se conoce la definici´ on para un n´ umero combintario
cuyos t´erminos son enteros no negativos. De manera similar, se puede definir
un n´ umero combinatorio para n´ umeros enteros negativos; si n > 0:

−n
r

:=
(−n)(−n −1) · . . . · (−n −r + 1)
r!
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 201
De esta forma, se tiene que (q = 1 −p):

k+s−1
k−1

p
k
q
s
=
(k+s−1)!
(k+s−1−k+1)!·(k−1)!
p
k
q
s
=
=
(k+s−1)(k+1−2)·...·(k+1)·k·(k−1)!
s!(k−1)!
p
k
q
s
=
=
(k+s−1)(k+1−2)·...·(k+1)·k
s!
p
k
q
s
=
=
(−k)(−k−1)·...·(−k−s+1)
s!
p
k
(−1)
s
q
s
=
=
(−k)(−k−1)·...·(−k−s+1)
s!
p
k
(−q)
s
=

−k
s

p
k
(−q)
s
Por lo tanto, la funci´ on de probabilidad puede ser dada a partir de los
coeficientes binomiales negativos

−k
s

, justific´ andose, por consiguiente, ple-
namente el nombre dado. Por ´ ultimo, se define:
Definici´on 43 (Distribuci´on binomial negativa) Sea n = s + k el
n´ umero total de ensayos necesarios para conseguir justamente k ´exitos en un
experimento binomial, en el cual la probabilidad de cada ´exito independiente
es p; entonces, la colecci´ on de valores de la variable aleatoria X “n´ umero
total de fallos” est´ an distribuidos de forma binomial negativa si:
P(X = s; k, p) =

−k
s

p
k
(−p + 1)
s
si s = 0, 1, . . .
0 en cualquier otro caso
7.2.6. Funci´ on de Poisson
Supongamos que se desea contruir un aeropuerto. El n´ umero de aviones
que se espera llegar´an a ´el resulta determinante. Supongamos que se tiene
un conjunto suficiente de datos sobre cu´ antos aviones llegan al aeropuerto
internacional “Jorge Ch´ avez” (Lima). Con estos datos, el gobierno decide
emprender un proyecto para la construcci´ on de un nuevo aeropuerto, que
pueda recibir el volumen total de aviones que en la actualidad llegan (y los
que en un futuro se espera que puedan llegar).
Con la experiencia acumulada, es posible calcular la probabilidad de que
un avi´ on llegue durante una hora cualquiera; por ejemplo, si en un periodo de
500 horas llegan 2000 aviones, el n´ umero promedio de aviones por hora que
llegan es 4. Una medida que puede adoptarse es construir cuatro pistas de
aterrizaje, perfectamente equipadas, atendiendo al criterio de que si llegan
4 aviones a la vez puedan aterrizar todos. Sin embargo, podr´ıa suceder que:
o bien los aviones lleguen uniformente distribuidos (cada cuarto de hora) y,
por lo tanto, una sola pista podr´ıa ser suficiente para recibir a los aviones
(eventualmente, una pista de seguridad adicional); o bien haya horas de un
Combinatoria y Probabilidad
202 7 Funci´on de probabilidad de una variable aleatoria discreta
flujo masivo de aviones (en la ma˜ nana, por ejemplo) y, por lo tanto, 4 pistas
sean insuficientes para recibir a los aviones en las horas punta.
Por lo tanto, es preciso encontrar un modelo que nos permita tomar una
decisi´on adaptada a las necesidades reales. Con otras palabras, ser´ a necesario
calcular la probabilidad de que lleguen k aviones durante una hora (k =
1, 2, 3, . . .).
La distribuci´ on de Poisson (1781–1840) permite describir una variable
aleatoria que representa el n´ umero de eventos independientes que ocurren a
una velocidad presumida constante. Un ejemplo es el n´ umero de aviones que
llega a un aeropuerto, la reproducci´ on de bacterias en cultivos, el n´ umero de
solicitantes de entradas para un partido de f´ utbol el d´ıa oficial de venta, etc.
La deducci´ on de una f´ ormula para la funci´ on de probabilidad no es tan secilla
como en los casos precedentes y, de momento, obviaremos su demostraci´on
(ver anexo F.4). Se define:
Definici´on 44 (Distribuci´on de Poisson) Sea λ > 0 el n´ umero prome-
dio de veces que se verifica un suceso aleatorio por unidad de tiempo; en-
tonces la colecci´ on de valores de la variable aleatoria X que representa el
n´ umero de eventos independientes que ocurren a velocidad constante en el
tiempo o el espacio est´ an distribuidos seg´ un Poisson si:
P
P
(X = k; λ) =

e
−λ
λ
k
k!
si k = 0, 1, . . .
0 en cualquier otro caso
La distribuci´ on de Poisson puede ser representada por medio de dia-
gramas de barras. La figura 7.3 muestra los diagramas de barras para la
distribuci´ on de Poisson con par´ ametro λ = 0, 1; 0,5; 1; 2; 4 y 6, respectiva-
mente.
Como se puede observar en la figura 7.3, la distribuci´ on de probabilada-
des de la variable aleatoria discreta de Poisson se centra en torno al valor
λ. Por ejemplo, en el caso en el que el n´ umero promedio de ocurrencias es
dos (λ = 2), se tiene que la probabilidad mayor es que ocurra 1 o 2 even-
tos; 3 o ninguno, en este orden; para luego ir bajando la probabilidad de
que la variable aleatoria tome los valores 4, 5, 6, etc.; de tal forma que, la
probabilidad de que se tengan 9 o m´ as ocurrencias es despreciable, esto es,
muy pr´ oxima a cero. Interpretaciones similares puede hacerse de los otros
gr´ aficos.
Ejemplo 12 La lectura del diagrama de barras para la distribuci´ on de Pois-
son con par´ametro λ = 4 puede servirnos para tomar una decisi´ on en torno
a la construcci´ on del nuevo aeropuerto internacional de Lima.
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 203
0 1 2 3 4 5 6 7 8 9 10 11 12 13
0.05
0.1
0.15
0.2
0 1 2 3 4 5 6 7 8 9 10111213141516
0.025
0.05
0.075
0.1
0.125
0.15
0.175
0 1 2 3 4 5 6 7 8 9 10
0.1
0.2
0.3
0.4
0 1 2 3 4 5 6 7 8 9 10
0.05
0.1
0.15
0.2
0.25
0.3
0 1 2 3 4 5 6 7 8 9 10
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9 10
0.1
0.2
0.3
0.4
0.5
0.6
Figura 7.3: Distribuci´ on de Poisson (λ = 0, 1; 0,5; 1; 2; 4 y 6).
Combinatoria y Probabilidad
204 7 Funci´on de probabilidad de una variable aleatoria discreta
En primer lugar, la probabilidad de que lleguen en una hora 7 o m´ as
aviones es peque˜ na (aproximadamente, del orden de 0,15), por lo tanto, se
trabajar´ a sobre la base de 6 aviones por hora m´ aximo.
La primera medida que se debe tomar es dar a cada aerol´ınea un horario,
de tal forma que las llegadas y salidas de los aviones queden distribuidas
homog´eneamente en el tiempo. Como se prev´e que en cada hora hay un
m´aximo de 6 aviones, se establece que cada uno dispone de 10 minutos para
maniobrar (aterrizar o despegar). Se estima que este tiempo es suficiente si
no se presenta ning´ un inconveniente. La decisi´ on adecuada, por lo tanto, a
la vista de los datos es la contrucci´ on de una pista adicional que permita el
funcionamiento del aeropuerto en circustancias extraordinarias
4
.
Por otro lado, los gr´ aficos presentados (figura 7.3) no permiten hacer
una lectura precisa de las distribuci´ on de probabilidad. De hecho, las obser-
vaciones sobre la probabilidad de que lleguen 7 o m´ as aviones se han hecho
de manera aproximada. Como en los casos anteriores, la forma exacta de
obtener los valores es utilizando la funci´ on de probabilidad definida. Por
ejemplo, el valor de la probabilidad de que la variable aleatoria sea menor o
igual a 6 es:
P
P
(X ≤ 6; 4) =
e
−4
·4
0
0!
+
e
−4
·4
1
1!
+
e
−4
·4
2
2!
+
e
−4
·4
3
3!
+
e
−4
·4
4
4!
+
e
−4
·4
5
5!
+
e
−4
·4
6
6!

≈ 0, 018316 + 0, 073263 + 0, 146525 + 0, 195367+
+0, 195367 + 0, 156293 + 0, 104196 = 0, 889326
Ejemplo 13 El n´ umero X de organismos de un determinado tipo (A) en
una c´elula sigue una distribuci´ on de Poisson de par´ ametro λ = 5, mientras
que el n´ umero de Y de otro tipo (B) sigue una distribuci´ on tambi´en de
Poisson, esta vez de par´ametro λ = 0, 3. Si se considera sana un c´elula
cuando contiene alg´ un organismo de tipo A, pero ninguno de tipo B:
1. ¿Cu´ al es la probabilidad de que una c´elula est´e sana?
2. ¿Cu´ al es la probabilidad de que al tomar 100 c´elulas al azar el 80 %
est´en sanas?
3. Se sabe que un tipo espec´ıfico de c´elulas es capaz de sobrevivir si tiene
mayor n´ umero de organismos del tipo A que del tipo B (un organismo
4
En principio, ser´ıa admisible la construcci´on de una pista principal y una secundaria.
La principal, m´as ancha y larga, con un afirmado muy estable y con un mantenimiento
constante y preciso; la secundaria, de caracter´ısticas m´as restringidas, utilizada en situa-
ciones de necesidad, construida con un costo menor.
Miguel R. Wilhelmi
7.2 Funciones de probabilidad 205
del tipo A neutraliza a uno B, quedando el resto libres para realizar las
funciones necesarias para la superviviencia de este tipo de c´elulas).
Para responder a la primera pregunta es preciso calcular la probabili-
dad de que, simult´ aneamente, la variable aleatoria X tome un valor igual
o superior a uno (1) y de que la variable aleatoria Y tome un valor igual
a cero (0). Se puede admitir que la aparici´ on de uno tipo de organismo en
una c´elula es independiente de si esta tiene o no otro tipo de organismo: en
particular, la aparici´ on de organismos A y B en una c´elula cualquiera son
dos hechos independientes. Entonces:
P
P
((X ≥ 1) ∩ (Y = 0))=P
P
((X = 1) ∩ (Y = 0)) + P
P
((X = 2) ∩ (Y = 0)) + . . . =
=P
P
(X = 1) · P
P
(Y = 0) + P
P
(X = 2) · P
P
(Y = 0) + . . . =
=[P
P
(X = 1) + P
P
(X = 2) + . . .] · P
P
(Y = 0) =
=[1 −P
P
(X = 0)] · P
P
(Y = 0) =
=[1 −0, 006738] · 0, 740818 = 0, 735826
De esta forma, la probabilidad de que una c´elula est´e sana es de igual a
0, 735826.
Para contestar la segunda pregunta es posible suponer que el estado de
una c´elula no influye en el de las c´elulas vecinas o, con otras palabras, que
el n´ umero de organismos en una c´elula sea independiente del de las c´elulas
restantes: se acepta que el n´ umero de c´elulas sanas puede ser descrito por
una variable aleatoria binomial de constante p = 0, 735826. Por lo tanto, la
probabiliadad de encontrar al menos un 80 % de c´elulas sanas es igual a:
P
B
(Z ≥ 80; 100, p) = P
B
(Z = 80; 100, p) + P
B
(Z = 81; 100, p)+
+P
B
(Z = 82; 100, p) + P
B
(Z = 83; 100, p) . . . ≈
≈ 0, 032282 + 0, 022202 + 0, 014329 + 0, 008656 + 0, 004879+
+ 0, 002558 + 0, 001243 + 0, 000557 + 0, 000229 + . . . ≈ 0, 054781
De esta forma, es bastante improbable que se encuentre un 80 % de celu-
las sanas en la muestra. Si esto ha sucedido es preciso estudiar detenidamente
el problema: suponiendo que el n´ umero de organismos de cada tipo siguen
las distribuciones dadas
5
, es preciso analizar los supuestos que han regido
nuestra investigaci´ on. Los supuestos “fuertes” han sido: la independencia del
n´ umero de organismos de uno y otro tipo en una c´elula y que el n´ umero de
organismos en una c´elula sea independiente del de las c´elulas restantes. Uno
5
Es posible haber determinado ´estas en periodos largos de tiempo y es l´ogico esperar
que no haya cambios sustanciales en el n´ umero de microorganismos que contiene una c´elula
bajo ciertas condiciones establecidas.
Combinatoria y Probabilidad
206 7 Funci´on de probabilidad de una variable aleatoria discreta
o los dos supuestos pueden ser falsos y, por lo tanto, la conclusi´ on obtenida
tambi´en. Por ejemplo, se puede pensar en un criterio de “depuraci´ on de los
organismos malignos”: una c´elula con gran cantidad de organismos de tipo A
conserva su equilibrio vital destruyendo organismos de tipo B. La pregunta
tercera intenta estudiar este supuesto: por medio de los organismos de tipo
A las c´elulas neutralizan a los organismos malignos tipo B.
La probabilidad de que la variable aleatoria X (n´ umero de organismos
de tipo A) sea mayor que la variable aleatoria Y (n´ umero de organismos de
tipo B) se calcula de la siguiente forma:
P(X ≥ Y )=
¸

k=0
P((X ≥ k + 1) ∩ (Y = k)) =
=P((X ≥ 1) ∩ (Y = 0)) +P((X ≥ 2) ∩ (Y = 1)) +. . .
Por la pregunta primera, se sabe que P((X ≥ 1) ∩ (Y = 0)) ≈ 0, 735826
y de manera similar es posible calcular las probabilidades:
P((X ≥ 2) ∩ (Y = 1)) = P
P
(X ≥ 2) · P
P
(Y = 1) ≈ 0, 959572 · 0, 222245 ≈ 0, 213261
P((X ≥ 3) ∩ (Y = 2)) = P
P
(X ≥ 3) · P
P
(Y = 2) ≈ 0, 875348 · 0, 033337 ≈ 0, 029181
P((X ≥ 4) ∩ (Y = 3)) = P
P
(X ≥ 4) · P
P
(Y = 3) ≈ 0, 734974 · 0, 003337 ≈ 0, 002450
P((X ≥ 5) ∩ (Y = 4)) = P
P
(X ≥ 5) · P
P
(Y = 4) ≈ 0, 559507 · 0, 000250 ≈ 0, 000140
P((X ≥ 6) ∩ (Y = 5)) = P
P
(X ≥ 6) · P
P
(Y = 5) ≈ 0, 384039 · 0, 000015 ≈ 0, 000006
.
.
.
As´ı, para valores de la variable aleatoria Y mayores que 5, el producto
es despreciable (muy pr´ oximo a cero) y, por lo tanto, se admite que:
P(X ≥ Y )=
¸

k=0
P((X ≥ k + 1) ∩ (Y = k)) ≈

¸
5
k=0
P((X ≥ k + 1) ∩ (Y = k)) ≈ 0, 9809
De esta forma, se espera que aproximadamente el 98 % de las c´elulas est´an
sanas (el n´ umero de organismos de tipo A es mayor que el de tipo B): ¿en
estas condiciones es factible que el 80 % de c´elulas est´en sanas? En esta
ocasi´on, p = 0, 9809 y se comprueba que:
P
B
(Z ≥ 0; 100, p) ≈ P
B
(Z ≥ 81; 100, p) ≈ . . . ≈ P
B
(Z ≥ 88; 100, p) ≈ 0
Esto es, es muy poco probable que menos del 88 % de las c´elulas est´en sanas.
De hecho, se observa que:
P
B
(Z ≥ 88; 100, p) = 1 −P
B
(Z < 88; 100, p) ≈ 0, 999996
Miguel R. Wilhelmi
7.3 Esperanza, varianza y desviaci´ on t´ıpica 207
Concluyendo, por lo tanto, que es casi seguro encontrar una proporci´ on
superior al 88 % de c´elulas sanas.
Por otro lado, ¿cu´ al es el suceso m´as probable? .
El problema ahora reside en el hecho de que se ha encontrado un 20 %
de c´elulas muertas o infectadas. Criterios de tiempo de vida para las c´elulas
o de posibilidad de infecci´ on seg´ un la participaci´ on de otros agentes (cam-
bios bruscos de temperatura, presi´ on, otro tipo de microorgantismos, etc.)
podr´ıan explicar la diferencia entre los valores observados y los t´eoricos es-
perados.
Por ´ ultimo, a modo de resumen, en la tabla siguiente se muestran las
distribuciones discretas de probabilidad introducidas, con sus funciones de
probabilidad asociadas y los par´ ametros que en ellas intervienen (con los
valores posibles que pueden tomar ´estos).
Distribuci´ on Par´ ametros Funci´ on de probabilidad
Degenerada en x
0
— P
D
(X = x
0
) = 1
Unif. en n ptos. n

P
U
(X = x
i
) =
1
n
(1 ≤ i ≤ n)
Binomial
n = 1, 2, . . .
0 ≤ p ≤ 1

P
B
(X = k) =

n
k

p
k
· q
n−k
(k = 0, . . . , n)
Bernouilli 0 ≤ p ≤ 1

P
BE
(X = k) = p
k
· q
1−k
(k = 0, 1)
Hipergeom´etrica
N = 1, 2, . . .
n = 0, 2, . . . , N
p = 0,
1
N
, . . . , 1

P
HG
(X = k) =
(
Np
k
)(
Nq
n−k
)
(
N
n
)
(k = 0, 1, . . .)
Binomial negativa
k = 1, 2, . . .
0 ≤ p ≤ 1

P
BN
(X = s) =

k+s−1
k−1

q
s
· p
k
(s = 0, 1, . . .)
Geom´etrica 0 ≤ p ≤ 1

P
G
(X = s) = q
s−1
p
(s = 1, 2, . . .)
Poisson λ > 0

P
P
(X = k) =
e
−λ
λ
k
k!
(k = 1, 2, . . .)
7.3. Esperanza, varianza y desviaci´ on t´ıpica
En la secci´ on 6.5, se han introducido informalmente las nociones de media
y moda. Ambos conceptos representan medidas de centralizaci´ on, esto es,
indicadores de cu´ al es el valor en torno al cual se agrupa una colecci´on de
datos. Se ve´ıa que estos n´ umeros no resultaban suficientes para asegurar que
el n´ umero de dados deb´ıa ser 9, puesto que hab´ıa un conjunto no despreciable
de palabras (el 35 %) que ten´ıan una longitud mayor que 9; de otro modo,
Combinatoria y Probabilidad
208 7 Funci´on de probabilidad de una variable aleatoria discreta
era preciso atender a c´omo estaban distribuidos los datos (la longitud de las
palabras). Este tipo de informaci´ on la dan las variables de dispersi´ on.
En esta secci´on, se introducen las nociones de esperanza matem´ atica, va-
rianza y desviaci´ on t´ıpica para una distribuci´ on discreta de probabilidad.
La esperanza matem´atica es una medida de centralizaci´ on
6
; varianza y des-
viaci´ on t´ıpica, de dispersi´ on. As´ı mismo, es posible determinar qu´e valores
toman ´estas medidas de centralizaci´on y dispersi´ on para las distribuciones
binomial, de Bernouilli, hipergeom´etrica, binomial negativa, geom´etrica y
de Poisson.
La probabilidad tuvo su origen en los juegos de azar (ver secci´ on 4.2.2).
Sin considerar situaciones de tipo an´ımico o psicol´ogico, el jugador tiene dos
inquietudes fundamentales:
Cu´ al es la probabilidad de ganar en una partida concreta.
Si se juega repetidas veces, qu´e se debe esperar, en promedio: ganar o
perder (y, por supuesto, cu´ anto).
Por ejemplo, a un jugador se le propone el siguiente juego: “si usted
obtiene cara en el lanzamiento de una moneda gana, en caso contrario pier-
de. Tiene un m´ aximo de tres lanzamientos. Si obtiene cara en el primero
gana 2 nuevos soles y el juego concluye; si obtiene cara en el segundo, ga-
na 4 nuevos soles y el juego tambi´en concluye; si obtiene cara en el tercer
lanzamiento gana 8 nuevos soles. En caso de no obtener cara en ninguno
de los lanzamientos, usted tendr´a que pagar 32 nuevos soles”. Entonces, el
jugador, antes de apostar, ensaya responder a las dos preguntas formuladas
anteriormente. La probabilidad de ganar es igual a la probabilidad de sacar
cara en el primer lanzamiento, en el segundo o en el tercero, esto es:
P(“ganar”) = P(C) +P(XC) +P(XXC) =
1
2
+
1
4
+
1
8
=
7
8
6
En muchas circunstancias, la esperanza matem´atica se asocia a la media aritm´etica de
un conjunto finito de valores; sin embargo, en general, no se define la media de un conjunto
infinito de valores. Adem´as, la media no se asociada, necesariamente, a la definici´on de
una variable aleatoria, ni tampoco precisa el concurso de una funci´on de probabilidad.
Con otras palabras, la media es un caso particular de esperanza matem´atica, cuando la
distribuci´on es homog´enea. Inversamente, se puede pensar que la esperanza matem´ atica
es una generalizaci´on de la noci´on de media, donde los valores son ponderados por la
probabilidad de que ´estos sucedan (pesos). En todo caso, nos parece adecuada la distinci´on
entre media y esperanza matem´ atica, puesto que la segunda ancla sus ra´ıces dentro de la
teor´ıa de la probabilidad, mientras que la primera tiene un ´ambito de aplicaci´on menos
definido (por lo general ligado a problemas aritm´eticos elementales).
Miguel R. Wilhelmi
7.3 Esperanza, varianza y desviaci´ on t´ıpica 209
El resultado anterior es f´ acil de obtener mediante un diagrama de ´ arbol o
calculando la probabilidad de que la variable aleatoria “sacar sello” tenga
tres ´exitos en tres tiradas y restando este valor a 1. ¿Qu´e tipo de distribuci´ on
asocia a dicha variable aleatoria? .
De esta forma, el jugador podr´ıa creer que la situaci´on es favorable a sus
intereses, puesto que espera ganar en 7 de cada 8 partidas que juegue. Sin
embargo, la experiencia le dice que la segunda pregunta es tan importante
como la primera, m´axime cuando la p´erdida es cuantiosa, en relaci´on a las
posibles ganancias. De hecho, una de cada dos partidas gana dos nuevos so-
les; una de cada cuatro, cuatro nuevos soles; una de cada ocho, ocho nuevos
soles; una de cada ocho, pierde treinta y dos nuevos soles: si juega “muchas”
partidas, ¿cu´ al ser´ a el balance esperado? La intenci´ on es ponderar las pro-
babilidades respecto a lo que se gana o pierde. As´ı, el valor de ganancia o
p´erdida esperado, denotaremos E, es:
E =2P(C) + 4P(XC) + 8P(XXC) −32P(XXX) =
=2 ·
1
2
+ 4 ·
1
4
+ 8 ·
1
8
−32 ·
1
8
= −1
De esta forma, el valor esperado es −1: el jugador debe esperar perder
un nuevo sol si juega “un n´ umero muy grande” de partidas. En general, se
define:
Definici´on 45 (Esperanza matem´atica) Se llama valor esperado o es-
peranza matem´ atica de una variable aleatoria discreta X que puede tomar
los valores k
1
, . . . , k
n
, se denota E(X), a:
E(X) =
n
¸
i=1
k
i
· P(X = k
i
)
Ejemplo 14 La esperanza matem´ atica del experimento aleatorio “lanzar
dos dados al aire y observar el resultado” es 7.
Se define la variable aleatoria X: “posibles valores que pueden resultar
de sumar las caras de los dados”. ¿Cu´ al es la esperanza asociada a esta
variable aleatoria?
E(X) =
n
¸
i=1
k
i
· P(X = k
i
) = 2 ·
1
36
+ 3 ·
2
36
+. . . + 11 ·
2
36
+ 12 ·
1
36
= 7
La esperanza es un valor fijo, que depende de la distribuci´ on de pro-
babilidad de X (y que, por lo tanto, no var´ıa funcionalmente con X). La
Combinatoria y Probabilidad
210 7 Funci´on de probabilidad de una variable aleatoria discreta
esperanza matem´atica es una medida de centralizaci´ on, es decir, da informa-
ci´on sobre el comportamiento medio, pero nada dice sobre las variaciones en
torno a ese valor medio. De hecho, en los dos ejemplos que se han mostrado
las esperanzas eran −1 y 7, respectivamente, pero en un juego se pueden
obtener resultados muy dispares: desde una ganancia de ocho (8) nuevos
soles a una p´erdida de treinta y dos (−32), en el primer juego; de obtener
dos (2) a doce (12), en el lanzamiento de los dados. Ser´ a, por lo tanto perti-
nente, poder controlar “cu´ anto se dispersan los posibles resultados en torno
a la esperanza”. Surge, de esta manera, la necesidad de definir una medida
que controle “de forma ponderada” la dispersi´ on de los posibles valores que
toma la variable aleatoria. Se define:
Definici´on 46 (Varianza y desviaci´on t´ıpica) Se llama varianza de la
variable aleatoria discreta X que puede tomar los valores k
1
, . . . , k
n
y cuya
funci´ on de probabilidad es P, se denota V (X)
2
o σ
2
, a:
V (X)
2
= σ
2
=
n
¸
i=1
[k
i
−E(X)]
2
· P(X = k
i
)
Al valor σ = V (X), es decir, a la ra´ız cuadrada positiva de la varianza,
se le llama desviaci´ on t´ıpica de la variable aleatoria discreta X.
De esta forma, es posible calcular la varianza y desviaci´on t´ıpica de las
dos variables aleatorias descritas. En el primer caso, considerada la variable
aleatoria discreta “cantidad que se gana o pierde cada vez que se juega” (en
los lanzamientos de la moneda), se tiene que la varianza es:
V (X)
2
= σ
2
= [2 −(−1)]
2
·
1
2
+ [4 −(−1)]
2
·
1
4
+
+[8 −(−1)]
2
·
1
8
+ [−32 −(−1)]
2
·
1
8
=
= 9 ·
1
2
+ 25 ·
1
4
+ 81 ·
1
8
+ 961 ·
1
8
= 141
Y, por lo tanto, la desviaci´ on t´ıpica es σ = D(X) ≈ 11, 87. En el pro-
blema de los dados, el c´alculo se realiza de forma an´ aloga, obteni´endose
para la varianza y la desviaci´ on t´ıpica los valores de y ,
respectivamente.
Ejemplo 15 ¿Cu´ al es la varianza y la desviaci´ on t´ıpica de la variable alea-
toria “n´ umero de letras de una palabra” de la situaci´ on propuesta en la
secci´ on 6.5?
Miguel R. Wilhelmi
7.3 Esperanza, varianza y desviaci´ on t´ıpica 211
En la tabla de la p´ agina 169, se puede ver el n´ umero de palabras y la
longitud de ´estas. Por la definici´ on frecuencial de probabilidad, se asocian
las frecuencias relativas a la probabilidad de obtener una palabra con una
determinada longitud. De esta forma, la longitud media de las palabras
coincide con la esperanza matem´atica de la variable aleatoria “n´ umero de
letras de un palabra”: E(X) = 8, 52. De esta forma, la desviaci´on t´ıpica es
aproximadamente igual a 2, 65. A la luz del conocimiento que se tiene de
dicha situaci´ on, ¿c´omo interpreta este valor?
.
En la figura siguiente se pueden ver las distribuciones de probabilidad
asociadas a las tres situaciones propuestas: ¿puede interpretar sobre ellas el
significado de la esperanza matem´atica y la desviaci´ on t´ıpica?
.
2 3 4 5 6 7 8 9 101112
DADOS
0.025
0.05
0.075
0.1
0.125
0.15
0.175
0.2
-32 2 4 8
MONEDAS
0.1
0.2
0.3
0.4
0.5
1 2 3 4 5 6 7 8 910111213141516
PALABRAS
0.025
0.05
0.075
0.1
0.125
0.15
0.175
¿Qu´e problemas encuentra en el problema del lanzamiento de la moneda?
.
¿Cu´ anto suman, aproximadamente, las probabilidades de los valores que
toman las variables aleatorias comprendidos entre E(X) −V (X) y E(X) +
V (X) en cada uno de los tres casos?
.
Ahora bien, seg´ un lo visto, la esperanza matem´ atica, la varianza y la des-
viaci´ on t´ıpica est´an ´ıntimamente relacionadas con las variables aleatorias y
las distribuciones de probabilidad asociadas a ´estas. Por lo tanto, es posible
calcular dichos valores para las distribuciones te´ oricas de probabilidad intro-
ducidas en este cap´ıtulo. Diferentes manuales se ocupan en obtener dichos
valores (por ejemplo, Canavos (1984)). En lo que sigue, haremos una expo-
sici´on breve de las tres primeras distribuciones introducidas (degenerada en
un punto, uniforme en n puntos y binomial). Por ´ ultimo, daremos una ta-
bla resumen donde se almacenan las medidas de centralizaci´on y dispersi´ on
introducidas para todas las distribuciones dadas.
Esperanza matem´atica y varianza para la distribuci´on degenerada
Sea la variable aleatoria X, que puede tomar los valores x
0
, x
1
,. . . , x
n
,
de tal forma que se concentra toda la probabilidad en el valor x
0
: P(X =
Combinatoria y Probabilidad
212 7 Funci´on de probabilidad de una variable aleatoria discreta
x
0
) = 1 y P(X = x
i
) = 0, para todo i variando entre 1 y n. Entonces:
E(X) =
n
¸
k=0
x
k
· P(X = x
k
) = x
0
· 1 +x
1
· 0 +. . . +x
n
· 0 = x
0
De esta forma, la esperanza es el propio valor x
0
en el que se concentra toda
la probabilidad. Adem´ as, como no hay dispersi´ on, la varianza debe ser igual
a cero. En efecto:
V (X)
2
=
¸
n
k=0
[x
k
−E(X)]
2
· P(X = x
k
) =
=0 · 1 +
¸
n
k=1
[x
k
−x
0
]
2
· 0 = 0 · 1 +
¸
n
k=1
0 = 0
Esperanza matem´atica y varianza para la distribuci´on uniforme
Sea la variable aleatoria X, que puede tomar los valores x
1
, . . . , x
n
, de
tal forma que la probabilidad est´ a uniformente distribuida entre los n valores
x
i
: P(X = x
i
) = 1/n, para todo i variando entre 1 y n. Entonces:
E(X) =
n
¸
i=1
x
i
· P(X = x
i
) =
n
¸
k=1
x
k
·
1
n
=
1
n
n
¸
k=1
x
k
As´ı, por ejemplo, si los valores son x
k
= k, la esperanza es igual a:
E(X) =
1
n
n
¸
k=1
x
k
=
1
n
n
¸
k=1
k =
1
n
n(n + 1)
2
=
n + 1
2
Por otro lado, la varianza toma la forma:
V (X)
2
=
¸
n
k=1
[x
k
−E(X)]
2
· P(X = x
k
) =
=
¸
n
k=1
[x
k
−E(X)]
2
·
1
n
=
=
1
n
¸
n
k=1
[x
k
−E(X)]
2
Luego, si los valores son x
k
= k, la varianza es igual a:
V (X)
2
=
1
n
¸
n
k=1
[x
k
−E(X)]
2
=
1
n
¸
n
k=1
[k −
n+1
2
]
2
=
=
1
n
¸
n
k=1
[k
2
−k · (n + 1) +
(n+1)
2
4
]
=
1
n

¸
n
k=1
k
2

¸
n
k=1
[k · (n + 1)] +
¸
n
k=1

(n+1)
2
4

=
=
1
n

n·(n+1)(2n+1)
6

(n+1)
2
n
2
+
(n+1)
2
n
4

=
=
1
n

n·(n+1)(2n+1)
6

(n+1)
2
n
4

=
=
1
n
·
n·(n+1)
2

2n+1
3

n+1
2

=
n+1
2
·
n−1
6
=
n
2
−1
12
Miguel R. Wilhelmi
7.4 Ejercicios 213
Esperanza matem´atica y varianza para la distribuci´on binomial
Sea una variable aleatoria distribuida de forma binomial y sea p la pro-
babilidad de que obtener un ´exito de forma independiente, entonces:
E(X) =
n
¸
k=0
k · P(X = k) =
n
¸
k=0
k ·
n!
(n −k)!k!
p
k
(1 −p)
n−k
=
=
n
¸
k=1
k ·
n!
(n −k)!k!
p
k
(1 −p)
n−k
=
n
¸
k=1
·
n!
(n −k)!(k −1)!
p
k
(1 −p)
n−k
La segunda igualdad es cierta por la definici´ on 37 de funci´ on binomial de
probabilidad. La tercera igualdad es cierta porque el primer t´ermino se anula
(se multiplica por el valor 0 de la variable aleatoria) y, por lo tanto, la
sumatoria puede expresarse desde 1 hasta n. Por ´ ultimo, se divide numerador
y denominador por k = 0. Ahora bien, factorizando se puede “sacar” fuera
del s´ımbolo sumatoria np:
E(X) = np
n
¸
k=1
·
(n −1)!
(n −k)!(k −1)!
p
(k−1)
(1 −p)
n−k
De esta forma, si se realiza el cambio de variable s = k −1 y m = n −1, se
tiene:
E(X) = np
m
¸
s=0
·
m!
(m−k)!s!
p
s
(1 −p)
m−k
= np · 1 = np
Puesto que P(Y = s; m, p) =
m!
(m−k)!s!
p
s
(1 −p)
m−k
representa la funci´ on de
probabilidad de una variable aleatoria binomial Y de par´ ametros p y m.
Entonces, por ser funci´ on de probabilidad, verifica:
m
¸
s=0
P(Y = s; m, p) = 1
Por c´ alculos similares, se concluye que la varianza es igual a V (X) = npq.
Para terminar, la tabla 7.3 muestra las medidas de de centralizaci´ on y
dispersi´ on para el resto de distribuciones de variables aleatorias discretas.
7.4. Ejercicios
1. La probabilidad de que un reci´en nacido sea var´ on es 51/100. Calcule
las siguientes probabilidades:
Combinatoria y Probabilidad
214 7 Funci´on de probabilidad de una variable aleatoria discreta
Distribuci´ on Esperanza Varianza
Degenerada en x
0
x
0
0
Unif. en n ptos.
1
n
¸
n
i=1
x
i
1
n
¸
n
i=1
(x
i
−x)
2
Binomial np npq
Bernouilli p pq
Hipergeom´etrica np npq
N−n
N−1
Binomial negativa
kq
p
kq
p
2
Geom´etrica
q
p
q
p
2
Poisson λ λ
Tabla 7.3: Esperanza y varianza de las distribuciones discretas de probabi-
lidad.
a) Una pareja tiene cuatro v´ astagos: cuatro mujeres.
b) Una pareja tiene dos v´ astagos: una mujer y un var´ on.
c) Una pareja tiene tres v´ astagos: al menos uno es var´on.
Relacione las probabilidades con la funci´ on binomial. Verifique que se
obtienen los mismos resultados mediante las tablas del anexo H que
mediante la f´ ormula de funci´ on binomial.
2. Analice el ejemplo que sirve de hilo conductor en la secci´ on 4.4: el
equipo de b´ asquet de la Facultad de Educaci´ on se enfrenta a la recta
final del campeonato universitario. . . En particular, el punto 4.4.5,
Estudio te´ orico, puede describirse en t´erminos de una distribuci´ on de
probabilidad, ¿de cu´ al?
3. Una persona tiene una frecuencia relativa de aciertos en el tiro al
blanco de 1/7, que puede ser aceptada como la probabilidad de que
dicha persona acierte en dicho juego. En una feria, la caseta que ofrece
el tiro al blanco permite tres lanzamientos: ¿cu´ al es la probabilidad de
acertar al menos una vez? ¿Cu´antas veces debiera disparar para que el
juego fuera ventajoso para ´el? ¿Y para acertar con probabilidad 0,9?
4. El encargado de una sala de ordenadores ha instalado una clave de
acceso para una cuenta que contiene informaci´ on secreta. Puede elegir
como clave una palabra entre un conjunto de n posibles, todas con
igual probabilidad. Hay un conjunto de personas que quieren acceder
a la cuenta y conocen las n posibles claves, pero no saben cu´ al de ellas
es la correcta. Se define la VAD “n´ umero de intentos fallidos hasta dar
Miguel R. Wilhelmi
7.4 Ejercicios 215
con la clave”. Encontrar su distribuci´ on de probabilidad, su esperanza
matem´atica y su varianza cuando:
a) Cada persona va probando sucesiva e independientemente (una
persona no conoce los resultados de intentos anteriores y s´ olo se
le permite un intento).
b) Una persona prueba palabras hasta dar con la correcta (y va
eliminando las que prueba y no son).
5. En una apuesta participan k jugadores. Estos lanzan consecutivamente
una moneda. El primero que consiga una cara gana la apuesta. Sea X
la VAD “jugador que gana la apuesta”. Encontrar la distribuci´ on de
X. (Nota: tenga en cuenta el ejercicio 3 de la § 6.5, p. 175)
6. Se tiene una urna con 10 bolas, 4 blancas y 6 negras. Se extraen alea-
toriamente y con reemplazo 6 bolas. Calcular:
a) La probabilidad de que las 6 bolas sean blancas.
b) La probabilidad de que las 6 bolas sean negras.
c) La probabilidad de que ex´ actamente k sean blancas (0 ≤ k ≤ 6).
d) Calcule la esperanza matem´ atica y la varianza de la variable alea-
toria “n´ umero de bolas blancas extra´ıdas”.
7. Suponga que una bacter´ıa, durante su vida, puede originar 1, 2 o 3
bacterias con la misma probabilidad (y luego se muere). Se tiene ais-
lada una bacteria de este tipo, ¿cu´ al es la funci´ on de probabilidad de
la tercera generaci´on?, esto es, ¿cada valor (n´ umero de bacterias) con
qu´e probabilidad puede salir?
8. Unos bi´ ologos capturan en un r´ıo una cantidad D de peces que marcan
con una se˜ nal (con cuidado de no da˜ nar ninguno de ellos). Despu´es los
sueltan y transcurrido un periodo de tiempo vuelven a capturar una
muestra de n peces. Si la poblaci´ on de peces era N y se supone que
en ese tiempo no ha habido ni nacimientos ni muertes entre los peces,
calcule la probabilidad de obtener un n´ umero k de peces marcados.
Estudie el n´ umero de peces que se pueden obtener, la esperanza ma-
tem´atica y la varianza de la VAD “n´ umero de peces marcados en la
muestra” y el valor m´as probable.
¿Qu´e informaci´ on adicional obtendr´ıa, para el problema de las ardillas
(§ 6.4.2, p. 166) si realiza un estudio similar?
Combinatoria y Probabilidad
216 7 Funci´on de probabilidad de una variable aleatoria discreta
9. Se repite un experimento cuya probabilidad de ´exito es 0, 6. Calcule:
a) La probabilidad de obtener el primer ´exito en el quinto experi-
mento.
b) La probabilidad de obtener 7 fallos antes del segundo ´exito.
c) La probabilidad de necesitar 7 experimentos para obtener dos
´exitos.
10. La final de un torneo de b´ asquet interunivesitario se juega al mejor
de 7 partidos: el primer equipo que gana 4 partidos es declarado cam-
pe´ on. Suponga que los partidos son independientes entre s´ı. Sea p la
probabilidad de que el equipo A gane un partido, 0 < p < 1. Calcule
la probabilidad de que A gane. Si A gana, sea X la VAD “n´ umero de
partidos que ha jugado para ganar”. Calcule la distribuci´ on de X, su
esperanza matem´atica y su varianza.
11. Suponga que un comit´e est´a formado por 50 representantes y que todos
est´an reunidos en una convenci´ on: 30 de ellos son partidarios de un
proyecto y 20 son contrarios a ´este. Si se seleccionan aleatoriamente 5
representantes distintos (no se puede elegir dos veces al mismo), ¿cu´al
es la probabilidad de que, entre estos cinco, por lo menos dos est´en a
favor del proyecto?
12. En una f´ abrica de monedas se hacen dos tipos de ´estas: un tipo de
moneda equilibrada y otro de monedas “cargadas”, cuya probabilidad
de cara es 0, 55. Si se tiene una moneda y se quiere saber si est´a cargada
o no, se hace el siguiente “test”: se lanza la moneda 1 000 veces y si
salen 525 caras o m´as se acepta que la moneda est´a cargada y, en caso
contrario, que es correcta. Calcule la probabilidad de:
a) La moneda, estando “cargada”, se admita como correcta.
b) La moneda, estando correcta, se admita como “cargada”.
Nota: no deje los c´ alculos indicados, ¿qu´e problemas encuentra para
hacerlos efectivos? ¿Bajo que condiciones podr´ıa utilizar la proposici´ on
24 del anexo F.1?
13. Sea la VAD X, n´ umero de llamadas telef´onicas que llegan a una central
durante un periodo de tiempo igual a t, y sup´ ongase que sigue una
distribuci´ on de Poisson de par´ ametro λt, con λ > 0. La probabilidad
de que se atienda una llamada es p, 0 ≤ p ≤ 1. Si Y es la VAD que
Miguel R. Wilhelmi
7.5 Autoevaluaci´ on 217
indica el n´ umero de llamadas antendidas en el periodo t, demuestre que
su distribuci´ on es de Poisson de par´ ametro λtp. Tabule, para algunos
valores de los par´ ametros λ, p, ambas distribuciones y comp´ arelas.
14. Sea X una VAD de Poisson tal que:
P(X = 2) =
1
5
P(X = 1)
Determine:
a) La distribuci´ on de probabilidad.
b) P(X = 1 o X = 2).
c) La probabilidad de que haya al menos una ocurrencia.
15. La probabilidad de que un paciente que sufre cierta enfermedad reac-
cione favorablemente a un cierto tratamiento es p. Se da el tratamiento
a n pacientes, determinar la distribuci´ on del n´ umero de pacientes del
hospital que reaccionan favorablemente.
16. *Determine la esperanza y la varianza de las distribuciones hiper-
geom´etrica, binomial negativa, geom´etrica y de Poisson, esto es, de-
muestre que la informaci´ on dada por la tabla 7.3 es correcta. (Nota:
consulte el manual Canavos (1984).)
17. *Demuestre que las funciones asociadas a las distribuciones degenerada
en un punto x
0
, uniforme en n puntos, hipergeom´etrica, binomial ne-
gativa, geom´etrica y de Poisson son de probabilidad, es decir, verifican
los tres axiomas de la definici´ on axiom´ atica seg´ un A. N. Kolmog´ orov
(p. 132).
7.5. Autoevaluaci´ on
1. Determine la distribuci´ on de las siguientes variables aleatorias:
a) N´ umero de varones al seleccionar al azar 20 alumnos en una clase
de 40, sabiendo que de ellos 25 son mujeres.
b) N´ umero de varones en 10 nacimientos, supuesta la independen-
cia entre nacimientos, cuando se sabe que el 49 por 100 de los
nacimientos son mujeres.
Combinatoria y Probabilidad
218 7 Funci´on de probabilidad de una variable aleatoria discreta
c) N´ umero de hijas que tendr´ a un matrimonio hasta tener el primer
var´ on, en las condiciones anteriores.
Determine, en los tres casos, la esperanza matem´atica y la varianza.
2. Se quiere introducir una poblaci´ on de 20 animales insect´ıvoros en una
zona donde el 5 % de los insectos que les servir´an de alimento son
venenosos (y est´an distribu´ıdos homog´eneamente en el h´abitat). Cada
animal devora al d´ıa 5 insectos.
a) Calcule la probabilidad de que un animal sobreviva la primera
semana.
b) Calcule las probabilidad de que al cabo de una semana quede
como m´ınimo la mitad.
c) Calcule la esperanza media de vida y su varianza.
d) Suponiendo que siempre la mitad de los animales vivos son hem-
bra y que cada 7 d´ıas se reproducen y dos nuevos animales se
a˜ naden a la poblaci´ on, ¿se debe esperar que la poblaci´ on de ani-
males insect´ıvoros crezca?
3. Un b´ uho se encuentra en la copa de un ´ arbol. A cierta distancia se
encuentran tres ratones, que han de pasar cerca del ´ arbol para llegar
a su guarida. Si corren, en grupo, la probabilidad de que cada uno
sea visto por el b´ uho es 0,2. En cuanto ve alg´ un rat´ on, el b´ uho se
lanza contra el grupo, siendo la probabilidad de cazar un rat´ on
k
k+1
,
dependiendo del n´ umero k de ellos que vio desde la copa del ´ arbol. Se
pide:
a) La probabilidad de que todos los ratones consigan llegar a la
guarida.
b) Si el b´ uho caz´ o un rat´ on, calcular la probabilidad de que hubiese
visto dos exactamente.
4. La poblaci´ on de un pa´ıs es aproximamente de 25 millones de habitan-
tes. El crecimiento anual esperado es del 0, 1 % y la mortalidad es del
0, 005 %. Se pide:
a) ¿Qu´e tanto por ciento de natalidad anual se estima? ¿Cu´ antos
nacimientos se esperan?
b) ¿Cu´ al es la probabilidad de que nazcan 5 o m´ as personas en una
misma hora de un mismo d´ıa?
Miguel R. Wilhelmi
Anexo A
Colocaci´ on de objetos
En el cap´ıtulo 2 se han descrito algunos problemas que exig´ıan encontrar
un m´etodo que permitiera contar todos los casos posibles en que se pod´ıa
“disponer” un conjunto de objetos. Los ejemplos que all´ı se han mostrado
son voluntariamente heterog´eneos: se genera la impresi´on de que no es po-
sible encontrar m´etodos generales de c´alculo combinatorio, v´ alidos para un
conjunto amplio de situaciones problema.
El cap´ıtulo 3 es el contrapunto natural: se presenta un problema (la
formaci´ on de comit´es bajo ciertas condiciones) que permite descubrir y des-
cribir ciertos patrones. La secci´ on 3.5 ahonda en este punto: se modelizan
algunos m´etodos de recuento simple combinatorio mediante la extracci´on de
bolas de una urna. Seg´ un si importa o no el orden de extracci´ on y si las
tomas son con o sin reemplazo
1
, la situaci´ on puede ser descrita mediante
combinaciones o variaciones, con o sin repetici´ on. En este orden de ideas,
Dubois (1984) propone una sistematizaci´ on de configuraciones combinato-
rias simples.
En esta secci´on se presenta de manera sucinta otro modelo relacionado
con el anterior: colocaci´ on de objetos en “lugares”. En la secci´ on 2.6 se han
estudiado algunos casos particulares que deben servir de referencia para
comprender con profundidad el esbozo que aqu´ı se presenta.
Supongamos, en primera instancia, que cada “lugar” se identifica con
una “caja”, entonces toda colocaci´ on de objetos comporta una serie de va-
riables que es necesario definir antes de comenzar el recuento de casos: ¿hay
objetos iguales?, ¿importa el orden en que los objetos se introducen en las
cajas?, ¿son las cajas del mismo tipo? De esta forma, se distinguen seis casos
posibles, puesto que si los objetos son iguales no importa el orden de coloca-
1
Se acepta o no la selecci´on repetida de un objeto, hay o no hay objetos indistinguibles.
219
220 A Colocaci´ on de objetos
ci´on en las cajas. Adem´as, a partir de estos seis tipos definidos se distinguen
otros cuatro subtipos al agregar las siguientes condiciones; sea r el n´ umero
de objetos y n el n´ umero de cajas, entonces:
1. Colocaciones inyectivas: con a lo sumo un objeto por caja: r ≤ n.
2. Colocaciones suprayectivas: con al menos un objeto por caja: r ≥ n.
3. Colocaciones biyectivas: con ex´ actamente un objeto por caja: r = n.
4. Colocaciones cualesquiera: se puede colocar el n´ umero de objetos que
se desee en una caja o dejar alguna vac´ıa.
De esta forma, se concluye que hay 24 modelos de colocaciones de objetos
en lugares, seg´ un las distintas variables especificadas:
Colocaci´on Objetos Cajas Tipo F´ ormula
Ordenada Distintos Distintas Inyectiva V
n,r
Ordenada Distintos Distintas Suprayectiva r! ·

r−1
n−1

Ordenada Distintos Distintas Biyectiva P
n
Ordenada Distintos Distintas Cualquiera r! · CR
n,r
Ordenada Distintos Iguales Inyectiva 1
Ordenada Distintos Iguales Suprayectiva L
n,r
=
r!
n!
·

r−1
n−1

Ordenada Distintos Iguales Biyectiva 1
Ordenada Distintos Iguales Cualquiera A
n,r
=
¸
n
k=1
L
k,r
No ordenada Distintos Distintas Inyectiva V
n,r
No ordenada Distintos Distintas Suprayectiva n! · S
n,r
No ordenada Distintos Distintas Biyectiva P
n
No ordenada Distintos Distintas Cualquiera V R
n,r
No ordenada Distintos Iguales Inyectiva 1
No ordenada Distintos Iguales Suprayectiva S
n,r
No ordenada Distintos Iguales Biyectiva 1
No ordenada Distintos Iguales Cualquiera Σ
n,r
=
¸
n
k=1
S
k,r
No ordenada Iguales Distintas Inyectiva C
n,r
No ordenada Iguales Distintas Suprayectiva

r−1
n−1

No ordenada Iguales Distintas Biyectiva 1
No ordenada Iguales Distintas Cualquiera CR
n,r
No ordenada Iguales Iguales Inyectiva 1
No ordenada Iguales Iguales Suprayectiva PE
n,r
No ordenada Iguales Iguales Biyectiva 1
No ordenada Iguales Iguales Cualquiera Π
n,r
=
¸
n
k=1
PE
k,r
Como se puede ver en la tabla anterior, las f´ ormulas de recuento asocia-
das involucran n´ umeros combinatorios “no est´andar”:
Miguel R. Wilhelmi
221
N´ umeros de Lah: L
n,r
=
r!
n!

r−1
n−1

(r ≥ n ≥ 1).
N´ umeros de Stirling de segundo g´enero, definidos por la regla de recu-
rrencia:



S
n,r
= nS
n,r−1
+S
n−1,r−1
(r > n > 1)
S
1,r
= S
n,n
= 1 (r, n ≥ 1)
S
n,r
= 0 (r < n)
O bien, definidos mediante la f´ ormula general:
S
n,r
=
1
n!
¸
r
1
+...+r
n
=r
r
i
≥1
r!
r
1
! · . . . · r
n
!
Los n´ umeros PE
n,r
(colocaciones de objetos indistinguibles en cajas
tambi´en indistinguibles de tipo suprayectiva) se obtienen por la regla
de recurrencia:



PE
n,r
= PE
n−1,r−1
+PE
n,r−n
(r > n > 1)
PE
1,r
= PE
n,n
= 1 (r, n ≥ 1)
PE
n,r
= 0 (r < n)
El c´ alculo de estos n´ umeros puede resultar muy tedioso. Una opci´ on
plausible es la construcci´ on de tablas para estos n´ umeros: o bien “a mano”
o bien program´ andolas con un software especializado, de forma que se ob-
tenga de manera autom´ atica una lista seg´ un los par´ ametros r (n´ umero de
objetos) y n (n´ umero de cajas disponibles). En la figura A.1 se pueden ver
cuatro programas editados con Mathematica
2
. El par´ ametro q indica el va-
lor m´ aximo que pueden tomar las variables n y r: si q = 10 (tal y como se
muestra en dicha figura) se obtienen las tablas A.1, A.2, A.3 y A.4 (a partir
de los programas de la figura A.1).
2
Para la obtenci´on de los n´ umeros de Stirling de segundo g´enero no es preciso introducir
con Mathematica expl´ıcitamente la regla asociada: este software tiene implementado una
funci´on que permite la obtenci´on de dichos n´ umeros. As´ı, para obtener el n´ umero de
Stirling de segundo g´enero S
3,2
, por ejemplo, es suficiente introducir StirlingS2[3, 2].
De esta forma, un programa m´as eficaz es:
q=10;
Table[Table[StirlingS2[n,r],r,1,q],n,1,q]
Combinatoria y Probabilidad
222 A Colocaci´ on de objetos
N´ umeros de Stirling (S
n,r
)
q=10;
S[1,m_]:=1
S[p_,p_]:=1
S[n_,r_]:=If[n>r, 0, n S[n,r-1]+ S[n-1,r-1]]
Table[Table[S[n,r],{r,1,q}],{n,1,q}]
N´ umeros PE
n,r
q=10;
P[1,m_]:=1
P[p_,p_]:=1
P[n_,r_]:=If[n>r, 0, P[n-1,r-1]+ P[n,r-n]]
Table[Table[P[n,r],{r,1,q}],{n,1,q}]
N´ umeros A
n,r
q=10;
L[n_,r_]:=(r!)/(n!)Binomial[r-1,n-1];
Table[Table[If[n>r,0,L[n,r]], {r,1,q}], {n,1,q}];
A[n_,r_]:=Sum[L[k,r],{k,1,n}]
Table[Table[A[n,r],{r,1,q}],{n,1,q}]
N´ umeros Σ
n,r
q=10;
S[1,m_]:=1
S[p_,p_]:=1
S[n_,r_]:=If[n>r, 0, n S[n,r-1]+ S[n-1,r-1]]
Sigma[n_,r_]:=Sum[S[k,r],{k,1,n}]
Table[Table[Sigma[n,r],{r,1,q}],{n,1,q}]
Figura A.1: Programas para la obtenci´ on de tablas de n´ umeros de Stirling,
PE
n,r
, A
n,r
y Σ
n,r
con Mathematica.
Miguel R. Wilhelmi
223
r (objetos)
n (cajas) 1 2 3 4 5 6 7 8 9 10
1 1 1 1 1 1 1 1 1 1 1
2 0 1 3 7 15 31 63 127 255 511
3 0 0 1 6 25 90 301 966 3 025 9 330
4 0 0 0 1 10 65 350 1 701 7 770 34 105
5 0 0 0 0 1 15 140 1 050 6 951 42 525
6 0 0 0 0 0 1 21 266 2 646 22 827
7 0 0 0 0 0 0 1 28 462 5 880
8 0 0 0 0 0 0 0 1 36 750
9 0 0 0 0 0 0 0 0 1 45
10 0 0 0 0 0 0 0 0 0 1
Tabla A.1: N´ umeros de Stirling de segundo g´enero S
n,r
.
r (objetos)
n (cajas) 1 2 3 4 5 6 7 8 9 10
1 1 1 1 1 1 1 1 1 1 1
2 0 1 1 2 2 3 3 4 4 5
3 0 0 1 1 2 3 4 5 7 8
4 0 0 0 1 1 2 3 5 6 9
5 0 0 0 0 1 1 2 3 5 7
6 0 0 0 0 0 1 1 2 3 5
7 0 0 0 0 0 0 1 1 2 3
8 0 0 0 0 0 0 0 1 1 2
9 0 0 0 0 0 0 0 0 1 1
10 0 0 0 0 0 0 0 0 0 1
Tabla A.2: N´ umeros PE
n,r
.
Combinatoria y Probabilidad
224 A Colocaci´ on de objetos
r (objetos)
n 1 2 3 4 5 6 7 8 9 10
1 1 2 6 24 120 720 5 040 40 320 362 880 3 628 800
2 1 3 12 60 360 2 520 20 160 181 440 1 814 400 19 958 400
3 1 3 13 72 480 3 720 32 760 322 560 3 507 840 41 731 200
4 1 3 13 73 500 4 020 36 960 381 360 4 354 560 54 432 000
5 1 3 13 73 501 4 050 37 590 393 120 4 566 240 58 242 240
6 1 3 13 73 501 4 051 37 632 394 296 4 594 464 58 877 280
7 1 3 13 73 501 4 051 37 633 394 352 4 596 480 58 937 760
8 1 3 13 73 501 4 051 37 633 394 353 4 596 552 58 941 000
9 1 3 13 73 501 4 051 37 633 394 353 4 596 553 58 941 090
10 1 3 13 73 501 4 051 37 633 394 353 4 596 553 58 941 091
Tabla A.3: N´ umeros A
n,r
.
r (objetos)
n (cajas) 1 2 3 4 5 6 7 8 9 10
1 1 1 1 1 1 1 1 1 1 1
2 1 2 4 8 16 32 64 128 256 512
3 1 2 5 14 41 122 365 1 094 3 281 9 842
4 1 2 5 15 51 187 715 2 795 11 051 43 947
5 1 2 5 15 52 202 855 3 845 18 002 86 472
6 1 2 5 15 52 203 876 4 111 20 648 109 299
7 1 2 5 15 52 203 877 4 139 21 110 115 179
8 1 2 5 15 52 203 877 4 140 21 146 115 929
9 1 2 5 15 52 203 877 4 140 21 147 115 974
10 1 2 5 15 52 203 877 4 140 21 147 115 975
Tabla A.4: N´ umeros Σ
n,r
.
Miguel R. Wilhelmi
Anexo B
Los puentes de K¨ onigsberg
En la secci´ on 2.2 se ha estudiando el dilema del taxista. El m´etodo
seguido ha consistido en representar la situaci´ on con un conjunto de puntos
(v´ertices) unidos por l´ıneas (aristas), obteni´endose un esquema de la ciudad.
Este tipo de representaci´on esquem´atica recibe el nombre de grafo. El origen
de este tipo de modelos geom´etricos de la realidad se debe a Leonard Euler
(1707–1783) que, en el a˜ no 1736, enunci´ o y resolvi´ o la siguiente situaci´ on:
En la ciudad de K¨ onigsberg, en Prusia
1
, hay una isla, llama-
da Kneiphof, rodeada por los brazos del r´ıo Pregel. Hay siete
puentes que cruzan los dos brazos del r´ıo: ¿una persona pue-
de realizar un paseo de tal modo que cruce cada uno de los
puentes una sola vez? Se me ha informado de que mientras
unos negaban la posibilidad de hacerlo y otros dudaban, nadie
sosten´ıa que fuese posible realmente.
La idea “genial” de L. Euler consisti´ o en trazar una representaci´on gr´ afica
esquematizada de los puentes, el r´ıo y la isla (figura B.1): no es relevante
la forma de los puentes, tampoco si la isla de Kneiphof es m´ as o menos
grande; lo ´ unico relevante es que la ciudad queda dividida en cuatro zonas
(las tierras que quedan siempre del lado del margen derecho o izquierdo del
r´ıo, la zona que queda entre los dos brazos del r´ıo y la isla) y que estas zonas
est´an unidas por siete puentes.
De esta forma, se puede reformular la situaci´ on en los siguientes t´erminos:
¿es posible dibujar el esquema de la figura B.1 de un solo trazo (sin levantar
el l´ apicero del papel)? El problema, por lo tanto, se asemeja a un tipo de
1
El la actualidad, la antigua ciudad alemana de K¨onigsberg se conoce con el nombre
de Kaliningrado (Rusia), en honor del presidente Kalinin de la extinta URSS.
225
226 B Los puentes de K¨onigsberg
Figura B.1: La isla Kneiphof en la ciudad de K¨ onigsberg: ilustraci´ on y grafo.
situaciones muy conocidas (dibujos (a) y (b) de la figura B.2, por ejemplo).
Por otro lado, ¿son representables con un solo trazo continuo las figuras (c)
y (d) de la misma figura?
Figura B.2: ¿Se pueden dibujar de un solo trazo los esquemas de la figura?
La pregunta clave es: ¿c´omo se pueden distinguir los gr´ aficos “construi-
bles de un solo trazo”, o simplemente “construibles”, de aquellos que no lo
son? L. Euler razon´ o que el quid de la cuesti´ on era el n´ umero de “entradas”
y “salidas” que hay en cada v´ertice de una figura. Un v´ertice se llama de
grado impar si tiene “un n´ umero impar de entradas o salidas, es decir, a ´el
confluyen un n´ umero impar de aristas”; de grado par, si tiene “un n´ umero
par de entradas o salidas”. De esta forma, la figura B.2(c) tiene todos los
v´ertices impares; la figura B.2(b), pares; las figuras B.2(a) y B.2(d), tienen
v´ertices pares e impares.
Miguel R. Wilhelmi
227
Una figura en la que todos los v´ertices tengan un n´ umero par de entradas
y salidas, nos permitir´ a siempre que entremos en un v´ertice poder salir de ´el
(figura B.2(b)). As´ı, si una figura tiene un n´ umero par de “entradas y salidas”
en todos sus v´ertices, siempre podr´ a ser trazada “sin levantar el l´ apiz del
papel”; a´ un m´ as, si salimos de un v´ertice el trazo tambi´en terminar´ a en ´el,
por lo que se llamar´ a circuito. As´ı, se concluye:
Proposici´on 20 Toda figura constituida por v´ertices de grado par es un
circuito, es decir, es construible y el v´ertice inicial y el final coinciden (se
comienza y se termina en el mismo v´ertice).
¿Qu´e sucede si hay alg´ un v´ertice es de grado impar? Sea por ejemplo,
la figura B.2(a): puede ser trazada “sin levantar el l´ apiz del papel”, pero es
mucho m´as “costoso” encontrar un v´ertice adecuado para ello. ¿Es posible
encontrar un criterio de selecci´ on del v´ertice de salida?
Un v´ertice que no sea ni “inicial” ni “final” debe ser de grado par, puesto
que es un v´ertice “de paso” y, siempre que se entra, se sale de ´el. Pero los
v´ertices “de paso” son todos menos dos (los que juegan el papel de inicio y
fin del camino), de tal suerte que un dibujo que contenga v´ertices de grado
impar, para ser realizable “de un solo trazo”, tendr´ a que tener a los sumo
dos v´ertices de ese tipo.
Proposici´on 21 Un dibujo con m´as de dos v´ertices impares no es construi-
ble.
Por otro lado, si una figura tiene dos v´ertices de grado impar, est´ a claro
que, si se intenta construir, se tendr´ a que salir de uno de los v´ertices impares
e intentar terminar en el otro v´ertice impar. De hecho, si se sale de un v´ertice
impar, se deja un n´ umero par de entradas o salidas (o ninguna) en dicho
v´ertice, de tal forma que no se puede terminar el camino en ´el. As´ı se concluye
que: no puede suceder que exista un s´ olo v´ertice impar.
Seg´ un lo dicho, una figura construible con v´ertices de grado impar
tendr´ a dos de este tipo: uno ser´ a v´ertice inicial; el otro, final. Sin embargo,
no constituir´ a un circuito, puesto que los v´ertices inicial y final no coinciden.
Llameremos trayectoria a cada una de tales figuras.
Proposici´on 22 Una figura con v´ertices de grado impar es trayectoria si,
y justamente si, tiene dos v´ertices de ese tipo.
De esta forma, ¿es construible la figura de los puentes de K¨ onigsberg?,
es decir, ¿es posible hacer un paseo que pase una (y s´ olo una) vez por cada
Combinatoria y Probabilidad
228 B Los puentes de K¨onigsberg
uno de los puentes que cruzan el r´ıo Pregel? En caso afirmativo, ¿es circuito
o trayectoria?
En general, para determinar si un dibujo es circuito, trayectoria o no
construible, es suficiente establecer la paridad o imparidad de los v´ertices
que lo forman: el problema de los puentes sobre el r´ıo Pregel en la ciudad
de K¨ onigsberg no tiene soluci´ on, tal y como lo afirm´ o L. Euler.
Por otro lado, cabe pensar que el m´etodo de L. Euler tiene un campo
restringido de inter´es y que, en todo caso, ´este se circunscribe a situaciones
l´ udicas sin demasiada importancia. Sin considerar el hecho de que el juego ha
sido y ser´ a uno de los motores principales de las matem´ aticas, diremos que la
teor´ıa de grafos ha encontrado una expasi´ on inusitada en campos tan disper-
sos como: qu´ımica, biolog´ıa, f´ısica, gen´etica, sociolog´ıa, econom´ıa, ciencias
de la computaci´ on, geograf´ıa, arquitectura, transporte y comunicaciones. E.
Micha (1998) dedica buena parte del su libro Matem´ aticas discretas a es-
tudiar la teor´ıa de grafos. En particular, describe dos problemas de tipo
euleriano que pasamos a enunciar: el problema del policleto y el problema
chino del cartero.
Los problemas del policleto y chino del cartero
Los ´ındices de criminalidad en una ciudad son altos. Como una medida
de vigilancia y control de los abusos del hampa, las autoridades crean la
figura de “polic´ıas en bicicleta”, conocidos popularmente como los policletos.
La idea consiste en que grupos de polic´ıas patrullen en bicicleta las calles
de ciertos barrios. Para tal efecto, se identifican sectores de patrullaje y
se se˜ nalan puntos en ellos en donde se establecen peque˜ nas estaciones o
terminales, que marcan inicio o t´ermino de un recorrido. Los responsables
plantean encontrar rutas para los policletos de modo que se cubra todo el
sector con la menor cantidad de pedaleo. Dos preguntas, en esencia distintas,
es preciso responder:
1. ¿Puede un policleto patrullar todas las calles de una colonia recorrien-
do cada calle una vez, iniciando y terminando su viaje en la misma
estaci´on?
2. Si esto no es posible, ¿cu´al es la manera m´as eficiente de patrullar la
colonia, iniciando y terminando en la estaci´ on?
El problema chino del cartero fue formulado por M. Guan en 1962. Para
repartir correspondencia, un cartero debe partir de la oficina de correos y,
despu´es de recorrer todas las calles por ambas aceras, regresar a la oficina de
Miguel R. Wilhelmi
229
correos: ¿ser´a posible caminar por todas las aceras con viviendas de todas
las calles exactamente una vez? Si es imposible, ¿cu´al es la manera m´as
eficiente (caminar el m´ınimo posible) de entregar todo el correo?
Para analizar ambos problemas, es suficiente representar mediante un
grafo el barrio donde van a patrullar los policletos o donde tiene que echar
la correspondecia el cartero: contar el n´ umero de v´ertices pares e impares
y determinar si se puede trazar un circuito o una trayectoria o, si por el
contrario, se trata de una figura no construible en un solo trazo. Sin embargo,
una diferencia esencial hay entre ambos problemas: mientras los policletos
recorren una calle una sola vez, el cartero debe hacerlo dos veces, una por
cada acera con viviendas (en el supuesto de que la calle tenga viviendas a
ambos lados)
2
.
Por otro lado, un problema fundamental queda todav´ıa abierto: construir
efectivamente un camino que describa un circuito o una trayectoria, en el
supuesto de que esto sea posible. Con otras palabras, el trabajo de Euler
permite afirmar si un grafo es construible, mas no c´ omo hacerlo. Un m´etodo
que tenemos al alcance es “ir probando, hasta topar con una soluci´ on”:
m´etodo por ensayo y error. Empero, en muchos casos (donde el n´ umero
de v´ertices es muy numeroso), este m´etodo puede resultar extremadamente
tedioso: el algoritmo de Fleury viene a nuestro auxilio.
Llamamos puente a una arista tal que al trazarla, un gr´ afico conexo
queda dividido en dos zonas disconexas: entonces, si las dos zonas en que
queda dividido el gr´ afico tienen aristas que no se han recorrido, el camino
trazado no va a terminarse.
De esta forma, el algoritmo de Fleury nos intruye a que trazemos un
puente ´ unicamente si es extrictamente necesario, esto es, si no es posible
tomar otra alternativa. Las reglas que rigen el algoritmo para un circuito
(trayectoria) son:
[Regla 1] Cerciorarse de que el gr´ afico sea conexo y que todos sus v´ertices
tengan grado par (y que haya justamente dos v´ertices de grado impar).
[Regla 2] Elegir un v´ertice cualquiera (impar) como partida.
[Regla 3] En cada paso, tomar cualquier arista que no sea puente, excepto
cuando sea extrictamente necesario.
Por otro lado, para no confundirse, suele ser ´ util en la pr´ actica borrar
las aristas recorridas y los v´ertices de grado cero (ya no quedan aristas que
2
No se considera la posibilidad de que el cartero cruce constantemente la calle para
echar la correspondencia en los buzones de una y otra vereda.
Combinatoria y Probabilidad
230 B Los puentes de K¨onigsberg
salgan o entren a ellos). Utilice el algoritmo dado para estudiar los grafos
de la siguiente figura.
Por ´ ultimo, queda analizar la posibilidad de crear recorridos ´ optimos si no
es posible realizar un circuito o una trayectoria. Por ejemplo, ¿qu´e recorrido
aconsejar´ıa a los policletos que deben patrullar un sector de un barrio cuyo
esquema se semeja el grafo central de la figura dada? Una estrategia puede
estar basada en la construcci´on de un nuevo grafo, a˜ nadiendo el m´ınimo
n´ umero de aristas posibles que conviertan el grafo en un circuito o en una
trayectoria y, entonces, aplicar el algoritmo de Fleury. Un algoritmo puede
ser descrito en los siguientes pasos:
[Paso 1] Contar el n´ umero de aristas que llegan a cada v´ertice. Si se est´a en
las condiciones de la regla 1 del algoritmo de Fleury, ir al paso 4.
En caso contrario, ir al paso 2 en el supuesto de querer construir un
circuito; al paso 3, para construir una trayectoria.
[Paso 2] Agregar aristas para convertir todos los v´ertices impares en pares,
por n-plicaci´on
3
de aristas ya existentes. Luego, ir al paso 4.
[Paso 3] Agregar aristas para convertir todos los v´ertices impares en pares
(excepto dos de ellos) por n-plicaci´on de aristas ya existentes. Luego,
ir al paso 4.
[Paso 4] Utilizar el algoritmo de Fleury para construir el recorrido: circuito
o trayectoria.
Ejercicios
1. Un grafo es completo si todos los v´ertices est´an unidos a todos los
dem´as justamente una vez por una arista. En la figura siguiente, se
pueden ver los grafos completos de k v´ertices, con k variando entre
4 y 7, y C
k,2
aristas: ¿constituyen trayectorias, circuitos o dibujos no
3
Du-plicaci´on, tri-plicaci´on, cuadri-plicaci´on, quintu-plicaci´on, etc. En general, n-
plicaci´on.
Miguel R. Wilhelmi
231
construibles de un solo trazo? En el supuesto de no ser construibles,
¿cu´ antas aristas es necesario a˜ nadir para tener una trayectoria? ¿Y
para tener un circuito? Encuentre alguna regla que le permita describir
un grafo completo de k v´ertices, para cualquier n´ umero k natural.
2. En la figura siguiente aparece el mapa de un barrio de una ciudad. La
municipalidad asigna a una empresa la recogida de basura de dicho
sector. El due˜ no del cami´ on recolector debe entregar todos los d´ıas
al chofer un monto de dinero equivalente a los galones de petr´ oleo
necesarios para hacer toda la ronda: ¿qu´e ruta tendr´ a que realizar el
conductor para minimizar el costo? Considere dos casos:
a) Los vecinos dejan la basura en contenedores en una sola acera.
b) Cada vecino deja la basura en la puerta de su casa y los peones
recogen ´ unicamente la basura de la acera del sentido de marcha
del cami´ on.
Observe, por otro lado, que las calles del per´ımetro del sector tienen
una sola acera con viviendas: en principio, el cami´ on tendr´ a que pasar
una sola vez por dichas calles.
Combinatoria y Probabilidad
232 B Los puentes de K¨onigsberg
3. Uniendo puntos en el plano o el juego de SIM. Dos jugadores. Uno de
ellos coloca un n´ umero n de puntos coplanares (n´ umero prefijado de
antemano), sin que haya tres colineales. El otro jugador tendr´ a que unir
dos puntos. Ser´ a el turno del primero, que, a su vez, unir´ a otros dos
puntos. Cada jugador, por turno, unir´ a dos puntos que no hayan sido
unidos con anterioridad. Pierde quien, al unir dos puntos, construya un
tri´ angulo. Para distinguir los trazos de uno y otro jugador se utilizar´ an
dos colores. (En figura (a), gana el jugador que ha hecho los trazos
claros).
Observar que se tiene a la mano varias variables: el n´ umero de puntos
que se permiten colocar, la ubicaci´ on de los mismos en el plano (con la
restricci´on de que no haya tres colineales), el n´ umero de jugadores que
pueden afrontar una misma partida (2, 3 jugadores haciendo trazos
alternativamente). ¿La figura (b) refleja una situaci´ on equivalente a la
de la figura (a)?
Miguel R. Wilhelmi
Anexo C
Inducci´ on matem´atica
El principio de induci´ on matem´atica (§2.7) se fundamenta en el quinto
axioma de la definici´ on de los n´ umeros naturales dada por el matem´ atico
italiano Giussepe Peano (1858–1932), en su obra Arithmetices Principia No-
va Methodo Exposita (1899). G. Peano defini´ o el conjunto N de los n´ umeros
naturales mediante cinco axiomas. Para su fundamentaci´ on de la aritm´eti-
ca, G. Peano eligi´ o tres conceptos primitivos: uno (el primer elemento del
conjunto de los n´ umeros naturales, aqu´el que no tiene antecesor), n´ umero
(es decir, n´ umero natural) y la relaci´ on binaria es sucesor de. A partir de
estos tres conceptos primeros defini´o los n´ umeros naturales y dedujo todas
sus propiedades.
La relaci´ on binaria es sucesor de queda definida por la siguiente funci´ on:
S : N −→N
n →S(n) := n + 1
De esta forma, los cinco axiomas de Peano para los n´ umeros
1
son:
1. 1 es un n´ umero: 1 ∈ N.
2. Si n es un n´ umero entonces el sucesor S(n) tambi´en es un n´ umero: Si
n ∈ N ⇒S(n) ∈ N.
3. 1 no es sucesor de ning´ un n´ umero
2
: ∀n ∈ N, S(n) = 1.
4. Si n y m pertenecientes a N son tales que tienen el mismo sucesor,
entonces n = m: Si n, m ∈ N y S(n) = S(m) ⇒n = m.
1
Dentro del sistema axiom´atico de Peano, “n´ umero” es sin´onimo de “n´ umero natural”.
2
Por ello, 1 se llama primer elemento o elemento m´ınimo de N.
233
234 C Inducci´ on matem´atica
5. Si un conjunto de n´ umeros P contiene a uno (1) y tambi´en al sucesor de
cualquier n´ umero que pertenezca a P, entonces todo n´ umero pertenece
a P. Con otras palabras, si P ⊆ N:
1 ∈ P
n ∈ P ⇒S(n) ∈ P

⇒P = N
Como se ha puntalizado m´as arriba, el axioma quinto es la base del m´eto-
do de inducci´ on matem´atica, que se aplica como m´etodo de definici´ on y de
demostraci´ on. De esta forma, el principio de inducci´ on queda definido en
t´erminos de conjuntos: “Si P ⊆ N. . . ” En la pr´ actica, sin embargo, el prin-
cipio de inducci´ on (matem´atica) suele aplicarse en t´erminos de propiedades,
m´as que en t´erminos de conjuntos (ver proposici´ on 6, p.39).
El juego del domin´o
Se colocan las fichas de un domin´ o paradas, seguidas unas de otras y a
una distancia menor que el alto de la ficha as´ı dispuesta, al golpear la primera
ficha, ´esta golpear´a a la siguiente, esta ´ ultima a su siguiente y as´ı, sucesiva-
mente, todas las fichas ir´an cayendo, golpeadas por la anterior y golpeando
a la siguiente. El proceso general puede ser descrito con dos ordenes:
1. La primera ficha de domin´ o cae al ser golpeada.
2. Si una ficha cualquiera cae, autom´ aticamente golpea y hace caer a la
siguiente.
De hecho, si ambas ordenes son ciertas, todas las fichas caer´an. En efecto,
seg´ un la primera orden: cae la primera ficha. Por la segunda orden, toda vez
que haya ca´ıdo la primera ficha, caer´ a la segunda. As´ı mismo, por la segunda
orden, la segunda har´ a caer a la tercera; la tercera, a la cuarta; la cuarta, a
la quinta; la quinta, a la sexta; y as´ı sucesivamente.
Por otro lado, el principio de inducci´ on da una regla pr´ actica de proceder
a la hora de demostrar (por inducci´ on) una propiedad, para cualquier n
natural. Se realizan los dos siguientes pasos:
1. Se demuestra en primer lugar que P
1
es verdadera, es decir, que la
proposici´ on P
n
es verdadera cuando n = 1.
2. Se supone que P
n
es verdadera (hip´ otesis de inducci´ on) y se demuestra
que la proposici´ on siguiente P
n+1
es verdadera.
Miguel R. Wilhelmi
235
En tales circunstancias, el principio de inducci´ on asegura que P
n
es ver-
dadera para todo n natural.
Ejemplo 16 La suma de los n primeros n´ umeros naturales es igual a
n(n+1)
2
.
Para cada n´ umero natural n, se tiene la proposici´ on:
P
n
: 1 + 2 + 3 +. . . + (n −2) + (n −1) +n =
n · (n + 1)
2
¿P
n
es verdadera para todo n? En efecto:
1. P
1
es verdadera:
1 =
1 · (1 + 1)
2
=
1 · (2)
2
=
2
2
= 1
2. Supongamos que P
n
es verdadera, entonces P
n+1
es tambi´en verdadera.
En efecto:
1 +. . . +n + (n + 1)=[1 +. . . +n] + (n + 1) =
n·(n+1)
2
+ (n + 1) =
=(n + 1)

n
2
+ 1

= (n + 1)

n+2
2

=
=
(n+1)(n+2)
2

En el ejemplo dado y en el juego de las torres de Hanoi, la proposici´ on
P
1
resulta trivial. Muchas veces, esto lleva a creer que “su verificaci´ on es
mec´anica y que nada aporta al estudio general”. Veamos que esta conclusi´ on
no es v´alida, de hecho puede llevar a “demostrar” justamente lo contrario a
lo que en verdad se verifica.
Ejemplo 17 ¿Es cierta la proposici´ on P
n
: “n
2
+ 5n + 1 es n´ umero par”?
Vamos a demostrar que “si P
n
es verdadera, entonces P
n+1
tambi´en lo
es”, pero que, sin embargo, todos los n´ umeros de la forma n
2
+ 5n + 1 son
impares: no hay contradicci´ on con el principio de inducci´ on, puesto que no
se ha verificado que la proposici´ on P
1
sea verdadera.
En efecto, si P
n
es verdadera, entonces P
n+1
tambi´en lo es:
(n +1)
2
+ 5(n +1) +1 = n
2
+2n +1 +5n +5 +1 = (n
2
+5n +1) +2n + 6
Ahora bien, por hip´ otesis de inducci´ on, P
n
es verdadera, luego existe k ∈ N
tal que: n
2
+ 5n + 1 = 2k y, por lo tanto, se tiene:
(n+1)
2
+5(n+1)+1 = (n
2
+5n+1)+2n+6 = 2k+2(n+3) = 2[k+(n+3)]
Combinatoria y Probabilidad
236 C Inducci´ on matem´atica
Luego, si P
n
es verdadera, tambi´en lo es P
n+1
. Sin embargo, se obtiene
f´ acilmente que los primeros 10 n´ umeros de la forma n
2
+ 5n + 1 son: 7, 15,
25, 37, 51, 67, 85, 105, 127, 151: todos ellos n´ umeros impares. De hecho se
demuestra que, para cada n ∈ N, la proposici´ on Q
n
“n
2
+ 5n + 1 es un
n´ umero impar”, es verdadera:
1. Q
1
es verdadera: 12 + 5 · 1 + 1 = 7 (impar).
2. Supongamos que Q
n
es verdadera y veamos que Q
n+1
tambi´en lo es:
(n+1)
2
+5(n+1)+1 = n
2
+2n+1+5n+5+1 = (n
2
+5n+1)+2n+6
Por hip´ otesis de inducci´ on, Q
n
es verdadera, luego existe k ∈ N tal
que n
2
+ 5n + 1 = 2k + 1 y, por lo tanto, se tiene:
(n + 1)
2
+ 5(n + 1) + 1=(n
2
+ 5n + 1) + 2n + 6 =
=2k + 1 + 2(n + 3) = 2[k + (n + 3)] + 1
Luego, Q
n+1
es verdadera y, por el principio de inducci´ on, se sigue la
tesis: “Para todo n ∈ N, n
2
+ 5n + 1 es un n´ umero impar”.
El ejemplo 17 ha servido para observar que es esencial que la prime-
ra proposici´ on sea cierta. Esto debe ser comprendido adecuadamente: no
siempre la primera proposici´ on verdadera es P
1
.
Ejemplo 18 Para todo n ≥ 2, n
2
> n + 1.
Si n = 1: 1 > 1 + 1, lo cual es falso. Entonces, para todo n ≥ 2, sea la
proposici´ on “P
n+1
: n
2
> n + 1. Se tiene:
1. P
2
es verdadera: 2
2
= 4 > 3 = 2 + 1.
2. Sea n ≥ 2, supongamos que P
n
es verdadera y veamos que P
n+1
tam-
bi´en lo es:
(n + 1)
2
= n
2
+ 2n + 1 > n + 1 + 2n + 1 > (n + 1) + 1, ∀n ≥ 2
La primera desigualdad en la anterior proposici´ on es cierta por hip´ote-
sis de inducci´ on y la segunda puesto que 2n > 0, para todo n ∈ N.
De esta forma, el ejemplo 18 sugiere un cambio en la regla pr´ actica
enunciada anteriormente: es preciso determinar la proposici´ on P
N
primera
Miguel R. Wilhelmi
237
que se cumple, donde N es el m´ınimo n´ umero natural de tal manera que P
n
es verdadera:
N = min{n ∈ N| P
n
es verdadera}
A continuaci´ on, suponer que P
n
es verdadera (hip´ otesis de inducci´ on) y
demostrar que la proposici´ on P
n+1
es verdadera. En tales circunstancias,
el principio de inducci´ on asegura que P
n
es verdadera para todo n´ umero
natural n ≥ N.
Para terminar esta breve descripci´ on del m´etodo de inducci´ on mate-
m´atica, se va a utilizar dicho m´etodo para demostrar dos proposiciones que
han sido enunciadas en el cap´ıtulo 5. En primer lugar, si A
i
∩ A
j
= ∅, para
todo i = j, se tiene:
P(A
1
∪ . . . ∪ A
n
) = P(A
1
) +. . . +P(A
n
) =
n
¸
k=1
P(A
k
)
En la p´ agina 134, se ha esbozado una demostraci´ on a dicha proposici´ on
que implica la aplicaci´ on del axioma tercero de probabilidad (n − 1) veces.
Una forma m´ as elegante, y m´as correcta desde el punto de vista formal, es la
aplicaci´ on del principio de inducci´ on. Por el axioma tercero de probabilidad,
la proposci´ on es cierta para n = 2. Supongamos (hip´ otesis de inducci´ on)
que el axioma es v´alido para n sucesos y veamos que puede ser extendido a
n + 1:
P(A
1
∪ . . . ∪ A
n
∪ A
n+1
)=P(A
1
∪ . . . ∪ A
n
) +P(A
n+1
) =
=P(A
1
) +. . . +P(A
n
) +P(A
n+1
)
=
¸
n+1
k=1
P(A
k
)
La primera igualdad es cierta por el axioma tercero de probabilidad, para
los sucesos B = A
1
∪ . . . ∪ A
n
y A = A
n+1
; la segunda, por hip´ otesis de
inducci´ on. De esta forma, se concluye que, si A
i
∩ A
j
= ∅, para todo i = j,
P(A
1
∪ . . . ∪ A
n
) =
¸
n
k=1
P(A
k
), para todo n ≥ 2.
Ejercicio
La propiedad P(A ∩ B) = P(A) · P(B|A), puede ser generlizada a un
n´ umero finito de sucesos de un mismo experimento aleatorio:
P(A
1
∩. . .∩A
n
) = P(A
1
)·P(A
2
|A
1
)·P(A
3
|A
1
∩A
2
)·. . .·P(A
n
|A
1
∩. . .∩A
n−1
)
Combinatoria y Probabilidad
Anexo D
F´ormula de Leibniz
En esta secci´on se generaliza el teorema de Newton (proposici´on 9, p.
66), que permite calcular la potencia n-´esima de un binomio: la f´ ormula de
Gottfried Wilhelm Leibniz (1646–1716) permite calcular la potencia n-´esima
de un polinomio a
1
+. . . +a
s
, cualquiera que sea el n´ umero natural s.
Para obtener la potencia n-´esima del polinomio a
1
+. . . +a
s
se procede
por multiplicaciones sucesivas. De esta forma, se obtienen t´erminos de la
forma a
1
α
1
· . . . · a
s
α
s
, que tendr´ an que satisfacer una serie de propiedades:
1. Los exponentes α
k
deben sumar n, puesto que ´este es el grado del
polinomio (a
1
+ . . . + a
s
)
n
:
¸
s
k=1
α
k
= α
1
+ . . . + α
s
= n. Adem´as,
los coeficientes son n´ umeros enteros no negativos y, por lo tanto, para
todo k: 0 ≤ α
k
≤ n
2. Seg´ un la propiedad anterior, los tipos de t´erminos a
1
α
1
· . . . · a
s
α
s
se
pueden obtener determinando el n´ umero de posibles descomposiciones
en s sumandos del n´ umero n (sin atender el orden en que aparecen
dichos sumandos):
n = n + 0+
(s−1)
. . . +0
n = (n −1) + 1+
(s−2)
. . . +0
n = (n −2) + 2 + 0+
(s−2)
. . . +0
n = (n −2) + 1 + 1 + 0+
(s−3)
. . . +0
n = (n −3) + 3 + 0+
(s−2)
. . . +0
n = (n −3) + 2 + 1 + 0+
(s−3)
. . . +0
n = (n −3) + 1 + 1 + 1 + 0+
(s−4)
. . . +0
.
.
.
239
240 D F´ormula de Leibniz
3. Cada uno de los tipos anteriores, debe relacionarse con las permuta-
ciones ordinarias de las variables a
k
. Como no se ha tenido en cuenta
el orden de los sumandos, la descomposici´on n = n +0+
(s−1)
. . . +0, por
ejemplo, refiere de igual manera a los t´erminos:
a
1
n
· a
2
0
· . . . · a
s
0
= a
1
n
· 1 · . . . · 1 = a
n
1
a
2
n
· a
1
0
· a
3
0
. . . · a
s
0
= a
2
n
· 1 · . . . · 1 = a
n
2
a
3
n
· a
1
0
· a
2
0
· a
4
0
. . . · a
s
0
= a
3
n
· 1 · . . . · 1 = a
n
3
.
.
.
4. Al desarrollar la potencia n-´esima del polinomio a
1
+. . .+a
s
, el n´ umero
de veces que se repetir´a un t´ermino del tipo a
1
α
1
· . . . · a
s
α
s
es igual al
n´ umero de permutaciones con repetici´on de las variables a
1
, . . . , a
s
,
que se repiten α
1
, . . . , α
s
veces, respectivamante. Por lo tanto, a cada
t´ermino le corresponde un coeficiente:
n!

1
)!·...(α
s
)!
Todas estas propiedades permiten enunciar la siguiente:
Proposici´on 23 (F´ ormula de Leibniz) Para cada n´ umero natural s, ar-
bitrario, pero fijo, la potencia n-´esima del polinomio a
1
+. . . +a
s
se calcula
mediante la f´ ormula:
(a
1
+. . . +a
s
)
n
=
¸
α
1
+...+α
s
=n
n!

1
)! · . . . (α
s
)!
a
1
α
1
· . . . · a
s
α
1
La diferencia fundamental con la f´ ormula del binomio se centra en c´ omo
se obtienen los sucesivos sumandos. No se tiene un contador que va tomando
unos valores, si no una condici´ on sobre unos par´ ametros, que restringe los
valores que pueden tomar estos: es preciso considerar todos los t´erminos que
verifican la condici´ on α
1
+. . . +α
s
= n.
Ejemplo 19 Desarrolle la expresi´ on (a +b +c)
5
.
Las posibles descomposiciones del n´ umero 5 son:
5 = 5 + 0 + 0 = 4 + 1 + 0 = 3 + 2 + 0 = 3 + 1 + 1 = 2 + 2 + 1
Por lo tanto, por la f´ ormula de Leibniz, se tiene:
(a +b +c)
5
=
¸
α+β+γ=5
5!
(α)!(β)!(γ)!
a
α
· b
β
· c
γ
=
Miguel R. Wilhelmi
241
= [5!/(5!0!0!)][a
5
b
0
c
0
+a
0
b
5
c
0
+a
0
b
0
c
5
]+
+[5!/(4!1!0!)][a
4
b
1
c
0
+a
4
b
0
c
1
+a
1
b
4
c
0
+a
0
b
4
c
1
+
+a
1
b
0
c
4
+a
0
b
1
c
4
]+
+[5!/(3!2!0!)][a
3
b
2
c
0
+a
3
b
0
c
2
+a
2
b
4
c
0
+a
0
b
3
c
2
+
+a
2
b
0
c
3
+a
0
b
2
c
4
]+
+[5!/(3!1!1!)][a
3
b
1
c
1
+a
1
b
3
c
1
+a
1
b
1
c
3
]+
+[5!/(2!2!1!)][a
1
b
2
c
2
+a
2
b
1
c
2
+a
2
b
2
c
1
] =
= [a
5
+b
5
+c
5
]+
+5[a
4
b +a
4
c +ab
4
+b
4
c +ac
4
+bc
4
]+
+10[a
3
b
2
+a
3
c
2
+a
2
b
4
+b
3
c
2
+a
2
c
3
+b
2
c
4
]+
+20[a
3
bc +ab
3
c +abc
3
]+
+30[ab
2
c
2
+a
2
bc
2
+a
2
b
2
c]
Para terminar, dos observaciones: una, ¿se obtiene el mismo resultado
por multiplicaci´ on directa del polinomio (a +b +c) cinco veces?; otra, a pe-
sar de que la f´ ormula de G.W. Leibniz simplifica los c´ alculos, resulta tedioso
el procedimiento, por ello es normal que muchos programas simb´olicos de
matem´aticas incluyan opciones que permiten expandir un polinomio en s
variables elevado a la n-´esima potencia de forma autom´atica. Con el soft-
ware Mathematica, por ejemplo, para expandir el polinomio P, es suficiente
introducir la orden Expand[P].
Combinatoria y Probabilidad
Anexo E
El problema de la aguja
G. Leclerc (1701–1788), conde de Buffon, en su obra Ensayo de aritm´eti-
ca moral, publicada en 1777, introduce una nueva rama de la teor´ıa de
probabilidades: la que estudia los problemas probabil´ısticos basados en con-
sideraciones geom´etricas (ver secci´on 4.1.2). En concreto, el conde de Buffon
propon´ıa el siguiente problema: Si un haz de lineas paralelas equidistantes
son trazadas sobre un plano horizontal, sobre el cual se deja caer al azar
una aguja perfectamente cil´ındrica y de grosor despreciable, ¿cu´ al es la pro-
babilidad de que la aguja corte a una de las l´ıneas paralelas?
Se designa por 2d a la distancia entre una recta y la paralela a ella m´ as
pr´ oxima; por 2l, a la longitud de la aguja. Adem´ as, se supone que d > l, para
evitar que la aguja pueda cortar simult´ anteamente a dos rectas paralelas.
En la figura E.1 aparecen representadas dos l´ıneas paralelas (r y s) y una
aguja que corta a la recta r en el punto Q. De esta forma, la distancia del
punto medio M de la aguja est´ a m´as pr´ oximo de r que de s y, por lo tanto,
ha de verificarse que x < l (x = MP). Por otro lado, si giramos la aguja en
torno al centro M llega un momento en que ´esta dejar´ a de cortar a la recta
r: el punto frontera es el punto Q

. Por lo tanto, dos variables es preciso
tener en cuenta: una, donde cae el centro M de la aguja; otra, si hacemos
pasar una perpendicular a las paralelas por M, qu´e ´angulo forma la aguja
con dicha perpendicular.
Ahora bien, el coseno del ´ angulo PMQ

se obtiene f´acilmente a partir
del tri´ angulo rect´ angulo que se forma:
cos PMQ

=
PM
MQ

=
x
l
⇒PMQ

= arc cos

x
l

El ´ angulo PMQ var´ıa entre 0 y π/2 (si el ´angulo es mayor que π/2 se
tiene una situaci´ on sim´etrica: el corte de la aguja se produce a la izquierda
243
244 E El problema de la aguja
Figura E.1: ¿Qu´e probabilidad hay de que la aguja corte a una de las l´ıneas
paralelas?
de P). De esta forma, la probabilidad de que el ´ angulo sea EMQ sea menor
o igual a PMQ

(en cuyo caso habr´ıa corte) es:
P(PMQ ≤ PMQ

) =
arccos

x
l

π/2
=
2
π
· arc cos

x
l

Por otro lado, la probabilidad de que el centro M de la aguja caiga en un
intervalo de la forma (x; x +dx) es dx/d. De esta forma, la probabilidad de
que la aguja corte a la recta r (denotaremos C
r
si ha caido a una distancia
x) debe calcularse como la suma de probabilidades de que el ´ angulo PMQ
sea menor que el ´angulo PMQ

. Como la variable x es continua (no discreta)
no es posible realizar una suma de un n´ umero finito de casos, sino que es
preciso utilizar el c´alculo integral. En concreto, se tiene:
P(C
r
) =

l
0

2
π
· arc cos

x
l

dx
d
= (cambio de variable: x = ly)
=
2l
πd

1
0
arc cos(y)dy = (cambio de variable: y = cos(t))
=
2l
πd

0
π/2
[−t sen(t)]dt = (por partes: u = t; dv = −sen(t)dt)
=
2l
πd
(t cos(t) −sen(t))
0
π/2
=
=
2l
πd
(0 −
π
2
· 0 + 1) =
2l
πd
El problema permite dise˜ nar un m´etodo para la obtenci´ on emp´ırica de
un valor aproxiamado del n´ umero π. Por ejemplo, sobre una hoja de papel
trace l´ıneas paralelas a una distancia d y lance un palito de longitud l (2l =
d) “muchas veces”; entonces, la simulaci´on arroja un valor aproximado del
inverso del n´ umero π. ¿La aproximaci´ on del n´ umero π as´ı obtenida es buena?
¿Puede dise˜ nar un experimento que le permita obtener una aproximaci´ on
mejor? ¿C´omo se podr´ıa utilizar a tal efecto un suelo cubierto de losetas?
Miguel R. Wilhelmi
Anexo F
Distribuciones de
probabilidad
En este anexo se realizan algunas demostraciones de afirmaciones que
se han utilizado para resolver cierta clase de problemas y que no han si-
do justificadas debidamente en su momento: se demuestran dos teoremas
que relacionan las funciones hipergeom´etrica y de Poisson con la funci´ on
binomial. As´ı mismo, se enuncia una importante propiedad de la distribu-
ci´on geom´etrica y se deduce la f´ormula para la funci´ on de probabilidad de
Poisson.
F.1. L´ımite de la funci´ on de probabilidad binomial
La distribuci´ on binomial muestra la probabilidad de obtener un n´ umero
determinado de ´exitos en n intentos. Conforme el n´ umero de intentos va
haci´endose mayor, la funci´ on binomial puede aproximarse por la de Poisson.
El motivo de dicha aproximaci´ on es la simplicaci´on de los c´alculos, con la
garant´ıa de obtener resultados “suficientemente buenos”.
En la tabla F.1 se puede ver c´ omo los valores de la binomial, conforme
n se va haciendo m´as grande, pueden ser aproximados por la funci´ on de
Poisson con par´ ametro λ = np.
De hecho, es cierta la siguiente:
Proposici´on 24 Sea X variable aletoria binomial y sea λ = np (constante),
entonces:
l´ım
n→∞
P
B
(X = k; n, p) = P
P
(X = k; λ)
245
246 F Distribuciones de probabilidad
Distribuci´on binomial de Poisson
k P
B
(k; 10, 0, 3) P
B
(k; 100, 0, 03) P
B
(k; 300, 0, 01) P
B
(k; 1200, 0, 0025) P
P
(k; 3)
0 0.028248 0.047553 0.049041 0.049600 0.049787
1 0.121061 0.147070 0.148609 0.149174 0.149361
2 0.233474 0.225153 0.224414 0.224135 0.224042
3 0.266828 0.227474 0.225170 0.224322 0.224042
4 0.200121 0.170606 0.168877 0.168242 0.168031
5 0.102919 0.101308 0.100985 0.100861 0.100819
6 0.036757 0.049610 0.050153 0.050346 0.050409
7 0.009002 0.020604 0.021277 0.021523 0.021604
8 0.001447 0.007408 0.007871 0.008044 0.008102
9 0.000138 0.002342 0.002580 0.002670 0.002701
10 0,000006 0.000659 0.000758 0.000797 0.000810
11 0,000000 0.000167 0.000202 0.000216 0.000221
12 0,000000 0.000038 0.000049 0.000054 0.000055
13 0,000000 0.000008 0.000011 0.000012 0.000013
14 0,000000 0.000002 0.000002 0.000003 0.000003
Tabla F.1: Comparaci´ on de las funciones de probabilidad binomial y de
Poisson
Antes de probar la proposici´ on 24, enunciaremos dos importantes propie-
dades, que son demostradas en un curso est´andar de An´alisis matem´ atico I
y que son utilizadas de manera informal (no expl´ıcita) en cursos de c´ alculo:
1. Sean (a
n
) y (b
n
) dos sucesiones de n´ umeros reales convergentes, en-
tonces:
l´ım
n→∞
(a
n
· b
n
) =

l´ım
n→∞
a
n

·

l´ım
n→∞
b
n

2. El n´ umero e o de Euler se define como el l´ımite de la sucesi´on conver-
gente

1 +
1
n

n
. Es posible generalizar esta definici´ on en el siguiente
sentido: se demuestra que, dada una sucesi´on (a
n
) de n´ umeros reales
absolutamente divergente (l´ım
n→∞
(|a
n
|) = ∞), entonces:
l´ım
n→∞

1 +
1
a
n

a
n
= e
De esta forma, resulta sencillo, apoy´ andose en estos dos enunciados, de-
Miguel R. Wilhelmi
F.2 L´ımite de la funci´ on de probabilidad hipergeom´etrica 247
mostrar la proposici´ on 24. En efecto:
l´ım
n→∞
P
B
(k; n, p)=l´ım
n→∞
¸
n
k

p
k
(1 −p)
n−k
¸
=
=l´ım
n→∞

n!
(n−k)!·k!

λ
n

k

1 −
λ
n

n−k
¸
=
=
λ
k
k!
l´ım
n→∞

n·...·(n−k+1)
n
k

1 −
λ
n

n

1 −
λ
n

−k
¸
=
=
λ
k
k!
l´ım
n→∞

n·...·(n−k+1)
n
k
¸

1 +
1
n
−λ
n
−λ

−λ

1 −
λ
n

−k
¸
=
=
λ
k
k!
· 1 · e
−λ
· 1 =
λ
k
k!
· e
−λ
= P
P
(k; λ)
La pen´ ultima igualdad es cierta por:
l´ım
n→∞
n·...·(n−k+1)
n
k
= l´ım
n→∞
n
k
+p(n)
n
k
= 1, con p(n) polimomio de
grado menor que k.
l´ım
n→∞
¸

1 +
1
n/(−λ)

n/(−λ)

−λ
= e
−λ
, por la proposici´ on segunda
anteriormente enunciada con a
n
= n/(−λ).
l´ım
n→∞

1 −
λ
n

−k
= 1.
De esta forma, queda completa la demostraci´ on.
Ejercicio
Es conocido el hecho de que cierto tipo de bacterias poseen, adem´as de
sus cromosomas, otras estructuras de ADN llamadas factores de resistencia.
Estos factores confieren a la bacteria resistencia a uno o varios antibi´ oticos.
En un determinado medio el 0,06 por 100 de las bacterias poseen dicha
propiedad. Sobre una poblaci´ on de 10 000, se desea saber: la probabilidad
de que el n´ umero de bacterias poseyendo dicha resistencia sea superior a 5,
pero inferior a 15.
F.2. L´ımite de la funci´ on de probabilidad hiper-
geom´etrica
La tabla 7.2 (p´ agina 197) muestra c´ omo la funci´ on hipergeom´etrica se
aproxima m´as y m´as a la binomial conforme el cociente n/N se hace m´as
peque˜ no. En esta secci´on, vamos a demostrar formalmente este hecho, calcu-
lando el l´ımite de la funci´ on de probabilidad hipergeom´etrica cuando, fijado
n, la poblaci´ on se hace m´as y m´as grande. En concreto:
Combinatoria y Probabilidad
248 F Distribuciones de probabilidad
Proposici´on 25 Sea X variable aleatoria hipergeom´etrica, entonces, para
cada n arbitrario, pero fijo, se tiene:
l´ım
N→∞
P
HG
(X = k; N, n, p) = P
B
(X = k; n, p)
Demostraci´on. Por la definci´ on de funci´ on de probabilidad hiper-
geom´etrica, se tiene:
l´ım
N→∞
P
HG
(X = k; N, n, p)=l´ım
N→∞
(
Np
k
)(
Nq
n−k
)
(
N
n
)
=l´ım
N→∞
(Np)!·(Nq)!·(N−n)!·n!
(Np−k)!·k!·(Nq−n+k)!·(n−k)!N!
=
n!
(n−k)!·k!
l´ım
N→∞
(Np)!·(Nq)!·(N−n)!
(Np−k)!·(Nq−n+k)!·N!
Simplificando, se tiene:
(Np)!·(Nq)!·(N−n)!
(Np−k)!·(Nq−n+k)!·N!
=
(Np)...(Np−k+1)·(Nq)...(Nq−n+k+1)
N...(N−n+1)
=
=
N
k+n−k
p
k
(1−p)
n−k
+A(N)
N
n
+B(N)
=
=
N
n
p
k
(1−p)
n−k
+A(N)
N
n
+B(N)
Donde A(N) y B(N) representan dos polinomios en N de grado menor que
n. Entonces:
l´ım
N→∞
P
HG
(X = k; N, n, p)=
n!
(n−k)!·k!
l´ım
N→∞
N
n
p
k
(1−p)
n−k
+A(N)
N
n
+B(N)
=
n!
(n−k)!·k!
p
k
(1 −p)
n−k
= P
B
(X = k; n, p)
F.3. “Memoria” de la distribuci´ on geom´etrica
Dada una variable aleatoria discreta X, que puede tomar los valores x
1
,
. . . , x
n
, en muchas circunstancias, interesa calcular la probabilidad acumula-
da de que la variable aleatoria tome cualquier valor a partir de (o hasta) uno
dado; as´ı aparecen expresiones del tipo: P(X ≥ x
k
), P(X ≤ x
k
), P(X > x
k
),
P(X < x
k
). Por ejemplo, sea X la variable aleatoria “suma de los n´ umeros
de las caras superiores en el lanzamiento de dos dados”, ¿cu´al es la proba-
bilidad de obtener un n´ umero mayor que 9?: P(X > 9) = P(X ≥ 10) =
P(X = 10) +P(X = 11) +P(X = 12) = (3 + 2 + 1)/36 = 1/6.
La distribuci´ on geom´etrica es un caso particular de la binomial negativa:
describe la probabilidad de que la variable aleatoria X “n´ umero de fallos
antes del primer ´exito (par´ ametro n = 1)” tome los valores 0, 1, 2, 3, . . .
Miguel R. Wilhelmi
F.3 “Memoria” de la distribuci´ on geom´etrica 249
La propiedad que se enuncia a continuaci´ on muestra c´omo la probabilidad
de que la varible aleatoria X sea mayor o igual que un determinado valor es
independiente, en cierto sentido, de los intentos anteriores, por ello se habla
de p´erdida de memoria de la variable aleatoria con distribuci´ on geom´etrica.
En concreto:
Proposici´on 26 Sea X una variable aleatoria con distribuci´ on geom´etrica
de probabilidad y par´ ametro p (probabilidad de ´exito en un ensayo indepen-
diente) y sean s y t dos n´ umeros enteros positivos, entonces:
P
G
(X > s +t | X > s) = P
G
(X ≥ t)
Demostraci´on. La funci´ on de probabiliadad asociada a la distribuci´ on
geom´etrica, con par´ ametro p (probabilidad de ´exito en un ensayo indepen-
diente), es:
P
G
(X = k) = p · (1 −p)
k
, k = 0, 1, 2, . . .
Entonces se tiene:
P
G
(X > s +t | X > s) =
P
G
[(X>s+t)∩(X>s)]
P
G
(X>s)
=
P
G
(X>s+t)
P
G
(X>s)
=
=
¸
k≥s+t+1
P(X=k)
¸
k≥s+1
P(X=k)
=
¸
k≥s+t+1
p(1−p)
k
¸
k≥s+1
p(1−p)
k
=
=(1 −p)
t
=
¸
k≥t
p(1 −p)
k
= P
G
(X ≥ t)
Por otro lado, observe que los par´ ametros s y t son ambos enteros po-
sitivos y que, sin embargo, la variable aleatoria “n´ umero de fallos antes del
primer ´exito” puede tomar tambi´en el valor 0. Un ejemplo es suficiente para
mostrar que la condici´ on sobre los par´ ametros es necesaria y que, por lo
tanto, no es “prescindible”: la proposici´ on no se cumple en general si se per-
mite que alguno de los par´ ametros s o t tome el valor 0. Supongamos, por
ejemplo, la variable aleatoria “n´ umero de sellos antes de la primera cara en
el lanzamiento de una moneda (no trucada)”. El experimento es de car´ acter
binomial con par´ ametro de ´exito p = 1/2, entonces:
P(X > 1 + 0|X > 0) =
P[(X>1)∩(X>0)]
P(X>0)
=
P(X>1)
P(X>0)
=
=
1−[P(X=1)+P(X=0)]
1−P(X=0)
=
=
1−
1
2

1
4
1−
1
2
=
1
2
= 1 = P(X ≥ 0)
Una lectura, en t´erminos de memoria, que se debe hacer de esta observa-
ci´on es la siguiente: “la distribuci´ on geom´etrica recuerda que la probabilidad
de ´exito en un ensayo independiente es p”.
Combinatoria y Probabilidad
250 F Distribuciones de probabilidad
Ejercicios
1. Para el experimento del lanzamiento de una moneda, con variable alea-
toria X (n´ umero de sellos antes de la primera cara) demuestre que:
P(X > 1 + 1|X > 1) = P(X ≥ 1) = 1/2
2. Justifique con un contraejemplo que la distribuci´ on asociada a la va-
riable aleatoria “suma de los n´ umeros de las caras superiores en el
lanzamiento de dos dados” no cumple la propiedad 26: ¿contradice
esto la proposici´ on?
F.4. Deducci´ on de la funci´ on de probabilidad de
Poisson
La distribuci´ on de Poisson permite calcular la probabilidad de que ocurra
un n´ umero de eventos independientes a velocidad constante en el tiempo o
el espacio, sabiendo que la ocurrencia promedio es λ. En la secci´ on 7.2.6, se
defini´ o la funci´ on de probabilidad, mas no fue obtenida.
Sea P(k; t) la probabilidad de tener, de manera exacta, k ocurrencias en
un intervalo de tiempo t: ¿es posible encontrar una f´ ormula que d´e P en
funci´ on de los par´ ametros?
Lo primero que se debe hacer es restringir el estudio al tipo de situaciones
que se desea describir. Por ello, se impone:
1. En el intervalo de tiempo que deseamos analizar, los eventos son inde-
pendientes.
2. La frecuencia v de ocurrencia es constante y positiva (v > 0).
3. La probabilidad de una ocurrencia en un intervalo de tiempo suficien-
temente peque˜ no dt es igual a vdt.
4. La probabilidad de m´ as de una ocurrencia en el intervalo dt es despre-
ciable (muy pr´ oxima a cero).
Bajo estos presupuestos, como el evento en el intervalo de tiempo t +dt
ha ocurrido k veces, se tienen dos posibles situaciones:
Todas las ocurrencias se dan en el intervalo t; entonces, debido a la
independencia, la probabilidad de que esto suceda es: P(k; t)·(1−vdt).
Miguel R. Wilhelmi
F.4 Deducci´on de la funci´ on de probabilidad de Poisson 251
k − 1 ocurrencias se dan en el intervalo t y una en el intervalo dt;
entonces, debido a la independencia, la probabilidad de que esto suceda
es: P(k −1; t) · vdt.
En conclusi´ on, la probabilidad total de tener k ocurrencias en el intervalo
t +dt es:
P(k; t +dt) = P(k; t) · (1 −vdt) +P(k −1; t) · vdt ⇒

P(k; t +dt) −P(k; t)
dt
= v[P(k −1; t) −P(k; t)]
De esta forma, si se toma el l´ımite cuando el intervalo dt se hace m´as y m´as
peque˜ no (dt →0), se tiene, por la definici´ on de derivada:
l´ım
dt→0
P(k; t +dt) −P(k; t)
dt

dP(k; t)
dt
= v[P(k −1; t) −P(k; t)] (F.1)
La ecuaci´on diferencial (F.1) se utiliza ahora para obtener, de forma
recurrente, los valores de la probabilidad con 0, 1, 2, . . . ocurrencias, esto
es, para obtener: P(0; t), P(1; t), P(2; t) . . . En primer lugar, si k = 0, la
ecuaci´on (F.1) queda en la forma:
dP(0; t)
dt
= −vP(0; t)
Obviamente: P(−1; t) = 0 (¿qu´e significa que un suceso se ha verificado −1
veces?) y, por otro lado, P(0; t) = 0, puesto que en caso contrario, de la
ecuaci´on P

(0; t) = −vP(0; t), se deducir´ıa que la probabilidad de tener 0
ocurrencias en cualquier intervalo t es siempre 0, lo cual no tiene sentido en
las condiciones del problema. De esta forma, por separaci´on de variables e
integraci´ on, se concluye:
P

(0; t)
P(0; t)
= −v ⇒

P

(0; t)
P(0; t)
dt =

−vdt ⇒
⇒ln P(0; t) = −vt + ln C ⇒P(0; t) = Ce
−vt
Adem´as, para t = 0, se tiene la condici´ on inicial P(0; 0) = 1 (es seguro que
un evento no ocurra en un intervalo de longitud 0); entonces: C = 1 y, por
lo tanto:
P(0; t) = e
−vt
(F.2)
Combinatoria y Probabilidad
252 F Distribuciones de probabilidad
Por otro lado, de las ecuaciones (F.1) y (F.2), se induce el problema de
valor inicial (PVI) siguiente:

P

(1; t) = −vP(1; t) +ve
−vt
P(1; 0) = 0
Para ello, es suficiente sustituir (F.2) en (F.1) y tener en cuenta que la
probabilidad de que tener una ocurrencia en un intervalo de tiempo 0 es
nula (P(1; 0) = 0).
La teor´ıa de ecuaciones diferenciales lineales de primer orden permite
afirmar entonces que el PVI anterior tiene soluci´ on ´ unica igual a
1
:
P(1; t) = vte
−vt
(F.3)
De manera similar, se procede para obtener P(2; t): se sustituye (F.3) en
(F.1) y se considera la condici´ on inicial P(2; 0) = 0. As´ı, de forma recurrente,
se demuestra, para cualquier k entero no negativo que:
P(k; t) =
(vt)
k
e
−vt
k!
, ∀k = 0, 1, 2, . . .
Obteniendo, de esta forma, la f´ ormula de la funci´ on de probabilidad de la
variable aleatoria de Poisson con par´ ametro λ = vt (siempre que P(k; 0) = 0).
1
En concreto, se demuestra el siguiente teorema (C(J) = {f : J −→R| f continua}):
Teorema 3 Sean a y b ∈ C(J), y sea t
0
∈ J, entonces el problema de valor inicial:

y

(t) = a(t)y(t) + b(t)
y(t
0
) = y
0
admite soluci´ on ´ unica global dada por:
y(t) = e

t
t
0
a(τ)dτ
¸
y
0
+

t
t
0

b(s)e

s
t
0
a(τ)dτ
ds

, t ∈ J
En el caso particular que se est´a estudiando: a(t) = −v, b(t) = ve
−vt
, y(t) = P(1; t) y
t
0
= 0.
Miguel R. Wilhelmi
Anexo G
Desigualdad de Chebishev
En la secci´ on 7.3 se introdujeron las nociones fundamenteles de esperanza
matem´atica (E(X) = μ) y varianza (V (X) = σ
2
) de una variable aleatoria
discreta X, como medidas de centralizaci´ on y dispersi´ on de una distribuci´ on
de probabilidad. Es evidente que si σ
2
es peque˜ na entonces |X−μ| no puede
ser grande para muchos puntos del espacio muestral. Con otras palabras, el
tama˜ no de σ
2
limita la probabilidad de grandes desviaciones de la variable
aleatoria X. En concreto, se demuestra que:
Teorema 4 (Desigualdad de Chebishev) Sea (P, E, U) un espacio de
probabilidad y X una variable aleatoria sobre E con esperanza matem´ atica
(finita) μ y varianza σ
2
. Entonces, para todo ε > 0, se verifica:
P(|X −μ| ≥ ε) ≤
σ
2
ε
2
Demostraci´on. Sea el suceso A definido por: A = {s ∈ E | |X(s)−μ| ≥ ε}.
Por definici´ on de varianza se tiene que:
σ
2
= V (X) = E[(X −μ)
2
] =
¸
x∈E
[X(s) −μ]
2
· P({s})
Por otro lado, E = A ∪ A
c
, donde A
c
representa el suceso complementario
del suceso A, esto es: A
c
= {s ∈ E | |X(s) −μ| < ε}, luego:
σ
2
=
¸
x∈A
[X(s) −μ]
2
· P({s}) +
¸
x∈A
c
[X(s) −μ]
2
· P({s})
Y, como todos los t´erminos de la forma [X(s) − μ]
2
· P({s}) son positivos,
se concluye que:
σ
2

¸
x∈A
[X(s) −μ]
2
· P({s})
253
254 G Desigualdad de Chebishev
Ahora bien, por definici´ on de A, para todo s ∈ A:
|X(s) −μ| ≥ ε ⇒[X(s) −μ]
2
≥ ε
2
Luego:
σ
2

¸
x∈A
[X(s) −μ]
2
· P({s}) ≥
¸
x∈A
ε
2
· P({s}) = ε
2
·
¸
x∈A
P({s}) = ε
2
· P(A)
En conclusi´ on:
σ
2
≥ ε
2
· P(A) ⇒P(|X −μ| ≥ ε) ≤
σ
2
ε
2

Si relee el enunciado del teorema 4, se dar´a cuenta de que no se ha espe-
cificado que la variable aleatoria sea discreta: la desigualdad de Chebishev
(1821–1894) es v´ alida para variables aleatorias discretas (finitas o numera-
bles) y continuas. Bien entendido, en esta oportunidad, el s´ımbolo sumatoria
representa tanto una suma finita, como una suma infinita o una integral,
seg´ un como sea la variable aleatoria X (finita, numerable o continua).
La virtud principal de la desigualdad de Chebishev es, por lo tanto, su
generalidad: es v´ alida para cualquier variable aleatoria con esperanza ma-
tem´atica finita. Si la variable aleatoria es finita (toma un conjunto finito de
valores x
1
, . . . , x
n
con probabilidad P
k
= P(X = x
k
), k variando entre 1
y n), entonces la esperanza matem´atica (E(X) =
¸
n
k=1
x
k
P
k
) est´a siempre
bien definida (es un n´ umero real). Sin embargo, si se tiene una variable alea-
toria discreta numerable X que toma los valores {x
k
}
k∈N
con probabilidad
P
k
= P(X = x
k
), la esperanza puede no tener sentido: designa una serie no
convergente (oscilante o divergente).
Ejemplo 20 Sea la variable aleatoria discreta (VAD) X que toma los va-
lores x
k
=
2
k
k
, k ∈ N, con probabilidad P
k
= P(X = x
k
) =
1
2
k
, para todo k.
¿Cu´ al es el valor de la esperanza matem´ atica de la VAD X?
Lo primero que se debe observar es que P es funci´ on de probabilidad,
puesto que
¸
k∈N
P
k
=
¸
k∈N
1
2
k
= 1. En segundo lugar, la definci´ on 45 de
esperanza matem´atica (p.209) ha sido enunciada para una VAD finita; por
similitud, se define para una VAD numerable:
E(X) =
¸
k∈N
x
k
P
k
Miguel R. Wilhelmi
255
Entonces, en el ejemplo, se tiene:
E(X) =
¸
k∈N
x
k
P
k
=
¸
k∈N
2
k
k
· 2
k
=
¸
k∈N
1
k
= +∞
De esta forma, para poder definir la esperanza matem´ atica de una VAD
numerable es necesario exigir convergencia de la serie num´erica asociada.
Con otras palabras, se restringe el estudio de VAD numerables que verifiquen
la condici´ on necesaria:
¸
k∈N
x
k
P
k
∈ R
Sin embargo, esto no es suficiente: una reorganizaci´ on de t´erminos de
una serie puede modificar el valor de ´esta; con otras palabras, en general la
propiedad conmutativa no es cierta para las series.
Ejemplo 21 Sea la variable aleatoria discreta (VAD) X que toma los va-
lores x
k
=
(−1)
k+1
k
2
k
, k ∈ N, con probabilidad P
k
= P(X = x
k
) =
1
2
k
, para
todo k. ¿Cu´ al es el valor de la esperanza matem´ atica de la VAD X?
Como en el ejemplo 20, la distribuci´ on es de probabilidad, puesto que
¸
k∈N
1
2
k
= 1. Sin embargo, el orden en que se realiza la serie que define
la esperanza matem´atica determina el valor que toma ´esta. En concreto, se
demuestra que, para la distribuci´ on del ejemplo, seg´ un c´ omo se tomen los
t´erminos de la serie, la esperanza matem´atica toma el valor ln(2) o
3
2
ln(2):
1. Si no se reorganizan los t´erminos de la serie el valor que se le asigna
a la esperanza matem´atica es: ln(2). En efecto, teniendo en cuenta el
desarrollo en serie:
ln(1 +x) = −
¸
n∈N
(−1)
k
x
k
k
Se concluye que:
¸
k∈N
x
k
P
k
=
¸
k∈N
(−1)
k+1
k
2
k
·
1
2
k
= −
¸
k∈N
(−1)
k
k
2
k
·
1
2
k
= −
¸
k∈N
(−1)
k
k
= ln(2)
2. Si se reorganizan los t´erminos de la serie en la forma:
¸
k∈N
(−1)
k+1
k
=

1 +
1
3

1
2

+

1
5
+
1
7

1
4

+

1
9
+
1
11

1
6

+. . .
Combinatoria y Probabilidad
256 G Desigualdad de Chebishev
La suma de la serie es
3
2
ln(2). Para demostrar esto es preciso introducir
la constante γ de Euler (1707–1783) y algunas relaciones de sumas de
fracciones al´ıcuotas o unitarias
1
.
Sea la suma H
n
de las n primeras fracciones al´ıcuotas:
H
n
= 1 +
1
2
+
1
3
+
1
4
+. . . +
1
n −2
+
1
n −1
+
1
n
=
n
¸
k=1
1
k
Entonces, se demuetra la siguiente:
Proposici´on 27 La sucesi´ on (H
n
−ln(n))
n∈N
es convergente en (0; ∞).
Demostraci´on. Es suficiente demostrar que la sucesi´ on est´a acotada
inferiormente y es mon´ otona no creciente. En efecto:
1. H
n
−ln(n) ≥ 0, para todo n ≥ 1:
H
n
−ln(n) = H
n

n
1
dx
x
= H
n

n−1
¸
k=1

k+1
k
dx
x
=
=
1
n
+
n−1
¸
k=1

1
k

k+1
k
dx
x

=
=
1
n
+
n−1
¸
k=1

k+1
k

1
k

1
x

dx ≥ 0 ⇒H
n
−ln(n) ≥ 0
Puesto que todas las integrales son positivas:
k ≤ x ≤ k + 1 ⇒
1
x

1
k

1
k

1
x
≥ 0 ⇒

k+1
k

1
k

1
x

dx ≥ 0
Y, por lo tanto, para cada n´ umero natural n, arbitrario pero fijo,
H
n
−ln(n) ≥ 0, ya que puede ser expresado con suma de un conjunto
finito de t´erminos positivos.
2. H
n
−ln(n) ≥ H
n+1
−ln(n + 1), para todo n ≥ 1:
H
n
−ln(n) ≥ H
n+1
−ln(n + 1) ⇐⇒ ln

n+1
n

≥ H
n+1
−H
n
⇐⇒
⇐⇒

n+1
n
dx
x

1
n+1
Que es cierto siempre, puesto que el integrando es mayor que
1
n+1
:
n ≤ x ≤ n + 1 ⇒
1
x

1
n + 1

1
Fracciones de la forma
1
n
, n ∈ N.
Miguel R. Wilhelmi
257
Definici´on 47 (N´ umero γ de Euler) Se llama n´ umero de Euler y se
designa por la letra griega γ (se lee, gamma), al l´ımite de la sucesi´ on
(H
n
−ln(n))
n∈N
. Esto es:
γ = l´ım
n→∞
[H
n
−ln(n)]
El valor aproximado es de 0,5772281648. Dicho valor puede obtenerse
f´ acilmente con un software especializado, que permita programar y realizar
c´alculos complejos con un costo m´ınimo. El valor dado se ha obtenido con
Mathematica, para n = 40 000, esto es:
0, 5772281648 ≈ H
40 000
−ln(40 000)
Corolario 4 Sea H
n
la suma de las n primeras fracciones al´ıcuotas y γ
la constante de Euler, entonces exite una sucesi´ on (ε
n
) convergente a cero
(l´ım
n→∞
ε
n
= 0) tal que, para cada n, se verifica:
H
n
= ln(n) +γ +ε
n
Demostraci´on. Se sigue inmediatamente de la proposici´ on 27 y de la
definici´ on 47 del n´ umero γ de Euler.
Denotemos ahora:
P
n
=
1
2
+
1
4
+. . . +
1
2n
=
1
2

1 +
1
2
+
1
3
+. . . +
1
n

=
1
2
· H
n
I
n
= 1 +
1
3
+. . . +
1
2n−1
=

1 +
1
2
+. . . +
1
2n

1
2
+. . . +
1
2n

= H
2n
−P
n
De esta forma, se tienen las dos relaciones fundamentales:
P
n
=
1
2
H
n
; I
n
= H
2n

1
2
H
n
Volviendo a nuestro problema inicial, la reorganizaci´ on de la serie
¸
k∈N
(−1)
k+1
k
dada (p.255), puede escribirse en la forma:
¸
k∈N
(−1)
k+1
k
=

1 +
1
3
+. . . +
1
4n −1

1
2
+
1
4
+. . . +
1
2n

= I
2n

1
2
H
n
Combinatoria y Probabilidad
258 G Desigualdad de Chebishev
De tal forma, que:
¸
k∈N
(−1)
k+1
k
= I
2n

1
2
H
n
= H
4n

1
2
H
2n

1
2
H
n
=
= ln(4n) +γ +ε
4n

1
2
[ln(2n) +γ +ε
2n
]−

1
2
[ln(n) +γ +ε
n
]
= ln(4n) −
1
2
ln(2n) −
1
2
ln(n)+

4n

1
2
ε
2n

1
2
ε
n
= ln(4) + ln(n) −
1
2
ln(2) −
1
2
ln(n) −
1
2
ln(n)+

4n

1
2
ε
2n

1
2
ε
n
= ln(2
2
) −
1
2
ln(2) +ε
4n

1
2
ε
2n

1
2
ε
n
= 2 ln(2) −
1
2
ln(2) +ε
4n

1
2
ε
2n

1
2
ε
n
=
3
2
ln(2) +ε
4n

1
2
ε
2n

1
2
ε
n
Luego, calculando el l´ımite cuando n tiende a infinito, se tiene:
¸
k∈N
(−1)
k+1
k
= l´ım
n→∞

3
2
ln(2) +ε
4n

1
2
ε
2n

1
2
ε
n

=
3
2
ln(2)
De esta forma, se motiva la necesidad de una condici´ on adicional que
permita asegurar que el orden en que se toman los t´erminos de la sumatoria
no condicione el valor que tome la esperanza matem´ atica.
Definici´on 48 (Incondicionalmente convergente) Una serie num´erica
real
¸
n∈I
a
n
, con I conjunto de ´ındices numerable, se llama incondicional-
mente convergente si es convergente y cualquier reordenaci´ on suya converge
al mismo valor.
Se comprueba que la convergencia absoluta es condici´ on suficiente y ne-
cesaria para la convergencia incondicional de una serie, esto es:
¸
n∈I
a
n
abs. convergente ⇐⇒
¸
n∈I
a
n
incond. convergente
Por lo tanto, para que la esperanza matem´ atica quede un´ıvocamente
determinada se exigir´ a la convergencia absoluta de la serie:
¸
k∈N
|x
k
|P
k
< +∞
De esta forma, se define:
Miguel R. Wilhelmi
259
Definici´on 49 (Esperanza matem´atica) Dado un espacio de probabili-
dad (P, E, U) y X una VAD numerable, que toma los valores x
k
, k ∈ N, con
probabilidad P
k
(P
k
= P(X = x
k
)), de forma que:
¸
k∈N
|x
k
|P
k
< +∞
Entonces, se llama esperanza matem´ atica de la VAD X, se denota por μ o
E(X), al n´ umero real:
μ = E(X) =
¸
k∈N
x
k
· P
k
La definci´ on 49 es una generalizaci´ on de la definici´ on 45 (p.209): a toda
VAD finita X, que puede tomar los valores k
1
, . . . , k
n
con probabilidad
P(X = k
i
) = P
i
, se le puede asociar la VAD numerable X

que toma los
valores (k

i
)
i∈N
, tal que k

i
= k
i
(1 ≤ i ≤ n) y k

i
= i (i > n), con probabilidad:
P(X

= k

i
) =

P
i
si 1 ≤ i ≤ n
0 si i > n
Por otro lado, una discusi´ on similar puede hacerse para variables alea-
torias continuas, llegando a la definici´ on:
Definici´on 50 (Esperanza matem´atica) Dado un espacio de probabili-
dad (P, E, U) y X una variable aleatoria continua (VAC), con funci´ on de
densidad f, se llama esperanza matem´ atica de la VAC X, se denota por μ
o E(X), al n´ umero real:
μ = E(X) =

k∈R
x · f(x)dx
supuesta absolutamente convergente la integral (

k∈R
|x| · f(x)dx < +∞).
Por otro lado, toda vez que la esperanza matem´ atica queda perfectamen-
te definida, se puede definir la llamada ley d´ebil de los grandes n´ umeros. De
hecho, una de las consecuencias te´oricas fundamentales de la desigualdad
de Chebishev es este teorema. La definici´on frecuencial de probabilidad se
basa en la siguiente idea: un muestra aislada de un experimento aleatorio
no es representativa del comportamiento general de ´este; sin embargo, to-
do experimento aleatorio presenta regularidades en un conjunto “grande” de
repeticiones (ley del azar).
Combinatoria y Probabilidad
260 G Desigualdad de Chebishev
Con raz´ on, el adjetivo “grande” va entre comillas: en las simulaciones
realizadas, siempre queda la duda de cu´ antas veces debe repetirse un expe-
rimento aleatorio, para admitir que la estabilizaci´ on de las frecuencias rela-
tivas es representativa de las probabilidades asignadas a los sucesos posibles
de un experimiento aleatorio. El teorema de los grandes n´ umeros asegura
que el promedio x de n observaciones independientes de una variable alea-
toria X con esperanza matem´atica finita μ = E(X) y varianza σ
2
, converge
en probabilidad a μ para n →∞; esto es, la probabilidad de que x difiera de
μ en m´as de una cantidad ε > 0 (arbitraria, pero fija) se hace tan peque˜ na
como se quiera cuando n tiende a infinito.
Antes de enunciar y demostrar el teorema d´ebil de los grandes n´ umeros,
es preciso observar que una serie de n observaciones pueden ser tomadas
como una sola observaci´ on n-dimensional. De esta forma, cada componente
representa una variable aleatoria, independientes las unas de las otras, pero
id´enticamente distribuidas (con igual esperanza matem´ atica y varianza, por
lo tanto).
Teorema 5 (Ley d´ebil de los grandes n´ umeros) Sea (X
n
)
n∈N
una su-
cesi´ on de variables aleatorias independientes, pero id´enticamente distribui-
das. Para cada n, se define S
n
=
X
1
+...+X
n
n
; entonces, para cada ε > 0, se
tiene:
l´ım
n→∞
P(|S
n
−μ| ≥ ε) = 0
0, equivalentemente:
l´ım
n→∞
P(|S
n
−μ| < ε) = 1
Demostraci´on. Como todas las variables aleatorias X
i
est´an identi-
camente distribuidas tienen la misma esperanza matem´ atica y la misma
varianza, por lo tanto:
E(S
n
) = E

X
1
+. . . +X
n
n

=
E(X
1
) +. . . +E(X
n
)
n
=

n
= μ
V (S
n
) = V

X
1
+. . . +X
n
n

=
V (X
1
) +. . . +V (X
n
)
n
2
=

2
n
2
=
σ
2
n
De esta forma, por la desigualdad de Chebishev para la variable aleatoria
S
n
, se concluye:
P(|S
n
−E(S
n
)| ≥ ε) ≤
V (S
n
)
ε
2
⇐⇒ P(|S
n
−μ| ≥ ε) ≤
σ
2
n · ε
2
Miguel R. Wilhelmi
261
Y, por lo tanto, para cada ε > 0, por peque˜ no que sea, se tiene:
0 ≤ l´ım
n→∞
P(|S
n
−μ| ≥ ε) ≤ l´ım
n→∞
σ
2
n · ε
2
= 0
Y, por el teorema de sandwich, queda completa la demostraci´ on.
Por ´ ultimo, para terminar este anexo, vamos a aplicar la desigualdad de
Chebishev en varios ejemplos. Si hasta ahora hemos hablado de la virtud
indiscutible de dicha desigualdad, en lo que sigue se pretende contrastar la
bondad de la acotaci´ on realizada y su posible uso en la pr´ atica.
Ejemplo 22 Sea X una variable aleatoria binomial de par´ ametros n = 4 y
p = 1/4. Compare P(|X −μ| ≥ ε) con
σ
2
ε
2
, para ε = 1/2, 1 y 3/2.
La esperanza matem´atica y la varianza de una distribuci´ on binomial son
iguales a np y npq, respectivamente (p.207). Por lo tanto, en este caso se
tiene:
μ = 4 ·
1
4
= 1; σ
2
= 4 ·
1
4
·
3
4
=
3
4
De esta forma, es preciso calcular las probabiliades P
B
(|X − 1| ≥ ε),
donde ε toma los valores 1/2, 1 y 3/2:
P
B
(|X −1| ≥ 1/2) = P
B
(X = 0) +P
B
(X = 2) +P
B
(X = 3) +P
B
(X = 4)
P
B
(|X −1| ≥ 1) = P
B
(X = 0) +P
B
(X = 2) +P
B
(X = 3) +P
B
(X = 4)
P
B
(|X −1| ≥ 3/2) = P
B
(X = 3) +P
B
(X = 4)
Los valores que toma la funci´ on de probabilidad pueden determinarse por
medio de la definci´ on 37 de la binomial (p.188) o utilizando la tabla H.1
(p.267), sabiendo que se trata de una distribuci´ on binomial de par´ ametros
n = 4 y p = 1/4. Consideremos, por simplicidad, esta segunda opci´ on:
P
B
(|X −1| ≥ 1/2) = 0, 3164 + 0, 2109 + 0, 0469 + 0, 0039 = 0, 5781
P
B
(|X −1| ≥ 1) = P
B
(|X −1| ≥ 1/2) = 0, 5781
P
B
(|X −1| ≥ 3/2) = 0, 0469 + 0, 0039 = 0, 0508
Entonces, si se designa por A = {|X − μ| ≥ ε}, es posible observar que la
acotaci´on de P(A) por σ
2

2
no siempre es muy buena (tabla G.1).
Ejemplo 23 Sea la distribuci´ on de probabilidad uniforme X en los puntos
1, 2, 3, 4 y 5. Grafique, para ε > 0, las dos funciones siguientes: P(|X−μ| ≥
ε) y σ
2

2
.
Combinatoria y Probabilidad
262 G Desigualdad de Chebishev
μ ε P(A) σ
2
σ
2

2
σ
2

2
−P(A)
1 1/2 0,5781 3/4 3 2,4219
1 1 0,5781 3/4 3/4 0,1719
1 3/2 0,0508 3/4 1/3 0,2825
Tabla G.1: Acotaci´ on de Chebishev
La esperanza matem´atica y la varianza de una distribuci´ on discreta uni-
forme son iguales a
1
n
¸
n
i=1
x
i
y
1
n
¸
n
i=1
(x
i
− x)
2
, respectivamente (tabla
7.2.6). Por lo tanto, en este caso se tiene:
μ =
1
5
5
¸
i=1
i =
1
5
·
5(5 + 1)
2
= 3
σ
2
=
1
5
[(1 −3)
2
+ (2 −3)
2
+ (3 −3)
2
+ (4 −3)
2
+ (5 −3)
2
] =
1
5
· 10 = 2
De esta forma, las funciones de ε que se desea graficar y comparar son:
f(ε) = P(|X −3| ≥ ε); g(ε) =
2
ε
2
La funci´ on g es muy conocida. Por otro lado, es f´ acil mostrar, que la funci´ on
f es una funci´ on definida a trozos por la regla:
f(ε) =



P(X = 1) +P(X = 2) +P(X = 4) +P(X = 5) =
4
5
si 0 < ε ≤ 1
P(X = 1) +P(X = 5) =
2
5
si 1 < ε ≤ 2
0 si 2 < ε
La representaci´ on gr´ afica de las funciones f y g (figura G.1) permite
hacer un an´ alisis muy preciso de los valores de ε para los cuales la acotaci´ on
dada por la desigualdad de Chebishev para el valor P(|X−μ| ≥ ε) es buena.
Seg´ un el par´ amero ε, ¿la desigualdad de Chebishev da una acotaci´ on “fi-
na” o “vasta”? ¿Qu´e sucede si ε es un valor muy pr´ oximo a 0? ¿Qu´e sucede si
ε es un valor muy pr´ oximo a 2? ¿Qu´e sucede si ε es un valor “suficientemente
grande”?
En general, la acotaci´ on de P(|X−μ| ≥ ε) por la desigualdad de Chebis-
hev no es buena: la diferencia entre el valor de la probabilidad P(|X−μ| ≥ ε)
y
σ
2
ε
2
es, en muchos casos, demasiado grande. Por ello, se acepta que la de-
sigualdad de Chebishev tiene implicaciones te´ oricas muy importantes, pero
que, sin embargo, su uso pr´ actico es restringido.
Miguel R. Wilhelmi
263
0.5 1 1.5 2 2.5 3 3.5
0.5
1
1.5
2
2.5
3
3.5
Figura G.1: Estudio funcional de la acotaci´ on dada por la desigualdad de
Chebishev seg´ un el par´ ametro ε.
Ejercicios
1. Sea X una variable aleatoria binomial de par´ ametros n = 4 y p = 1/8.
Analice la diferencia de los valores P(|X−μ| ≥ ε) y
σ
2
ε
2
, para ε = 1/2, 1
y 3/2. Compare los resultados obtenidos con el ejemplo 22.
Nota: Para obtener los valores de la probabilidad de tener 0, 1, 2, 3 o
4 ´exitos, al igual que en el ejercicio 22, se puede utilizar la definici´ on
de funci´ on binomial o la tabla H.1 (p.267). En este caso, la utilizaci´ on
de la tabla no es tan evidente: la funci´ on de distribuci´ on binomial con
par´ ametro p = 1/8 no ha sido tabulada. Una soluci´ on es tomar como
valores aproximados la media aritm´etica de los valores de la binomial
con par´ ametro p = 0, 10 y p = 0, 15 (¿por qu´e?). Complete la tabla:
k P
B
(X = k; 4, 1/8) [P
B
(X = k; 4, 0, 10) −P
B
(X = k; 4, 0, 15)]/2
0
1
2
3
4
Combinatoria y Probabilidad
264 G Desigualdad de Chebishev
2. Sea X una VAD finita que toma los valores 0, 1, 2, . . . , n y tal que
la esperanza y la varianza sean iguales a 1 (μ = σ
2
= 1). Demostrar
que P(X ≥ 3) ≤ 1/4. De manera an´ aloga, muestre que, para k =
4, 5, . . . , n, se verifica:
P(X ≥ k) ≤ 1/(k −1)
2
3. Demostrar que al menos uno de los n´ umeros P(X−μ ≥ ε) o P(X−μ ≤
−ε) es menor o igual que σ
2
/2ε
2
.
4. Realice la suma de la serie
¸
k∈N
(−1)
k+1
k
organizando los t´erminos en
la forma:
¸
k∈N
(−1)
k+1
k
=

1 −
1
2

+

1
3

1
4

+

1
5

1
6

+. . .
Demuestre entonces, utilizando los t´erminos I
n
y P
n
y el n´ umero γ de
Euler, que la suma es igual a ln(2).
5. Se ha definido la esperanza matem´ atica de una VAD numerable. Para
ello, ha sido necesario justificar primero la necesidad de la convergen-
cia absoluta de la serie num´erica. Por otro lado, se ha afirmado que la
desigualdad de Chebishev es v´ alida para toda variable aleatoria con
esperanza finita. ¿C´omo se define la esperanza matem´atica para una
variable aleatoria continua? ¿Es suficiente asegurar la convergencia de
la integral asociada para concluir la existencia de esperanza matem´ ati-
ca? Un an´ alisis similar al que se ha realizado, debe conducir a definir
correctamente la esperanza matem´atica de una variable aletoria con-
tinua: la convergencia de series debe ser interpretada en t´erminos de
integrales (extensi´ on natural de la sumatoria para una variable conti-
nua).
6. El n´ umero medio de personas que acuden a un locar es 1 000 con una
desviaci´ on t´ıpica de 20. ¿Cu´ al es el n´ umero de sillas necesarias para
asegurar que todos los asistentes puedan sentarse con una probabilidad
de 0,75?
Miguel R. Wilhelmi
Anexo H
Tablas de las distribuciones
discretas de probabilidad
Como se ha establecido en el cap´ıtulo 7, a la hora de utilizar las f´ ormulas
de las distribuciones discretas de probabilidad, es preciso, en muchos casos,
realizar una gran cantidad de c´ alculos.
Cuando la estad´ıstica empez´o a desarrollarse vigorosamente, para rea-
lizar estos c´alculos no se dispon´ıa de calculadoras cient´ıficas de bolsillo ni,
mucho menos, de un microordenador que permitiera organizar y procesar
los datos cuantiosos que en ocasiones es necesario. Se construyeron extensas
tablas ad hoc que constitu´ıan unas rudimintarias, pero muy ´ utiles, “calcu-
ladoras de papel”
1
.
En la actualidad, si bien todo el mundo dispone de calculadoras cient´ıfi-
cas, que permiten organizar los c´alculos de forma m´as o menos “razonable”,
no es com´ un que ´estas permitan obtener de forma autom´ atica valores para
las funciones de probabilidad dadas. En este contexto, las tablas estad´ısticas
todav´ıa no son obsoletas y prestan todav´ıa una ayuda nada despreciable en
la resoluci´ on de problemas.
Por ejemplo, si se est´a realizando una fase de exploraci´ on en un problema,
antes de “lanzarse” a realizar largos c´alculos precisos con una m´ aquina,
puede tomarse una tabla para tener una primera aproximaci´ on. Por otro
lado, si se ha completado un problema, se puede cotejar si el resultado no
difere mucho de los valores que se hubieran obtenido con una tabla. En el
1
Todav´ıa hoy se encuentran libros (desfasados) en el mercado que presentan tablas de
logaritmos, ra´ıces cuadradas, valores para las funciones trigonom´etricas, etc., para extensas
listas de n´ umeros; valores que, en todo caso, se obtienen con mucha m´as precisi´on y muy
r´apidamente con una calculadora cient´ıfica.
265
266 H Tablas de las distribuciones discretas de probabilidad
primer caso, la lectura de la tabla sirve de referente a un trabajo futuro; en
el segundo, las tablas permiten detectar errores “de bulto” que en muchas
circunstacias podr´ıan pasar desapercibidos.
Se presentan aqu´ı algunas tablas para las variables aleatorias binomial,
hipergeom´etrica, binomial negativa y de Poisson obtenidas con el software
Mathematica. En las tablas para la binomial, con n = 1, se tiene tabulada
la variable aleatoria de Bernouilli. En las de la binomial negativa, tambi´en
con par´ ametro n = 1, queda tabulada la variable aleatoria geom´etrica. No
pretendemos ser exhausitivos (¿es esto posible en la construcci´on de tablas?),
ni presentar una lista abundante de tablas: nuestra intenci´ on es la muestra
de c´omo pueden organizarse y presentarse los datos. Tablas extensas pueden
encontrarse en Canavos (1984).
Miguel R. Wilhelmi
267
Par´ametro p (probabilidad de ´exito en un ensayo independiente)
n x 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
1 0 0,9900 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000
1 0,0100 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000
2 0 0,9801 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500
1 0,0198 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
2 0,0001 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
3 0 0,9703 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,0294 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
2 0,0003 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0000 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
4 0 0,9606 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,0388 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
2 0,0006 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
3 0,0000 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
5 0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313
1 0,0480 0,2036 0,3280 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563
2 0,0010 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
3 0,0000 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563
5 0,0000 0,0000 0,0000 0,0000 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313
6 0 0,9415 0,7351 0,5314 0,3772 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,0571 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
2 0,0014 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
3 0,0000 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
4 0,0000 0,0000 0,0012 0,0054 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
7 0 0,9321 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,0659 0,2573 0,3721 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
2 0,0020 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641
3 0,0000 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2919 0,2734
4 0,0000 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1443 0,1936 0,2388 0,2734
5 0,0000 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
8 0 0,9227 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
1 0,0746 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0549 0,0313
2 0,0026 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2587 0,2090 0,1569 0,1094
3 0,0001 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2786 0,2787 0,2568 0,2188
4 0,0000 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1875 0,2322 0,2627 0,2734
5 0,0000 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0808 0,1239 0,1719 0,2188
6 0,0000 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0217 0,0413 0,0703 0,1094
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0033 0,0079 0,0164 0,0313
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0017 0,0039
9 0 0,9135 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020
1 0,0830 0,2985 0,3874 0,3679 0,3020 0,2253 0,1557 0,1004 0,0605 0,0339 0,0176
2 0,0034 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2162 0,1612 0,1110 0,0703
3 0,0001 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2716 0,2508 0,2119 0,1641
4 0,0000 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2194 0,2508 0,2600 0,2461
5 0,0000 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1181 0,1672 0,2128 0,2461
6 0,0000 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0424 0,0743 0,1160 0,1641
7 0,0000 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0098 0,0212 0,0407 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0035 0,0083 0,0175
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020
10 0 0,9044 0,5987 0,3487 0,1967 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,0914 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,0403 0,0207 0,0098
2 0,0042 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1757 0,1209 0,0763 0,0439
3 0,0001 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2522 0,2150 0,1665 0,1172
4 0,0000 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2377 0,2508 0,2384 0,2051
5 0,0000 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1536 0,2007 0,2340 0,2461
6 0,0000 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0690 0,1115 0,1596 0,2051
7 0,0000 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0212 0,0425 0,0746 0,1172
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0106 0,0229 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0042 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
Tabla H.1: Valores de la funci´ on de la distribuci´ on binomial.
Combinatoria y Probabilidad
268 H Tablas de las distribuciones discretas de probabilidad
N n p k P
HG
(X = k)
2 1 1/2 0 1/2
2 1 1/2 1 1/2
3 1 1/3 0 2/3
3 1 1/3 1 1/3
3 2 1/3 0 1/3
3 2 1/3 1 2/3
3 2 2/3 1 2/3
3 2 2/3 2 1/3
4 1 1/4 0 3/4
4 1 1/4 1 1/4
4 2 1/4 0 1/2
4 2 1/4 1 1/2
4 2 2/4 0 1/6
4 2 2/4 1 2/3
4 2 2/4 2 1/6
4 3 1/4 0 1/4
4 3 1/4 1 3/4
4 3 2/4 1 1/2
4 3 2/4 2 1/2
4 3 3/4 2 3/4
4 3 3/4 3 1/4
5 1 1/5 0 4/5
5 1 1/5 1 1/5
5 2 1/5 0 3/5
5 2 1/5 1 2/5
5 2 2/5 0 3/10
5 2 2/5 1 3/5
5 2 2/5 2 1/10
5 3 1/5 0 2/5
5 3 1/5 1 3/5
5 3 2/5 0 1/10
5 3 2/5 1 3/5
5 3 2/5 2 3/10
5 3 3/5 1 3/10
5 3 3/5 2 3/5
5 3 3/5 3 1/10
5 4 1/5 0 1/5
5 4 1/5 1 4/5
5 4 2/5 1 2/5
5 4 2/5 2 3/5
5 4 3/5 2 3/5
5 4 3/5 3 2/5
5 4 4/5 3 4/5
5 4 4/5 4 1/5
Tabla H.2: Valores de la funci´ on de la distribuci´ on hipergeom´etrica.
Miguel R. Wilhelmi
269
Par´ametro p (probabilidad de ´exito en un ensayo independiente)
n s 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
1 0 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000
1 0,0475 0,0900 0,1275 0,1600 0,1875 0,2100 0,2275 0,2400 0,2475 0,2500
2 0,0451 0,0810 0,1084 0,1280 0,1406 0,1470 0,1479 0,1440 0,1361 0,1250
3 0,0429 0,0729 0,0921 0,1024 0,1055 0,1029 0,0961 0,0864 0,0749 0,0625
4 0,0407 0,0656 0,0783 0,0819 0,0791 0,0720 0,0625 0,0518 0,0412 0,0313
5 0,0387 0,0590 0,0666 0,0655 0,0593 0,0504 0,0406 0,0311 0,0226 0,0156
6 0,0368 0,0531 0,0566 0,0524 0,0445 0,0353 0,0264 0,0187 0,0125 0,0078
7 0,0349 0,0478 0,0481 0,0419 0,0334 0,0247 0,0172 0,0112 0,0069 0,0039
8 0,0332 0,0430 0,0409 0,0336 0,0250 0,0173 0,0112 0,0067 0,0038 0,0020
9 0,0315 0,0387 0,0347 0,0268 0,0188 0,0121 0,0072 0,0040 0,0021 0,0010
10 0,0299 0,0349 0,0295 0,0215 0,0141 0,0085 0,0047 0,0024 0,0011 0,0005
11 0,0284 0,0314 0,0251 0,0172 0,0106 0,0059 0,0031 0,0015 0,0006 0,0002
12 0,0270 0,0282 0,0213 0,0137 0,0079 0,0042 0,0020 0,0009 0,0003 0,0001
13 0,0257 0,0254 0,0181 0,0110 0,0059 0,0029 0,0013 0,0005 0,0002 0,0001
14 0,0244 0,0229 0,0154 0,0088 0,0045 0,0020 0,0008 0,0003 0,0001 0,0000
15 0,0232 0,0206 0,0131 0,0070 0,0033 0,0014 0,0005 0,0002 0,0001 0,0000
16 0,0220 0,0185 0,0111 0,0056 0,0025 0,0010 0,0004 0,0001 0,0000 0,0000
17 0,0209 0,0167 0,0095 0,0045 0,0019 0,0007 0,0002 0,0001 0,0000 0,0000
18 0,0199 0,0150 0,0080 0,0036 0,0014 0,0005 0,0002 0,0000 0,0000 0,0000
19 0,0189 0,0135 0,0068 0,0029 0,0011 0,0003 0,0001 0,0000 0,0000 0,0000
20 0,0179 0,0122 0,0058 0,0023 0,0008 0,0002 0,0001 0,0000 0,0000 0,0000
2 0 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
1 0,0048 0,01800 0,0383 0,0640 0,0938 0,1260 0,1593 0,1920 0,2228 0,2500
2 0,0068 0,0243 0,0488 0,0768 0,1055 0,1323 0,1553 0,1728 0,1838 0,1875
3 0,0086 0,0292 0,0553 0,0819 0,1055 0,1235 0,1346 0,1382 0,1348 0,1250
4 0,0102 0,0328 0,0587 0,0819 0,0989 0,1080 0,1093 0,1037 0,0927 0,07810
5 0,0116 0,0354 0,0599 0,0786 0,0890 0,0908 0,0853 0,0746 0,0611 0,0469
6 0,0129 0,0372 0,0594 0,0734 0,0779 0,0741 0,0647 0,0523 0,0392 0,0273
7 0,0140 0,0383 0,0577 0,0671 0,0667 0,0593 0,0480 0,0358 0,0247 0,0156
8 0,0149 0,0387 0,0552 0,0604 0,0563 0,0467 0,0351 0,0242 0,0153 0,0088
9 0,0158 0,0387 0,0521 0,0537 0,0469 0,0363 0,0254 0,0161 0,0093 0,0049
10 0,0165 0,0384 0,0487 0,0472 0,0387 0,0280 0,0181 0,0106 0,0056 0,0027
11 0,0171 0,0377 0,0452 0,0412 0,0317 0,0214 0,0129 0,0070 0,0034 0,0015
12 0,0176 0,0367 0,0416 0,0357 0,0257 0,0162 0,0091 0,0045 0,0020 0,0008
13 0,0180 0,0356 0,0381 0,0308 0,0208 0,0122 0,0063 0,0029 0,0012 0,0004
14 0,0183 0,0343 0,0347 0,0264 0,0167 0,0092 0,0044 0,0019 0,0007 0,0002
15 0,0185 0,0329 0,0314 0,0225 0,0134 0,0068 0,0031 0,0012 0,0004 0,0001
16 0,0187 0,0315 0,0284 0,0191 0,0107 0,0051 0,0021 0,0008 0,0002 0,0001
17 0,0188 0,0300 0,0256 0,0162 0,0085 0,0038 0,0015 0,0005 0,0001 0,0000
18 0,0189 0,0285 0,0229 0,0137 0,0067 0,0028 0,0010 0,0003 0,0001 0,0000
19 0,0189 0,0270 0,0205 0,0115 0,0053 0,0021 0,0007 0,0002 0,0000 0,0000
20 0,0188 0,0255 0,0183 0,0097 0,0042 0,0015 0,0005 0,0001 0,0000 0,0000
3 0 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
1 0,0004 0,0027 0,0086 0,0192 0,0352 0,0567 0,0836 0,1152 0,1504 0,1875
2 0,0007 0,0049 0,0146 0,0307 0,0527 0,0794 0,1087 0,1382 0,1654 0,1875
3 0,0011 0,0073 0,0207 0,0410 0,0659 0,0926 0,1177 0,1382 0,1516 0,1562
4 0,0015 0,0098 0,0264 0,0492 0,0742 0,0972 0,1148 0,1244 0,1251 0,1172
5 0,0020 0,0124 0,0314 0,0551 0,0779 0,0953 0,1045 0,1045 0,0963 0,0820
6 0,0026 0,0149 0,0356 0,0587 0,0779 0,0889 0,0905 0,0836 0,0706 0,0547
7 0,0031 0,0172 0,0390 0,0604 0,0751 0,0800 0,0757 0,0645 0,0499 0,0352
8 0,0037 0,0194 0,0414 0,0604 0,0704 0,0700 0,0615 0,0484 0,0343 0,0220
9 0,0043 0,0213 0,0430 0,0591 0,0645 0,0599 0,0488 0,0355 0,0231 0,0134
10 0,0049 0,0230 0,0439 0,0567 0,0581 0,0503 0,0381 0,0255 0,0152 0,0081
11 0,0055 0,0245 0,0441 0,0536 0,0515 0,0416 0,0293 0,0181 0,0099 0,0048
12 0,0061 0,0257 0,0437 0,0500 0,0450 0,0340 0,0222 0,0127 0,0064 0,0028
13 0,0067 0,0267 0,0428 0,0462 0,0390 0,0275 0,0166 0,0088 0,0040 0,0016
14 0,0073 0,0275 0,0416 0,0422 0,0334 0,0220 0,0124 0,0060 0,0025 0,0009
15 0,0079 0,0280 0,0401 0,0383 0,0284 0,0174 0,0091 0,0041 0,0016 0,0005
16 0,0084 0,0284 0,0383 0,0345 0,0240 0,0137 0,0067 0,0028 0,0010 0,0003
17 0,0089 0,0285 0,0364 0,0308 0,0201 0,0107 0,0048 0,0019 0,0006 0,0002
18 0,0094 0,0285 0,0344 0,0274 0,0167 0,0084 0,0035 0,0012 0,0004 0,0001
19 0,0099 0,0284 0,0323 0,0242 0,0139 0,0065 0,0025 0,0008 0,0002 0,0001
20 0,0104 0,0281 0,0302 0,0213 0,0114 0,0050 0,0018 0,0005 0,0001 0,0000
Tabla H.3: Valores de la funci´ on de la distribuci´ on binomial negativa.
Combinatoria y Probabilidad
270 H Tablas de las distribuciones discretas de probabilidad
Par´ametro λ (n

promedio de veces que se verifica un suceso aleatorio)
k 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
1 0,0905 0,1637 0,2222 0,2681 0,3033 0,3293 0,3476 0,3595 0,3659 0,3679
2 0,0045 0,0164 0,0333 0,0536 0,0758 0,0988 0,1217 0,1438 0,1647 0,1840
3 0,0002 0,0011 0,0033 0,0072 0,0126 0,0198 0,0284 0,0383 0,0494 0,0613
4 0,0000 0,0000 0,0003 0,0007 0,0016 0,0030 0,0050 0,0077 0,0111 0,0153
5 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
Par´ametro λ
k 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0
0 0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0,1827 0,1653 0,1496 0,1353
1 0,3662 0,3614 0,3543 0,3452 0,3347 0,3230 0,3106 0,2975 0,2842 0,2707
2 0,2014 0,2169 0,2303 0,2417 0,2510 0,2584 0,2640 0,2678 0,2700 0,2707
3 0,0738 0,0867 0,0998 0,1128 0,1255 0,1378 0,1496 0,1607 0,1710 0,1804
4 0,0203 0,0260 0,0324 0,0395 0,0471 0,0551 0,0636 0,0723 0,0812 0,0902
5 0,0045 0,0062 0,0084 0,0111 0,0141 0,0176 0,0216 0,0260 0,0309 0,0361
6 0,0008 0,0012 0,0018 0,0026 0,0035 0,0047 0,0061 0,0078 0,0098 0,0120
7 0,0001 0,0002 0,0003 0,0005 0,0008 0,0011 0,0015 0,0020 0,0027 0,0034
8 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0005 0,0006 0,0009
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002
Par´ametro λ
k 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0
0 0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596 0,1494
2 0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314 0,2240
3 0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237 0,2240
4 0,0992 0,1082 0,1169 0,1254 0,1336 0,1414 0,1488 0,1557 0,1622 0,1680
5 0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940 0,1008
6 0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455 0,0504
7 0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188 0,0216
8 0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068 0,0081
9 0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0018 0,0022 0,0027
10 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0008
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
Par´ametro λ
k 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0
0 0,0302 0,0183 0,0111 0,0067 0,0041 0,0025 0,0015 0,0009 0,0006 0,0003
1 0,1057 0,0733 0,0500 0,0337 0,0225 0,0149 0,0098 0,0064 0,0041 0,0027
2 0,1850 0,1465 0,1125 0,0842 0,0618 0,0446 0,0318 0,0223 0,0156 0,0107
3 0,2158 0,1954 0,1687 0,1404 0,1133 0,0892 0,0688 0,0521 0,0389 0,0286
4 0,1888 0,1954 0,1898 0,1755 0,1558 0,1339 0,1118 0,0912 0,0729 0,0573
5 0,1322 0,1563 0,1708 0,1755 0,1714 0,1606 0,1454 0,1277 0,1094 0,0916
6 0,0771 0,1042 0,1281 0,1462 0,1571 0,1606 0,1575 0,1490 0,1367 0,1221
7 0,0385 0,0595 0,0824 0,1044 0,1234 0,1377 0,1462 0,1490 0,1465 0,1396
8 0,0169 0,0298 0,0463 0,0653 0,0849 0,1033 0,1188 0,1304 0,1373 0,1396
9 0,0066 0,0132 0,0232 0,0363 0,0519 0,0688 0,0858 0,1014 0,1144 0,1241
10 0,0023 0,0053 0,0104 0,0181 0,0285 0,0413 0,0558 0,0710 0,0858 0,0993
11 0,0007 0,0019 0,0043 0,0082 0,0143 0,0225 0,0330 0,0452 0,0585 0,0722
12 0,0002 0,0006 0,0016 0,0034 0,0065 0,0113 0,0179 0,0263 0,0366 0,0481
13 0,0001 0,0002 0,0006 0,0013 0,0028 0,0052 0,0089 0,0142 0,0211 0,0296
14 0,0000 0,0001 0,0002 0,0005 0,0011 0,0022 0,0041 0,0071 0,0113 0,0169
15 0,0000 0,0000 0,0001 0,0002 0,0004 0,0009 0,0018 0,0033 0,0057 0,0090
16 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0007 0,0014 0,0026 0,0045
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0006 0,0012 0,0021
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0005 0,0010
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004
20 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001
21 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
Tabla H.4: Valores de la funci´ on de la distribuci´ on de Poisson.
Miguel R. Wilhelmi
Bibliograf´ıa
Batanero, M. C.; Godino, J. D. y Navarro, V. (1994). Razonamiento
combinatorio. Madrid: S´ıntesis.
Borel, E. (1950). Elements of the theory of probability. New Jersey:
Prentice-Hall, 1965.
Canavos, G.C. (1984). Probabilidad y estad´ıstica: aplicaciones y m´etodos.
M´exico DF: McGRAW-HILL / Interamericana de M´exico, 1988.
Dubois, J.-G. (1984). Une syst´ematique des configurations combinatoires
simples. Educational Studies in Mathematics, 15(1), 37–57.
Gangolli, R.A. y Ylvisaker, D. (1967). Discrete probability. New York:
Harcourt Brace & World.
Godino, J.D.; Batanero, M.C. y Ca˜ nizares, M.J. (1996). Azar y
probabilidad: fundamentos did´ acticos y propuestas curriculares, Serie
Matem´aticas: Cultura y Aprendizaje. Madrid: S´ıntesis.
Lipschutz, S. (1968). Probabilidad: teor´ıa y 500 problemas resueltos, Serie
Schaum. M´exico DF: McGraw-Hill, 1971.
Micha, E. (1998). Matem´ aticas discretas. M´exico DF: Limusa.
Montero, J.; Pardo, L.; Morales; D. y Quesada, V. (1988). Ejerci-
cios y problemas de c´ alculo de probabilidades. Madrid: D´ıaz de Santos.
Wilhelmi, M. R. (2000). ¿C´ omo formular problemas utilizando el c´ alculo
de probabilidades?, Serie Fasc´ıculos Autoinstructivos para Docentes de
Secundaria. Lima: Ministerio de Educaci´ on, PLANCAD.
Wilhelmi, M. R. (2000). Juegos matem´ aticos, Serie Fasc´ıculos Autoins-
tructivos para Docentes de Secundaria. Lima: Ministerio de Educaci´ on,
PLANCAD.
271
´
Indice alfab´etico
´algebra de Boole, 128
Bayes (teorema de), 145
Bayes, T. (1702–1761), 143
Bernouilli, J. (1654–1705), 191
binomio de Newton, 66, 239
Boole, G. (1815–1864), 128
cardinal, 124
Chebishev, P. L. (1821–1894), 253
codificaci´ on, 3, 22
colocaci´on
biyectiva, 220
inyectiva, 220
suprayectiva, 220
combinaciones, 43
con repetici´ on, 55, 56, 60
sin repetici´ on, 54, 60, 63
comedia, 26
Condorcet, M. (1743–1794), 160
conjetura, 7
conteo, 81
correspondencia biun´ıvoca, 61
datos
an´ alisis, 1, 10
organizaci´ on, 1, 3
recogida, 1, 2
visualizaci´ on, 1, 6
decisi´on, 9, 153
comparaci´ on, 156
individual vs. social, 163
definici´ on c´ıclica, 130
desigualdad de Chebyshev, 253
despotismo ilustrado, 165
diagrama
circular o de sectores, 6, 102
de barras, 6, 101, 186
en forma de ´ arbol, 18
histograma, 101
lineal, 102
Venn-Euler, 126
dualidad (principio de), 128
encuesta, 164
espacio
de sucesos, 124
muestral, 122
probabil´ıstico, 132
esperanza matem´atica, 253, 259, 264
estad´ıstica, 164
estado
de juego, 26
final, 26
inicial, 26
terminal, 26
Euler, L. (1707–1783), 225
´exito, 186
experimentaci´on, 78, 88, 97
experimento
aleatorio, 121
determinista, 121, 185
falacia del jugador, 131
272
´
Indice alfab´etico 273
Fermat, P. (1601–1665), 88, 90–92
fiabilidad, 111
Fibonacci (sucesi´ on de), 19
Fleury (algoritmo de), 229
f´ ormula de Leibniz, 240
fracaso, 186
fracci´on unitaria o al´ıcuota, 256
frecuencia, 1, 121
absoluta, 5, 10, 82, 129
acumulada, 101
relativa, 5, 10, 82, 129
funci´ on de probabilidad, 132, 183,
184
acumulada, 190
condicionada, 140
distribuci´ on, 185
binomial, 188, 196, 207, 213,
214, 245, 247, 261, 267
binomial negativa, 199, 201,
207, 214, 248, 269
de Bernouilli, 191, 207, 214,
267
de Pascal–Fermat, 199
de Poisson, 202, 207, 214, 245,
250, 270
degenerada en un punto x
0
,
185, 207, 211, 214
geom´etrica, 200, 207, 214, 248
hipergeom´etrica, 193, 196,
207, 214, 247, 268
uniforme en n puntos, 186,
207, 212, 214, 261
grafo, 17, 225
arista, 225
puente, 229
circuito, 227
completo, 231
construible, 226
trayectoria, 227
v´ertice, 225
impar, 226
par, 226
igualdad (principio de), 61
independencia, 103
indiferencia (principio de), 130
inducci´ on matem´atica, 233
inducci´ on matem´atica (principio de),
39, 65
juego
cazapalabras, 167
del domin´ o, 234
diferencia de dados, 85
el timador “honrado”, 110
la carrera, 1
la paradoja de Condorcet, 160
las torres de Hanoi, 36
seis doble, 90
seis simple, 88
SIM, 232
Sol y Luna, 21
Yahtzee, 87
juego equitativo, 85, 87, 110
Kolmog´ orov, A. (1903–1987), 128,
188
Laplace, P. (1749–1827), 84, 128
Leclerc, G., conde de Buffon (1701–
1788), 83, 243
Leibniz, G. W. (1646–1716), 239
ley del azar, 10, 79, 131, 153, 166
M´er´e, caballero de (s. XVII), 88, 90
Mathematica
Mathematica, 194
Mathematica, 106, 189, 222, 241,
257, 266
media, 169, 208
Combinatoria y Probabilidad
274
´
Indice alfab´etico
medida de
centralizaci´ on, 208
esperanza matem´atica, 87, 90,
208, 209, 211, 214
moda, 169, 208
dispersi´ on, 208, 210
desviaci´ on t´ıpica, 208, 210,
211, 214
varianza, 208, 210, 211, 214
modelo, 105, 219
muestra, 169
Newton, I. (1642–1727), 239
n´ umero
aleatorio, 105
combinatorio, 59, 66
de Lah, 221
de Stirling de segundo g´enero,
221
e o de Euler, 246
γ de Euler, 256, 257
natural, 233
π, 244
operaciones con sucesos
diferencia (\), 81, 126
intersecci´ on (∩), 81, 125
propiedades, 127
uni´ on (∪), 81, 125
palabra
compuesta, 170
derivada, 170
palomar (principio del), 31
paludismo (malaria), 111–113
partes de un conjunto, 124
partici´ on, 143
Pascal, B. (1623–1662), 88, 90–92
Peano, G. (1858–1932), 233
permutaciones
circulares, 48
con repetici´ on, 25, 47
sin repetici´ on, 23, 46
Poisson, S. D. (1781–1840), 202
predicci´ on, 9
probabilidad, 1, 9, 10, 115, 121, 156
axiom´atica, 132, 188
cl´asica, 77, 84, 130
condicionada, 83, 111, 140
frecuencial, 80, 131
total (teorema de), 144
producto (principio del), 14
progresi´ on geom´etrica, 175
propiedad transitiva, 30, 162
punto muestral, 122
raz´on insuficiente (principio de), 130
recuento sistem´atico, 1, 10
relaciones entre sucesos
igualdad, 124
inclusi´ on, 124
reparto justo, 90
resultado
cualitativo, 181
cuantitativo, 181
serie
absoluta. convergente, 258
convergente, 255
incond. convergente, 258
simbolizaci´ on, 13
simulaci´on, 154
situaci´ on
circuito el´ectrico, 96
colocaci´on de objetos, 30, 219
control de malaria, 112
dilema del taxista, 16
elecciones municipales, 164
elecciones presidenciales, 163
equipo de b´ asquet, 98
Miguel R. Wilhelmi
´
Indice alfab´etico 275
extracci´on de bolas, 61, 115, 187,
192
figuras de longitud tres sobre una
cuadr´ıcula, 27
formaci´ on de collares, 48
formaci´ on de comit´es, 50, 51, 53
genoma humano, 54
la pregunta Marylin, 153
misi´on espacial, 93
monedas trucadas, 78
n´ umeros aleatorios, 106
problema chino del cartero, 228
problema de la droga, 165
problema de las ardillas, 166
problema del policleto, 228
problema geom´etrico
la aguja del conde de Buffon,
243
ruletas, 80
puentes de Konigsberg, 225
recogida de basura, 231
recubrimiento de una superficie
2 ×n, 19
reparto justo, 90
Sol y Luna, 46
suceso, 123
casi seguro, 207
complementario, 79, 89, 126
compuesto, 123
elemental o simple, 123
imposible, 124
incompatible, 125
independiente, 141
seguro, 124
verificado, 123
sucesor, 233
suma (principio de la), 15
sumatoria, 66
tablas (de las distribuciones discre-
tas), 265
tanto por ciento ( %), 5
test objetivo, 97
transformaci´ on geom´etrica
giro, 27
simetr´ıa, 27
traslaci´ on, 27
tri´ angulo de Pascal - Tartaglia, 59,
67
tricotom´ıa (ley de), 16
-upla, 23
validaci´ on, 7, 21
variable, 19
variable aleatoria, 181, 183
continua, 183
discreta, 183
finita, 183
numerable, 254
variable aleatoria discreta, 254
variaciones
con repetici´ on, 51, 62
sin repetici´ on, 51, 62
varianza, 253
Von Mises, R. (1883–1953), 128
Combinatoria y Probabilidad

Miguel R. Wilhelmi

Combinatoria y Probabilidad

c 2004 Miguel R. Wilhelmi
Reservados todos los derechos. No se permite reproducir, almacenar en sistemas de recuperaci´n de la informaci´n ni transmitir alguna parte de esta publicaci´n, cualquiera o o o que sea el medio empleado —electr´nico, mec´nico, fotocopia, grabaci´n, etc.—, sin el o a o permiso previo del autor.

ISBN: 84-933517-0-9 Dep´sito legal: GR-849/04 o

Dise˜o de car´tula: Carola Garc´ Vilela n a ıa Composici´n de texto: o A Sistema L TEX, orientado especialmente hacia la creaci´n de o documentos cient´ ıficos que contengan f´rmulas matem´ticas. o a Recuperable en: http://www.miktex.org/ Publicaci´n: o Grupo de Investigaci´n en Educaci´n Estad´ o o ıstica Departamento de Did´ctica de la Matem´tica a a Universidad de Granada Impresi´n: o Expresi´n Digital o C/ Real de los Neveros, 12. Edif. Bruselas - Local 2. 18008 Granada (Espa˜a) n Financiaci´n: o o Grupo de Investigaci´n FQM-126. Consejer´ de Educaci´n. Junta de Andaluc´ ıa o ıa

Pr´logo o
El juego. La teor´ de la probabilidad ha estado desde sus inicios vinculada ıa con los juegos de azar. De hecho, etimol´gicamente, la palabra azar o deriva del arabe az-zahr, que quiere decir: el dado para jugar. Las ´ culturas egipcia, griega y romana, participaron de esta afici´n a los o juegos de azar y se conservan restos veraces del uso l´dico de huesos u de animales u otros objetos. Hist´ricamente, se asocia el origen de la teor´ moderna de la probabio ıa lidad a un carteo entre B. Pascal (1623–1662) y P. Fermat (1601–1665), despu´s de las preguntas que el caballero de M´r´ hizo al primero, en e ee torno a ciertos juegos de azar relacionados con el lanzamiento de un dado y a m´todos de reparto de apuestas en partidas no conclusas e (§4.2). M´s recientemente, sobre todo a ra´ de los trabajos de A. Kolmog´rov a ız o (1903–1987), se desarroll´ una teor´ axiom´tica, formalizada y abso ıa a tracta de la probabilidad. Estos trabajos han tenido gran influencia en n a los sistemas de ense˜ anza, dando prioridad al desarrollo m´s abstracto y normativo de la teor´ (cap.5). ıa Enfoque. Nos interesa recuperar la visi´n m´s intuitiva, referida a situao a ciones reales: desde el lanzamiento de un dado, hasta el an´lisis de a situaciones parad´jicas que puedan darse en un sistema electoral. El o desarrollo te´rico de la probabilidad se har´ en la medida de las neceo a sidades concretas que se tengan. El camino es claro: de la realidad, al o modelo; del juego, a la formalizaci´n. Por otro lado, la modelizaci´n de situaciones reales, conllevar´ en muo a chos casos el dise˜ o de simulaciones que permitan un estudio experin mental de la probabilidad. En este sentido, el estudio te´rico, forma o parte de un modelo de estudio m´s amplio, como complemento ideal a al trabajo emp´ ırico. i

o o o se introducen las nociones de variable aleatoria y de distribuci´n de probabilidad (como instrumento te´rico de modelizaci´n de situaciones o o reales). a o Agradecimiento. El trabajo est´ a la vista: unas figuras precisas.5). o o o En los cap´ ıtulos 4 y 5 se introduce y explica el concepto de probabilidad: en primera instancia. 6 de mayo de 2004 Miguel R. El cap´ ıtulo 1 introduce. variaci´n y combinaci´n. se hace un uso intuitivo. A excepci´n de los diagramas o de barras de las distribuciones de probabilidad del cap´ ıtulo 7. se sugiere cierta notaci´n y la necesidad de o desarrollos te´ricos explicativos (cap. o Granada. las nociones fundamentales de forma relacionada. Wilhelmi . informal. El libro est´ estructurado en ocho cap´ a ıtulos. con un marcado car´cter te´rico. en particular. explicaci´n de proo o blemas hist´ricos (anexos B y E) o instrumentos de trabajo para la o resoluci´n de problemas (anexo H). el cap´ o ıtulo 7 centra su atenci´n en la definici´n de funciones de probabilidad. en el cap´ e ıtulo 3 se sistematiza el c´lculo combinatorio de ciertas situaciones por medio a de las nociones de permutaci´n. representan una amplicaci´n del trabajo o realizado: el cap´ ıtulo 6 resalta la utilidad de la teor´ de la probabilidad ıa para tener criterios de decisi´n en diferentes situaciones. D. El libro se completa con siete anexos de distinta naturaleza: desarrollo de cuestiones te´ricas (anexos A. en segundo t´rmino. por medio de un sencillo juego. a a que ayudan a la comprensi´n del libro. que han sido producidos autom´ticamente con Mathematica. ligado a situaciones concretas. se hace o e un desarrollo de la teor´ elemental de la probabilidad (cap. se introduce la relaci´n fundamental o entre frecuencia y probabilidad: la ley del azar. el resto de figuras a que se presentan en el texto han sido construidas o retocadas por la diagramadora Carola Garc´ Vilela.4). F y G). utilizando el programa de dise˜o ıa n gr´fico CorelDraw!. ıa Los dos ultimos cap´ ´ ıtulos. de profundizaci´n o desarrollo. En los cap´ ıtulos 2 y 3 se desarrolla la noci´n central de contar: en el cap´ o ıtulo 2 se explican algunas t´cnicas generales de recuento de casos.ii Pr´logo o Estructura. Todos ellos representan un mateo o rial complementario. Un modo sencillo de introducir figuras en un documento A editado con L TEX consiste en producir un gr´fico con un software a especializado y guardarlo en formato eps. C.

.8. . . . . . . . . Vuelta a la situaci´n original .9. . . . . . . 1. . . . . . . . o I . . . o 2. . . . . . . . ıas 2. . . . . . Variables del problema . . . 2. Resumen . . . .4. . . . . . . . . . . . . .4. . . . . . . 1 1 2 3 6 7 7 9 10 11 13 13 16 17 19 19 20 20 21 21 22 23 25 25 27 30 2. . La carrera 1. . . . . . . Visualizaci´n de datos . .´ Indice general Pr´logo o 1. . . . . .1. . . . . . . . El dilema del taxista . . .1. . . . . . . . . . . Conjeturas . . . o 2. .3. . . . . . . . . . . . . . . . . . . Dise˜o de una estrategia . El solitario Sol y Luna . . . . . . . . Validaci´n de la regla . .2. .4. .2. . .2. . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . El juego . . . Casos particulares .4. . . . . .1.3.3. . . . . . . . 2. . . .6. . . . . 1. . . . . . . . . . . . *Restricciones del juego .2. . . 1. . . . . . . . . . . Autoevaluaci´n . . . . . . . . .4. .2. . . .3. . . . . 2. . . . . Recuento sistem´tico a 2. . . . . La sucesi´n de Fibonacci . o iii . . . . . . . . . . giros y simetr´ . . . . . 2. . . . . Validaci´n de conjeturas . . . . 2. . . . . . .3. . .1. . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . Principios de la suma y del producto . . Predicci´n y toma de decisiones o 1. . . 2. . . . . . . . . . . . . . . . .7. . . . . . . Traslaciones. . . . . . . . . . .3. . . . o 2. . . . . . . . . . . Codificaci´n de la situaci´n: notaci´n pertinente o o o o 2. . . Formulaci´n de un nuevo problema . . . . Organizaci´n de datos . . . . . . . . . . . . . . . . . 2. o 2. . . . . .5. . . . .2. . . .4. . . . . . . . . . . . . . . . .4. . Colocaci´n de objetos . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . .1. . . . . . . n 2. . . . o 1. . . . .3. . . . . Inferencia de una regla de formaci´n . . . . . . Recogida de datos . . . . o 1. . o 1. . . . . . . . . .2. .

iv

´ Indice general

2.6.1. Objetos distinguibles en cajas distinguibles . . 2.6.2. Objetos indistinguibles en cajas distinguibles . 2.6.3. Objetos distinguibles en cajas indistinguibles . 2.6.4. Objetos indistinguibles en cajas indistinguibles 2.7. Las torres de Hanoi . . . . . . . . . . . . . . . . . . . . 2.8. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . 2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 2.10. Autoevaluaci´n . . . . . . . . . . . . . . . . . . . . . . o

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

32 33 34 35 36 40 41 43 45 45 45 46 47 48 50 50 51 52 53 53 54 58 58 61 61 62 62 63 63 64 64 66 68 68 70 74

3. Permutaciones, variaciones y combinaciones 3.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . o 3.1.1. Permutaciones ordinarias o sin repetici´n . . . . . 3.1.2. Permutaciones con repetici´n . . . . . . . . . . . . o 3.1.3. Permutaciones circulares . . . . . . . . . . . . . . . 3.1.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . 3.2. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1. Variaciones ordinarias o sin repetici´n . . . . . . . o o 3.2.2. Variaciones con repetici´n . . . . . . . . . . . . . . 3.2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . 3.3. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. Combinaciones ordinarias o sin repetici´n . . . . . o 3.3.2. Combinaciones con repetici´n . . . . . . . . . . . . o 3.3.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . 3.4. N´meros combinatorios . . . . . . . . . . . . . . . . . . . u 3.5. Extracci´n de bolas de una urna . . . . . . . . . . . . . . o 3.5.1. Extracci´n ordenada sin reposici´n . . . . . . . . . o o 3.5.2. Extracci´n ordenada con reposici´n . . . . . . . . o o o o 3.5.3. Extracci´n no ordenada y sin reposici´n . . . . . . 3.5.4. Extracci´n con reposici´n no ordenada . . . . . . . o o 3.5.5. Permutaciones con repetici´n: bolas indistinguibles o 3.5.6. Esquema resumen . . . . . . . . . . . . . . . . . . 3.6. Binomio de Newton . . . . . . . . . . . . . . . . . . . . . 3.6.1. Propiedades de los n´meros combinatorios . . . . . u 3.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . 3.7. Relaciones y ecuaciones combinatorias . . . . . . . . . . . 3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.9. Autoevaluaci´n . . . . . . . . . . . . . . . . . . . . . . . . o

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

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

Miguel R. Wilhelmi

v

4. Situaciones introductorias de c´lculo de probabilidades a 4.1. Asignaci´n de probabilidades . . . . . . . . . . . . . . . . . . o 4.1.1. Monedas trucadas . . . . . . . . . . . . . . . . . . . . 4.1.2. Ruletas . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Juegos equitativos . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1. Diferencia de dados . . . . . . . . . . . . . . . . . . . 4.2.2. 6 simple, 6 doble . . . . . . . . . . . . . . . . . . . . . 4.2.3. Reparto justo . . . . . . . . . . . . . . . . . . . . . . . 4.3. Misi´n espacial . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.4. Estimaci´n de una probabilidad . . . . . . . . . . . . . . . . . o 4.4.1. Recoger y organizar informaci´n . . . . . . . . . . . . o 4.4.2. An´lisis de la situaci´n e hip´tesis de partida . . . . . a o o 4.4.3. Simulaci´n . . . . . . . . . . . . . . . . . . . . . . . . o 4.4.4. Obtenci´n y organizaci´n de datos. Representaciones o o gr´ficas . . . . . . . . . . . . . . . . . . . . . . . . . . a 4.4.5. Estudio te´rico . . . . . . . . . . . . . . . . . . . . . . o 4.4.6. Conclusiones, decisiones y predicciones . . . . . . . . . 4.5. N´meros aleatorios . . . . . . . . . . . . . . . . . . . . . . . . u 4.6. El timador “honrado” . . . . . . . . . . . . . . . . . . . . . . 4.7. Fiabilidad de una prueba . . . . . . . . . . . . . . . . . . . . 4.8. Extracciones de bolas de urnas . . . . . . . . . . . . . . . . . 4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.10. Autoevaluaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . o 5. Teor´ elemental de la probabilidad ıa ´ 5.1. Algebra de Boole de sucesos . . . . . . . . . . . . . . 5.1.1. Espacio muestral . . . . . . . . . . . . . . . . 5.1.2. Espacios de sucesos . . . . . . . . . . . . . . . 5.1.3. Operaciones con sucesos . . . . . . . . . . . . 5.1.4. Propiedades de las operaciones con sucesos . 5.2. Noci´n de probabilidad . . . . . . . . . . . . . . . . o 5.2.1. Frecuencias absoluta y relativa de un suceso . 5.2.2. Definici´n de probabilidad . . . . . . . . . . . o 5.2.3. Construcci´n de una funci´n de probabilidad o o 5.3. Probabilidad condicionada . . . . . . . . . . . . . . . 5.3.1. Funci´n probabilidad condicionada . . . . . . o 5.3.2. Sucesos dependientes e independientes . . . . 5.3.3. Teorema de Bayes . . . . . . . . . . . . . . . 5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . 5.5. Autoevaluaci´n . . . . . . . . . . . . . . . . . . . . . o
Combinatoria y Probabilidad

77 78 78 80 85 85 87 90 93 97 98 98 99 100 102 104 105 109 111 114 117 118

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

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

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

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

121 . 121 . 121 . 123 . 125 . 127 . 128 . 128 . 130 . 137 . 138 . 140 . 141 . 143 . 145 . 150

vi

´ Indice general

6. Toma de decisiones 6.1. La pregunta Marilyn . . . . . . . . . . . . . . o 6.1.1. Simulaci´n . . . . . . . . . . . . . . . 6.1.2. Estudio te´rico . . . . . . . . . . . . . o 6.1.3. Escala de decisiones . . . . . . . . . . 6.2. La paradoja de Condorcet . . . . . . . . . . . 6.3. Decisiones individuales vs. Decisiones sociales 6.4. Toma de informaci´n . . . . . . . . . . . . . . o 6.4.1. Una encuesta comprometedora . . . . 6.4.2. El problema de las ardillas . . . . . . 6.5. Cazapalabras . . . . . . . . . . . . . . . . . . 6.6. Autoevaluaci´n . . . . . . . . . . . . . . . . . o

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

153 153 154 155 156 160 163 164 164 166 167 177

7. Funci´n de probabilidad de una variable aleatoria discreta 181 o 7.1. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . 181 7.2. Funciones de probabilidad . . . . . . . . . . . . . . . . . . . . 184 7.2.1. Funci´n degenerada en x0 . . . . . . . . . . . . . . . . 185 o 7.2.2. Funci´n uniforme en n puntos . . . . . . . . . . . . . . 185 o 7.2.3. Funci´n binomial . . . . . . . . . . . . . . . . . . . . . 186 o 7.2.4. Funci´n hipergeom´trica . . . . . . . . . . . . . . . . . 191 o e 7.2.5. Funci´n binomial negativa . . . . . . . . . . . . . . . . 198 o 7.2.6. Funci´n de Poisson . . . . . . . . . . . . . . . . . . . . 201 o 7.3. Esperanza, varianza y desviaci´n t´ o ıpica . . . . . . . . . . . . . 207 7.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 7.5. Autoevaluaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . 217 o A. Colocaci´n de objetos o B. Los puentes de K¨nigsberg o C. Inducci´n matem´tica o a D. F´rmula de Leibniz o E. El problema de la aguja F. Distribuciones de probabilidad F.1. L´ ımite de la funci´n de probabilidad binomial . . . . o F.2. L´ ımite de la funci´n de probabilidad hipergeom´trica o e F.3. “Memoria” de la distribuci´n geom´trica . . . . . . . o e F.4. Deducci´n de la funci´n de probabilidad de Poisson . o o 219 225 233 239 243 245 245 247 248 250

. . . .

. . . .

. . . .

. . . .

. . . .

Miguel R. Wilhelmi

vii

G. Desigualdad de Chebishev H. Tablas de las distribuciones discretas de probabilidad Bibliograf´ ıa ´ Indice de Materias

253 265 271 272

Combinatoria y Probabilidad

viii

´ Indice general

Miguel R. Wilhelmi

que ser´n desarrollados con o o a a detalle en los cap´ ıtulos siguientes. 2 3 4 5 6 7 8 9 10 11 12 M E T A M E T A 1 . ligados al juego. ora ganizaci´n. as´ estos conceptos se introducen de forı.Cap´ ıtulo 1 La carrera El juego de La carrera permite introducir de forma relacionada los conceptos clave de recuento sistem´tico. Se necesita un tablero como el que se muestra a continuaci´n (con once filas numeradas del 2 al 12 y 11 columnas. 1. ma intuitiva.1. visualizaci´n y an´lisis de datos. por lo tanto. El juego El juego es para dos personas. probabilidad y recogida. o la ultima de las cuales est´ marcada con la palabra meta). 10 fichas de dos ´ a colores distintos (5 de cada color) y dos dados (numerados del 1 al 6). frecuencia. y. las definiciones que se dar´n a a no ser´n rigurosas.

Por turno. ¿Qu´ n´meros no escoger´? e u a . Si no tuviera algui´n con quien jugar. las fichas quedan u como est´n. Wilhelmi .2. 1. ¿Da igual los n´meros que se escojan? u . a le sugerimos construya un tablero similar al que se ha mostrado. a 5. ¿Por qu´? e da n´mero elegidos? u . Recogida de datos Para poder analizar el juego es preciso tomar datos. ¿es razonable pensar que ganar´ una partida caa . Si la suma de los dados es el n´mero que no ha sido escogido por u ninguno de los dos adversarios. simule una partida. ¿Todo es cuesti´n de suerte? o . ¿Por qu´? e . Alternativamente.2 1 La carrera Reglas de juego 1. colocando una ficha en la casilla correspondiente. Gana el jugador que consigue llevar una de sus fichas hasta la meta. Si tuviera que escoger entre el 5 y el 9. Juegue ahora una partida para familiarizarse con el juego. ¿cu´l tomar´ a ıa? . Al responder a las preguntas formuladas al final de la secci´n anterior ha establecido ciertas o Miguel R. 3. Si la suma de los dados es un n´mero del adversario. tal y como e se jugar´ si hubiera dos jugadores. Si la suma de los dados es uno de los n´meros escogidos por el lanzador. 4. Una vez distribuidos 10 de los 11 n´meros. ¿cu´l tomar´ a ıa? . Si se juegan 100 partidas. Para ello. el jugador del turno escoge una de sus fichas (la que quiera) y la mueve hacia delante una casilla. Si tuviera que escoger entre el 3 y el 11. cada uno de los contrincantes. lanzan los dados cada uno de los contrincantes. Si se juegan 10 partidas. gane 10 para tidas cada n´mero elegido? u . se empieza a jugar. m´s o menos. ¿se debe esperar que. ´ste u e desplaza la ficha correspondiente hacia delante una casilla. escoge un n´mero u comprendido entre 2 y 12 (posibles resultados en la suma de un par de dados). pero m´s grande. ıa ¿Qu´ n´meros escoger´ con preferencia? e u a . u 2. ¿Qu´ n´meros prefiere: “grandes” o “peque˜os”? e u n .

3. aquellos que se˜alen si el ganador ha sido fulano n o mengano. Organizaci´n de datos o Una vez que haya jugado las 10 partidas habr´ obtenido unos resultados a parecidos a los que muestran en la tabla siguiente. u 1 ). no qui´n lo gana. cu´les. Por lo tanto. a 1 El cero (0) indica que la ficha no se ha movido. El an´lisis del juego. o e se pretende estudiar si hay elecciones de los n´meros m´s convenientes que u a otras y. en tal caso. esto es. Mas no. El 11 que la ficha ha llegado a la meta. o Para dicho an´lisis. Juegue diez partidas y complete la tabla siguiente. el n´mero de casillas que ha avanzado (entre 0 y 11. En la casilla que indica el n´mero que no ha sido escogido en una determinada partida coloque una u equis (X). Por otro lado. es preciso jugar varias partidas y tomar datos. los datos que interesa tomar son a aquellos que se refieren a n´meros escogidos. Combinatoria y Probabilidad . movimienu u tos realizados. ambos inclusive Partida 1 2 3 4 5 6 7 8 9 10 2 3 4 5 6 7 8 9 10 11 12 Gana 1. a ¿Qu´ datos cree usted que ser´n relevantes? e a .1. la ficha u a 7 es la que m´s partidas ha ganado: cuatro. debe conducir a la aceptaci´n a o o rechazo de las hip´tesis que han regido las elecciones de las fichas. etc. es tambi´n necesario tener una forma c´moda de almacee o nar estos datos. Con otras palabras. de tal manera que sea f´cil o a su organizaci´n y an´lisis posteriores.3 Organizaci´n de datos o 3 reglas que intuye suceden. n´meros ganadores. o a La intenci´n es analizar el juego. codificar la informaci´n. donde se observa que los n´meros intermedios son los que m´s se han movido. en el resto. en particular.

4 Partida 1 2 3 4 5 6 7 8 9 10 2 X X 0 2 2 1 1 1 1 2 3 2 3 1 2 2 3 2 X X 2 4 10 5 6 1 5 X 11 3 7 2 5 8 5 5 3 X 5 9 7 8 5 6 10 11 2 3 10 11 6 4 10 3 7 11 1 5 11 8 5 8 11 6 11 8 4 6 3 10 11 4 6 5 11 X 9 6 2 X 5 3 8 6 6 6 5 10 3 5 11 5 6 5 X 3 1 3 11 2 1 2 X 3 3 0 0 5 1 12 1 2 1 2 3 1 2 2 1 0 1 La carrera Gana Ficha 7 Ficha 6 Ficha 10 Ficha 7 Ficha 8 Ficha 6 Ficha 4 Ficha 7 Ficha 8 Ficha 7 Por la simple observaci´n realizada anteriormente. partidas? Partida 11 12 13 14 15 16 17 18 19 20 21 22 2 1 X X X X X X X 3 X X X 3 3 3 2 3 7 2 2 6 4 2 4 1 4 4 3 1 1 5 3 6 5 2 4 3 2 5 4 3 4 6 6 11 11 11 2 5 11 3 6 10 3 11 7 6 4 9 7 5 5 8 4 7 11 3 3 11 11 10 3 10 11 11 8 11 8 7 11 6 9 7 5 10 10 5 7 6 1 9 8 9 6 3 6 4 8 7 6 8 8 2 10 4 1 3 5 8 3 5 10 3 7 5 3 11 2 4 1 2 2 4 3 3 3 4 4 2 12 X 1 2 1 1 2 1 3 X 4 0 3 Gana Ficha 7 Ficha 8 Ficha 6 Ficha 7 Ficha 7 Ficha 5 Ficha 5 Ficha 5 Ficha 7 Ficha 7 Ficha 5 Ficha 7 Por otro lado. por lo tanto. si las condiciones del juego no var´ ıan. La tabla siguiente muestra los resultados de otras 12 partidas. ¿Hay alg´n otro criterio que consideu al principio del cap´ ıtulo? re usted conveniente tener en cuenta? . ¿Considera adecuado que se haya dejado de elegir el n´mero 2 en la mayor´ de las u ıa . ¿Es m´s f´cil obtener 2 o 12? a a . los n´meros “centrales” seguir´n u a saliendo con m´s asiduidad y. Wilhelmi . los jugadores escoger´n con prea a ferencia estos n´meros centrales y dejar´n sin seleccionar los n´meros extreu a u mos (el 2 o el 12). es posible organizar los datos obtenidos para las 22 partidas de forma sin´ptica en una tabla que permita responder a las preguntas: o 1. es posible tomar alo gunas decisiones respecto a la elecci´n de los n´meros: se puede suponer o u que. ¿Cu´ntas partidas ha ganado cada una de las fichas? a Miguel R. ¿Estas elecciones coinciden con las que usted ha intuido .

3 13. 89 veces. 3. . .114 0.18 13. Ganadas 2 14 0 3 56 0 4 89 1 5 132 4 6 149 3 7 180 10 8 149 3 9 122 0 10 99 1 11 51 0 12 33 0 Total 1074 22 El n´mero de movimientos realizados por cada ficha representa la freu cuencia absoluta.0455 0. veces que ha ganado cada una de ellas) y el n´mero de veces que se ha realizado u el experimiento (movimientos realizados. ¿Cu´ntos movimientos corresponden a cada una de las fichas? a Ficha Mov. De forma m´s precisa: ¿cu´l es la relaa ıa a a ci´n entre las veces que ha ocurrido un suceso y las veces que pod´ haber o ıa sucedido? En el ejemplo.55 18. . sino tambi´n o a e cu´ntas veces pod´ haberlo hecho.) 0. n´mero de veces que ha salido 2. 3.) 0 0 4. tanto de los movimientos como de las partidas ganadas.083 0.2 8. Por otro lado. .) 0 0 0. 132 veces. se han lanzado 1074 veces los dados y s´lo 14 veces o los dados han sumado 2.9 16. La tabla siguiente muestra las frecuencas relativas y los porcentajes. Se llama frecuenca relativa a esta relaci´n: cociente entre el n´mero de o u veces que ha ocurrido un suceso (movimientos realizados por una ficha.052 0.1364 0.1 100 % (p. mientras que la ficha 7 ha ganado 10 de ellas. . 9. es inu teresante saber no s´lo cu´ntas veces ha ocurrido un suceso.3 5. 4.4545 0.7 3. . 5. Por ultimo.64 45. 11 y 12 no han ganado ninguna.45 13.7 13. 3.9 11. esto es. Ficha 2 3 4 5 6 7 8 9 10 11 12 Total fr (mov.1818 0. . 56 veces. .139 0.047 0. O bien. en muchas ocasiones interesa mostrar la relaci´n entre el ´ o u n´mero de veces que ha ocurrido un suceso y las veces que se ha realizado un experimento en tantos por ciento ( %). 4.2 4. Por otro lado. de las 22 partidas jugadas.3 Organizaci´n de datos o 5 2.031 1 fr (p. u n´mero de veces que ha ganado la ficha 2. las fichas 2.3 12.55 0 0 100 Combinatoria y Probabilidad . basta multiplicar las frecuencias relativas por 100. gan. partidas jugadas). 4. gan.0455 0 0 1 % (mov. Para ello.4 9.139 0.) 1.013 0. .1364 0 0.123 0.1.092 0. 3.167 0.64 0 4.

Wilhelmi . han ganado alguna partida (diagrama 2). por supuesto. En la figura siguiente se pueden o ver dos diagramas de barras donde se han representado las frecuencias absolutas del n´mero de movimientos realizados (diagrama 1) y del n´mero de u u veces que ha ganado cada una de las fichas (diagrama 2). aproximadamente. 1. Miguel R. 45 % de las partidas jugadas a las ha ganado esta ficha. se muestran otros dos diagramas: uno de barras. un diagrama circular o de sectores.4.6 1 La carrera As´ se puede afirmar que.5) puede ser visualizada por medio de gr´fio a cos: diagramas que explican un fen´meno. adem´s. Visualizaci´n de datos o La informaci´n sintetizada (p. donde o se han representado las frecuencias relativas del n´mero de movimientos u realizados (diagrama 1). realizados han sido con la ficha 7 y. donde se han representado el tanto por cierto de partidas ganadas por cada una de las fichas. A continuaci´n. el 17 % de los momivientos ı. otro. que.

¿cu´l tomar´ a ıa? . En particular: o . se puede resumir una gran cantidad de informaci´n. ¿Qu´ n´meros son “mejores”: los “grandes”. se puede esperar que e dichas conjeturas sean verdaderas. los “del medio” o los “pee u que˜os”? n . un juicio sobre cu´les son las fichas que m´s se mueven y.5.5 Conjeturas 7 Los diagramas que se han mostrado (de barras y circular) permiten ver “de golpe” la informaci´n que se ha recogido en las diferentes tablas2 .1. 2 Esta visi´n “de golpe” justifica la introducci´n en peri´dicos y revistas. Repetici´n del experimento: se juegan m´s partidas y. qu´ fichas tendr´n que ser escogidas con preferencia si se desea ganar e a la partida. Si tuviera que escoger entre el 3 y el 11. Para ello.6. Compare estas respuestas con aquellas que dio al principio del cap´ ıtulo. 1. Estas conjeturas se enuncian en funci´n del an´lisis de los datos o a (y la construcci´n de las tablas de frecuencias absolutas y relativas) y por o observaci´n de los diagramas realizados. etc. en concreto. ¿cu´l tomar´ a ıa? . eso to es. ¿Todo es cuesti´n de “suerte”? o . A la hora de escoger. ¿qu´ ficha tomar´ en primer lugar? e a . ¿qu´ criterio de selecci´n seguir´? e o a . dos caminos esencialmente distintos pueden realizarse: 1. Si tuviera que escoger entre el 5 y el 9. ¿Da igual los n´meros que se escojan? u . o o o en facturas de luz. ¿qu´ ficha tomar´ en primer lugar? e a Si usted escoge segundo. Si usted escoge primero. o Combinatoria y Probabilidad . ¿Qu´ diferencias y similitudes hay? e . si los resultao a dos de ´stas ratifican las conjeturas formuladas. llegar a la certeza de su validez o falsedad. Validaci´n de conjeturas o Es preciso validar las conjeturas enunciadas en la anterior secci´n. de este tipo de diagramas: en poco espacio. o 1. Conjeturas A partir del trabajo realizado es posible enunciar alguna conjetura. por lo a a tanto. ¿Qu´ ficha escoger´ con preferencia la 2 o la 12? e a . en noticieros..

3) y verifique si las conjeturas se ajustan tambi´n al total de las 32 partidas. se desea responder a la pregunta: ¿qu´ n´mero o n´meros se debe esperar que e u u salgan con m´s asiduidad? a Para la verificaci´n de las conjeturas por repetici´n del experimento. o o introduzca las 10 partidas que ha jugado usted (p.1) (2. los posibles resultados son: Suma 2 3 4 5 6 7 8 9 10 11 12 Sucesos favorables (1. tambi´n difieren en las e personas involucradas y los dados utilizados.6) (5.6) Total 1 2 3 4 5 6 5 4 3 2 1 Miguel R.2) el resultado “3 con el primero y 2 con el segundo”.1) (1.3) (6. los resultados que usted ha obtenido.4) (5.8 1 La carrera 2.3) (5. ambos inclusive: uno por cada dado. Estudio te´rico: ya no se juegan m´s partidas. Si representamos por la dupla (2.5) (6.1) (1.6) (3.5) (6. antes de lanzar los dados.2) (3.3) (4. no parece nao tural que estos puedan explicarse en su totalidad por los factores suerte y “trampa”: las 22 partidas a las que se refiere el estudio han sido jugadas por 11 parejas distintas (dos partidas cada pareja).3) (4.5) (2.5) (3.4) (5.4) (4.1) (1.2) (6.5) (4.3) (3.6) (4.4) (3. A continuaci´n haremos un an´lisis formal del juego.1) (1. sino que se estudia el o a juego de manera formal. En caso de que as´ sea. a u Al lanzar los dos dados obtenemos dos n´meros comprendidos entre 1 y 6.5) (5.6) (2. En general.3) el resultado “se ha obtenido 2 con el primer dado y 3 con el segundo” y por la dupla (3.4) (6. si observamos c´mo se han obtenido los resultados. utilizando dados distintos y. no permite comprender con profundidad el juego. o o a o o la compresi´n m´s aguda se sigue de un estudio te´rico. Wilhelmi .6) (6.2) (3.4) (2.2) (5. Si bien el m´todo experimental suele dar resultados bien adaptados a e la situaci´n. por otro lado.1) (1. esto es.2) (4.3) (2. e ı queda la incertidumbre del factor suerte (¿el jugador que juega con la ficha 7 tiene mucha suerte?) o del factor trampa (¿los dados que se utilizan est´n a trucados o defectuosos y por eso sale con m´s frecuencia el n´mero 7?). Sin a u embargo.2) (2.

7 y 8 han sido tomadas. 056 3/36 ≈ 0. hay que esperar.7 Predicci´n y toma de decisiones o 9 Por lo tanto. 056 1/36 ≈ 0. 083 4/36 ≈ 0. 167 5/36 ≈ 0. si me toca elegir y la fichas 5. Adem´s.013 0. si debemos elegir en primer lugar. La relaci´n que se establece entre el n´ mero de formas o o u que favorecen a un determinado suceso y el n´mero de formas posibles es la u probabilidad de que dicho suceso ocurra. si se lanzan 36 veces los dos dados.114 0. que no siempre estas elecciones tendr´n como a consecuencia la victoria en la partida: siempre queda un espacio para la Combinatoria y Probabilidad . 111 5/36 ≈ 0. la probabilidad de que al lanzar los dados se obtenga 5 es: 4/36. que. 028 2/36 ≈ 0. ¿Est´n estas afirmaciones en desacuerdo con las conjeturas que usted hab´ a ıa . . . selecionar´ la ficha 9 (¿por qu´?). Se u concluye. . escogeremos esta ficha. es m´s probable que gane la ficha a 7.123 0. 6 suman 7. 6. 139 6/36 ≈ 0.7. 6 de ellos sumen 7 y s´lo uno sume 2 o 12. formulado? En la tabla siguiente se pueden comparar las frecuencias absolutas y relativas del n´mero de movimientos y las probabilidades de los sucesos: u ¿qu´ similitudes y diferencias observa? e Ficha 2 3 4 5 6 7 8 9 10 11 12 Total fa 14 56 89 132 149 180 149 122 99 51 33 1074 fr 0. 2 suman 3.167 0. Con otras palabras. aproximadamente.031 1 Formas 1 2 3 4 5 6 5 4 3 2 1 36 Probabilidad 1/36 ≈ 0. 083 2/36 ≈ 0. brevemente: “tomar las a o fichas centrales y dejar las extremas”.083 0. por otro lado. e e Es claro. por lo tanto.047 0. .139 0. 111 3/36 ≈ 0. 028 1 1. etc. el criterio de selecci´n puede enunciarse. el n´mero de formas con las u que se obtiene 5 al lanzar los dados entre el n´mero de formas posibles.052 0. Por ejemplo.139 0. hay 36 formas de caer los dados: una suma 2. por lo tanto. esto es.092 0. Predicci´n y toma de decisiones o Por lo estudiado en las otras secciones. 139 4/36 ≈ 0. que obtener 7 es el suceso m´s probable (probabiliad a 6/36) y obtener 2 o 12 son los sucesos menos probables (probabilidad 1/36).1. por ejemplo. Este criterio se concreta en una toma de deciones: por ejemplo.

las frecuencias relativas de un suceso determinado se aproximan a la probabilidad (te´rica) de que dicho suceso ocurra. 180 u es la frecuencia absoluta del suceso “sumar 7 al lanzar los dados”.8. ordenaci´n. la probabilidad. despu´s de 1074 lanzamientos. Por ejemplo. para la determinaci´n del n´mero de formas en que pueden caer los dados o u se ha seguido el siguiente criterio: las duplas (n. s´ a o ıntesis y visualizaci´n de datos. mas no aseguran a que vayamos a hacerlo. La probabilidad es. m) y (n + 1. o cuyo fin es inferir alguna conjetura. la frecuencia resume el resultado de un experimento (pasado). Por ejemplo. m − 1) suman lo mismo (p.10 1 La carrera suerte. 2. Ley del azar : Si un experimento aleatorio se repite “muchas” veces. que tendr´ que ser validada por a un an´lisis experimental o te´rico. Brevemente. 180/1074 es la e frecuencia relativa del suceso “sumar 7”. despu´s de 1074 lanzamientos. a o 3. Combinatoria o recuento sistem´tico: estrategias de control sobre el a recuento de los casos. 6. Las elecciones nos dan m´s probabilidades de ganar. Frecuencia absoluta: n´mero de veces que ha ocurrido un determinado u suceso. Frecuencia relativa: relaci´n entre la frecuencia absoluta y el n´mero de veces que se ha realizado el experimento. a Con otras palabras. una forma de cifrar la esperanza de que algo suceda y. por lo tanto. anticipa el resultado que se debe esperar al realizar dicho experimento (futuro). Por ejemplo. e o u 5. Probabilidad : la inferencia de conclusiones a partir de un estudio te´rio o suele estar basado en el c´lculo de probababilidades. 1. para no contar por exceso (contar m´s de una a vez un mismo caso) ni por defecto (omitir casos). anticiparnos a lo que en la realidad acontecer´. 4. repetido un experimento aleatorio (que depende del azar) un n´mero finito de veces en las mismas circunstacias. Estos son: 1. la a probabilidad cuantifica la esperanza de que un suceso ocurra. de esta manera. Resumen El ejemplo propuesto nos ha permitido introducir los objetos fundamentales que ser´n desarrollados en los siguientes cap´ a ıtulos. Esta ley permite o Miguel R. Wilhelmi .8). An´lisis de datos: toma.

Con otras palabras. por turno. escoge una casilla y coloca una ficha en ella. Se numeran 4 casillas del 0 al 3 (ver figura adjunta). de modo que las cuatro casillas quedan cubiertas: dos con fichas de un color. Juegue 10 partidas y haga un estudio completo de probabilidades. Autoevaluaci´n o Simule el siguiente juego para dos personas. Gana el primero que alcanza la meta con alguna de sus fichas. con otro color diferente.9. cuenta el n´mero de caras y avanza. las otras dos. por lo tanto. Distinga claramente entre frecuencia y probabilidad.1. 1. cada jugador lanza 3 monedas (o bien tres veces la misma moneda). especificando claramente todas las fases. la ley del azar es un puente tendido entre el pasado y el futuro. Tambi´n por e turno. entre las frecuencias (lo que ha ocurrido) y las probabilidades (lo que se espera suceda). Cada jugador. si es suya.9 Autoevaluaci´n o 11 predecir resultados y. 0 1 2 3 M E T A Combinatoria y Probabilidad . es un indicativo para la toma de decisiones. la ficha que est´ en la casilla u a correspondiente.

.

es posible contar efectivamente todos los casos. . Utilizando esta simbolizaci´n: ¿cu´ntas banderas de cuatro o a 13 . es posible simplificar la construcci´n o efectiva eligiendo una correcta notaci´n. ” (Dando expl´ e ıcimante todas ellas). a Para ilustrar algunos m´todos se plantea resolver el siguiente problema: e ¿cu´ntas banderas de 3 bandas horizontales pueden formarse con 3 colores a distintos si se utilizan los tres? El primer m´todo consiste en la construcci´n efectiva de todas las poe o sibles banderas. en el orden dado: de la banda superior a la inferior.1. es posible afirmar “hay tantas disposiciones. En la figura 2.1). que nos permita una simbolizaci´n o o de las figuras.Cap´ ıtulo 2 Recuento sistem´tico a Brevemente. esto no siempre es posible o resulta muy tedioso: se necesitan m´todos de e c´lculo en los que no se den (escriban. 2. con la letra C. e o colocaci´n.. Principios de la suma y del producto En ciertas circustancias. se ha simbolizado el color negro con la letra A. modos de colocar y ´stas son. pinten) expl´ a ıcitamente todas las configuraciones posibles. esto es. . Este cap´ o o a ıtulo pretende introducir un n´mero de t´cnicas y procemientos que contribuyan u e a ello. De tal forma que la tripla (A. el blanco. es preciso aprender t´cnicas de ordenaci´n. selecci´n. Pintar 6 banderas no es complicado ni tedioso. pero se tenga la seguridad de cu´ntas son.1. B. esto es. Esta tarea no es f´cil. Sin embargo. de objetos. el gris. Sin embargo. la combinatoria es el arte de contar sin enumerar directamente todos los casos. configuraciones. Para ello. con la letra B. se pintan (figura 2. etc. C) representa la bandera negro-gris-blanco.

Wilhelmi . De esta forma. Esto es. para pintar la banda superior se puede escoger entre los tres colores disponibles. a que permite calcular el n´mero de formas totales en que puede suceder una u situaci´n u otra. se pinta con el color restante: 3 · 2 · 1 banderas pueden pintarse entonces. en el supuesto de que ´sta se pinte con gris. tanto el m´todo recuento u e efectivo como el m´todo simbolizaci´n resultan tediosos: ¿es posible saber e o cu´ntas banderas pueden construirse sin construirlas efectiva o simb´licaa o mente? En la figura 2. e a necesariamente. dise˜e un m´todo que le asegure no olvidarse ninguna y no n e repetir una misma bandera. Si el veh´ ıculo puede ser una combi. ¿cu´ntas banderas de 10 a bandas cada una pueden construirse con 10 colores distintos si se utilizan todos? .1 puede verse un diagrama: si la banda superior es pintada de negro. un taxi. un mototaxi o una moto y las formas de Miguel R. toda vez que se han pintado las otras. Otro principio b´sico que se utiliza mucho es el principio de la suma. El principio de base que se est´ utilizando es el siguiente: a Proposici´n 1 (Principio del producto) Si una situaci´n puede ocuro o rir de m maneras y otra de k maneras. la inferior tedr´ que pintarse.14 2 Recuento sistem´tico a Figura 2. de blanco.1: Banderas distintas de tres bandas con tres colores distintos. para la central de dos y la inferior. Si el n´mero de bandas y colores es mayor. para ello. entonces ambas situaciones pueden ocurrir de m · k maneras. para ir de un punto a otro o de una ciudad se puede ir en un veh´ ıculo o haciendo ejercicio. Por ejemplo. bandas se pueden construir con cuatro colores? Forme las 24 posibles banderas. pero no ambas. para pintar la banda central quedan s´lo el gris y el blano co.

entonces el n´mero de formas en que una persona puede ir de un lugar a otro son siete u (4 (motorizado) + 3 (haciendo ejercicio)). de 10 maneras distitas. El t´rmino incompatible debe ser entendido correctamente. En general. la cifra de las unidades es un n´mero par (0. mas no ambas. e A continuaci´n se plantean dos problemas que pueden afrontarse con los o principios de la suma y de la multiplicaci´n. la ´ cifra de las decenas puede ser cualquier n´mero comprendido entre 0 y 9. incompatibles las unas con las otras. u por ultimo. quedan 249 u u n´meros pares de tres cifras mayores que 500. En el anterior e ejemplo. entonces existen m + k maneras en las cuales puede ocurrir la primera o la segunda. corriendo o en bicicleta. 8 o 9. de 5 maneras distintas. excluyendo el n´mero 500. 4. si en una clase hay 12 personas que saben ingl´s y 5 que saben franc´s: ¿es posible asegurar que hay 17 personas? e e ¿Qu´ sucede si una persona sabe los dos idiomas?. 7. esto es. Por ejemplo. 2. u ambos inclusive. por el principio de la multiplicaci´n.1 Principios de la suma y del producto 15 desplazarse haciendo ejercicio a pie. Analice no s´lo el resultado. 6. . Por un razonamiento similar. la de las decenas. es necesario excluir el n´mero 500 (que cumple las condiciones ´ u anteriores. a No siempre sucede esto. Una clase est´ formada por 23 varones y 19 mujeres: ¿de cu´ntas formas puede elegirse un delegado? ¿de cu´ntas formas puede elegirse un a delegado y un subdelegado? Un n´mero par de tres cifras significativas mayor que 500 cumple las u siguientes condiciones: la cifra de las centenas debe ser 5. sino tambi´n el o e e m´todo que se ha seguido. Los dos problemas son: 1. se concluye que existen 4 · 10 · 5 = 200 n´meros pares de tres cifras significativas (se excluye la posibilidad de que u Combinatoria y Probabilidad . se tiene: Proposici´n 2 (Principio de la suma) Si una situaci´n puede ocurrir o o de m maneras diferentes y otra de k maneras diferentes.2. las maneras de ir de un lado a otro “motorizado” o no son incompatibles: o bien se toma un transporte (con motor) o bien se va haciendo ejercicio. la de las unidades. existen 5 · 10 · 5 n´meros o u mayores o iguales que 500. pero no es m´s mayor que 500. De esta forma. 6 u 8). obviamente). la a cifra de las decenas puede ser escogida de 5 maneras distintas. no habiendo una forma de hacer las dos cosas simult´neamente. Intente resolverlos y despu´s o e lea el desarrollo que se hace. . Por lo tanto. ¿Cu´ntos n´meros pares de tres cifras significativas mayores que 500 a u a u hay? ¿Cu´ntos n´meros pares de tres cifras significativas menores que 500 hay? ¿Cu´ntos n´meros pares de tres cifras significativas hay? a u a a 2.

todos los alumnos votan por su candidato para delegado y su candidato para subdelegado. e el subdelegado se elige de las 41 restantes. otra. Para ir de A a B el taxista tomar´ las calles horizontales a siempre en el sentido izquierda-derecha y las calles verticales siempre en el sentido arriba-abajo. el delegado se elige o entre las 42 personas de la clase. que una persona pueda tomar amo bos cargos1 . ıa u Proposici´n 3 (Ley de tricotom´ Dados dos n´meros reales a y b. ambos grupos humanos son “incompatibles”: toda persona es o var´n o mujer. obviamente. para la elecci´n del delegado. por el principio del producto. hay. la a a segunda m´s votada. Wilhelmi 1 .2. ¿De cu´ntas formas puede el a a taxista realizar el trayecto? Un forma de votaci´n que puede seguirse para que esto suceda es la siguiente: cada o alumno pone en un papel quien considera m´s adecuado para ocupar cada uno de los a cargos. a Miguel R. por lo tanto. como no se especifica si o este debe ser var´n o mujer. Para la elecci´n del subdelegado o o dos situaciones pueden establecerse: una. que una persona no pueda tomar ambos cargos (situaci´n que normalmente se adopta)2 . hay: 42 · 42 = 1 764 formas de elegir a la persona o personas que ocuparan los cargos. por ejemplo. Por el principio de la suma. igual u o mayor que 500. nunca retrocer´. por el principio de la suma. pero no puede ser mayor y menor a la vez. El dilema del taxista Un taxista tiene que ir de un punto A de una ciudad a un punto B (ver figura siguiente). 42 · 41 = 1 722 formas de elegir a ambos representantes. hay 249+1+200 = 450 n´meros pares de tres cifras significativas. a>b Por otro lado. Este hecho se conoce como la ley de tricotom´ de los n´meros reales. a = b. una vez que se ha elegido ´ste. 23 + 19 = 42 o posibilidades.16 2 Recuento sistem´tico a la cifra de las centenas sea 0). se o ıa) u cumple una y justamente una de las siguientes propiedades: a < b. El recuento puede hacer que una persona consiga el m´ximo de votos a en ambas clasificaciones. La persona con m´s votos es el delegado. En la segunda situaci´n. mientras que. esto es. Obs´rvese que los n´meros u e u obtenidos en cada grupo son “incompatibles”: un n´mero es menor. por lo tanto. puesto que. 2. el subdelegado. esto es. tanto el delegado como el subdelegado puede ser elegido o entre los 42 estudiantes y. 2 Un forma de votaci´n para ello es la siguiente: cada alumno pone en un papel quien o considera m´s adecuado para ser delegado. hay. En la primera situaci´n.

donde podr´ continuar sobre la misma calle o volo a tear a su derecha para bajar por la perpendicular. por ejemplo. En la figura 2. si ha avanzado o o horizontalmente. llegar´ al nodo 1 y puede decir ir a la intersecci´n 2 o 6. Lo primero que se puede hacer es esquematizar el diagrama dado: lo importante son las intersecciones de las calles. Dise˜e un a n n m´todo que le permita contar los posibles caminos y cuente ´stos. de tal forma que una ruta est´ marcada por una secuencia e de nodos (figura 2.3 el n´mero total de caminos es 35.1. a e Como se puede observar en la figura 2.2 se muestra un esquema simplificado de la ciudad: cada intersecci´n est´ se˜alada por un c´ o a n ırculo. as´ sucesivamente. tendr´ que tomar a a o a una decisi´n. Para ello una observaci´n: el o taxista no puede sino desplazarse en sentido horizontal o vertical. Estos ı sentidos de movimiento est´n se˜alizados en la figura anterior. sin establecer otra vez cu´les son ´stos. Dise˜o de una estrategia n Lo primero que se tiene que hacer es dise˜ar una estrategia que permita n contar todos los casos sin olvidarse ninguno. de tal forma que si arranca horizontalmente tendr´ que seguir en este sentido hasta a la primera intersecci´n.3). u ¿Qu´ principio ha se utilizado para determinar este n´mero? e u Combinatoria y Probabilidad . de la intersecci´n A el taxista puede ir a la intersecci´n 1 o 5. si se ha establecido que desde el nodo 7 hay 6 posibles caminos. as´ partiendo ı. nuevamente. ¿Cu´ntos posibles caminos puede realizar? Para hacer el recuento total de los caminos se puede seguir la siguiente estrategia: construir un arbol donde se indiquen las dos posibles opciones ´ en cada caso. despu´s e e e siga con la lectura.2. puesto que entre ellas el taxista no puede variar la ruta.2 El dilema del taxista 17 2. si a o decide voltear.2. siempre que lleguemos a ´l e tomaremos este hecho como dato. no es necesario escribir expl´ ıcitamente todos los posibles caminos. avanzar´ hasta el nodo 6 y. Si se procede de esta forma.

18 2 Recuento sistem´tico a Figura 2.3: Arbol para el recuento de las posibles rutas del taxista Miguel R. Wilhelmi .2: Ciudad esquematizada ´ Figura 2.

2. Determine. ¿De cu´ntas formas u a se puede hacer? Combinatoria y Probabilidad . 2. Variables del problema El problema planteado puede generalizarse. sino que van haciendo carreras seg´n las necesidades de los usuarios: por lo tanto. los taxistas no escogen las rutas al azar. los taxistas no realizan siempre un mismo recorrido.3. es posible a plantearse preguntas del tipo: ¿cu´ntas rutas posibles hay entre los puntos a A y C pasando por B? 6 para ir de A a B y 20 de B a C: en total 6 · 20. etc. densidad de tr´nsito. u no siempre se mover´n en una “cuadr´ a ıcula” 4 × 3. Vamos a analizar estas dos variables por separado.3 La sucesi´n de Fibonacci o 19 2. De esta forma. tendr´n que a moverse en cuadr´ ıculas n × k. puesto que .2. para las variables n y k variando entre 1 y 5 el n´mero total de movimientos: u n (filas) 1 2 3 4 5 k (columnas) 1 2 3 4 5 Respecto a la variable movimientos permitidos. sino que consideran unas determinadas en funci´n de la o hora. En general. La sucesi´n de Fibonacci o Se dispone de losetas de tama˜o 1 × 2 y se desea cubrir una superficie n de dimensiones 2 × n. calles en obras. donde n es un n´mero natural. En general.2. atiendiendo a las variables que lo determinan: n´mero de cuadr´ u ıculas y tipo de movimientos permitidos.

4 o 5? Para evitar equivocaciones. Una forma eficaz de hacerlo consiste en estudiar un e o conjunto de casos particulares.1.20 2 Recuento sistem´tico a 2. si n toma los valores 1. Inferencia de una regla de formaci´n o Inferir es sacar una consecuencia o deducir una cosa de otra. Casos particulares En muchas circustancias. es preciso encontrar un m´todo que asegure pintar todas las configuraciones y e que no se repite ninguna. 3. responer a la pregunta: ¿de cu´ntas formas se puede recubrir una superficie de dimensiones a 2 × n. no se conoce un medio para el recuento de casos en una situaci´n concreta. en particular. Wilhelmi . se puede observar que. 4 y 5. Un m´todo consiste en simplificar el problema o e inicial. esto supone. al menos para los casos particulares o e estudiados. 2. ¿es posible determinar una regla que permita ir dibujando las configuraciones con la confianza de pintarlas todas (y de no repetir ninguna)? .3. En el problema que se plantea.2. el n´mero de disposiciones e e u es la suma de las disposiciones con una y dos losetas menos: Miguel R. se tiene la regla de recurrencia de Fibonacci (1170–1250) con primeros t´rminos 1 y 2: a partir del t´rmino tercero. Por observaci´n num´rica. 2. En la figura siguiente se pueden ver los distintos recubrimientos de superficies con n = 1. 3. ¿C´mo se han construido? ¿Qu´ regla se ha seguido para poder asegurar o e que se han considerado todas las posibles configuraciones y que no se ha dejado ninguna? A partir de estas representaciones. 2. formulando uno nuevo que s´ se sepa resolver e intentar inferir de ı ´ste alguna conclusi´n.3.

las configuraciones que se pueden hacer son las que resultan de a˜adir una loseta vertical a las configuracion nes posibles con n = 3 y aquellas que se obtienen agregando dos losetas horizontales a las configuraciones con n = 2. En general. por ejemplo. como se muestra en la figura. Si esto esta regla es v´lida para cubrir una superficie 2 × n. Si n = 5: 3 + 5 = 8 disposiciones diferentes. 9 o 10? a . Combinatoria y Probabilidad . en concreto. esto o e es.2. Validaci´n de la regla o La intuici´n num´rica ha mostrado una regla que es preciso validar. ¿puede conseguirlas? ¿Cu´ntas posibles formas a a se tendr´n si n = 7. blanco y negro.4. n ∈ N. el n´mero de formas en que puede cubrirse una superficie u 2 × n sigue la ley de recurrencia de Fibonacci: las posibles combinaciones de a˜adir una loseta vertical a las configuraciones para recubrir una superficie n 2 × (n − 1) y aqu´llas que se obtienen agregando dos losetas horizontales a e las configuraciones de recubrimiento de una superficie 2 × (n − 2). 2. cuatro de un color y cuatro de otro (generalmente. es necesario justificar que el n´mero de configuraciones para recubrir una superficie 2× n u se obtiene sumando el n´mero de las diferentes configuraciones posibles de u las losetas para recubrir las superficies 2 × (n − 1) y 2 × (n − 2). Si n = 4: 2 + 3 = 5 disposiciones diferentes.4 El solitario Sol y Luna 21 Si n = 3: 1 + 2 = 3 disposiciones diferentes. 2.3. 8.3. con a n = 6 se tendr´n 13 formas. demostrar que es verdadera para un n arbitrario. La aceptaci´n de la regla se sigue de la construcci´n misma de las confio o guraciones sucesivas: si n = 4. El solitario Sol y Luna El solitario Sol y Luna consta de un tablero con nueve casillas y ocho fichas.

¿cu´ntas de estas formas se pueden alcanzar a mediante movimientos legales?. a Un estudio combinatorio del problema debe conducir a responder preguntas del tipo: ¿de cu´ntas formas se pueden disponer las fichas en el taa blero si son colocadas al azar?. mediante o movimientos legales: ´ Un movimiento legal es aquel que respeta las reglas del juego. Codificaci´n de la situaci´n: notaci´n pertinente o o o En muchas situaciones el problema. es posible utilizar una notaci´n similar: la 9-upla 3 o 3 Por simplicidad. duplas y ternas. los juegos f´ ısicos manipulativos van a requerir de una notaci´n que permita el recuento de casos. En cada casilla. Las fichas negras se desplazan siempre de izquierda a derecha. mientras que la dupla (3. de ah´ el nombre del juego). o Como recordar´. Una ficha puede moverse si la casilla contigua (en el sentido de desplazamiento que le es permitido) est´ vac´ o bien. que se ha obtenido 2 con el primer dado y 3 con el segundo. 3. las blancas. Wilhelmi . Estas son: 1. para el lanzamiento de los dos dados. esto es. En el caso del solitario Sol y Luna. en matem´ticas. se dice n-upla a las reuniones de n elementos ordea nados (n ∈ N. 2. siempre que el cuadrado que haya a continuaci´n est´ lio e bre (de igual forma que en el juego de las damas.22 2 Recuento sistem´tico a que representan el d´ y la noche. en general.1.3) pod´ o ıa significar. de hecho.2) representaba que con el primero se ha obtenido 3 y 2 con el segundo. ¿cu´ntos movimientos son necesarios para a completar el juego?. 2. pero sin “comer” ninguna ficha). Miguel R. en sentido opuesto.4. tal y como es planteado no ser´ opea rativo. El objetivo ıa ı del juego consiste en llevar la fichas de la posici´n inicial a la final. sentido de desplazamiento que le es permitido) por encima de una ficha del otro color. hay como m´ximo una ficha. en el cap´ a ıtulo 1 se observ´ que la dupla (2. utiliz´ndose las voces castellanas unicamente para uplas de 2 y 3 a ´ elementos. etc. n ≥ 4). puede saltar (en el a ıa.

En otras palabras. resolveremos algunos casos m´s simples: ¿cu´ntas disposiciones se tienen si se juega el a a solitario con 2 fichas. N ) (X. N. B) no se diferencia en nada si las fichas negras se intercambian de lugar: (N . si se tiene 2 elementos. la configuraci´n (N. 2. N. no es f´cil calcular todas las formas a en que se pueden disponer las fichas en el tablero. N. se plantea: ¿de cu´ntas formas se pueden colocar n a elementos diferentes? Si se tiene 1 elemento.4. ¿cu´ntas triplas a se pueden formar con las letras B. estos se pueden colocar de dos formas diferentes: si se denota por 1 a un elemento y por 2 al otro. con la notaci´n se˜alada: o n (3. N. B. Como en el caso anterior. o De esta manera. obviamente. analizar qu´ supone que haya objetos indistinguibles e e (vuelta a la situaic´n original). este se puede colocar de una sola forma. el espacio vac´ ıo.1). 3. jugan el o mismo papel en el solitario y. esto es. B. X y N ? No es dif´ darse cuenta de que ıcil ´ son seis. 1) (2. N ) (N. B) (X. X. X. entonces las dos posibles configuraciones son (1. N. por lo tanto. con la letra N . despu´s. una de cada color? En otras palabras. B. B) o El criterio que se ha seguido se funda en la ordenaci´n natural de las letras del alfabeto. B. 1. 2) (1. X. La dificultad de determinaci´n de tal a o o regla es la repetici´n de objetos. B. B. X. X. B) representa la posici´n inicial. con 3 elementos. a partir del estudio de las situaciones particulares con 1 y 2 fichas de cada color no es f´cil inferir la regla de formaci´n. antes de afrontar todo el problema. 3. X. B. mientras que la 9o upla (B. Ahora bien. X) (B. B) En total son 30 posibles configuraciones: ¿puede escribirlas todas? Confeccione un m´todo que le permita construirlas. Estas son: (B. con la letra X.4 El solitario Sol y Luna 23 (N. B. Formulaci´n de un nuevo problema o Como se ha visto en el anterior punto. 3) (3. N.2. 2) (1. N. N. con la o letra B se simboliza una ficha blanca. una estrategia de resoluci´n o o consiste en suponer que todos los objetos son iguales (simplificaci´n del o problema) y. 1) (2. 2. N. De esta forma.2. ¿cu´ntas disposiciones se tienen si se juega a el solitario con 4 fichas. dos de cada color? La situaci´n se complica. Esto es. X) (N. una ficha negra. e 2.2) y (2. B. B. 3) Combinatoria y Probabilidad . N ) representa la posici´n final. N. 1. puesto o que dos fichas del mismo color resultan indistinguibles.

2. 2) (3. y n − 2..entre el primero y el segundo. n ∈ N P1 = 1 Por lo tanto. 2) (1.. 3. ) ( . otro. 1. n formas distintas. 3. Se concluye. 1. si Pn−1 es el n´mero de formas en que se pueden disponer n − 1 u u elementos. y detr´s de los n´meros 1 y 2. 2. u 3. 1) ( . en medio. . 5 es igual a: P1 P2 P3 P4 P5 =1 = 2 · P1 = 3 · P2 = 4 · P3 = 5 · P5 =2·1 =3·2·1 =4·3·2·1 =5·4·3·2·1 Miguel R. ıa a u a esta conclusi´n se llega porque dados tres elementos ordenados existen o cuatro formas de colocar el cuarto: 1. 1. 1.detr´s de todos a ellos. detr´s de todos ellos. 1. 2) (1. En total. 3. n = 1..2. 4) ( . 2) (3. 2. 4. 3. Wilhelmi . 4. Pero m´s a´n.entre el segundo y el tercero. se ha colocado el objeto “3” delante. 2. por lo tanto.24 2 Recuento sistem´tico a Si se observa. 1. De esta forma. 3. 4. recurrentemente: Pn = n · Pn−1 . 4. 2) (3. 1) ( . n Este procedimiento puede ser extendido para cualquier n´mero natural u n: ¿en cu´ntos lugares se puede situar un objeto si tenemos n − 1 colocados? a Uno. intercalado a entre los objetos dados.delante de todos ellos. por cada configuraci´n con tres elementos existen cuatro o si a˜adimos uno. 2. que. delante de todos ellos. 1. ∀n ≥ 2. para construir estas 6 formas diferentes.. 2) (1. 3. el n´mero de configuraciones con cuatro u u elementos (P4 ) se obtiene multiplicando el n´mero de configuraciones que se ten´ con tres elementos (P3 ) por 4. esto es. 2. 3) ¿Puede establecer una regla de formaci´n? ¿Cu´ntas configuraciones distino a tas se pueden formar con 5 elementos distintos? ¿Y con 6? Si observa con detenimiento. esto es: P4 = 4 · P3 . 3) ( . . 3. ¿Cu´ntas dispoe ´ a siciones distintas se tienen con 4 elementos diferentes? (4. 3. 2. en las dos a u configuraciones en que ´stos ultimos pueden ser colocados. el n´mero de formas posibles de ordenar n objetos. entonces Pn = n · Pn−1 es el n´mero de formas en que pueden ser colocadas n objetos.

adem´s. puesto que han sido obtenidas intercambiando elementos indistinguibles. 2.4. P1 = 1.4. a 2. Pn (n ≥ 2) es el producto de los n primeros n´meros o u naturales. Antes de seguir leyendo piense c´mo podr´ hacerse esto. Por el razonamiento realizado anteriormente: hay P9 = 9! formas de ordenarlos.2. Si cuatro elementos son indistinguibles. En lo que sigue se considera el solitario Sol y Luna con dos fichas de a Combinatoria y Probabilidad . dos con 4 objetos y uno con 1 s´lo o objeto? Es posible describir el n´mero de disposiciones posibles en funci´n u o o ıa P9 y P4 . Describiremos un m´todo que se sigue en dos pasos: e 1. a reducir las ordenaciones que son equivalentes. *Restricciones del juego De esta forma. existen P9 P4 ·P4 = 9! 4!·4! disposiciones en esencia diferentes.4 El solitario Sol y Luna 25 En conclusi´n. esto es. cualquier intercambio que hagamos entre ellos mantiene la misma disposici´n: existen P4 = 4! diso posiciones equivalentes. tambi´n cualquier intere cambio que hagamos entre ellos mantiene la misma disposici´n: existen o otras P4 = 4! disposiciones equivalentes. 2.4. Por lo tanto. pueden colocar 9 (4 + 4 + 1) objetos? El problema que debemos resolver puede ser enunciado en los siguientes t´rminos: ¿de cu´ntas formas pueden colocarse 9 elementos. Razonar cu´ntas ordenaciones son esencialmente distintas. 4 blancas y un espacio en blanco. Si otros cuatro elementos son indistinguibles. sabiendo que e a hay tres grupos de objetos indistinguibles.3. Vuelta a la situaci´n original o No olvidemos que el problema que ha sido formulado y resuelto (§2.2) tiene como fin poder afrontar el problema original que se hab´ planteado: ıa ¿de cu´ntas formas se pueden colocar las fichas del solitario Sol y Luna a en el tablero? Tenemos 4 fichas negras. Suponer que todos los objetos son distintos.4. Este producto se denota de forma abreviada por n!: Pn = n!. se ha podido determinar el n´mero de formas en que pueu den ser colocadas al azar las fichas en el tablero: ¿cu´ntas de estas posiciones a pueden lograrse mediante movimientos legales? ¿cu´ntos movimientos son a necesarios para completar el juego? Responer a estas preguntas no resulta f´cil. ¿Podemos decir que el problema se reduce a calcular de cu´ntas formas se a .

N. el estado final F . N. N. esto es. N ) x5 ≡ (B. B. N ) x20 ≡ (B. B) x12 ≡ (N. si se llama comedia a una disposici´n no alcanzable desde ´ o el estado inicial por aplicaci´n de las reglas de juego. X) x23 ≡ (N. N. B. B. N. N ) x30 ≡ (N. B. B) y siguiendo las reglas de juego. es decir. N ) x19 ≡ (B. N. x18 . B. Nos interesar´ diferenciar o a las posiciones “alcanzables” de aquellas que no lo son. B. x5 . B. N ) x2 ≡ (B. B) x25 ≡ (N. X. X. B. se denota a x13 por I (estado inicial) y a x3 por F (estado final que deja el juego completo). N ) x22 ≡ (N. B. N. N. N ) x6 ≡ (X. B) x17 ≡ (B. N. X. u respetando las reglas de juego. B) x26 ≡ (X. B) x10 ≡ (B. partiendo de la posici´n inicial (N. N. B. B. o El n´mero de estados de juego es. X. N. queda explicitado por las “flechas”. B) x16 ≡ (X. B. Miguel R. N. B) x14 ≡ (N. X. B. Wilhelmi . ¿Cu´ntos estados de juego tiene el solitario de a Sol y Luna con dos fichas de cada color? Dado que el n´mero de “jugadas” u no es muy grande. N ) x4 ≡ (B. B. N. B. un estado terminal queda determinado por la ausencia de flechas que “salen” de ´l. N. X. N. En el esquema. B. X. B. x10 . X) x13 ≡ (N. a puede alcanzarse por dos secuencias distintas de movimientos. esto es. N. X. hay 7 comedias. N. Se denomina estados de juego a cada una de las ordenaciones de las fichas en el tablero que puede ser alcanzada mediante un n´mero finito de movimientos legales. Adem´s. B) x24 ≡ (N. B. en otras e palabras. Hay 30 formas de colocar al azar las cuatro fichas (¿por qu´?). N. N. x9 . El paso de un estado a otro. B. Se pretende comprender el problema e intentar obtener alguna regla que pueda ser generalizada. se concluye que las o disponsiciones: x1 . es posible representar en un diagrama todas ellas. X. N ) x21 ≡ (X. B. B. Estas son: e ´ x1 ≡ (X. donde se especifiquen las posibles secuencias de estados (figura 2.26 2 Recuento sistem´tico a cada color. el paso del estado 24 ı. B. N ) x29 ≡ (N. por lo tanto. x26 y x27 representan una comedia. N. B) x15 ≡ (N. X. N. N. B. X) x8 ≡ (B. En particular. B. X. B. X. X. Por otro lado. N. X. B. X) Sin embargo. X. B. Por ultimo. N. N.4). X. N. N. Estas dos secuencias se llamana jugadas ganadoras (resaltadas en el diagrama): se necesitan 8 movimientos para completar el juego. B. N. B. N ) x7 ≡ (B. X) x28 ≡ (N. N. 23. B) x11 ≡ (X. N. N. B. B. B. B. no son todas “construibles”. B. X. toda cadena de estados “muere” en un estado terminal (as´ como ı toda cadena de estados comienza en la situaci´n inicial I). donde el juego est´ completo. al estado 23 se representa por x24 → x23 . B. B) x9 ≡ (B. N. N ) x3 ≡ (B. As´ por ejemplo. N. X) x18 ≡ (B. es posible alcano zar s´lo algunas de las posiciones consideradas. N. X. B. B) x27 ≡ (N. N. B. N. el esquema u a muestra que un estado de juego puede alcanzarse por distintas secuencias de movimientos. N. X.

3. Dos figuras son iguales si existe una traslaci´n de tal forma que se o superponen. giros y simetr´ ıas Se quiere saber cu´ntas figuras distintas se pueden construir con tres a segmentos de longitud 1 sobre una cuadr´ ıcula de tal forma que una figura se distinga de otra atendiendo a los siguientes criterios: 1. giros y simetr´ ıas 27 Figura 2. Dos figuras son iguales si existe una traslaci´n. ¿C´mo se puede generalizar el estudio realizado para determinar el n´meo u ro de estados de juego y comedias que hay en el solitario Sol y Luna con cuatro fichas de cada color? Por otro lado.5 Traslaciones. para completar el solitario con una ficha de cada color se precisan 3 movimientos.2. Traslaciones. Combinatoria y Probabilidad .5. 2. 8 movimientos. para completarlo con 2 fichas de cada color. Dos figuras son iguales si existe una traslaci´n y un giro de tal forma o que se superponen. un giro y una simetr´ o ıa (respecto a un eje horizontal o vertical) de tal forma que se superponen.4: Jugadas legales con 2 fichas de cada color. ¿cu´ntos se precisan para completar a el juego con 3 y 4 fichas de cada color? ¿Hay alguna relaci´n entre estos o n´meros? u 2.

Despu´s se agrupan las figuras e que son iguales si se realizan giros y. Miguel R. se muestran tres figuras iguales seg´n cada uno de los o u criterios. Las figuras de la derecha (iguales por o simetr´ no son iguales ni por giro ni por traslaci´n. simetr´ Por lo tanto. entonces tambi´n lo son por e el siguiente: dos figuras iguales por el criterio 1 son iguales por los criterios 2 y 3. De esta forma. es claro ıa) o que. en segundo lugar. Las figuras centrales (se ha hecho un giro) no son iguales si s´lo se permite hacer traslaciones. sin embargo. puesto o a que se impone el criterio menos restrictivo. prosiga con la lectura. si dos figuras son iguales por un criterio. no son ciertos. lo primero que se debe hacer es representar todas las figuras distintas seg´n el primer criterio: dise˜e un m´todo que le permita construir u n e todas las configuraciones posibles sin olvidar ninguna. Recuento de una situaci´n general y agrupamiento de casos o El m´todo que seguiremos consiste en obtener todas las posibles configue raciones con tres segmentos. dos figuras iguales por el criterio 2 son iguales por el criterio 3. admitiendo la igualdad unicamente por trasla´ ci´n. se establece la igualdad por ´ ıa. se obtiene el m´ximo posible de configuraciones. construir las figuras que tienen los tres segmentos o sobre la misma l´ ınea. construir las figuras que ´ tienen todos los segmentos sobre distintas l´ ıneas. Una clasificaci´n posible se obtiene si se sigue la siguiente pauta de conso trucci´n: en primer lugar. construir las figuras que tienen s´lo o dos segmentos sobre la misma l´ ınea. por ultimo.28 2 Recuento sistem´tico a A continuaci´n. Los rec´ ıprocos. Wilhelmi . Sin embargo. Cuando haya terminado. por ultimo. Dos figuras que son iguales por uno de los criterios no significa que los sean por los otros.

M y N iguales (por traslaciones y giros) a las figuras O. giros y simetr´ ıas 29 En la figura siguiente se pueden ver todas las distintas cofiguraciones posibles. Con otras palao bras.5 Traslaciones. ¿Son las figuras K. De manera similar. ´ . e las de “tipo C”. puesto que no existe ning´n giro que transforme las unas en las otras. . la figura D es igual a la figura E y ´sta a la F. La figura S . simetr´ Estas son: tipos A. L. s´lo 5 son distintas si se admiten. por medio de un giro de . ıas. e o las figuras C. las a figuras A y B son iguales si efectuamos a cualquiera de ellas un giro de 90◦ .2. D. existen 22 figuras distintas (salvo traslaciones) que pueden construirse con 3 segmentos rectil´ ıneos horizontales o verticales. La figura I es igual a la figura . por medio de un giro de . P. Sin embargo. se concluye que existen (salvo traslaciones y giros) 7 figuras distintas: las de “tipo A” (y todas las giradas y trasladas de ´sta). C. es f´cil concluir que: a La figura C es igual a la figura D si se realiza un giro de 90◦ . ¿Cu´les de estas figuras son iguales mediante giros? Por ejemplo. De igual manera. adem´s de traslaciones o a y giros. . De esta forma. Combinatoria y Probabilidad . atendiendo la pauta de construcci´n establecida: 22. E y F son iguales por giros. En conclusi´n. las figuras G y H son distintas a las figuras I y J. u La figura K La figura O . De estas siete. La figura G es igual a la figura . Q y R? .

pues se estima que m´s de ıa. Wilhelmi . en general. por Rg a o o la relaci´n giro. Por ejemplo.30 2 Recuento sistem´tico a Para terminar este punto. si una figura se puede relacionar con otra (mediante una traslaci´n. ´ entonces la primera y la tercera son iguales (para el criterio que se est´ consie derado). bRc. Tipo de lugares donde se van a colocar los objetos: si son distinguibles o indistinguibles. 2. Por ejemplo. remarcaremos una propiedad que ha quedado enmascarada: si una figura es igual a otra y esta ultima igual a una tercera. denotaremos aRb. ´ a Proposici´n 4 (Propiedad transitiva de una relaci´n) Una relaci´n o o o R entre elementos de un conjunto X tiene la propiedad transitiva si para todos a. De otra forma. entonces F1 Rt F3 . todos los libros son distinguibles entre s´ sin embargo. entonces F1 Rs F3 .6. a a una persona va a desear adquirirlos. F2 y F3 tres figuras o o ıa planas. si colocamos libros en una biblioteca. Tipo de objetos a colocar: si son distintiguibles o indistinguibles. entonces aRc. se van a estudiar algunos casos particulares relacionados o con la colocaci´n de objetos: ¿de cu´ntas formas pueden organizarse r obo a jetos en n lugares? Para responder a esta pregunta hay que tener en cuenta distintas variables que intervienen a la hora de organizar los objetos: 1. En nuestro caso. hay un ejemplar de cada uno y. brer´ muchos libros aparecer´n repetidos. por lo tanto. Colocaci´n de objetos o En esta secci´n. si denotamos por Rt a la relaci´n traslaci´n. y b a su vez est´ relacionado con o a c. 2. si para realizar una mudanza se necesita embalar un grupo de libros y se dispone para ello de unas cuantas Miguel R. Si F1 Rg F2 y F2 Rg F3 . Si F1 Rs F2 y F2 Rs F3 . entonces la o ıa) e primera y la ultima est´n igualmente relacionadas. un giro o una simetr´ y ´sta con una tercera. entonces F1 Rg F3 . b y c en el conjunto X se verifica: si a est´ relacionado con b por a medio de la relaci´n R. por Rs a la relaci´n simetr´ y por F1 . si ordenamos los libros puestos a la venta en una liı. se tienen las siguientes tres proposiciones: Si F1 Rt F2 y F2 Rt F3 .

ı e si la persona que realiza el embalaje desconoce las necesidades del destinatario. Antes de introducir algunos problemas resulta util tener en cuenta un ´ sencillo principio que se utiliza muchas veces (la mayor parte de las veces de forma impl´ ıcita): el principio del palomar. . un peruano puede tener 0. 199 999 pelos en su Combinatoria y Probabilidad . o 4. o con el modelo ordenaci´n de bolas en cajas. si todas las palomas duermen en alguno de a los casilleros del palomar. o o En el anexo A se hace una discusi´n detallada con relaci´n al recuento de posibles ordenaciones. zapatos. as´ podr´ disponer de ellos sin mucho trabajo”. presentar algunos ejemplos. seguramente no tomar´ en consideraci´n ning´n orden a o u en la colocaci´n de los libros. Es f´cil concluir que. que un granjero tiene 11 palomas y 10 casilleros para que ´stas duerman y se cobijen del fr´ e ıo y la lluvia. alumnos en diferentes aulas. De esta forma. 2. Por otro lado. en uno de los lugares tiene que haber al menos dos objetos. 1. puede establecer el criterio siguiente: “los libros que voy a necesitar nada m´s llegar los coloco al final de cada a caja. si el embalaje de los libros lo realiza la misma persona que los va a recibir. Se pretende a continuaci´n.2. . . si se disponen cajas para transportar calzado es normal imponer que en cada caja vaya uno y s´lo un par de zapatos. si se colocan todos los objetos. necesariamente. . 3. 4. En general se tiene: Proposici´n 5 (Principio del palomar) Si se tiene r objetos y n lugares o para colocarlos y el n´mero de objetos es mayor que el n´mero de lugares u u (r > n). Una aplicaci´n curiosa de este sencillo principio es la afirmaci´n: “al o o menos 100 peruanos tienen el mismo n´mero de cabellos en la cabeza”. Supongamos. etc. la modificaci´n de estas variables genera una gran cantio dad de situaciones. Por ejemplo. Se u sabe que una persona tiene como mucho 200 000 cabellos en la cabeza. en al menos uno de ellos tiene que haber m´s de a una paloma. Por ejemplo. entonces. a 3. Enunciados similares pueden o establecerse para ordenar libros. Ordenaci´n de los objetos en cada lugar disponible: importa o no el o orden. Restricciones sobre el uso de los lugares. no se proceder´ de igual manera si ´stas son distintas (escogea e remos unas u otras cajas seg´n los tama˜os relativos a los libros que u n tengamos) o si son iguales (utilizaremos las cajas conforme vayamos ocup´ndolas). o De esta forma.6 Colocaci´n de objetos o 31 cajas.

como m´ e u ınimo. dos disposiciones son distintas si en al menos una caja se tiene alg´n objeto distinto. Por otro lado. hay una poblaci´n mayor a 20 millones de habitantes. n = 1. luego. Los objetos son distinguibles y las cajas tambi´n. podemos asegurar que hay. para ´ cualquier n se tiene una unica forma de colocar los objetos. Wilhelmi . por lo tanto. todos los objetos son introducidos en la unica caja que se tiene y. cada objeto puede ser introducido en cualquiera de las dos cajas y. el n´mero de posibles colocaciones depende del n´mero de cajas de u u que se disponga: si n = 3.6. de lado 1. Como en Per´. si r = n = 2 se tienen 4 formas de colocar los dos objetos: los dos en una u otra caja (2 opciones). u En resumen. como m´ximo. puesto que 100 · 200 000 = 20 000 000. pero no el orden en que esto se efect´a. ¿Qu´ n´mero de canicas. dos al menos han de estar a una a distancia menor que 1/2. u o al menos 100 peruanos tienen que pertenecer a una misma clase. o bien. demuestre que si tomamos a a 5 puntos interiores del tri´ngulo.32 2 Recuento sistem´tico a cabeza. tienen que ser del mismo color? ¿Y como m´ximo? a 3. uno en cada caja (otras 2 opciones). hay tres disposiciones distintas. por lo tanto. u Estudiemos algunos casos particulares. Dado un tri´ngulo equil´tero. Se tiene una bolsa con 50 canicas de cuatro colores diferentes. que r y n son mayores que 1: r > 1. Supongamos. Ejercicios 1. 2. 200 000 clases de peruaa nos. ´ si r = 1. hay 2 · 2 = 22 = 4 opciones de colocar los Miguel R. Objetos distinguibles en cajas distinguibles Se tiene r objetos (1 ≤ r ≤ 5) para colocar en n cajas (1 ≤ n ≤ 5). Nos interesa saber el n´mero de formas en que pueden ser u introducidos los objetos en las cajas. Si. Por ejemplo. De otra forma. por ejemplo. si se atiende al n´mero de pelos que un peruano tiene en la u cabeza. de tal forma que si se tiene e un solo objeto y dos cajas existen dos formas distintas de colocar aquel: en ´ una u otra caja. Se meten 10 pares de guantes en un caj´n y se van tomando al azar: o ¿cu´l es el n´mero m´ a u ınimo de guantes que se debe tomar para poder asegurar que se ha obtenido un par de guantes completo? 2.1. n > 1. que se obtienen colocando el objeto en cada una de las cajas. por lo tanto.

Al igual que en el caso anterior. para cualquier r se tiene una unica forma de colocar los ´ objetos.2. Estudiemos algunos casos particulares. Combinatoria y Probabilidad .r seg´n los par´metros r y n? u a Dn. Por ejemplo.r al n´mero de colocaciones que se pueden u hacer con r objetos distinguibles en n cajas tambi´n distinguibles. Por otro lado. ¿qu´ valor e e toma Dn. Los objetos son indistinguibles.2. resumen.6. el n´mero de posibles colocaciones depende u del n´mero de cajas de que se disponga: si n = 5. n > 1. para ello. ¿Podr´ generalizar el m´todo para cualquier r y n? Con otras ıa e palabras. o ıa bien.r r=1 r=2 r=3 r=4 r=5 n=1 1 1 1 1 1 n=2 2 4 8 n=3 3 9 27 n=4 4 n=5 5 2. por lo tanto. el segundo. De otra forma. uno en cada caja. como los objetos son indistinguibles. Objetos indistinguibles en cajas distinguibles Se tiene r objetos (1 ≤ r ≤ 5) para colocar en n cajas (1 ≤ n ≤ 5). el n´mero u de elementos es distinto. si r = n = 2 se tienen 3 formas de colocar los tres objetos: dos en una caja y la otra vac´ (dos opciones. ´ Complete la tabla siguiente. si denotamos por Dn. de tal forma que el primer n sumando se˜ala los objetos que han sido introducidos en la primera caja y. por lo tanto. en al menos una caja. todos los objetos son introducidos en la unica caja que se tiene ´ y. mientras que es posible distinguir unas cajas de otras. aquellos que han sido introducidos en la segunda. Supongamos. si n = 1. dise˜e un m´todo que le permita n e hacer el recuento de forma sencilla y que le de seguridad de los resultados que obtenga. Represente esta ultima forma de hacer el recuento mediante un ´ diagrama de arbol. dos disposiciones son distintas si. hay cinco disposiciones u distintas. que r y n son mayores que 1: r > 1. de tal forma que dos disponsiciones se distinguen por el n´mero de u objetos que hay en cada caja (admiti´ndose que una caja est´ vac´ En e e ıa). que se obtienen colocando el objeto en cada una de las cajas. si r = 1.6 Colocaci´n de objetos o 33 dos objetos. puesto que las cajas son distintas). el n´mero de formas en que pueden repartirse en dos cajas distinguibles es u u u igual a las descomposiciones del n´mero 2 en n´meros enteros no negativos (importando el orden): 2 + 0 = 0 + 2 = 1 + 1.

como cada una de las dos cajas tiene al menos un elemento. n = 2 y r = 3: numeramos los objetos 1.r seg´n e los par´metros r y n? a 2. interesa tomar en cuenta c´mo se juntan los objetos. o mas no en qu´ caja se depositan. es posible completar la tabla: a Fn. ¿Qu´ sucede si n = 1 o r = n? e . Objetos distinguibles en cajas indistinguibles En este caso las cajas son indistinguibles. Por lo tanto. por lo tanto. ¿qu´ valor toma En. Atendiendo al mismo criterio. esto es.r r=1 r=2 r=3 r=4 r=5 r=6 r=7 n=1 1 1 1 1 1 1 1 n=2 — 1 3 7 n=3 — — 1 7 n=4 — — — 1 n=5 — — — — 1 n=6 — — — — — 1 n=7 — — — — — — 1 Miguel R.r al n´mero de colocaciones que se pueden hacer con r u u objetos indistinguibles en n cajas distinguibles. Por ejemplo. pero los objetos s´ son distinı guibles. se tienen las siguientes seis descomposiciones del n´mero 2 como suma de tres n´meros u u enteros no negativos: 2=2+0+0=0+2+0=0+0+2=1+1+0=1+0+1=0+1+1 As´ es posible completar la tabla: ı En. 2 y 3. Wilhelmi . r = 2. a Hay tres formas de dejar un objeto aislado: que sea 1. 2 o 3. n ≤ r.6. Es admisible. tendr´ que haber una caja con dos elementos y otra con uno.34 2 Recuento sistem´tico a Otro ejemplo: n = 3. Por razonamientos an´logos. entonces.r r=1 r=2 r=3 r=4 r=5 n=1 1 1 1 1 1 n=2 2 3 4 n=3 3 6 10 n=4 4 n=5 5 ¿Podr´ generalizar el m´todo para cualquier r y n? Con otras palabras.3. ıa e si denotamos por En. Supongamos que: n > 1 y r > n. que se rechace e la posibilidad de que haya cajas vac´ en lo que sigue se restringe el estudio ıas: a situaciones en las que el n´mero de cajas n es menor o igual al n´mero de u u objetos disponibles r.

2. Como a todas las cajas son iguales existe una sola forma de colocar los objetos: dos en una caja y uno en la otra. Por lo tanto. no resulta f´cil encontrar una ley general: ¿qu´ leyes parciales observa?. al igual que en el caso anterior. Por ejemplo. ¿puede a e demostrarlas? 2. para todo r ≥ 4? ¿Gr.r−4 = 5. para todo r? ¿Gr. ıa e si denotamos por Fn.r al n´mero de colocaciones que se pueden hacer con u r objetos distinguibles en n cajas indistinguibles. Combinatoria y Probabilidad .r seg´n los par´metros r y n? Al igual que en el caso anterior.r−3 = 3. r ≤ n. De esta forma. Objetos indistinguibles en cajas indistinguibles En este caso. queda un objeto por colocar. n ≤ r. a pesar de que se a a observan ciertas regularidades: ¿qu´ leyes parciales observa? ¿Es cierto que e Gr. u De manera an´loga al caso anterior: si n = 1 o si n = r. Es admisible.r−2 = 2. existe una unica a ´ forma de colocar los objetos. Si k = 2 y n = 4. etc.r r=1 r=2 r=3 r=4 r=5 r=6 r=7 r=8 n=1 1 1 1 1 1 1 1 1 n=2 — 1 1 2 2 n=3 — — 1 1 2 n=4 — — — 1 1 n=5 — — — — 1 n=6 — — — — — 1 n=7 — — — — — — 1 n=8 — — — — — — — 1 ¿Podr´ generalizar el m´todo para cualquier r y n? Con otras palabras. n = 2 y r = 3: como. para todo r ≥ 8?. por lo tanto.6. que: n > 1.r−1 = 1. esto es. hay dos formas de hacerlo puesto que: . se completa la tabla: Gn. que se rechace la posibilidad de que haya cajas vac´ en lo que sigue se restringe ıas: el estudio a situaciones en las que el n´mero de cajas n es menor o igual al u n´mero de objetos disponibles r. al menos un objeto debe ir en cada caja. interesa determinar la cantidad relativa de objetos en cada una de las cajas.r al n´mero de colocaciones que se pueden hacer con u r objetos indistinguibles en n cajas indistinguibles. ıa e si se denota por Gn. r ≤ n.4. ¿qu´ valor toma e u a Fn. para todo r ≥ 6? ¿Gr. tanto los objetos como las cajas son indistinguibles. Supongamos. que se introducir´ en una de las cajas. por lo tanto. comprobar´ que no resulta f´cil encontrar una ley general.6 Colocaci´n de objetos o 35 ¿Podr´ generalizar el m´todo para cualquier r y n? Con otras palabras. ¿qu´ valor toma e u a Gn. r > n.r seg´n los par´metros r y n? A diferencia de los dos casos anteriores.

7. sea Pn la proposici´n “el juego (con n discos) es terminao do”. a juego con n discos? Como ya hemos razonado en otros ejemplos: una estrategia muy util ´ consiste en estudiar un conjunto de casos particulares e intentar inferir de ´stos una regla general y un m´todo que la justifique. B. Un movimiento legal o permitido consiste en tomar un disco y colocarlo en un soporte diferente. formando una torre — figura (a). pero no son permitidas situaciones del tipo de la n figura (b). mediante movimientos legales. siempre que se verique una de las dos condiciones siguientes: 1. trasladarla al soporte B. Se forma la torre sobre el soporte A y se quiere. ¿Es posible completar el juego para un n´mero n arbitrario de discos? u En caso de ser as´ ¿cu´ntos movimientos son necesarios para completar el ı. u Para cada n. e e Por comodidad. todos de distinto tama˜o. de manera que pueden n ser colocados ordenadamente. se dispone de 3 soportes A. unos encima de otros. mientras que el disco mayor n u se identifica con el n´mero n. El soporte no tenga ning´n disco. En otras palabras. es legal colocar discos sobre soportes vac´ y discos ıos peque˜os sobre grandes. luego. Wilhelmi . Las torres de Hanoi Se dispone de n discos. se admiten las dos notaciones siguientes: Los discos pueden ser numerados seg´n su tama˜o del 1 al n: el m´s u n a peque˜o lo designamos con el n´mero 1. C. se quiere demostrar que las proposiciones Pn son verdaderas Miguel R. u 2.36 2 Recuento sistem´tico a 2. El disco superior sea mayor que el que se coloca. A su vez.

Se tiene n+1 discos sobre el soporte A. otra vez por P n. Demostraci´n. los discos 1 y 2 pueden ser movidos al soporte B. por norma general. Basta mover el disco 1 del soporte A al soporte B y el juego o est´ completo: a Lema 2 P2 es verdadera. Demostraci´n. con lo que se termina el juego. Como la propoo sici´n Pn es verdadera. o Combinatoria y Probabilidad . Demostraci´n.7 Las torres de Hanoi 37 para cualquier n´mero natural n.5. As´ demostrado. para simplificar la expoo sici´n. n son trasladados al soporte B. que permitir´n hacer una demostraci´n a a o breve y sencilla. que es introducido. . Lema 1 P1 es verdadera. entonces el juego con n + 1 discos tambi´n e podr´ serlo. . Lema 3 P3 es verdadera. a Lema 4 Para cada n. queda formalizado en el siguiente lema. Por el lema 2 es posible mover los discos 1 y 2 al soporte o C (observar que los soportes A y B juegan un papel equivalente). los discos 1. Este hecho. 4 Lema: proposici´n verdadera. se pueden trasladar los n primeros discos al soporte o C (mediante movimientos legales). . paso intermedio entre un enunciado general o m´s como a plejo y su demostraci´n. otra vez por el lema 2. Ahora se mueve el disco 3 al soporte B y. . Pn ⇒ Pn+1 . Entonces el disco n + 1 es movido del soporte A al soporte B y. con lo que el juego queda completo. Es suficiente seguir la secuencia que se observa en la o figura 2. Para ello. se enunciar´n y demosu a trar´n una serie de lemas 4 .2. el lema 3. Demostraci´n. da una pauta de trabajo: si un juego con ı n discos puede ser completado.

Wilhelmi . Miguel R.5: Juego con tres discos.38 2 Recuento sistem´tico a Figura 2.

Para cada n ∈ N. . 2. El principio general que se est´ utilizando es el principio de inducci´n a o matem´tica. ⇒ Pn−2 ⇒ Pn−1 ⇒ Pn ⇒ . Pasamos los discos 1 y 2 al soporte C: L2 = 3 movimientos.2. sabiendo que o o L1 = 1? Piense una soluci´n a este problema antes de continuar con la lectura. la realizaci´n del juego con n + 1 e o discos se apoya en el juego completo con n discos. realizamos los siguientes movimientos: 1. si la proposici´n P1 es verdadeo ra. el n´mero u de movimientos necesarios puede obterse de manera recursiva: si se denota por Ln+1 el n´mero de movimientos necesarios para completar el juego con u n discos. a e Proposici´n 6 (Principio de Inducci´n) Si para cada n´mero natural o o u n se tiene una propiedad Pn que puede ser cierta o falsa. Pasamos el disco 1 al soporte B: 1 movimiento. el lema 1. L2 = 3. Combinatoria y Probabilidad . En el anexo C se desarrollar´ este importante m´todo matem´tico de a e a demostraci´n y de definici´n. y 2. . realizamos los siguientes movimientos: 1. Pasamos el disco 1 al soporte C: 1 movimiento. . pero ¿cu´ntos movimientos son necesarios para completar un juego con n a discos? Si observamos el m´todo descrito. ¿es posible encontrar una relaci´n entre Ln+1 y Ln . Para completar el juego con n = 3. En total: 3 movimientos. .7 Las torres de Hanoi 39 De esta forma. esto es. De esta forma. 3. o o Volviendo a nuestro juego: ya sabemos que este puede ser completado. que puede ser enuncuado en los siguientes t´rminos. desde el lema 4. representa el primer paso necesario para que la caa dena descrita sea verdadera. suponiendo que Pn es cierta se puede demostrar que Pn+1 es cierta Entonces Pn es cierta para todo n ∈ N. P1 es cierta. toda proposici´n Pn es verdadera. de tal manera que: 1. De hecho. Para completar el juego con n = 2. Pasamos el disco 2 al soporte B: 1 movimiento. el lema 4 da una cadena de infinitas implicaciones: P1 ⇒ P2 ⇒ P3 ⇒ . Adem´s. o para cualquier n natural.

En total: Ln+1 = 2 · Ln + 1 movimientos. L1 = 1 ∀n ∈ N Esto es. 3. 2. L4 = 2 · 7 + 1 = 14 + 1 = 15. 3. para cualquier n. L2 = 2 · 1 + 1 = 2 + 1 = 3. . Wilhelmi . En general. Pasamos los discos 1. representan instrumentos reutilizables en clases amplias de problemas. L3 = 2 · 3 + 1 = 6 + 1 = 7. realizamos los siguientes movimientos: 1. esto es. por ejemplo: estudio de un conjunto finito (y en principio no muy numeroso) de casos particulares e inferencia. L5 = 2 · 15 + 1 = 30 + 1 = 31. el n´mero de movimientos Ln+1 necesario para completar el juego con n + 1 u discos se obtiene por la regla de recurrencia siguiente: Ln+1 = 2 · Ln + 1. n al soporte B: Ln movimientos. Estas estrategias particulares. . ¿Es necesario demostrarlo? . e Para el recuento de casos se precisa de estrategias espec´ ıficas de c´lcua lo. se han descrito algunas situaciones de recuento. multiplicaci´n y divisi´n de dos n´meros son o o o u algoritmos. estas situaciones no se pueden resolver “de golpe” (es necesario seguir una serie de pasos) ni de forma algor´ ıtmica5 (se desconoce de antemano qu´ pasos es necesario dar). En general. n al soporte C: Ln movimientos. Pasamos los discos 1 y 2 al soporte B: L2 = 3 movimientos. . L3 = 7. resta. Pasamos los discos 1. Resumen En las secciones anteriores. . en o ocasiones. para completar el juego con n + 1 discos. 2. L6 = 2 · 31 + 1 = 62 + 1 = 63. De esta forma. adaptadas a cada situaci´n concreta.40 2 Recuento sistem´tico a 2. o a e o 5 Un algoritmo es un conjunto ordenado y finito de operaciones que permite hallar la soluci´n de un problema: la suma. . . a partir de ´stos. Miguel R. . ¿Se ha demostrado que Ln+1 = 2 · Ln + 1 = 2n − 1.8. por ejemplo. En general: Ln+1 = 2 · Ln + 1 = 2n − 1. ∀n ≥ 2? . En total: 2 · L2 + 1 = 2 · 3 + 1 = 7 movimientos. .. . de una regla e de formaci´n. Pasamos el disco 3 al soporte B: 1 movimiento. . para todo n ≥ 2. que tendr´ que ser validada en t´rminos de la situaci´n. Pasamos el disco n + 1 al soporte B: 1 movimiento.

Ejercicios 1. Para sortear qui´n jugar´ con blancas una partida de ajedrez. Estos principios constituyen instrumentos poderosos de resoluci´n de o amplias clases de problemas. 2. Por ejemplo. el recuento de casos en una situaci´n o concreta ha implicado la determinaci´n de principios elementales: de la suma o y del producto (§2.9.5). giros y simetr´as (§2. Si denotamos por Qn el n´mero de cuadrados posibles que se pueden u dibujar sobre una cuadr´ ıcula n × n: ¿es posible encontrar una regla general para Qn ? 2. Sin emo e bargo. pero m´s sencillo. Con relaci´n a la figura. Una soluci´n consiste en la formulaci´n de un nuevo proa o o blema. As´ ha sucedido en las o o ı secciones Sol y luna (§2. en general no sistematizable. En muchas ocasiones. combinaciones. una situaci´n no permite un tratamiento mao tem´tico sencillo. es posible organizar un conjunto grande de situaciones mediante m´todos sencillos de c´lculo: permutaciones.1).9 Ejercicios 41 Por otro lado. e a variaciones. el recuento de casos es una tarea dif´ o ıcil. en la figura e siguiente se pueden ver dos cuadrados en distintas posiciones. como se ver´ en el pr´ximo cap´ a o ıtulo. pero que no es necesario ´ que ´ste se presente con una base horizontal. ¿cu´ntos cuadrados pueden formarse de mao a nera que los v´rtices est´n en alguno de los puntos? e e Observe que un cuadrado se caracter´ por ser un paralegramo con ıza los cuatro lados iguales y angulos de 90◦ . cuya resoluci´n muesa o tre un camino de resoluci´n de la situaci´n inicial. en ciertas situaciones. Juan e a y Enrique efect´an siempre la siguiente pr´ctica: eligen cara o sello y u a Combinatoria y Probabilidad .4) y Traslaciones. relacionado con el anterior. ligada a la situaci´n concreta que se est´ analizando.7). del palomar (proposici´n 5) y de inducci´n matem´tica o o a (§2. ı En conclusi´n.2.

excepto el conjunto ıo ıo e vac´ que contiene un solo conjunto. Se detiene a comer cuando no puede continuar caminando sin tener que cruzar el mismo puente dos veces. El hombre empieza con un sol a y dejar´ de jugar si antes de la quinta vez pierde todo su dinero o si gana tres nuevos soles. Un hombre empieza en A y camina de o y las l´ isla en isla. si tiene cuatro. Intente demostrar ´sta.) 4. esto es. Wilhelmi . A. 4 o 5 elemenos e infiera de estos casos una ley general. estableciendo la ganancia o p´rdida total. Hallar el n´mero de u posibles situaciones finales. En cada juego gana o pierde un nuevo sol. B. ¿Cu´l es el m´ximo de partidas que juegan? ¿Y el m´ a a ınimo? Represente con un diagrama de arbol todas las posibilidades y despu´s codif´ ´ e ıquelas en una n-upla. (Nota: Todos los conjuntos contienen al menos dos e conjuntos: el conjunto vac´ y el conjunto total. b) La primera persona que gane tres partidas (consecutivas o no) juega con blancas. Se permite mover una ficha horizontal o verticalmente desde A a la primera casilla en la Miguel R. 1. 2. En el diagrama 1 de la figura. Determine el n´mero de subconjuntos que tiene un conjunto con n u elementos: estudie los casos particulares en el que el conjunto tiene 0. 3. C. E y F representan islas ıneas de uni´n puentes. ´l mismo. 3. Un hombre tiene tiempo para jugar ruleta cinco veces a lo sumo. e 5. Hallar el n´mero de u recorridos posibles antes de comer. 6. Considere el diagrama 2 de la figura anterior. D.42 2 Recuento sistem´tico a lanzan una moneda al aire tantas veces c´mo sea necesario para que o se cumpla una (o las dos) condiciones siguientes: a) La primera persona que gane dos veces seguidas toma las blancas.

etc Combinatoria y Probabilidad . B. ¿Es capaz de oba n tener una regla que le permita calcular el n´mero de rutas posibles u para una cuadr´ ıcula n × k.10 Autoevaluaci´n o 43 direcci´n y sentido escogidos.2. C. a estado de la pista. las flechas sentidos de tr´nsito permitidos y a 6 del gasto estimado. En el diagrama que se muestra. Si se traza un segmento que una dos a dos dichos puntos: ¿cu´ntos segmentos a se dibujan? Realice el ejercicio para n variando entre 1 y 7 y deduzca una ley general. e 2. Se representan en el plano n puntos. un ´ u ındice a a y el m´s barato? a 8.10. En funci´n de la figura. sin haber tres colineales. con n y k dos n´meros enteros positivos u cualesquiera? Justifique la regla que obtenga en funci´n de la situaci´n o o (posibles trayectos que puede tomar el taxista para ir de un punto a otro). ¿Puede encontrar una relaci´n con la suma de los n o primeros n´meros naturales? u 2. Autoevaluaci´n o 1.19). no de un conjunto finito de valores num´ricos (p. representan intersecciones de calles. El c´lculo total de trayectos posio a bles para una determinada cuadr´ ıcula puede determinarse en funci´n o de aquellos posibles para cuadr´ ıculas m´s peque˜as. etc. ¿Cu´l es trayecto m´s caro los n´meros. cambios de velocidad requeridos. (Nota: se restringe el 6 Variables de este ´ ındice son: velocidad de tr´nsito. ¿cu´ntos tri´ngulos rect´ngulos pueden foro a a a marse de manera que los tres v´rtices est´n en alguno de los puntos? e e Generalice el problema a una red de n×n puntos. los puntos A. Generalizaci´n del dilema del taxita. Hallar el a n´mero de maneras c´mo se puede realizar el juego: ¿cu´ntas partidas u o a completan el recorrido? 7. El juego se detiene cuando no se pueo de avanzar sin pasar por la misma casilla m´s de una vez.

se van colocando fichas. unen dos puntos de la misma fila o columna. a Miguel R. Tres en raya.) 3. esto es. Wilhelmi . de tal manera que no haya “tres en raya” (tres en casillas consecutivas horizontales o veriticales).44 2 Recuento sistem´tico a estudio al caso en el que los catetos de los tri´ngulos son horizontales a o verticales. En un tablero. como el que se muestra en la figura. ¿Cu´ntas fichas se a pueden poner como m´ximo? Generalice el problema a un tablero n×n.

1. es igual a: n! = n(n − 1)! 1 45 si si n>0 n=0 . Este producto se denota por n!. Se define: Definici´n 1 (Factorial de un n´ mero) El factorial de un n´mero eno u u tero no negativo n. que constituyen instrumentos eficaces de recuento de o o casos de amplias clases de problemas. o 3. el n´mero de ordenaciones posibles o u que se pueden obtener con n (n ≥ 2) objetos distintos es el producto de los n primeros t´rminos. Permutaciones Gen´ricamente.1.Cap´ ıtulo 3 Permutaciones.1. variaciones y combinaciones En la presente secci´n se introduce las nociones de permutaci´n. 3.4. Permutaciones ordinarias o sin repetici´n o Como se ha visto en la secci´n 2. se denota n!. que se lee: “factorial e de n”. variao o ci´n y combinaci´n. Es necesario precisar si estas cosas son o no indistina guibles. Estas nociones se introducen por medio de la resoluci´n de situaciones particulares y su posterior generalizaci´n o o y formalizaci´n. para asegurar que la nueva configuraci´n sea en esencia distinta a o la antigua. permutar es: “variar la disposici´n u orden en que estae o ban dos o m´s cosas”.

uno detr´s de otro.1. 2! = 2 · 1! = 2 · 1 = 2 4! = 4 · 3! = 4 · 6 = 24 6! = 6 · 5! = 6 · 120 = 720 . en la figura siguiente se pude ver la representaci´n de 13 elementos o distribuidos en 5 grupos de elementos indistinguibles. Wilhelmi . se obtienen los factoo riales de los n´meros enteros positivos multiplicando el n´mero n-´simo por u u e el factorial de (n − 1). denotaremos Pn . el solitario Sol y Luna ha dejado abierta una puerta para una generalizaci´n: ¿cu´ntas ordenaciones en esencia distintas pueden obo a tenerse con n elementos si hay k grupos cuyos objetos son indistinguibles entre s´ y cada grupo contiene a1 . .46 3 Permutaciones. En el caso propuesto en la fio gura. para despu´s agrupar aquellas que son iguales (puesto que se han obtenido e por permutaci´n de objetos indistinguibles). . Si se colocan “en fila”. de las cuales 4! Miguel R. Definici´n 2 (Permutaciones ordinarias o sin repetici´n) Se llaman o o permutaciones ordinarias o sin repetici´n de n elementos.2. esto es: 1! = 1 · 0! = 1 · 1 = 1 3! = 3 · 2! = 3 · 2 = 6 5! = 5 · 4! = 5 · 24 = 120 . variaciones y combinaciones La definici´n dada es recursiva: a partir de 0! = 1. o a los distintos grupos que se pueden formar. Si se intercambian entre s´ dos a o ı objetos indistinguibles la nueva configuraci´n es equivalente a la anterior. . . . respectivamente? Por ı ejemplo. de tal manera que en cada grupo entren los n elementos y que un grupo se diferencie de los dem´s en el orden a de colocaci´n de los elementos. o ¿Cu´ntas configuraciones esencialmente distintas se pueden disponer? a El razonamiento que se hizo en el solitario Sol y Luna consist´ en calıa cular todas las ordenaciones posibles (suponiendo los objetos distinguibles). . o a 3. Permutaciones con repetici´n o Por otro lado. . . ak elementos. las posibles permutaciones de 13 elementos son 13!. Adem´s se tiene que: Pn = n!. se tiene una configuraci´n.

. 3! son iguales porque se han obtenido por permutaciones de los corazones (♥).a2 ..ak = P Rn1 2 a1 ! · a2 ! · . Permutaciones circulares Se quiere confeccionar un collar con n cuentas de colores. + ak = n: 1. 3.. de tal forma que a1 + a2 + .. .. otras 2! son iguales porque se han obtenido por permutaciones 13! de los s´ ımbolos de infinito (∞).a . ak−1 .ak ! a este n´mero. ¿de cu´ntas formas se puede formar el collar si se utilizan todas a ellas? El n´mero de ordenaciones distintas de n objetos distintos es Pn = n!. .ak−1 !.. Por lo tanto.ak−1 . . . Reagrupamiento de las permutaciones iguales (se han obtenido por intercambio de posiciones de elementos indistinguibles de un grupo): a1 ! · a2 ! · ..1. . . . ..1 Permutaciones 47 son iguales porque se han obtenido por permutaciones de los anillos ( ). C´lculo de las permutaciones de n elementos: Pn = n!.a . a las distintas configuraciones que se pueden formar con los n elementos.3. . de tal forma que cada una de ellas se diferencie de las dem´s en el orden de colocaci´n de sus elementos.ak = n! a1 ! · a2 ! · ..3. . excluyendo las a o reordenaciones de elementos indistinguibles (esto es. a2 . distribuidos en k grupos de a1 . · ak−1 ! · ak ! 3. · ak−1 ! · ak !. . ı respectivamente. otras 3! son iguales porque se han obtenido por permutaciones de los “copyright” ( c ). Si se denota por P Rn1 2 que: n! a . que pertenecen a un a . se tiene u mismo grupo). . . todas de distinto color. u sin embargo. a 2. se tienen: 4!·3!·3!·2! = 3 603 600 disponsiciones distintas. · ak−1 ! · ak ! Definici´n 3 (Permutaciones con repetici´n) Se llaman permutacioo o nes con repetici´n de n elementos.. + ak−1 + ak = n. o . ak elementos.. respectivamente. . El m´todo puede generalizarse para calcular el n´mero de ordenaciones e u distintas que se pueden obtener con n elementos si hay k grupos cuyos objetos son indistinguibles entre s´ y cada grupo contiene a1 . . ak elementos indistinguibles. de tal forma que a1 + .ak−1 . C´lculo de las permutaciones (con repetici´n) distintas: a o P Rn1 a . las cuentas de un collar quedan uniformemente distribuidas en una circunferencia y cualquier giro que se efect´e no cambia el collar (ver u Combinatoria y Probabilidad .. . .

Miguel R. denotaremos P Cn . mas no el orden en que ´stas han sido colocadas: e esto es. . Escriba todas las permutaciones que pueden formarse con las letras de las palabras que se dan. se pueden formar 8! = 8·7! = 7! collares distintitos con 8 cuentas 8 8 diferentes. En general. o a los distintos grupos que se pueden formar. Una tarea o o similar se puede hacer para la determinaci´n de las permutaciones circulares o con repetici´n. ı respectivamente? 3. Ejercicios 1. el problema es cu´ntas. de tal manera que en cada grupo entren los n elementos y que un grupo se diferencie de los dem´s en a la posici´n relativa de los elementos unos respecto a los otros. En la discusi´n que se acaba de hacer. se ha establecido la determinao ci´n de las permutaciones circulares ordinarias o sin repetici´n. variaciones y combinaciones figura). no mofican el collar. a) Las letras de ROMA.4. . . pero s´ la configuraci´n en l´ ı o ınea que lo gener´: hay m´s ordenaciones o a en l´ ınea que circulares.48 3 Permutaciones. de hecho. si el collar est´ formado por n cuentas se podr´n formar a a (n − 1)! collares. am elementos. los 8 giros que se representan. Resuelva el lector la siguiente pregunta: ¿cu´ntos collares en o a esencia distintos pueden obtenerse con n cuentas si hay m grupos de bolitas indistinguibles entre s´ y cada grupo contiene a1 . Definici´n 4 (Permutaciones circulares (sin repetici´n)) Se llaman o o permutaciones circulares (sin repetici´n) de n elementos. Adem´s se o a tiene que: P Cn = (n − 1)!. para confeccionar el collar importa la posici´n relativa de unas o cuentas respecto a otras. b) Las letras de VIVIR. Wilhelmi . As´ se define: ı.1. . a En la figura anterior.

¿Cu´nto suman los n´meros de cinco cifras que es posible formar con a u las cifras 1. a u 3. ¿Cu´ntas rondas se pueden formar con cinco personas si en cada una a participan 2. pudiendose repetir los colores. 4 o las cinco personas? Sistema de telegraf´ que utiliza un c´digo consistente en la combinaci´n de rayas y ıa o o puntos. 2 Por palabra se entiende una ordenaci´n finita de s´ o ımbolos (letras) del alfabeto. 2. una de color rojo. Un estudiante dispone de 5 libros distintos de matem´ticas y 4 de a f´ ısica. por lo tanto. y a tambi´n los de f´ e ısica? Y si quiere que no est´n juntos dos libros de e matem´ticas. B. e o a) ¿Qu´ permutaci´n ocupa el lugar 73? b) ¿Qu´ lugar ocupar´ la permutaci´n CDABE? e a o 5. Consideremos escritas en orden alfab´tico todas las permutaciones poe sibles de las letras A. ¿De cu´ntas formas distintas podr´ colocarlos en una estanter´ a a ıa de su biblioteca si quiere poner juntos todos los de matem´ticas. ¿Cu´ntas palabras2 distintas se pueden formar con las letras de la paa ´ labra PERMUTACION? ¿Cu´ntas empiezan por la letra E y terminan a en ON? 9. 4. ¿de cu´ntas formas podr´ colocarlos? a a a 8. 3. C. 8 sin que se repita ninguna? 7. ¿Cu´ntos n´meros de cinco cifras es posible formar con las cifras 1. ı Combinatoria y Probabilidad 1 . ¿Cu´ntas banderas tricolores se pueden formar con tres franjas de a tela.1 Permutaciones 49 ¿Cu´ntas ha formado en cada caso? ¿Coincide el n´mero con el que se a u obtiene por medio de las f´rmulas que se han deducido en el desarrollo o te´rico? o 2. 5. la probabilidad de colocar a al azar un tres en el cuarto lugar? 3. sin que se repita ninguna? ¿Cu´ntos de esos n´meros tienen el a u 3 en cuarto lugar? ¿Cu´l es. D y E. otra de color azul y otra de color amarillo. 2. No se discute aqu´ si estas ordenaciones tienen o no significado. ¿Cu´ntas letras de cinco signos se pueden formar en el alfabeto Morse1 a con tres rayas y dos puntos? 6. 5. 4.3. pero sin poner dos bandas consecutivas del mismo color? 4.

variar significa: “hacer que una cosa sea diferente en algo de lo que antes era”. por ultimo. . Sin embargo. vocal y secretario. Variaciones En lenguaje usual. . Nos planteamos resolver la siguiente cuesti´n: ¿de cu´ntas formas o a puede constituirse el comit´ si una persona no puede ocupar m´s que un e a cargo? Como un estudiante no puede tener m´s que un cargo. existen 40 · 39 · 38 formas de constituir el comit´. el delegado a podr´ ser elegido entre los 40 alumnos de la clase. La clase est´ formada por 40 a a alumnos. se o Miguel R. el cargo de vocal podr´ ser tomado por uno de los 39 alumnos a restantes. Wilhelmi .2.50 3 Permutaciones. una variaci´n de una familia de o a o elementos es una modificaci´n de alguno de sus elementos o del orden en o que se presentan. 3. tomados de k en k. Variaciones ordinarias o sin repetici´n o Se desea formar un comit´ de aula para la organizaci´n de un evento e o cultural en un colegio. Es decir. e 3.2. brevemente. puesto que en u u una ronda de dos personas solo hay una posici´n relativa. · [n − (k − 2)] · [n − (k − 1)] = n! (n − k)! Definici´n 5 (Variaciones ordinarias o sin repetici´n) Se llaman vao o riaciones ordinarias o sin repetici´n de n elementos. En matem´ticas. la palabra variaci´n tiene una a o acepci´n mucho m´s precisa. o para formar las rondas con tres personas se tiene que calcular primero el n´mero de tr´ que se pueden formar y observar que cada tr´ se u ıos ıo puede disponer en 2 rondas en esencia diferentes (¿por qu´?).1. este n´mero es igual al n´mero de rondas de dos personas. el n´mero de rondas de dos personas u que pueden formarse debe establecer todas las posibles parejas. una vez que ´ste ha a e sido elegido. variaciones y combinaciones Nota: para calcular. Dicho comit´ est´ formado por tres alumnos que e a har´n las veces de delegado. por ejemplo. e El m´todo descrito puede ser extendido para deteminar el n´mero de e u comit´s de k estudiantes que se pueden formar en un aula de n estudiantes e (n ≥ k): n · (n − 1) · . el cargo de secretario puede ser tomado por uno de ´ los 38 alumnos restantes.

entonces. una persona puede ser a la vez vocal y delegado.2 Variaciones 51 denota Vn. de tal manera que en cada grupo entren k elementos iguales o distintos y que un grupo se diferencie de los dem´s. el cargo de vocal podr´ ser tomado por uno cualquiera de a los estudiantes. esto es. etc. de tal forma que en cada grupo entren k elementos distintos y que un grupo se diferencie de los dem´s.3. Variaciones con repetici´n o Supongamos ahora que una misma persona puede ocupar m´s de un cara go.k . e Al igual que en la anterior situaci´n. ·n = n e Definici´n 6 (Variaciones con repetici´n) Se llaman variaciones con o o repetici´n de n elementos. resolver la siguiente cuesti´n: si en un aula hay n eso tudiantes. Se tiene: o V Rn. bien en su orden a de colocaci´n. bien en su orden de a u colocaci´n. el cargo de secretario ´ puede ser tomado igualmente por cualquiera de los 40 estudiantes. volvamos a nuestro caso particular: 3 cargos deben ser ocupados por alguno de los 40 estudiantes que conforman un aula. profesor y coordinador o de ciencias. bien en alg´n elemento. a los o distintos grupos que se pueden formar con los n elementos. . el m´todo descrito puede ser exteno e u e dido para deteminar el n´mero de comit´s de k estudiantes que se pueden a formar en un aula de n estudiantes (n ≥ k). el ı a delegado podr´ ser elegido entre los 40 alumnos de la clase. tomados de k en k. una vez que ´ste a e ha sido elegido. bien en alguno de sus elementos. V Rn. ¿de cu´ntas formas puede constituirse un comit´ de k estudiantes a e si una persona puede ocupar m´s que un cargo? a Antes de resolver el problema general planteado. Esta situaci´n no es artificial: muchas veces una misma persona ocupa m´s o a de un cargo dentro de una instituci´n.2. por ultimo.k = (n − k)! 3. Como un estudiante s´ puede tener m´s que un cargo. Nos u planteamos. En general. Por ejemplo. pudiendo un alumno tener m´s (k veces) k comit´s diferentes. Se tiene: o n! Vn.2. . a los distintos grupos que se pueden formar con los n elementos. alumno y miembro de la banda de m´sica del colegio. se define: de un cargo: n· . por ejemplo.k = nk Combinatoria y Probabilidad . incluido el delegado electo.k . Es decir. denotaremos. existen 40 · 40 · 40 formas de constituir el comit´.

¿Cu´ntos boletos diferentes a habr´ que imprimir. En una rifa se han hecho 1 000 papeletas. Realizar el problema anterior suponiendo que es posible repetir las cifras.3. Wilhelmi . numeradas del 000 al 999. ¿Cu´ntas se˜ales puede mostrar si a n cada se˜al consiste en tres banderas colocadas verticalmente en un n asta? 6. 8? ¿Cu´ntos de esos n´meros comienzan a u por 2? ¿Cu´ntos terminar´n en 64? ¿Cu´ntos habr´ mayores que 500? a a a a ¿Cu´nto suman todos los n´meros de tres cifras que se pueden obtener? a u 2.2. es igual le´ de izquierda a derecha que de derecha u u ıdo a izquierda. despues un n´mero del 0000 al 9999 y finalmente una o dos u a letras. por ejemplo. Una l´ ınea de ferrocarril tiene 25 estaciones. ¿cu´ntos n´meros de tres cifras se pueden formar a u con los d´ ıgitos pares 2. Ejercicios 1. Un barco dispone de 8 banderas. anilina y d´bale arroz a la zorra el abad. referido a palabras o frases. 6. pero no de forma consecutiva). Sin repetir cifras. por ejemplo. ¿cu´ntas banderas distintas pueden formarse si se a dispone de cinco colores? 7. El mismo efecto. como 2002. a u u ¿Cu´ntos n´meros capic´a3 hay? ¿Es m´s probable que salga premia dado un n´mero capic´a u otro que no lo es? ¿La pregunta anterior es u u equivalente a preguntar.52 3 Permutaciones. recibe el nombre de pal´ ındromo. “qu´ es m´s probable que salga e a el 848 o el 751”? 5. Si se pinta cada una de un color (pueden repetirse los colores en la misma bandera. 3.) 4. ¿Cu´ntos autos pueden ser matriculados en un departamento con este sistema? ¿Y en todo el Per´ ? u (Nota: Se supone que las letras del abecedario son 28. 4.) 3 Capic´a: N´mero que. variaciones y combinaciones 3. a Miguel R. Una bandera tiene tres franjas horizontales. si cada boleto lleva impresas las estaciones de a origen y destino? ¿Y si unicamente se coloca el importe y no si el ´ pasajero se desplaza de la localidad A a la B? (Nota: se ademite que los trayectos de ida y de vuelta de una localidad a otra tienen el mismo costo. Una matricula de auto tiene la primera letra correspondiente al departamento.

Por ejemplo. bda. el n´mero de comit´s que se u e Vm. k estudiantes de entre n (n ≥ k). de manera que u formen un compuesto”. dca bcd. acb. el orden de eleco e ci´n de los estudiantes es relevante.3. Combinaciones En lenguaje com´n.3. bac. cbd. cdb. podemos organizarlos de 6 formas distintas (P3 ). dcb Definici´n 7 (Combinaciones sin repetici´n) Se llaman combinacioo o nes ordinarias o sin repetici´n de n elementos. el concepto de combinaci´n tiene un significado muy concreto en matem´ticas: o a brevemente. puesto que dados 3 estudiantes.1. vocal o y secretario no son equiparables.3 Combinaciones 53 3. As´ existen (40 · 39 · 38 / 6) formas de organizar ı. a los diferentes conjuntos de k elementos distintos. cda. bad. dbc. sin importar a el orden. un conjunto se diferencie de los dem´s en. bdc.3 ) abc. adc. pero si el orden no importa. sin importar el orden de selecci´n.k n! pueden formar son: Pk = (n−k)!·k! . el razonamiento es v´lido si es preciso escoger. Combinaciones ordinarias o sin repetici´n o En el problema de la formaci´n de los comit´s de aula. si el orden de elecci´n es importante (y un alumno no puede tener sino un cargo). un elemento (no importa a Combinatoria y Probabilidad . dba acd. combinar es: “unir cosas diversas. cba abd. las combinaciones se determinan en funci´n de las variaciones y del agrupamiento de ´stas en o e clases. o e 3. Al igual que las variaciones y las permutaciones. si se tiene un conjunto formado por los elementos a. tomados de k en k. los comit´s si los tres integrantes van a desempe˜ar labores similares. existen 40 · 39 · 38 formas de constituir los comit´s. denotao remos Cn. dab. al menos. cab. hay que dividir e esta cantidad por 6. sino el hecho o mismo de haber sido elegido. De esta forma. adb. cad. segundo o tercer lugar. e n En general. bca.3. esto es. entonces no es relevante n a que un estudiante sea elegido en primer. si el comit´ est´ formado por e a tres personas que desempe˜ ar´n cargos similares. Como se ha visto. dac.k . Sin embargo. sino qu´ elementos se toman. puesto que los cargos de delegado. c y d y se quieren formar todas las combinaciones sin repetici´n de 3 en 3 o se observa que: Combinaciones abc abd acd bcd Variaciones (V4. n´mero de conjuntos de un determinado n´mero de elementos u u que se pueden formar con un universo de objetos. b.

¿C´mo debiera reformularse este problema para poder hablar de o o combinaciones con repetici´n? En las combinaciones. B (dominantes) y O (recesivo). tantos como modalidades del gen. aa (el genotipo aA es igual al Aa). que existen en el n´cleo de las c´lulas u u e y solamente son visibles durante la mitosis. Wilhelmi 4 . esto es. no importa el orden o de selecci´n de los individuos. Genoma: conjunto de cromosomas de una c´lula. Planteamos a continuaci´n una situaci´n que o o precisa contar el n´mero de combinaciones con repetici´n. o Mientras que los otros tres resultan de las posibles combinaciones de las distintas modalidades de genes.2. los genotipos de la primera fila son aquellos que se forman por repetici´n de un mismo gen: 3 casos. OO AB. Por ejemplo. El siguiente caso es aquel en que los genotipos se forman con genes que toman tres modalidades distintas. respectivamente. este tipo de genes forman tres tipos de genotipos: AA. Combinaciones con repetici´n o El problema de la formaci´n de comit´s ha permitido introducir las pero e mutaciones y las variaciones con y sin repeci´n y las combinaciones sin o repetici´n. se tiene cuando un gen puede tomar unicamente dos modalidades ´ distintas A y a. Se tiene: o o Cn. De esta forma. Aa. u o Uno de los logros cient´ ıficos m´s importantes de la ultima d´cada es el a ´ e 4 humano. puesto que e si una persona ocupa dos cargos que son iguales. diremos.k = Vn. que se llaman dominante y recesivo. ¿Cu´ntos genotipos se pueden formar? Esto son: a AA. BO Si se observa.k n! = Pk (n − k)! · k! 3. variaciones y combinaciones el orden de colocaci´n o selecci´n). Miguel R. D´bese su formaci´n a una especie de cone o densaci´n de la cromatina. puesto que todos van a desempe˜ar la misma o n funci´n: ¿tiene sentido que una persona ocupe dos cargos cuyas funciones o son las mismas? El problema no parece tener mucho inter´s. y su n´mero es constante para cada especie animal o vegetal o u (DRAE. que debe trabajar “el doble”.54 3 Permutaciones. Cromosoma: cada uno de ciertos e corp´sculos. 1992). AO. Se sabe que los caracteres hereditarios descubrimiento del genoma dependen de los genes que cada sujeto recibe de sus antecesores. C3. sencillamente. El caso m´s a simple.2 .3. BB. casi siempre en forma de filamentos. el grupo sangu´ ıneo (si no atendemos al factor RH) se constituye con los genes A.

AAAB. AABB. o CRn. BCCC ¿Cu´les? a n=3 A. B. DD. BBCC. BBBB. AABC. k ∈ {1.2 . ¿cu´ntos genotipos se pueden formar a con un gen que puede tomar n modalidades distintas? No es dif´ razonar ıcil que el n´mero de genotipos distintos que se pueden formar con un gen que u toma n modalidades distintas es: n + Cn. AAAC.2 = n + Cn. BB. AABB. Definici´n 8 (Combinaciones con repetici´n de dos en dos) Se llao o man combinaciones con repetici´n de n elementos. B. a las distintas agrupaciones de 2 elementos (no necesariamente distintos). variando en n y k. 3. deo notaremos CRn. AAC. CC.3. Se o o tiene: CRn. BBBB. 3. BD. AD. BB. BBA. BBB. CCC. CD ¿Cu´les? a La conclusi´n inmediata que se deduce es el n´mero de combinaciones o u con repetici´n. BBB.k . k ∈ {1. BC. .2 Este problema puede ser nuevamente generalizado para la agrupaci´n de o n elementos tomados de k en k (sin importar el orden): combinaciones con repetici´n de n elementos tomados de k en k. En la tabla o siguiente se pueden ver todas las posibles combinaciones con repetici´n. Es posible construir una tabla de doble entrada. CCCC. esto es. o vamos a estudiar algunos casos particulares. ACCC. 4}: o Combinatoria y Probabilidad . con n. Para ello. donde se coloquen todas las posibles combinaciones con repetici´n. . AAAB. AAB. CCB. ABB AAA. CRn. 5. 4}: CRn. ABBC. ABBB AAAA. BC n=4 A. un elemento (no importa el orden de colocaci´n o selecci´n). a partir de los cuales deducir una ley general que nos permita calcular las combinaciones con repetici´n o de n elementos tomados de k en k. 2.k n=1 n=2 k=1 A A. BBC. ABBB. tomados de 2 en 2. AB k=3 AAA AAA. CC. 6. al a menos. moa dalidades distintas? En otras palabras.k .k . BBBC. BB. un conjunto se diferencia de los dem´s en. C. ABCC. AB. ABC k=4 AAAA AAAA. AAB. se denota CRn. B k=2 AA AA. AC. CCA. AB.3 Combinaciones 55 ¿Puede generalizarse este c´lculo si los genes pueden tomar 4. AACC. D AA. 2.2 . AC. C AA. con n.

2.k . de tal forma que una agrupaci´n se diferencie de las dem´s en. es Ln . . ya que CRn. CRn−1.k . de entre n elementos. 3. Wilhelmi . un elemento o a (no importa el orden de colocaci´n o selecci´n). Combinaciones sin Ln : obtener todas las combinaciones con repetici´n de n − 1 elementos. tomados de k en k. sigue la misma regla? La respuesta es que s´ Si ı. se consideran los letras L1 . o Definici´n 9 (Combinaciones con repetici´n) Se llaman combinacioo o nes con repetici´n de n elementos. .k = 1. Se tiene: o o CRn.k−1 Con otras palabras. esto es.k−1 .k puede ser hecha siguiendo el siguiente m´todo: o e o 1. k ∈ {2. se denota CRn. tomados de k en k. .56 3 Permutaciones. tomados de k en k. esto es. sin importar el orden de selecci´n y pudiendo tomar elementos repetidos.1 = n si k = 1. sabiendo que. a las o diferentes agrupaciones de k elementos (indistinguibles o no). . la formaci´n de las combinaciones con o repetici´n CRn.k = 1 y CRn. Ln . entonces quedan k − 1 elementos por elegir. se constata que el n´mero de combinaciones con repetici´n u o de n elementos tomados de k en k.k = CRn−1. ¿Es posible asegurar que la formaci´n de una tabla.k n=1 n=2 n=3 n=4 k=1 1 2 3 4 k=2 1 3 6 10 k=3 1 4 10 20 k=4 1 5 15 35 De la tabla anterior se deduce: CR1. se puede obtener (al menos para n. Combinaciones con Ln : obtener todas las combinaciones con repetici´n o de n elementos.k + CRn.k . por ejemplo con n o y k variando entre 1 y 10.k−1 CR1. CRn. CRn. el n´mero que aparece en cada casilla se puede obtener u como suma de los n´meros de las casillas inmediatamente superior e izquieru da. al menos.k = CRn−1. al menos uno de ellos. n = 1 Miguel R. .k + CRn. variaciones y combinaciones CRn. Como uno de los k elementos es Ln .1 = n. Por otro lado. 4}) sumando el n´mero de combinaciones con repetici´n de n u o elementos tomados de (k − 1) en (k − 1) y el n´mero de combinaciones con u repetici´n de n − 1 elementos tomados de k en k: o CRn. ya que .

5 = =CR4.1 + 4CR3.1 + CR3.5 = =CR4.3 + 3CR1.4 ) + CR1. por ejemplo: o CR2.3 + CR2.2 ) + 6CR1.1 ) = 1 + 1 + 2 = 4 Sin embargo.3 Combinaciones 57 La definici´n recurrente de los t´rminos CRn.5 = =CR4.1 + 10CR2.1 + CR1.2 + 6CR1.1 + 10CR1.2 + CR2.3 + 2CR3. Complete la tabla siguiente: o CRn.4 + CR1.3 + 3CR1. en general.3 + 2(CR3.67 ? La construcci´n a de una tabla del tama˜o necesario para responder a la pregunta es una tarea n tediosa: ¿es posible describir las combinaciones con repetici´n de otra forma.2 ) + 3CR1.1 + 4(CR3.1 + 10(CR2. o que permita obtener ´stas de forma sencilla.1 + 4CR3. o Combinatoria y Probabilidad .4 + CR1.2 + 3(CR3. cu´nto vale CR98.5 = =CR4.3 + 3CR1.2 + CR2.4 ) + CR2.k n=1 n=2 n=3 n=4 n=5 n=6 n=7 n=8 k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 Sin embargo. esto es. Por a ejemplo: CR4.4 + CR3.3.5 = =CR4.5 = =CR4.3 ) + 3(CR2.3 + 3CR1.4 + CR1. no es muy pr´ctica si se utiliza directamente.4 + CR1.4 + CR3.1 + 10CR2.4 + CR1.4 + CR2. ¿cu´ntas combinaciones con repetici´n se tienen con 98 a o o elementos tomados de 67 en 67.5 = =4 + 12 + 20 + 10 + 6 + 3 + 1 = 56 En la pr´ctica.2 + 6CR2.3 + CR1.3 + (CR1.4 + CR1.5 = =CR4.1 + 4CR3.4 + CR2.1 + CR2.4 + CR1. r´pida y fiable? En la siguiente e a secci´n se va a tratar este punto.5 =CR4.5 = =CR4.1 + 4CR3.3 + CR2.5 = =CR4.2 = CR1.2 ) + 6(CR1.5 = =CR4.3 + CR2.2 + 3CR3. se puede completar una tabla utilizando el conocimiento a de la definici´n recurrente para las combinaciones con repetici´n y utilizar o o dicha tabla en la resoluci´n de problemas.2 + 6CR1.3 = CR1.3 + CR3.2 + CR3.k de las combinaciones con o e repetici´n es sencilla de aplicar.3 + 3CR2.

N´meros combinatorios u Como se ha visto en la anterior secci´n. Antes de hacer ning´n c´lculo piense intuitivamente una respuesta: ¿es correcta su u a intuici´n? En caso contrario. En una finca del monte hay dispersas varias casetas de guardas cada una de las cuales est´ unida a las restantes por un camino. n Miguel R. ¿cu´ntas mezclas pueden hacerse si toa mamos cada vez tres colores distintos? ¿Y si no es posible tomar dos colores que aparecen de forma consecutiva en el arco iris? 6.3. azul. variaciones y combinaciones 3. Se dispone de ocho objetos. d´nde est´ la falacia. ¿Cu´ntos grupos distintos se pueden e a formar? 2. Un estudiante debe responder a ocho de las doce preguntas de un cuestionario. el n´mero de combinaciones e u tom´ndolos de tres en tres. ¿qu´ es mayor. verde. o el n´mero de combinaciones de los mismos a u elementos de cinco en cinco? Razone su respuesta. En una avanzadilla hay 18 soldados. Wilhelmi . Con los colores del arco iris5 . ¿De cu´ntas formas podr´n distribuirse ocho premios iguales entre 12 a a aspirantes? ¿Y si los premios fueran diferentes? 3.3. En una familia de seis personas se acuerda que cada d´ se encarguen ıa dos de las tareas dom´sticas. Cn. Ejercicios 1.4. ¿cu´ntos grupos distintos de preguntas puede elegir? a 7. u u 8.58 3 Permutaciones. a˜ il y violado).k es el n´mero de combinacioo u nes sin repetici´n que se pueden formar con n elementos (distintos) tomados o 5 Fen´meno luminoso en forma de arco semicircular que se forma cuando el Sol (y a o veces la Luna) refracta y refleja su luz en la lluvia y que ostenta los siete colores del prisma (rojo. anaranjado. amarillo. ¿Cu´ntas guardias diferentes de a tres soldados se pueden formar si todos los soldados van a desempe˜ar n funciones similares? ¿En cu´ntas entrar´ un soldado determinado? ¿Y a a dos soldados determinados? 4. o o a 5. Calcular el a n´mero de casetas que hay sabiendo que el n´mero de caminos es 36. ¿Cu´ntas rectas quedar´n determinadas por cinco puntos de un plano. a a suponiendo que no haya tres en l´ ınea recta? ¿Cu´ntas diagonales tiene a un pol´ ıgono convexo de n lados? 3.

n = n = 1.3. los n´meros combinatorios de la 0 forma n 0 tambi´n representan el n´mero uno (1): e u 0 0 n 0 = n! (n−0)!0! = n! n!·1 = 1.–1557) y para ello es preciso contar con los n´meu 0 n ros 0 y 0 introducidos: nos permiten “completar” y construir f´cilmente a dicho tri´ngulo: a N´meros combinatorios u 2 0 4 1 6 2 1 0 3 1 5 2 7 3 0 0 2 1 4 2 6 3 1 1 3 2 5 3 7 4 2 2 4 3 6 4 n k 7 0 6 0 5 0 7 1 4 0 6 1 3 0 5 1 7 2 3 3 5 4 7 5 4 4 6 5 5 5 7 6 6 6 7 7 Valor que representan 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 1 7 21 35 35 21 7 1 La construcci´n del tri´ngulo se sigue del siguiente criterio: los dos lados o a no horizontales del tri´ngulo son iguales a 1. u Los significados dados para los n´meros 0 y n no parecen relevantes: u 0 0 ¿por qu´ entonces introducir un objeto “sin inter´s”? Los n´meros combinae e u torios pueden ser dispuestos en el conocido tri´ngulo de Pascal (1623–1662) a . Con otras palabras. n´mero de combinaciones de u n elementos tomados de k en k. como 0! = 1. De esta forma. Por otro lado. para a 0 n todo n´mero entero n no negativo. haciendo precisamente lo que se nos dice: u no tomar ning´n elemento. El significado que se le debe dar a “en t´rminos de combinaciones” es e el siguiente: ¿De cu´ntas formas se puede tomar ning´n elemento sin tomar a u ning´n elemento? De una sola. Dicho n´mero se suele denotar tambi´n por n y se lee: “n´mero u e u k combinatorio de n sobre k” o. sencillamente.k ≡ n k := n! (n − k)! · k! El s´ ımbolo 0 representa el n´mero uno (1). se tiene: Cn.Tartaglia (1499 aprox. u u 0 formas que se tienen de tomar ning´n elemento de n distintos: tambi´n una u e (no tomando ning´n elemento). esto es. En efecto. se u 0 0! 1 u tiene: 0 = (0−0)!0! = 1·1 = 1.4 N´meros combinatorios u 59 de k en k. As´ los n´meros n representan el n´mero de u ı. se ha de verificar la propiedad (0 < k < n): n k Combinatoria y Probabilidad = n−1 n−1 + k−1 k . el resto de n´meros se obtienen sumando u u los dos inmediatamente superiores.

. Miguel R.0 = 1 = Cn.67 = o 164! 53 o 97!·67! ≈ 4.3. sin necesidad de utilizar la f´rmula recurrente de las combinaciones con repetici´n o de construir una tabla (¡tan grande!)? Sencillamente. 2859 · 10 . puesto que pone al alcance la posibilidad de obtener las combinaciones con repetici´n mediante una f´rmula. si la o relaci´n es cierta. .60 3 Permutaciones. el n´mero de configuraciones (combinaciones con repetici´n. la relaci´n es sumamente interesante. E = {e1 . Dado un conjunto con n elementos.Tartaglia o a (p. justificar que dicha regla es v´lida para cualquier n´mero a u combinatorio.67 = C98+67−1.k = Cn−1. . que puede ponerse en correspondencia biyectiva con E.k Cn. por lo tanto. o Proposici´n 7 El n´mero de combinaciones con repetici´n de n elementos o u o tomados de k en k es igual al n´mero de combinaciones sin repetici´n de u o n + k − 1 elementos tomados de k en k. . Wilhelmi .k−1 + Cn−1.k .2: ¿c´mo saber qu´ n´mero representa ´ a o o e u o CR98. lo cual es muy util y f´cil de usar.67 = C164.k = Cn+k−1.67 . Queda como o o ´ a tarea. . Demostraci´n.67 = C98+67−1. no s´lo para aquellos que se han obtenido efectivamente. es posible dar una caracterizaci´n de las combinaciones o sin repetici´n por medio de una regla de recurrencia: o Cn. .k En caso de que ´sta fuera cierta. en u o este caso) de P y E es el mismo.k = Cn+k−1. ¿qu´ inter´s tiene? El inter´s se sigue e e e e del ultimo p´rrafo de la secci´n 3. . variaciones y combinaciones En efecto: = ⇐⇒ ⇐⇒ ⇐⇒ n k n−1 n−1 ⇐⇒ k−1 + k (n−1)! (n−1)! n! (n−k)!·k! = [(n−1)−(k−1)]!·(k−1)! + (n−1−k)!·k! ⇐⇒ (n−1)! (n−1)! n 1 1 (n−k−1)!·(k−1)! (n−k)·k = (n−k−1)!·(k−1)! (n−k) + k n 1 1 k+n−k n (n−k)·k = (n−k) + k = (n−k)·k = (n−k)·k ⇐⇒ De esta forma. asociando cada ei con i. Esto es: CRn.59) que muestra las combinaciones sin repetici´n? Si se observa con deteo nimiento los valores de ambas combinaciones (con y sin repetici´n) se llega o a la conclusi´n de que se verifica la relaci´n: o o CRn.n si 0<k<n En otro orden de cosas: ¿qu´ semejanzas encuentra entre la tabla de e las combinaciones con repetici´n (p.57) y el tri´ngulo de Pascal . . en }. Es decir. se tiene: CR98. De esta forma. se o considera el conjunto P = {1. n}. para i variando entre 1 y n.

combinaciones sin repetici´n de n + k − 1 elementos tomados de k en k. ak−1 . de variaci´n y de combio o naci´n es la extracci´n de bolas numeradas de una urna: se tienen n bolas o o numeradas en una urna. en la segunda extracci´n se puede tomar cualquiera de o Combinatoria y Probabilidad . . Extracci´n de bolas de una urna o Un modelo para las nociones de permutaci´n. Dos variables determinan la posible interpretaci´n: si importa o no el orden de extracci´n de las bolas y si una bola o o es o no devuelta a la urna despu´s de ser tomada.1. la bola extra´ no se o ıda devuelve a la urna.5. ak + k − 1) Claramente. En los siguientes p´rrafos e a analizaremos las distintas situaciones que se desprenden. rec´ ıprocamente. y s´lo uno. y o justamente uno.k . 3. ak−1 + k − 2. . ¿de cu´ntas formas se pueden extraer k bolas? La a pregunta formulada es ambigua. . . 3. poner esta combinaci´n en ı.5 Extracci´n de bolas de una urna o 61 Ahora bien. entonces el n´mero de configuraciones (del tipo que sea) que se pueden u obtener con los elementos de uno y otro conjunto es el mismo. esta correspondencia es biun´ ıboca y el n´mero de configuraciou o nes del segundo tipo es precisamente Cn+k−1. a2 + 1. a2 . del otro. Una consecuencia ´ o inmediata es la siguiente: Proposici´n 8 (Principio de igualdad) Si entre dos conjuntos A y B o existe una correspondecia biun´ ıvoca o biyectiva. . por lo que algunos elementos (o todos) pueden ser iguales entre s´ es posible. En primer lugar. esto es. cada elemento de este ultimo conjunto con uno. de los de otro conjunto y.5. una correspondencia bi´nivoca es una u relaci´n que asocia cada uno de los elementos de un conjunto con uno. .3. Como no hay reposici´n. ak ) es una combinaci´n con repetici´n o o de n elementos de P tomados de k en k. Extracci´n ordenada sin reposici´n o o En la primera extracci´n se puede sacar cualquiera de las n bolas que o hay en la urna. entonces ambos conjuntos tienen el mismo n´mero de elementos. . . u Corolario 1 Si entre dos conjuntos A y B existe una correspondecia biyectiva. o correspondencia con la siguiente: (a1 + 0. En la proposici´n que se acaba de demostrar hay dos impl´ o ıcitos que es necesario resaltar. si (a1 .

k puede ser cualquiera) pueden ser entendidas c´mo el o n´mero de formas en que se pueden extraer k bolas de n (numeradas del 1 u al n) de una urna con reemplazo y considerando el orden en que ´stas son e extra´ ıdas. Extracci´n ordenada con reposici´n o o De igual manera que en el caso anterior. As´ en cualquiera de las k extracciones.5. en la primera extracci´n se puede o sacar cualquiera de las n bolas que hay en la urna.3. El m´todo que se puede a e e Miguel R. las variaciones con repetici´n de n elementos tomados de k o en k (en este caso. donde se toman todos los elementos e o disponibles: Pn = Vn. nuevamente. si se reponen las bolas extra´ ıdas.2. En conclusi´n. no importa el orden de extracci´n de las bolas. por la regla del ı o producto se concluye que el n´mero de formas en que se puende extraer k u bolas de una urna donde hay n. Wilhelmi . tambi´n sin repetici´n. En e o conclusi´n. Un caso particular es cuando k = n. En general. . permutaciones sin repetici´n de n elementos. 3. En este caso. esto es. variaciones y combinaciones las n−1 bolas que quedan en la urna. 3.62 3 Permutaciones. es: veces n· (k . . · (n − (k − 2)) · (n − (k − 1)) = n! = Vn. las variaciones sin repetici´n de n elementos tomados de k o en k pueden ser entendidas c´mo el n´mero de formas en que se pueden o u extraer k bolas de n (numeradas del 1 al n) de una urna sin reemplazo y considerando el orden en que ´stas son extra´ e ıdas. cualquiera de las n bolas que quedan en la urna. la bola extra´ se devuelve a la urna y en la segunda extracci´n o ıda o se puede tomar. se extraen todas las bolas de la urna de forma ordenada: el n´mero de posibles formas es igual a u n!.5. . . por la regla del producto se concluye que el n´mero de formas o u en que se puende extraer k bolas de una urna donde hay n (n ≥ k) es: n · (n − 1) · . As´ sucesivamente.k Entonces. como hay reposici´n. unicamente o ´ el n´mero de bolas extra´ u ıdas y cu´les son ´stas. las o permutaciones sin repetici´n pueden ser vistas como un caso particular de o variaciones. Extracci´n no ordenada y sin reposici´n o o En este caso.n . de tal forma que en ı la k-´sima extracci´n se puede escoger una de las n − (k − 1) que quedan. ) ·n = nk = V Rn. esto es.k (n − k)! De esta forma.

5 Extracci´n de bolas de una urna o 63 seguir es el siguiente: contar todas las posibles formas atendiendo al orden de extracci´n (Vn. no importa el orden de extracci´n de las bolas. as´ como las permutaciones o ı ordinarias o sin repetici´n. resultan indistinguibles.k ) y agruparlas atendiendo a las bolas extra´ o ıdas: todas las permutaciones de k elementos representan la misma configuraci´n. Extracci´n con reposici´n no ordenada o o En este caso.5. adem´s. puesto o que s´lo importa las bolas extra´ o ıdas. Permutaciones con repetici´n: bolas indistinguibles o Los casos expuestos han permitido introducir los conceptos de variaciones y combinaciones con y sin repetici´n. si intercambiamos bolas indistinguibles la configuraci´n resultante o es la misma. En o general. ıda e Razone el lector que el caso refiere las combinaciones con repetici´n de n o elementos tomados de k en k.k = Pk (n − k)! · k! De esta forma. u ¿De cu´ntas formas se pueden extraer todas las bolas de una urna (sin rea posici´n) si algunas de ellas son indistinguibles? En este caso.4. por lo tanto. las combinaciones con repetici´n de n elementos tomados o de k en k pueden ser entendidas c´mo el n´mero de formas en que se pueden o u extraer k bolas de n (numeradas del 1 al n) de una urna con reemplazo y sin tomar en cuenta el orden en que ´stas son extra´ e ıdas. 3.k n! = Cn. nos importa o el orden de extracci´n.5. unicamente o ´ el n´mero de bolas extra´ u ıdas y cu´les son ´stas. como una vez a e a extra´ una bola se devuelve a la urna ´sta puede tomarse nuevamente. Para que el modelo sea v´lido para introducir las o a permutaciones con repetici´n es necesario introducir un cambio: hay bolas o que tienen el mismo n´mero y que. Combinatoria y Probabilidad . las combinaciones sin repetici´n de n elementos tomados o de k en k pueden ser entendidas c´mo el n´mero de formas en que se pueden o u extraer k bolas de n (numeradas del 1 al n) de una urna sin reemplazo y sin tomar en cuenta el orden en que ´stas son extra´ e ıdas. Esto es. u u la configuraci´n que se sigue de intercambiar ambas bolas es la misma. De esta forma. 3.3. el total de extracciones posibles es: Vn.5. si en primer lugar se saca una bola o marcada con el n´mero 1 y en segundo lugar otra con el mismo n´mero. sin embargo. mas no en el orden en que se han tomado.

.k = n ⎪ ⎨ ⎪ ⎪ ⎨ No: Pn = n! ⎪ S´ ¿entran todos? ⎪ ı: a ⎪ S´ P Rn1 .6. ar elementos cada o u uno. Miguel R. . 3.k = (n−k)! ⎪ ⎪ ⎪ ⎪ k ⎪ ⎪ ı: ⎪ ⎪ ⎪ ⎪ ⎧ S´ V Rn. por multiplicaciones reiteradas que: (a + b)3 = a3 + 3a2 b + 3ab2 + b3 ¿Es posible conocer el desarrollo de la potencia n-´sima de (a + b). En pocas palabras. con el n´mero u u u u r − 1. ar−1 . m´s el cuadrado del a a segundo: (a + b)2 = a2 + 2ab + b2 No es complejo demostrar. a1 + . . las permutaciones con repetici´n de n elementos. ¿importa el orden?.. . pueden ser entendidas c´mo el n´mero de formas en que se pueden extraer de forma ordena n bolas de una urna sin reemplazo. Esquema resumen Puede ayudar a plantear correctamente los problemas de combinatoria el preguntarse sistem´ticamente si importa o no el orden de selecci´n u ora o denaci´n de objetos.. + ar = n.k = (n−k)!·k! ⎪ ⎪ ⎪ S´ CRn. sabiendo que hay a1 bolas marcadas con el n´mero 1..·ak ! ¿Importa el orden? ⎪ ⎩ ⎪ ⎪ ⎪ ⎪ ⎪ n! ⎪ ⎪ ⎪ No: ¿se repiten? No: Cn.6.. .k = Cn+k−1. Wilhelmi .ak = ı: ⎪ S´ ¿se repiten? ⎪ ı: ⎪ ⎨ ⎪ ⎩ n! ⎪ ⎪ = a1 !·. . permuta´ ciones y combinaciones el esquema que se presenta a continuaci´n puede ser o suficiente para resolver correctamente las diferentes situaciones. .. ar . . para e cualquier n? En otras palabras. con el n´mero r. . Binomio de Newton Se sabe que el cuadrado de una suma de t´rminos no nulos es igual e al cuadrado del primero.64 3 Permutaciones. con a1 . a2 bolas. . .5. con el n´mero 2. m´s el doble del producto. variaciones y combinaciones De esta forma. agruo pados en r grupos de objetos indistinguibles. u numeradas del 1 al r. si ´stos son todos distinguibles o existen elementos ino e distinguibles. a3 .k = (n+k−1)! ı: ⎪ (n−1)!·k! ⎪ ⎩ 3. con el n´mero 3. ¿se repiten? De hecho. ¿es posible dar el desarrollo de (a+b)n como potencias de a y b para cualquier exponente n? La respuesta es s´ ı. ⎧ ⎧ n! ⎪ ⎪ No: ¿se repiten? No: Vn. para aquellos problemas que involucren unicamente variaciones.

b = 0).6 Binomio de Newton 65 Como ya se ha dicho. . se cumple que: u (a+b)n = n n n n−1 n n−2 2 n n n a + a b+ a b +. es f´cil obtener el desarrollo e a de la potencia (n + 1)-´sima. + n+1 abn + n+1 bn+1 0 1 n n+1 = Combinatoria y Probabilidad . + n−1 abn + n bn+1 = 0 a 1 n n n+1 n + n + n an b + . + n−1 + n abn + n bn+1 0 a 0 1 n n n+1 n+1 a + n+1 an b + . En la tabla siguiente se puede observar hasta la potencia quinta.3. . . de esta forma. e (a + b)n+1 = (a + b)n (a + b) = = = = = n n n n−1 n b + . .39). .+ abn−1 + b ? 0 1 2 n−1 n Para comprobar su veracidad. El uso del m´todo de inducci´n matem´tica viene motivado a e o a por la manera en que se van obteniendo las sucesivas potencias: la potencia n + 1 de (a + b) se obtiene multiplicando (a + b)n por (a + b). por multiplicaciones sucesivas se pueden ir obteniendo las expresiones de (a + b)n como sumandos (a. Desarrollo de (a + b)n (a + b)0 = 1 (a + b)1 = a + b (a + b)2 = a2 + 2ab + b2 (a + b)3 = a3 + 3a3 b + 3ab3 + b3 (a + b)4 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4 (a + b)5 = a5 + 5a4 b + 10a3 b2 + 10a2 b3 + 5ab4 + b5 Coeficientes 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 Si se compara esta tabla con el tri´ngulo de Pascal-Tartaglia (p.k : e u (a + b)0 = 0 0 (a + b)1 = 1 a + 1 b 0 1 (a + b)2 = 2 a2 + 2 ab + 2 b2 0 1 2 (a + b)3 = 3 a3 + 3 a3 b + 3 ab3 + 3 b3 0 2 1 3 (a + b)4 = 4 a4 + 4 a3 b + 4 a2 b2 + 4 ab3 + 4 b4 1 0 3 4 2 (a + b)5 = 5 a5 + 5 a4 b + 5 a3 b2 + 5 a2 b3 + 5 ab4 + 0 1 2 3 4 5 5 b5 De esta forma. . conocido el desarrolo de la potencia n-´sima. .59). la pregunta inicial se hace ahora m´s concreta: ¿para a cualquier n´mero natural n. se a establece la siguiente conjetura: los coeficientes del desarrollo de la potencia n-´sima en el binomio de Newton son los n´meros combinatorios Cn. . + n−1 abn−1 + n bn · (a + b) = 0 a + 1 a n n n+1 n + n an b + . aplicaremos el principio de inducci´n mao tem´tica (p. . .

Para todo n´mero natural n se cumple: u n (a + b)n = k=1 n n−k k a b k es una forma abreviada de Nota 1 (Sumatoria) El s´ ımbolo sumatoria escribir la suma de t´rminos: e s ai = ar + ar+1 + ar+2 + . .59): a Si 0 < k < n : n = n−1 + n−1 k k−1 k Si k = 0 o k = n : n = n = 1 0 n Proposici´n 9 (Binomio de Newton) Sean a. Propiedades de los n´meros combinatorios u La relaci´n fundamental de los n´meros combinarorios viene dada por o u la definici´n recursiva de las combinaciones sin repetici´n: o o n+1 n n k+1 = k + k+1 n n 0 =1= n si 0<k<n La aplicaci´n inmediata de esta relaci´n es la construcci´n del tri´nguo o o a lo de Pascal-Tartaglia.. Por ejemplo. + as−2 + as−1 + as i=r De esta forma. Wilhelmi .1. i es un “contador” que toma todos los valores entre r y s. .9): n denota el n´mero de subconjuntos de k k Miguel R.. o bien. + + + 0 1 2 n−2 n−1 n = 2n Puede ser utilizada para calcular el n´mero de subconjuntos que tiene un u u conjunto (ejercicio 3. 3. la relaci´n fundamental ha sido determinante para o demostrar el teorema de Newton). la relaci´n: a o n n n n n n + + + . a+b = o u 0. b n´meros reales.6. §2. r ≤ s. Interesa encontrar otras relaciones entre n´meros u combinatorios. que puedan ser utilizadas como pasos intermedios en demostaciones (por ejemplo.66 3 Permutaciones. como medio de simplificaci´n de o c´lculos. variaciones y combinaciones Observe que la ultima igualdad es cierta por las relaciones establecidas ´ a partir del tri´ngulo de Pascal-Tartaglia (p.

{a}} {∅. Por ejemplo. b. por e m´s filas que construyamos. {b}. c}. . ¿Pero c´mo demostrar la anterior relaci´n? o o Antes de hacer la demostraci´n formal de la proposici´n: ¿c´mo podemos o o o obtener una intuici´n sobre su veracidad? Una forma consiste en completar o una tabla. {a}. + n−2 + n n−1 + n n En otras ocasiones. {a.6 Binomio de Newton 67 elementos que se pueden constituir si se dispone de n para escoger. En efecto: (a + b)n ≡ (1 + 1)n = 2n = n n−k k n 1 = n = n k=1 k 1 k=1 k = n n n n = 0 + 1 + 2 + . . por lo tanto. b. u los subconjuntos de ´ste y el n´mero p de ´stos.3. {a. {a. el n´mero de grupos distintos de 8 personas que se e u pueden formar en este caso es igual a las combinaciones de 10 elementos tomados de 8 en 8 y. e se forma un grupo de 8 “excluidos”. {b. una relaci´n entre n´meros combinatorios puede hao u cer que comprendamos alguna situaci´n concreta. b}} {∅. De esta forma. e u e n 0 1 2 3 Conjunto ∅ {a} {a. donde se especifique el n´mero n de elementos de un conjunto E. b}. c}} p 20 21 22 23 Otra forma de intuir la relaci´n se basa en la observaci´n del tri´ngulo o o a de Pascal-Tartaglia: la suma de los t´rminos de cada fila es igual a 2n . ¿C´mo demostrar la relaci´n? La demostraci´n a o o o se basa en el binomio de Newton: basta tomar a = b = 1. {a}. El c´lculo permite afirmar que ´sta intuici´n a e o primera es incorrecta y nos permite repensar el problema en los siguientes t´rminos: por cada grupo de 2 personas que se forma. Por lo tanto. b} {a. {b}. el principio de igualdad Combinatoria y Probabilidad . c}. esto es. el n´mero de grupos distintos de 2 personas u es igual a las combinaciones de 10 elementos tomados de 2 en 2. {c}. Ambos n´meros son iguales: u 10 8 = 10! 10! 10! = = = (10 − 8)! · 8! 2! · (10 − 2)! (10 − 2)! · 2! 10 2 Es muy normal que haya pensado que era mayor el n´mero de grupos u de 2 personas que el de 8. c} Subconjuntos {∅} {∅. se excluyen 8. {a. un grupo de o personas est´ formado por 10 personas: ¿se pueden formar m´s grupos de 2 a a personas que de 8 personas? Antes de hacer ning´n c´lculo: ¿qu´ le dice su u a e intuici´n? o Un grupo de personas se distingue de otro si hay alguna persona distinta en ´l.

o a la resoluci´n de este tipo de ejercicios deja de ser un problema para ser una o herramienta”. el ejemplo nos da un m´todo de demostraci´n a e o n n para la relaci´n: k = n−k .. Por ejemplo. 3.68 3 Permutaciones.2. cn } y clasifique los subconjuntos de A de tama˜o k seg´n contengan o no a los elementos a y b: a uno. Relaciones y ecuaciones combinatorias Una parte importante del estudio de los objetos matem´ticos exige “t´ca e nica”. En efecto: o n k = n! n! = = (n − k)! · k! k! · (n − k)! n n−k 3. En muchas circunstancias. + n 2 n = 2n 2 n . 4.7. con otras palabras. e ıa A continuaci´n. c1 . “permutaciones” y “combinaciones” se plantea una serie ejercicios. t´cnicas. n k n k=0 (−1) k n n 2 k=0 k = 0. Ejercicios n k+1 n+2 k n−k n k+1 k n k Demuestre las siguientes relaciones: 1. b. concentran su trabajo en a e los conceptos. u respectivamente. (Nota: utilice el binomio de Newton. Suponga el conjunto A = {a. . las diferencias entre los “buenos” y “malos” estudiantes reside en la capacidad que aqu´llos tienen para ejecutar e de forma r´pida ciertas t´cnicas y.. n u a otro. n k = n−1 k + n−2 k−1 + . . + n−k−1 0 . = = . 2..61) nos asegura la igualdad del n´mero de grupos de 2 y 8 personas. procedimientos nuevos o que todav´ no controlan. 1. por lo tanto. con intenci´n de conseguir un control sobre los objeo o tos “variaciones”. a ambos o a ninguno. Wilhelmi . esto es.) n 2 0 = + . . variaciones y combinaciones (p. 5. Comprobar las siguientes igualdades: Miguel R.. Adem´s. “saber las ecuaciones de segundo grado” debe entenderse de la siguiente forma: “cada vez que tenga que realizar una ecuaci´n de segundo grado.6. . 3. utilizar los objetos de manera fiable y r´pida (con el m´ a ınimo costo posible). n k−1 +2 + n k−2 . la resuelvo bien y r´pidamente.

2 = n2 .k + (k + 1) · Cn.4 = 15 · V8.k−1 . 3.2 − Vx.k+1 .h = Vn−h. Comprobar las siguientes igualdades: a) Vn. b) V Rx. Combinatoria y Probabilidad .2 = 98. 8. b) Vn. c) 3 Vx+2. sabiendo que: a) Vm. 6. b) Vm+1.k − Vn−1.k = k · Cn.2 + Vx−2. Resolver las siguientes ecuaciones: a) Vx. b) 12 · Px + 5 · Px+1 = Px+2 .k−1 . 7.2 = 17.2 + Vx−4. 4.n = 8 · 7 · 6 · 5 · 4.2 P2 . Hallar el valor de m y n.k = Pn−k Pk .n = 1 · 2 · 3 · 4 · 5.k = k · Vn−1.3 .n+1 . Escribir los dos primeros y los dos ultimos factores del desarrollo de ´ las siguientes expresiones: a) Vm+1.3 = 3 · x · Vx. Resolver las siguientes ecuaciones: a) P4 · Cx. 2. 5. Resolver las siguientes ecuaciones: a) Px = P3 − 2 · Px . b) Vm. c) Vm+3. k b) Cn.2 .7 Relaciones y ecuaciones combinatorias 69 a) V8.n .k = n Cn−1.n−1 . b) Pn+1 − Pn = (Pn )2 ÷ Pn−1 .3 P3 =5 Vx+1.k Vn.h .3.n−k Vn.5 − V8. Comprobar las siguientes igualdades: a) Cn. c) Vn.1 + 2 · Cn. c) n · Cn.k Vn−k.

¿Son iguales los siguientes n´meros combinatorios: u 1657 915 m n y 1657 742 ? 3.j y CRt. ¿De cu´ntas formas se pueden sentar en una fila 4 ni˜os y 4 ni˜as si a n n deben estar alternados? Y si adem´s uno de los ni˜os ha de sentarse a n siempre junto a una ni˜a determinada. Si m > n. Hay 10 aviones sirviendo la ruta de Piura a Lima. o por la definici´n recurrente es posible escribir CRn. ¿de cu´ntas formas podr´n n a a hacerlo? 3. 5. 11. ¿Cu´ntas alineaciones distintas a podr´ formar el entrenador.1 : ¿cu´ntos suo a mandos aparecen? 2. cu´l de los siguientes n´meros combinatorios es mayor: a u m+1 o n+1 . x 2 . a saber: un portero. ¿De cu´ntas maneras a se puede hacer el viaje tomando al regreso un avi´n distinto al de ida? o 4. tres defensas.70 3 Permutaciones. u a 7 defensas. 10. ¿Cu´ntos n´meros naturales hay entre 5000 y 6000 que tengan todas a u sus cifras diferentes? Miguel R. Resolver el siguiente sistema: ⎪ ⎩ = 21 x 10 y−2 . dos medios y cinco delanteros). La plantilla de un equipo de f´tbol est´ compuesta por 3 porteros.k como suma de o combinaciones con repetici´n de la forma CR1. Wilhelmi . 5 medios y 8 delanteros.8. suponiendo que cada jugador s´lo puede a o ser alineado en su demarcaci´n? o (Nota: El entrenador siempre compone el equipo de la misma forma. variaciones y combinaciones b) 2 c) x 4 50 x =2 = x 3 50 x+6 − . ¿Cu´ntos sumandos es necesario contabilizar para determinar las coma binaciones con repetici´n de n elementos tomados de k en k? Esto es. Ejercicios 1. ⎧ ⎪ ⎨ x y+1 x y = x y−1 9.

Por ejemplo. ¿cu´ntas sumas distintas se pueden obtener? ¿Qu´ suma es m´s a e a probable que se obtenga? 10.3. ¿Durante cu´nto tiempo lo podr´ conseguir? a a 13. no colocando m´s de un anillo en cada dedo? a ¿Y si los anillos fuesen iguales? 11.8 Ejercicios 71 6. ¿Cu´ntos saludos se intercambiar´n o a a si todas las personas se saludan entre s´ (una sola vez)? ı 8. ¿Cu´ntos n´meros de cuatro cifras distintas pueden formarse con los a u guarismos 1. con la condici´n o de que en cada palabra no figuren dos consonantes seguidas. S´lo dos de ellos saben conducir. ¿De cu´ntas maneras se pueden colocar 4 anillos distintos en los 10 a dedos de ambas manos. Cinco amigos disponen de un auto para trasladarse de un lugar a otro. especificando en distintas columnas el n´mero de u u u descomposiciones seg´n el n´mero s de sumandos. calcular cu´ntas palabras de dos a vocales y dos consonantes distintas pueden formarse. Un n´mero entero positivo mayor que 1 puede descomponerse en suu mandos de diversas formas. 12. Asisten a clase 24 alumnos y todos los d´ explican la lecci´n dos ıas o de ellos. Por ejemplo. si se supone que los sumandos son n´meros naturales y se distingue el orden en que est´n colocados u a los sumandos. ¿de cu´ntas maneras podr´n colocarse o a a para sus viajes? 9. Si se tiran tres dados al aire. 5. En una reuni´n hay 17 personas. inclusive. 2. El profesor desea que las parejas de alumnos no se repitan. 7? ¿Cu´nto suman todos ellos? ¿Cu´ntos de aquea a llos n´meros son impares? ¿Cu´ntos terminan en 57? ¿Cu´ntos son u a a m´ltiplos de 25? ¿Cu´ntos empiezan por 245? u a 7. ¿Cu´ntos boletos habr´ que jugar para tener la absoluta seguridad de a ıa acertar los 6 n´meros de la tinka? u 14. ¿Cu´ntos resultados distintos se puede a obtener si los dados son de tres colores distintos? ¿Y si los dados son indistinguibles? Si se suma el resultado que se ha obtenido en los tres dados. Dadas 5 vocales y 4 consonantes. es posible obtener las diferentes descomposiciones de un n´mero dado. Combinatoria y Probabilidad . para el n´mero 4 se tiene: u u 4 = 1+3 = 3+1 = 2+2 = 2+1+1 = 1+2+1 = 1+1+2 = 1+1+1+1 Complete la tabla siguiente: n´mero de descomposiciones de los n´meu u ros 2 al 8. 4.

¿Puede relacionar este problema con un modelo combinatorio de colocaciones? ¿Cu´les ser´ sus caracter´ a ıan ısticas? 15.72 3 Permutaciones. ¿c´mo queda la tabla?. Calcule el n´mero de formas diferentes de hacer cortes a dicho cordel. para los n´meros enteros u e u positivos menores o iguales que 10. de u tal forma que los objetos queden separados en 7 grupos. con y sin repetici´n. colocar sacar u ordenar de una determinada forma: formule diversos problemas para que la situaci´n refiera a variaciones. o 16. variaciones y combinaciones n 2 3 4 5 6 7 8 s=2 1 2 3 s=3 — 1 3 s=4 — — 1 s=5 — — — s=6 — — — s=7 — — — s=8 — — — Total 1 3 7 a) Si llamamos D(n) al n´mero de descomposiciones de un n´mero u u entero n en sumandos: ¿es posible hallar una expresi´n general o para D(n)? b) Ahora. d ) Suponga que tiene 15 objetos unidos por un cordel. respectivamente. Calcule el n´mero de rect´nculos posibles que pueden contarse en la u a siguiente figura: Miguel R. permutaciones o o combinaciones. ¿la u o puede asociar con algo? c) Suponga que no se tiene en cuenta el orden al hallar los sumandos u a en que puede descomponerse un n´mero: ¿cu´ntas descomposiciones posibles hay? Por ejemplo. las descomposiciones del n´mero u 5 son: 5 = 4+1 = 3+2 = 3+1+1 = 2+2+1 = 2+1+1+1 = 1+1+1+1+1 Organice una tabla donde especifique expl´ ıcitamente las descomposiciones posibles y el n´mero de ´stas. Wilhelmi . Suponga que se tienen cubos de colores y que se quieren guardar. si se acepta que un n´mero representa la descomposici´n u o de ese mismo n´mero cuando s = 1.

es Combinatoria y Probabilidad . 2. Una secretaria tiene que enviar n cartas a n destinatarios distintos. procediendo al azar. cartas coicidan con el sobre adecuado? Complete la tabla siguiente donde se especifica. esto es. . Mediante el Binomio de Newton d´ el desarrollo de: e o a) (a + 2c)9 . una persona a a realiza las siguientes anotaciones: 1 2 3 4 5 15 30 45 60 150 De tal forma. 18. . el n´mero de coincidencias u u (0 ≤ r ≤ n) y el total de formas posibles de introducir las cartas: n 1 2 3 4 5 6 0 0 1 1 1 0 2 — 1 3 — — 4 — — — 5 — — — — 6 — — — — — Total 1 2 19. sin mirar si el destinatario coincide con la persona a quien va dirigida la carta. Indicaci´n: Puede considerar el cambio de variable b = 2c y hacer el desarrollo de (a + b)9 y luego deshacer el cambio. Investigue u a en qu´ se basa este m´todo y general´ e e ıcelo para el caso de una cuadr´ ıcula n × k. concluye que el n´mero de rect´ngulos es 150. Para el c´lculo de los rect´ngulos del ejercicio anterior.3. 4. Escribe todas las cartas primero y luego procede a meterlas en los sobres correspondientes.8 Ejercicios 73 17. en relaci´n o con el n´mero n de cartas (1 ≤ n ≤ 6). . ¿Cu´l a es la probabilidad de que 1. 3.

que facilita el desarrollo del Binomio de Newton. deciden celebrarlo e irse o a bailar. para la cual se ha enunciado el Teorema del o o Binomio de Newton. m n m+n+1 = m+n n+1 n+1 m n + m+n m . m−3 n−2 = m−3 n +3 m−3 n−1 +3 + m−3 n−3 . en tres canciones consecutivas. Hay 15 mujeres y 5 varones. si m ≥ n + 3. por a parejas. puesto que transforma la expresi´n que se o quiere desarrollar en la expresi´n can´nica. si todas las mujeres son invitadas a bailar? El cambio de variable. Compruebe las siguientes igualdades: a) b) c) m+n = m+n . para cualquier n ∈ N (ver anexo D). variaciones y combinaciones decir. d ) * (a + b + c)n . Miguel R. ¿De cu´ntas formas pueden salir a la pista de baile. c) (a + b + c)9 . c) De cu´ntas formas pueden recibir “en fila” las calificaciones si no a pueden ir dos varones seguidos. es simplemente un cambio de “nombre”. en este caso. Se pide: a a) De cu´ntas formas pueden organizarse “en fila” para recibir las calificaciones.74 3 Permutaciones. poner c = 2b en el resultado6 . b) (a − b)n . d ) Como las calificaciones han sido ´ptimas. Justifique las igualdades aritm´ticamente (por la definici´n de n´mero e o u combinatorio) y por medio de un razonamiento combinatorio (describiendo qu´ supone cada igualdad a la hora de formar diferentes e configuraciones). b) De cu´ntas formas pueden organizarse “en fila” para recibir las a calificaciones si las mujeres reciben primero las calificaciones. 3. 2. Autoevaluaci´n o 1. Wilhelmi 6 .9. Un grupo de alumnos de probabilidad espera recibir los resultados del examen final.

¿cu´ntas compras diferentes pueden hacerse? ¿Y si se tiene a un sol y 30 c´ntimos? ¿Y con dos soles? e ¿Puede dar una regla general que d´ el n´mero de compras diferentes e u que pueden hacerse si se tiene n soles y k monedas de 10 c´ntimos? e 4. Defina. manzanas y mangos a 10 c´ntimos la pieza.9 Autoevaluaci´n o 75 3. cada una de las cuales est´ unida a a las restantes por un camino. Si sabemos que hay 351 caminos.3 = (V Rx. ¿cu´l a es el n´mero de casitas que hay en el caser´ u ıo? 5. Un frutero vende pl´tanos. de forma justificada. En un caserio hay varias casitas.1 ) + P Rx 2 · Cx. permutaciones circulares con repetici´n.3 − 4 3 3 6.3. a e Con un sol. o Combinatoria y Probabilidad . Resuelva la siguiente ecuaci´n: o 1 6 x−1.

.

dedicados al an´lisis combinatorio. Con otras palabras. se ha a centrado el estudio en el recuento de casos de experimentos que tienen un n´mero finito de sucesos elementales. Por ejemplo. En particular. a que asocia a un suceso un n´mero comprendido entre 0 y 1. Sin embargo. puesto que s´lo dos posibilidades son favorables —(1. siempre y e u cuando ´stos sean “equiprobables”. la definici´n cl´sica e o a 77 . que se obtiene u dividiendo el n´mero de casos favorables (en los cuales ocurre el suceso) u entre el n´mero total de casos (resultados posibles del experimento). o la probabilidad de obtener 3 en la suma de los dados es igual a 2/36. dos problemas clave es preciso tomar en a consideraci´n: la definci´n cl´sica de probabilidad es c´ o o a ıclica y restrictiva. se ha hecho un uso totalmente intuitivo de la probabilidad. supou niendo en el experimento una simetr´ que hace que todos los casos tengan ıa la misma probabilidad de salir (hip´tesis de equiprobabilidad). Es c´ ıclica puesto que el t´rmino definido —probabilidad— es utilizado en la e definici´n: la regla indica que la probabilidad de un suceso es igual al cociente o entre los casos favorables a ´l y el n´mero total de casos posibles. puesto que perminte o ´ resolver una gran cantidad de problemas.2) y (2.1)— de 36 resultados o posibles que se pueden obtener en el lanzamiento de los dados. La visi´n de probabilidad introducida es muy util. am´n de resultar muy intuitiva e y de f´cil manejo.Cap´ ıtulo 4 Situaciones introductorias de c´lculo de probabilidades a En el cap´ ıtulo 1. se ha utilizado el concepto cl´sico de probabilidad. Este estudio ha permitido resolver u problemas en los que aparec´ la noci´n de probabilidad cl´sica: casos faıa o a vorables (a un determinado suceso) entre casos posibles (del experimento estudiando). En los cap´ ıtulos anteriores.

Monedas trucadas Supongamos que recibimos una moneda trucada: por ejemplo. 4.1. Estos dos problemas son claves para replantear la pregunta: ¿qu´ es la e probabilidad? En el presente cap´ ıtulo se presentan diversas situaciones que involucran el c´lculo de probabilidades y que exigir´n una reformulaci´n a a o de dicha noci´n. A continuaci´n se presentan dos u o situaciones concretas.1. la probabilidad de obtener cara es mayor que la probabilidad de obtener sello.78 4 Situaciones introductorias de c´lculo de probabilidades a no ofrece una respuesta consistente a la pregunta: ¿qu´ es la probabilidad? e Por otro lado. se puede ver un cuadro resumen de la experimentaci´n realizada por 4 personas: n´mero de repeticiones del experimento o u (lanzamientos). Wilhelmi ¿Es admisible la experimentaci´n de la persona 1? o . para formalizarlos m´s adelante (cap´ a ıtulo 5). puesto que se aplica a casos en los que el n´mero u de resultados de un experimento es finito y los casos posibles equiprobables. frecuencias absolutas de los sucesos “cara” y “cruz” (fa (C) y fa (X)) y probabilidades asignadas (P (C) y P (X)). no es sencillo asignar a priori una probabilidad a cada uno de los sucesos posibles de un experimento aleatorio. ¿Qu´ probabilidad asociar a los sucesos “cara” y “sello”? Una soluci´n: lane o zar una moneda un n´mero finito de veces y asignar a la probabilidad las u frecuencias relativas de cada uno de los sucesos. El desarrollo te´rico. bien porque el n´mero de sucesos posibles no es finito. sin embargo. ¿Es admisible la experimentaci´n de la persona 3? o . En la tabla siguiente. 4.1. Miguel R. tampoco se har´ en o o a este cap´ ıtulo: se pretende introducir los conceptos fundamentales de forma intuitiva. Persona 1 2 3 4 Lanzamientos 2 10 50 100 fa (C) 1 4 28 63 fa (X) 1 6 21 37 P (C) 1/2 4/10 28/50 63/100 P (X) 1/2 4/10 21/50 37/100 . bien porque no se puede asegurar la equiprobabilidad de los sucesos. es restrictiva. Asignaci´n de probabilidades o En ciertas circunstancias.

etc. un muestra aislada de un experimento aleatorio no es representativa del comportamiento general de ´ste. o bien el otro. pero no pueden suceder ambos la vez. Por lo tanto. de otro modo. se le asignar´ la frecuencia relativa que se haya obtenido. a En breve. En resumen. para asignar de forma experimental una probabilidad a un suceso. De u n hecho. se repetir´ ´ste un n´mero “grande” de veces y. la dada por e o la persona 2 o 4? .4. en virtud de la ley ae u del azar. hay que observar que la suma de las frecuencias absolutas obtenidas de todos los sucesos complementarios (dos a dos) debe ser igual al total de pruebas realizadas. pero tampoco es v´lida. sin embargo. con otras palabras. Sin embargo. Con otras palabras. En esta elecci´n. si lanza una moneda al aire dos veces y se obtiene dos caras: ¿se puede asegurar que siempre saldr´ cara? Evidentemente. Combinatoria y Probabilidad . los experimentos aleatorios o al azar son aquellos en los que no es posible conocer de antemano un resultado. Sin embargo. ¿la persona 1 ha estado influenciada por la creencia de la equiprobabilidad de los sucesos “cara” y “sello”?. todo experimento aleatorio presenta regularidades en un e conjunto “grande” de repeticiones: es la llamada ley del azar. la estimaci´n dada por la ultima persona debe ser aceptada como “la mejor”: al realizar el experimento un n´mero mayor u de veces la ley del azar es m´s fiable. puesto o que ha realizado el experimento un n´mero muy peque˜o de veces (2). no se han tomado a o en consideraci´n otro tipo de variables que son tambi´n determinantes: ¿se o e ha realizado el experimiento en las mismas condiciones?. la tercera persona. Esto no es posible. s´lo las personas 2 y 4 han realizado correctamente la exo o o ´ perimentaci´n. un resultado aislado es imprevisible. Como a medio de control. ¿el recuento ha sido llevado de forma correcta por las personas?. se observan ciertas regularidades. para la experimentaci´n de un experimiento aleatorio es preo ciso realizar ´ste un n´mero “grande” de veces. para poder inferir reglas e u de comportamiento fiables.1 Asignaci´n de probabilidades o 79 ¿Qu´ estimaci´n de la probabilidad cree usted que es mejor. en las mismas condiciones. no. la suma de las frecuencias relativas de todos los sucesos complementarios (dos a dos) debe ser igual 1. si se realizan “muchas” veces. De esta forma. ¿Por qu´? e . puesto que los dos sucesos u posibles son complementarios: o bien sucede uno. s´ ha tenido en cuenta la o ı “ley del azar”. La experimentaci´n hecha por la primera persona no es admisible. por un motivo diferente: la suma a de las frecuencias absolutas de los sucesos “cara” y “sello” es distinto al n´mero de pruebas realizadas. Para la experimentaci´n.

de tal manera que la frecuencia relativa de cada sector se considere una buena aproximaci´n de la probabilidad de que la aguja se˜ale ´ste. en la ruleta 2. Wilhelmi . e Con un clip sujetapapeles estirado por un extremo y un l´piz es f´cil a a hacer una ruleta: se golpea el clip con el dedo indice y se observa en qu´ sector e se detiene la parte sobresaliente del mismo. numeradas o pintadas de colores y una bolita o aguja. tal y como se sugiere en la ruleta 1 de la figura.80 4 Situaciones introductorias de c´lculo de probabilidades a 4. As´ o n e ı. por ejemplo. Ruletas Una ruleta es una rueda horizontal giratoria. El objetivo a u es construir ruletas y asignar probabilidades a cada una de las casillas en que queda dividida ´sta. para la ruleta 1 completaremos una tabla como la que sigue: Sector Gris (G) Blanco(B) Total Conteo fa fr Probabilidad 50 1 1 Miguel R. puede salir el color gris o el color blanco. al cesar el movimiento. gana el n´mero o e u color de la casilla donde ha quedado la bolita o que se˜ala la aguja. En la figura anterior se muestran dos ruletas: en la ruleta 1.2. La pregunta clave es: ¿qu´ probabilidad se asigna a cada uno u e de los sectores en que queda dividida cada una de las ruletas? Para asignar a cada sector una probabilidad se puede proceder de la siguiente manera: realizar el experimento muchas veces y anotar los resultados. Haciendo girar aqu´lla. De esta n forma. los colores gris y blanco y los n´meros 1 y 2. dividida en un n´mero u finito de casillas radiales.1. es f´cil construir ruletas que combinen n´meros y colores.

De igual manera. Por ejemplo. 2. a Para responder a estas preguntas y otras semejantes es necesario almancenar mucha informaci´n. de tal forma que las marcas se organizan en grupos de cinco (as´ como en las ı pel´ ıculas los prisioneros cuentan los d´ que pasan en un calabozo). Y. 1. G. Suceso G B 1 2 1∩G 2∪B 1\G Total 1 Conteo fa fr Probabilidad 100 1 1 Es c´modo. “salir A y no B”. se puede distinguir tres operaciones con ellos para obtener nuevos sucesos: suceso “salir A y B”. A ∩ B. El n´mero de palitos es la frecuencia absoluta o u n´mero de veces que ha ocurrido el suceso B. . el n´mero de palitos en la casilla u “Conteo/Gris” es la frecuencia absoluta del suceso G1 . si tenemos dos sucesos A y B. A ∪ B. “salir A o B”. 26 y fr (B) = 37 = 0. 1 \ G. “salir gris”. 1 ∪ B. se hace una se˜al vertical en la casilla “Conn teo/Blanco” cada vez que se ha verificado el suceso “la aguja qued´ fijada o en el sector blanco (B)”. a El suceso “salir blanco” lo denotamos por B. o o aproximadamente. las frecuencias relativas pr´ximas a: fr (G) = 13 = 0. . “salir gris y uno”. “salir dos”. La segunda ruleta permite un estudio m´s rico. ıas Combinatoria y Probabilidad . proceder de la siguiente manera: o escribir las marcas en grupos. valores que se 50 50 asignan como las probabilidades de obtener gris y blanco en la ruleta. respectivamente. G ∩ 1. La experimentaci´n con la ruleta 1 debe tener una distribuci´n en la que. “salir uno”.4. Para responder a las preguntas formuladas. Esto es. “salir uno o blanco”. de las 50 que se ha realiu zado el experimento. En general. introduciremos una notaci´n muy o o sencilla para designar cada uno de los sucesos que est´n involucrados. discrimine para uno de los dos sectores). por lo tanto. para contar los palitos de cada casilla. A \ B. cuatro rayas verticales y una oblicua que las tache. complete la siguiente tabla. 74.1 Asignaci´n de probabilidades o 81 En la columna conteo se colocan se˜ales conforme se van realizando n las pruebas: por ejemplo. el 25 % de las veces se haya obtenido el sector gris y el resto el sector blanco (en los casos en los que haya duda. Por ejemplo. Antes de hacer esto. ¿cu´l es a a la probabilidad de que se obtenga 1? ¿Cu´l es la probabilidad de que se a obtenga 1 y gris? ¿Cu´l es la probabilidad de obtener 1 que no sea gris?. “salir uno que no sea gris”. las frecuencias absolutas deben ser pr´ximas a: o o fa (G) = 13 y fa (B) = 37.

. 9. P (2 ∪ B) = 0. . . . por lo tanto. . . las relativas. para la ruleta 2. . . ¿Qu´ probabilidad “te´rica” asociaciar´ a los sectores de la ruleta 2? e o ıa . . . . . . directamente propocionales a las areas de ´stos. De tal ´ e manera que. P (1 ∩ B) = P (2 ∩ B) = P (1 ∪ B) = P (2 ∪ B) = P (1 \ B) = P (2 \ B) = P (B \ 1) = P (B \ 2) = 1/4 . P (2) = 0. De esta forma. P (B) = 1/2. dada una ruleta. Se puede observar que las probabilidades de los diversos sectores son. P (1) = 3/8. Wilhelmi . P (1) = 0. 5. 1.82 4 Situaciones introductorias de c´lculo de probabilidades a El conteo debe dar las frecuencias absolutas y. se habr´ estimado la probabilidad de los sucesos que a se desean estudiar. 5. P (1 \ G) = 0. aproximadamente. . 35. . 65. para la ruleta 1 se tienen las probabilidades te´ricas: o 3 P (B) = . P (1 ∩ 2) = P (B ∩ G) = 0 P (1 ∪ 2) = 1 P (B ∪ G) = P (1 \ 2) = P (B \ G) = P (B) = 1/2 P (2 \ 1) = P (B \ G) = . . es posible asignar una probabilidad te´rica a o cada uno de los sectores: si denotamos por S a un sector de una ruleta se tiene: ´ Area total del sector S P (S) = ´ Area total de la ruleta De otra forma. . Miguel R. . P (B) = 0. P (2) = 5/8. 25 Observe con detenimiento las probabilidades obtenidas en cada caso: ¿puede establecer alguna relaci´n entre ´stas y las ´reas de los sectores o e a respectivos? . Si realiza la experimentaci´n como en el caso anterior. si se considera que el area de la ruleta es 1: ´ P (S) = Parte del area total que representa el sector S ´ Por lo tanto. . se asignan las probabilidades: P (G) = 1/2. P (1 ∩ G) = 0. 4 P (G) = 1 4 De igual forma. . Y tambi´n: e P (1 ∩ G) = 1/8 P (2 ∩ G) = P (1 ∪ G) = P (2 ∪ G) = 3/4 P (1 \ G) = 1/4 P (2 \ G) = P (G \ 1) = P (G \ 2) = . . o obtendr´ aproximadamente las siguientes estimaciones para la probabilidad: a P (G) = 0. ¿Son las probabilidades proporcionales a las areas? ´ .

determine las u ı probabilidades condicionadas de los sucesos. .4. ahora cl´sico. de la aguja (ver anexo E). P (G|B) = . o ¿Es cierto que. la porci´n de blanco juega el papel de “superficie o total” y los sectores que tienen 2 y blanco el de “superficie favorable”: P (2|B) = ´ 1/4 1 Area favorable al suceso (2 ∩ B) = = ´ 1/2 2 Area favorable al suceso B 1/8 1/2 Calcule. C. P (B|G) = . ¿Es cierto que. . Leclerc (1701–1788). P (G|1) = . Asigne probabilidades a los sectores de las ruletas de la figura. Para oba tener la probabilidad de dicho suceso. Ejercicios En los siguientes p´rrafos se presentan dos ejercicios que pueden engloa barse dentro del calificativo de “problemas geom´tricos de probabilidades”2 . se pueden plantear preguntas tales como: ¿cu´l es la proba´ a bilidad de haber obtenido un 2 sabiendo que ha salido blanco? El “sabiendo que” es un condicionante. por lo tanto. conde de Buffon. 2. quien en 1777 enunci´ y resolvi´ el problema. P (2|G) = . P (2|B) = . 2. de manera que (A∩B) P (B) = 0. 2 El origen de este tipo de problemas se debe a G. G y O a los sucesos “salir blanco (B). uni´n o o (∪) o diferencia (\): determine. gris claro (C). e 1. gris G o gris oscuro O”. o o a Combinatoria y Probabilidad . en primer lugar. P (G|2) = . P (1|B) = . P (1|G) = = 1 . las siguientes probabilidades condicionadas: P (1|1) = P (2|2) = P (G|G) = P (B|B) = 3/8 3/8 5/8 5/8 = 1 . se tiene que P (A|B) = P P (B) ? Compruebe que. El suceso “obtener 2 sabiendo que ha salido blanco” lo denotaremos 2|B y se leer´: “suceso 2 condicionado por Blanco”. As´ mismo. para cualesquiera dos sucesos A y B. los resultados coiciden si se aplica esta relaci´n.1 Asignaci´n de probabilidades o 83 Por ultimo. es necesario tener en cuenta que ha salido blanco. para terminar. P (A|A) = 1? . ¿Qu´ condici´n o condiciones deben cumplirse para que P (A|B) = 0? e o . P (A) = 0. 3 o 4” y por B. P (2|1) = 3/8 = 0 . P (B|1) = = 1/4 . P (B|2) = . 3 y 4 a los sucesos “salir 1. P (1|2) = . para todo suceso A. al menos para este problema. Si se denota por 1. calcule las probabilidades de los sucesos interesecci´n (∩). puesto que modifica el conjunto de sucesos que deben considerarse. 0 . todas las posibles combinaciones que se pueden establecer en las distintas ruletas seg´n u los n´meros de los sectores y los colores.

Se tiene un tablero en forma de cuadrado de lado A y con un cuadrado m´s peque˜o de lado B contenido en ´l y centrado (ver figura adjunta). a calcular el area de la corona. Wilhelmi . distinguir dos zonas dentro del tablero: “aquella que hace que la ficha al caer toque al cuadrado interior” y “aquella en la que la ficha no toca dicho cuadrado”. de esta forma.84 4 Situaciones introductorias de c´lculo de probabilidades a 2. a n Se lanza la ficha sobre el tablero. De esta forma. toque cualquiera de los lados del cuadrado interior? El problema propuesto no se ajusta a un conteo de ciertos casos (probabilidad en el sentido dado por Laplace). sin embargo. a n e As´ mismo. a e al caer. se tiene una ficha circular de radio r. es preciso. el problema puede enunciarse en los siguientes t´rminos: ¿cu´l es la probabilidad de que el centro de la e a ficha caiga en la zona comprendida por las dos curvas cerradas dibujadas con trazo discontinuo en la figura (b)? El problema se reduce. ¿cu´l es la probabilidad de que ´sta. figura (c): ´ P (“toque el cuadrado interior”) = = P (“el centro de la ficha caiga sobre la corona”) = Acorona Acuadrado de lado A Miguel R. tal que dos veces el ı di´metro de la misma es igual al lado del cuadrado peque˜o: 4r = B.

es equitativo si P (“ganar Jk ”) = 1/n.2. El juego del ajedrez. En caso contrario. El jugador A elige los n´meros 0. ¿qu´ jugador prefiere ser usted? e . . Para nosotros el sentido es m´s restrictivo: el a juego ha de estar fundamentado en el azar y no en la destreza. Cuando ya no queden fichas en el centro de la mesa. a pesar de que el es marcador inicial sea u 0-0. Efectivamente. a o Gana aquel jugador que se quede con todas las fichas. las mismas posibilidades de ganar.4. ¿Es el juego equitativo? . habilidad o capacidad intelectual. cada jugador tomar´ las fichas del mont´n que su adversario haya acumulado. . uno de los competidores est´ mejor preparado que el otro. toma una ficha de las 10 que est´n en el centro de la mesa y vuelve a a tirar. para cualquier k ∈ {1. . Juegos equitativos Un juego es equitativo cuando los participantes tienen. Jn . En las siguientes secciones se describir´n algunas situaciones que permia ten analizar la equidad de diferentes juegos. que realiza la o misma acci´n. Diferencia de dados El juego que se va a describir est´ pensado para 2 personas. 1 y 2. El jugador A tira los dados y calcula el valor absoluto de u la diferencia de las cantidades obtenidas en ambos dados: si el resultado es 0. a pesar de que las fichas se sit´an de forma sim´trica para ambos jugadores.1. las partidas son relativamente r´pidas: con a mucha frecuencia se obtiene en el lanzamiento de los dados una diferencia Combinatoria y Probabilidad . el jugador B. 4. ¿C´mo puede justificar sus afirmaciones? o ¿Qu´ informaci´n obtendr´ si juega varias partidas? e o ıa . a priori. . 4 y 5. n}. . los u n´meros 3. puesto que la preparaci´n de los equipos y la calidad de sus jugadores o es determinante. entrega los dados a su contrincate. ¿Qu´ datos le interesar´ guardar de las partidas que juegue? e a . En conclusi´n: o Definici´n 10 (Juego equitativo) Un juego de azar en el que participan o n jugadores J1 . .2. puesto u e que. 1 o 2. Se necesitan a 2 dados y 10 fichas. . varias partidas deben convencerlo de que es mejor ser el jugador A que el B. . . De hecho. en general. En caso contrario. a El f´tbol tampoco es equitativo.2 Juegos equitativos 85 4. no es equitativo.

mayor ganacia se tendr´ que asociar a dicho suceso. mientras que el jugador A s´lo tomar´ 1 ficha o a en caso de obtener 0. Admitiendo n´meros enteros negativos. mas no toma ninguna u ficha. 24 tienen por diferencia 0. 1. 3. las negativas.5). ¿Es o o posible modificar el juego para que este resulte equitativo? A continuaci´n o se dan tres formas de hacer el juego equitativo. ¿Es posible dar una justificaci´n te´rica a este hecho? Los o o resultados posibles y diferencias que a ellos se pueden asociar son: Resultados posibles (1. Se distingue un dado del otro u (pint´ndolos de colores. 4 o 5. De esta forma. 1 o 2. La modificaci´n planteada en ultimo lugar relaciona la probabilidad de o ´ que se verifique un suceso con la ganancia asociada a ´ste. 2. En conclusi´n. al otro. gana el jugador B. 1 o 2 y s´lo 12 diferencia 3. (1.4). Cuando en los dos dados sale el mismo n´mero el jugador repite la tirada. el juego no es equitativo.86 4 Situaciones introductorias de c´lculo de probabilidades a igual a 0. de los 36 resultados posibles. Modificando el n´mero de fichas que toma cada jugador si la diferencia u le favorece: como la probabilidad de que el jugador A obtenga una o e a puntuaci´n favorable es el doble de la del jugador B. Las diferencias positivas favorecen a un jugador. 3. Wilhelmi . 1 o 2. Si se denota por xS a dicha esperanza para un suceso S. 4 o 5.6) Diferencias 0. e a ıcil a cuanto m´s dif´ sea que un suceso se verifique. 36 3 xB = 2 · 2 12 = . (1. 1. El objetivo es “nivelar” la esperanza de ganancia media de sucesos mutuamente excluyentes. (1. se tiene: xA = 1 · 2 24 = .1). por ejemplo) y se resta siempre la cantidad a obtenida en uno menos la obtenida en el otro. 4. El jugador A gana si o al lanzar los dados la diferencia es 1 o 2. 36 3 Miguel R. ´ste tomar´ 2 fichas si obtiene 3. 5 De esta forma.3). En caso contrario.2). (1. 2. (1. Modificando la distribuci´n de las diferencias.

Ejercicios 1. 2. . se redefine juego equitativo como: Definici´n 12 (Juego equitativo) Un juego de azar. 4.2 Juegos equitativos 87 En resumen. se llama esperanza matem´tica de S. es equitativo si la esperanza de ganancia de los sucesos S1 . 6 simple. dado o a un suceso S. todos los ıa historiadores coinciden en que la teor´ moderna de la probabilidad tiene ıa Combinatoria y Probabilidad . esto es. . . xJk = xJi . Estudie la equidad del siguiente juego: se lanzan al aire tres monedas. gana el jugador A. . El juego del Yahtzee: se lanzan cinco dados. si se obtienen dos caras. . para cualesquiera k.2. en el que participan o n jugadores J1 . como m´ ınimo. si las tres son cara o sello. la definici´n 10 es un caso particular de la que ahora se acaba ´ o de hacer: puesto que en dicha definici´n las probabilidades de ganar de cada o jugador son todas iguales. esto es: xS = GS · P (S) De esta forma. .4. gana el jugador B. . al a producto de la probabilidad de que se verifique S por la ganancia GS asignada a dicho suceso. . De hecho. n}. ¿Cu´l es la probabilidad de ganar el a juego en el primer lanzamiento? Con base en el juego de Yahtzee se quiere dise˜ar un juego ventajoso: n demuestre que. 6 doble El origen de la teor´ de probabilidades es el juego. i ∈ {1. a todo suceso de un experimiento aleatorio le asociamos una nueva variable que es la esperanza de ganancia: Definici´n 11 (Esperanza matem´tica) Para un juego aleatorio. . . Por ultimo. Sn asociados a cada uno de los jugadores es la misma. Jn . gana el primer jugador que obtenga un doble (dos n´meros iguales) y un triple (tres n´meros u u iguales) en una de las tiradas. es preciso lanzar los cinco dados 15 veces para que la esperanza de ganar sea mayor que la de perder.2. entonces las esperanzas matem´ticas son iguales a si los coeficientes de ganancia (GS ) son todos iguales a 1. se denota por xS . . .

88

4 Situaciones introductorias de c´lculo de probabilidades a

su origen en los problemas que el caballero de M´r´3 plante´ a su amigo B. ee o Pascal (1623–1662) y que originaron un correspondecia fruct´ ıfera entre este matem´tico y Pi`rre de Fermat (1601–1665). a e Por un tiempo, el caballero de M´r´ gan´ apostando que en cuatro tiee o radas de un solo dado saldr´ al menos un 6. De esta forma, sostuvo que el ıa juego era ventajoso (y, por lo tanto, no equitativo) si apostaba por dicho suceso. Como veremos m´s adelante, esta conjetura es cierta. A ella lleg´, el a o caballero de M´r´, de forma emp´ ee ırica: jugado y observando que ganaba con m´s frecuencia de la que perd´ a ıa. Seguramente, sus adversarios observaron lo mismo y decidieron no competir m´s en un juego que les era desfavorable. Esto debi´ conducir al caa o ballero de M´r´ a plantearse te´ricamente el juego y as´ dise˜ar otro que le ee o ı n diera nuevamente ventaja sobre otros jugadores. Un razonamiento err´neo o le condujo a un juego desfavorable y cuando se hubo dado cuenta de ello, desconociendo la causa, le pregunt´ a su amigo B. Pascal por ella. o ee El razonamiento seguido por el caballero de M´r´, en esencia, es el siguiente: en el lanzamiento de un dado, es igual de probable que salga cualquier cara; de esta forma —y aqu´ viene el error— la probabilidad de obtener ı un seis en cuatro tiradas es 4 veces la de obtener un seis en una tirada, esto es, 4 · (1/6) = 4/6 = 2/3. Entonces, por el mismo razonamiento, en 24 tiradas de dos dados se tiene que la probabilidad de obtener un seis doble es: 24 · (1/36) = 24/36 = 2/3. Para analizar el juego se puede proceder de dos formas en esencia diferentes: 1. Estudio experimental. Jugar efectivamente a ambos juegos. Por la ley del azar, se asocia la frecuencia relativa con la probabilidad. 2. Estudio te´rico. Analizar el juego de formalmente, de tal forma que se o asigne una probabilidad (te´rica) a cada uno de los sucesos. o Para el estudio emp´ ırico se pueden jugar 50 partidas. Organice el estudio de tal forma que pueda almacenar los datos y asignar una probabilidad a los sucesos: “obtener al menos un 6 en 4 lanzamientos de un dado” (6S) y “obtener al menos un 6 doble en 24 lanzamientos de dos dados” (6D). El resultado obtenido debe diferir del previsto por el caballero de M´r´: ee o aproximadamente, se tiene que P (6) ≈ P (6D) ≈ 0, 5. El estudio te´rico debe ayudarnos a la comprensi´n del problema. En la figura siguiente se puede o
3 Los a˜os de nacimiento y muerte del caballero de M´r´ no son recogidos por los n e e historiadores matem´ticos. Sabemos que fue contempor´neo de B. Pascal y que, por lo a a tanto, vivi´ en el siglo XVII. o

Miguel R. Wilhelmi

4.2 Juegos equitativos

89

observar esquem´ticamente los juegos posibles: que en el primer lanzamiento a se obtenga un 6 o que no se obtenga (N ); si se ha obtenido un 6 a la primera, la partida est´ ganada y se deja de jugar; si no se ha obtenido un 6, se lanza a nuevamente un dado; as´ se procede hasta un m´ximo de 4 lanzamientos. ı a

En la parte derecha de la figura se da el resultado: P (6S) ≈ 0, 52. El razonamiento que se sigue es el siguiente: cuando dos sucesos son mutuamente excluyentes (no pueden verificarse a la vez) y el experimento s´lo admite o ´stos como posibles resultados, entonces la suma de probabilidades de die chos sucesos es igual a 1. As´ sucede con el lanzamiento de una moneda: los ı sucesos “cara” (C) y “sello” (X) son mutuamente excluyentes y al lanzar una moneda siempre debe salir o cara o sello, entonces: P (C) + P (X) = 1. Dos sucesos mutuamente excluyentes, que a dem´s verifican que siempre a ha de cumplirse uno u el otro se llaman complementarios o contrarios; por ejemplo, en el lanzamiento de una moneda los sucesos C y X son contrarios. De igual manera, en el lanzamiento de un dado, si se denota por N el suceso “salir distinto de 6”, los sucesos N y 6 son contrarios: o se cumple el suceso N o se verifica el suceso 6. En general, el suceso contrario de un suceso A lo denotaremos por Ac y, por lo tanto, sabemos que se debe verificar: P (A) + P (Ac ) = 1, adem´s a el suceso A ∩ Ac no se verifica nunca, puesto que A y Ac son mutuamente excluyentes, esto es, nunca se verifican simult´neamente. De esta forma, los a sucesos “6S” (un seis en 4 tiradas, seis simple) y el suceso “contrario” (6S)c (en ninguna de las 4 tiradas se obtiene un seis) deben verificar: P (6S) + P ((6S)c ) = 1. De esta forma, si se determina la probabilidad del suceso (6S)c se tendr´ determinada la probabilidad del suceso 6S: a P ((6S)c ) = P (N, N, N, N ) = P (N )4 = 5 ≈ 0, 48 ⇒ 6 ⇒ P (6S) = 1 − P ((6S)c ) ≈ 0, 52 Seguramente, la forma en que se ha resuelto el problema no es “natural”:
Combinatoria y Probabilidad 4

90

4 Situaciones introductorias de c´lculo de probabilidades a

en general, no es la manera en que un persona, no familiarizada con el c´lculo a de probabilidades, lo afrontar´ El modo “natural” de proceder es: ıa.
P (6S) = P (6 en la primera tirada)+ +P (6 en el 2◦ lanz., si no ha salido en el 1◦ )+ +P (6 en el lanz. 3◦ , si no ha salido ni en el 1◦ ni en el 2◦ )+ +P (6 en el lanz. 4◦ , si no ha salido ni en el 1◦ ni en el 2◦ ni en el 3◦ ) = = 1 + 1 · 5 + 1 · 5 · 5 + 1 · 5 · 5 · 5 ≈ 0, 52 6 6 6 6 6 6 6 6 6 6

Ya sea por el primer o el segundo m´todo, se concluye, como lo hab´ e ıa establecido el caballero de M´r´, que el juego es ventajoso si se apuesta por ee obtener al menos un 6 en 4 tiradas, mas la ventaja no es de 2 a 1 (probabilidad de ganar igual al doble que la de perder). De hecho, la probabilidad de ganar no es mucho mayor que la de perder y, por ello, se entiende que los adversarios del caballero de M´r´ tardaran alg´n tiempo en darse cuenta ee u de que, a la larga, su apuesta era desfavorable; de forma m´s precisa: la a esperanza matem´tica de ganancia del caballero de M´r´ era mayor que la a ee de los otros jugadores. Un razonamiento similar al expuesto, conduce a la conclusi´n de que o el juego del seis doble (apostando a que saldr´ al menos un 6 doble en 24 a tiradas de dos dados) no es ventajoso. Construya un diagrama de arbol y ´ razone que la probabilidad de obtener al menos un seis doble en 24 tiradas es: P (6D) ≈ 0, 49. De esta forma, habr´ podido resolver la inquietud del a ee e caballero de M´r´ (¿por qu´ jugar al 6D ya no es ventajoso?) Un pregunta m´s compleja, sin embargo, queda sin contestar: ¿por qu´ el a e ee e razonamiento dado por el caballero de M´r´ no es correcto? ¿por qu´ no resulta adecuado resolver el problema mediante proporcionalidad? ¿Qu´ ree laci´n existe en el juego entre los sucesivos lanzamientos de los dados? o

4.2.3.

Reparto justo

El problema de los repartos, de forma general, puede ser enunciado como sigue: dos jugadores, interrumpiendo de com´n acuerdo el juego antes del u final, quieren hacer un justo reparto de la apuesta inicial, de acuerdo con la probabilidad que cada uno tiene de ganar4 .
El problema inicial fue planteado tambi´n por el caballero de M´r´ a su amigo B. e e e Pascal y, al igual que en caso anterior, ´ste tuvo una fruct´ e ıfera correspondencia con P. Fermat que posibilit´ resolver ciertos casos particulares y sentar las bases para un estudio o general.
Miguel R. Wilhelmi
4

4.2 Juegos equitativos

91

Para ilustrar el problema supongamos la siguiente situaci´n: dos jugadoo res A y B apuestan 32 monedas cada uno, eligen “cara” y “sello”, respectivamente, gana el primero que obtenga 3 caras o 3 sellos. La distribuci´n de o las 64 monedas, si el juego no ha concluido y uno de los dos jugadores tiene ventaja, por ejemplo el jugador A, admite las siguientes posibilidades: 1. A haya ganado 2 partidas y B s´lo 1 5 . En tal caso, si A gana nuevao mente, se llevar´ toda la apuesta y en el caso de perder, habr´ equidad a a y se repartir´n las monedas por igual. En conclusi´n, el jugador A tiene a o aseguradas 32 monedas, estando las otras 32 pendientes del siguiente lanzamiento: el jugador A se queda con las 32 monedas que seguro obtiene y la mitad de las restantes, esto es, en total: 48 monedas. 2. A haya ganado 2 partidas y B ninguna. Si A gana se queda con todo; en caso contrario, se est´ en la situaci´n del caso anterior. De esta a o forma, el jugador A tiene aseguradas 48 monedas y el resto se reparten equitativamente entre ambos jugadores: en total, el jugador A se queda con 56 monedas. 3. A haya ganado 1 partida y B ninguna. Si A gana se queda, por el caso anterior, con 56 monedas. Si pierde, el juego se equilibra. Por lo tanto, el jugador A tiene aseguradas 32 monedas; mientras que el jugador B, en caso m´s desfavorable (que pierda nuevamente), tiene aseguradas a 8 monedas. De esta forma, el jugador A debe quedarse con las 32 que tiene aseguradas y la mitad de las que quedan (sabiendo que B se queda con 8), esto es: 32 + (32 − 8)/2 = 32 + 12 = 44. El mismo problema es resuelto por P. Fermat utilizando el c´lculo coma binatorio. Fermat procede a escribir todas las posibles formas en que se puede desarrollar el juego completo, esto es, todas las formas en que se pueden jugar 5 partidas entre dos jugadores y despu´s establece repartos de la e cantidad total seg´n las espectativas de ganar de cada uno de los jugadores. u Denotemos por a al suceso “el jugador A ha ganado una determinda partida” y por b el suceso contrario, esto es, “el jugador B ha ganado una determinada partida”. En la siguiente tabla se establecen todos los posibles resultados, suponiendo que la primera partida la ha ganado el jugador A e ıa (una tabla “sim´trica” se obtendr´ en caso contrario):
5 Los razonamientos que a continuaci´n se har´n siguen las explicaciones dadas por B. o a Pascal a su colega P. Fermat.

Combinatoria y Probabilidad

92 Partida 1 a a a a a a a a a a a a a a a a Partida 2 a a a a b a a b a b b b b b a b

4 Situaciones introductorias de c´lculo de probabilidades a Partida 3 a a a b a a b b b a a b b a b b Partida 4 a a b a a b b a a b a b a b b b Partida 5 a b a a a b a a b a b a b b b b Ganador A A A A A A A A A A A B B B B B

De esta forma, si el jugador A gana la primera partida, tiene la espectativa de ganar en 11 de las 16 posibles partidas, esto es: el reparto debe hacerse, en el tercer caso de la siguiente forma: el jugador A se quedar´ con 11/16 a del total de monedas que se ha apostado, esto es, (11/16) · 64 = 44, llegando al mismo reparto que estableci´ B. Pascal (por un m´todo diferente). o e Concluya el lector cu´l es reparto proporcional si el jugador A ha ganado a las dos partidas primeras o si ha ganado las dos primeras y ha perdido la tercera. ¿Se obtienen los mismos que por el m´todo primero? ¿Qu´ m´todo e e e le parece m´s f´cil de utilizar? a a Un tercer m´todo consiste en utilizar un modelo gr´fico. Por ejemplo, e a para determinar que el reparto justo es de 3/4 de la apuesta realizada si el juego se detiene cuando el resultado parcial es 2 a 1, se procede de la siguiente forma:
Paso0 Paso1 Paso2 3 a2 2 a1 3 a1 2 a2 2 a3 REPARTO

Cada paso toma en cuenta los posibles resultados. Si un jugador en un paso consigue llegar a 3, se sombrea en el siguiente paso la zona correspondiente. De esta forma, la zona sobreada final corresponde al “tanto por ciento” que ha de llevarse el jugador que ten´ la ventaja (2-1) al detenerse el juego. ıa
Miguel R. Wilhelmi

c´mo o se tendr´n que repartir las monedas en las siguientes circunstancias: a 1. Si el jugador A ha ganado una partida. Misi´n espacial o Como podr´ imaginar. ¿Son estas 10 formas equiprobables? 4. Si el jugador A ha ganado dos partidas y el jugador B una (la segunda). Ejercicio Se modifican las reglas generales de juego: un jugador gana toda la apuesta si cumple primero una cualquiera de las dos siguientes condiciones: Gana dos partidas seguidas. toda misi´n espacial es riesgosa: es preciso efeca o tuar muchas maniobras delicadas. se puede ver el recorrido que se puede efectuar para colocar dicho m´dulo en la superficie lunar con el m´ o ınimo gasto posible. Combinatoria y Probabilidad . En la figura. En la presente secci´n.3 Misi´n espacial o 93 De manera similar. puede razonarse para los otros casos.3. vamos a analizar o la probabilidad de ´xito en la colocaci´n de un m´dulo de investigaci´n en e o o o la superficie de la Luna. ¿C´mo puede e a o utilizar un diagrama de arbol para representar todas las posibles partidas? ´ Justifique que s´lo hay 10 formas de desarrollarse el juego. 2.4. Si cada jugador apuesta 32 monedas. por el m´todo del recuento de todos los e e caso posibles avanzado por Fermat y por un m´todo gr´fico. si aceptamos que o se deja de tirar la moneda cuando se conoce el ganador. Gana tres partidas no consecutivas. al igual que en el caso anterior. Resuelva el problema por los tres m´todos que se han utilizado en el caso e anterior: por el m´todo de Pascal.

´ Estos cinco momentos exigen un gasto de combustible y marcan las sio e e tuaciones de riesgo de la misi´n: el ´xito de ´sta depende directamente del ´xito de cada una de las maniobras comprometedoras. El resto del viaje no e resulta problem´tico: en las ´rbitas circular de salida y de tr´nsito terreste a o a el m´dulo es un sat´lite de la Tierra. ´ a 3. a a El viaje. cuanto m´s pesados son los cuerpos con m´s fuerza se a a atraen y. A cierta altura de la supeficie terreste. ya que tendr´ que hacerse con la m´quina del ıa a misil quemando combustible durante todo el viaje. ´ a 4. Wilhelmi . Para alcanzar la orbita circular terreste (OCT). bajo la acci´n de la gravitaci´n o o universal. el m´dulo se lanza en ´ o un cohete de etapas m´ltiples: m´dulos que se van desprendiendo conforme u o cumplen su misi´n. Alunizaje: descenso a la Luna desde la orbita circular de llegada. con menos fuerza. Enlazar con la orbita circular lunar. De igual manera sucede o con la Tierra y el Sol. sin usar motores ni quemar combustible en la mayor parte del trayecto. se precisa del concurso de un motor. el m´dulo es un sat´lite de la Luna. esto es. La ley de la gravitaci´n universal postula o que el Sol atrae a la Tierra) que la fuerza de atracci´n es directamente proporcional a las masas de los o cuerpos que interaccionan e inversamente proporcional al cuadrado de la distancias. ´ 2. ´ 5.94 4 Situaciones introductorias de c´lculo de probabilidades a El itinerario de viaje en l´ ınea recta no es viable: resultar´ costoso ıa econ´mica y f´ o ısicamente. Mientras el m´dulo es un o e o sat´lite de la Tierra o de la Luna no consume combustible: se mueve libre e bajo la influencia gravitatoria de la Tierra o la Luna. La Luna gira en torno a la Tierra porque ´sta la atrae (de igual manera e 6 . Entrar en orbita de tr´nsito terreste: semielipse alrededor de la Tierra. El despegue del cohete se identifica con la ignici´n de o o primera etapa. Alcanzar la orbita circular terreste de salida. Para modificar un vuelo libre. consta de cinco momentos clave (ver figura): a 1. b´sicamente. Enlazar con la orbita de tr´nsito lunar: semielipse alrededor de la Luna. conforme m´s alejados est´n. para que la nave no caiga: se separa la primera etapa (que se ha utilizado para el despegue) y se produce la ignici´n de la segunda. en las de tr´nsito lunar y circular o e a de llegada. Cuando o 6 La atracci´n es mutua: la Tierra atrae a la Luna y viceversa. respectivamente. Miguel R. es necesario un nuevo impulso. La manera m´s c´moa o da y barata de hacerlo es en vuelo libre.

0. que todas las fases se salden con ´xito. si una fase se ha realizado con ´xito.973 y 0.999. permanecer´ dando vueltas al rededor de la tierra ıa en la OCT).945. De igual manera sucede para pasar a la orbita de tr´nsito lu´ a nar (OTL) y de ´sta a la ´rbita circular de llegada (OCL). e respectivamente. ¿Cu´l es la probabilidad de ´xito de la misi´n? a e o Para que la misi´n sea un ´xito. Entonces. por lo tanto.970. por lo tanto. sin o e embargo. agotado el com´ o bustible que ten´ se separa del m´dulo principal y se produce una tercera ıa).977. Por ultimo. La probabilidad de o o ´xito de esta fase es de 0. Por “´xito”. e El resto de fases son m´s sencillas: para entrar en la orbita de tr´nsito a ´ a terrestre (OTT) el m´dulo principal es propulsado para modificar su trayeco toria (en caso contrario. entendemos que e e las condiciones son ´ptimas y que.4. Las o e ıa probabilidades de ´xito de estas maniobras son: 0. e De esta forma. o ignici´n. no se modifica la probabie lidad de ´xito de la siguiente (por ello se dice que el ´xito de cada fase es e e independiente del resto). la siguiente fase no tiene o dificultades a˜adidas (hip´tesis de independencia). el ´xito total E debe interpretarse como: e E = E1 ∩ E2 ∩ E3 ∩ E4 ∩ E5 esto es. que conduce el m´dulo principal hasta la OCT. deben cumplirse todas las fases. 0. el e o ´ alunizaje es menos peligroso.3 Misi´n espacial o 95 esta ultima etapa ha cumplido su funci´n (y. la probabilidad n o Combinatoria y Probabilidad . En la figura siguiente se representa un diagrama de arbol donde se indica ´ la probabilidad de ´xito (E) y de fracaso (F) de cada fase. puesto que la fuerza gravitatoria que ejerce la Luna sobre el m´dulo es menor (que aqu´lla que ejerc´ la Tierra).

En un circuito en paralelo. el suceso A ∪ B representa el Miguel R. 999 · 0. por el contrario. el flujo se detiene unicamente si los componentes as´ colocados est´n todos ´ ı a averiados. ¿Qu´ se puede concluir en estos tres casos? e . 945 · 0. Por ejemplo. si se piensa en los casos m´s sencillos de circuitos en serie a y paralelo. 977 = 0. ¿Qu´ representan los sucesos A∩B c . el a suceso “A ∩ B” representa “el correcto funcionamiento del circuito en serie”. para el nodo B. es suficiente que uno de los dos nodos funcione correctamente para que ´ste permanezca cerrado (y la corriente e pase de un extremo al otro). Para un circuito en paralelo simple. 871 = 0. 129. De manera an´loga.96 4 Situaciones introductorias de c´lculo de probabilidades a de ´xito es: e P (E) = P (E1 ∩ E2 ∩ E3 ∩ E4 ∩ E5 ) = = P (E1 ) · P (E2 ) · P (E3 ) · P (E4 ) · P (E5 ) = = 0. 973 · 0. ambos pueden funcionar correctamente o. sencillamente. es posible asociar a ´stos una notaci´n conjuntista que se˜ale el e o n buen funcionamiento. El suceso “el nodo A funciona correctamente” lo designamos. Ejercicio En un circuito el´ctrico en serie todos los componentes deben funcionar e correctamente para que ´ste funcione: si uno de ellos no funciona. por “Ac ”. De esta forma. De esta forma. Wilhelmi . por “A”. por a lo tanto. el suceso “el nodo A est´ fallado” lo denotamos. esto es. cada sector en paralelo est´ estropeado (uno o varios a sectores pueden estar constituidos a su vez por un circuito en serie). por lo tanto. De esta forma. Ac ∩B y Ac ∩B c ? e . la probabilidad de que el viaje fracase es: 1− 0. 970 · 0. el circuito en serie de la figura tiene dos nodos A y B. 871 Y. puesto que ambos nodos funcionan. entonces el e flujo electrico se corta y el circuito queda abierto. estar fallados.

se verifica. una evaluaci´n de conocimientos de esta o naturaleza no tendr´ un car´cter discriminatorio. Por lo tanto. se ha comentado que la noci´n de suerte deb´ ser aclao ıa rada. puesto que este n´mero de respuestas se puede conseguir tanto si se ha u estudiado como si no. c ) ∪ (Ac ∩ B)? . suman 0 puntos. suponga que la probabilidad de que falle un componente es 0. En otras ocasiones. la bondad de una t´cnica o de un m´todo de e e proceder se mide en t´rminos de la probabilidad de obtener los mismos resule tados si se procede de forma aleatoria: un m´todo es ´ptimo si. Esto es. obtiene cero puntos. Combinatoria y Probabilidad . o Una opci´n consiste en penalizar cada contestaci´n incorrecta. decimos que la persona “ha tenido o suerte”. se debe esperar acertar 50 de ellas. . procediendo e o al azar. Estimaci´n de una probabilidad o Con anterioridad.4. los resultados previsibles son sustancialmente peores. De esta forma. Inversamente.4 Estimaci´n de una probabilidad o 97 correcto funcionamiento del sistema. esto es. como es de esperar. Cuando un suceso. supongamos un test objetivo con dos opciones de respuesta: verdadero y falso. que puede beneficiar a una persona y que tiene una probabilidad pr´xima a cero. ¿Qu´ representa el suceso Ac ∩ B c ? e Para terminar. ¿Los sucesos A∩B c y Ac ∩B representan un circuito abierto o cerrado? . el m´todo de e evaluaci´n resulta inadecuado. ¿Resulta admisible que una persona pase la prueba si tiene 50 o m´s preguntas correctas? Evidentemente. no diferenciar´ a a a a las personas que han estudiado (y que han adquirido algunos conocimientos) de aquellos que han respondido al azar. a no.4. Por ejemplo. ¿por qu´ cree a e que en muchas circunstancias se opta por la instalaci´n de uno en serie? o 4. Si el test cuenta con 100 preguntas y ´stas se contestan e al azar. Si los circuitos en paralelo son m´s fiables. ¿Es cierto que: A ∪ B = (A ∩ B) ∪ (A ∩ B ¿Qu´ relaci´n tiene esta igualdad con las anteriores preguntas? e o .1: ¿cu´l es la probabilidad de que los circuitos de la figura funcionen? a Realice una diagrama en forma de arbol que le ayude a interpretar correcta´ mente el circuito. un m´todo es inadecuado si los resultados previsibles procediendo al azar e son similares o mejores que aquellos. el nuevo m´todo pone “las cosas en su sitio”: una persona e que conteste al azar (no tiene conocimientos suficientes para discernir entre las opciones verdadero y falso). de tal o o suerte que si se contesta al azar se espera que la persona evaluada tenga un promedio de cero: 50 preguntas acertadas menos 50 fallos.

Con estos datos.1. a o o 3. ´ el entrenador comprueba que los jugadores han tenido una notable mejor´ ıa: en promedio. una nueva t´cnica e e de lanzamiento de tiros libros.4. o o 2.98 4 Situaciones introductorias de c´lculo de probabilidades a ¿Qu´ m´todo utiliz´ para evaluar un test objetivo con k opciones de elecci´n e e a o para la respuesta? En los siguientes p´rrafos simularemos una situaci´n. por ejemplo. Wilhelmi . Antes de la utilizaci´n de la nueva t´cnica. los jugadores fallaban 1 de cao e da 3 lanzamientos desde la l´ ınea de tiros libres. Recogida y organizaci´n de datos. para el an´lisis de a o a una t´cnica. que un equipo de b´squet se enfrenta a la recta a final del campeonato. el entrenador decide que los jugadores practiquen. An´lisis de la situaci´n e hip´tesis de partida. Una parte importante de los puntos conseguidos se obtienen por lanzamientos de tiros libres. Recogida y organizaci´n de la informaci´n. ¿qu´ probabilidad a e hay de que un jugador que normalmente encesta 2 de cada 3 lanzamientos. 4. o 6. han acertado 5 de cada 6 lanzamientos. consiga 5 de 6 con la misma t´cnica o con una peor? e 4. ¿se puede afirmar que la nueva t´cnica es mejor? ¿Qu´ probabilidad hay de que e e la nueva t´cnica no sea mejor y que en el ultimo entrenamiento los jugadoe ´ res hayan estado “afortunados”? De forma m´s precisa. An´lisis de la situaci´n e hip´tesis de partida a o o Si el equipo rival ha cometido 8 o m´s faltas personales en un mismo a tiempo y comete otra (sobre un jugador que no est´ en diposici´n de tirar a o Miguel R. se desea responder a la pregunta: ¿se tienen datos e suficientes para admitir que dicha t´cnica es buena? El proceso general que e se sigue se puede resumir en los siguientes puntos: 1. En el ultimo entremamiento. Conclusiones. Representaciones gr´ficas. Recoger y organizar informaci´n o Supongamos. con la que espera que el equipo obtendr´ un a porcentaje mayor de aciertos en esta faceta del juego.4. Estudio te´rico (siempre que sea posible). o o 4. predicciones y decisiones. Por ello. despu´s de cada entrenamiento. o a 5. En concreto. Analisis la hip´tesis mediante observaci´n directa de la situaci´n (si es o o o posible) o mediante simulaci´n de la misma u observaci´n indirecta.2.

a favor de los tiros libres se o toma si el entrenador sabe que las probabilidades de acertar son grandes: la nueva t´cnica es m´s efectiva (hip´tesis). si se lanza un dado (no trucado).4. se concluye que con la antigua t´cnica la probabilidad de encestar un tiro libre era 2/3. puede interpretarse como acierto si se obtiene cualquiera de los cuatro anteriores n´meros y como fallo en caso contrario7 . Tirar lanzamientos libres: 1 m´s 1. En el siguiente apartado. El entrenador tendr´ que tomar una decisi´n: o bien lanzar los tiros libres a o o bien hacer un saque de banda. Complete la tabla: 7 La elecci´n de las caras es irrelevante: es preciso excluir dos caras. se lanza 6 veces un dado. la probabilidad de obtener cualquiera de sus caras es 1/6: la probabilidad de obtener “1”. el juego sigue. el equipo que tiene la pelota en posesi´n debe decidir una de las o dos siguientes acciones: 1. el acierto no e a o puede explicarse correctamente en t´rminos de suerte. 3 o 4 con el dado) y el n´mero de veces que se falla (se u obtiene 5 o 6). anotando el n´mero de veces que se acierta u (se obtiene 1. . o a 2. que sumando los n´meros del “bloque” u se obtiene la frecuencia absoluta de las veces en que se ha verificado el suceso “al menos 5 de cada 6 veces se ha acertado”. 4 y 6. ¿Cu´l es la probabilidad de que (al u a menos) 5 de cada 6 veces que se lance el dado se obtenga “acierto”? El estudio emp´ ırico se reduce a la toma de datos y an´lisis de ´stos. Hacer un saque de banda y seguir el juego. 4. e La probabilidad de meter 5 de cada 6 lanzamientos si normalmente se introducen 2 de cada 3 puede ser determinada de forma experimental o te´rica. por ejemplo. esto es. .4. ¿De cu´ntas formas podemos elegir las caras? a Combinatoria y Probabilidad . 2. si se lanza un dado reiteradas veces. si lo falla. Para a e ello.4 Estimaci´n de una probabilidad o 99 a canasta). un jugador lanza un tiro a libre. si lo acierta tiene la opci´n de uno m´s. “3” o “4” es 4/6. Se repite este procedimiento 10 veces. de tal forma. e Por otro lado.3. en caso contrario. 2 y 5. Simulaci´n o Como los jugadores acertaban 2 de cada 3 lanzamientos. Si el n´mero de aciertos es igual a 5 o 6. . La decisi´n. pero como los o sucesos son equiprobables (se supone que el dado no est´ trucado). “2”. se puede excluir cuaa lesquiera dos: 1 y 2. se asigna “0”. entonces se asigna u “1” al bloque. con otras palabras. esto es. 2/3. se explica un m´todo de simulaci´n para o e o estudiar de forma experimental dicha probabilidad. Por lo tanto.

que la cara superior del dado ha sido 1. etc. “5”.4. Por otro 8 Se supone que todos los alumnos han realizado la experimentaci´n en condiciones o similares y que. que permita hacer un a reconstrucci´n lo m´s precisa posible de la situaci´n. 5. o Para simplificaci´n en la presentaci´n de los datos. Obtenci´n y organizaci´n de datos. es decir. . introduciremos alguo o na notaci´n: los sucesos “6”. Wilhelmi . por lo tanto. todas las jugadas son equiparables. donde cada alumno ha realizado la experiencia anterior.100 4 Situaciones introductorias de c´lculo de probabilidades a Partida 1 2 3 4 5 6 7 8 9 10 Total Aciertos Fallos Bloque ¿En cu´ntas partidas ha obtenido en 5 o 6 de sus lanzamientos “acierto”? a De esta forma. denotan los sucesos “jugada de o 6 lanzamientos en la que se ha conseguido 6. 4. “4”. De esta forma. La intenci´n o es obtener una lectura r´pida y fiable de los datos. Se dispone de 400 jugadas (40·10 jugadas)8 . 2. . diagramas de sectores. ¿cree usted que hay informaci´n sufio ciente para afirmar que la nueva t´cnica es mejor? e . . 3 o 4”. teniendo en cuenta la ley del azar se puede esperar una aproximaci´n suficientemente aceptable. . . Representaciones o o gr´ficas a Los datos obtenidos en una simulaci´n pueden ser almacenados en tablas o y representados en histogramas. la probabilidad experimental de meter al menos 5 de cada 6 lanzamientos (suceso “Bloque”) si normalmente se introducen 2 de cada 3 (suceso “Antes”) es: P (Bloque|Antes) = fa (Bloque) 10 A la luz de los datos obtenidos.4. Miguel R. 4. lanzamientos favorables. o a o Supongamos una clase modelo de 40 alumnos. .

5000 100 % acumulado 5.. La tabla siguiente resume los resultados obtenidos.00 37.9950 1 1 % 5. diagrama lineal.1450 0.0025 0.00 32.3700 0.4575 0.37: la probabilidad (emp´ ırica) asignada es 0.25 99. Un diagrama lineal es una representaci´n gr´fica de una distribuci´n de o a o frecuencias por medio de una l´ ınea poligonal.0500 0.00 82.9725 0.50 2. o Como en nuestro caso no hay intervalos. En la figura siguiente se representan las frecuencias relativas de los sucesos “los 6. designaremos por fa a la frecuencia absoluta de cada uno de los sucesos.37 y.9925 0. se debe aceptar que la nueva t´cnica es mejor. .75 14.8275 0. sector circular. de la a frecuencia absoluta acumulada y de los porcentajes. e Por otro lado.4 Estimaci´n de una probabilidad o 101 lado. sino un conjunto finito de sucesos.50 100 100 Las frecuencias relativa y absoluta acululadas son utiles para agrupar ´ resultados de frecuencias: por ejemplo.0050 1 fr acumulada 0.25 99.4. A continuaci´n.25 0. .0500 0. que une puntos colocados a Combinatoria y Probabilidad . por fr .3200 0. Un histograma es una representaci´n gr´fica de una distribuci´n de freo a o cuencias por medio de rect´ngulos. se utilizan estos o tipos de gr´ficos para representar los valores de la frecuencia relativa. 5.0200 0. por lo tanto. cuyas anchuras representan intervalos de a la clasificaci´n y cuyas alturas representan las correspondientes frecuencias. Suceso “6” “5” “4” “3” “2” “1” “0” Total fa 20 128 183 58 8 1 2 400 fa acumulada 20 148 331 389 397 398 400 400 fr 0. respectivamente.75 97. se puede afirmar que en 148 de las 400 partidas. puesto que resulta poco probable que e se acierten 5 de cada 6 tiros libres con la antigua t´cnica.00 0. se obtuvieron 5 o 6 aciertos y que la frecuencia relativa acumulada es 0. los datos pueden ser visualizados mediante gr´ficos: hisa tograma.00 45. lanzamientos son aciertos”. a la frecuencia relativa. representaremos las frecuencias relativas mediante un diagrama de barras (histograma que se utiliza cuando la variable es discreta).

De esta forma. los o sucesos “acertar 0. se calcula de forma te´rica la probabio o lidad de conseguir 5 o 6 aciertos. suponiendo que. diferentes sucesos se agrupan: o los sucesos “acertar 5 o 6” se han agrupado bajo el r´tulo “acierto”. 2” constituyen la secci´n “otros” (entre todos ellos o representan unicamente el 3 % del total de frecuencias). para simplificar la presentaci´n. . cuya area es propocional a dicha ´ frecuencia. 1. o representativas de la distribuci´n de la muestra.102 4 Situaciones introductorias de c´lculo de probabilidades a alturas que representan las correspondientes frecuencias. que la frecuencia absoluta acumulada ha alcanzado casi su l´ ımite para el suceso “m´s de 4 a aciertos”. . Estudio te´rico o El estudio de la probabilidad se ha realizado en los puntos anteriores de forma experimental. . por ejemplo. La figura siguiente representa las frecuencias absolutas acumuladas de los sucesos “los 6 lanzamientos son aciertos”. el ´ diagrama de sector que debiera contar con 7 secciones cuenta s´lo con cuatro. los e Miguel R. “5 o 6 lanzamientos son aciertos”. En el diagrama lineal se observa claramente.4. En la figura siguiente. este tipo de informaci´n puede ser util para simplificar o ´ los datos agrup´ndolos en “colecciones de sucesos”. o 4. con la nueva t´cnica.5. a Por ultimo. De hecho. Los valores suelen indicarse en tantos por ciento. un diagrama o sector circular representa el valor de cada ´ frecuencia por un porci´n radial de c´ o ırculo. En esta secci´n. Wilhelmi .

. 2 3 6 Por otro lado. (5 veces). 1F ) + P (6A) = 5 6 = 6 · 1 · 2 + 2 ≈ 0.. (5 veces). . A) = P (F ) · P (A)· (5 veces) ·P (A) = .. haberse acertado 6.4 Estimaci´n de una probabilidad o 103 jugadores siguen teniendo una efectividad de 2 canastas de 3 intentos: P (5 o 6 aciertos) = P (5 ∪ 6) = P (5A) + P (6A) La segunda igualdad es cierta puesto que los sucesos “acertar 5 o 6” son mutuamente excluyentes: si se han acertado 5 canastas no pueden. la probabilidad de los sucesos. Este fallo puede darse en el primer lanzamiento. . 1 3 · 2 3 5 Adem´s.. “faa ´ llar unicamente el segundo”. “fallar unicamente el primero”. . Adem´s se sabe que la probabilidad de acertar a (A) es 2/3: P (A) = 2/3. 1 3 · 2 3 5 En la anterior expresi´n. son igual de probables (¿por qu´?).. En conclusi´n: o P (5 o 6A) = P (5 ∪ 6) = P (5A. . en el segundo. 3512 3 3 3 Por lo tanto.. A) = 6 · . A) = P (A)· (6 veces) ·P (A) = . A. . en el tercero. el n´mero 6 representa las distintas posicioo u nes que puede ocupar el fallo: el n´mero de diferentes ordenaciones de 5 u elementos iguales (A) y 1 elemento diferente (F ) es igual al n´mero de peru mutaciones con repetici´n de 6 elementos distribuidos en dos grupos de 5 y o 1 elementos. Ahora bien. a la vez. 37) se ajusta muy bien la probabilidad te´rica. la probabilidad de fallar s´lo el primer lanzamiento es igual a: o P (F. Por lo tanto.4. se puede afirmar que la aproximaci´n experimiental de o la probabilidad de obtener 5 o 6 aciertos (≈ 0. respectivamente. A.. o Combinatoria y Probabilidad . la probabilidad de acertar las 6 veces se calcula de forma sencilla multiplicando 6 veces 2/3: P (6 aciertos) = P (A. . el suceso “acertar 5” puede interpretarse como el suceso “fallar justamente 1”. . en el sexto. . mientras que la probabilidad de fallar (F ) es 1/3: P (F ) = 1/3. Se ´ e concluye: P (5A y 1F ) = 6 · P (F.. ... (6 veces).

Wilhelmi . en el mejor de los casos. respectivamente. o a a a consideraremos una estrategia ´ptima “para esas circunstancias particulares”. se vaya a decidir lo primero. cual es una buena decisi´n9 . es necesario seguir dos pasos: a) Calcular la probabilidad de fallar los n primeros y acertar los (6 − n) siguientes. el tiempo pasar´ sin que podamos hacer nada. o 9 En muchas circunstancias tendremos un tiempo reducido de tiempo para tomar una decisi´n o nos faltar´n elementos de juico: el an´lisis no podr´ ser exhaustivo y. por lo tanto.6. Se toma una moneda al azar. Para ello. b) Calcular el n´mero de ordenaciones con 6 elementos. 2. en su defecto. puesto que si lanzamos tiros libres. agrupados u en dos partes de n y (6 − n) elementos iguales. no se deduce necesariamente que siempre que o se tenga la oportunidad de escoger entre tirar lanzamientos de tiro libre 1 m´s 1 o sacar de banda y jugar la pelota. a Por ejemplo. u o No es posible. pero la pelota quedar´ en posesi´n del equipo rival y. Con otras o Miguel R. ¿es aceptable pensar que no es defectuosa e si despu´s de 10 lanzamientos se ha obtenido 7 caras y 3 cruces?” 4. encestaremos los dos.4. cabe afirmar que la nueva t´cnica e es mejor. cruz). por lo tanto.104 4 Situaciones introductorias de c´lculo de probabilidades a Ejercicios 1. con mucha a o probabilidad. si faltando 10 segundos y estando en desventaja de 3 puntos. De la conclusi´n anterior. obtaremos siempre por sacar de banda e intentar una canasta de 3 puntos. dar “recetas”. El desarrollo hecho puede ser extendido para calcular la probabilidad de tener n fallos y (6 − n) aciertos. a El conocimiento de la bondad de la nueva t´cnica es un elemento de e juicio. mas no el unico: una decisi´n debe tomarse considerando el mayor ´ o n´mero de variables que afecten al desarrollo de una situaci´n concreta. Conclusiones. sino elementos de juicio que nos permitan discernir al cabal cual es la estrategia mejor o. en general. decisiones y predicciones El estudio realizado permite afirmar que resulta poco probable que con la vieja t´cnica los jugadores tengan un acierto de 5 de cada 6 lanzamientos e de tiros libres intentados y. Se desea hacer un estudio de probabilidad similar al descrito con base en el siguiente problema: “En una caja hay 7 monedas no defectuosas y 6 monedas defectuosas (con cinco de ellas se obtiene con probabilidad 4/5 cara y con la restante se obtiene con probabilidad 2/3. con n variando entre 0 y 6.

5 N´meros aleatorios u 105 Por ultimo.4. 2 o ninguno a a de los lanzamientos? P (0) = 1 6 2 1 5 ≈ 0.5. se sabe que con una computadora es imposible generar una secuencia de n´meros de forma totalmente aleatoria. de tal a forma que. en el sentido de que fijar la o misma semilla implica obtener la misma lista de n´ meros aleatorios. en el supuesto de que se tomara la decisi´n de tirar los ´ o lanzamientos de 1 m´s 1: ¿cu´l es la probabilidad de acertar 1. u Combinatoria y Probabilidad . 6944 Modelizaci´n o En todo lo descrito se evita introducir componentes “an´malos”. se genera una lista de n´meros u u con las caracter´ ısticas matem´ticas ligadas al fen´meno de la aleatoriedad. o mod´licas”. Por modelo se entiende. que el bal´n est´ ligeramente desinflado (se modifica el control que o e se tiene del mismo). o a etc. sobre el uso de e a una nueva t´cnica para el lanzamiento de tiros libres en el b´squet). el dicho popular reza: Lo mejor es enemigo de lo bueno. Una de las actividades genuinamente matem´ticas es la modee a lizaci´n de la realidad. a o existe un cierto determinismo en la obtenci´n de esa lista. P (1) = 2 · ≈ 0. No obstante. estamos describiendo la situaci´n en condiciones “ideales. sino n´ meros o u u llamados pseudoaleatorios. o 4. mediante una calculadora o un ordenador. es decir. es suficiente con disponer de un generador de n´meros pseudoaleatorios. un esquema te´rico de o un sistema o de una realidad compleja (en nuestro caso. 10 En la actualidad. Hay muchos procedimientos para obtener n´meros al azar: con una ruu leta. que se elabora para facilitar su comprensi´n y el estudio de su comportamiento. 2778. extrayendo bolas numeradas de una urna. que los datos que se tienen se hayan tomado en las fases previas (donde la presi´n es menor y los jugadores est´n menos nerviosos). Por o ejemplo. P (2) = 6 6 5 6 2 ≈ 0. generalmeno te para operar sobre ella. 0278. la construcci´n de un modelo (matem´tico) o o a que nos permita describir e interpretar una situaci´n concreta. partiendo de un n´ mero inicial llamado semilla. debido a que est´n generados mediante un algoritmo. con un dado (obtener n´meros naturales comprendidos entre u palabras. Sin embargo. para u las simulaciones de sistemas probabil´ ısticos. Los paquetes inform´ticos que incorporan esta u a opci´n permiten obtener n´meros que no son aleatorios en sentido estricto. En definitiva. N´meros aleatorios u Los n´meros aleatorios10 (y las funciones que los generan) son de gran u utilidad cuando se pretende realizar simulaciones que involucren procesos probabil´ ısticos y se desee introducir una cierta incertidumbre.

7. 8. 1. 1. 8. 8. ambos inclusive). 5. 0. 3. 7. 0. 9. 3. 0. 7. 7. 9. 1. 4. 7. 3. 6. 7. 5. 9. 8. 0. 9. 5. 6. 3. 1. 3. 0. 8. 3. 7. 5. 1. 5. 4. 5. 8. 3. 4. 3. 2. 6. 2. 4. 5. 6. 0. 9. 0. 7. 7. 4. 5. 3. 1. 5. 5. 5. 9. 3. 1. 4. 8. 5. 5. 1. 0. 6. 7. 5. 6. 8. 5. 2. 5. 5. 2. 0. 6. 9. 0. 8. 8. 9. La pregunta que cabe formularse es la siguiente: ¿c´mo asegurar que o dicha lista es realmente aleatoria? Con otras palabras. 8. 1. 0. unos. 5. 0. 4. 1. 9. 8. 3. 9. 1. 0. 2. 7. 5. 8. 3. 3. 4. 0. . 2. 4. 1. 9. 0. la proo babilidad de sacar un 1. 1. 1. 0. 1. 2. 9. 6. 8. 3. 2.106 4 Situaciones introductorias de c´lculo de probabilidades a 1 y 6. 9. un 3. 9. 9. 0. 6. un 2. 9. es igual a 1/10 y. Por ejemplo. 2. 1. 0. 9. 4. 3. ¿Es definitiva la prueba que se acaba de realizar? . 2. 2. 2. 8. 8. 3. 5. 3. 3. 8. 1. 5. 3. 2. 9. 0. 4. 0. 9. 4. 7. 5. 7. 4. 6. 5. 9. 7. La tabla siguiente muestra 500 n´meros de una u cifra obtenidos de forma aleatoria con el software Mathematica. 2. 3. 0. 8. 9. 1. 0. 5. 1. 9. 7. 7. 7. 7. 7. 4. 5. 5. 4. 6. 7. 0. 2. 5. 8. 3. 0. 1. 0. 0. 4. 1. 5. 7. 1. 2. 1. 1. 3. 0. 9. 6. 4. 9. 9. 4. 9. 5. 5. 7. 7. 2. 1. 7. 9. muestra concordancia entre la frecuencia relativa Miguel R. 5. 3. 4. 5. etc. 0. 8. 5. 7. 1. 6. 8. 4. 3. 8. 5. 9. 4. 9. 8. 2. 5. 9. 6. 2. 8. 0. 7. 6. 1. 3. 0. Por ejemplo. 6. 0. 2. 8. 3. 5. 4. la frecuencia relativa de ceros. 0. 9. 2. 5. 0. 2. 1. 4. 1. debe ser pr´xima a este o valor: complete la tabla 4. 4. 0. 6. 4. 7. 2. 1. 6. 5. 4. 1. 4. 2. 9. 7. 7. 6. 8. 9. 8. 3. 7. 2. 1. 5. 8. 8. 2. 9. 8. 9. 6. 6. 7. 3. 2. 7. 6. 5. 9. 1. 0. 3. 7. 9. 7. 1. 9 1. 6. 1. 5. 1. 6. 8. 5. 5. 6. 5. 6. 9. 7. 3. 3. 4. 0. 3. 6. bajo la hip´tesis de equiprobabilidad. 0. 3. 6. 2. 4. El hecho de que la tabla anterior muestre concordancia entre la frecuencia relativa y la probabilidad te´rica esperada. 6. 3. 5. 4. 8. 5. 1. 2. 2. la serie u 0. 1. 9. 4. 4. 4. 4. 1. treses. 2. ¿nuestro programa produce realmente secuencias de n´meros aleatorios o tiene ciertas pautas u que pueden ser descubiertas? La idea general consiste en comparar las frecuencias relativas de ciertos sucesos (a partir de los n´meros obtenidos en u la tabla) con sus respectivas probabilidades calculadas bajo la hip´tesis de o equiprobabilidad. 2. 1. 0. 2. 1. 1. 4. 9. 5. 6. 7. 6. 1. 1. 8. 4. 5. 0. 5. 0. 9. 2. 9. 2. 6. 4. 7. 4. 8. 1. 9. 7. 1. 1. 8. 9. etc. 8. 7. 4. 1. 1. doses. 2. 4. 0. 9. 3. 8. 7. 2. 6. 1. 6. 1.1. 0. 0. 4. 1. 8. 4. 4. 2. 1. 4. 3. 5. 0. 7. 7. 5. 3. ¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas y las probabilidades estimadas? . 2. 8. 7. 6. 4. 0. 2. 7. 5. 5. 7. 4. 3. 7. 6. 1. 9. 4. 5. no significa que la prueba permita o asegurar con rotundidad la aleatoriedad de los n´meros. 1. 4. 9. 6. 7. . 8. 6. 0. 5. 5. 1. 4. 2. 5. 8. 8. 1. 7. 8. 8. 8. 9. 9. 4. 2. 3. 3. 9. 4. 7. 6. 4. 0. 3. 8. 9. 4. 0. 1. Wilhelmi . 5. 5. 1. 1. 9. 5. 4. 3. 4. 3. 3. 5. etc. 2. 1. 7. 2. 9. 3. 6. 1. 2. 0. 5. 6. 7. 4. 9. 5. 0. 4. 3. 6. 7. 9. 2. 9. 8. 2. 8. 3. 4. 8. 6. 9. 5. 0. . 4. por lo tanto. 8. 9. 8. 8. 4. 8.

1: ¿Aleatoriedad o determinismo? y la probabilidad te´rica de obtener un n´mero al azar comprendido entre o u 0 y 9.5 N´meros aleatorios u N´mero u 0 1 2 3 4 5 6 7 8 9 Conteo fa fr 107 Tabla 4. 54. De esta forma. Por lo tanto.4. . entre 20 y 29. 50. si se agrupan los d´ u ıgitos de la dicha tabla de dos en dos. donde la columna P representa la probabilidad te´rica. se obtienen 250 n´meros de dos cifras. a u entre 10 y 19 (tambi´n ambos inclusive). 58. ser´n necesarias otras pruebas que contribuyan a la tesis de a aleatoriedad de los n´meros obtenidos. los u primeros de ellos ser´ ıan: 12. Por ejemplo. . . . pero es claro que no hay aleatoriedad en dicha serie. ambos inclusive. 14. o N´mero u entre 00-09 entre 10-19 entre 20-29 entre 30-39 entre 40-49 entre 50-59 entre 60-69 entre 70-79 entre 80-89 entre 90-99 Conteo fa fr P ¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas y las probabilidades estimadas? . ¿cu´ntos n´meros comprendidos entre 00 y 09 (ambos inclusive). es posible completar otra tabla que nos permita comparar las frecuencias relativas de aparici´n de diferentes n´meros con las probabilidades esperadas. . Por o u ejemplo. hay? Complete e la tabla siguiente. Combinatoria y Probabilidad . . .

tambi´n de longitud 2. . Por lo tanto.108 4 Situaciones introductorias de c´lculo de probabilidades a ¿Es definitiva la prueba que se acaba de realizar? . Si en la tabla de n´meros se resalta un n´mero (por ejemplo. que la prueba no es definiıa tiva. en la primera fila aparece u la racha de longitud 2: 99. u 11 Pruebas extra´ ıdas del libro Godino et al. se ha observado que la frecuencia relativa o del suceso “obtener un n´mero determinado comprendido entre 0 y 9 u (ambos inclusive)” era pr´xima a 1/10. Wilhelmi . se dan o algunas. u u . 22. Se toma. . esto es. Se podr´ razonar. Al principio de esta secci´n. ? ¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas y las probabilidades estimadas? . u ¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas y las probabilidades estimadas? . 2. es susficiente considerar la serie: . es preciso realizar otras pruebas. Por ejemplo. 2. . 3. o en promedio. ¿Es definitiva la prueba que se acaba de realizar? . lidad 1. las rachas 00 (2 veces). las frecuencias relativas de los n´meros que lo siguen deben u ser pr´ximas a o . n´meros iguales seguidos. como en el caso anterior. A continuaci´n. (1996). etc. 4. 4. bajo la hip´tesis de equiprobau o bilidad. 3.130–133. . Construya una tabla donde almacene las frecuencias absoluta y relativa de las cifras que se encuentran detr´s a del n´mero resaltado. . . en la segunda fila. aparecen? ¿Cu´l a a es la probabilidad de obtener una racha de 2. 55. p. En la tabla de n´meros aparecen “rachas” de n´meros. . cada 10 d´ ıgitos aparece dicho n´mero una vez. . ¿Es definitiva la prueba que se acaba de realizar? . ¿Cu´ntas rachas de longitud 2. Miguel R. . el siete) u u y se observa el n´mero que le sigue. Analice las frecuencias relativas que se obtienen en cada caso y comp´relas con las probabilidades esperadas en el supuesto de equiprobabia 11 . . 88. 4. 3. 3. Esto puede interpretarse que. Por ejemplo. en la cuarta fila la racha de longitud e 3: 555.

¿Es definitiva la prueba que se acaba de realizar? . 9. u te invito yo”. 7. ¿Cree que ser´ ventajoso este juego para usted? Realice con ıa varias personas el experimento descrito: ¿cu´ntas ha ganado usted? Si hua biera equiprobabilidad. ambos inclusive). 4. la tercera. blanca por una cara y marcada con un sello por la otra (carta BS). ambos inclusive. 7. ¿Puede afiru mar que son realmente aleatorios? ¿Existe alguna regla que permita predecir el n´mero que saldr´ la pr´xima vez? u a o Ejercicio Pida a un amigo que le de al azar 50 n´meros de una cifra (comprenu didos entre 0 y 9.6. 4. u ı Suponga que propone el siguiente juego a su amigo: “Anota (y no me lo ense˜es) un n´mero del 0 al 9. 7. El timador “honrado” Un sujeto le propone el siguiente juego: “Aqu´ hay tres cartas: una blanca ı por ambas caras (carta BB). 0 5. me invitas a un helado. . Analice. 5. Luego yo n u escribir´ 5 de ellos en otro papel.4. 4. 0 3. 5. . 2. 2. ¿cu´ntas aproximadamente debiera haber ganado? a 4. ¿Hay alguna diferencia excesiva entre las frecuencias relativas obtenidas y las probabilidades estimadas? . Longitud 6 16 2 6 1 . entonces se completa la u tabla: Secuencia hasta el n´mero 0 (inclusive) u 1. Si uno de los n´meros que yo he elegido e u coincide con el que t´ has escrito. 1. la e aleatoriedad de los n´meros as´ obtenidos. 1. 0 0 . otra. Usted saca al azar una de ellas y muestra una de las dos Combinatoria y Probabilidad . . 5. en un papel. 8. 0 1. 4. 1.6 El timador “honrado” 109 por ejemplo. como referencia el n´mero 0. . 9. marcada con un sello por ambas caras (carta SS). 9. 8. en los t´rminos descritos. en caso contrario. 2. 9. 8. Invente y realize una nueva prueba sobre estos n´meros.

¿Qu´ informaci´n podr´ obtener de ´l? e o ıa e . entonces no puede ser la tarjeta con ambas caras marcadas con sello.” Sin embargo. Si la cara visible es blanca. Wilhelmi . Mucha gente razona de la siguiente forma: “Supongamos que la cara que se ha salido es blanca. BS y SS. con la otra hay dos. En conclusi´n: o el juego es equitativo. es mejor pedir la carta SS. Juegue para ello 100 partidas con un amigo. ¿Y si la cara de la carta est´ marcada con un sello? a Las frecuencias relativas obtenidas nos permiten suponer que gana con m´s frecuencia aquel jugador que escoge la carta que tiene ambas caras a iguales: si la cara que se ve es blanca. ´sta puede ser la cara blanca de la tarjeta e BS o bien una de las dos caras de la tarjeta BB. ¿Jugar´ usted al juego? ¿Es equitativo? ıa . Entonces. ¿qu´ carta escoger´ e ıa con preferencia? .110 4 Situaciones introductorias de c´lculo de probabilidades a caras. . Las Miguel R. Suponga que la cara que ambos jugadores ven es blanca: ¿la carta estra´ puede ser cualquiera de las tres? ıda . De esta forma. ¿Por qu´? e . almacenando el n´mero de veces que la cara de la carta escogida es blanca o u tiene un sello y cu´ntas de ellas gana cada una de las cartas BB. Si se sabe que la cara de la carta elegida es blanca. es decir. Por lo tanto. ha de ser la carta BB o la BS. si la cara que se ve tiene un sello marcado. el sujeto apuesta a favor de una de ellas y usted a favor de otra. Complete. ¿Puede dar una explicaci´n a este hecho? o . puede ser cualquiera de las dos cartas con probabilidad 1/2. a Sali´ o B S Gan´ BB o — Gan´ BS o Gan´ SS o — ¿Observa alguna “anomal´ con relaci´n al razonamiento anterior? ıa” o . este razonamiento es err´neo. Quien acierte gana”. ¿Las probabilidades de que sea cualquiera de ser? estas cartas son iguales entre s´ ı? . mientras con una carta hay una sola posibilidad de ganar. ¿Qu´ cartas pueden e . es mejor pedir la carta BB. con el concurso de otra persona la tabla siguiente. ¿Puede representar la situaci´n por medio de un diagrama en forma de o ´rbol? a . o Una serie de partidas (se pueden jugar muchas de forma muy r´pida) a sirve para aceptar o rechazar el razonamiento.

Es necesario. De hecho. enrojecimiento facial. El Plasmodium malariae se encuentra ´ especialmente en Africa. piel ıntomas que duran unas seis horas. Supongamos que. mientras que el Plasmodium ovale no suele encontrarse fuera de dicho continente. puede modio ficar las probabilidades de los sucesos asociados a la misma: no es lo mismo la probabilidad de sacar una de las tres cartas. Fiabilidad de una prueba Uno de los graves problemas que enfrenta el norte de Per´ son las epideu mias de malaria12 . Esta ultima especie es la especie m´s agresiva y la mayor´ de ´ a ıa los casos mortales de paludismo se debe a este protozoo. que una persona con paludismo presenta cuadros de fiebre alta ıntoma se presenta tambi´n en personas con intoxicaci´n e o (F )13 . controlar esta enfermedad y desarrollar un plan para su prevenci´n y control. Tras esto.4. con calor. Unido a este problema. cansancio. el verano trae consigo intoxicao ciones alimenticias por consumo de productos mal conservados. 4. dolor de cabeza. -udis: pantano. que la probabilidad de sacar una carta condicionada a que se ha extra´ una y se conoce el color de una ıdo de sus caras. pero este s´ El paludismo (del lat´ palus. e u podemos encontrar las especies falciparum y vivax. pero la probabilidad de haber sacado una u otra.7 Fiabilidad de una prueba 111 probabilidades de sacar una de las tres cartas son iguales. Plasmodium ovale. molestias abdominales y dolores musculares. aparece fiebre. veremos otro ejemplo de probabilidad o condicionada. com´nmente llamado zancudo o turula. del italiano malaria: mal aire—) es una enfermedad infecciosa producida por protozoos del g´nero plasmodium que se transmiten al hombre a trav´s de las hembras del mosquito e e anopheles. Se sabe. por otro lado. En la siguiente secci´n. por la segunda camo pa˜a de arroz en el departamento de Piura. de tal forma que los epidemi´logos empiezan a considerar la o situaci´n “de grave”. Finalmente. seguidos de una crisis febril con escalofr´ y tiritonas que duran ıos aproximadamente 1 hora. s´ Combinatoria y Probabilidad 12 . Plasmodium malariae y Plasmodium falciparum. se concluye que: ıa P (BB) = P (BS) = P (SS) = 1/3 P (BB|B) = P (SS|S) = 2/3 P (BS|S) = P (BS|B) = 1/3 P (BB|S) = P (SS|B) = 0 En general. En la zona end´mica de Per´ . 13 La malaria se caracteriza por la aparici´n de fiebres intermitentes en accesos. ha habido una aumento de casos n de malaria (M). Los prio meros s´ ıntomas consisten en malestar. var´ sustancialmente.7. un conocimiento adicional sobre una situaci´n. sabiendo el color de la cara de la carta extra´ ıda. Existen cuatro especies del g´nero que u e infectan al ser humano: Plasmodium vivax. laguna —tambi´n conocido como malaın e ria. las seca y temperaturas de hasta 41o C.

se realiza un peque˜o estudio de probabilidades: ¿cu´l es la probabilidad de que una n a persona con fiebre alta tenga malaria? De esta forma. a partir de la cual se va tener que tomar una decisi´n. abatimiento y somnolencia. Antes de realizar ning´n c´lculo: a tenor de los datos. ¿cree usted que la u a fiebre alta es un indicador eficaz para discriminar los pacientes con malaria manifestaciones cl´ ınicas son: bajada de la temperatura corporal. e a o aunque en ocasiones las unicas alteraciones son la anemia (por destrucci´n de los gl´bulos ´ o o rojos) y el aumento de tama˜o del bazo. suficiente para la medicaci´n masiva ı o de individuos que presentan cuadros de fiebre alta.112 4 Situaciones introductorias de c´lculo de probabilidades a (I) e incluso en algunos que no tengan ninguna enfermedad importante (N ). se estima que el 2 % de a la poblaci´n tiene malaria. por ultimo. Wilhelmi . el 1 % de las o e ´ personas sin enfermadad presenta fiebre. en las c´lulas sangu´ a o e ıneas mediante la tinci´n de Giemsa. y. 95. 01 Con otras palabras. Para tomar una decisi´n al respecto. un estudio estad´ ıstico nos permite afirmar que: P (F |M ) = 0. n 14 Prueba de laboratorio que tiene por fin determinar si un paciente tiene o no malaria. se quiere saber si el indicador “fiebre alta” es. por s´ solo. el 50 % de las personas con intoxicaci´n tambi´n. 5. El diagrama de arbol muestra de forma sin´ptica toda la ´ o informaci´n dada. durante unas cuatro horas. que se transmite con la picadura del mosquito an´feles. En concreto. el 95 % de las personas con malaria tienen fiebre. la enfermedad se diagnostica demostrando la presencia de formas asexuadas del par´sito. P (F |I) = 0. Adem´s. o o El comit´ de salud y bienestar social del departamento de Piura se ve e ante la disyuntiva de: o bien administrar medicamentos para combatir la malaria a todo aquel que llegue a una posta con fiebre alta. Por otro lado. el 1 % intoxicaci´n y el resto ninguna enfermeo o dad importante. P (F |N ) = 0. Tambi´n pueden ser frecuentes las n´useas y los v´mitos. o bien esperar el o resultado de la gota gruesa14 . o Miguel R.

97 = 0. extracto de la corteza del ´rbol de la quina. 0337 Por otro lado. Por lo tanto. a o a a y de menor toxicidad. m´s eficaz ıes. 019 P (M ∩ F ) = = ≈ 0. es necesario discriminar que porcentaje de las personas con fiebre alta tienen malaria. la probabilidad del suceso “el paciente tiene malaria sabiendo que presenta un cuadro de fiebres altas” se interpreta de forma adecuada como el suceso M condicionado por el suceso F . (F ∩ I) y (F ∩ N ). a una intoxicaci´n o otra causa no determia o nada. 02 0. la cloroquina. No se administrar´n medicamentos hasta que no se conozcan los rea sultados del examen de gota gruesa. P (M |F ) = 0. lo cual no justifica una administraci´n de medicamentos agresivos15 . Por otro lado. 01 · 0. el suceso F puede ser descrito como la uni´n de los sucesos o (F ∩ M ). mas no las causas que los provocaron: no es posible saber si la fiebre se debe al par´sito causante de la malaria. 95 · 0. La pregunta clave que se debe contestar es: ¿cu´l es la probabilidad de a que un sujeto tenga malaria si presenta un cuadro de fiebre alta? Cuando un paciente llega a una consulta observamos los s´ ıntomas que presenta. 0345 De esta forma. que detiene el crecimiento de los protozoos del g´nero plasmodium a e dentro de los hemat´ M´s adelante. Se administrar´n medicamentos nada m´s llegar a todo paciente con a a fiebre alta: la gravedad de la enfermedad exige una medida que no Desde 1938. 02 + 0. 56 P (F ) 0. De esta forma.7 Fiabilidad de una prueba 113 de aquellos que no tienen esta enfermedad? . La espera est´ justificada puesto que a la probabilidad de que un persona tenga malaria sabiendo unicamente ´ que padece de fiebre alta es aproximadamente 1/2. 0337 0. se denota: M |F .4. los miembros del comit´ pueden tomar al menos dos e decisiones: 1. 01 + 0. 5 · 0. el tratamiento del paludismo se basa en la quinina. Combinatoria y Probabilidad 15 . que representan una partici´n en sucesos o mutuamente excluyentes (se supone que una persona no est´ intoxicada y e con malaria a la vez). salvo en el caso de que se tengan otros datos relativos al paciente. la probabilidad de que una persona tenga fiebre es: P (F ) = P ((F ∩ M ) ∪ (F ∩ I) ∪ (F ∩ N )) = = P (F ∩ M ) + P (F ∩ I) + P (F ∩ N ) = = 0. 95 · 0. o 2. se descubri´ otro f´rmaco.

Ejercicio Por las estad´ ısticas de natalidad. Cuando se hace una ecograf´ el 80 % de los varones son clasificados como n tales y el 90 % de las ni˜as como mujeres.114 4 Situaciones introductorias de c´lculo de probabilidades a dilate el tiempo de espera. o En general. en un sector pr´ximo a un arrozal o o laguna.8. . la mitad de los reci´n nacidos son varones y la otra mitad mujeres. se suprime la a medicaci´n inmediatamente. ¿Es fiable la prueba? o u o e o ¿Qu´ probabilidad hay de que sea var´n si se ha clasificado como mujer? ¿Qu´ probabilidad hay de que sea mujer si se ha clasificado como var´n?16 e o 4. se sabe que. anotaba en su registro el sexo opuesto al que la ıa lectura suger´ de tal manera que. aproximadamente. En la actualidad. ıa. ıa e se lo transmit´ a la pareja. Sin embargo. ´l dec´ ıa. puede acertarse en la mayor parte de los casos cu´l ser´ el sexo del feto por medio de una ecograf´ a a ıa. Estos y otros aspectos. si su domicilio est´ dentro de un barrio donde el porcentaje de a personas enfermas es alto o bajo. Wilhelmi 16 . la toma de decisiones debe estar bien fundamentada. De hecho. En conclusi´n. desde el sexto mes de embarazo. En el supuesto de que la prueba de gota gruesa demuestre que el paciente no tiene el par´sito. les mostrar´ mi registro. la probabilidad Conociendo la posibilidad de no acertar con el diagn´stico. Extracciones de bolas de urnas Los problemas de probabilidad tienen un car´cter muy determinado: se a estudian fen´menos puramente aleatorios para determinar con qu´ frecueno e cias se espera ocurran diversos sucesos. si el paciente vive con un familiar al que se le ha diagnosticado malaria. si la persona vive en una zona rural o urbana. etc. 51 de e cada 100 nacimientos corresponden a varones y 49 de cada 100 a mujeres. si se confund´ y la pareja se lo observaba. Los errores son motivados por la dificultad de observaci´n del feto seg´n su posici´n. . la segunda medida se adopta en ´pocas de brotes masivos de e la enfermedad en zonas rurales de alto riesgo. otros indicadores se toman en cuenta a la hora de prescribir los medicamentos: por ejemplo. ıa e ıa: “estoy seguro de que no me equivoqu´. En concreto. condicionan la probabilidad de que el paciente tenga paludismo. Un o estudio de probabilidades puede sufrir serias modificaciones si se conocen datos condicionantes de la situaci´n que act´en de indicadores de comporo u tamiento. un astuto ginec´logo proo o ced´ de la siguiente forma: interpretaba la ecograf´ predec´ el sexo del futuro beb´ y ıa ıa. ” e e Miguel R. Con otras palabras.

En el primer caso. entonces: P (N1 |B2 ) = P (N1 ∩ B2 ) = P (B2 ) 1 3 · 1 1 3 · 7 1 2 7 + 3 · 2 7 = 1 21 5 21 = 1 5 No es posible razonar de manera similar con el segundo problema propuesto. respectivamente. Calcular la probabilidad de que la bola transferida de la primera a la segunda urna haya sido negra. mientras que la frecuencia relativa muestra la relaci´n entre las o veces que se ha verificado un suceso y el n´mero total de pruebas realizadas. ¿Hay m´s bolas blancas en la segunda urna que negras en la primera? a ¿Qu´ similitudes observa en los problemas? e . La resoluci´n se reduce a la correcta interpretaci´n de ´ o o este ´rbol en t´rminos de probabilidad condicional. un estudio de probabilidad resulta adecuado. ¿Qu´ diferencias observa en los problemas? e .8 Extracciones de bolas de urnas 115 pretende describir los posibles resultados de un experimento aleatorio no realizado. El problema 1 puede esquematizarse mediante el uso de un diagrama de arbol (figura (a)). ¿Alguno de los problemas “exige” un estudio no probabil´ ıstico? . u Este conocimiento debe ser claro. En la presente secci´n. ¿Qu´ problemas encuentra si intenta realizar un diagrama de arbol e ´ Combinatoria y Probabilidad . sin embargo.4. Se remueven las bolas de la segunda urna y se pasan 25 bolas de la segunda a la primera urna. en el segundo. Se pasan 25 bolas de la primera a la segunda urna. se presentan problemas que no admiten un estudio de probabilidades (y que. se va a ilustrar este problema. evocan a otros que si lo admiten): la “clave” es observar si el estudio se centra en algo que se espera suceda o en algo que ha sucedido de hecho. ¿Los dos problemas “piden” un estudio de probabilidad? . Se pasa una bola de la primera a la segunda y de ´sta e se extrae una bola que es blanca. Se denotan los sucesos a e “extraer una bola negra (N ) de la primera urna” y “extraer una bola blanca (B) de la segunda urna” por N1 y B2 . [Problema 2] Se tiene dos urnas con las siguientes composiciones: la primera contiene 200 bolas blancas y la segunda 700 bolas negras. Se plantean las dos siguientes o situaciones: [Problema 1] Se tiene dos urnas con las siguientes composiciones: la primera contiene dos bolas blancas y una negra y la segunda una bola blanca y cinco negras. En ocasiones. no.

. ¿Se conoce el n´mero de bolas de cada color que pasan en cada etapa de una a u . . ¿Para que ser´ necesario este conocimiento? ıa otra urna? . x bolas blancas.116 4 Situaciones introductorias de c´lculo de probabilidades a tal y como se ha hecho en el anterior problema? . e e ¿podremos asegurar que el n´mero de bolas blancas en la segunda urna es u igual al n´mero de bolas negras en la primera? En efecto. Qu´ sucede cuando pasamos 25. Con dos bolas sucede u lo mismo (compru´belo usted mismo). hay x bolas negras en la primera urna y. o o a sino tambi´n de la situaci´n propuesta: no se trata de determinar la probae o bilidad de que una bola sea negra o blanca en una u otra extracci´n. Simplifiquemos un poco el problema: en lugar de pasar 25 bolas. ¿Es v´lido a a esta razonamiento? ¿Por qu´? e . quedan ıan 25 − (25 − x) bolas blancas en la segunda urna. o bien. en cuyo a caso habr´ una blanca en la segunda urna y una negra en la primera. pasamos s´lo una. En a ambos casos. como se han pasado 25 − x bolas blancas de las 25 que se hab´ traspasado. exige una reconsideraci´n no s´lo de los medios de c´lculo. como muestra la u figura (b) anterior. Wilhelmi . Luego. es mucho m´s probable que en la a urna segunda haya m´s bolas blancas que negras en la primera”. El problema. todo sea dicho de paso). en cuyo caso no tendremos bolas negras en la primera urna ni tampoco blancas en la segunda. o Una persona razona: “como la urna segunda tiene m´s bolas negras. hay el mismo n´mero de bolas blancas en la segunda urna que u negras en la primera: una o ninguna. que pasemos una negra (lo m´s probable. Dos situaciones se presentan: que al revolver la segunda urna o tomemos la bola blanca que acabamos de pasar. el n´mero de bolas blancas en la segunda urna es igual al n´mero de u u Miguel R. a entonces es menos probable que extraigamos una de las bolas blancas que han sido introducidas. esto es. por consiguiente. seg´n el caso. sino o determinar la situaci´n final.

. . Entonces se lanza una moneda al aire. X. X. X. C. a 2) Sector circular en tantos por ciento. X. se desplaza a la casilla X. Combinatoria y Probabilidad .9. C.4. C. b2 blancas y n2 negras. X. Calcular la probabilidad de que la bola transferida de la primera a la segunda urna sea tambi´n negra. trecer. R y S). X. X. . De esta forma. una ficha se desplaza a la casilla C. . X. En la casilla “0” se colocan las 20 fichas.. y si es inferior a siete. . si se obtiene cara. un dado y 20 fichas. Ejercicios 1. ¿Por o qu´ decimos que la probabilidad de salir cara es 1/2? e 3. a c) Diferencias y relaci´n entre frecuencia y probabilidad. la tirada es nula. Haga los gr´ficos: a 1) Gr´fico de barras de las frecuencias relativas. lanzamiento son: 0 0 0 1 2 2 . la segunda. Se tiene dos urnas con las siguientes composiciones: la primera contiene b1 bolas blancas y n1 negras. se a precisa de una moneda. En la p´gina siguiente se presenta un tablero de juego. las frecuencias relativas del suceso “salir cara” despu´s del e primer. C.. . 4. Para jugar. X. Se lanza treinta (30) veces al aire una moneda. Interprete dichos gr´ficos.9 Ejercicios 117 bolas negras en la primera. . Obteni´ndose 13 caras e (C) y 17 sellos (X). N . Se pasa una bola de la primera a la segunda y de ´sta se extrae una bola e que es negra. ¿C´al es la probabilidad de ganar? ¿Es equitativo u este juego? 4. X. si la suma de puntos obtenidos es mayor que siete el jugador gana. X. 1 2 3 4 5 6 a) Respecto al suceso “salir cara”: ¿Cu´l es la secuencia completa de a las frecuencias relativas? ¿Cu´l es la frecuencia relativa inicial? a ¿Y despu´s de los 30 lanzamientos? ¿Cu´l es la secuencia de las e a frecuencias absolutas? b) Respecto al suceso “salir cruz”. C. el jugador pierde. . si se obtiene sello. X. X. segund. C. si vale siete. C. Se lanzan dos dados.. X. C. X. en la secuencia X. X. C. C. C. C. Cuatro jugadores eligen uno de los casilleros (M . C. e 2.

118 4 Situaciones introductorias de c´lculo de probabilidades a Supongamos que sali´ cara. si sale un n´mero u par. la ficha avanza hasta la casilla N .) e Miguel R. “N”. ¿Qu´ jugador eligir´ usted? a e ıa Concluya. Se procede de esta forma hasta que las 20 fichas est´n en alguno a de los casilleros de la ultima columna. Autoevaluaci´n o 1. De una urna que contiene b bolas blancas y n bolas negras se van a extrayendo bolas sin reemplazo. 72 P (N ) = 19 . 3. por un razonamiento experimental y otro te´rico que las o probabilidades de que una ficha que sale de la casilla “0” llegue a “M”. ¿cu´l es la probabilidad de que la k-´sima bola sea blanca? (k ≤ b) (Indicaci´n: e o Estudie los casos k= 1. entonces la ficha o se mueve a la casilla 2. 4 y 5. “R” y “S” son: P (M ) = 20 . si sale impar.10. 72 P (R) = 25 . Wilhelmi . Si hacemos k extracciones. 2. despu´s intente generalizar. se lanza un dado y sale 6. Gana el jugador que acaba con ´ m´s fichas. Se vuelve a lanzar el dado. hasta la casilla R. 72 P (S) = 8 72 4.

Determine e las siguientes probabilidades: P (corona) = P (diana | tablero) = P (tablero | corona) = P (corona | no tablero) = P (no tablero | diana) = P (diana) = P (tablero | diana) = P (diana | no tablero) = P (no tablero | corona) = P (corona | tablero) = Donde la palabra “tablero” representa el suceso “dar en el tablero”. la palabra “diana”. Una de ellas se ha estropeado y permite ganar con probabilidad 0. c) Si se han jugado dos partidas y se han perdido las dos. “dar en la diana”. da a la diana proporcionalmente a la superficie de ´sta. d ) Si se han jugado dos partidas y se ha ganado la primera y perdido la segunda. Sabiendo que R = 4r.4. Combinatoria y Probabilidad . las dos m´quinas tragamonedas existentes pera miten ganar con una probabilidad de 0. Se sabe que una persona da al tablero 9 de cada 10 veces que lanza y que. El punto central del tiro al blanco se llama diana. b) Si se ha jugado una partida y se ha ganado.10 Autoevaluaci´n o 119 2. si ha dado al tablero. Si usted tiene 5 monedas: ¿qu´ estrategia seguir´ para elegir una u e ıa otra m´quina? a 3. etc.6.2 cuando funcionan correctamente. pero no sabemos cu´l es. En la figura se muestra un tiro al blanco. ¿cu´l es la probabilidad de que la m´quina elegida sea la averiada a a en cada uno de los siguientes casos?: a) Antes de comenzar a jugar. Si escogemos una m´quina al azar y jugaa a mos. En una sala de juegos.

.

es igualmente u a probable que se obtenga el suceso (1. etc. probabilidad. 3)1 .Cap´ ıtulo 5 Teor´ elemental de la ıa probabilidad En los cap´ ıtulos anteriores se han introducido. a´n m´s.1. ıa 5. Esto no quiere decir que la elecci´n de los n´meros sea irrelevante: existen n´meros que o u u salen con m´s frecuencia. 5) que el suceso (4. El juego de La carrera (cap´ ıtulo 1) se basa en un experimento aleartorio: antes de lanzar los dados desconocemos el resultado. de manera informal. sucesos favorables. el experimento se llama determinista.1. con los que es m´s probable ganar. a 1 Suceso (a. ´ Algebra de Boole de sucesos Espacio muestral La teor´ de la probabilidad est´ interesada en la descripci´n y comprenıa a o si´n de experimentos aleatorios. puesto que a a existen m´s formas de que los dados sumen una cantidad u otra. ıa sucesos posibles. En a caso contrario. azar. En este cap´ ıtulo se formalizar´n esa tos y otros conceptos de la teor´ de la probabilidad. 5. muchos conceptos de la teor´ de la probabilidad: frecuencia. sujetos al azar o la “suerte”: o Definici´n 13 (Experimento aleatorio) Un experimento es aleatorio si o al repetirlo (en condiciones an´logas) no se puede predecir el resultado. 121 . b): obtener a con el primer dado y b con el segundo.1. esto es.

e o se especifica que el experimento es aleatorio. sello} ≡ {C. Por otro lado. etc. y sello. 4. sacar una naipe de una baraja. As´ ı. . Otros expere mientos deterministas son: observar la oxidaci´n de una manzana partida o por la mitad. es posible asociarle su espacio muestral. cuando se observa. por X. 3. aproximadamente. denotaremos E. un espacio muestral tiene al menos dos puntos muestrales. En la tabla siguiente se da una lista de experimentos aleatorios: establezca el espacio muestral para cada uno de ellos2 . X} Observe el lector que los espacios muestrales asociados a los cinco experimentos que aparecen en la tabla anterior son finitos. 12} E = {cara. . 11. en la definici´n de espacio muestral que se acaba de dar. 10. o medir la temperatura de fusi´n del hierro. Wilhelmi . Por ´ lo tanto. . con otras ´ palabras. etc. puesto que es posible predecir el resultado del mismo (antes de que ´ste se realice). Cada uno de los resultados posibles del experimento es un punto muestral. el experimento es determinista. Miguel R. medir la fuerza de repulsi´n de los polos iguales de dos imanes. al conjunto de todos los resultados posibles de dicho experimento.122 5 Teor´ elemental de la probabilidad ıa Otros ejemplos de experimentos aleatorios son: lanzar una moneda. por ejemplo. Experimento aleatorio Lanzar dos dados y observar la suma de los mismos Lanzar una moneda al aire Lanzar dos monedas al aire Observar el palo que sale al levantar una carta de una baraja N´mero de caras al lanzar 4 monedas u Espacio muestral E = {2. As´ ı: Definici´n 14 (Espacio muestral) Se llama espacio muestral de un exo perimento aleatorio. . por C. En el supuesto de que ´ste sea e determinista. o Como hemos dicho anteriormente. observar el n´mero de veces que hay que lanzar u una moneda para obtener cara. para todo experimento aleatorio. un experimento con un unico punto muestral es determinista. en el lanzamiento de una moneda: denote cara. nos vamos a interesar en los experimentos aleatorios. la caida libre de un cuerpo desde una determinada altura y se mide el tiempo que tarda en llegar al suelo se obtiene siempre el mismo valor. Obs´rvese que. el espacio muestral se reduce a un unico resultado. No siempre sucede as´ el lanzamiento de un dardo sobre un blanco de tiro puede cifrarse por la ı: 2 Por sencillez.

Entonces. 8 o 10. 7. que los n´meros seleccionados por el jugador A son 2. que el suceso “el jugador A mueve una ficha” se haya verificado significa que en el lanzamiento de los dados dicho jugador ha obtenido 2. Supongamos. Por ejemplo. el suceso se llama elemental o simple. diremos u que el suceso “el jugador A mueve una ficha” se ha verificado. u Todos tienen una caracter´ ıstica com´n: son iguales al espacio muestral E.1 Algebra de Boole de sucesos 123 distancia a la diana o punto central del blanco. los sucesos “obtener un n´mero menor que 13” o “obtener u un n´mero mayor que 1” se verifican siempre y por ello se llaman seguros. 3. el supuesto lanzador debiera repetir su intento. por ejemplo. se define: Definici´n 15 (Suceso) Se llama suceso (de un experimento aleatorio) a o cada uno de los subconjuntos de un espacio muestral. en tal caso. un jugador A selecciona 5 n´meros y su conu trincante B otros 5. En general. el suceso se llama compuesto. En estas circunstancias. el jugador A mover´ una ficha si al lanzar los dados obtiene a uno de los n´meros que ha escogido o el 3. quedando uno libre.´ 5. En general. Por otro lado. cualquier n´mero real en el interıdo valo [0. por lo tanto. En caso contrario. se admite que todo lanzamiento v´lido es aqu´l que alcanza el blanco. cuando se afirma que un suceso determinado se ha verificado se est´ se˜alando que el resultado del experimento pertenece a dicho a n conjunto. u 3 Impl´ ıcitamente. un lanzamiento v´lido queda determinado por una distancia a al centro. De esta forma. 5. En otras palabras. Espacios de sucesos En el juego La carrera. son seleccionados por el jugador B). 7. estamos especialmente interesados en experimentos cuyos espacios muestrales sean conjuntos finitos. el suceso se verifica solamente si se obtiene un punto muestral. 8 y 10. a e en caso contrario. 5. el suceso “el jugador A mover´ la ficha que desee” s´lo se a o cumple si al lanzar los dados obtiene 3. 5. comprendida entre 0 (la diana ha sido alcanzada) y r (el dardo u ha ca´ en el filo del blanco)3 . 7. Por ejemplo. es decir. Combinatoria y Probabilidad . r]. si el blanco es circular de radio r. se llama suceso elemental o simple de un experimento aleatorio a cualquier subconjunto unitario de un espacio muestral. De esta forma. es decir. 5. Sin embargo. 3. el suceso “el jugador A mueve una ficha” est´ constituido por los a puntos muestrales: 2. Existen unos sucesos muy particulares: el suceso seguro y el suceso imposible.2. 8 y 10 y que el n´mero u u 3 queda libre (el resto.1.

7. dado un conjunto A. e De esta forma. si se denota por A al suceso “el jugador A mueve una ficha” y por B “salir 3”. si siempre que se verifica B se verifica tambi´n A. se define: Definici´n 18 (Sucesos iguales) Los sucesos A y B son iguales. se denota U . se tiene que A ⊇ B. Por lo tanto. se eso cribe A = B. esto es: o Si Card(E) = n ⇒ Card(U ) = 2n Demostraci´n. por ejemplo. es posible determinar el cardinal de U si se conoce el de E. “las partes de A”. En o a ıa general. en efecto: Proposici´n 10 Si E tiene n elementos. Miguel R. Esto es: A=B ⇔A⊇B∧B ⊇A 4 Una notaci´n m´s precisa ser´ P (E). el conjunto de todos los sucesos representa a P (E). el suceso “el jugador A mueve una ficha” se verifica siempre que se verifique cualquiera de los sucesos “salir 2. en un espacio finito. En general. De hecho. mas no es cierto el rec´ ıproco. se denota por U al espacio de sucesos para no llevar a confusi´n: m´s adelante. si siempre que se verifica uno de ellos se verifica tambi´n el e otro. si el jugador A obtiene cualquiera de los n´meros que ha elegido o el n´mero 3. Por ejemplo. en muchas ocasiones es necesario describir relaciones entre diferentes sucesos. Ejercicio 3. puesto U representa “las partes de E”. entonces mover´ una de sus u u a fichas. Sin embargo. de esta forma. denotaremos a la probabilidad del o a suceso total E por P (E). §2. Sin embargo. el suceso imposible es identificado con el conjunto vac´ (∅): no hay ning´n punto muestral que haga que se verifique. P (A) representa el conjunto de subconjuntos de A. ıo u Definici´n 16 (Espacio de sucesos) Se llama espacio de sucesos de un o experimento aleatorio. al conjunto formado por todos los sucesos4 . se define: Definici´n 17 (Inclusi´n de un suceso) El suceso A incluye al suceso o o B. esto es.9. como cada suceso representa un subconjunto de E. Wilhelmi . 8 o 10” o “salir 3”. 5. o a u En general.124 5 Teor´ elemental de la probabilidad ıa Por suceso imposible se designa a uno que no puede verificarse bajo ninguna condici´n: “obtener m´s de 12” o “un n´mero negativo”. o Hasta ahora hemos descrito los experimentos por un conjunto de sucesos “aislados”. Por otro lado. se donota A ⊇ B. entonces U tiene 2n .

As´ por ejemplo. los dos sucesos no pueden verificarse simult´neamente: por ejemplo. un suceso es un subconjunto o del espacio de muestral E. salir a cara o sello en el lanzamiento de una moneda. 4. En ciertas circustancias A ∩ B = ∅. Entonces es posible hablar de la uni´n.3. Este tipo de sucesos se llaman incompatibles5 . A continuaci´n. el significado de estas operaciones se sigue del de o la Teor´ de Conjuntos. esto es. en el experimento anterior. dados dos sucesos a A y B de un espacio de sucesos U .1 Algebra de Boole de sucesos 125 5. se denota A ∩ B. Por ejemplo. Combinatoria y Probabilidad . al suceso que se verifica cuando se verifican simult´neamente a los sucesos A y B. 5. si el suceso A es “salir impar” y b es “salir mayor que 3”. Definici´n 20 (Intersecci´n de sucesos) Dados dos sucesos A y B de o o o un espacio de sucesos U . o al suceso que se verifica cuando se verifica al menos uno de los sucesos A o B. se tiene: A y B son incompatibles ⇔ A ∩ B = ∅ Los ejemplos dados de sucesos incompatibles tienen una diferencia esencial: mientras que en el lanzamiento de una moneda necesariamente o bien sale cara o bien sale sello. 6}. en el experimento de lanzar un dado al aire y observar el resultado. se llama uni´n de los sucesos A y B.1. se denota A ∪ B. entonces A ∪ B = {1. en el lanzamiento de un dado el suceso “mayor 5 Los sucesos incompatibles en ocasiones son llamados mutuamente excluyentes o disjuntos. se dan dichas definiciones referidas ıa o a los sucesos. 3.´ 5. En t´rminos conjuntistas. Operaciones con sucesos Como se ha definido en la anterior secci´n. e se tiene: como A = {1. o o Definici´n 19 (Uni´n de sucesos) Dados dos sucesos A y B de un espacio de sucesos U . diferencia de sucesos. interseco ci´n. 5. se llama intersecci´n de los sucesos A y B. la intersecci´n de los sucesos ı. esto es. 5} y B = {4. 6}. Definici´n 21 (Sucesos incompatibles) Dos sucesos son incompatibles o cuando no pueden verificarse simult´neamente. o A y B es igual a: A ∩ B = {5}. obtener un n´mero mayor u que 4 o menor que 2 en el lanzamiento de un dado. entonces A∪B es el suceso “salir impar o salir mayor que 3”. 3.

el suceso “salir una cara y una cruz”. pero la implicaci´n inversa no es cierta. los sucesos “mayor que 4” y “menor que 2” del experimento con el dado no lo son. interesar´ determinar cu´ndo un suceso se a a verifica. otro es el siguiente: para el experimento “lanzar dos monedas al aire y esperar que sale”. Por otro lado. supuesto que otro no se ha verificado. 5} y. Leonhard Euler (1707–1783). sin embargo. se denota A \ B. si al lanzar el dado la cara superior es 2. Los sucesos “salir cara” y “salir sello” se llaman contrarios o complementarios. mas no complementarios. 2. 4.126 5 Teor´ elemental de la probabilidad ıa que 4” se verifica si se obtiene 5 o 6 y el suceso “menor que 2” unicamente si ´ se obtiene 1. los sucesos “obtener dos caras” y “obtener dos cruces” son incompatibles. aparecen representadas la uni´n e intersecci´n de sucesos. Wilhelmi . por lo tanto. pero. A \ B = {1} y B \ A = {4. en general. se tiene: A y B son complementarios ⇐⇒ A ∩ B = ∅ ∧ A ∪ B = E Se denota por Ac al suceso complementario del suceso A. en ocasiones. se llama diferencia de los sucesos A y B. entonces se tiene que: A = {1. contrarios y de la operaci´n diferencia? o 6 John Venn (1834–1927). pero no B. las operaciones con sucesos pueden ser reo presentandas por los cl´sicos diagramas conjuntistas de Venn-Euler6 . dos sucesos complementarios son incompatibles. esto es: A \ B = A ∩ Bc Por ejemplo. ninguno de los dos sucesos se verifica. 3. Miguel R. 3} u y B = {2. puesto que en dicho experimento se puede verificar. al suceso que se verifica cuando se verifica A. no es cierto el rec´ ıproco. ¿Es la operaci´n diferencia conmutativa? o . Si A es el suceso “salir un n´mero menor que 4” y B es “salir u un n´mero mayor que 1 y menor que 6”. de esta forma. adem´s de los dos a citados. En concreto: Definici´n 23 (Diferencia de sucesos) Dados dos sucesos A y B de un o espacio de sucesos U . dados dos sucesos A y B de un espacio de sucesos U . esto es. Un o contraejemplo se ha dado anteriormente. con otras palabras: complementariedad implica incompatibilidad. Para terminar esta secci´n. De esta forma. 3 o 4. En la a figura siguiente. o o ¿puede obtener representaciones de sucesos incompatibles. 5}. En general: Definici´n 22 (Sucesos complementarios) Dos sucesos se llaman como plementarios (o contrarios) si simpre que no se verifica uno de ellos se verifica el otro.

para la intera o a secci´n. Por ejemplo.1 Algebra de Boole de sucesos 127 Como veremos v´s adelante.2). los diagramas de Venn-Euler resultan muy a utiles para demostrar ciertas propiedades de las operaciones con sucesos ´ (§5.4) y para determinar la probabilidad de un suceso conocida la de otro. dentro del mismo espacio de sucesos (§5. Por ejemplo. Otra forma e de razonar la veracidad de estas propiedades por medio de los diagramas de Venn-Euler: “es preciso sombrear la misma porci´n de area”. complete la siguiente tabla: Propiedad Conmutativa Asociativa Elemento neutro Distributiva Complementaci´n o Uni´n o A∪B =B∪A A ∪ (B ∪ C) = (A ∪ B) ∪ C A∪∅=A A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) A ∪ Ac = Intersecci´n o A∩B =B∩A A ∩ (B ∩ C) = A∩E = A ∩ (B ∪ C) = A ∩ Ac = ∅ Las propiedades distributivas que se han se˜alado en las columnas n “uni´n” e “intersecci´n” deben enunciarse. las operaciones uni´n o e intersecci´n de dos sucesos son conmutativas. 5. de forma m´s precisa.2.1. esto es: o A∪B =B∪A A∩B =B∩A Demostrar estas propiedades es autom´tico. como “la o o a propiedad distributiva de la uni´n respecto a la intersecci´n” y como “la o o Combinatoria y Probabilidad . decir que se deben verificar los sucesos A y B simult´neamente es id´ntico a decir que se deben verificar los sucesos B y A a la vez. Sean A. Propiedades de las operaciones con sucesos Las operaciones sobre conjuntos que se han introducido cumplen ciertas propiedades que es conveniente resaltar.´ 5.1.4. B y C tres sucesos de un espacio e de suceso U . o ´ A continuaci´n se detalla una lista con las operaciones fundamentales y o las propiedades que ´stas cumplen.

2. ∩. ∅ y E tiene su dual: es suficiente escribir otra proposici´n cambiando el s´ o ımbolo ∪ por ∩. Frecuencias absoluta y relativa de un suceso Como se ha podido comprobar en los cap´ ıtulos precedentes.1. En o a o a o concreto. seg´n las o o u definiciones dadas por Pi`rre Simon de Laplace (1749–1827). Propiedad A∪E =E Ec = ∅ c = (A ∩ B) ∪ B c A∪B Propiedad dual 5. para las que se dan a continuaci´n. Noci´n de probabilidad o En esta secci´n se formaliza la noci´n central de probabilidad. la proposici´n o o dual. por el vac´ ∅. Wilhelmi . espacio de sucesos. toda proposici´n con los s´ o ımbolos ∪. ıo ıo Ejercicio Observe la dualidad entre las propiedades de las operaciones que han sido enunciadas y establezca. Richard Von e Mises (1883–1953) y Andrei Nikolaievich Kolmog´rov (1903–1987). Por verificarse estas propiedades. se dice que U . es un algebra de Boole (1815–1864). el total E. Se define: Miguel R.2. o 5. observando su veracidad. por ∪. el conjunto vac´ ∅. ´ Otras propiedades son: Propiedad Idempotencia Simplificaci´n o De Morgan Uni´n o A∪A=A A ∪ (A ∩ B) = A (A ∪ B)c = Ac ∩ B c Intersecci´n o A∩A=A A ∩ (A ∪ B) = A (A ∩ B)c = Ac ∪ B c Observe que se cumple un principio de dualidad: para cualquier proposici´n v´lida para la uni´n se tiene otra v´lida para la intersecci´n. el s´ ımbolo ∩. por el total E. la noci´n de o probabilidad est´ ´ a ıntimamente relacionada con las frecuencias relativas.128 5 Teor´ elemental de la probabilidad ıa propiedad distributiva de la intersecci´n respecto a la uni´n”. respectivao o mente.

Si A = E. Si B es incompatible con A. 4. si en n e ´ pruebas el suceso A se verifica nA veces y el suceso B. si se ha lanzado al aire un dado 100 veces y ha salido “par” 53 veces. Las dos propiedades siguientes son claras (¿por qu´?). queda demostrada la primera propiedad. La frecuencia relativa de A es un n´mero comprendido entre 0 y 1: 0 ≤ fr (A) ≤ 1. luego. se u llama frecuencia absoluta del suceso A. al n´mero nA . dividiendo por n: nA 0 ≤ nA ≤ n ⇒ 0 ≤ ≤ 1 ⇒ 0 ≤ fr (A) ≤ 1 n De esta forma. Si A = ∅. para la propiedad 4. se tiene que: 53 100 Por otro lado. Por ultimo. 3. se denota fa (A). al cociente entre la frecuencia absoluta y el n´mero total de pruebas realizadas.2 Noci´n de probabilidad o 129 Definici´n 24 (Frecuencia) Sea A un suceso cualquiera de un experimeno to aleatorio. por ser A y B incompatibles (no pueden verificarse simult´neamente). entonces la frecuencia relativa es 0: fr (∅) = 0. las frecuencias relativas de un suceso aleatorio cumplen la siguiente: fa (“par”) = 53 fr (“par”) = Proposici´n 11 Sea A un suceso cualquiera de un espacio de sucesos U . se denota fr (A). entonces la frecuencia relativa del suceso uni´n es la suma de las respectivas frecuencias relativas: o Si A ∩ B = ∅ ⇒ fr (A ∪ B) = fr (A) + fr (B) Demostraci´n. el a suceso A ∪ B se producir´ nA + nB veces. Si se realizan n pruebas y el suceso A se verifica nA veces. Se llama frecuenca relativa del suceso A. nB veces. entonces.5. 2. Esto es: u nA fr (A) = fa (A) = nA n Por ejemplo. Si nA es la frecuencia absoluta del suceso A cuando se o han realizado n pruebas. entonces la frecuencia relativa es 1: fr (E) = 1. es claro que debe verificarse: 0 ≤ nA ≤ n. o entonces se cumplen las siguientes propiedades: u 1. Por lo tanto: a fr (A ∪ B) = Combinatoria y Probabilidad nA nB nA + nB = + = fr (A) + fr (B) n n n .

se han calculado probabilidades. Laplace. o a la probabilidad de un suceso A de U (espacio de sucesos asociado a E) es igual a la proporci´n entre el n´mero de casos favorables a A y el n´mero de o u u casos posibles (Card(E)). advirtiendo el problema de la equiprobabilidad consider´ el principio de raz´n insuficiente. Wilhelmi . en su obra Teor´ anal´ ı. es una definici´n muy util. Laplace. por ejemplo. la asignaci´n de una probabilidad a un suceso de un exa o perimento aleatorio por la regla de Laplace se justific´ por el principio de o indiferencia: los casos posibles son considerados como equiprobables cuando hay un balance de evidencia a favor de cada una de las alternativas. como. ıa ıtica de las probabilidades. los resultados posibles (que se cuentan haciendo uso de la Combinatoria) pueden clasificarse en un n´mero finito de casos que u se suponen perfectamente sim´tricos. Dicha evidencia. En estos juegos. o M´s adelante.2.2. siempre que todos los resultados sean igualmente probables (equiprobables): P (A) = casos favorables a A casos posibles (equiprobables) Apesar de que la definici´n cl´sica seg´n Laplace es c´ o a u ıclica (el t´rmino dee finido —probabilidad— es utilizado en la definici´n) y restrictiva (se aplica o a casos en los que el espacio muestral es finito y los casos posibles equiprobables). que resuelve un conjunto grande de o ´ problemas. Miguel R. las seis caras de un dado o las cuarenta cartas de una baraja. observando el n´mero de casos en los que se verifica un u suceso determinado en un experimento aleatorio (respecto al n´mero de u casos posibles). dio la definici´n que hoy se conoce como cl´sica: o a Definici´n 25 (Probabilidad cl´sica) Sea E un espacio muestral finito. am´n de resultar muy intuitiva. As´ en 1812. las dos caras de e una moneda. e Los problemas aparecen cuando no es posible afirmar que los casos son equiprobables o cuando la variable a estudiar es continua (como es el caso de la distancia del dardo al centro del blanco de tiro). No es circunstancial este uso primero que se ha hecho: la probabilidad tuvo su origen en la resoluci´n de problemas relativos a juegos o de azar. puede conseguirse por la repetici´n de un experimento en las miso mas condiciones y observando la simetr´ de las frecuencias relativas de los ıa casos. o o que considera los casos de un experimento aleatorio equiprobables si no existe una raz´n “de peso” para suponer lo contrario.130 5 Teor´ elemental de la probabilidad ıa 5. P. Definici´n de probabilidad o En muchos de los problemas de los anteriores cap´ ıtulos. S.

se pueden realizar un n´mero finito de pruebas y. en la pr´ctica (que es como se obtienen las u a frecuencias) la definici´n secuencial queda invalidada. Esta u es la ley de regularidad de las frecuencias relativas o ley del azar para un experimento aleatorio: las frecuencas relativas de los sucesos tienden a estabilizarse. publicada en 1928. u la probabilidad es una funci´n. De esta forma. si se admite como hip´tesis la ley del azar. la probabilidad es una e manera de asignar un n´mero a un suceso de manera no arbitraria. esta definici´n tiene. “m´s o menos” la mitad sean cara y la otra mitad sello.7 La ley del azar es muchas veces mal comprendida. se denota P (A). a nuestro entender. a los n´meros o u alrededor de los cuales se estabilizan las frecuencias relativas de los sucesos se les llama probabilidades de ´stos. unicamente podemos esperar que si lanzamos la moneda ´ “muchas” veces. Los exo e perimentos aleatorios son totalmente imprevisibles de manera aislada. no entrar en La definici´n te´rica de probabilidad frecuencial puede ser enunciada en t´rminos de o o e l´ ımites secuenciales: Se llama probabilidad del suceso A. pero presentan regularidades si se repiten un n´mero “elevado” de veces. ¿c´mo realizarlo un n´ mero u o u infinito de veces? A lo sumo.5. Definici´n 26 (Probabilidad frecuencial) Se llama probabilidad de un o suceso A. no podemos determinar si saldr´ cara o sello en el pr´xia o mo lanzamiento. Es posible. o a Esta m´xima no es correcta: por ejemplo. Combinatoria y Probabilidad 7 . pero siempre quedan problemas de reproductibilidad de un experimento en condiciones fijas. al n´mero alrededor del cual se estabilizan las u frecuencias relativas de A. esto es. para un experimento aleatorio determinado. En definitiva. Por lo tanto. un problema radical: la frecuencia o designa el n´ mero de veces que ha ocurrido un experimento. cuando el n´mero de pruebas crece. R. defini´ la o probabilidad con base en las frecuencias relativas de los sucesos. se denota P (A). u en su obra Probabilidad. en la siguiente repetici´n ocurrir´ otro”.2 Noci´n de probabilidad o 131 El m´todo emp´ e ırico condujo a la formulaci´n de la ley del azar y a la o definici´n de la probabilidad en t´rminos de la frecuencia relativa. si lanzamos tres veces una moneda a y sale siempre cara. por lo tanto. hacer una o reformulaci´n del problema con base en el llamado Teorema de los grandes n´meros (ver o u anexo G). estad´ ıstica y verdad. sin embargo. de esta forma. von Mises. La falacia del jugador consiste en aceptar la siguiente m´xima: “si en muchas repeticiones se ha a verificado un determinado suceso. a Igual sucede con el lanzamiento de un dado o la extracci´n de una carta de o una baraja o con cualquier otro experimento aleatorio. esta funci´n debe tener propieo o o dades parecidas a las de la frecuencia relativa y. L´gicamente. al l´ ımite de las frecuencias relativas cuando el n´mero de pruebas tiende a infinito: u nA P (A) = l´ ım n→∞ n Sin embargo.

Tres personas llegan a la siguiente conclusi´n: o P1 : U −→ R P2 : U −→ R P3 : U −→ R ∅ → P (∅) = 0 ∅ → P (∅) = 0 ∅ → P (∅) = 0 {C} → P ({C}) = 3/4 {C} → P ({C}) = 1/2 {C} → P ({C}) = 2/3 {X} → P ({X}) = 1/4 {X} → P ({X}) = 1/2 {X} → P ({X}) = 3/5 E → P (E) = 1 E → P (E) = 1 E → P (E) = 1 Una funci´n P es de probabilidad si cumple con las tres propiedades dadas o en la definici´n axiom´tica (definici´n 27). von Mises. pero se desconoce en qu´ proporci´n. A un mismo expermiento aleatorio se le pueden asociar distintos espacios probabil´ ısticos. de esta manera. N. o a o Miguel R. Definici´n 28 (Espacio probabil´ o ıstico) Se llama espacio probabil´ ıstico o de probabilidades asociado a un experimento aleatorio a la terna (E. U. en su obra Fundamentos de o o la teor´ de la probabilidad. P (A) ≥ 0. se llama probabilidad a toda funci´n o que asocia a cada suceso A. ∀A ∈ U . un n´mero real que u se denomina probabilidad de A y que se representa por P (A). de u forma experimental. la funci´n P cumple las siguientes propiedades: a o 1. entonces P (A ∪ B) = P (A) + P (B). Kolmog´rov. P (E) = 1. P ). del espacio de sucesos U . Para determinar a e o las probabilidades P (C) (“salir cara”) y P (X) (“salir sello”). a definir el concepto de probabilidad de manera ıa axiom´tica de la manera siguiente: a Definici´n 27 (Probabilidad axiom´tica) Si U es el espacio de sucesos o a asociado a un experimento aleatorio. Wilhelmi . se recibe una moneda defectuosa o trucada. sin m´s que modificar la funci´n de probabilidad. o o Esta idea llev´ en 1933 a A. 2. Por a o ejemplo. esto es: P : U −→ R A → P (A) Adem´s. una probabilidad a ambos sucesos.132 5 Teor´ elemental de la probabilidad ıa contradicci´n con la definici´n de probabilidad avanzada por R. Si A ∩ B = ∅. se procede a lanzar la moneda un n´mero finito de veces y asignar. donde E es el espacio muestral. U es el espacio de sucesos y P una funci´n o de probabilidad definida sobre el mismo. con la cual se obtienen m´s caras que sellos. 3.

En efecto: A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) = ∅ ∪ ∅ = ∅ De esta forma. entonces: P (A1 ∪ . en virtud del axioma tercero de la a funci´n de probabilidad: o P (A ∪ B ∪ C) = P (A ∪ (B ∪ C)) = P (A) + P (B ∪ C) = P (A) + P (B) + P (C) Combinatoria y Probabilidad . se demostrar´ un o a caso particalar: n = 3. Por la propiedad asociativa de la uni´n de sucesos se o o tiene que A ∪ B ∪ C = A ∪ (B ∪ C). + P (An ) Antes de demostrar la proposici´n general enunciada. los sucesos A y B ∪ C son a incompatibles. ¿Es P2 funci´n de probabilidad? o . que sello. esto es. necesariamente. por lo tanto. . Proposici´n 12 La probabilidad del suceso uni´n de un n´mero finito de o o u sucesos incompatibles entre s´ dos a dos es igual a la suma de las probabiliı dades de dichos sucesos. puesto que o no cumple la propiedad tercera: los sucesos “salir cara” y “salir cruz” son incompatibles y contrarios. es f´cil concluir la tesis. La proposici´n que se acaba de enunciar supone la generalizaci´n del tero o cer axioma de una funci´n de probabilidad. Por otro lado. . es posible demostrar algunas propiedades que verifica toda funci´n de probabilidad. debe ser igual a 1.5. que se deducen de los axiomas (def. . o An .27) y que han o sido utilizadas de manera informal en el cap´ ıtulo 4.2 Noci´n de probabilidad o 133 ¿Es P1 funci´n de probabilidad? o . . Esto es: Si A ∩ B = A ∩ C = B ∩ C = ∅ ⇒ P (A ∪ B ∪ C) = P (A) + P (B) + P (C) Demostraci´n. ¿Es P3 funci´n de probabilidad? Como se puede observar. . o . ∪ An ) = P (A1 ) + . B y C incompatibles entre s´ dos a dos. dados n sucesos A1 . tal que Ai ∩ Aj = ∅. Por ultimo. la funci´n P1 es de probabilidad a ´ o y se ajusta a la situaci´n. . obteni´ndose con e m´s frecuencia cara. la funci´n P3 no es de probabilidad. En concreto: Lema 5 Dados tres sucesos A. mas la asignaci´n de probabilidad no se o ajusta a los datos del problema: la moneda es defectuosa. o Por otro lado. o la funci´n P2 si es de probabilidad. ı entonces la probabilidad del suceso uni´n es igual a la suma de las probabio lidades de dichos sucesos. P (C) + P (X). para todo i = j. Adem´s. la suma de probabilidades de dichos sucesos. ..

o o a se tiene: P (E) = 1. esto es: P (∅) = 0 Demostraci´n. o Proposici´n 13 La probabilidad del suceso complementario de A es igual o a 1 menos la probabilidad del suceso A. Esto es. Es claro observar que todo suceso A puede ser deso compuesto como uni´n de dos sucesos incompatibles en la forma: A = o (A \ B) ∪ (A ∩ B) (¿por qu´? Ver figura 5. Entonces. Proposici´n 14 Sean A y B dos sucesos cualesquiera (no necesariamente o incompatibles). para demostrar la propiedad. La demostraci´n del lema 5 da o o o una pauta para la generalizaci´n: utilizar la propiedad asociativa de la uni´n o o de sucesos para aplicar sucesivamente la propiedad tercera de la definci´n o axiom´tica de probabilidad.134 5 Teor´ elemental de la probabilidad ıa Demostraci´n de la proposici´n 12. como A y Ac son complementarios se verifica a que A ∩ Ac = ∅ y A ∪ Ac = E. nuevamente por e la propiedad tercera de la definici´n axiom´tica: o a P (A) = P (A \ B) + P (A ∩ B) ⇒ P (A \ B) = P (A) − P (A ∩ B) 8 La demostraci´n formal de esta proposici´n se da en el anexo C. esto es: P (Ac ) = 1 − P (A) Demostraci´n. o o Miguel R. La propiedad anterior: P (∅) = 1 − P (∅c ) = 1 − P (E) = o 1 − 1 = 0. Por la propiedad segunda de la definici´n axiom´tica. es sua ficiente aplicar dicho axioma (n − 1) veces. Wilhelmi . Queda al lector escribir dicha demostraci´n8 .1(a)). entonces se cumple: P (A \ B) = P (A) − P (A ∩ B) Demostraci´n. luego: 1 = P (E) = P (A ∪ Ac ) = P (A) + P (Ac ) ⇒ P (Ac ) = 1 − P (A) Como una consecuencia clara de la anterior proposici´n se tiene el sio guiente: Corolario 2 La probabilidad del suceso imposible es cero. adem´s.

entonces se cumple: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) Demostraci´n. (Indicaci´n: A ∪ B = (A \ B) ∪ B. para el caso de tres sucesos. entonces P (A) ≤ P (B).1(c)). figura 5. figura 5. por la propiedad tercera de la definici´n e o axiom´tica. la demostraci´n anterior puede ser generalizada a n sucesos o cualesquiera (ver anexo C). Como A est´ incluido en B. luego. se ı tiene: P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) En efecto: P (A ∪ B ∪ C) = P (A ∪ (B ∪ C)) = = P (A) + P (B ∪ C) − P (A ∩ (B ∪ C)) = = P (A) + P (B) + P (C) − P (B ∩ C) − P ((A ∩ B) ∪ (A ∩ C)) = = P (A) + P (B) + P (C) − P (B ∩ C) − [P (A ∩ B) + P (A ∩ C) − P (A ∩ B ∩ A ∩ C)] = = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) Proposici´n 16 Si A ⊆ B.1(b).) o Por otro lado. es posible descomponer ´ste o a e ultimo suceso como uni´n de dos suceso incomptatibles: B = (B \ A) ∪ A ´ o (¿por qu´?.5. o Demostraci´n. se tiene: a P (B) = P (B\A)+P (A) ⇒ P (B)−P (A) = P (B\A) ≥ 0 ⇒ P (B) ≥ P (A) Una consecuencia inmediata es: Combinatoria y Probabilidad . La demostraci´n es similar a la anterior y queda como o o ejercicio.2 Noci´n de probabilidad o 135 Figura 5. As´ por ejemplo.1: Proposici´n 15 Sean A y B dos sucesos cualesquiera (no necesariamente o incompatibles).

P (Ac ∪ B) = 1 − a + c. P ({c}) = 1/2. Wilhelmi . 4. ni B. 5. b) P ({b}) = P ({c}) = 2 · P ({a}). P (Ac ∩ B) = b − c.136 5 Teor´ elemental de la probabilidad ıa Corolario 3 Si A es un suceso cualquiera: P (A) ≤ 1. P (A ∪ B) = a + b − c. P (B) = b y P (A ∩ B) = c. P (Ac ∪ B c ) = 1 − c. se sabe que P (A) = a. o Una aplicaci´n muy interesante de todas las propiedades que se acaban o de enunciar y demostrar es la resoluci´n de problemas. Halle P ({a}) en o los siguientes casos: a) P ({a}) = P ({b}) = P ({c}). Es suficiente observar que. Por ejemplo. para todo suceso A. P (A ∩ B ∩ C) = 1/27. entonces es posible determinar la probabilidad de: P ((A ∩ B)c ) = 1 − P (A ∩ B) = 1 − c. B. c) P ({a}) = P ({b}). Tres sucesos cumplen: P (A) = P (B) = P (C) = 1/3. P (Ac ∩ B c ) = 1 − a − b + c. c}. Miguel R. donde se conoce la o probabilidad de ciertos sucesos de un espacio muestral y se desea determinar la de otros de ese mismo espacio. Compruebe que las siguientes igualdades: 1. Demostraci´n. b) P (A ∪ B). Ejercicios 1. 2. d ) P ({a}) = 2 · P ({b}) = 3 · P ({c}). c) No se cumpla ninguno de los sucesos A. A ⊆ E o y aplicar la proposici´n precedente. Calcule las siguientes probabilidades: a) P (A ∪ B ∪ C). b. Si P es una funci´n de probabilidad de E = {a. pero no se cumpla ni A. 3. 2. C. P (A ∩ B) = P (B ∩ C) = P (C ∩ A) = 1/9. d ) Se cumpla C.

5.2 Noci´n de probabilidad o

137

3. Sean A y B dos sucesos tales que P (A) = 3/8, P (B) = 1/2 y P (A ∩ B) = 1/4. Se pide: a) P (A ∪ B). b) P (Ac ). c) P (Ac ∪ B c ). d ) P (Ac ∩ B c ). e) P (A ∩ B c ). f ) P (Ac ∩ B).

5.2.3.

Construcci´n de una funci´n de probabilidad o o

¿C´mo asignar probabilidades a los distintos sucesos de manera que reo sulte una funci´n de probabilidad? Sea E = {a1 , . . . , an } un espacio muestral o finito correspondiente a un experimento aleatorio y Ai = {ai } los sucesos elementales del mismo. Sea ahora un suceso compuesto A por los puntos k primeros puntos muestrales a1 , . . . , ak , entonces: A = {a1 , . . . , ak } = {a1 } ∪ . . . ∪ {ak } = A1 ∪ . . . ∪ Ak Adem´s, como los sucesos simples son incompatibles dos a dos, se concluye a que: Proposici´n 17 La probabilidd de un suceso es igual a la suma de las o probabilidades de los sucesos elementales que lo forman, esto es, si A = {a1 , . . . , ak }: P (A) = P (A1 ) + . . . + P (Ak ) Obs´rvese que la elecci´n de los primeros puntos muestrales no es rese o tricci´n alguna: en el supuesto de que el suceso A estuviera conformado por o k sucesos simples “desordenados”, ser´ suficiente “ordenarlos” o, de otra ıa forma, “renombrarlos”. Lo esencial es que el suceso A est´ conformado por a un conjunto finito de sucesos elementales y que ´stos son incompatibles dos e a dos. Por otro lado, ¿qu´ condici´n deber´n cumplir las probabilidades asige o a nadas a los sucesos elementales? Sabemos que A1 ∪ . . . ∪ An = E, entonces: 1 = P (E) = P (A1 ) + . . . + P (An ) Dos situaciones son ahora posibles: los sucesos elementales sean o no sean equiprobables. En el primer caso, es sencillo asignar probabilidades: si
Combinatoria y Probabilidad

138

5 Teor´ elemental de la probabilidad ıa

hay n sucesos elementales A1 , . . . , An y denotamos por a a la probabilidad de cualquiera de ellos (P (Ai ) = a, ∀i ∈ N, 1 ≤ i ≤ n), entonces se tiene: P (A1 ) + . . . + P (An ) = a · n = 1 ⇒ a = 1 n

Esto es, a cada suceso elemental se le asigna la probabilidad 1/n. De esta forma, si entre los n resultados posibles equiprobables hay k de ellos favorables la realizaci´n del suceso A (A = A1 ∪ . . . ∪ Ak ), se concluye que: o P (A) = P (A1 ∪ . . . ∪ Ak ) = P (A1 ) + . . . + P (An ) = k 1 k veces 1 + ... + = n n n

En conclusi´n, se recupera la definici´n cl´sica de probabilidad: la probabio o a lidad del suceso A es igual al cociente entre los casos favorables al suceso A y el n´mero de casos posibles. u El segundo caso, en el cual los sucesos elementales no son equiprobables (o no se tiene certeza de que lo sean), se asigna a ´stos la probabilidad que e nos da la ley del azar: se realiza el experimento un n´mero finito de veces y se u observa en torno a qu´ valores se estabilizan las frecuencias relativas. Por lo e tanto, se “recupera” la definici´n frecuencial de probabilidad que introdujo o Richard Von Mises.

5.3.

Probabilidad condicionada

La situaci´n del “timador honrado” (§4.6) permite concluir que un coo nocimiento adicional sobre una situaci´n puede modificar las probabilidades o de los sucesos asociados a la misma: no es lo mismo la probabilidad de sacar una de las tres cartas, que la probabilidad de sacar una carta condicionada a que se ha extra´ una y se conoce el color de una de sus caras. ıdo El problema propuesto no es anecd´tico: en general, un conocimiento adio cional condiciona las probabilidades de un suceso. Supongamos, por ejemplo, la siguiente situaci´n: se dispone de una urna con seis bolas marcadas con o el n´mero 1 y otras seis con el n´mero 2. No todas tienen el mismo color. u u De las primeras: tres son negras y tres blancas; de las segundas: cinco negras y una blanca. Se extrae entonces una bola de la urna y los jugadores deben apostar a favor de que ´sta tenga el n´mero 1 o 2. Los sucesos son e u equiprobables (probabilidad 1/2), puesto que hay el mismo n´mero de bolas u marcadas con el 1 que con el 2. Un jugador, antes de realizar su apuesta, haciendo trampas, consigue ver que la bola es blanca: ¿por qu´ n´mero apostar´ el jugador si quiere ganar? e u a
Miguel R. Wilhelmi

5.3 Probabilidad condicionada

139

El jugador apostar´ por el n´mero 1: la probabilidad de ganar es 3/4, ya a u que . El an´lisis del ejemplo, prescindiendo de la an´cdota de la trampa, pera e mite distinguir entre: Una probabilidad inicial : la probabilidad de sacar una bola marcada con el n´mero 1 es igual a la de obtener una marcada con el 2 (sucesos u equiprobables). Una informaci´n: la bola extra´ es de color blanca. o ıda Una probabilidad modificada: sabiendo que la bola es de color blanco, la probabilidad de que est´ marcada con el n´mero 1 es 3/4 y de que e u est´ marcada con el n´mero 2 es 1/4. e u En el juego de La carrera (cap´ ıtulo 1): la probabilidad de haber obtenido un 3 en alguno de los dados es diferente a la probabilidad de que haya sucedido esto si se conoce el resultado final obtenido. En efecto, si denotamos por P (3) a la probabilidad de obtener un tres (en al menos un dado) al lanzar los dados, se tiene: P (3) = P (“obtener 3 con el dado 1”o y no con el 2”o”)+ +P (“obtener 3 con el dado 2”o y no con el 1”o”)+ +P (“obtener 3 con ambos dados”) = = 2 · P (“obtener 3 con un dado”) + P (“obtener 3 con ambos”) = = 2 · 1 · 5 + 1 · 1 = 11 6 6 6 6 36 Sin embargo, la probabilidad de haber obtenido un 3 sabiendo el resultado del lanzamiento de los dados, depende de ´ste. Si el resultado es 2, 3, 10, e 11 o 12 entonces la probabilidad de haber obtenido un tres es nula, puesto que en ninguno de los casos posibles en los que se obtiene respectivamente 2, 3, 10, 11 o 12 puede aparecer un tres. Sin embargo: P (“obtener P (“obtener P (“obtener P (“obtener P (“obtener 3 3 3 3 3 sabiendo sabiendo sabiendo sabiendo sabiendo que que que que que la la la la la suma suma suma suma suma de de de de de los los los los los dados dados dados dados dados es es es es es 5”) = 2/4 = 1/2 6”) = 1/5 7”) = 2/6 = 1/3 8”) = 2/5 9”) = 2/4 = 1/2

Las probabilidades anteriores se obtienen teniendo en cuenta el n´mero u de casos posibles en los que los dados suman 5, 6, 7, 8 o 9 y viendo en cu´ntos de ellos aparece un tres. a
Combinatoria y Probabilidad

140

5 Teor´ elemental de la probabilidad ıa

La expresi´n “sabiendo que” alerta de la existencia de una probabilidad o condicionada. La pregunta ¿cu´l es la probabilidad de que se verifique el a suceso A sabiendo que se ha cumplido el suceso B? es equivalente a ¿cu´l es a la probabilidad del suceso A condicionada por el suceso B? Se define: Definici´n 29 (Probabilidad condicionada) Sea (E, U, P ) un espacio o de probabilidades y A un suceso cualquiera con probabilidad no nula: P (A) = 0; se llama probabilidad del suceso B condicionada por el suceso A, y se escribe P (B|A), al cociente: P (B|A) = P (A ∩ B) P (A)

De esta forma, en el ejemplo de la urna, si se denota por “1” al suceso “sacar una bola marcada con el n´mero 1”, por “2” al suceso “sacar una u bola marcada con el n´mero 2”, por “N” al suceso “sacar una bola negra” u y por “B” al suceso “sacar una bola blanca”, se tiene: P (1|B) = 3/12 3 P (1 ∩ B) = = P (B) 4/12 4

Por ultimo, en el ejemplo de los dados, si se considera el caso particular ´ en el que se tenga que calcular la probabilidad de que se obtenga un 3 (suceso A) en alguno de los dados condicionada a que la suma de ´stos es 7 (suceso e B), se procede de la siguiente forma: A = {(3, 1); (3, 2); . . . ; (1, 3); (2, 3); (4, 3); . . .} B = {(1, 6); (2, 5); (3, 4); (4, 3); (5, 2); (6, 1)} Por lo tanto: P (A|B) = ⇒ A ∩ B = {(3, 4); (4, 3)}

P (A ∩ B) 2/36 2 1 = = = P (B) 6/36 6 3

5.3.1.

Funci´n probabilidad condicionada o

La probabilidad condicionada as´ definida es funci´n de probabilidad; ı o con otras palabras, verifica los tres axiomas que debe cumplir toda funci´n o de probabilidad (definici´n 27, p.132). o Proposici´n 18 Sea (E, U, P ) un espacio de probabilidades y A un suceso o con probabilidad no nula (P (A) = 0), entonces (E, U, P ( |A)) es tambi´n e un espacio probabil´ ıstico.
Miguel R. Wilhelmi

5.3 Probabilidad condicionada

141

Demostraci´n. Para probar la proposici´n es suficiente demostrar que o o P ( |A) es funci´n de probabilidad, esto es, la funci´n: o o P ( |A) : U −→ R B → P (B|A) es de probabilidad. En efecto: 1. P (B|A) = hip´tesis. o 2. P (E|A) =
P (B∩A) P (A) P (E∩A) P (A)

≥ 0, puesto que P (B ∩ A) ≥ 0 y P (A) > 0, por =
P (A) P (A)

= 1.

3. Si B y C son dos sucesos incompatibles (B ∩ C = ∅) entonces: P (B ∪ C|A) = =
P ((B∪C)∩A) = P ((B∩A)∪(C∩A)) = P (A) P (A) P (B∩A) (C∩A) + P P (A) = P (B|A) + P (C|A) P (A)

Por ultimo, de la definci´n de probabilidad condicionada se deduce que, si ´ o P (A) = 0, P (A∩B) = P (A)·P (B|A). Este resultado puede ser generalizado a un n´mero finito de sucesos de un mismo experimento aleatorio; as´ por u ı, ejemplo, para tres sucesos se tiene: P (A ∩ B ∩ C) = P (A) · P (B|A) · P (C|A ∩ B) La demostraci´n es clara, si tenemos en cuenta la propiedad asociacitiva de o la intersecci´n para los sucesos y la definci´n de probabilidad condicionada o o que acaba de darse. En el anexo C se muestra la generalizaci´n para cualquier o n.

5.3.2.

Sucesos dependientes e independientes

Brevemente, dos sucesos son independientes si el conocimiento sobre si uno de ellos se ha o no verificado no condiciona la esperanza de que suceda el otro. M´s concretamente: a Definici´n 30 Sea A un suceso en un espacio de sucesos U , si P (A) = 0, o un suceso B es independiente del suceso A si P (B|A) = P (B). En caso contrario, si P (B|A) = P (B), el suceso B depende del suceso A. ¿Son las nociones de compatibilidad y dependencia equivalentes? No; sea, por ejemplo, el experimento “lanzamiento de un dado y observar qu´ valor e se obtiene”, entonces:
Combinatoria y Probabilidad

simplemente. A y B son ahora incompatibles: A ∩ B = ∅. llegando a contradicci´n.142 5 Teor´ elemental de la probabilidad ıa 1. B es independiente de A ⇐⇒ P (A ∩ B) = P (A) · P (B). diremos. que “A y B son independientes”). ¿Puede ser A independiente e incompatible de B? ¿Por qu´? e En conclusi´n. entonces se cumplen las siguientes propiedades: 1. Para terminar esta secci´n. Sucesos dependientes e incompatibles: si A es el suceso “sacar menos de 3” y B el suceso “sacar m´s de 4”. entonces A es independiente de B. 4}. P (A|B) = 2/6 P (A ∩ B) = = 1/2 P (B) 4/6 Adem´s. estableceremos unas importantes consecueno cias de la definici´n de independecia de un suceso respecto a otro. en caso contrario: P (B) = P (B|A) = P (B∩A) 0 o P (A) = P (A) = 0. En efecto: P (A) = 4/6 = 2/3. U. o Proposici´n 19 Sea (E. A y B son compatibles: A ∩ B = {3. a 2. entonces A depende de B. a e 3. puesto que P (A) = P (A|B). En efecto: P (A) = 3/6 = 1/2. Sucesos independientes y compatibles: si A es el suceso “sacar impar” y B el suceso “sacar menos de 3”. En efecto: P (A) = 2/6 = 1/3. 2. puesto a que P (A) = P (A|B). B es independiente de A ⇐⇒ A es independiente de B (por lo tanto. P (A|B) = 1/6 P (A ∩ B) = = 1/2 P (B) 2/6 Adem´s. los conceptos de incompatibilidad e independencia no son o equivalentes. con probae ´ bilidad no nula (P (B) = 0). A y B son tambi´n compatibles: A ∩ B = {1}. Wilhelmi . entonces por fuerza deben ser compatibles. es independiente de otro A. puesto que. entonces A depende de B. Miguel R. P ) un espacio de probabilidades y A y B dos o sucesos de U con probabilidad no nula. puedi´ndose afirmar unicamente que si un suceso B. P (A|B) = 0 P (A ∩ B) = =0 P (B) 2/6 Adem´s. a 4. puesto que P (A) = P (A|B). Sucesos dependientes y compatibles: si A es el suceso “sacar m´s de 2” a y B el suceso“sacar menos de 5”.

Si A y B son independientes. Si A y B son independientes. es una herramiena ta muy util para el c´lculo de probabilidades.3. Permite calcular la probabilidad condicionada de un suceso en funci´n de o las probabilidades de sucesos m´s simples y. Son incompatibles dos a dos: Ai ∩ Aj = ∅. La uni´n de todos ellos es E: A1 ∪ . por lo tanto. Teorema de Bayes El teorema que se va introducir es debido a Thomas Bayes (1702–1761). . o bien. de B ⇐⇒ P (A|B) = P (A) ⇐⇒ ⇐⇒ P (A ∩ B) = P (A) · P (B) ⇐⇒ ⇐⇒ P (B|A) = P (B) ⇐⇒ B indep. a 2. ∪ An = E. entonces Ac y B c tambi´n son independientes. establecer quienes son esos sucesos “m´s o a simples”. ´ 5. de forma m´s o compacta: n Ak = E k=1 Combinatoria y Probabilidad . . Definici´n 31 (Partici´n) Sea E un espacio muestral. para probar la veracidad de las dos ultimas propiedades.3. o o .3 Probabilidad condicionada 143 3. de A Por ultimo. Las dos primeras propiedades son inmediatas. e 4. . se deduo cen de forma r´pida observando la siguiente cadena de equivalencias: a A indep. es ´ ´ suficiente tener en cuenta la propiedad primera que acaba de ser demostrada: P (A ∩ B) = P (A) · P (B) En efecto: P (Ac ∩ B)=P (B) − P (A ∩ B) = P (B) − P (A) · P (B) =P (B)[1 − P (A)] = P (B) · P (Ac ) La ultima propiedad se realiza de manera similar. ∀i = j. An forman una partici´n de E si verifican las dos condiciones siguieno tes: 1. . Demostraci´n. puesto que no siempre es tan ´ a f´cil determinar la probabilidad de un suceso condicionada por otro mediana te la definici´n. Antes que todo.5. Los sucesos A1 . . entonces Ac y B tambi´n son indepene dientes.

0. . para todo k. . si se a o denota por V al suceso “var´n”. An forman una partici´n y P (Ak ) = 0. se tiene: ´ P (F ) = P (V ∩ F ) + P (M ∩ F ) e Para calcular ´stas probabilidades nos apoyaremos en un par de representaciones: diagramas de Venn-Euler y en forma de arbol. + P (B|An ) · P (An ) Ejemplo 1 Supongamos que la probabilidad de que un hombre fume es 0. ∪ An )] = =P [(B ∩ A1 ) ∪ . Wilhelmi . ´ Miguel R. A partir de ella y por las definio a ciones de partici´n y de probabilidad condicionada se demuestra el teorema. .144 5 Teor´ elemental de la probabilidad ıa De esta forma. . . . + P (B|An ) · P (An ) = k=1 P (B|Ak ) · P (Ak ) Demostraci´n. . se tiene: Teorema 1 (Probabilidad total) Si los sucesos A1 . .3. por N al suceso “no fumador”. entonces para todo suceso B (con proo babilidad no nula) se verifica: n P (B) = P (B|A1 ) · P (A1 ) + . el 75 % son varones a y el 25 % mujeres. . Si se toma una persona al azar. ¿cu´l es la probabilidad a de que ´sta fume? e La probabilidad de que fume la persona elegida es igual a la probabilidad de que fume y sea mujer m´s la de que fume y sea var´n: de esta forma. + P (B ∩ An ) = =P (B|A1 ) · P (A1 ) + . por M al suceso “mujer”. En una f´brica. . por ultimo. . . o En efecto: P (B)=P (B ∩ E) = P [B ∩ (A1 ∪ . .6 y la de que una mujer sea fumadora. por F al suceso o “fumador” y. ∪ (B ∩ An )] = =P (B ∩ A1 ) + . Para la demostraci´n nos apoyaremos en la representao o ci´n gr´fica que se puede ver en la figura. .

4 Ejercicios 145 Entonces es claro que: P (F )=P (M ∩ F ) + P (V ∩ F ) = =P (M ) · P (F |M ) + P (V ) · P (F |V ) = =0. 6 · 0. 75 · 0. 525 o Teorema 2 (Bayes) Si los sucesos A1 .4. 25 · 0. + P (B|An ) · P (An ) Demostraci´n. . .5. Combinatoria y Probabilidad . 75 + 0. a partir de la definici´n de proo o babilidad condicionada y el teorema de la probabilidad total. para todo k. ¿cu´nto vale P (V |F )? Por el a teorema de Bayes se tiene: P (V |F ) = 0. ¿cu´l es la probabilidad del suceso “var´n” (V ) condicionada a o al suceso “fumador” (F)?. Revise los problemas del cap´ ıtulo 4 teniendo en cuenta las definiciones y teoremas introducidos en ´ste. 3 + 0. 87 P (F |V ) · P (V ) + P (F |M ) · P (M ) 0. entonces. precise las afirmaciones e intuitivas (informales) que se hayan hecho en dicho cap´ ıtulo. Ejercicio: es inmediato. . 75 P (F |V ) · P (V ) = ≈ 0. ¿cu´l es la probabilidad de que sea var´n? a o Esto es. 25 5. . se verifica: P (Ak |B) = P (B|Ak ) · P (Ak ) P (B|A1 ) · P (A1 ) + . . con otras palabras. para todo suceso B (con probabilidad no nula). 6 = 0. Ejemplo 2 En el caso del ejemplo 1: si la persona que se ha tomado al azar resulta ser fumadora. 3 · 0. 6 · 0. . Ejercicios 1. En particular. An forman una partici´n y P (Ak ) = 0.

d ) Tenga los ojos verdes o casta˜os. En una bolsa hay 6 bolas blancas y 8 azules. b) Tenga los ojos casta˜os. el 60 % tiene el pelo negro y el resto son rubios. calcule las siguientes probabilidades: a) De que tenga el pelo negro.) Miguel R. el 90 % tienen los ojos casta˜os y el 10 % azules.7 respectivamente. b) El suceso: “Primera moneda defectuosa”. Se extraen una por una. En una poblaci´n. En una caja existen monedas normales y defectuosas (m´s de tres de a cada tipo). Se extraen simult´neaa mente 4 bolas. se anota el color y se devuelve a la bolsa antes de tomar la siguiente. o 3. n Entre los rubios.6 y 0. d ) Al menos una sea blanca. Wilhelmi . 5. n 7. La probabilidad de que un hombre y una mujer de 18 a˜os vivan 50 n m´s es 0. Se elige una persona al azar. Suponga que un hombre y una mujer a de 18 a˜os se casan. tres monedas de la caja. c) El suceso: “Todas las monedas defectuosas menos una”. ¿El problema se modifica si se extrae una moneda y se devuelve a la caja antes de la siguiente extracci´n? Razone su respuesta. Resuelva el problema anterior suponiendo que se extrae una bola. Calcule: n a) La probabilidad de que celebren sus bodas de oro (50 a˜os de n matrimonio. n c) Tenga los ojos azules. Determine: a) El espacio muestral E. Calcule la probabilidad de obtener: a) Las cuatro blancas. 4. Se lanzan dos monedas y a continuaci´n un dado tantas veces como o caras hayan salido. b) Las cuatro azules.146 5 Teor´ elemental de la probabilidad ıa 2. 6. c) No sean las cuatro blancas. el 80 % tienen los ojos azules y el 20 % verdes. Determine el espacio muestral. ordenadamente. o Entre los morenos.

Tenemos dos bolsas. La probabilidad de que el virus A produzca la enfermedad es 1/3. La ıa o probabilidad de curaci´n completa de cada una de estas enfermedades es. si sale cruz se elige un u n´mero entre 1 y 5. u b) Si se ha elegido un n´mero impar. Un dado est´ trucado de modo que la probabilidad de obtener las a distintas