Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema07 PDF
Tema07 PDF
Curso 2018/19
7 COMBINATORIA Y PROBABILIDAD.
La combinatoria se puede denir como el arte de contar bien. En la primera pare de este tema,
estudiaremos algunas técnicas combinatorias que nos permitirán contar de una forma más eciente.
7.1 Combinatoria.
Principio de la Suma. Sean A y B son dos sucesos que no pueden ocurrir simultáneamente. Si el
Este principio puede aplicarse a más de dos sucesos siempre que sean disjuntos dos a dos, es decir,
Ejemplo 7.1.1. En Netix hay 15 películas de Marvel disponibles, mientras que en HBO hay 13
películas de DC Comics. Si queremos ver una película de super héroes y estamos suscritos a ambas
segundo suceso B puede ocurrir en n maneras, entonces el número de maneras en que ambos, A y B,
pueden ocurrir es m · n.
Al igual que en el caso anterior, si hay más de dos sucesos disjuntos dos a dos, el Principio del
Ejemplo 7.1.2. La clave para desactivar la Estrella de la Muerte es un código de 3 cifras. La Alianza
Rebelde ha conseguido determinar que las cifras que lo componen son todas menores o iguales que 6
y, que además, el número obtenido es par. Disponemos de un androide tipo R2 algo antiguo, pero
muy ecaz. Es capaz de enviar una clave de 3 cifras al ordenador central de la Estrella de la Muerte
cada medio segundo. Sabemos que los sensores imperiales tardan 90 segundos en detectarnos y lanzar
sus ráfagas láser. Además, necesitamos 6 segundos para saltar al hiperespacio. La Princesa Leia nos
pregunta ¾seréis capaces de desactivar a tiempo la Estrella de la Muerte? Y lo que es más importante,
Necesitamos calcular la cantidad de números de 3 cifras que cumplen con las condiciones requeridas.
sirven todas, y para A3 las cifras deben ser 0, 2, 4 ó 6, es decir, 4 posibilidades. Luego en total hay
6 × 7 × 4 = 168 posibles claves. Si tardamos medio segundo en introducir cada clave, en el peor de
los casos tardaremos 84 segundos en introducir todas, tiempo suciente para desactivar la Estrella de
la Muerte. Asimismo, disponemos de 6 segundos extra antes de ser detectados para poder realizar el
salto al hiperespacio, huir y ser condecorados. May the MATH be with you.
A partir de los principios anteriores, podemos deducir la fórmulas clásicas de los diferentes tipos
de muestras.
Denición 7.1.3 (Variaciones) . Sea un conjunto formado por n elementos distintos y sea k ≤ n.
Llamamos variación de n elementos tomados de k en k a cada una de las posibles listas ordenadas
Observemos que en esta denición, es importante el orden en el que se extraen los elementos,
pues dos listas con los mismos elementos, pero en posiciones diferentes, se consideran dos variaciones
distintas.
n!
Vn,k := n(n − 1) . . . (n − k + 1) = .
(n − k)!
En la denición anterior, era importante que los elementos de cada variación no se repitan, es decir,
que si un elemento se tomaba en una posición, ya podría ser tomado en sucesivas posiciones. Dicho de
otro modo, estamos extrayendo una muestra sin reemplazamiento. Sin embargo, si permitimos que un
mismo elemento salga repetido tantas veces como sea posible, es decir, si tras extraer un elemento, lo
Denición 7.1.5 (Variaciones con repetición) . Sea un conjunto formado por n elementos distintos.
Llamamos variación con repetición de n elementos y orden k a cualquier lista ordenada de k elementos,
V Rn,k := nk .
En el caso particular en que queramos hacer una variación de tantos elementos como tenga el
Pn := Vn,n = n!.
Para las permutaciones, es indispensable que los elementos originales sean distintos entre sí. Caso
contrario, es decir, si en el conjunto original hay elementos indistinguibles entre sí, precisamos de otro
concepto.
Denición 7.1.9 (Permutaciones con repetición) . Sea un conjunto con n elementos, entre los que
existen n1 iguales y de un mismo tipo, n2 iguales pero de otro tipo, y así sucesivamente, nk iguales
entre los que n1 se repiten, n2 se repiten, ... , nk se repiten, a cada una de las posibles formas que
Teorema 7.1.10. El número total de permutaciones de n elementos entre los que n1 se repiten, n2 se
de n elementos tomados de k en k a cada uno de las formas de escoger k elementos distintos de los n
del conjunto original.
n n!
Cn,k = nCk = Cnk = := .
k k! (n − k)!
n
A los números se les llama coecientes binomiales y se cumple lo siguiente.
k
n
X n k n−k
n
(x + y) = x y .
k
k=0
Para generalizar esta expresión a una suma de una cantidad nita cualquiera de términos, pre-
Denición 7.1.14 (Coeciente multinomial) . Para cada n ∈ N y cada familia nita de números
n n!
:=
n1 , n2 , . . . , nk n1 ! · n2 ! · . . . · nk !
incluso los elementos que sólo aparecen 1 vez, es decir, si se cumple que n1 + n2 + . . . + nk = n,
n1 ,n2 m...,nk n
entonces P Rn = n1 ,n2 ,...,nk .
Denición 7.1.17 (Combinaciones con repetición) . Sea un conjunto con n elementos distintos, lla-
mamos combinaciones con repetición de n elementos tomados de k en k a cada grupo formado por k
elementos, distintos o repetidos, tomados de los n iniciales.
k es
n+k−1
CRn,k := Cn+k−1,k .
k
7.2 Probabilidad
En la naturaleza, los sucesos que se presentan o los experimentos que se llevan a cabo pueden ser,
Sucesos deterministas: son aquellos en los que la relación causa-efecto aparece perfectamente de-
terminada.
Sucesos aleatorios: son aquellos que aun repitiéndose en las mismas condiciones, el resultado varia
En cuanto a los sucesos, estos pueden ser elementales, si están constituidos por un solo elemento del
espacio muestral; compuestos, si están constituidos por varios elementos del espacio muestral. El suceso
seguro es todo el espacio muestral, mientras que el suceso imposible es el suceso cuya intersección con
el espacio muestral es ∅, es decir, aquel que no tiene elementos del espacio muestral.
• Un suceso compuesto puede ser obtener un número impar, obtener un múltiplo de 3 u obtener un
número entre 2 y 4.
Regla de Laplace. Dado un experimento aleatorio en el que todos los sucesos elementales son
n
o de casos favorables
P(A) := o .
n de casos posibles
Esta regla general tiene el inconveniente de que los sucesos elementales han de ser equiprobables,
es decir, todos con la misma probabilidad. Por tanto, hemos de conocer a priori estas probabilidades
Para evitar este y algún otro problema, se incluye la denición axiomática de probabilidad, estable-
Denición 7.2.2. Una distribución de probabilidad o simplemente probabilidad sobre un espacio mues-
tral Ω, es una aplicación que asigna a cada suceso A ⊂ Ω un valor numérico P(A), cumpliendo las
siguientes reglas:
Observación 7.2.3. El apartado (c) se puede generalizar. Para cualquier colección de sucesos disjuntos
∞ ∞
!
[ X
P An = P(An ).
n=1 n=1
Una probabilidad tiene las siguientes propiedades adicionales como consecuencia de vericar los
axiomas anteriores.
(c) Si A⊂B entonces P(A) ≤ P(B). (d) Para cualquier suceso A es 0 ≤ P(A) ≤ 1.
(e) Para dos sucesos generales cualesquiera P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Ejemplo 7.2.5. En La Comarca de La Tierra Media, viven 200 Hobbits. 137 de ellos son parientes de
la familia Bolsón, 50 de la familia Brandigamo y 124 de la familia Gamyi. Por otra parte, el número de
Hobbits que son a la vez parientes de la familia Bolsón y Brandigamo es 33, de Bolsón y Gamyi es 29
y de Brandigamo y Gamyi es 92. Finalmente, el número de Hobbits que es pariente de las tres familias
a la vez es 18. Gandalf El Gris acude a La Comarca y busca al azar un Hobbit para una misión, pero
necesita que no sea pariente de ninguna de las familias anteriores. ¾Cuál es la probabilidad de que el
Sea A1 el suceso el Hobbit es pariente de la familia Bolsón, A2 el suceso el Hobbit es pariente de
la familia Brandigamo y A3 el suceso el Hobbit es pariente de la familia Gamyi. Finalmente, sea A
el suceso el Hobbit no es pariente de las familias anteriores. Se cumple que A = (A1 ∪ A2 ∪ A3 )c , por
tanto por el apartado (b) anterior, P(A) = 1−P(A1 ∪A2 ∪A3 ). Ahora, debemos calcular P(A1 ∪A2 ∪A3 ),
para lo cual vamos a usar el apartado (f ):
137 50 124 33 29 92 18 7
P(A1 ∪ A2 ∪ A3 ) = + + − − − + = .
200 200 200 200 200 200 200 8
Asó pues, la probabilidad de que Gandalf el Gris elija un Hobbit que no pertenezca a las familias
1
Bolsón, Brandigamo o Gamyi es de = 12, 5%.
8
Los apartados (e) y (f ) son casos particulares del siguiente resultado
n n
!
[ X X X
P Ai = P(Ai ) − P(Ai ∩ Aj ) + P(Ai ∩ Aj ∩ Ak ) − . . .
i=1 k=1 i<j i<j<k
X
k+1
. . . + (−1) P(Ai1 ∩ . . . ∩ Aik ) + . . . + (−1)n+1 P(A1 ∩ A2 ∩ . . . ∩ An ).
i1 <...<ik
Ejemplo 7.2.7. El profesor Farnsworth ha inventado la máquina que desempareja cuerpos de person-
alidades y la ha utilizado con los n empleados de Planet Express. Ahora los cuerpos de Fry, Leela,
el doctor Zoidberg etc... yacen en el suelo, mientras que sus personalidades otan en el hiperespacio
virtual creado por el excéntrico profesor. La única posibilidad de devolver las personalidades a su
cuerpo es ejecutar el programa de recuperación. Pero tan sólo queda Bender para introducir los datos.
En un alarde de generosidad, el robot doblador accede a ayudar a sus compañeros, para lo cual decide
adjudicar, aleatoriamente, a cada cuerpo una personalidad. ¾Cuál es la probabilidad de que por lo
menos uno de los miembros de Plant Express acabe con su personalidad dentro de su propio cuerpo?
En este caso, el espacio muestral, es decir, las posibles formas de asignar a cada uno de los n
miembros de Planet Express una personalidad, es justamente Pn = n!.
Sea Ai el suceso al trabajador i de Planet Express, le ha correspondido su propia personalidad.
(n−1)! 1
Aplicando la Regla de Laplace, la probabilidad del suceso Ai es P(Ai ) = n! = n.
(n−2)!
Si i 6= j la probabilidad del suceso intersección Ai ∩ Aj es, de modo similar, P(Ai ∩ Aj ) = n! .
Y en general, dados i1 , i2 , . . . , ik índices diferentes:
(n − k)!
P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik ) = .
n!
x2 x3
ex = 1 + x + + + ...,
2! 3!
1 1
para x = −1 tenemos que e−1 = 1 − 1 + − + ..., de donde obtenemos que cuando n es muy
2 3!
grande, la probabilidad de que al menos uno de los trabajadores de Planet Express reciba su propia
En el caso particular en que el número de sucesos elementales sea nito, el espacio muestral también
cada uno de los sucesos elementales si . Pero para que se satisfagan los axiomas de la probabilidad
n
X
(a) p i ≥ 0. (b) pi = 1.
i=1
En estas condiciones, la probabilidad de cualquier suceso A⊂Ω se calcula sumando los pesos pi
de todos los resultados si que pertenecen al conjunto A, es decir,
X
P(A) = pi .
si ∈A
En el caso particular de que cada peso pi sea 1/n, esto es, todos los sucesos elementales son equiprob-
ables, la probabilidad obtenida se llama distribución discreta uniforme. En ese caso, la probabilidad de
un suceso A es igual al cardinal de A dividido por el cardinal de Ω y coincide con la Regla de Laplace.
Los espacios muestrales no nitos más simples son los numerables (recordemos que un conjunto
En los espacios muestrales numerables se pueden denir probabilidades usando el mismo proced-
imiento que en el caso nito, esto es, asignando un peso pi a cada suceso elemental si de manera
que
∞
X
(a) 0 ≤ p i ≤ 1. (b) pi = 1.
i=1
A los espacios muestrales que o bien son nitos o bien son numerables se les llama, conjuntamente,
Ejemplo 7.2.8. La probabilidad de tener éxito al invocar un Expecto Patronus es de 1/2 para magos
que hayan salido de Hogwarts con una calicación de Sobresaliente en Defensa contra las Artes Oscuras.
Nos planteamos el siguiente experimento, invocamos un Expecto Patronus hasta que tengamos
éxito. Si denotamos por O al fracaso y por P al éxito, el espacio muestral de nuestro experimento será
El peso de cada suceso simple es 2−n , siendo n el número de veces que invocamos un Expecto
Patronus. Por ejemplo P(P ) = 1/2, P(OP ) = 1/4, P(OOP ) = 1/8, etc.
Con este modelo podemos calcular, por ejemplo, la probabilidad de que el número de intentos
∞ n
X 1 1
(1/2)2 + (1/2)4 + (1/2)6 + · · · = = .
4 3
n=1
Esto deja una probabilidad de 2/3 para que el número de intentos antes de que aparezca un Patronus
∞
X
2−n = 1 − (2−1 + 2−2 ).
n=3
Cuando tenemos dos sucesos que no son independientes la ocurrencia de uno puede afectar a la del
otro y viceversa. Por tanto, si poseemos información acerca de uno de ellos, podemos estimar mejor la
Denición 7.3.1 (Probabilidad condicionada) . Sean A y B dos sucesos, con P(B) > 0. Se dene la
P(A ∩ B)
P(A|B) = ,
P(B)
es decir, la probabilidad de que ocurra A, sabiendo que B es cierto.
P ( ni=1 Ai ) > 0,
T
De esta denición, se deduce que P(A ∩ B) = P(A|B)P(B) y, por inducción, si
entonces
n n−2 n−1
! ! !
\ \ \
P Ai = P(A1 )P (A2 |A1 ) · · · P An−1 Ai P An Ai .
i=1 i=1 i=1
Para el siguiente resultado, necesitamos el concepto de partición de un conjunto.
Denición 7.3.2. Se dice que A1 , . . . , A n es una partición de un conjunto A (usualmente el total, Ω),
n
[
si son disjuntos dos a dos, P (Ai ) > 0 (1 ≤ i ≤ n) y, además, A= Ai .
i=1
del espacio total. Sin embargo, en ocasiones interesa conocer qué ocurre con cada miembro de una
Teorema 7.3.4 (Teorema de Bayes) . Sea A1 , . . . , An una partición de Ω y sea B un suceso con
P(B|Ai )P (Ai )
P(Ai |B) = n .
X
P(B|Aj )P(Aj )
j=1
En el lenguaje habitual del Cálculo de Probabilidades, P(Ai ) se conoce como probabilidad a priori
y P(Ai |B) como probabilidad a posteriori, siendo la ocurrencia de B la que establece la frontera entre
el antes y el después.
Ejemplo 7.3.5. Once y Mike, amigos y residentes en Hawkins (Indiana), se han enterado de que su
amigo Dustin posee 3 viveros bajo tierra, con crías de Demogorgons y Salamandras mezcladas. Sabe
que en el Vivero 1 hay 3 Salamandras y Dart, el Demogorgon amigo de Dustin; en el Vivero 2 hay
y 3 Demogorgons malvados. Dustin recuerda dónde está cada vivero, pero no recuerda cual es cual;
además, al estar los viveros bajo tierra, no puede ver lo que hay dentro ni saberlo de antemano.
Once, usando sus poderes telequinéticos, es capaz de entrar (a través del Otro Lado) en un vivero
al azar y ver a una de las criaturas. Resulta ser una Salamandra. Los chicos deciden que, dado que no
tienen más tiempo para hacer comprobaciones, ese debe ser el vivero donde está Dart y destruyen el
resto de viveros, justo antes de que los Demogorgons muden y se conviertan en Stranger Things.
¾Han tomado los chicos la decisión correcta? es decir, ¾cual es el vivero que, en las condiciones
de estos tres sucesos es el Suceso Total. Además, tal y como se nos indica, la elección del vivero en el
1
que entra Once es al azar, por tanto, P(V1 ) = P(V2 ) = P(V3 ) = 3 > 0. Así pues, V1 , V2 , V3 constituyen
una partición de Ω.
Sea S es el suceso la criatura visualizada por Once es una Salamandra. Sabemos que
3 1 1
P(S|V1 ) = , P(S|V2 ) = , P(S|V3 ) = .
4 2 4
1 3
3 · 4 1
P(V1 |B) = 1 3 1 1 1 1 = .
3 · 4 + 3 · 2 + 3 · 4
2
1 1
P(V2 |B) = , P(V3 |B) = .
3 6
Así que el vivero que tenía la mayor probabilidad de haber sido elegido era el Vivero 1, donde estaba
La información previa que se nos proporciona sobre el resultado de un experimento puede modicar la
probabilidad inicial del suceso. Cuando esto no ocurre, estamos ante sucesos que no inuyen entre sí.
Denición 7.4.1 (Sucesos independientes). Decimos que los sucesos A y B son independientes si
P(A ∩ B) = P(A)P(B).
Visto de otro modo, usando el concepto de probabilidad condicionada, se tiene que dos sucesos A
y B (con P(B) > 0 son independientes si y solo si P(A|B) = P(A).
Otra consecuencia inmediata de la denición es que si A y B son independientes, entonces tanto A
y Bc como Ac y B también son independientes.
Ejemplo 7.4.2. El gran inuencer de las redes sociales Tito Eliatron (@eliatron), posee cuentas
de Twitter y de Instagram. Resulta que, si elegimos un día cualquiera del último año, el número de
Consideremos los sucesos A Tito Eliatron posee 6000 y pico seguidores en Twitter, el suceso
B Tito Eliatron posee 4000 y pico seguidores en Instagram, y el suceso C Tito Eliatron posee,
Como tiene 6000 y pico seguidores en twitter, hay 1000 posibilidades (de 6999 − 6000 + 1), luego
1000 1
P(A) = =
6000 P(B) = 16 . Finalmente, hay 6000 × 6000 = 36 · 106 posibles
6 . De forma análoga,
6
conguraciones de ambas cuentas, de las cuales 1000 × 1000 = 10 son favorables a los sucesos A y B
106 1
a la vez; por tanto, P(A ∩ B) = 36·106
= 36 . Entonces
1 1 1
P(A) · P(B) = · = = P(A ∩ B)
6 6 36
Por otro lado, para que haya exactamente 11000, las únicas posibilidades, son
Twitter Instagram
z }| { z }| {
(4001 − 6999) + (6999 − 4001) .
Por tanto, para que ocurra A y C a la vez, hay 1000 casos favorables de Twitter (de 6000 a 6999) y
otros 1000 de Instagram (de 5000 a 4001). Además, para que ocurra C hay 2999 = 6999 − 4001 + 1
2
posibles seguidores de Twitter e Instagram, lo que hace un total de 2999 casos favorables. Por tanto,
1 29992 1 106
P(A) · P(C) = · = 0.0416389 6
= 0.0277778 = = = P(A ∩ C).
6 36 · 106 36 36 · 106