Probabilidad y sus aplicaciones en ingenier a inform atica

V ctor Hern andez Eduardo Ramos ez Ildefonso Y an

c V ctor Hern andez, Eduardo Ramos, Ildefonso Y anez

EDICIONES ACADEMICAS

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

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

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

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

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

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

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

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

2.

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

C A P ITULO 1

Experimentos aleatorios

1.1.

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

1.2.

C alculo de probabilidades y ciencia de los computadores

El c alculo de probabilidades y la ciencia de los computadores conuyen en diversos campos de los que se benecian mutuamente. Por ejemplo, en muchas ocasiones, las razones para preferir un algoritmo a otro son, esencialmente, probabil sticas. Por otra

parte, hoy somos capaces de realizar c alculos que eran inabordables hace unos a nos. La capacidad de c alculo no s olo se reeja en la posibilidad de resolver problemas ya planteados, sino que nos lleva a desarrollar m etodos que, sin el computador, ser an impensables. An alisis de algoritmos. Para contrastar la ecacia de un algoritmo es determinante conocer la rapidez con que ejecuta la tarea. Para evaluar su rapidez, suponemos que los datos de entrada son aleatorios y medimos el tiempo que tarda en realizarla. Otras veces, la intervenci on de lo aleatorio es parte del mismo algoritmo. Los algoritmos que denominamos aleatorizados superan a los correspondientes deterministas. Generaci on de n umeros aleatorios. La generaci on de n umeros aleatorios es una de las tareas m as importantes que hace el computador. Hay que considerarla como la quinta operaci on, ya que abre una nueva perspectiva al c alculo. Disponer de un buen generador de n umeros aleatorios es primordial. La teor a de la probabilidad y la estad stica aportan los m etodos para contrastar si un algoritmo generador de secuencias de n umeros aleatorios es aceptable o no. Simulaci on. En muchos modelos, no conocemos f ormulas generales que permitan calcular las variables que interesan, en funci on de los inputs. Gracias al computador, es posible hacer los c alculos del modelo para cada conjunto de valores concretos. Si introducimos inputs aleatorios repetidas veces, podemos obtener estimaciones de los resultados exactos, con tanta precisi on como queramos. Transmisi on de la informaci on. Desde hace mucho tiempo, los cient cos e ingenieros han asumido que cada medida, en particular cada transmisi on de informaci on, nal con exactitud. Ese est a contaminada por cierto ruido que hace imposible recibir la se ruido se modela como una magnitud aleatoria. Las teor as sobre la transmisi on de la informaci on, como la teor a de la informaci on o la teor a de la codicaci on, parten de la hip otesis de que ese ruido es inevitable. Su objetivo no es reducir el ruido, sino dise nar sistemas que, a pesar del ruido, permitan descodicar las se nales con exactitud. An alisis de patrones. El an alisis de patrones supone que una imagen observada puede provenir de diferentes patrones, conforme a unas leyes aleatorias dadas. Los m etodos de an alisis de im agenes son probabil sticos.

1.3.

Nuestra experiencia del azar

Nuestra primera experiencia del azar proviene de los juegos. Desde la antig uedad, el hombre ha conocido diversos juegos de azar y se ha apasionado por ellos. Tal pasi on se justica por lo incierto de su resultado, ya que no podemos asegurar cu al ser a, aunque las condiciones iniciales sean id enticas. Para justicar este hecho, crearon un mito, el Azar, al que hicieron responsable de cada resultado. Nuestras primeras noticias de abordar los fen omenos aleatorios desde un punto de on de vista matem atico se remontan a CARDANO y a GALILEO. A ellos debemos la noci probabilidad como caracter stica num erica de los resultados posibles. ltimos cien a En los u nos, hemos descubierto que los fen omenos aleatorios no se tomo de uranio en emitir una part reducen a los juegos. El tiempo que tarda un a cuonico de un computador o el la , el tiempo que tarda en fallar un componente electr tiempo que tardar a un algoritmo en ordenar la pr oxima serie de inputs, pueden conomenos siderarse aleatorios. La manera racional de establecer un modelo de estos fen pasa por considerar que es el Azar quien escoge el instante en que ocurre la emisi on

Girolamo Cardano, naci o en Pav a en 1501 y muri o en Roma en 1576.

Galileo Galilei, naci o en Pisa en 1564 y muri o en Arcetri, cerca de Florencia, en 1642

de la part cula, el fallo de la componente o la ordenaci on inicial de los inputs. Tales asticos, y la teor a matem atica que los sostiemodelos se denominan aleatorios o estoc ne se denomina C alculo de probabilidades. Tambi en hemos descubierto que el Azar es til: para obtener informaci una herramienta u on de un colectivo, no es necesario analizar exhaustivamente a todos sus componentes, basta con estudiar una peque na parte (muestra), a condici on de que sus miembros hayan sido elegidos, no por nosotros, sino por el Azar. Lo maravilloso del C alculo de probabilidades es que, aunque el resultado de un fen omeno aleatorio sea impredecible, es capaz de hacer armaciones signicativas so l. Gracias a ello, podemos controlar la energ bre e a que libera la desintegraci on radioactiva, podemos dise nar un circuito de manera que, salvo un caso entre miles, su duraci on supere un tiempo dado o podemos asegurar que un algoritmo para ordenar inputs ser a mejor que otro.

1.4.

Evidencia emp rica

Durante siglos, el deseo de hacer fortuna en los juegos de azar ha sido la raz on primera que ha llevado a los hombres a indagar acerca de los resultados observados del juego. Estas indagaciones comenzaron en el siglo XVI. La aci on por el juego y el pen poca fomentaron que se coleccionaran largas samiento racionalista y emp rico de la e series de resultados, con la esperanza de descifrar su ley y enriquecerse.

Seguimos su ejemplo. Hemos lanzado cien veces una moneda y representado gr acamente los resultados. En la gr aca de la gura 1.1, hemos representado el n umero n de lanzamientos realizados en el eje de abscisas, 1 n 100, y la frecuencia relativa, n(C )/n, de caras despu es de cada lanzamiento en el de ordenadas, donde n(C ) es el n umero de caras obtenidas en los n primeros lanzamientos. La curva representada

Figura 1.1: Frecuencia relativa de caras

parece aproximarse a un valor l mite. Una evidencia similar obtenemos al observar otros experimentos aleatorios, como lanzar un dado o medir la duraci on de un circuito y representar la frecuencia relativa de alg un suceso relacionado. En todos los casos la gr aca produce la misma impresi on. Tras unas oscilaciones iniciales, la frecuencia relarica tiva se aproxima a un l mite. Esta evidencia experimental es la base de una ley emp que denominaremos ley de regularidad de las frecuencias, y que podemos enunciar: si A es un suceso que puede ocurrir o no al realizar un experimento aleatorio y observamos n repeticiones del experimento, el cociente n(A) n entre el n umero de veces que A ha ocurrido, n(A), y el n umero de repeticiones del experimento, n, se aproxima a un valor jo cuando n es grande. Ese valor se denomina probabilidad emp rica de A y se representa por P(A). Las propiedades caracter sticas de la probabilidad emp rica se derivan de las propiedades de las frecuencias. n(A) 1, luego 0 P(A) 1. Cualesquiera que sean A y n, se tiene 0 n Si A ocurre siempre, entonces n(A) = n y P(A) = 1. Si A y B no pueden ocurrir simult aneamente, se cumple n(A B) = n(A) + n(B), lo que implica: P(A B) n(A B) n(A) n(B) = + P(A) + P(B) n n n

luego debe cumplirse P(A B) = P(A) + P(B).

Por desgracia, la noci on de probabilidad emp rica no permite construir un modelo. Sugiere un concepto asociado a los experimentos aleatorios, pero no basta para denir matem aticamente la probabilidad, sin justicar con algo m as que parece la existencia del l mite.

1.5.

Modelo matem atico

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

1.5.1.

Espacio muestral

El modelo matem atico de los experimentos aleatorios comienza cuando planteaun nuestro mos el espacio muestral, que es el conjunto de resultados distintos que, seg criterio, podemos observar. El espacio muestral se suele designar por la letra . Un espacio muestral adecuado para el experimento que consiste en lanzar una moneda es: ={ , } Emplear estos u otros s mbolos es irrelevante. Lo importante es que s olo reconocemos dos posibles resultados del experimento. Si lanzamos una vez un dado, un espacio muestral adecuado es:

q q q q q q qq q q q} = { q , q , qq , q q , qqq , q
donde la correspondencia entre los elementos de y los posibles resultados del lanzamiento resulta evidente.

En otras ocasiones no es tan inmediato plantear el espacio EJEMPLO 1.1 muestral y conviene pensar un poco antes de escoger . Si colocamos dos bolas al azar en dos urnas, un posible espacio muestral es: 1 = , , En general, para denir la probabilidad, conviene que el espacio tenga la mayor simetr a posible y que los resultados posibles sean intercambiables. En el espacio 1 falla la simetr a, ya que el resultado:

se puede lograr poniendo la primera bola en la primera urna y la segunda bola en la segunda urna o poniendo la primera bola en la segunda urna y la segunda bola en la primera urna, mientras que

s olo se puede lograr de una manera. As , estos resultados no parecen intercambiables. En estos casos de duda, hay un sencillo articio mental que nos ayuda a formular espacios muestrales lo m as sim etricos que sea posible. Imaginemos as razonable que marcamos las bolas con un n umero: 1 , 2 . Ahora, parece m formular el espacio muestral: 2 =
1 2

1 2

que tiene todos sus elementos intercambiables.

 1.5.2. Algebra de sucesos

La segunda componente del modelo matem atico son los sucesos : acontecimientos que ocurren o no, seg un sea el resultado del experimento. Los sucesos se pueden combinar mediante las operaciones l ogicas de conjunci on, disyunci on y negaci on. Por ejemplo, si lanzamos un dado y A es sale par y B sale m ultiplo de 3, A y B se pueden combinar para obtener tres nuevos sucesos: C1 = A y B ocurren C2 = A o B ocurren C3 = A no ocurre As , los sucesos poseen una estructura que su modelo matem atico debe reejar. El modelo matem atico de los sucesos son los subconjuntos del espacio muestral . A cada suceso A le asociamos el subconjunto formado por los resultados posibles que hacen que A ocurra. Esta correspondencia es biyectiva: a cada suceso le corresponde nico subconjunto y cada subconjunto representa un u nico suceso, y conserva la un u estructura matem atica de los sucesos. Por ejemplo, en el experimento que consiste en lanzar un dado, tenemos las correspondencias:

q q qq q q} B = sale m ultiplo de 3 { q q , q qq q q C1 = A y B ocurren { q q}

q q q qq q q q} A = sale par { q , q q , q

q q q q qq q q q} C2 = A o B ocurren { q , q q , q q , q q qq C3 = A no ocurre { q , q q , q q q }

Acostumbramos a identicar cada suceso con el subconjunto que lo representa. Por ello, en lugar de la echa , escribiremos el signo igual:

q q q qq q q q} A = sale par = { q , q q , q
y hablaremos de los sucesos como si fueran conjuntos. La intuici on que hay detr as del modelo es la siguiente: en cada prueba, el Azar escoge un elemento (resultado posible) del conjunto = {1 , 2 , . . . , n } Si escoge , que pertenece a un suceso A, diremos que A ha ocurrido. Si escoge , que no pertenece a un suceso A, diremos que A no ha ocurrido. qq Por ejemplo, si lanzamos el dado y sale q q , diremos que A = sale par ha ocurrido, mientras que B = sale m ultiplo de 3 no ha ocurrido. Entre los sucesos hay dos casos extremos; el suceso que no ocurre nunca, que deno/ y el suceso que ocurre siempre, que minamos suceso imposible y representamos por 0, denominamos suceso seguro, y representamos por . on Observemos que el suceso A o B ocurren se corresponde con el subconjunto uni de A y B: q q q q qq q q A o B ocurren = { q , q q , q q , q q } = AB

De igual manera, A y B ocurren = A B, A no ocurre = Ac

donde Ac es el complementario de A. Ac se denomina suceso contrario de A. Es el suceso que ocurre cuando A no ocurre y, al rev es, no ocurre cuando A ocurre. Si dos sucesos, A y B, que verican A B = 0, / no pueden ocurrir simult aneamente y se denominan incompatibles o disjuntos. La clase de todos los sucesos se designa por

George Boole, naci o en Lincoln (Inglaterra) en 1815, muri o en Ballintemple (Irlanda) en 1864. on Public o en 1854 un trabajo titulado Investigaci sobre las leyes del pensamieno, en que se fundan las teor as matem aticas de la l ogica y las probabiun de lidades, donde se reconoce la estructura com las proposiciones l ogicas y los sucesos. Hoy, los trabajos de BOOLE son imprescindibles en la ciencia de los computadores. Fue un completo autodidacta.
lgebra de BOOLE1 . A y posee estructura de a En el modelo m as sencillo que estudiaremos, es un conjunto nito y todos los subconjuntos de son sucesos, por lo que A es el conjunto de las partes de . Si se lanza una moneda, = { , } y hay 22 = 4 sucesos distintos que son: 0, / 26 { }, { }, { , }

umero de sucesos Si se lanza un dado hay = 64 sucesos distintos. Como vemos el n crece r apidamente al crecer el n umero de resultados posibles. M as adelante, aparecer an otros modelos m as complicados en los que no todos los subconjuntos de pueden ser considerados sucesos y A es una subclase del conjunto de las partes. ellos Clasicaremos los sucesos en simples y compuestos. Los sucesos simples son aqu nico resultado posible, y son de la forma { }. As , en el ejemplo del que contienen un u lanzamiento del dado, los sucesos:

q q q qq q q q} A = sale par = { q , q q , q
y

q qq q q } es un suceso simple. son compuestos, mientras que A B = { q

EJEMPLO 1.2

q qq qq q} B = sale m ultiplo de 3 = { q q , q

Consideremos dos sucesos A y B. El suceso A ocurre y B no es igual a A Bc y se representa en la guen se puede poner como A B. ra 1.2 a. El suceso A Bc tambi A ocurre y B no = A Bc = A B

1 Una clase de subconjuntos de es a lgebra de BOOLE si cumple: 1) A , 2) si A A , entonces Ac A y 3) si A A y B A , entonces A B A .

AB

AB

BA

A a

A b

( A B ) c = Ac Bc c

Figura 1.2:
El suceso s olo uno de los dos conjuntos ocurre es igual a (A B) (B A) (ver gura 1.2 b). Tambi en lo podemos expresar como: (A B) (A B) ltimo, el suceso ninguno ocurre es igual a Ac Bc , ya que no tiene que Por u ocurrir ni A ni B (ver gura 1.2 c)). Tambi en se cumple: (A B)c = Ac Bc ya el contrario de ocurre alguno es ninguno ocurre.

1.5.3.

Probabilidad

La tercera componente del modelo matem atico de los experimentos aleatorios es la probabilidad, que interpretamos como la medida de la facilidad con que ocurre el suceso cuando realizamos el experimento. Cada suceso tiene una probabilidad de ocurrir, por lo que la probabilidad se interpreta como una funci on que asocia un n umero a cada suceso. Los axiomas de la

Andrei Nikolaevich Kolmogorov, naci o en Tambov (Rusia) en 1903, muri o en Mosc u en 1987. Fundament o el c alculo de probabilidades en una monograf a publicada en 1933. Ha investigado en todos los campos de la matem atica, An alisis, Geometr a, Topolog a, Probabilidad, y muchos de la F sica.

probabilidad se deben a KOLMOGOROV.

Denici on 1 on P : A [ 0, 1 ], que Una probabilidad sobre un espacio muestral nito , es una funci umero P(A) y cumple las condiciones: a cada suceso A A le hace corresponder un n 1.
P() = 1.

2.

Si A y B son disjuntos, se cumple:

P(A B) = P(A) + P(B)

La segunda propiedad se denomina aditividad. Aunque la aditividad se impone a cada par de sucesos disjuntos, sin dicultad se extiende a tres o m as. Por ejemplo, si Ai , / 1 i 3 son tres sucesos disjuntos dos a dos (es decir, si i = j, entonces Ai A j = 0), se cumple: P ( A 1 A2 A3 ) = P ( A 1 A2 ) + P ( A 3 ) = P ( A1 ) + P ( A2 ) + P ( A3 ) La intuici on que late tras la denici on de KOLMOGOROV es la siguiente: cada vez que hacemos una prueba, el Azar interviene, escogiendo uno de los resultados posibles, conforme a la ley de probabilidad del experimento. Observemos que la denici on de KOLMOGOROV no ayuda a denir P. Para las Matem aticas, el trabajo comienza cuando la funci on P ya est a denida. La tarea de atica. denir P, que denominaremos asignar probabilidades a los sucesos es pre-matem Sin embargo, es una tarea crucial para plantear correctamente el modelo. En una cosa s ayudan las Matem aticas, nos ense nan la manera m as simple de denir P. En principio, asignar una probabilidad implica declarar el valor de P(A) para cada A A . Sin embargo, por la aditividad, basta conocer la probabilidad de los sucesos simples, para tener denida P, ya que la probabilidad de los sucesos compuestos es la suma de las probabilidades de los simples en que se descomponen. EJEMPLO 1.3

Lanzamos una vez un dado. El espacio muestral es: q qq q , qq q q q , qq q} = { q , q q , q q q , qq q

y todos los subconjuntos de son sucesos. Hay 26 = 64 sucesos. Sin embargo, para denir una probabilidad basta con dar los valores de las seis probabilidades de los sucesos simples. Estos valores deben ser n umeros entre 0 y 1, cuya suma sea 1. Por ejemplo, el conjunto de valores: 2 P( q ) = , 9 1 q P( q ) = , 9 2 P( q q q ) = , 9 1 q q P( q q ) = , 9 2 P( qq q q q)= 9 1 q q q q P( q q ) = 9

dene una probabilidad sobre ya que cada valor est a entre cero y uno, y se tiene qq q q q ) + P( qq q q q ) + P( q q)=1 P() = P( q ) + P( q q ) + P( q q q ) + P( qq q En este modelo, el dado est a cargado de modo que cada n umero impar es dos veces m as probable que cualquier n umero par. Si queremos hallar la probabilidad del suceso: A = el n umero obtenido es mayor que tres,

basta calcular: P(A) =

A

P( ) = P(

4 qq q qq q q ) + P( qq q q q ) + P( q qq ) = 9

Lo mismo har amos para hallar la probabilidad de cualquier otro suceso compuesto. Sin duda, la notaci on que hemos empleado no es muy correcta. Dado que la P({ qq q q q }), probabilidad se dene sobre los sucesos, deber amos poner P({ }) o q q olo contiene al reen lugar de P( ) y P( q q q ), ya que el suceso simple que s on P( ) por sultado se debe escribir { }. Sin embargo, preferimos la notaci requerir menos s mbolos.
El modelo matem atico se resume en una terna (, A , P), que los matem aticos denominan espacio de probabilidad. Debemos advertir que nuestra versi on del espacio de probabilidad esta simplicada. Realmente, los axiomas que formul o KOLMOGOROV tienen dos condiciones que, por el momento, hemos pasado por alto. Exigen que la probabilidad sea continua respecto de sucesiones mon otonas de sucesos; es decir, que cumpla lim P(An ) = P(lim An ), cuando on creciente. Tambi en exigen que A no s olo sea cerrada por uniones {An } es una sucesi nitas sino tambi en por uniones innitas numerables. Sobre estas bases se asienta la teor a de la probabilidad matem atica. Sin embargo, para formular una teor a elemental, pr acticamente no necesitamos esas precisiones, y nos basta con la formulaci on elemental que hemos hecho. Las escasas ocasiones que necesitemos de los axiomas strong, lo haremos notar.

1.6.

Propiedades de la probabilidad
De las tres condiciones que caracterizan a la probabilidad se pueden deducir muchas otras que son necesarias para calcular con probabilidades. En este apartado enunciamos las m as importantes, demostr andolas con detalle para que sirvan de ejercicio. Consideremos un suceso A. Puesto que A y Ac son disjuntos y que A Ac = , de la aditividad, se sigue: P ( A ) + P ( Ac ) = P ( ) = 1 / ) = 1 P() = 0. lo que implica P(Ac ) = 1 P(A). En particular, P(0

Propiedad 1 /) = 0 Se cumple P(Ac ) = 1 P(A). En particular P(0

Ahora, consideremos dos sucesos A y B. Los elementos de A o pertenecen a B o no pertenecen a B, esta clasicaci on se expresa: A = (A B) (A B) Puesto que (A B) (A B) = 0, / de la aditividad, se sigue: P(A) = P(A B) + P(A B) lo que implica P(A B) = P(A) P(A B).

Propiedad 2 Se cumple P(A B) = P(A) P(A B).

A
AB AB

Figura 1.3:
En particular, si B A, se tiene P(A B) = P(B), lo que implica P(A B) = P(A) P(B). De aqu se sigue P(B) P(A).

Propiedad 3 Si B A, se tiene P(B) P(A).

Los elementos de A B se clasican en aqu ellos que pertenecen a A y aqu ellos que pertenecen a B y no pertenecen a A: A B = A (B A) donde A (B A) = 0. / De la aditividad, se sigue: P(A B) = P(A) + P(B A) Ahora, puesto que P(B A) = P(B) P(A B), resulta:

Propiedad 4 Se cumple P(A B) = P(A) + P(B) P(A B).

La propiedad 4 se generaliza a tres o m as sucesos. Por ejemplo, A B C, se puede interpretar como la uni on de los sucesos A B y C; de la propiedad 4, se tiene: P(A B C ) = P(A B) + P(C ) P((A B) C ) = P(A) + P(B) + P(C ) P(A B) P((A B) C ) Otra vez, de la propiedad 4, se sigue: P((A B) C ) = P((A C ) (B C )) = P(A C ) + P(B C ) P(A B C ) Basta reemplazar en 1.1, para obtener: P(A B C ) = P(A) + P(B) + P(C ) P(A B) P(A C ) P(B C ) + P(A B C ) Tambi en, de la propiedad 4, se deduce P(A B) P(A) + P(B), on, podemos probar que la desidesigualdad que se denomina de BOOLE. Por inducci umero de sucesos, con lo que se tiene: gualdad de BOOLE se verica para cualquier n (1.1)

Propiedad 5 Dados n sucesos Ai , 1 i n, se cumple:

n

P(
i=1

Ai )

i=1

P ( Ai )

1.7.

Asignaci on de probabilidades
De lo expuesto en el apartado 1.5.3 se sigue que una probabilidad P en un modelo nito queda denida si conocemos su valor en cada suceso simple. La igualdad: P(A) =
A

P( )

expresa que P(A) se calcula como suma de las probabilidades de los sucesos simples { }, tales que A. Para que P sea una probabilidad, los valores P( ) no pueden ser arbitrarios, sino que deben vericar las condiciones: 1. 2. 0 P( ) 1

P( ) = 1

Pero, lo anterior no responde a la gran pregunta: cuando establecemos un modelo, c omo asignar una probabilidad a cada suceso simple? No podemos dar una respuesta v alida en todos los problemas que se nos plantean. Sin embargo, para una clase muy importante de modelos nitos, somos capaces de formular una soluci on general. Se trata de los modelos que denominaremos unifora, m as exactamente, porque los sucesos simples son mes. Se caracterizan por su simetr intercambiables. asePor ejemplo, en una moneda equilibrada, cara y cruz son intercambiables. Si llam mos cara a la cruz y cruz a la cara, el experimento ser a id entico. Si consideramos que los sucesos simples son intercambiables, debemos asignarles la misma probabilidad (deben ser equiprobables). En otro caso, estar amos diferenciando unos de otros, lo que contradice la intercambiabilidad que hemos supuesto. Puesto que la suma de todos los sucesos simples es 1, su probabilidad com un debe ser 1/#(), donde #() es el n umero de elementos de o cardinal de . En los modelos uniformes, la probabilidad de un suceso A se obtiene mediante la suma: 1 #(A) = (1.2) P(A) = # ( ) # () A Esta f ormula se conoce como regla de LAPLACE. erminos peculiares. Denominaremos casos favoraLa regla de LAPLACE tiene sus t bles a los resultados que pertenecen a A (son favorables a que A ocurra) y casos posibles a todos los resultados posibles. En estos t erminos, se enuncia: Regla de Laplace. Si todos los casos posibles son equiprobables, la probabilidad umero de de un suceso es igual al cociente entre el n umero de casos favorables y el n casos posibles. La f ormula de LAPLACE supone que calcular probabilidades en un modelo uniforme equivale a contar casos. Por ello, nuestro pr oximo paso ser a mostrar una serie de t ecnicas combinatorias imprescindibles.

EJEMPLO 1.4

Si lanzamos dos veces un dado equilibrado, podemos obtener 6 6 = 36 resultados distintos intercambiables. Un espacio muestral adecuado para denir un modelo es: q q q q , q q q , q qqq , q q = qq q, q q qqq q, q q qq q, q q q q q q q q q q q q q q q q q q q q, , q q , q q , q q q, q q q, q q q q q q q q q q q q q q q q q qq q, qq q , qq q , qq qq , qq q q , qq qqq , qq q q q q qq q q , qq q q q q , qq q q q q q , qq q qq qq q , qq q qq qqq q , qq q qq qq q, q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q , q q q , q q q , q q q q, q q q q, q q q q q, q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q , q q q , q q q , q q q q, q q q q, q q q q q Puesto que son intercambiables, cada suceso simple tiene probabilidad igual a qqq q ) = 1/36. 1/36. As , P( q q El suceso A = la suma de los resultados es 7 es igual a: q q qq q qq q, q q q qqq q , qqq q qq q , qq q q q q q , qq q q q q q , qq q q } A={ q q Hay 36 casos posibles (#() = 36) y 6 casos favorables (#(A) = 6) y su probabilidad vale: P(A) = 6 #(A) = #() 36

3 36 puesto que s olo hay tres casos favorables a que el primer resultado sea el doble del segundo: qq q q q q , qq q q q q , qq q qqq P(el primer resultado es el doble del segundo) = y 36 casos posibles.
En el C alculo de probabilidades, es costumbre reservar la expresi on al azar para denir un experimento aleatorio uniforme. Si decimos se escoge al azar un elemento entre los elementos de , debe entenderse que cada elemento puede ser escogido con igual probabilidad. Utilizaremos el adjetivo equilibrado para designar a un dado, una moneda o cualquier otro ingenio cuyos resultados posibles sean intercambiables. As , la expresi on lanzamos un dado equilibrado nos informa que cada uno de los seis resultados posibles tiene la misma probabilidad de ocurrir. Naturalmente, tambi en consideraremos modelos no uniformes; por ejemplo, el dado del ejemplo 1.5.3 est a desequilibrado.

1.8.

Tres t ecnicas combinatorias

Contar es hallar el n umero de elementos de un conjunto. La Combinatoria es el arte de contar. En este apartado estudiaremos tres t ecnicas combinatorias elementales para contar que bastan para resolver casi cualquier problema de nivel elemental y medio. Los problemas de combinatoria elemental, con ser sencillos, no son banales. La principal dicultad para resolverlos es la pretensi on de reducirlos a tres modelos: com sta es la experiencia del lector, le rogamos binaciones, permutaciones y variaciones. Si e se plantee este estudio como si fuera la primera vez que lo emprende.

1.8.1.

Contar con los dedos de las Matem aticas

La primera vez que contamos lo hacemos con los dedos. Establecemos una correspondencia biyectiva entre el conjunto problema y un subconjunto de dedos. Nuestros dedos sirven de patr on para contar cualquier conjunto peque no. ecnica para contar es La Matem atica nos proporciona otros dedos y la primera t establecer una correspondencia biyectiva entre el conjunto problema A y un conjunto patr on de la forma {1, 2, . . . , n}.

Para contar cu antos n umeros enteros hay entre 3 y 25, ambos EJEMPLO 1.5 incluidos, establecemos la correspondencia biyectiva: 3 1 4 2 5 3 . . . . . . 24 . . . . . . 22 25 23

y concluimos que hay 23 n umeros. M as general, si m n, la correspondencia biyectiva: m m + 1 m + 2 ...... n = m + nm 1 2 3 ...... nm+1

nos demuestra que entre m y n, ambos incluidos, hay n m + 1 n umeros. Otro ejemplo, para contar cu antos n umeros pares son mayores que 1 y menores que 123, establecemos la correspondencia biyectiva: 2 = 21 1 luego hay 61 n umeros. 4 = 22 2 6 = 23 3 . . . . . . 122 = 2 61 ...... 61

1.8.2.

Contar palabras

Muchas veces los elementos del conjunto cuyo cardinal queremos hallar se pueden mbolos que perteinterpretar como secuencias o palabras formadas por diferentes s necen a un alfabeto, de modo que cumplan ciertas restricciones. Cuando esto ocurre, podemos contar el n umero de palabras mediante un proceso que reproduce mentalmente, los pasos que dar amos si tuvi eramos que escribir todas las palabras. Por ejemplo, imaginemos que queremos saber cu antas palabras distintas pueden mbolos pertenecientes al alfabeto: servir de password, si la clave debe contener cuatro s = {A, B, C, 0, 1, 2} de manera que el primer s mbolo no sea num erico y que no haya s mbolos repetidos. Cada elemento del conjunto de claves posibles se puede interpretar como una palabra, formada por s mbolos de , que cumple las restricciones que se han impuesto al password.

.
alfab etico = resto

.
= resto

.
= resto

.
= resto

Figura 1.4: Password de cuatro caracteres con restricciones

Vamos a mostrar un procedimiento de representaci on gr aca que servir a para el c alculo. Escribimos cuatro celdas vac as, que simbolizan los cuatro s mbolos de la palabra y, debajo de las celdas, anotamos las restricciones que debe cumplir el s mbolo que ocupe la celda (ver gura 1.4). Comenzamos el an alisis por la celda que tiene m as restricciones, en este caso la primera: cu antos s mbolos que cumplan las restricciones pueden ocupar la celda? La respuesta es tres: A, B o C. Marcamos la celda con 3. Entre las restantes, escogemos la celda que tenga m as restricciones. Si hay varias, vale una cualquiera. Por ejemplo, escogemos la segunda. Imaginemos que la primera celda ya est a ocupada por uno de los tres s mbolos A, B o C, cu antos s mbolos que cumplan todas las restricciones pueden ocupar la segunda celda? La respuesta es cinco. La observaci on crucial es: cualquiera que sea el s mbolo que ocupe la primera celda, hay cinco maneras de escoger el s mbolo de la segunda. Marcamos la segunda celda con 5. Vamos a la tercera celda. Imaginemos que la primera y segunda ya est an ocupadas, cu antos s mbolos que cumplan todas las restricciones pueden ocupar esta posici on? La respuesta es: cualesquiera que sean los s mbolos que ocupen las celdas primera y segunda, hay 4 maneras de colocar un s mbolo ltimo repetimos el an en la tercera. Marcamos la tercera celda con 4. Por u alisis con la cuarta celda. Concluimos que cualesquiera que sean los s mbolos que se coloquen en las tres primeras celdas, siempre hay 3 maneras de escoger uno para la cuarta. Marcamos la cuarta celda con 3. Despu es de nuestro an alisis, las celdas aparecen marcadas como se muestra en la gura 1.5. El resumen del an alisis es: hay 3 maneras de elegir el primer s mbolo. Por

3
alfab etico = resto

5
= resto

4
= resto

3
= resto

Figura 1.5:
cada elecci on del primero, hay 5 elecciones del segundo. Por cada elecci on del primero on del primero, segundo y y del segundo, hay 4 elecciones del tercero. Por cada elecci tercero, hay 3 elecciones del cuarto. Luego, en total, hay 3 5 4 3 = 180 palabras distintas.

Cu antos subconjuntos tiene un conjunto de n elementos? Para contarlos, establecemos una correspondencia biyectiva entre los subconjuntos y cierto conjunto de palabras (primer m etodo). Luego, contamos cu antas palabras hay (segundo m etodo). C omo formar un subconjunto? Podemos imaginar que los elementos est an puestos en la y que, sucesivamente, tomamos la decisi on de escoger o rechazar cada uno. Representemos por 1 la acci on de escoger un elemento dado y por 0 la de rechazarlo. Con esta conEJEMPLO 1.6

venci on, cada subconjunto se corresponde con una palabra de n caracteres, tomados del alfabeto binario = {0, 1}; esa correspondencia es biyectiva: cada subconjunto se corresponde con una palabra y cada palabra con un subconjunto. Por ejemplo, si el conjunto es = {1 , 2 , . . . , n1 , n }, la palabra: 1 0 ... 0 ... . . . n1 0

se corresponde con el subconjunto {1 }. En particular, la palabra 11 . . . 11 se corresponde con y la palabra 00 . . . 00 con 0. / Hemos transformado el problema en otro equivalente que se puede resolver mediante el segundo m etodo: hallar las palabras distintas de n caracteres que se pueden formar con los s mbolos del alfabeto = {0, 1}. Si queremos seguir escrupulosamente la explicaci on anterior, dibujamos las celdas que, en este caso, no tienen restricciones: Podemos elegir el s mbolo de la primera celda de dos maneras. Por cada

elecci on del s mbolo de la primera celda, hay dos maneras de elegir el de la segunda; as , sucesivamente. El n umero de palabras y el de subconjuntos, es

2
2 2 2 = 2n .

EJEMPLO 1.7 Tenemos n tarjetas numeradas de 1 a n. De cu antas maneras las podemos ordenar en la? Podemos entender una la de tarjetas como una palabra de n caracteres, todos distintos y pertenecientes al alfabeto = {1, 2, . . . , n}. Contar el n umero de ordenaciones en la equivale a contar el n umero de palabras distintas que se pueden formar. El s mbolo de la primera celda puede ser uno cualquiera de

.
= resto

.
= resto

.
= resto

.
= resto

Figura 1.6:
los n del alfabeto. Por cada elecci on del primero, podemos elegir el segundo de n 1 maneras. Por cada elecci on del primero y del segundo, podemos elegir el tercero de n 2 maneras. As sucesivamente. El resultado del an alisis se muestra en la gura 1.7. Se sigue que el n umero de ordenaciones posibles es

n = resto

n1 = resto

2
= resto

1
= resto

Figura 1.7:
n(n 1) 2 1.
Con frecuencia aparecen n umeros de la forma n(n 1) 2 1, producto de todos los enteros menores o iguales que uno dado. Por ello, se ha inventado una notaci on para expresarlos: n!, que se lee n factorial . n! = n(n 1)(n 2) 2 1 Las ordenaciones en la de objetos, en particular de los n umeros 1, 2, . . . , n, se denoumeros 1, 2, minan permutaciones. Hemos deducido que hay n! permutaciones de los n . . . , n. Tambi en conviene una notaci on especial para los productos de m factores menores o iguales que n, con 0 < m n, ya que aparecen a menudo en los c alculos combinatorios. Emplearemos el s mbolo nm . nm = n(n 1)(n 2) (n m + 1)
m factores

Por ejemplo, 73 = 7 6 5.

1.8.3.

Contar subconjuntos con

elementos

La tercera t ecnica nos ense na a contar el n umero de maneras en que podemos seleccionar un grupo de k elementos entre los elementos de un conjunto, , que tiene n k elementos. = {1 , 2 , . . . , n } Con un lenguaje m as t ecnico, se trata de calcular cu antos subconjuntos de k elemenumero desconocido. tos tiene un conjunto de n elementos. Designemos por n k a ese n El s mbolo n k se lee n sobre k y se denomina coeciente binomial porque, como veremos, aparece en el desarrollo de la potencia de un binomio. El n umero n k es un ejemplo de n umero combinatorio; otros ejemplos de n umeros combinatorios son los de BERNOULLI , CATALAN o STIRLING . En Combinatoria cuando una sucesi on de n umeros aparece con frecuencia, se convierte en un modelo. Es un comportamiento semejante al del C alculo innitesimal cuando dene las funciones trascendentes. De la denici on de n k se siguen algunos valores de forma inmediata. Por ejemplo, n nico subconjunto con cero elementos es 0, / y n 0 = 1, puesto que el u n = 1, ya que nico subconjunto con n elementos es . La propiedad principal que cumple n el u k es una relaci on recursiva que permite calcularlo. Para hallar esa relaci on, supongamos 1 k n y jemos un elemento de , por ejemplo 1 . Los subconjuntos de A con k elementos se pueden clasicar en los que contienen a 1 y los que no contienen a 1 . Los subconjuntos de con k elementos que contienen a 1 son tantos como 1 on, hay n los subconjuntos con k 1 elementos de {1 }; luego, por denici k1 . Los subconjuntos de con k elementos que no contienen a 1 son tantos como los 1 on, hay n subconjuntos con k elementos de {1 }; luego, por denici k .

El razonamiento anterior nos lleva a poner: n n1 n1 = + , k k1 k mientras que n = 1, k k=n si k = 0, o (1.4) si 0 < k < n, (1.3)

Esta relaci on recursiva se programa f acilmente y permite calcular sin dicultad cualn . Los valores de quier n umero n k k se pueden organizar en un esquema triangular 1 1 1 1 1 1 1 4 3 6 2 3 4 1 1 1 1 1 1

5 10 10 5 6 15 20 15 6

Figura 1.8: Tri angulo de PASCAL

denominado tri angulo de PASCAL. Cada la del tri angulo corresponde a un valor jo n n ertice, la de n y contiene los n + 1 n umeros n 0 , 1 , . . . , n , por este orden. Desde el v 0 primera la corresponde a n = 0 y s olo tiene un n umero: 0 = 1. Luego vienen 1 0 =1 1 as interesante. Los valores exy 1 = 1. La tercera la, que corresponde a n = 2, es m 2 2 tremos son 2 ormula de recursi on, 0 = 1, 2 = 1. El valor central es 1 que, por la f verica 2 1 1 = + =2 1 0 1 luego es igual a la suma de los n umeros inmediatos de la la anterior. Esta es la interpretaci on en el tri angulo de la relaci on 1.3. Tambi en podemos hallar una expresi on expl cita de n k . Desde un punto de vista on recursiva 1.3. Lo haremos mediante un ataque matem atico, signica resolver la relaci directo al problema de contar cu antos subconjuntos con k elementos tiene . A primera vista, parece un problema f acil: si ordenamos en la todos los elementos

i1 i2 . . . ik1 ik ik+1 . . . in1 in

y nos quedamos con los k primeros de la la, obtendremos un subconjunto de k elementos del conjunto dado.

i1 i2 . . . ik1 ik ik+1 . . . in1 in

elementos elegidos

Pero pronto comprendemos que la soluci on no es tan simple: distintas permutaciones producen el mismo subconjunto de k elementos. Por ejemplo, dada una ordenaci on,

 ltimos elementos, manteniendo los k primeros en sus posisi permutamos los n k u ciones, obtendremos el mismo subconjunto. Tambi en, si permutamos los k primeros ltimos, obtenemos permutaciones distintas peelementos, manteniendo jos los n k u ro el mismo subconjunto. Ahora, comprendemos lo caracter stico de este problema: los subconjuntos se caracterizan por los elementos que los componen, no por el orden en que se presentan. Para que dos subconjuntos sean distintos, debe haber alg un elemento que pertenezca a uno pero no al otro. A partir de un subconjunto de k elementos podemos obtener distintas permutaciones, mediante las operaciones que hemos descrito: permutar los k elementos del subconjunto en los primeros lugares y, a continuaci on, permutar los restantes n k elementos. As , de cada subconjunto de k elementos se obtienen k!(n k)! permutaciones. Por otra parte, es evidente que las permutaciones obtenidas de subconjuntos distintos, son distintas, ya que se diferencian, al menos, en un elemento entre los k primeros lugares. Como consecuencia, el n umero de subconjuntos multiplicado por k!(n k)! es igual al n umero de permutaciones. n k ! (n k ) ! = n! k lo que implica: n n! = k ! (n k ) ! k

(1.5)

Puede parecer que este resultado es preferible a la relaci on recurrente. No es as . El c alculo de n ormula 1.5 obliga a calcular n umeros muy grandes y produce k mediante la f errores num ericos. En resumen, el n umero de subconjuntos con k elementos que tiene un conjunto de n umero cumple elementos, es un n umero combinatorio que se representa por n k . Este n la relaci on recursiva 1.3, y verica la f ormula 1.5. EJEMPLO 1.8

El p oker se juega con una baraja francesa, que consta de cuaeboles ), (diamantes ) y (corazones ). Cada palo tro palos: (picas ), (tr tiene trece cartas que se denominan: As, 2, 3, . . . , 10, J, Q, K.

2 3 4 5 6 7 8 9 10 J Q K A

2 3 4 5 6 7 8 9 10 J Q K A

Figura 1.9: Baraja francesa

Una mano de p oker son cinco cartas. Para nosotros no es m as que un subconjunto de 5 cartas escogidas entre las 52 de la baraja: en el p oker hay 52 5 manos distintas.

2 3 4 5 6 7 8 9 10 J Q K A

2 3 4 5 6 7 8 9 10 J Q K A

EJEMPLO 1.9 Una urna contiene n bolas blancas y m bolas negras. Extraemos las bolas una a una y las dejamos ordenadas en una la sobre la mesa. Cu antas ordenaciones distintas podemos formar? Interpretemos una ordenaci on como una palabra formada con n s mbolos y m s mbolos . Para obtener una ordenaci on debemos decidir en qu e celdas colocaremos las bolas blancas, ya que las negras, necesariamente, ocuparan las restantes. Esta observaci on nos permite armar: hay tantas ordenaciones, como maneras de escoger n celdas, entre las n + m, para poner en ellas las bolas blancas; es decir, como subconjuntos de n celdas. Como se ve, hemos aplicado la primera t ecnica. Ahora, aplicaremos la sem maneras de escoger un subconjunto de n celdas, entre las gunda: hay n+ n m ordenaciones. n + m. Luego hay n+ n EJEMPLO 1.10

[Coecientes binomiales] Los coecientes n k se denominan binomiales porque aparecen en el desarrollo de (x + 1)n . En efecto, probaremos que se cumple: n n k (x + 1)n = x k =0 k

La potencia (x + 1)n = (x + 1)(x + 1) (x + 1) es un polinomio de grado n. Imaginemos que hacemos este producto. Para obtener un t ermino en xk hay que multiplicar k veces el sumando x por n k veces el sumando 1. El coeciente a igual al n umero de maneras de escoger k factores, entre los n, para de xk ser multiplicar la x de esos factores y el 1 de los restantes. Por ello, el coeciente de xk es igual a n k .

1.9.

Los instrumentos del probabilista: dados, monedas y urnas

El c alculo de probabilidades no puede ser reducido a una serie nita de t ecnicas infalibles. No podemos programar un computador para que sustituya al probabilista. Calcular probabilidades es un arte y, como arte, supone un estilo de pensamiento, una manera peculiar de abordar los problemas. Este estilo se adquiere con la experiencia y la pr actica. El probabilista tiene sus instrumentos propios: dados, monedas, bolas y urnas, ruletas, cartas, tarjetas numeradas, etc. Los instrumentos del probabilista sirven, fundamentalmente, para desbastar los problemas. Para hacer un primer modelado. Crear un modelo matem atico a partir del enunciado de un problema es un proceon y depuraci on. Debemos poner en evidencia su estructura sin perder so de extracci informaci on, conservando ntegra su esencia. Para hacer esta extracci on, el contexto particular estorba. El primer modo de evitar el contexto es re -formular el problema en t erminos de los instrumentos del probabilista. Cualquier problema elemental de probabilidades admite esa reformulaci on. De este modo, la estructura del problema es m as clara y estamos m as cerca de su soluci on. En este apartado examinaremos algunos problemas, mostrando c omo pueden modelarse en t erminos de los instrumentos citados.

1.9.1.

Monedas

Es el m as sencillo de nuestros aparatos. Sirve para modelar las pruebas repetidas en id enticas condiciones (precisaremos esto al estudiar el concepto de independencia).

Ruido en un canal de transmisi on. Un dispositivo transmite mensajes. Suponemos que los mensajes est an codicados en binario, por lo que 1. el dispositivo, realmente transmite d gitos 0 o Al otro lado del canal de transmisi on hay un receptor. Cada vez que se transmite un d gito, sin importar lo que se haya transmitido antes, hay una probabilidad p de que ocurra un error en la transmisi on (ruido ) y se reciba el d gito cambiado. Para premodelar este problema, imaginemos que un duende tiene una moneda con probabilidad de cara igual a p. Cada vez que transmitimos un d gito, el duende tira la moneda. Si sale cara, se produce un error en la transmisi on. Si sale cruz, la transmisi on es correcta. Analizar los errores que ocurren, equivale a estudiar el n umero de caras que aparecen al lanzar la moneda repetidas veces. Por ejemplo, preguntarse por la probabilidad de que haya alg un error al gitos, equivale a preguntarse la probabilidad de transmitir un mensaje de 106 d que el duende obtenga alguna cara si lanza la moneda 106 veces.
EJEMPLO 1.11

1.9.2.

Dados

Son m as generales que las monedas, ya que el experimento admite m as de dos resultados posibles. No debemos limitarnos a pensar en dados con 6 caras. Nuestros dados son utensilios virtuales y, sin ninguna dicultad, podemos imaginar uno que tenga n caras.

Generar d gitos al azar equivale a lanzar, repetidas veces, EJEMPLO 1.12 un dado con diez caras numeradas de 0 a 9. Los algoritmos que emplea el computador para generar los d gitos pretenden imitar al dado.
EJEMPLO 1.13

Tenemos tres listas, cada una con n registros. Elegir un registro al azar y mirar a qu e lista pertenece equivale a lanzar un dado. Si sale 1 2, el registro pertenece a la primera lista, si sale 3 o 4, a la segunda y, si sale o 6, a la tercera. 5o

1.9.3.

Bolas y urnas

Con estos dos aparatos podemos crear una innidad de modelos. Hay dos modos principales de usarlos: Extraer bolas de una urna que las contiene. Repartir las bolas entre varias urnas vac as. Por lo que respecta a las extracciones, distinguiremos dos procedimientos: Con reemplazamiento: la bola extra da se devuelve a la urna a antes de la siguiente extracci on, lo que equivale a un modelo con dados. Sin reemplazamiento: la bola extra da se deja fuera.

Este ejemplo trata de una t ecnica para lograr algoritmos m as as. ecientes denominada divide y vencer Imaginemos que los registros de una base de datos se clasican en sublistas. Por ejemplo, si el registro lleva los apellidos de la persona, hacemos tres sublistas, una con los registros cuyo primer apellido comience por una letra de la A a la H, otra con las letras de la I a la M y la tercera con los restantes. Si los registros de la base de datos los elige el azar, las sublistas se forman aleatoriamente. Cada registro tiene probabilidades p1 , p2 y p3 (con p1 + p2 + p3 = 1) de pertenecer a cada sublista. ptimos cuando las tres probabilidades son aproximaEstos m etodos son o on de cada registro a una damente iguales: p1 = p2 = p3 = 1/3. La asignaci sublista equivale a un modelo de colocar bolas al azar en tres urnas. Cada urna es una sublista. Cada bola representa un registro dado y, con igual probabilidad, puede ir a parar a cada urna.
EJEMPLO 1.14

Uno de los contrastes que sirven para vericar los un generadores de n umeros al azar se basa en un criterio introducido por MARSAGLIA en 1984. , que consiste en colocar n bolas al azar en m urnas. El criterio de MARSAGLIA prueba que los los algoritmos denominados de FIBONACCI no son aceptables.
EJEMPLO 1.15

1.9.4.

Ruletas

Aunque, hasta aqu , s olo hemos considerado el modelo discreto de la probabilidad, parece apropiado mencionar entre los instrumentos a la ruleta, que es un aparato para escoger n umeros al azar en un intervalo. Modelo continuo que consideraremos m as tarde. En una ruleta, como la representada en el diagrama (A) de la gura 1.10, la aguja
1 1

GA

NA
PIERDE

3 4

1 4

3 4

1 2

(A)

Figura 1.10:
puede detenerse en cualquier punto de la circunferencia. Si la circunferencia tiene longitud 1, el espacio muestral adecuado para describir el experimento es el intervalo continuo (0, 1 ]. Si la ruleta est a bien equilibrada, es una m aquina capaz de elegir al azar un n umero del intervalo (0, 1 ]. En el cap tulo 5 formularemos un modelo matem atico de este sorteo. Interesa destacar aqu que gracias a la ruleta podemos simular sorteos discretos con probabilidades desiguales. Por ejemplo, la ruleta del diagrama (B) de la gura 1.10 tiene la circunferencia dividida en tres partes. Como la longitud de PIERDE es el doble de GANA y SIGUE, parece justo poner: P(PIERDE) = 1 , 2 P(GANA) = P(SIGUE) = 1 4

SIG
1 2

UE

(B)

F acilmente se comprende que, escogiendo adecuadamente las longitudes de los arcos de circunferencia, con una ruleta podemos simular un sorteo de k casos posibles con probabilidades p1 , p2 , . . . , pk , respectivamente.

1.10.

Plantear y resolver problemas

En un problema, planteamiento y m etodo de resoluci on est an relacionados. Un mismo experimento aleatorio puede ser modelado mediante distintos espacios muestrales y la elecci on de un planteamiento nos fuerza a adoptar un m etodo para resolverlo. Por el momento, s olo conocemos un procedimiento para resolver problemas: la reon del espacio muesgla de LAPLACE. Esta escasez de herramientas nos limita la elecci tral. Mientras no aumentemos los m etodos disponibles, debemos plantear un espacio completamente sim etrico, cuyos resultados posibles sean intercambiables y utilizar las t ecnicas combinatorias para evaluar la probabilidad. Por fortuna, pronto se incrementar an las herramientas a nuestra disposici on. Los ejemplos de este apartado muestran, con cierto detalle, el proceso completo hasta la soluci on del problema: plantear y resolver. En alg un caso, se discute m as el planteamiento que la resoluci on, lo que da a entender que consideramos este paso crucial. Hemos preferido los enunciados tradicionales, podemos decir pintorescos, para mostrar c omo se reducen a otros equivalentes expresados en t erminos de los instrumentos antes comentados.

Un experimento consiste en escoger una bola al azar de una EJEMPLO 1.16 urna que contiene tres bolas blancas y dos negras. Queremos plantear un mo-

1 2 1 2 3
(a) (b)

Figura 1.11:
delo y calcular la probabilidad de que la bola extra da sea blanca. Primer intento: planteamos un espacio muestral con dos elementos, ya que s olo hay dos resultados posibles: la bola extra da es blanca o es negra. primer intento = { , }

Este espacio muestral no es sim etrico. Por las condiciones del enunciado, que la bola sea blanca o que sea negra no son sucesos intercambiables. En nuestras condiciones, este espacio no nos permite calcular la probabilidad. Imaginemos que numeramos las bolas blancas y las negras. No parece que eso cambie la probabilidad de extraer cada bola. Tras esta operaci on, la urna tiene la composici on que se ve en la gura 1.11 (b). Segundo intento: planteamos el espacio muestral: segundo intento = { 1 , 2 , 3 , 1 , 2 }

La condici on se escoge una bola al azar garantiza que cada uno de los resultados posibles de segundo intento son intercambiables y se tiene: P( 1 ) = P( 2 ) = P( 3 ) = P( 1 ) = P( 2 ) = Ahora, puesto que extraer una bola blanca = { 1 , 2 , 3 } resulta P(extraer una bola blanca) = 3 5.
EJEMPLO 1.17 Una lista contiene n registros. Elegimos dos registros al azar. Cu al es la probabilidad de que sean consecutivos? C omo podemos interpretar se eligen dos registros al azar? Esencialmente, de dos maneras:

1 5

Secuencial : los registros se eligen sucesivamente. Primero elegimos uno al azar, entre n registros, y luego elegimos otro, al azar, entre los que quedan tras elegir el primero. Simult anea : los registros se eligen al mismo tiempo, lo que implica elegir un subconjunto de 2 elementos del conjunto de registros.
La interpretaci on secuencial se modela as : de una urna que contiene n bolas numeradas de 1 a n, se extraen dos bolas sin reemplazamiento. Bajo la interpretaci on secuencial, el espacio muestral est a formado por todas las parejas ordenadas (i, j ), donde 1 i, j n, con i = j. En este modelo (i, j ) y ( j, i) son parejas distintas. El n umero de parejas distintas es n (n 1) (hay n maneras de elegir el primer n umero y, por cada manera de elegir el primero, hay (n 1) maneras de elegir el segundo). Con la interpretaci on secuencial hay n(n 1) casos posibles. (6, 5). Los Secuencias de registros consecutivos son, por ejemplo, (3, 4) o (i + 1, i), donde casos favorables son todas las secuencias de la forma (i, i + 1) o i puede variar entre 1 y n 1. A = los registros son consecutivos = {(i, i + 1) ; 1 i n 1} {(i + 1, i) ; 1 i n 1} Hay (n 1) + (n 1) = 2(n 1) secuencias favorables. La probabilidad de que dos registros elegidos al azar sean consecutivos es P(A) = 2(n 1) /n(n 1) = 2/n La interpretaci on simult anea se modela as : de una urna que contiene n bolas numeradas de 1 a n, se elige un subconjunto de dos bolas. El espacio muestral est a formado por todos los subconjuntos de dos elementos posibles, {i, j}. En este modelo, se tiene {i, j} = { j, i}. Hay tantos casos posibles como subconjuntos distintos de dos elementos: n 2 .

Las parejas favorables son los subconjuntos de la forma {i, i + 1}, donde i puede variar entre 1 y n 1. El n umero de casos favorables es n 1 y la probabilidad de A es igual: P(A) = n1 2 = n n 2

Desde luego P(A) es la misma con ambas interpretaciones. Los n umeros 1, 2, . . . , n, se ordenan al azar. Cu al es la probabilidad de que el 1 aparezca en primer lugar? El espacio muestral contiene n! elementos, tantos como permutaciones de los n umeros 1, 2, . . . , n, (casos posibles). El suceso A = el 1 aparece en primer lugar, es el conjunto de ordenaciones que comienzan por 1: 1 . . .
EJEMPLO 1.18

Hay tantas ordenaciones que comienzan por 1 como permutaciones de los n umeros 2, 3, . . . , n. Luego hay (n 1)! ordenaciones favorables y se tiene: P(A) = (n 1) ! 1 = n! n

Otro ejemplo, cu al es la probabilidad de que 1 y 2 aparezcan consecutivos y por este orden? Para contar las ordenaciones favorables, imaginemos que pegamos las tarjetas que llevan los n umeros 1 y 2. Despu es de pegarlas tenemos n 1 tarjetas:
1 2 3 4 n

que podemos ordenar de (n 1)! maneras. Estas son las ordenaciones favorables a que 1 y 2 aparezcan consecutivos y por ese orden. La probabilidad pedida es (n 1)!/n! = 1/n. Una urna contiene n bolas numeradas de 1 a n. Extraemos al azar un subconjunto de k bolas, 1 k n. Cu al es la probabilidad de que 1 est e entre las elegidas? El conjunto de n bolas tiene n k subconjuntos distintos de k bolas. Estos son los casos posibles. Los subconjuntos que contienen a 1 los podemos imaginar compuestos de esa bola y de un subconjunto formado por k 1 bolas del conjunto:
EJEMPLO 1.19 2 , 3 ,... n

que tiene n 1 bolas. Por eso hay La probabilidad pedida es:

n1 k1 n1 k1 n k

casos favorables. k n

Si repetimos los c alculos suponiendo que las bolas se eligen una a una sin reemplazamiento, encontraremos, otra vez, que la probabilidad pedida es k/n. Ambos modelos son equivalentes.

1.11.

M etodo de c alculo por el complementario

El recuento de los casos favorables de un suceso es m as simple si la condici on que on de condiciones; esto es, si los elementos del sucesos dene el suceso es una conjunci deben cumplir todas las condiciones que se impongan simult aneamente. Por ejemplo, si se trata de dos condiciones p, q, el suceso denido por se cumple p y se cumple q. Por el contrario, recuento suele ser m as dif cil cuando el suceso est a denido por on de condiciones. Por ejemplo, el suceso formado por los elementos que una disyunci cumplen p o q, ya que hay que contar por separado los elementos que cumplen p y q, los que cumplen p y q, y los que cumplen p y q. Los sucesos denidos por una condici on al menos son de esta forma. Si lanzamos un dado dos veces, el suceso: A = al menos uno de los resultados es mayor que 3 es una uni on de dos sucesos: A = el primero es mayor que 3 o el segundo resultado es mayor que 3 Para calcular la probabilidad de A, es preferible calcular la probabilidad de su complementario: Ac = ambos resultados son menores o iguales que 3 ya que se trata de una conjunci on de condiciones. Hallemos la probabilidad: hay 62 casos posibles y 32 favorables a Ac (el primer y 3). Resulta P(Ac ) = (3/6)2 = 1/4, luego P(A) = segundo resultados pueden ser 1, 2 o 3/4.

M etodo 1 (C alculo por el complementario) on de Si el suceso cuya probabilidad queremos hallar est a denido por una disyunci condiciones, es preferible calcular la probabilidad de su complementario.
EJEMPLO 1.20

En una reuni on hay k personas; cu al es la probabilidad de que al menos dos de ellas celebren su cumplea nos el mismo d a? Este es un buen ejemplo de problema enunciado con el lenguaje pintoresco del c alculo de probabilidades. A pesar de su aspecto de adivinanza o de juego, el lector no debe tomar a broma estos enunciados. No siempre lo liviano es superuo. El problema de los cumplea nos esconde un modelo que tiene importancia pr actica. Por otra parte, el enunciado deja algunos cabos sueltos. Cu antas fechas distintas de cumplea nos debemos considerar? 365?, 366? Cu al es la probabilidad de que una persona nazca en una fecha determinada? Para establecer un modelo, hacemos dos simplicaciones: primero, despreciamos los a nos bisiestos y consideramos que hay 365 fechas y, segundo, consideramos que cada persona puede nacer en cualquier fecha con igual probabilidad p = 1/365. Esta hip otesis es muy discutible. Ser a l ogico imponer

que la probabilidad, pi , 1 i 365, de nacer en la fecha i sea igual a la proporci on de nacidos en ese d a, ya que la experiencia indica que los nacimientos son m as frecuentes en unos meses que en otros. Hasta qu e punto el modelo simplicado es v alido en la realidad? La respuesta depende de lo sensible otesis que sea la soluci on cuando haya desviaciones de las pi respecto de la hip p = 1/365. En estad stica, una soluci on que sigue siendo aceptable aunque los par ametros del problema se desv en de las hip otesis se denomina una soluci on robusta. Una formulaci on equivalente en t erminos de bolas y urnas es la siguiente: tenemos 365 urnas y k bolas. Colocamos las bolas al azar en las urnas. Cu al es la probabilidad de que al menos dos bolas est en en la misma urna? Sea en en la misma urna Ak = al menos dos bolas est queremos calcular P(Ak ). Como Ak est a denido por la condici on al menos, que la probabilidad de Ak . resulta m as f acil calcular la probabilidad de Ac k Ac en en urnas diferentes k = todas las bolas est Los casos posibles son 365k (hay 365 maneras de escoger una urna para colocar la primera bola y, una vez colocada, hay 365 maneras de escoger otra urna para la segunda bola, etc.). Favorables a Ac k hay: 365 364 363 365 (k 1) , casos

ya que hay 365 maneras de escoger una urna para la primera bola; una vez colocada, nos quedan 364 urnas para colocar la segunda bola; una vez colocadas la primera y la segunda, hay 363 urnas donde podemos colocar la tercera; as sucesivamente, hasta la k- esima urna, para la que tenemos 365 (k 1) urnas disponibles (todas menos las k 1 urnas ocupadas por las bolas anteriores). En total, hay La probabilidad de Ac k es: P(Ac k) = 365 364 363 365 (k 1) 365k 365 (k 1) 364 363 = 365 365 365 1 2 k1 = 1 1 1 365 365 365

Vamos a calcular esta probabilidad para varios valores de k. Los valores de on: P(Ac k ) se calculan con facilidad, ya que cumplen la recursi P(Ac k) = 1 k1 P(Ac k1 ) 365

c y, a partir de P(Ac k ), calculamos P(Ak ) = 1 P(Ak ). La tabla 1.1 muestra los valores de P(Ak ) para los valores de k comprendidos entre 5 y 90, de cinco en cinco. Observemos que con k = 70 es pr acti-

k 5 10 15 20 25 30

P(Ak ) 0.02714 0.11695 0.25290 0.41144 0.56870 0.70632

k 35 40 45 50 55 60

P(Ak ) 0.81438 0.89123 0.94098 0.97037 0.98626 0.99412

k 65 70 75 80 85 90

P(Ak ) 0.99768 0.99916 0.99972 0.99991 0.99998 0.99999

Tabla 1.1:
camente seguro que habr a dos personas que cumplan a nos el mismo d a. Si representamos gr acamente los valores anteriores, como si fuese una funci on continua de k, obtenemos la curva de la gura 1.12. Esta curva tiene una forma caracter stica de muchos problemas probabil sticos. Tras un crecimiento lento, la curva crece r apidamente hasta volverse plana al nal. Estas gr acas mueson : en determinado punto, se pasa r apidamente tran un fen omeno de saturaci de lo poco probable a lo muy probable. Es interesante hallar el valor de k que
P ( Ak )
1

0.75

0.50

0.25

10

30

50

70

90

Figura 1.12: Gr aca de k P(Ak )

cumple P(Ak ) = 0.5. A la vista de los valores de la tabla, debe estar comprendido entre 20 y 25. Si calculamos las probabilidades de los valores intermedios, obtenemos: P(A21 ) = 0.44369, P(A23 ) = 0.50730, P(A22 ) = 0.47570 P(A24 ) = 0.53834

As , el primer valor de k tal que P(Ak ) 1/2 es k = 23. Resulta sorprendente que s olo con 23 personas podamos asegurar que la probabilidad de que al menos dos tengan su cumplea nos el mismo d a es mayor que 0.5.

Ejercicios
Ejercicio 1.1 Una urna contiene dos bolas blancas y una negra. Plantear un espacio muestral para el experimento que consiste en extraer una primera bola, devolverla a la urna, y extraer una segunda bola. Podemos simular este sorteo con un dado? Ejercicio 1.2 Formular un espacio muestral adecuado para el experimento que consiste en extraer todas las bolas, una a una sin reemplazamiento, de una urna que contiene n bolas blancas y m bolas negras. Ejercicio 1.3 Sean A, B y C tres sucesos. Hallar las expresiones en t erminos de A, B y C de los siguientes sucesos: 1. Ninguno de los tres ocurre. 2. S olo A ocurre. 3. Al menos uno de los tres sucesos ocurre. 4. Exactamente dos de ellos ocurren. Ejercicio 1.4 Barajamos bien una baraja francesa y levantamos cartas, sucesivamente, sin devolver las levantadas al mazo. Calcular: 1. La probabilidad de que la tercera carta que levantemos sea un as. 2. La probabilidad de que el primer as aparezca al levantar la tercera carta. Ejercicio 1.5 Un algoritmo genera d gitos 0, 1, . . . , 9, al azar. Si generamos k d gitos, cu al es la probabilidad, P(k), de que haya al menos dos iguales? Representar gr acamente P(k) para 2 k 10. Ejercicio 1.6 Una urna contiene 1000 bolas, 10 negras y 990 blancas. Extraemos 100 bolas sin reemplazamiento. Hallar: 1. La probabilidad de que no haya ninguna bola negra entre las cien elegidas. 2. La probabilidad de que haya una negra entre las cien elegidas. Ejercicio 1.7 A y B lanzan una moneda equilibrada tres veces cada uno. Cu al es la probabilidad de que A obtenga tantas caras como B? Ejercicio 1.8 Plantear un modelo para el experimento aleatorio que consiste en lanzar un dado hasta que la suma de los resultados obtenidos sea mayor que seis y observar el n umero de veces que lo hemos lanzado. Ejercicio 1.9 Plantear un modelo para el experimento que consiste en lanzar seis veces un dado. Cu al es la probabilidad que aparezca alg un 1? Cu al es la probabilidad de que aparezcan los seis resultados del dado? Cu al es la probabilidad de que no aparezca ning un 2? Ejercicio 1.10 Plantear un modelo para el experimento que consiste en ordenar en la, al azar, seis tarjetas numeradas de 1 a 6. Cu al es la probabilidad de que las tarjetas 1 y ltima tarjeta sea la n 2 est en consecutivas? Cu al es la probabilidad de que la u umero 1?

Soluciones
Soluci on del ejercicio 1.1 Parece razonable considerar como espacio muestral el conjunto: { , , , }

Con el dado podemos simular las extracciones de las dos bolas, basta que lanzar el dado 3, y que ha salido dos veces e interpretar que ha salido bola blanca cuando aparece 1, 2 o 6. bola negra cuando aparece 4, 5 o Soluci on del ejercicio 1.2 Si escribimos 0 por cada bola blanca y 1 por cada bola blanca, una ordenaci on de n bolas blancas y m bolas negras es una secuencia de longitud n + m, formada por n ceros y m unos. Hay tantas ordenaciones de las bolas como n umeros binarios de n + m bits, que contengan n ceros y m unos. Un espacio muestral puede ser el conjunto de estos n umeros. Si queremos contar cu antos elementos tiene este espacio muestral, razonaremos as : para formar uno de estos n umeros debemos decidir en qu e n posiciones, elegidas entre las n + mn posiciones, aparecen los ceros; es decir, hay tantos n umeros binarios de esta clase como subconjuntos de n posiciones tiene un subconjunto de n + m posiciones. Se sigue que hay n+m n n umeros u ordenaciones. Soluci on del ejercicio 1.3 1. Ninguno de los tres ocurre equivale a decir que A no ocurre, B no ocurre y que C no ocurre; por ello, se tiene {ninguno de los tres ocurre} = Ac Bc Cc 2. Que s olo A ocurra equivale a que decir que A ocurre y B y C no. {s olo A ocurre} = A Bc Cc 3. Que ocurra al menos uno de los sucesos es equivalente a decir que alguno de ellos ocurre. {al menos uno de ellos ocurre} = A B C 4. Que exactamente dos ocurren equivale a decir que o bien A y B ocurren y C no, o bien A y C ocurren y B no, o bien B y C ocurren y A no. {exactamente dos ocurren} = (A B Cc ) (A Bc C ) (Ac B C ) Soluci on del ejercicio 1.4 1. Basta razonar sobre las tres primeras cartas. El n umero de casos posibles es 52 51 50. Casos favorables a que la tercera carta sea un as hay 4 51 50, ya que la tercera carta puede ser una de cuatro; una vez elegida la tercera, la primera puede ser una cualquiera de las 51 restantes y, elegidas la tercera y la primera, la segunda puede ser una cualquiera de las 50 restantes. La probabilidad pedida es 4 4 51 50 = . 52 51 50 52

Observemos que la probabilidad de que la tercera carta sea un as es igual a la probabilidad de que la primera lo sea. 2. Otra vez basta razonar acerca de las tres primeras cartas. El n umero de casos favorables, como antes, es 52 51 50. El n umero de casos posibles es 48 47 4, ya que la primera carta no puede ser as y hay 48 maneras de elegirla; una vez elegida la primera, ltimo, la tercera hay 47 maneras de elegir la segunda, que tampoco puede ser as; por u carta debe ser uno de los cuatro ases. La probabilidad pedida es 48 47 4 0.068 52 51 50 Soluci on del ejercicio 1.5 Un modelo consiste en 10k casos posibles, tantos como posibles secuencias de longitud k, formadas por los d gitos 0, 1, . . . , 9, sin ninguna restricci on. Para calcular la probabilidad del suceso: gitos iguales al extraer k bolas} Ak = {que haya al menos dos d debemos aplicar el m etodo de c alculo por el complementario. Los casos favorables a gitos diferentes. Hay 10 maneras del Ac son aquellas secuencias que tienen todos los d elegir el primer d gito, 9 de elegir el segundo (debe ser distinto del primero), 8 el tercero, etc., hasta 10 k + 1 maneras de elegir el k- esimo d gito. Luego hay 10 9 8 (10 k + 1) casos favorables a Ac k. La probabilidad pedida es: 10 9 8 (10 k + 1) 10k 10 (k 1) 10 10 1 10 2 = 1 10 10 10 10 k1 i = 1 1 10 i=0

P ( k ) = P ( Ak ) = 1

En la gura siguiente se muestra la gr aca y la tabla de los valores de P(k).

1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 10

k 1 2 3 4 5

P(k ) 0.00000 0.10000 0.28000 0.49600 0.69760

k 6 7 8 9 10

P(k ) 0.84880 0.93952 0.98186 0.99637 0.99964

Soluci on del ejercicio 1.6 1. El n umero de casos posibles es 1000 100 , tantos como subconjuntos de 100 bolas tiene un conjunto de 1000 bolas. El n umero de casos favorables es 990 100 , tantos como subconjuntos de 100 bolas tiene el conjunto de bolas blancas. La probabilidad pedida es
990 100 1000 100

2. El n umero de casos favorables a que haya una bola negra es 10 1 mos elegir la bola negra de 10 1 maneras y las 99 bolas blancas de probabilidad pedida es
10 990 1 99 1000 100

990 99 , 990 99

ya que podemaneras. La

Soluci on del ejercicio 1.7 Pongamos que P(A = k, B = k) es la probabilidad de que A y B obtengan k caras cada uno. Esta probabilidad se calcula f acilmente P(A = k , B = k ) =
3 2 k 26

La probabilidad de que A y B obtengan el mismo n umero de caras es igual a P(A = B) = P(A = 0, B = 0) + P(A = 1, B = 1) + P(A = 2, B = 2)+ + P(A = 3, B = 3) = 26
k =0

3 k

Soluci on del ejercicio 1.8 El n umero de veces que tenemos que lanzar los dados para que la suma de los resultados , por obtenidos sea mayor que seis var a entre 2, cuando alguno de los resultados es ejemplo y 7, cuando los seis primeros resultados son . Esta observaci on nos puede llevar a plantear un modelo con seis casos posibles, cuyo espacio muestral sea = {2, 3, 4, 5, 6, 7} til, porque no es razonable aceptar que estos casos sean Pero este espacio no es muy u intercambiables. Podemos plantear un espacio cuyos casos sean intercambiables si lanzamos el dado siete veces, con lo que es seguro que alguna suma parcial de resultados ser a mayor que seis, y consideramos como caso posible cada una de las secuencias de siete resultados que podemos obtener. 2 = {todas las secuencias (x1 , x2 , . . . , x7 ), con 1 xi 6} Este espacio muestral contiene 6 6 6 = 67
7 veces

casos posibles que son intercambiables. Ahora es razonable suponer que todos los casos posibles tienen la misma probabilidad. En este modelo, que haya que lanzar el dado siete veces (N = 7) es un suceso compuesto de los seis casos posibles que aparecen en la gura 1.13. Naturalmente, tiene el inconveniente de que puede ser dif cil contar cu antos

{N = 7} = {

Figura 1.13:
casos posibles contiene un suceso. En las unidades posteriores volveremos sobre este modelo. Soluci on del ejercicio 1.9 Consideremos como caso posible cualquier secuencia formada por 6 resultados de lanzar el dado. El espacio muestral es = {todas las secuencias (x1 , x2 , . . . , x6 ), con 1 xi 6}. a, les asignamos la misma probaSabemos que hay 66 secuencias distintas. Por simetr bilidad a cada una. Designemos por A al suceso aparece alg un 1. Este es un suceso compuesto, que est a denido por una disyunci on de condiciones, ya que es igual al suceso aparece un 1 etodo en el primer lanzamiento, o en el segundo, etc.; por eso, es razonable aplicar el m de c alculo por el complementario (apartado 1.11 del libro de texto). Con palabras, el : ning un resultado es 1. El n umero de secuencias favorables suceso Ac se dene as a este suceso es 56 , ya que el primer resultado puede ser elegido de cinco maneras, el segundo de cinco, etc.; la probabilidad de Ac es P ( Ac ) = 5 6
6

y P(A) = 1 (5/6)6 . Designemos por B al suceso aparecen todos los resultados del dado. Este suceso est a compuesto de todas las secuencias de seis resultados que contienen a 1, 2, 3, 4, 5 y 6; as , cada una de esas secuencias debe ser una permutaci on de estos n umeros. Hay 6! casos favorables a B. La probabilidad de B es 6! 66 ltimo, el suceso C denido por no aparece ning Por u un 2 tiene la misma probabilidad un 1, ya que si cambiamos los unos que el suceso Ac denido por no aparece ning P(B) =