Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2 Probabilidad Elemental PDF
2 Probabilidad Elemental PDF
2
http://improveverywhere.com/2008/07/06/human-mirror/
La Probabilidad es una disciplina matemática cuyos propósitos son de la
misma clase que, por ejemplo, los de la Geometría o la Mecánica Analítica.
En cada campo debemos distinguir tres aspectos de la teoría:
a) el contenido lógico-formal,
b) el antecedente intuitivo,
c) las aplicaciones.
3
Experimento aleatorio
Entenderemos por experimento aleatorio
cualquier situación que, realizada en las
mismas condiciones, proporcione un
resultado imposible de predecir a priori.
Por ejemplo:
* Lanzar un dado.
* Extraer una carta de una baraja.
* Se lanza una moneda. Si sale cara se extrae de una urna
U1, con una determinada composición de bolas de colores,
una bola y si sale cruz de extrae de una urna U2, con otra
determinada composición de bolas de colores, una bola.4
Sucesos o eventos
• Cuando se realiza un experimento aleatorio, diversos
resultados son posibles. El conjunto de todos los resultados
posibles se llama espacio muestral (E).
• Experimento aleatorio: lanzar un dado.
• Espacio muestral E = {1, 2, 3, 4, 5, 6}.
6
Probabilidad clásica o a priori
Laplace define la probabilidad de un
suceso A como el cociente:
10 ⋅ 9 ⋅ ... ⋅ 5 ⋅ 4
p= 7
= 0,06048
10 9
Anatoli Timoféyevich Fomenko
4−3−3 3 3−3−3 1 15
27 25 21 15 10 6 3 1
http://www.eyeintheskygroup.com/Azar-Ciencia/Metodos/Azar-Galileo-Galilei.htm
Sidney Harris
Ac ={2, 4, 6} Bc ={1, 2, 3, 4}
A ∪ B ={1, 3, 5, 6} A ∩ B = {5}
(A ∪ B)c ={2, 4} (A ∩ B)c = {1, 2, 3, 4, 6} 17
Se llama suceso unión de A y B, A ∪ B, al formado por los
resultados experimentales que están en A o en B (incluyendo
los que están en ambos).
Se llama suceso intersección de A y B, A ∩ B, al formado por
los resultados experimentales que están simultáneamente en A
y B. Dos sucesos son mutuamente excluyentes si A ∩ B = Ø,
donde Ø es el conjunto vacío.
X = {1, 2 } Y = { 3,4,5,6 }
X ∩Y = Ø X Y
P( X ∩Y ) = 0
19
La diferencia básica en el papel de la Probabilidad matemática en
1946 y en 1988 es que hoy en día es aceptada como Matemática,
mientras que en 1946, para la mayoría de los matemáticos, la
Probabilidad era a las Matemáticas como el mercado negro es al
mercado: esto es, la Probabilidad era una fuente de matemáticas
interesantes, pero el análisis del contexto de fondo era algo poco
recomendable.
20
Definición axiomática de probabilidad
Evitar definición conceptual de probabilidad y su «arraigo experimental»
(década 1930). La axiomatización de la teoría de la probabilidad
permitió el desarrollo inmediato de la teoría de la medida.
1= P(E) = P(A U Ac ) =
P(A )+ P(Ac) 0 Suceso
⇒ P(A ) ≤ 1 Imposible
22
Veamos un ejemplo de aplicación del axioma (3)
Aditividad: P(A ∪ B) = P(A) + P(B) si A ∩ B = Ø
(donde Ø es el conjunto vacío).
Si la probabilidad de que el parking de la escuela
tenga 100-209, 210-309, 310-400 y > 400 coches
es 0.20, 0.35, 0.25, 0.12 respectivamente.
¿Qué probabilidad hay de que el parking tenga
al menos 100 coches, pero menos de 401?
Solución
Puesto que los sucesos favorables 100-209,
210-309 y 310-400 son mutuamente excluyentes:
c P( E ) = 1
A A
P ( A ) = 1 − P ( A)
c
24
Lanzamiento de monedas
Cinco monedas se lanzan simultáneamente.
Encuentra la probabilidad del suceso A:
Al menos sale una cara. (Asumimos que las
monedas no está cargadas).
Solución: Puesto que cada moneda puede aparecer
como cara o cruz, el espacio muestral consiste en
25 = 32 posibilidades. Como las monedas no están
cargadas cada posibilidad tiene la misma probabilidad
de 1/32.
5
1 1 1 1 1 1 1
P( A ) = ⋅ ⋅ ⋅ ⋅ = =
c
2 2 2 2 2 2 32
31
P( A) = 1 − P( A ) =
c
32
P = 1 − (1 − 0.5) 2 = 0.75 29
Otras maneras de visualizar sucesos
• Tablas de contingencia:
Color
Palo Rojo Negro Total
As 2 2 4
No-As 24 24 48
Total 26 26 52
• Diagramas en árbol:
As
Cartas
Rojas No As
Baraja
Cartas As
Negras 32
No As
Recordemos el restaurante de Emile. Supongamos que el 80% de los
clientes escogen sopa como entrante y el 20% zumo. De los que escogen
sopa, el 20% eligen ensaladas, el 30% pescado y el 50% carne. De los
que escogieron zumo, es el 30%, 40% y 30% para ensaladas, pescado y
carne respectivamente.
Podemos utilizar estos valores
para estimar las probabilidades
de los dos primeros platos
usando un diagrama
de árbol.
33
Spotck, la gata de Data en Start Treck, ha tenido
un camada de 4 cachorros. El capitán
Piccard le pregunta cuántos son macho y
cuántos hembra. Data le responde que,
basándose en el cálculo de probabilidades,
lo más probable es que sean dos gatitos y
dos gatitas. Piccard llama inmediatamente a
seguridad para que detengan a Data. ¿Qué ocurre?
2 1
4
6 3
P(2 H 2 M ) = = =
4 2 16 8
36
Escribe Poisson en sus Recherches sur la Probabilité (1837) que un problema
relativo a los juegos de azar, propuesto a un austero jansenista por un hombre de
mundo, ha sido el origen del cálculo de probabilidades. El austero jansenista no es
otro que Blaise Pascal y el hombre de mundo Antoine Gombauld, caballero De Mère.
24
35
P(al menos un 12) = 1 − = 0,4914
36
Pascal, a raíz de esta cuestión, comenzó una
correspondencia epistolar sobre cuestiones
probabilísticas con otros matemáticos amigos,
sobre todo con Fermat. Esta correspondencia
puede considerarse el origen de la teoría de
probabilidades.
1 4999
P (no contagiarse en 1 contacto) = 1 − =
5000 5000
n
4999
P (no contagiarse en n contactos) = ≈ 0,5
5000
Ln 0,5
n= ≈ 3465
4999
Ln
5000
41
«Si no conocemos el estado de salud de nuestra
pareja, pero sabemos con certeza que no pertenece a
ningún grupo de riesgo conocido, las probabilidades
pasan a ser de 1/5.000.000 sin preservativo y
1/50.000.000 con preservativo, riesgos muy inferiores a
morir en un accidente de tráfico volviendo de la cita,
que es de alrededor de 1/5.300».
42
Vamos a generar una serie aleatoria de 50 números con un dado:
14524314331566524451345252441515242662261...
¿Cuál es la probabilidad de acertar al azar esta serie?
La secuencia de 42 bases:
TTTAATTGAAAGAAGTTAATTGAATGAAAATGATCAACTAAG
Wikipedia 47
Infinite monkey theorem
Teorema de los infinitos monos
En física, pues, la fuerza del argumento de los monos reside no en la probabilidad de que los monos finalmente
produzcan algo inteligible, sino en la realidad práctica de que no lo harán. Cualquier proceso físico que es
menos probable que el éxito de los monos es efectivamente imposible. Esta es la base de la segunda ley de la
termodinámica.
The Nature of the Physical World (1929)
Arthur Eddington
“El sitio web The Monkey Shakespeare Simulator, simula desde 2003 una gran población
de monos escribiendo al azar, con la intención de ver cuanto tiempo toma a los monos
virtuales completar una obra de Shakespeare desde el principio al fin. En 2005 se
encontraron 24 letras consecutivas que formaban un pequeño fragmento de Enrique VI,
parte 2: 48
“RUMOUR. Open your ears; 9r"5j5&?OWTY Z0d "B-nEoF.vjSqj[…”
¡Más del 99%! En más de 2000 años las moléculas se habrán repartido
uniformemente por la atmósfera.
Sea A = n = # moléculas exhaladas por Anaxágoras = # moléculas
inspiradas por ti = 1/30 litro = 2,2 ·1022
N = # moléculas de la atmósfera = 1044
P(una molécula inhalada no sea de Anaxágoras) = 1- A/N
P(n moléculas inhaladas ninguna de Anaxágoras) = (1 - A/N)n
P(inhalar al menos una de las moléculas de Anaxágoras) = 1- (1 - A/N)n
49
Lanzamiento de monedas
77
¿Si sospechamos que una moneda está trucada (probabilidad
no simétrica) cómo utilizarla para echar suertes de manera
justa? Por ejemplo, supongamos que la moneda sale cara (C)
un 60% de las veces y sale cruz (+) un 40% de las veces.
¿Qué experimento aleatorio daría las mismas posibilidades a
dos sujetos A y B? (John von Neumann)
Cada jugador lanza la moneda dos veces:
6 4 24
P(C +) = =
10 10 100
John von Neumann
4 6 24
P ( +C ) = = (1903 - 1957).
10 10 100 78
Generaliza el problema suponiendo que desconoces
la probabilidades.
P(C + ) = p(1 − p )
P( +C ) = (1 − p ) p
p(A1) = 1× k
p(A2) = 2× k
p(A3) = 3× k
p(A4) = 4× k
p(A5) = 5× k
p(A6) = 6× k
primos
82
¿Qué probabilidad asignamos a cada suceso del
espacio muestral? Normalicemos:
365!
PR 1, 21, 343
365 =
1! 21! 343!
Ahora, para cada configuración anterior tenemos: 23! /2! formas distintas
de colocar las bolas:
365! 23!
Casos favorables CF =
1! 21! 343! 2!
365! 23!
Entonces, la probabilidad de que 1! 21! 343! 2!
haya exactamente una coincidencia es: P= 23
= 0.363
88
365
(3) Probabilidad de que haya precisamente
dos coincidencias
[2,2] [1,...,1] [0,...,0]
(2) (19) (344)
De las 365 urnas, ¿de cuántas maneras podemos formar tres grupos
con 2 urnas de tipo 2, 19 urnas de tipo 1 y 344 de tipo 0?
365!
PR 2 ,19 , 344
365 =
2! 19! 344!
Ahora, para cada configuración anterior tenemos: 23! /(2!)2 formas
distintas de colocar las bolas:
365! 23!
Casos favorables CF =
2! 19! 344! (2!)2
365! 23!
2! 19! 344! (2!)2
Entonces, la probabilidad de que
haya exactamente dos coincidencias es: P= =890.111
36523
(4) Probabilidad de que haya precisamente
tres coincidencias
[2,2,2] [1,...,1] [0,...,0]
(3) (17) (345)
De las 365 urnas, ¿de cuántas maneras podemos formar tres grupos
con 3 urnas de tipo 2, 17 urnas de tipo 1 y 345 de tipo 0?
365!
PR 3,17 , 345
365 =
3! 17! 345!
Ahora, para cada configuración anterior tenemos: 23! /(2!)3 formas
distintas de colocar las bolas:
365! 23!
Casos favorables CF =
3! 17! 345! (2!)3
365! 23!
3! 17! 345! (2!)3
Entonces, la probabilidad de que
haya exactamente dos coincidencias es: P= = 900.018
36523
(5) Probabilidad de que haya precisamente
una triple coincidencia
[3] [1,...,1] [0,...,0]
(1) (20) (344)
De las 365 urnas, ¿de cuántas maneras podemos formar tres grupos
con 1 urna de tipo 3, 20 urnas de tipo 1 y 344 de tipo 0?
365!
PR 1, 20 , 344
365 =
1! 20! 344!
Ahora, para cada configuración anterior tenemos: 23! /3! formas
distintas de colocar las bolas:
365! 23!
Casos favorables CF =
1! 20! 344! 3!
365! 23!
Entonces, la probabilidad de que
1! 20! 344! 3!
haya exactamente dos coincidencias es: P= 23
= 091.007
365
Fútbol: dos equipos + árbitro = 23
10 partidos
92
¿La lista de de reproducción aleatoria del iPod
realmente es aleatoria?
“Lo hicimos menos aleatorio para que pareciera más aleatorio.”
Steve Jobs
Supón que tu ipod tiene 4000 canciones y escuchas al azar 65. ¿Cuál es la probabilidad
de se repita al menos una de las canciones?
Año 1 2 3 4 5 6 7 8 9 10
94
Ranking 6 9 5 10 7 1 3 8 2 4
Año 1 2 3 4 5 6 7 8 9 10
Ranking 6 9 5 10 7 1 3 8 2 4
El ranking se convierte así en una posible permutación. De modo
que el año i será un récord si en la permutación ranking todos los
valores anteriores: 1, 2, ..., i - 1 son menores en valor.
98
Sueños proféticos
Supongamos que la probabilidad de un sueño profético sea
de 1/10.000 (muy poco frecuente). La probabilidad de que no
sea profético es abrumadora: 9.999/10.000. ¿Cuál es la
probabilidad de tener un sueño profético al cabo de un año?
365
9999
P (365 sueños no proféticos) = ≈ 0,964
10000
365
9999
P (Al menos 1 sueño profético) = 1 − ≈ 0,036
10000
Declaraciones en televisión de
un ganador de un premio de
lotería acabado en 48:
Lotería de Navidad
(pág. 104)
101
102
Si elegimos una respuesta a esta pregunta al azar,
¿cuál es la probabilidad de que sea correcta?
106
Planta
alta
Hueco del
ascensor
Planta
baja
107
The Easiest Hard Problem
Brian Hayes
Partición eficiente:
algoritmo infantil para formar dos equipos de fútbol.
The partitioning problem
You are given a set of n positive integers, and you are asked to separate them into two
subsets; you may put as many or as few numbers as you please in each of the subsets,
but you must make the sums of the subsets as nearly equal as possible. Ideally, the
two sums would be exactly the same, but this is feasible only if the sum of the entire
set is even; in the event of an odd total, the best you can possibly do is to choose two
subsets that differ by 1. Accordingly, a perfect partition is defined as any arrangement
for which the "discrepancy"—the absolute value of the subset difference—is no
greater than 1.
Example: 2 10 3 8 5 7 9 5 3 2
There are 23 ways to divide up the numbers into two groups with exactly equal
sums (or 46 ways if you count mirror images as distinct partitions).
(2 5 3 10 7) (2 5 3 9 8)
Both subsets sum to 27.
The partitioning problem
Figure 1. One perfect partition hides in a dense forest of very imperfect ones. Partitions
are ways of separating a set of numbers into two subsets; a partition is perfect if the
subsets have the same sum. Here the bars represent the discrepancy—the absolute
value of the subset difference—of the 256 ways of partitioning a certain set of nine
integers. (There are another 256 partitions, but they are just the mirror images of
these, exchanging the two subsets.) The set chosen for this example is (484 114 205 288
506 503 201 127 410); the lone perfect partition, marked by a red asterisk, divides the
numbers into the subsets (410 503 506) and (127 201 288 205 114 484), which both add
up to exactly 1,419.
Greedy algorithm
Figure 3. Karmarkar-Karp algorithm operates in two phases. First, reading down the
lefthand side, pairs of numbers are replaced by their difference, effectively deciding
they will go into different subsets. In the second phase, reading up the righthand side,
the partition is constructed from the sequence of differencing decisions. Here the 0 at
the bottom of the table is known to derive from the difference of two 2s, which can
therefore be inserted, one in each subset. One of the 2s arose as the difference between
a 6 and a 4, so those numbers can also be written down, and so on. In the case shown
the algorithm finds a perfect partition, but it is not guaranteed always to work.
In the search for perfect partitions, the Karmarkar-Karp procedure succeeds even
more often than the greedy algorithm.
Easy problems can be solved in "polynomial time", whereas
hard problems require "exponential time".
For purposes of classification, however, these algorithms simply don't count, because they're
not guaranteed to find the right answer.
Partitioning is a classic NP problem. If someone hands you a list of n numbers and asks, "Does
this set have a perfect partition?" you can always find the answer by exhaustive search, but
this can take an exponential amount of time. If you are given a proposed perfect partition,
however, you can easily verify its correctness in polynomial time. All you need to do is add
up the two subsets and compare the sums, which takes time proportional to n.
Indeed, partitioning is not just an ordinary member of the class NP; it is one of the elite NP
problems designated NP-complete. What this means is that if someone discovered a
polynomial-time algorithm for partitioning, it could be adapted to solve all NP problems in
polynomial time. Each NP-complete problem is a skeleton key to the entire class NP.
Boiling and Freezing Numbers (Phase transition)
Thus a set of 100 integers in a range near 2100 has n = 100 and m = 100 and a problem size
of 10,000 bits.
Stephan Mertens:
The ratio m/n controls the state of this system. When m is much greater than n, the
spins almost always have just one configuration of lowest energy. At the other pole,
when m is much smaller than n, there are a multitude of zero-energy states, and the
system can land in any one of them. Mertens showed that the transition between
the two phases comes at m/n=1, at least in the limit of very large n. And he derived
corrections for finite n that may explain why Gent and Walsh measured a slightly
different transition point.
Finally, Mertens showed just how hard the hard phase is. Searching for the best
partition in this region is equivalent to searching a randomly ordered list of random
numbers for the smallest element of the list. Only an exhaustive traverse of the
entire list can guarantee an exact result. What's worse, there are no really good
heuristic methods; no shortcuts are inherently superior to blind, random sampling.
RULES
-Given a set of k integers
extracted randomly from the pool [1,M].
- Extract another random integer T from the
pool [1,M].
- Combine the set of integers through arithmetic
operations
Example [k = 4, M = 200]
(use at much once each number)
{3, 12, 5, 53} T = 118 Question:
Solution exists? YES WHICH IS THE PROBABILITY
S = (53-12)*3 – 5 = 118
OF REACHING T?
{7, 11, 82, 26} T = 181
Solution exists? NO
(Closest formula= 26 * 7 = 182)
Vamos a intentar estimar P(k, M) suponiendo que la única operación
permitida es la suma.
Si tomamos n números al azar de [1, M] y los sumamos todos, en
principio, podríamos obtener cualquier número de [n, nM].
Los extremos corresponderían a la suma de n unos y n M’s,
respectivamente.
Si suponemos que los posibles valores de las sumas se distribuyen
uniformemente (sic), la probabilidad de que una suma caiga en el
intervalo [1,M] que «mide» aproximadamente 1/n del intervalo total,
será justamente 1/n.
Recordemos que si tenemos k cifras, no estamos obligados a
utilizarlas todas para alcanzar T. De modo que la cantidad de sumas
que nos darían resultados en [1,M] sería aproximadamente:
𝑘
1 𝑘 2𝑘+1
𝑁+ 𝑘 = � ≈
𝑛 𝑛 𝑘
𝑛 =1
Podemos extender el problema añadiendo ahora la posibilidad de
restar: Si tomamos n números al azar de [1, M], ahora podríamos
obtener cualquier número de [-nM, nM]. Los extremos
corresponderían a la resta de n M’s y a la suma de n M’s,
respectivamente.
Haciendo las mismas aproximaciones que antes llegamos a que la
cantidad de operaciones que nos darían resultados en [1,M] sería
aproximadamente:
2𝑘
1 2𝑘 22𝑘−1
𝑁± 𝑘 = � ≈
2𝑛 𝑛 𝑘
𝑛 =1
Última aproximación: asumamos que los N(k) resultados son como
intentos independientes de escoger al azar números en el intervalo
[1,M]. Entonces:
𝑁± 𝑘
1
𝑃 𝑘, 𝑀 = 1 − 1 − ≈ 1 − 𝑒 −𝑁± (𝑘)/𝑀
𝑁
𝑒 𝑟(𝑀) 𝑘
𝑁± 𝑘, 𝑀 =
𝑘
¿Cómo estimar r(M)?
ln(𝑀𝑘𝑐 ln 2)
𝑃 𝑘𝑐 , 𝑀 ≡ 1/2 𝑟 𝑀 =
𝑘𝑐
𝑘𝑐 𝑀 = 𝑎 ln 𝑀 + 𝑏
a = 0.98
b = 0.31
𝑃 𝑘, 𝑀 ≈ 1 − 𝑒 −𝑁± (𝑘,𝑀)/𝑀
𝑘𝑐 𝑀 = 𝑎 ln 𝑀 + 𝑏
a = 0.84
b = 0.39
Intensive control
parameter:
𝑘
𝛼≡
𝑘𝑐
System’s efficiency as
the average amount of
potential targets in
[1,M] that can be
reached per unit
number k. This
function can be
written as:
A. Fomenko
Geometry and probability
Otras definiciones de probabilidad:
(1) Definición geométrica de probabilidad
Área de B
P( B) =
Área del cuadrado
E = {( x1 , x2 ) : 0 ≤ x1 ≤ 60, 0 ≤ x2 ≤ 60}
x2
x 2 − x1 ≤ 20
x2 = x1 + 20 ⇒ x 2 − x1 ≤ 20
x1 − x 2 ≤ 20
60 min•
x1 = x2 + 20
A S ( A) 60 2 − 40 2 5
20 min• P( A) = = 2
=
S (E) 60 9
•
20 min
•
60 min
x1
137
La paradoja de Bertrand
Joseph L. F. Bertrand (1822-1900) fue un
matemático francés cuyas principales
áreas de trabajo fueron la Teoría de
Números, la Geometría Diferencial y la
Teoría de las Probabilidades. En 1888
publicó el libro Calcul des probabilitiés que
contenía numerosos ejemplos de
problemas de probabilidades en los cuales
el resultado depende del método de Joseph Louis François Bertrand
resolución. El más famoso se conoce como (1822 - 1900)
la Paradoja de Bertrand:
Dada un circunferencia de radio R, se traza en ella, al
azar, una cuerda. ¿Cuál es la probabilidad de que esta
cuerda sea mayor que el lado del triángulo equilátero
que puede inscribirse en la circunferencia? 138
Solución 1: La posición de la cuerda puede ser
determinada por su distancia al centro de la
circunferencia. Esta distancia puede variar entre 0 y R.
La cuerda será mayor que el lado del triángulo
equilátero inscrito cuando su distancia al centro
sea menor que R/2. De aquí obtenemos que
la probabilidad buscada es 1/2.
π 1 h R
sin = = ; h = 0
6 2 R 2 h
R 139
Solución 2: Tomemos un punto cualquiera de la
circunferencia. Tracemos la tangente a la
circunferencia en ese punto. Toda cuerda que pase
por ese punto formará un ángulo con la tangente que
varía entre 0o y 180o. Para que la cuerda sea mayor
que el lado del triángulo equilátero debe estar
comprendida entre 60o y 120o. De ahí que la solución
buscada sea 1/3.
140
Solución 3: Una cuerda está totalmente determinada
por su punto medio. Aquellas cuerdas cuya longitud
exceda el lado del triángulo equilátero tienen sus
puntos medios dentro de un pequeño círculo de radio
1/2 R. De modo que su área es 1/4 de la del círculo
de radio R. De aquí obtenemos que
la probabilidad buscada es 1/4.
141
Sobre la superficie de una esfera marcamos tres puntos al
azar. ¿Cuál es la probabilidad de que los tres puntos queden
en una misma semiesfera?
Tres puntos no colineales siempre forman un plano...
142
«¿Dónde radica la paradoja? ¿Cuál es la solución a nuestro problema? La paradoja
radica en qué consideramos por trazar una cuerda “al azar”. En el problema de
Bertrand, distintos métodos de seleccionar una cuerda “al azar” conducen a diferentes
medidas de probabilidad no equivalentes. Las distribuciones de probabilidad no son
objetivas. Siempre que definamos una medida de probabilidad, dicha medida de
probabilidad se basa en un conjunto de hipótesis. El concepto de probabilidad
clásico o de Laplace se basa en la equiprobabilidad de los resultados
elementales. Este método sólo es aplicable para espacios muestrales finitos como
ya sabemos. El concepto de probabilidad geométrica, generaliza el concepto de
probabilidad de Laplace, en el sentido de que conjuntos que posean la misma
medida geométrica deben de tener la misma probabilidad y de esta manera
podemos generalizar la probabilidad para aplicarla a espacios infinitos. Sin
embargo, no es una generalización objetiva, todo depende de que medida
consideremos, como hemos visto aquí. De igual manera sobre un conjunto finito de
elementos podemos definir otras medidas de probabilidad, basándonos en otras
hipótesis, no coincidentes con la probabilidad clásica o de Laplace».
m( A)
P( A) = lim
Richard von Mises (1919)
m →∞ m
144
¿Por qué la probabilidad de cara o cruz en el lanzamiento de
una moneda no cargada es ½?
(1) Simetría física e ignorancia.
(2) Frecuentista: experimento.
Sumando:
P(A) + P(B) = P(C) + P(D) + P(D) + P(F)
Restando P(D) a ambos lados:
P(A) + P(B) - P(D) = P(C) + P(D) + P(F), es decir:
P(A) + P(B) - P(A ∩ B) = P(A ∪ B) 147
Regla de la adición
P( A1 ∪ B ) = P( A1 ) + P( B ) − P( A1 ∩ B )
B = A2 A3
Sustituyendo en la expresión anterior:
P( A1 ( A2 A3 )) = P( A1 ) + P( A2 A3 ) − P( A1 ( A2 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) − P( A2 A3 ) − P(( A1 A2 ) ( A1 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) − P( A2 A3 ) − P( A1 A2 ) − P( A1 A3 ) + P( A1 A2 A3 )
Por inducción, puede demostrarse:
n n
P ( A1 A2 ... An ) = ∑ P ( Ak ) − ∑ P ( Ai A j ) +
k =1 i< j
n
+ ∑ i j k
P ( A
i< j <k
A A ) + ... + ( −1) n +1
P( A1 A2 ... An )
148
Google y el juego del googol
por Pablo Fernández Gallardo
«Origen del nombre de la compañía: procede
del término matemático googol, que en 1998 los
fundadores de Google, dos jóvenes
matemáticos de la Universidad de Stanford,
Sergey Brin y Larry Page, consideraron
ilustrativo del complejo proceso de búsqueda
que efectúa su buscador. 10 100
= 1 googol
El término en cuestión lo inventó en 1938 un niño de nueve años cuando,
hablando sobre el infinito con su tío, el matemático Edward Krasner, su
desbordante imaginación infantil improvisó ese nombre para referirse a un
1 seguido de 100 ceros.
Siguiendo esa regla, la probabilidad de acierto será también del 37%, porcentaje
que es el inverso del número e.»
151
J. M. Parrondo 152
Juegos Matemáticos: Investigación y Ciencia
153
El problema de los abrigos
o sombreros (Pág. 91)
154
Problemas resueltos
1/ Una caja contiene 8 bolas rojas, 3 blancas y 9 azules. Si se sacan 3
bolas al azar sin reemplazo determinar la probabilidad de que:
a) Las 3 sean rojas
Eventos: E1 sacar roja a la primera
8 7 6 14
E2 sacar roja a la primera P(E1∩E2∩E3)= =
20 19 18 285
E3 sacar roja a la primera
Casos posibles: C3
3
1
b) Las 3 sean blancas P=
Casos favorables: 20C 3 1140
17C 3 34 23
P=1-P (ninguna sea blanca)= 1− = 1− =
20C 3 57 57
(8C1)(3C1)(9C1) 18
P= =
20C 3 95
a) (4C 4 )(48C 1) 1 b) P=
(4C 4 )(4C 1)
=
1
P= = 52 C5 649740
C5
48 54145
c) P=
(4C 3 )(4C 2 )
=
1 (4C 1)(4C 1)(4C 1)(4C 1)(4C 1) 64
52 C5 108290
d) P= =
52 C5 162435
e) P=
(4 × 13C 3 )(3 × 13C 2 )
=
429
52 C5 4165
8! 3! 1
P= =
10! 15
169
5/ Ay B juegan 12 partidas de ajedrez de las cuales A gana 6, B gana 4, y 2
terminan en empate. Ellos acuerdan un torneo de 3 partidas. Encontrar la
probabilidad de que a) A gane los 3 juegos, b) 2 juegos finalicen en empate, c)
A y B ganan alternadamente, d) B gana al menos un juego
4 1 2 1
P(B gana un juego) = = P(empate) = =
6 1 12 3 12 6
P(A gana un juego) = =
12 2
1 1 1 1
a) P(A gana los 3 juegos juego) = =
2 2 2 8
2
1
b) Posibles ordenes en que se producen los empates= (3C 2 ) P(2 empates) =
6
5
Puesto que se requieren sólo 2 empates la 3 partida no puede ser empate: P (no empates) = 1 − P (empate) =
6
2
1 5 5
P = (3C 2 )× =
6 6 72
6
1
5 P(sacar una suma de 7) =
4 6
3
5
P(no sacar una suma de 7) =
2
1 2 3 4 5 6
6
P (gane A a la primera) =
1 5 1
P (gane B a la primera) =
6 6 6
5 5 1 5 5 5 1
P (gane A a la segunda) = P (gane B a la segunda) =
6 6 6 6 6 6 6
1 5 5 1
6
2 4
1 5 5 1 5 5 5 5 1 6
P(gane A) = + + + ... = 1 + + + ... = =
6 6 6 6 6 6 6 6 6 6 6 6 1 − 5
6
( ) 2
11
5
5 1 5 5 5
2 4
5 1 5 5 5 1 36
P (gane B) = + + ... = 1 + + + ... = =
6 6 6 6 6 6 6 6 6 6 ( )
1 − 5
6
2
11
171
No es justooooo!!
7/ a) Determinar la probabilidad de que al lanzar n veces dos dados se obtenga
al menos un seis doble b)¿Cuántos lanzamientos habría que realizar para
tener una probabilidad de ½ de obtener al menos un 6 doble?
a)
P (al menos un seis doble) = 1 − P (ningún seis doble)
P(ningún seis doble en n lanzamientos) = P(no seis doble en el 1er lanzamiento) ×
× P(no seis doble en el 2o lanzamiento) × ... × P(no seis doble en el n - ésimo lanzamiento) =
n
35 35 35 35
= • • ... • =
36 36 36 36
n
35
P(al menos un seis doble en n lanzamientos) = 1 −
36
n n
b) 1 35 1 35 1 35
= 1 − → =
operando
→ ln = n ln =
2 36 2 36 2 36
= −0,6931 = −0.0282n
K K K K K
P(1) = K P ( 2) = P(3) = P ( 4) = P(5) = P ( 6) =
2 3 4 5 6
P (1,2,3,4,5,6) = 1 = P (1) + P (2) + P (3) + P (4) + P (5) + P (6) =
k k k k k 147 k 60
=k+ + + + + =
→ k =
2 3 4 5 6 60 147
k k 23k 92
a) P(impar) = P(1,3,5) = k + + = =
3 5 15 147
k k 11k 110
b) P(inferior a 4) = P(1,2,3) = k + + = =
2 3 6 147
173
10/ Al controlar la calidad de un producto envasado, se eligen al azar tres
envases de una caja que contiene 1000. Por termino medio, sabemos que en
cada caja hay diez cuya calidad es deficiente. Hallar la probabilidad de que
entre los tres no haya ninguno, uno, dos o tres deficientes
(B)=bueno (d)=defectuoso
90 89 88 178
P(ninguno defectuoso) = P( BBB) = =
100 99 98 245
90 89 10 267
P(uno defectuoso) = P( BBd , BdB, dBB) = 3 × P( BBd ) = 3 =
100 99 98 1078
90 10 9 27
P(dos defectuoso) = P( Bdd , ddB, dBd ) = 3 × P( Bdd ) = 3 =
100 99 98 1078
10 9 8 2
P( tres defectuoso) = P(ddd ) = =
100 99 98 2695
3
nótese que : ∑ P(n defectuosos) = 1
n =0
174
11/ Se seleccionan dos cartas al azar de entre 10 cartas numeradas del 1 al 10.
Hallar la probabilidad de que la suma sea impar si: a) se sacan dos cartas sin
sustitución b) se sacan dos cartas, una después de la otra, con sustitución
175
12/ Seis parejas de casados se encuentran en un cuarto. Halla la probabilidad
de que:
a) si se escogen 2 personas al azar (i) sean esposos (ii) uno sea hombre y
otro mujer
b) si se escogen 4 personas al azar (i) se escojan dos parejas de casados (ii)
ninguna pareja sean casados en tre los 4 (iii) haya exactamente una pareja de
casados
c) si las 12 personas se reparten en seis parejas (i) cada pareja sean casados
(ii) cada pareja la forme un hombre y una mujer
6 1
(i) Hay 6 parejas de casados: P= =
66 11
6× 6 6
(ii) Hay 6 maneras de escoger a un hombre P= =
y 6 de escoger a una mujer: 66 11
176
b) Casos posibles: 12 C 4 = 495 maneras de escoger 4 personas de las 12
15 1
(i) Hay 6 C 2 = 15 maneras de coger 2 parejas de las 6 P= =
495 33
(ii) Las 4 personas vienen de 4 parejas diferentes, hay 6C 4 = 15 maneras de coger 4
parejas de las 6 y ahí 2 maneras de escoger a la persona de cada pareja
2 × 2 × 2 × 2 ×15 16
P= =
495 33
1 16 16
(iii) Este evento es complementario de los otros dos, por tanto: P = 1− − =
33 33 33
12! 12!
=
c) Casos posibles: 2!2!2!2!2!2! 26 maneras de repartir 12 personas en 6 células ordenadas con 2
personas cada una
a) Sea S el suceso que una carta sea oros. El suceso que las cinco cartas sean oros es el suceso compuesto por los sucesos que la primera sea
oros (S1), que la segunda sea oros (S2)...
S = S1∩S2∩S3∩S4∩S5
casos favorables 10
P( S=
i) = = 0, 25 ; P(S)=P5(Si)=0,255=0,000975
casos posibles 40
S1 = S ∩ S ∩ S ∩ S ∩ S
casos favorables 30 10
P(S) = P(S) =
casos posibles 40 40
178
15/ Durante un año, las personas de una ciudad utilizan tres tipos de transportes: metro (M), autobús (A), y coche
particular (C). Las probabilidades de que durante el año hayan usado unos u otros transportes son las siguientes:
metro = 0,30; autobús = 0,20; coche = 0,15; metro y autobús = 0,10; metro y coche = 0,05; autobús y coche = 0,06;
metro y autobús y coche = 0,01.
Calcúlense las siguientes probabilidades:
a) Que una persona tome al menos dos medios de transporte
b) Que una persona viaje en metro y no en autobús
c) Que una persona viaje en metro o en coche y no en autobús
d) Que viaje en metro o en autobús y en coche
e) Que una persona vaya a pie
a) Se cumple verificándose alguno de los siguientes sucesos: metro y autobús y no coche; metro y no autobús y coche; no metro y autobús y
coche; metro y autobús y coche. Son sucesos disjuntos.
=
P P(( M ∩ A ∩ C ) ∪ ( M ∩ A ∩ C ) ∪ ( M ∩ A ∩ C ) ∪ ( M ∩ A ∩ C=
))
P( M ∩ A ∩ C ) + P( M ∩ A ∩ C ) + P( M ∩ A ∩ C ) + P( M ∩ A ∩ C )
vemos que: ( M ∩ A ∩ C ) ∪ ( M ∩ A ∩ C ) = M ∩ A
luego,al ser disjuntos: P ( M ∩ A ∩ C ) + P( M ∩ A ∩ C=
) P( M ∩ A)
P ( M ∩ A ∩ C=
) 0,10 − 0, 01= 0, 09
Análogamente: P( M ∩ A ∩ C ) =P( M ∩ C ) − P ( M ∩ A ∩ C=
) 0, 05 − 0, 01
= 0, 04
P( M ∩ A ∩ C = ) P( A ∩ C ) − P( M ∩ A ∩ C =
) 0, 06 − 0, 01= 0, 05
P = 0, 09 + 0, 04 + 0, 05 + 0, 01 = 0,19
b)
( M ∩ A) ∪ ( M ∩ A) =
M ; los sucesos del primer miembro son disjuntos.
P( M ∩ A)= P( M ) − P( M ∩ A)= 0,30 − 0,10= 0, 20
c)
( M ∪ C ) ∩ A = ( M ∩ A) ∪ (C ∩ A);
P (( M ∪ C ) ∩ A)= P ( M ∩ A) + P(C ∩ A) − P( M ∩ A ∩ C )= ( P( M ) − P( M ∩ A)) +
+ ( P (C ) − P (C ∩ A)) − ( P( M ∩ C ) − P ( M ∩ A ∩ C )) = (0,30 − 0,10) + (0,15 − 0, 06) − 179
−(0, 05 − 0, 01) = 0, 25
( M ∪ A) ∩ C = ( M ∩ C ) ∪ ( A ∩ C ); los sucesos no son disjuntos.
d)
P(( M ∪ A) ∩ C )= P( M ∩ C ) + P( A ∩ C ) − P( M ∩ A ∩ C )= 0, 05 + 0, 06 − 0, 01= 0,10
180
16/ Una fábrica de detergentes proyecta lanzar una nueva marca. En el mercado hay dos marcas: A y B. La
probabilidad de compra de A es 0,3, la de B es 0,5 y la de A y B, 0,1. Para decidirse por la nueva marca, la
fabrica necesita conocer la probabilidad de que no se compren ni A ni B, así como la probabilidad de que sólo
se compre una de las dos marcas. Calcúlense estas probabilidades.
A∩ B = A∪ B
P( A ∪ B) + P( A ∪ B) = P ( E );
P( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) = 0,3 + 0,5 − 0,1 = 0, 7;
0, 7 + P=
( A ∪ B) 1; P=
( A ∪ B) 0,3
P( A ∩ B ) = P ( A ∪ B ) = 0,3
El suceso comprar una de las dos marcas es igual a la unión de los sucesos disjuntos comprar la marca A y no comprar la B y comprar la
marca B y no la A.
Comprar la marca A y no comprar la B es A-B y análogamente, comprar B y no A es B-A; por tanto:
181
18/ Un submarino se dispone a torpedear a un carguero. De experiencias anteriores el capitán del submarino
sabe que al lanzar un torpedo da en el blanco una de cada tres veces por lo que para “asegurar” el éxito decide
lanzar tres torpedos. Supuestos los lanzamientos simultáneos e independientes se pide:
También hubiéramos alcanzado este resultado determinando la probabilidad del suceso contrario
P(hundir el carguero) =1 − P( A1 ∩ A2 ∩ A3 ∩ A4 ) =
4
2 65
=
1− =
3 81
182
c) Si es n el número de disparos requeridos tendrá que cumplirse
n
2
1 − ≥ 0,95
3
n
2 2
≤ 0, 05 → n ⋅ log ≤ log 0,95
3 3
log 0, 05
n≥ = 7,3888 →= n 8
2
log
3
183
– Una persona acepta una apuesta del orden 10 a 3 sobre la
posibilidad de ganar un púgil en un combate de boxeo.
Determínese cuál es la probabilidad que está asignando a
este hecho.
SOLUCIÓN:
Este tipo de relaciones se denomina ventaja relativa . Si la
relación es de A a B, entonces la ventaja es:
Ventaja = A/B
y la probabilidad asociada:
P (s)= A/A+B
La probabilidad que el apostante está asignado a su posibilidad
de ganar al aceptar la apuesta es:
P (ganar) = 10/ (10+3) = 10/13
184
Determínese la probabilidad de que al lanzar n veces dos dados se obtenga al
menos un seis
doble. ¿Cuántos lanzamientos habría que realizar para tener una probabilidad
igual a ½ de
obtener al menos un seis doble?
(Problema del Caballero de Méré)
SOLUCIÓN:
36 comportamiento, de los cuales 1 es la obtención del seis doble.
Usemos la probabilidad del suceso complementario.
P (obtención de ningún 6 doble en n lanzamientos) = 1 – P (obtención de ningún 6
doble en n lanzamientos)
P (ningún 6 doble en n lanzamientos) = 35/36 x 35/36 x 35/36 = (35/36) n
P( al menos un 6 doble) = 1 – ( 35/36)n.
Para tener probabilidad = 1/2:
1/2 = 1- ( 35/36)n
1/2 = (35/36)n
Ln 1/2 = n x ln (35/36)
N = 24,6
Por lo que tendremos que lanzar 25 veces. 185
• Tres personas A, B y C lanzan, sucesivamente, y por este orden, una moneda ideal,
ganando el primero que saque cara. ¿ Cuáles son las probabilidades de ganar cada
jugador?
SOLUCIÓN:
Sucesos: A = Gana el A, B = Gana el B, C = Gana el C
P (A) + P (B) + P (C) = 1
Ac: A obtiene cara; ( Bc; Cc) ; A+: A obtiene cruz; (B+;C+)
A gana si en la primera serie de lanzamientos obtiene cara; o si en la primera serie A,B y C
obtienen cruz y luego A obtiene cara, y así sucesivamente.
Lo mismo ocurre para los sucesos B y C. Por consiguiente:
P(A) = ½+ (1/2)4+(1/2)7+(1/2)10+…….
P(B)=(1/2)2+(1/2)5+(1/2)8+(1/2)11+……
P(C)=(1/2)3+(1/2)6+(1/2)9+(1/2)12+…….
Pudiéndose apreciar que P (B) = 1/2 P (A) y P (C) = 1/2 P (B) = 1/4 P (A)
Como:
1 = P (A)+P (B) +P (C) = P (A) + 1/2 P (A) + 1/4 P (A) = 7/4 P (A).
Tenemos que:
P (A) = 4/7
P (B) = 1/2 P (A) = 2/7
P (C) = 1/4 P (A) = 1/7
186