Académique Documents
Professionnel Documents
Culture Documents
APLICACIONES EN PROBABILIDAD
Director
GERMN MORENO ARENAS, Ph.D.
donde k = 1, . . . , n y
\
AI = Ai
iI
where k = 1, . . . , n and
\
AI = Ai
iI
Introduccin 2
1. Preliminares 3
1.1. Principios bsicos de conteo . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Permutaciones simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Principio de Dirichlet o del palomar . . . . . . . . . . . . . . . . . . . . 7
1.4. Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5. Principio de Inclusin-Exclusin y Generalizacin . . . . . . . . . . . . . 9
1.6. Permutaciones caticas o desarreglos . . . . . . . . . . . . . . . . . . . . 11
2. Probabilidad 14
2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2. Espacio Muestral y Probabilidad de Laplace . . . . . . . . . . . . . . . . 15
2.3. Espacios de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Conclusiones 51
Referencias Bibliogrficas 52
1
Introduccin
Diferentes investigaciones han concluido que las ideas estadsticas son con frecuencia mal
interpretadas por los estudiantes e incluso por muchos profesionales (DelMas y otros,
1999; Erickson, 2006; Rubn y otros, 2006; Batanero, 2000). Las causas de tal hecho van
desde la complejidad misma de estas ideas, hasta el poco tiempo dedicado a los cursos de
estadstica. Al resolver un problema de probabilidad o estadstica, el razonamiento que
debe hacerse para esto es diferente de aquel que se hace cuando se ataca un problema de
matemticas. Sin embargo, el poder hacer uso de resultados matemticos en la resolucin
de problemas de probabilidad le brinda a esta rama precisin y un carcter formal. Para
ser concretos, el problema de contar es tan antiguo como el raciocinio del mismo. La
necesidad de contar llev al ser humano a inventar los nmeros.
2
Captulo 1
Preliminares
n n
[ X
Ai =
|Ai |
i=1 i=1
3
A1 A2 = {a1 , a2 , . . . , am , b1 , b2 , . . . , bn }
luego,
|A1 A2 | = m + n = |A1 | + |A2 |,
y por tanto el teorema es vlido para n = 2.
Supongamos ahora que la proposicin es cierta para k conjuntos finitos, disjuntos dos
a dos, es decir, se cumple que
k k
[ X
A i
= |Ai |.
i=1 i=1
Veamos entonces que el teorema es cierto para k + 1 conjuntos finitos, disjuntos dos a
dos.
En efecto,
k+1
[ k
[
Ai = A1 A2 Ak Ak+1 = Ai Ak+1 .
i=1 i=1
De otro lado,
k
[ \
Ai Ak+1 = (A1 A2 ... Ak ) Ak+1
i=1
= (A1 Ak+1 ) (A2 Ak+1 ) ... (Ak Ak+1 )
= ...
= .
k k
[ X
=
Ai + Ak+1 =
|Ai | + Ak+1
i=1 i=1
k+1
X
= |Ai |.
i=1
4
n n
[ X
Ai
= |Ai |,
i=1 i=1
5
|A1 A2 Ak Ak+1 | = |A1 | |A2 | . . . |Ak | |Ak+1 |,
y por el principio de induccin matemtica, el teorema es vlido para todo entero posi-
tivo n.
(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1).
Ahora bien, fijando cualquiera de estos tres nmeros en primera posicin, quedan dos
elementos para ocupar la segunda posicin, y dado que inicialmente el conjunto contaba
con 3 elementos, resulta que en total se obtienen 3 2 1 = 6 permutaciones de estos
elementos. Este hecho constituye un problema clsico de conteo que se abordar ms
adelante.
Una pregunta que surge naturalmente de esta definicin es:
Dados n objetos distintos a1 , a2 , ..., an , de cuntos modos es posible ordenarlos?
Es fcil de observar que el nmero de posibilidades en que se puede elegir cualquiera
de estos objetos para ocupar la primera posicin del ordenamiento es n, y que una vez
elegido este primer elemento quedan disponibles n 1 objetos para ocupar la segunda
posicin, n 2 objetos para la tercera y, por ltimo, habr una nica opcin para llenar
la n-sima posicin. Se sigue, por el principio de multiplicacin, que en total existen
1 2 ...(n 2) (n 1) n modos distintos de ordenar estos n objetos. El producto
que ha aparecido en la resolucin del problema anterior tiene importancia especial y se
hace referencia a l en la siguiente definicin.
Ejemplo:
Si A es un conjunto con n elementos, cuntas son las funciones biyectivas de f : A
A?
Supongamos que A = {a1 , a2 , a3 , . . . , an }, entonces la imagen de a1 , f (a1 ), puede ser
escogida de n formas distintas en A. Ahora, la imagen de a2 , f (a2 ), puede escogerse de
n 1 formas distintas en A; puesto que f es biyectiva. As entonces si an es el ltimo
elemento disponible en A, entonces su imagen puede escogerse de una nica manera, y
6
por tanto el nmero de funciones biyectivas que se pueden definir de A en A est dado
por
n (n 1) (n 2) 1 = n!
Ejemplo:
En una gaveta hay 12 medias blancas y 12 medias negras. Cuntas medias debemos
retirar al azar para tener certeza de obtener un par de medias del mismo color?
Pensando en las medias como objetos y los dos colores como las dos gavetas, se observa
que con 3 medias habr dos medias con un mismo color. La respuesta es por tanto 3.
Ejemplo: En un estadio hay 10000 personas. Demostrar que hay al menos un grupo de
28 personas que est de cumpleaos el mismo da.
Bastara considerar a las personas del estadio como nuestros objetos y a los das del ao
como nuestros casilleros (podemos clasificar a las personas segn su da de cumpleaos).
7
As, tenemos que el nmero de personas es n = 10000 y el nmero de das del ao es
k = 366 (consideramos el caso fortuito de que haya personas nacidas en das 29 de
febrero). Podemos notar, adems, que 366 27 = 9882, entonces 10000 > 27 366 (es
decir, k = 27), luego, el Principio del Palomar nos asegura que en alguno de los das del
ao hay 28 o ms personas de cumpleaos.
1.4. Combinatoria
De manera general se puede decir que el anlisis combinatorio es la parte de la matemti-
ca que analiza estructuras y relaciones discretas.
Dos tipos de problemas que ocurren frecuentemente en el anlisis combinatorio son:
1) Demostrar la existencia de subconjuntos de elementos de un conjuntos finito dado y
que satisfacen ciertas condiciones.
2) Contar o clasificar los subconjuntos de un conjunto finito y que satisfacen ciertas
condiciones.
De cuntos modos podemos escoger p objetos distintos de un conjunto de n objetos
distintos?
Se define el coeficiente combinatorio Cnp por la expresin
n!
Cnp = , 0 p n.
p!(n p)!
La expresin anterior da solucin a la pregunta propuesta, es decir, Cnp representa el
nmero de modos en que se puede escoger p objetos distintos de entre n objetos distintos
dados.
Ejemplo:
En un torneo en el cual cada participante enfrenta a todos los dems una nica vez, son
jugadas 780 partidas. Cuntos son los participantes?
Sea n el nmero de participantes en el torneo, como cada participante se enfrenta una
sola vez a los dems, resulta que el nmero de partidas que en total se disputan est dada
por el nmero de parejas que se pueden obtener dentro del nmero total de participantes,
es decir
n! n (n 1) (n 2)!
Cn2 = =
2! (n 2)! 2 (n 2)!
n(n 1)
= ,
2
por lo tanto
n(n 1)
= 780,
2
de donde se deduce que n = 40.
8
Definicin 1.3. Sea A un conjunto finito no vaco. Una particin de A es una familia
de conjuntos A1 , A2 , . . . , Ak , todos no vacos, tales que:
[k
1) Ai = A
i=1
2) Ai Aj = , si i 6= j
O sea los conjuntos A1 , A2 , . . . , Ak son disjuntos dos a dos, y su unin es el conjunto A.
Diremos tambin que A fue particionado por los conjuntos A1 , A2 , . . . , Ak .
A B
m n k
9
Ejemplo:
Sean los conjuntos
A = {1, 2, 3, 4} y B = {4, 5, 6, 7, 8};
entonces
A B = {1, 2, 3, 4, 5, 6, 7, 8}, A B = {4}.
Se sigue que |AB| = 8 , |AB| = 1, por tanto |AB| = 8 = 4+51 = |A|+|B||AB|,
lo que ratifica el teorema (1.2).
es decir,
0 = Cn0 Cn1 + Cn2 Cn3 + Cn4 + + (1)n Cnn
como se quera mostrar.
donde |I| = k.
Este teorema ser probado en el captulo 3.
10
1.6. Permutaciones caticas o desarreglos
Una permutacin de los nmeros (1, 2, ..., n) se dice que es catica (o un desarreglo)
cuando ningn nmero est en su lugar primitivo. As, las permutaciones 2143 y 3142
son caticas, mas 1342 no es (1 est en su lugar primitivo). Para calcular el nmero Dn
de permutaciones caticas de (1, 2, ..., n), se define Ai = conjunto de las permutaciones
de (1, 2, ..., n) en que el nmero i ocupa el i-simo lugar, i {1, 2, ..., n}.
Se desea calcular el nmero de elementos del conjunto de las permutaciones de
(1, 2, . . . , n) que no pertenecen a ninguno de los conjuntos A1 , A2 , ..., An . Si Si rep-
resenta el nmero de permutaciones de que fijan i elementos (o ms), entonces:
S0 = || = n!;
Xn n
X
S1 = |Ai | = (n 1)! = n(n 1)! = n!
i=1 i=1
X X n!
S2 = |Ai Aj | = (n 2)! = Cn2 (n 2)! = ;
2!
1i<jn 1i<jn
X X n!
S3 = |Ai Aj Ak | = (n 3)! = Cn3 (n 3)! =
3!
1i<j<kn 1i<j<kn
..
.
n!
Sn = Cnn (n n)! =
n!
El nmero a0 de elementos de que no pertenecen a ninguno de los conjuntos
A1 , A2 , . . . , An
es
n
X
a0 = (1)k C0+k
k
S0+k
k=0
n
X
= (1)k Sk
k=0
= S0 S1 + S2 S3 + + (1)n Sn
n! n! n!
= n! n! + + + (1)n
2! 3! n!
(1)n
1 1 1 1
= n! + + + .
0! 1! 2! 3! n!
(1)n
1 1 1 1
Dn = n! + + + . (1.1)
0! 1! 2! 3! n!
11
As, por ejemplo,
1 1 1 1 1 1 1 1
D7 = 7! + + +
0! 1! 2! 3! 4! 5! 6! 7!
1 1 1 1 1 1
= 5040 + +
2 6 24 120 720 5040
= 1854
n!
Es interesante observar que Dn es aproximadamente igual a , ms aun, tenemos el
e
siguiente
n!
Teorema 1.4. Dn es el entero ms prximo a .
e
Demostracin. Con n = 1 se tiene que Dn = 0; mientras que
1!
0, 36.
e
2!
De otro lado para n = 2, se tiene que Dn = 1 y 0, 73. Se observa que la afirmacin
e
es verdadera para n = 1 y para n = 2. Se probar para el caso n > 2. En efecto, por el
desarrollo de la serie de Taylor se sabe que:
X xn
ex = ,
n!
n=0
1 1 1 1
y por tanto con, x = 1 se tiene e1 = + +
0! 1! 2! 3!
Ahora bien,
n
Dn n! = n! 1 1 + 1 1 + + (1) 1 1 1
n! +
e 0! 1! 2! 3! n! 0! 1! 2!
(1)n+1 (1)n+2
= n! + +
(n + 1)! (n + 2)!
1 1
n! + +
(n + 1)! (n + 2)!
1 1 1
= + + +
n + 1 (n + 1)(n + 2) (n + 1)(n + 2)(n + 3)
1 1 1
+ + +
n + 1 (n + 1)2 (n + 1)3
1
1 1
= n+1 = < .
1 n 2
1
n+1
Por lo tanto
12
Dn n! < 1 ,
e 2
1
si n > 2. Luego, para n > 2, Dn es un entero situado a una distancia menor que del
2
n! n!
nmero . As, Dn es el entero ms prximo de , si n > 2.
e e
Ejemplo:
Dos mdicos deben examinar, en una hora, 6 pacientes, empleando 10 minutos con cada
paciente. Cada uno de los 6 pacientes debe ser examinado por los dos mdicos. De
cuntos modos puede ser realizado un horario compatible?
El horario del primer mdico puede ser realizado de 6! = 720 formas, puesto que el
primer lugar de consulta puede ser ocupado por cualquiera de las 6 personas, el segundo
por cualquiera de las 5 restantes y as hasta que el sexto lugar en la consulta lo ocupe
la nica persona restante. Ahora bien, para el horario del segundo mdico, que ya se
encuentra definido por el horario del primero se tienen D6 = 265 formas de elegir a
cada paciente sin que esta eleccin est ya en el horario del primer mdico. Finalmente,
por cada una de las 720 formas en que el primer mdico puede formar su horario, el
segundo mdico tiene 265 formas de hacer el suyo, de forma compatible con el primer
mdico, por tanto existen 720 265 = 190800 modos de realizar un horario compatible.
13
Captulo 2
Probabilidad
La teora del azar consiste en reducir todos los acontecimientos del mismo gnero a
un cierto nmero de casos igualmente posibles, o sea, tales que estemos igualmente
inseguros sobre su existencia, y en determinar el nmero de casos favorables al acon-
tecimiento cuya probabilidad es buscada. La razn de este nmero para el de todos los
casos posibles es la medida de esa probabilidad, la cual es por tanto una fraccin cuyo
numerador es el nmero de casos favorables y cuyo denominador es el nmero de todos
los casos posibles.
Pierre Simon Laplace
Ensayo filosfico sobre las probabilidades.
2.1. Introduccin
Algunas de las aplicaciones ms importantes de la teora del conteo ocurren en la teora
de las probabilidades.
Se dir que un evento es determinstico si cuando se repite en condiciones semejantes
conlleva a resultados iguales. De otro lado, los eventos que arrojan resultados general-
mente distintos, cuando son repetidos en las mismas condiciones, se les llamar ex-
perimentos aleatorios. Tales fenmenos suceden constantemente en nuestras vidas. Por
ejemplo, preguntas como: llover maana? Cul ser la temperatura mnima el fin
de semana? Cuntas personas ganarn la lotera? Cuntos habitantes tendr nuestro
pas en el 2015? son muestras de esta aleatoriedad.
La teora de las probabilidades es la rama de la matemtica que crea, desarrolla y en
general busca modelos que pueden ser utilizados para estudiar experimentos o fen-
menos aleatorios.
Dependiendo de cada situacin, el modelo matemtico formulado para resolverla puede
ser ms complejo y distinto que el modelo de otro fenmeno. Sin embargo todos estos
14
modelos comparten caractersticas comunes. Lo que nos proponemos realizar en este
captulo es aplicar la conceptualizacin precedente en la resolucin de situaciones de
probabilidad.
= {1, 2, 3, 4, 5, 6} y || = 6.
Los elementos del espacio muestral son llamados puntos y los subconjuntos sern lla-
mados eventos. Por ejemplo, el subconjunto
A = {1, 3, 5}
|A| 3 1
probabilidad de A = P(A) = = = .
|| 6 2
Laplace se refera a los elementos de A como los casos favorables, y a los elementos del
espacio muestral como casos posibles. Defini entonces
15
Se resumirn ahora las consideraciones hasta aqu hechas, las cuales permiten utilizar
la anterior definicin de probabilidad.
Supongamos que los experimentos aleatorios tienen las siguientes caractersticas:
a)Hay un nmero finito (n) de puntos y la unin de todos estos es el espacio muestral
.
b)Los puntos son igualmente probables.
c)Todo evento A es la unin de m puntos, donde m n.
Definimos entonces
|A| m
probabilidad de A = P(A) = nmero de casos favorables
nmero de casos posibles = || = n
Consecuencias inmediatas de esta definicin son las siguientes propiedades:
1) Para todo evento A, 0 P(A) 1.
2) P() = 1.
3) P() = 0 (porque || = 0).
4) Si A B = entonces P(A B) = P(A) + P(B).
Ejemplo: Supongamos que de n objetos escogemos r al azar con sustitucin. Cul es
la probabilidad de que ningn objeto sea escogido ms de una vez?
Puesto que hay reposicin, existen n posibilidades para escoger el primer objeto; n
posibilidades para el segundo y en general existirn n posibilidades para escoger el
objeto que ocupa la posicin r sima. Por el principio del producto se sigue que el
nmero de casos posibles es nr ; es decir || = nr . De otro lado, existen n formas distintas
de escoger cualquier objeto de ; n 1 formas para escoger el segundo objeto (dado
que debe asegurarse que el primer objeto escogido no ocupe ninguna posicin posterior
a la primera); n 2 maneras para la tercera; y as sucesivamente hasta que queden
n (r 1) = n r + 1 posibilidades de escoger el objeto en la r sima posicin sin
que alguno de ellos haya sido escogido ms de una vez, entonces el nmero de casos
favorables es
n(n 1)(n 2) (n r + 1)
La probabilidad es por tanto,
n(n 1)(n 2) (n r + 1)
nr
Una aplicacin interesante de este resultado es la siguiente: Supongamos que el cumpleaos
de una persona puede caer con igual probabilidad en cualquiera de los das del ao. Si
r personas son escogidas al azar, la probabilidad de que todas cumplan aos en das
diferentes esta dada por la frmula anterior con n = 365. As por ejemplo si r = 40, la
probabilidad de que por lo menos dos personas cumplan aos el mismo da del ao es
mayor que 0, 88.
16
2.3. Espacios de Probabilidad
Se introducir ahora una nocin general de probabilidad y se probarn algunas propiedades
que son consecuencia inmediata de esta definicin.
Definicin 2.1. Sea un espacio muestral (conjunto). Una funcin P definida para
todos los subconjuntos de (llamados eventos) es llamada una funcin de probabilidad
si:
P : () [0, 1]
A 7
2
3, si A = {0}
1,
si A = {1}
P (A) = 3
1, si A =
si A =
0,
Por simple inspeccin se puede observar que la funcin P anteriormente definida satis-
face los axiomas 1, 2, 3; exigidos para que sea una funcin de probabilidad.
En general, sea un conjunto con n elementos,
17
Sea A , con A = {wi1 , wi2 , . . . , wik }, se tiene que
k
X k
X n
X
0= 0 piJ pi = 1.
J=1 J=1 i=1
n
X
Ahora bien, claramente P () = 0 y P () = pi = 1.
i=1
Finalmente, sean A y B dos subconjuntos disjuntos de ; es decir, A B = , veamos
que P (A B) = P (A) + P (B). Supongamos que
entonces,
luego,
q
X N
X
P (A B) = piJ + pkl
J=1 l=1
= P (A) + P (B).
1
Puede probarse que si p1 = p2 = = pn = obtenemos la probabilidad de Laplace
n
como caso particular.
Esto es as porque dado cualquier evento A de (A ), tal que A = {wi1 , wi2 , . . . , wiq },
con q n, se tiene que
q
X q
X
P (A) = P ({wiJ }) = piJ
J=1 J=1
q q
X 1 1X
= = 1
n n
J=1 J=1
1
= q
n
q |A|
= =
n ||
18
Proposicin 2.1. P (Ac ) = 1 P (A).
P (A Ac ) = P () = 1 = P (A) + P (Ac ),
P (Ac ) = 1 P (A).
P (B) = P (A (B A))
= P (A) + P (B A)
A = (A B) (A B) y (A B) (A B) =
B = (B A) (A B) y (B A) (A B) = .
P (A) = P (A B) + P (A B)
P (B) = P (B A) + P (A B)
19
y sumando estas ecuaciones se obtiene
(A B) (B A) (A B) = A B
(A B) (B A) (A B) =
P (A B) = P ((A B) (B A) (A B))
= P (A B) + P (B A) + P (A B)
de donde
Ejemplos.
i) A B A y A B B
ii) B A Ac .
20
Demostracin. De (i).
Dado x A B, se tiene que x A y x B. Esto implica la afirmacin (i) y adems,
por el corolario de la proposicin (2.2)
P (A B) P (A) y P (A B) P (B)
y por tanto
De (ii).
Sea x B A, entonces x est en B pero no en A. Como x no est en A, entonces
x Ac .
De la contenencia anterior, y por (i), se deduce que
P (B A) P (Ac )
21
Solucin:
Sean
A = {n N; 1 n 300 : 3|n} y
B = {n N; 1 n 300 : 5|n}.
100 1
P (A) = = ,
300 3
60 1
P (B) = = ,
300 5
20 1
P (A B) = = .
300 15
Por tanto
P (A B) = P (A) + P (B) P (A B)
1 1 1 7
= + = .
3 5 15 15
3) Una lotera tiene N nmeros y slo un premio. Un jugador compra n billetes en una
extraccin. Otro compra slo un billete en n extracciones diferentes. Cul de ellos tiene
mayor probabilidad de ganar el premio?
Solucin:
n
Si todo el dinero es jugado en una nica vez la probabilidad de ganar es . Para
N
calcular la otra probabilidad se procede de la siguiente manera. Calculemos primero
la probabilidad de no ganar. El nmero de casos posibles, es decir la cardinalidad del
espacio muestral es igual a N n . Los casos favorables, en este caso son los de no ganar,
son (N 1)n . Por tanto la probabilidad de no ganar es:
n n
(N 1)n
N 1 1
= = 1
Nn N N
y la de ganar
n
1
1 1 .
N
1 n
n
y 1 1 .
N N
22
Se afirma que
1 n
n
1 1 ,
N N
o lo que es igual
n
n 1
1 1 .
N N
Para probar esta afirmacin hacemos uso de la desigualdad de Bernoulli, la cual afirma
que
(1 + x)k 1 + kx
(1 + x)k 1 + kx y x + 1 0,
entonces
Por el principio de induccin matemtica se sigue que la desigualdad es vlida para todo
natural m.
23
Como conclusin de la anterior desigualdad es importante hacer notar el hecho de jugar
todo de una sola vez resulta mejor que ir jugando de a poco. Puede probarse, aunque no
se har aqu, que esta conclusin es vlida casi para todos los juegos de azar.
4) Una recepcionista recibi n sombreros totalmente desordenados, decidi entonces
devolverlos a cada uno de sus dueos. Calcular la probabilidad de que ningn hombre
reciba el suyo.
Solucin:
El nmero de casos posibles es igual al de las permutaciones de n elementos, es decir,
n! De otro lado, como se requiere que ninguno de los n hombres reciba su sombrero,
entonces el nmero de formas en que esto puede hacerse esta dado por el nmero de
desarreglos con n elementos, es decir
(1)n
1 1 1 1
n! + + + .
0! 1! 2! 3! n!
(1)n
1 1 1 1
n! + + +
0! 1! 2! 3! n! 1 1 (1)n
= + + .
n! 2! 3! n!
Segn el enfoque frecuencial, si el nmero de repeticiones aumenta (en este caso si el
nmero de sombreros es mayor) el cociente entre el nmero de casos favorables y el
nmero de casos posibles se estabiliza entorno a un valor particular, dicho valor no
es ms sino la probabilidad de que ningn hombre reciba su propio sombrero, que en
nuestro ejemplo se calcula as:
(1)n
1 1
lm + + = e1 0,37
n 2! 3! n!
24
2.4. Probabilidad Condicional
Se lanza un dado cargado y se sabe que el resultado es un nmero par. Cul es la
probabilidad de que este nmero sea divisible por 3? Cul es la probabilidad de que
una criatura padezca de daltonismo, en el supuesto de que es un nio? Estas preguntas
pueden formularse de la siguiente forma: Sean A y B sucesos de un espacio muestral
. Si ocurre B, cul es la probabilidad de que ocurra A? esto no es lo mismo que
preguntar cul es la probabilidad del suceso A B. En realidad cuando A = B la
pregunta es: Si A ocurre, cul es la probabilidad de que A ocurra?. La respuesta sera
en este caso 1, y esta puede ser o no la probabilidad del suceso A B. Para tratar tales
problemas en general, volvamos al caso del dado. Cuando nos ocupamos de cuestiones
de probabilidad relativas al lanzamiento de un dado, utilizamos ordinariamente como
1
espacio muestral = {1, 2, 3, 4, 5, 6} y asignamos la probabilidad a cada elemento
6
de . El suceso divisible entre 3 es el subconjunto A = {3, 6} y el suceso par es el
subconjunto B = {2, 4, 6}. Deseamos conocer la probabilidad de que un elemento este
en A, sabiendo ya que est en B. Ya que estamos interesados en resultados en los que
el nmero es par, prescindimos de los resultados 1, 3, 5 y utilizamos, en lugar de el
conjunto B = {2, 4, 6} como espacio muestral. El suceso que nos interesa es tan slo
el conjunto de un elemento {6}, que es el nico resultado del nuevo espacio muestral
divisible por 3. Si todos los resultados de B se consideran igualmente probables, hay
1
que asignar a cada uno de ellos la probabilidad , luego, la probabilidad de {6} es
3
1
tambin . Obsrvese que se ha resuelto el problema anterior empleando una idea
3
muy elemental. Simplemente hemos cambiado el espacio muestral por B y se ha
procedido a una nueva asignacin de probabilidades. Esto nos sugiere la manera de
generalizar el procedimiento. Sean A y B dos eventos de un espacio muestral . Nos
preguntamos entonces la siguiente cuestin: Si B acontece, cul es la probabilidad de
que A ocurra? Como en el ejemplo anterior, podemos cambiar el espacio muestral
por el B y asignar nuevas probabilidades. Para el mismo B asignamos la probabilidad
1. Puesto que nos interesa los elementos de A que pertenecen al nuevo espacio muestral
B, nuestro problema es calcular la probabilidad del suceso A B segn las nuevas
probabilidades asignadas. Esto es, si P representa la funcin de probabilidad asociada
al nuevo espacio muestral B, tenemos que calcular P (A B). Es fcil comprobar que
si se define
P (A B)
P (A B) = , con P (B) > 0
P (B)
Entonces P constituye una funcin de probabilidad sobre B, como lo probaremos a
continuacin.
Sea A B, entonces
P (A B)
P (A) = P (A B) = 1 porque P (A B) P (B),
P (B)
25
y como P (A B) 0 y P (B) > 0, se obtiene que P (A) [0, 1]. Con esto se satisface
la condicin 1 de la definicin (2,1).
De otro lado,
P ( B) P ()
P () = P ( B) = = = 0,
P (B) P (B)
y
P (B B) P (B)
P (B) = P (B B) = = = 1,
P (B) P (B)
y as se satisface la condicin 2 de la definicin (2.1) .
Finalmente, sean A y C dos subconjuntos de B, tales que A C = , entonces
P (A C) = P (B (A C))
P (B (A C))
=
P (B)
P ((B A) (B C))
=
P (B)
P (B A) + P (B C) P (B A C)
=
P (B)
P (B A) + P (B C) P (B )
=
P (B)
P (B A) + P (B C) P ()
=
P (B)
P (B A) + P (B C)
=
P (B)
P (B A) P (B C)
= +
P (B) P (B)
= P (A B) + P (C B)
= P (A) + P (C).
Consideremos un experimento que consiste en lanzar un dado no cargado. Sea el
espacio muestral de este experimento, es decir,
= {1, 2, 3, 4, 5, 6},
sean adems
A = {2, 4, 6} y B = {1, 2, 4}.
Entonces, segn Laplace,
|B| 3 1
P (B) = = = = P (A).
|| 6 2
26
Esta es la probabilidad en que puede ocurrir B a priori, es decir, antes de que el
experimento sea realizado.
Supongamos ahora que una vez se ha realizado el experimento se saba que el resultado
del mismo era un nmero par, esto es, A ocurri.
Se observa que este nmero solamente est definido cuando P (A) > 0.
La ecuacin anterior se escribe tambin como
P (A B) = P (A)P (B|A).
P (A B) = P (B)P (A|B),
y por tanto,
P (A) P (A|B)
= .
P (B) P (B|A)
Demostracin.
P ( A) P () 0
a)P (|A) = = = 0.
P (A) P (A) P (A)
P ( A) P (A)
P (|A) = = 1.
P (A) P (A)
P (A B)
P (B|A) 0 de otro lado, como A B, entonces P (A B) P (A)
P (A)
y por tanto,
P (A B)
1
P (A)
27
P (A (B C)
b)P ((B C)|A)
P (A)
P ((A B) (A C))
=
P (A)
P (A B) + P (A C) P (A (B C))
=
P (A)
P (A B) + P (A C) P (A )
=
P (A)
P (A B) + P (A C) P ()
=
P (A)
P (A B) + P (A C) P (A B) P (A C)
= = +
P (A) P (A) P (A)
= P (B|A) + P (C|A).
P (A1 A2 A3 )
P (A3 |A1 A2 ) = .
P (A1 A2 )
y recordando que
se concluye el resultado
28
Supongamos ahora que el resultado es vlido para k conjuntos, esto es,
A1 , A2 , . . . , An ,
entonces
n
[
B= (Ai B),
i=1
29
por tanto
n
X
P (B) = P (Ai B)
i=1
n Y
X n
= P (Ai )P (B|Ai )
i=1 i=1
Proposicin 2.7 (Teorema de Bayes). Con las mismas condiciones que la proposicin
anterior, si P (B) > 0, entonces, para i = 1, 2, 3, . . . , n, se tiene que
P (Ai ) P (B|Ai )
P (Ai |B) = .
P (A1 ) P (B|A1 ) + . . . + P (An ) P (B|An )
P (B Ai ) P (Ai ) P (B|Ai )
P (Ai |B) = = .
P (B) P (B)
Ejemplo:
2
Durante el mes de agosto, la probabilidad de lluvia en un da determinado es de . El
5
3
atltico Bucaramanga gana un juego en un da lluvioso, con probabilidad ; y en un
5
2
da sin lluvia con probabilidad de . Si se sabe que el atltico Bucaramanga gan un
5
juego en aquel da de agosto, Cul es la probabilidad de que en ese da haya llovido?
Solucin.
Sean L y G los siguientes eventos:
P (L G) P (L) P (G|L)
P (L|G) = =
P (G) P (L) P (G|L) + P (Lc ) P (G|Lc )
2 3
1
= 5 5 = .
2 3 3 2 2
+
5 5 5 5
30
Captulo 3
El principio de Inclusin-Exclusin
en probabilidad
Una demostracin elegante de este principio se debe al matemtico ingls James Joseph
Sylvester (1814-1897). Este brillante matemtico tambin hizo grandes contribuciones
a la teora de ecuaciones; la teora de matrices y determinantes y a la teora de invari-
antes que fund junto a Arthur Cayley (1821-1895). La importancia de este teorema no
fue apreciada en general, fue slo despus de la publicacin de los trabajos de W. A.
Whitworth que los matemticos tuvieron ms conciencia de su potencial y uso.
31
Se hace ahora una demostracin del principio de inclusin-exclusin de la teora de con-
juntos en su versin general, la cual se extiende a este principio en forma probabilstica.
n1 n1
n
= +
m m m1
Demostracin.
n1 n1 (n 1)! (n 1)!
+ = +
m m1 (n m 1)! m! (n m)!(m 1)!
(n m)(n 1)! + m(n 1)!
=
(n m)! m!
n(n 1)! m(n 1)! + m(n 1)!
=
(n m)! m!
n! n
= =
(n m)! m! m
S0 = ||;
Xn
S1 = |Ai |;
i=1
X
S2 = |Ai Aj |;
1i<jn
X
S3 = |Ai Aj Ak |;
1i<j<kn
..
.
Entonces:
32
a) El nmero de elementos de que pertenecen a exactamente p (p n) de los conjuntos
A1 , A2 , . . . , An , es:
np
X
ap = (1)k Cp+k
k
Sp+k ;
k=0
S1 S2 + + (1)n1 Sn .
S0 = ||;
Xn
S1 = |Ai |;
i=1
X
S2 = |Ai Aj |;
1i<jn
X
S3 = |Ai Aj Ak |;
1i<j<kn
..
.
entonces:
a) El nmero de elementos de que pertenecen a exactamente p (p n) de los conjuntos
A1 , A2 , . . . , An , es:
np
X
k p+k
ap = (1) Sp+k .
k
k=0
A1 , A2 , . . . , An ,
33
conjuntos A1 , A2 , . . . , An entonces este no es contado en la suma ap .
Ahora, la suma ap es
p p+1 p+2 n
Sp Sp+1 + Sp+2 + (1)np Sn .
0 1 2 np
Un elemento de que pertenece exactamente a p de los conjuntos A1 , A2 , . . . , An es
contado
una vez en Sp y no es contado en Sp+1 , Sp+2 , . . . , Sn . Luego, l es contado
p
1 = 1 vez.
0
Un elemento de que pertenece exactamente
a p + j (j > 0, p + de los conjuntos
j n)
p+j p+j
A1 , A2 , . . . , An es contado en de las partes de Sp , en de las partes de
p p+1
Sp+1 y as sucesivamente.
Luego, el nmero de veces que es contado en la suma ap es:
p p+j p+1 p+j np n p+j
+ + (1)
0 p 1 p+1 np n
j
X p+k p+j
= (1)k
k p+k
k=0
j
X (p + k)!(p + j)!
=
k!p!(p + k)!(j k)!
k=0
j
(p + j)! X 1
= (1)k
p! k!(j k)!
k=0
j
(p + j)! X k j
= (1)
p!j! k
k=0
p+j
= (1 1)j = 0,
p
j
k j
X
porque (1) = 0, en virtud del lema (1.1).
k
k=0
b) El nmero de elementos de que pertenecen a por lo menos p (p n) de los conjuntos
A1 , A2 , . . . , An , es:
np
X p+k1
bp = (1)k Sp+k ;
k
k=0
Como en este caso se cuentan los elementos de que pertenecen a p o ms conjuntos
resulta que
bp = ap + ap+1 + ap+2 + + an1 + an ,
34
y entonces
np np1
X p+k X p+1+k
bp = (1)k Sp+k + (1)k Sp+1+k
k k
k=0 k=0
np2
X
k p+2+k
+ (1) Sp+2+k
k
k=0
1
X n1+k
+ + (1)k Sn1+k +
k
k=0
0
X n+k
+ (1)k Sn+k .
k
k=0
1 p+j 0 p+j
+ + (1) + (1)
1 0
j p+j 1 p+j 1
= (1) +
j j1
j1 p+j 1 p+j 1
+ (1) +
j1 j2
p+j 1 p+j 1
+ (1)j2 +
j2 j3
p+j1 1 p+j1
+ + (1) +
1 0
0 p+j1 j p+j 1
+ (1) = (1) ,
0 j
35
en virtud del lema (3.1)
Luego,
np np
X
j p+j1 X
bp = (1) Sp+j = (1)k Sp+k .
j
j=0 k=0
S1 S2 + + (1)n1 Sn .
b1 = |A1 A2 An |
n1
X j
= (1)j
j
j=0
= Sj+1 S1 S2 + + (1)n1 Sn .
n0
X
a0 = (1)k C0+k
k
S0+k
k=0
n0
X
= (1)k Sk
k=0
= S0 S1 + S2 S3 + + (1)n Sn
n! n! n!
= n! n! + + + (1)n
2! 3! n!
(1)n
1 1 1 1
= n! + + + .
0! 1! 2! 3! n!
36
Teorema 3.2. Sean A1 , A2 , . . . , An eventos y sean
S0 = 1;
Xn
S1 = P (Ai );
i=1
X
S2 = P (Ai Aj );
1i<jn
X
S3 = P (Ai Aj Ak );
1i<j<kn
..
.
Entonces:
a) La probabilidad de ocurrencia de exactamente p de los eventos A1 , A2 , . . . , An , es:
np
X
ap = (1)k Cp+k
k
Sp+k ;
k=0
37
d) La probabilidad de que ninguno de los eventos A1 , A2 , . . . , An ocurra es:
n0
X
a0 = (1)k C0+k
k
S0+k
k=0
n0
X
= (1)k Sk
k=0
= S0 S1 + S2 S3 + + (1)n Sn
Ahora bien, como la suma de dos nmeros pares o impares es par, se deduce que en
cada fila de la matriz anterior habr 3 parejas cuya suma sea par; y por tanto
|A| = 18.
Se aprecia tambin que en la primera fila de la matriz no hay ninguna pareja de
resultados cuya suma sea 8; y que en cada una de las filas restantes existe una nica
pareja con esta condicin, as que
|B| = 5.
De igual forma se observa que las nicas parejas que tienen resultados iguales, es decir,
aqullas cuyas componentes tienen el mismo valor se encuentran ubicadas en la diagonal
principal de la matriz, y dado que en esta diagonal hay 6 parejas de resultados, se obtiene
|C| = 30.
38
De otro lado se observa que hay solo una pareja de resultados que satisfaga la ecuacin
a + b = 8 en cada fila de con excepcin de la primera, con la condicin de que a y b
tengan la misma paridad. Adems, como la suma de los resultados de cualquier pareja
de la diagonal principal siempre es par y las componentes de stas parejas son iguales,
habr entonces slo dos parejas de resultados cuya suma sea par y cuyos elementos sean
distintos por cada fila de la matriz . Se sigue que
|A B| = 5.
|A C| = 12.
|A C| = 6
|A| 18 1
P (A) = = = ,
|| 36 2
|B| 5
P (B) = = ,
|| 36
|C| 30 5
P (C) = = = ,
|| 36 6
1 5 5 1
P (A B) = P (A) + P (B) P (A B) = + = ,
2 36 36 2
|A B| 5
P (A B) = = ,
|| 36
|A C| 12 1
P (A C) = = = ,
|| 36 3
|A C| 6 1
P (A C) = = = .
|| 36 6
ii) Sea A un conjunto finito tal que |A| = n. Cuntas son las funciones f : A A
para las cuales la ecuacin f (x) = x no posee solucin? Cuntas son las funciones
39
f : A A biyectivas para las cuales la ecuacin f (x) = x no posee solucin?
Solucin
Sea A = {a1 , a2 , . . . , an }.
Para responder la primera pregunta basta contar el nmero de formas en que puede ser
enviado un elemento ai del conjunto A en cualquier otro elemento de A distinto de ai .
Veamos que el nmero de formas en que puede hacerse esto est dado por (n 1)n .
En efecto,
f :A A
a1 7 {a2 , a3 , a4 , . . . , an }
a2 7 {a1 , a3 , a4 , . . . , an }
a3 7 {a1 , a2 , a4 , . . . , an }
.. .. ..
. . .
an 7 {a1 , a2 , a3 , . . . , an1 }
En la tabla anterior se observa que cada elemento ai de A puede ser enviado a cualquier
elemento de A, distinto de ai , de n 1 formas diferentes. En virtud del teorema (1.1) se
tiene que el nmero de funciones que satisfacen la condicin pedida es (n 1)n , como
se afirm.
Para responder la segunda pregunta debe contarse el nmero de funciones biyectivas
definidas de A en A. En este caso se considera que para cualesquiera ai , aj A, ai 6= aj ,
si y slo si i 6= j, con i, j {1, 2, . . . , n}.
Como se exige biyectividad sobre la funcin, entonces debe tenerse que
f (A) = A,
pero adems debe tenerse que f (ai ) 6= ai , para todo i = 1, 2, . . . , n, y por tanto el con-
junto f (A) debe ser una permutacin catica del conjunto A = {a1 , a2 , . . . , an }. Como
se vio en (1.1), el nmero de permutaciones caticas de un conjunto con n elementos
est dado por
(1)n
1 1 1 1
Dn = n! + + + .
0! 1! 2! 3! n!
40
En ocasin del da del amor y la amistad, un grupo de 9 personas resolvi planear el
juego del amigo oculto (o secreto). Fue escrito el nombre de cada persona en un papelito
y se procedi al sorteo para determinar quien le dara regalo a quien. Hecho el sorteo,
luego apareci alguien que se sac as mismo, yendo contra las reglas del juego que esto
suceda y para preservar el sigilo, fue necesario hacer otro sorteo. En el segundo sorteo,
el mismo fenmeno ocurri, esta vez con otra persona. Uno de los jugadores presentes
pregunt: Eso va a acontecer toda la vida? Cul es la probabilidad de que eso suceda?
Es claro que dentro de un conjunto de 9 personas, el nmero de formas posibles en que
una de ellas puede elegir a otra dentro de ese conjunto es 9!, sin importar que se elija
a ella misma o no. Ahora bien, el nmero de formas en que una persona no se elige
a s misma es D9 , como se vio anteriormente; y por tanto la probabilidad de que una
persona no se elija a s misma es
9
D9 X (1)k
= 0, 36788.
9! k!
k=0
= {x Z : 1 x 1000};
A = {x : 2|x};
B = {x : 3|x};
C = {x : 7|x};
D = {x : 10|x}.
41
Puesto que
S0 = || = 1000;
S2 = |A B| + |A C| + |A D| + |B C| + |B D| + |C D|
1000 1000 1000 1000 1000 1000
= + + + + +
6 14 10 21 30 70
S3 = |A B C| + |A B D| + |A C D| + |B C D|
1000 1000 1000 1000
= + + +
42 30 70 210
= 23 + 33 + 14 + 4 = 74;
1000
S4 = |A B C D| = = 4.
210
Ahora bien, el nmero de elementos que pertenecen a exactamente dos de los conjutos
A, B, C, D es:
42
X
a2 = (1)k C2+k
k
S2+k
k=0
= S2 3S3 6S4
= 431 3 74 + 6 4 = 233,
42
Por tanto la probabilidad de que un nmero entre 1 y 1000 sea divisible exactamente
por dos nmeros del conjunto {2, 3, 7, 10} es:
233
.
1000
= S2 2S3 + 3S4
= 431 2 74 + 3 4 = 295,
Por tanto la probabilidad de que un nmero entre 1 y 1000 sea divisible entre por lo
menos dos nmeros del conjunto {2, 3, 7, 10} es:
295 59
= .
1000 200
1 1 1 1 1
iv) Si P (A) = , P (B) = , P (C) = , P (A B) = , P (A C) = y P (B C) = 0.
2 3 4 5 6
Calcule:
1. P (A B C)
2. P (A (B C))
3. P (A (B C))
4. P (C (A B))
Solucin
1) Como A B C B C y P (B C) = 0, entonces P (A B C) = 0, luego
43
2)
1 1 9
P (C (A B)) = P (C) + P (A B) P (A B C) = + 0= .
4 5 20
1 1 1 1 1 1
v) Si P (A) = , P (B) = , P (C) = , P (AB) = , P (AC) = y P (B C) = ,
3 4 6 6 10 10
1
P (A B C) = . Determine la probabilidad de ocurrencia de:
12
solucin
44
A B
3 1 1
20 12 15
1
1 12 1
60 60
8 1
15 20
45
vi) Sean p [0, 1] y sean {Ai }
i=1 , {Bi }i=1 dos sucesiones de eventos de espacio muestral
tales que P (An ) 1 y P (Bn ) p. Demostrar que P (An Bn ) p.
Solucin.
Sea n un nmero natural, entonces se tiene que
An An Bn ,
P (An ) P (An Bn ) 1.
P (An Bn ) 1.
esto es,
1 = 1 + p lm P (An Bn ),
n
por lo tanto
lm P (An Bn ) = 1 + p 1,
n
es decir
P (An Bn ) p,
46
donde Aci es el complemento del subconjunto Ai de A.
Solucin.
Se sabe que
n
\ c n
[
Ai = Aci . (3.2)
i=1 i=1
k
\ k
[
P Ai =1P Aci (3.3)
i=1 i=1
luego
Puede probarse que esta desigualdad tambin es vlida para cualesquiera tres subcon-
juntos Ai , Aj , y Ak de A, esto es,
y entonces
n
X n
[
1 P (Aci ) 1P Aci ,
i=1 i=1
viii) La probabilidad de que cada rel del circuito presentado en la figura est cerrado
es igual a p, 0 < p < 1
47
2
3
A 1 4 5 B
C = A1 (A2 A4 ) (A3 A5 ),
48
Luego,
Solucin.
a) Sea A el evento ocurre por lo menos un apareamiento. Es claro que el nmero
de formas en que una de las N bolas puede ocupar una caja est dado por N !, es decir
S0 = || = N !
b1 b1
p(A) = = (3.4)
S0 N!
De otro lado,
1
NX N
X
k k
b1 + DN = (1) S1+k + (1) Sk = S0 = N !
k=0 k=0
luego
b1 = N ! DN
49
y entonces (3.4) queda ahora
X (1)k N
b1 N ! DN DN
p(A) = = =1 =1 .
N! N! N! k!
k=0
|| = n!
De otro lado, el nmero de casos en que ningn hombre escoge a su mujer equivale
al hecho de que los bailarines no estn numerados con el mismo nmero, esto es, el
nmero de formas en que ningn hombre baila con su mujer coincide con el nmero de
permutaciones caticas del conjunto {1, 2, . . . , n}. As, el nmero de casos favorables en
este experiemento vale
n
X (1)k
Dn = n!
k!
k=0
Se sigue que la probabilidad de que ningn caballero baile con su propia mujer es
n
X (1)k
n! n
k! (1)k
k=0
X
= .
n! k!
k=0
50
Conclusiones
51
Referencias Bibliogrficas
[1] Morgado, Augusto C.O; Carvalho, Joo B.P. de; Carvalho Paulo C.P. de; Fernandez,
Pedro, Anlise Combinatria e Probabilidade. IMPA, 1991.
[2] Jos P. Carneiro. O problema do amigo oculto. RPM 28.
[3] Apostol, Tom M. Clculo con funciones en varias variables y lgebra lineal con aplica-
ciones a las ecuaciones diferenciales y a las probabilidades. Editorial Revert, Barcelona,
segunda edicin, 1986.
[4] B. Del Mas, J. Garfield y B. Chance (1999). A Model of Classroom Research in
Action: Developing Simulation Activities to Improve Students Statistical Reasoning.
Journal of Statistics Education v.7, n.3.
[5] T. Erickson. (2006). Using simulation to learn about inference. Brasil: International
Conference on Teaching Statistics - ICOTS-7.
[6] A. Rubin, J.K. Hammerman, C. Konold. (2006). Exploring informal inference with
interactive visualization software. Brasil: International Conference on Teaching Statis-
tics - ICOTS-7.
[7] C. Batanero (2001). Retos para la formacin estadstica de los profesores. Didctica
de la matemtica, Universidad de Granada, Espaa.
52