TEORA AVANZADA DE ANLISIS COMBINATORIO Y LEY HIPERGEOMTRICA DE CABITO

POR: CARLOS M. CEVALLOS MORA

Email: carlcev@hotmail.com

IEPI: 038286

QUITO ECUADOR

2012

"No existe la suerte. Slo hay preparacin adecuada o inadecuada para hacer frente a una estadstica."

Robert Heinlein

Resumen
El presente trabajo aborda dos partes: la primera, trata de principios de

anlisis combinatorio ms generalizados; al parecer, los principios de conteo de combinacin, variacin y permutacin son solo casos particulares de principios ms generales, (en todos los casos, es una muestra);la segunda parte aborda una ley de distribucin de probabilidad, esta es una generalizacin de la ley hipergeomtrica para varias muestras de igual tamao tomadas de una poblacin finita, sin remplazo y sin interseccin, a la cual se la denominar ley hipergeomtrica de Cabito. Palabras claves: Anlisis combinatorio, combinaciones, variaciones,

permutaciones, distribucin de probabilidad, espacio muestral, distribucin hipergeomtrica, distribucin multihipergeomtrica.

Abstract
This work is presented in two parts: the first part deals with more general principles of combinatorial analysis. It would appear that the principles of counting: combination, variation and permutation, are simply particular cases of more general principles (in every case it is a sample). The second part deals with a law of probability distribution. This is a generalization of the hypergeometric law for various samples of equal size taken from a finite population, without replacement and without intersection, which will be called the hypergeometric law of Cabito. Key Words: Combinatorial analysis, combinations, variations, permutations, probability distribution, sample space, hypergeometric distribution, multihypergeometric distribution.

1.- Algunos fundamentos de anlisis combinatorio (principios de conteo) En el presente trabajo, se denominar como conjunto o muestra a una reunin de elementos, donde no interesa el ordenamiento de estos, y como vector a la reunin de elementos, donde s importa el orden en que estn estos elementos. De una poblacin finita de tamao N, donde todos los elementos son igualmente probables de ser tomados, se toma r muestras de tamao L no intersecadas cada una sin remplazo y sin tener en cuenta el orden dentro de cada muestra y que s importe el orden entre las diferentes r muestras.Como rL es el total de elementos tomados de la poblacin se tiene la restriccin que y r,L,N Naturales.

Entonces se formara un espacio muestral de vectores V, cada uno de estos vectores est compuesto de r coordenadas y cada coordenada es un conjunto de L elementos, sin que interese el orden dentro de cada conjunto, pero s el orden entre las r muestras. De los principios bsicos de conteo, arreglo y combinacin, se obtiene que el total de vectores V equiprobables es:

(!) ( 1)! ( 2)! ! (2!) ! .. ( ( !) ( ! !) ! !)( 1) ! !( 2) ! ( !2 ( ! !) !) = ! !)

() ()

()! (

1.1.- Definicin (de variacin de Cabito)Se denomina variacin de Cabito a cada uno de los vectores V formados de r muestras de tamao L no intersecadas, cada una tomada de una poblacin de tamao N sin que interese
2

el orden dentro de cada una de las muestras y que s importe el orden entre las r muestras, con la restriccin de que El nmero de variaciones de Cabito se denota por y es igual a: ! (1.1.1) = (!) ()! ; con

Ntese el caso particular cuando r es igual a 1,la

variacin de Cabito se

particulariza en tomar una muestra de tamao L de una poblacin de tamao Nsin que importe el orden interno de esta muestra; es decir, se transforma en
combinacin

! (1.1.2) 1 = !()! =

; con

En el caso particular de que L sea 1, la variacin de Cabito se particulariza en tomar r muestras de tamao 1 donde s interesa el orden entre estas muestras;
es decir, en variacin de r elementos de una poblacin de tamao N,

! (1.1.3) = = ()! 1

; con

De una poblacin finita de tamao N, donde todos los elementos son igualmente probables de ser tomados, se toma r muestras de tamao L no intersecadas cada una sin remplazo y sin tener en cuenta el orden dentro de

cada muestra y entre las diferentes r muestras. Como rL es el total de elementos tomados de la poblacin se tiene la restriccin de que

Entonces, se formara un espacio muestral de conjuntos C, cada uno de estos conjuntos tienen r elementos, donde cada elemento es un conjunto de tamao L, sin que interese el orden. De los principios bsicos de conteo, arreglo, combinacin y permutacin, se tiene que el total de conjuntos C equiprobables es:

(!) ( 1)! ( 2)! ! 1 (2!) ! .. ( ( !) ( ! ! !) ! !)( 1) ! !( 2) ! ( !2 ( ! !) !) = ! ()! ( ! !)

() ()

1.2.- Definicin (de combinacin de Cabito) Se denomina combinacin de Cabito a cada uno de los conjuntos C formados de r muestras de tamao L no intersecadas, cada una tomada de una misma poblacin de tamao N sin que interese el orden en cada una de las muestras y entre las muestras, con la El nmero de combinaciones de Cabito se denota por o simplemente por , y es igual a: ! = = (!) !()!; con
4

restriccin de que

(1.2.1)

Ntese el caso particular cuando r es igual a 1, la combinacin de Cabito se particulariza en tomar una muestra de tamao L de una poblacin de tamao N sin que importe el orden interno de esta muestra; es decir, se transforma en
combinacin

(1.2.2)

! 1 = !()! =

; con

Adems, el caso particular donde L es igual a 1, la combinacin de Cabito se particulariza en tomar r muestras de tamao 1 sin que importe el orden; es
decir; se transforma en combinacin

(1.2.3)

! = !()! = 1

; con

De una poblacin finita de tamao N, donde todos los elementos son igualmente probables de ser tomados, se toma r muestras de tamao L no intersecadas cada una sin remplazo y teniendo en cuenta el orden dentro de cada muestra y el orden entre las diferentes r muestras. Como rL es el total de elementos tomados de la poblacin se tiene la restriccin

Entonces, se formara un espacio muestral de vectores P, cada uno de estos vectores est compuesto de r coordenadas, donde cada coordenada es un vector de L coordenadas.

De los principios bsicos de conteo, arreglo, combinacin y permutacin, se obtiene que el total de vectores P equiprobables es:

( ) = !

! (!) ( ( !) !) ! ( !)

1.3.- Definicin (de permutacin de Cabito) Se denomina permutacin de Cabito a cada uno de los vectores P formados de r coordenadas, donde cada coordenada es un vector de L coordenadas, no intersecadas, cada una tomada de una poblacin de tamao N con importancia en el orden dentro de cada una El nmero de permutaciones de Cabito se denota por y es igual a: ! = ; con ()! de las muestras y entre las r muestras, con la restriccin de que

(1.3.1)

Ntese el caso particular cuando r es igual a 1, la permutacin de Cabito se particulariza en tomar una muestra de tamao L de una poblacin de tamao N donde s importa el orden interno de esta muestra; es decir, se transforma en
variacin

(1.3.2)

! 1 = ()! =

; con

Adems, en el caso particular donde rL es igual a N, la permutacin de Cabito se particulariza en tomar los N elementos fraccionarles en r partes y que importe el orden tanto interno de las partes como entre las partes, es lo mismo que permutacin de N, () ;es decir, hacer esto no depende de r. = ! = ()

(1.3.3)

De una poblacin finita de tamao N, donde todos los elementos son igualmente probables de ser tomados, se toma r muestras de tamao L no intersecadas cada una sin remplazo y teniendo en cuenta el orden dentro de cada muestra y sin que importe el orden entre las diferentes r muestras. Como rL es el total de elementos tomados de la poblacin, se tiene la restriccin

De donde se formara un espacio muestral de conjuntos Vi, cada uno de estos conjuntos tienen r elementos, donde cada elemento es un vector de dimensin L. De los principios bsicos de conteo, variacin y permutacin, se tiene que el total de conjuntos Vi equiprobables es:

! ()!

! ( ! !)

1.4.- Definicin (de variacin inversa de Cabito) Se denomina variacin inversa de Cabito a cada uno de los conjuntos Vi formados de r vectores de tamao L no intersecadas cada una tomada de una poblacin de tamao N sin El nmero de variaciones inversas de Cabito se denota por y es igual a: ! (1.4.1) = !()! ; con que interese el orden entre los r vectores, con la restriccin de que

Ntese el caso particular cuando r es igual a 1, la variacin inversa de Cabito se particulariza en tomar una muestra de tamao L de una poblacin de tamao N donde s importa el orden interno de esta muestra; es decir, se
transforma en variacin

! (1.4.2) 1 = ()! =

; con

En el caso particular de que L sea 1, la variacin inversa de Cabito se particulariza en tomar r muestras de tamao 1 donde no interesa el orden entre estas muestras; es decir, en combinacin de r elementos de una poblacin de
tamao N,

 ! (1.4.3) = !()! = 1

; con

El siguiente cuadro resume los cuatro principios de conteo para tomar r muestras, cada una de tamao L de una poblacin finita de tamao N.

Importa el orden En cada muestra No importa el orden

Entre las muestras Importa el orden No importa el orden Permutacin de Variacin inversa de Cabito Cabito
! = ( !)

Combinacin de Cabito
= ! = ()! ( ! !)

Variacin de Cabito
= ! !)

! = ( ! !)

()! (

Estos cuatro principios de conteo pueden generalizarse para el caso de que las muestras sean de diferente tamao; es decir, se tiene r muestras de tamao L1, L2., Lr, as, estos cuatro principios se les denominar de la misma manera, adicionando la palabra Generalizada. formados de r variacin generalizada de Cabito a cada uno de los vectores 1.5.- Definicin (de variacin generalizada de Cabito) Se denomina

muestras de tamao L1, L2..., Lr no intersecadas, cada una tomada de una muestras y que s importe el orden entre las r muestras, con la restriccin de que

poblacin de tamao N sin que interese el orden dentro de cada una de las r

El nmero de variaciones generalizadas de Cabito y es igual a: , , ,

se denota por

(1.5.1)

Con

! ! = , , , ( !)( !)( )!

1.6.- Definicin (de combinacin generalizada de Cabito) Se denomina formados combinacin generalizada de Cabito a cada uno de los conjuntos

de r muestras de tamao L1, L2, ,Lr no intersecadas, cada una tomada de una misma poblacin de tamao N sin que interese el orden en cada una de las muestras y entre las muestras, con la restriccin de que o simplemente por , y es igual a: , , , , , ,

El nmero de combinaciones generalizadas de Cabito se denota por

(1.6.1)

! = = , , , , , , ( !)( !)( )!

muestra ms grande, con

Donde ri es el nmero de muestras con i elementos y t es el tamao de la

1.7.- Definicin (de permutacin generalizada de Cabito) Se denomina

r coordenadas, donde cada coordenada es un vector de coordenadas,L1, L2,

formados de permutacin generalizada de Cabito a cada uno de los vectores

,Lr no intersecadas, cada una tomada de una poblacin de tamao N con importancia en el orden dentro de cada una de las muestras y entre las r muestras, con la restriccin de que y es igual a: , , ,

El nmero de permutaciones generalizadas de Cabito se denota por

10

(1.7.1) ! ! = , , , ( !)( )!

Con

1.8.- Definicin (de variacin inversa generalizada de Cabito) Se denomina variacin inversa generalizada de Cabito a cada uno de los conjuntos

formados de r vectores de tamao L1, L2, ,Lr no intersecadas, cada una vectores, con la restriccin de que

tomada de una poblacin de tamao N sin que interese el orden entre los r y El nmero de variaciones inversas de Cabito se denota por , , ,

es igual a: (1.8.1)

! = , , , ( !)( )!

vector ms grande, con

Donde ri es el nmero de vectores con i coordenadas y t es el tamao del

El siguiente cuadro resume los cuatro principios generales de tomar r muestras cada una de tamao L1, L2, ,Lr poblacin finita de tamao N. no intersecadas sin repeticiones de una

11

Importa el orden En cada muestra No importa el orden

Entre las muestras Importa el orden No importa el orden Variacin inversa generalizada de Permutacin generalizada de Cabito Cabito , , , , , , ! ! ! = = ( !)( )! ( !)( )!

Variacin generalizada de Cabito Combinacin generalizada de Cabito , , , = , , , , , , ! ! = ! ( !)( !)( )! = ( !)( !)( )!

12

2.- Distribucin de probabilidad de r muestras de tamao L no intersecadas tomadas de una poblacin finita de tamao N. (Distribucin hipergeomtrica de Cabito DC) DC(N,M,r,L) 2.1.- Cardinalidad de las combinaciones de Cabito Si una poblacin finita de N elementos de los cuales M cumplen cierta condicin, nos interesa el nmero de combinaciones de Cabito de r muestras Min(L,M) para todo i = 1, 2, 3, .r y con min (, ) de tamao L con x1, x2,xr elementos de M en cada muestra, tal que xi

La cardinalidad se la representa por: card(x1-x2--xr), si algn xi toma el valor de cero se puede omitir, adems, como en las combinaciones de Cabito no importa el orden entre muestras, por lo tanto, el orden de los xi no representa otro cardinal, de preferencia se colocar de mayor a menor para evitar confusin con otros cardinales iguales. Sea ri el nmero de muestras con i elementos de M, con i = 0, 1, 2, g donde g = Min(L,M), adems se tiene que = , la cardinalidad est dada por:

( 1) . 1 2

( 1) = . 1 2 1

( )

13

(2.1.1)

( )

( ) =

Con g = Min(L,M) y Min (, )o su equivalente (, )

La frmula 2.1.1 no es nica para determinar la cardinalidad de una combinacin de Cabito determinada; en este caso particular, se comenz ensamblando en la combinacin los elementos de M para luego ensamblar las muestras que no tienen elementos de M y a continuacin rellenar las muestras que llevan elementos de M y completarlas con elementos que no son de M. Ntese que en la frmula al completar las muestras que tienen M elementos que no son de M, estas se realizan con variaciones de Cabito. La siguiente demostracin comprueba que se puede realizar el ensamble de otra forma. Demostrar la siguiente igualdad: con

(2.1.2)

= N! (N r L )! = (N r L )! (L !) r ! (N r L r L )! (L !)

! ( )! ( !) ! ( )! ( !) ( )! = 14

(L

!) (N

N!

r L )! (L

!) r

(N r L )! ! (N r L r L )!

Tambin el relleno que se realiza con variaciones de Cabito puede sustituirse por su equivalente de producto de combinaciones de cabito de una muestra, como lo indica la siguiente demostracin: Demostrar la siguiente igualdad: N iL N (2.1.3) V r = 1 L L

N! (N L)! (N 2L)! (N (r 2)L)! (N (r 1)L)! ... (L!)(N L)! (L!)(N 2L)! (L!)(N 3L)! (L!)(N (r 1)L)! (L!)(N rL)! = N N! = V r (L!) (N rL)! L

N N L N 2L N iL N (r 2)L N (r 1)L 1 = 1 1 1 1 1 L L L L L L

2.2.- Funcin de Probabilidad Si a cada una de las combinaciones de Cabito de r muestras de tamao L, tomadas de una poblacin de tamao N, se le asigna el mismo peso de ocurrencia, la probabilidad de una combinacin de Cabito particular Aest dada por:

(3.2.1) (= )

)(

15

2.3.- Esperanza y varianza La esperanza y varianza en la distribucin hipergeomtrica de Cabito como tal no tiene sentido, ya que cada combinacin de Cabito es un conjunto de nmeros, lo que s se puede considerar es la media y la varianza desde tres puntos de vista; el primero, el total de elementos de M esperados en el total de elementos que conforman las r muestras de tamao L, el segundo, la esperanza y varianza de cada una de las r muestras de tamao L, y un tercer punto de vista que consiste en tomar todas las combinaciones de Cabito posibles, calcular sus respectivas probabilidades de ocurrencia y con esta informacin proceder a calcular la media y varianza de la cantidad de elementos de M presentes en las muestras con mayor elementos de M presentes en cada combinacin de Cabito; luego, se calcula para la segunda mayor componente, y as sucesivamente asta la r- sima componente; a este punto de vista se le llama mejor esperanza y varianza de los adversarios.

2.3.1- Esperanza y varianza global. El total de elementos presentes en las r muestras de tamao L que conforman una combinacin de Cabito es rL, por lo que este total es una muestra de tamao rL tomada de una poblacin finita de tamao N; por lo que el nmero de elementos de M presentes en esta muestra de tamao rL sigue una distribucin hipergeomtrica de parmetros H(N,M,rL), por lo que la media y la varianza esta dada por:

(2.3.1.1)= ) ( (2.3.1.2)

(= )

16

2.3.2.- Esperanza y varianza de las componentes. Cada una de las r muestras de tamao L ha sido tomada de una poblacin de tamao N, por lo que el nmero de elementos de M presentes en una muestra de tamao L sigue una distribucin hipergeomtrica por lo que la media y la varianza esta dada por: de parmetros H(N,M,L)

(2.3.2.1) (2.3.2.2)

= )( (= )

2.3.3.- Mejor Esperanza de los adversarios y su varianza. Si se calcula las probabilidades de todas las combinaciones de Cabito posibles, y con esta informacin se procede a calcular la media y varianza de la cantidad de elementos de M presentes en las muestras con mayor elementos de M de cada combinacin de Cabito, tendramos la mejor media de los adversarios y su varianza, este procedimiento se puede repetir para las muestras en segunda cantidad de mayores elementos de M en cada combinacin de Cabito y as sucesivamente r veces. Por lo que las frmulas a utilizar son:

(2.3.3.1) =

Donde j es la cantidad de cardinalidades de combinaciones de Cabito distintas, i = 1ro, 2do, 3ro,..,r-simo representa las muestras con i-simo mayor elementos de M , as, Xik es la cantidad de elementos de M presentes en la muestra con i-simo mayor elementos de M en la combinacin de Cabito k, cuya probabilidad de ocurrencia es Pk
17

(2.3.3.2)
P (E ) V = X

Donde se forman los vectores: (2.3.3.3) E , E , . . E (2.3.3.4) V , V , . . V

Donde (2.3.3.3) es el vector mejor Esperanza de los adversarios y (2.3.3.4) es el vector varianza de los adversarios. Una interpretacin castiza de la mejor esperanza de los adversarios es: El mejor promedio que puede ofrecer la competencia El siguiente cuadro muestra la relacin entre las leyes de distribucin hipergeomtrica y multihipergeomtrica (ambas con una sola muestra) con las leyes de distribucin hipergeomtricas y multihipergeomtrica de Cabito (ambas para r muestras de igual tamao), el sentido de las flechas van de lo general a lo particular.

18

r muestras del mismo tamao

Una muestra muestras Hipergeomtrica

Hipergeomtrica de Cabito

Multihipergeomtrica de Cabito

Multihipergeomtrica omUnamuesmuestras

Ejemplos

1.- Dado el conjunto de elementos , , , , , encontrar las combinaciones y variaciones de Cabito de dos muestras de tamao dos. Solucin Se tiene: N = 5; r = 2; L = 2 5 El nmero de combinaciones de Cabito es2 = 15 y son: 2

(, ), (, ) ; (, ), (, ) ; (, ), (, ) ; (, ), (, ) ; (, ), (, ) ; (, ), (, );(, ), (, );(, ), (, );(, ), (, );(, ), (, ). conjuntos. (, ), (, ) ; (, ), (, ) ; (, ), (, ) ; (, ), (, ) ; (, ), (, ) ;

Ntese que las combinaciones de Cabito son conjuntos cuyos elementos son

19

5 El nmero de variaciones de Cabito es 2 = 30 y son: 2

(, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, );

(, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, );

(, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, ); (, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, ).

(, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, );

(, ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, )( ; , ), (, ); Ntese que las variaciones de Cabito son vectores cuyas coordenadas son conjuntos. 2.- En un sorteo de una rifa de 20 boletos numerados del 1 al 20, Juan, Pedro y Mara reciben dos boletos cada uno de forma aleatoria. Cul es la probabilidad de que: a) Juan reciba el par (3,8), Pedro el par (5,9) y Mara el (11,16), respectivamente? b) Ocurran los mismos tres pares del literal anterior en indiferente orden de la persona que lo recibe?

Solucin a) () = 1 1 = 20 3488400 3 2

b) 1 1 = 20 581400 3 2
20

() =

3.- Calcular:

25 25 25 25 ; ; ; ; 2,2,2,3,3,4,6 2,2,2,3,3,4,6 2,2,2,3,3,4,6 2,2,2,3,3,4,6 ! = = , , , , , , ( !)( !)( )!

De la formula (1.6.1)

25! 25 25 = = 2,2,2,3,3,4,6 2,2,2,3,3,4,6 (2! 2! 2! 3! 3! 4! 6!)(3! 2! 1! 1!)(25 22)! = 43288940494800000

De la formula (1.5.1)

25! 7! 25 25 = = 2,2,2,3,3,4,6 2,2,2,3,3,4,6 (2! 2! 2! 3! 3! 4! 6!)(3! 2! 1! 1!)(25 22)! = 218176260093792000000

! ! = , , , ( !)( !)( )!

De la formula (1.8.1)

25! 25 25 = = 2,2,2,3,3,4,6 2,2,2,3,3,4,6 (3! 2! 1! 1!)(25 22)! = 215433472824041472000000

! = , , , ( !)( )!

De la formula (1.7.1) ! ! = , , , ( !)( )!

25! 7! 25 25 = = 2,2,2,3,3,4,6 2,2,2,3,3,4,6 (3! 2! 1! 1!)(25 22)! = 1085784703033169018880000000

21

4.- Dada una distribucin de Cabito de parmetros N =52,M = 13, r = 3, L = 2. Hallar: a) El espacio muestral. b) Todas las cardinalidades del espacio muestral y comprobar su suma con el total. c) La combinacin de Cabito modal. d) la probabilidad de que al menos una muestra de la combinacin de Cabito tenga 2 elementos de M e) La esperanza y varianza tanto global como de las componentes. f) Los vectores mejor esperanza de los adversarios y su varianza. Solucin: a) min (, = )min (13,6) = 6 min (, = )min (13,2) = 2

Es decir, solo puede haber hasta 6 elementos de M en cada combinacin de Cabito, y hasta 2 elementos de M en las muestras. a) 0

1,1

1,1,1 2,1

22

2,1,1 2,2,1 2,2

2,2,2 Otra forma de dar el espacio muestral es completando las muestras que no tienen elementos de M con ceros, as se tiene: 0,0,0

1,0,0

1,1,0

2,0,0

1,1,1

2,1,0

2,1,1

2,2,0

2,2,1

2,2,2 b) Utilizando la frmula (2.1.1) 13 39 ( 0) = 0 3 = 48939345 2 2

13 39 37 ( 1 1) = 2 2 1 = 76986936 1 1 2
23

13 39 38 (1) = 1 1 2 = 112272615 1 1 2

13 11 39 38 (2 1) = 1 1 1 1 = 23523786 2 1 1 2 39 13 11 (2 1 1) = 1 2 2 = 6357780 2 1 1 13 39 (2 2) = 2 1 = 1589445 2 2

13 39 ( ) 1 1 1 = 3 3 = 15682524 1 1

13 39 ( ) 2 = 1 2 = 19246734 2 2

13 9 39 (2 2 1) = 2 1 1 = 752895 2 1 1 13 39 ( 2 2 2) = 3 0 = 25740 2 2 52 = 3 = 305377800 2

La suma de todas las cardinalidades s cumple con el total. c) La combinacin de Cabito modal es 1, puesto que es la que ms veces se repite. d) Sea A el evento de que al menos una muestra de la combinacin de Cabito tenga 2 elementos de M Por lo tanto:

24

) ( =

)(2,2,2 (2,2,1) + (2,2) + (2,1,1) + (2,1) + (2) + 52 3 2 = 51496380 = 0,1686317 305377800

)e )De las frmulas (2.3.1.1) y (2.3.1.2 = ) ( 3 2

= ) (

= ) (

= )(

1 1 69 68

)De las frmulas (2.3.2.1) y (2.3.2.2 1 2

= )(

= )(

= )(

= )(
25

1 1 25 68

f) Para facilidad de clculo, se utiliza una hoja electrnica, colocando todos los conjuntos posibles ordenando sus componentes de mayor a menor, a continuacin, sus respectivas probabilidades y se procede a calcular con las frmulas (2.3.3.1) y (2.3.3.2) para poder conformar los vectores (2.3.3.3) y (2.3.3.4)

X mayor 0 1 1 2 1 2 2 2 2 2

X 2 mayor 0 0 1 0 1 1 1 2 2 2

do

X menor 0 0 0 0 1 0 1 0 1 2 Total

Cardinal 48939345 112272615 76986936 19246734 15682524 23523786 6357780 1589445 752895 25740 305377800

Probabilidad 0,160258359 0,367651529 0,252103905 0,063025976 0,051354499 0,077031749 0,020819392 0,005204848 0,002465454 8,4289E-05 1

X mayorP 0 0,367651529 0,252103905 0,126051953 0,051354499 0,154063498 0,041638783 0,010409696 0,004930909 0,000168578 1,008373349

X 2 mayorP 0 0 0,252103905 0 0,051354499 0,077031749 0,020819392 0,010409696 0,004930909 0,000168578 0,416818727

X menorP 0 0 0 0 0,051354499 0 0,020819392 0 0,002465454 0,000168578 0,074807923

Por lo que el vector mejor esperanza de los adversarios es: 1,008373349

X mayorP 0 0,367651529 0,252103905 0,252103905 0,051354499 0,308126995 0,083277566 0,020819392 0,009861817 0,000337156
2

0,416818727
X menorP 0 0 0 0 0,051354499 0 0,020819392 0 0,002465454 0,000337156 0,074976501
2

0,074807923

X 2 mayorP 0 0 0,252103905 0 0,051354499 0,077031749 0,020819392 0,020819392 0,009861817 0,000337156 0,43232791

do

Total

1,345636765

26

Por lo que el vector varianza de la mejor esperanza de los adversarios es: (0,328819953685799 0,258590058300146 0,0693802758698943)

5.-

En un torneo de Texas Holdem, uno de los siete jugadores tiene la

siguiente mano:

conflop: Se desea saber hasta ese momento cul es la probabilidad de que al menos uno de sus seis competidores tenga una mejor mano que l. Solucin: Cada uno de sus seis competidores tiene dos cartas, no importa el orden de estas dos cartas y no importa el orden entre los seis diferentes pares; adems, solo le puede ganar hasta ese instante un jugador que tenga dos reyes de los tres que quedan, por lo que sigue una DC con N = 47; M = 3; r = 6; L = 2, DC(47,3,6,2) min (, = )min (3,12) = 3 min (, = )min (3,2) = 2

Es decir, en una combinacin de Cabito solo puede ir hasta 3 reyes, y en cada muestra hasta 2 reyes, de las diferentes combinaciones de estos elementos solo nos interesa card(2) y card(2-1); el primero representa el nmero de combinaciones de Cabito con un par de reyes en una muestra y el resto de pares no tiene reyes, mientras que el segundo representa el nmero de combinaciones de Cabito donde aparece en una muestra un par de reyes y en una de las restantes cinco muestras hay un rey. A: al menos uno de los jugadores tiene un mejor juego.

27

x =2, 2-1

3 44 3 1 44 43 1 5 + 1 1 1 4 ()() 2 2 1 1 2 (= ) = 2 47 6 2 7034362965630 + 2009817990180 = 543153311846145 = 9044180955810 = 0,0166512488436633 543153311846145

Es decir, solo existe un 1,6651% de que al menos uno de los seis competidores tenga un mejor juego hasta ese momento. 5.- En un torneo de Texas Holdem, uno de los diez jugadores tiene la siguiente mano:

conflop: a) Se desea saber hasta ese momento cul es la probabilidad de que al menos uno de sus nueve competidores tenga una mejor mano que l. b) Si hubiese un solo competidor cul sera la probabilidad de que este tenga mejor juego. c) Con la respuesta del literal b) y utilizando una aproximacin binomial calcular el literal a) d) Cuntos competidores tendran que haber para que el riesgo de que al menos uno tenga un mejor juego hasta ese momento no supere el 10%

Solucin:
28

a) Cada uno de sus nueve competidores tiene dos cartas, no importa el orden de estas dos cartas y no importa el orden entre los nueve diferentes pares de los competidores; adems, solo le puede ganar hasta ese instante si un jugador tiene dos diamantes de los diez que quedan, por lo que sigue una DC con N = 47; M = 10; r = 9; L = 2. DC(47,10,9,2) min (, = )min (10,18) = 10 min (, = )min (10,2) = 2

A: al menos uno de los nueve competidores tiene un par de diamantes. x =2,2-1,2-1-1,2-2,2-1-1-1,2-2-1,2-1-1-1-1,2-2-1-1,2-2-2,2-1-1-1-1-1, 2-2-1-1-1, 2-2-2-1, 2-1-1-1-1-1-1, 2-2-1-1-1-1, 2-2-2-1-1, 2-2-2-2, 2-1-1-1-1-1-1-1-1-1, 2-21-1-1-1-1, 2-2-2-1-1-1, 2-2-2-2-1, 2-1-1-1-1-1-1-1-1, 2-2-1-1-1-1-1-1, 2-2-2-1-11-1, 2-2-2-2-1-1, 2-2-2-2-2. Resulta ms fcil la regla del complemento. ( = )1 ( ) = 1
()()()()..()

10 37 36 10 37 21 (1) = 1 1 8 = 1 8 1 = 5480898601595920000 1 1 2 1 2 1 10 37 36 35 10 37 35 ( ) 1 1 = 2 1 1 7 = 2 2 7 1 1 1 1 1 2 2 = 18791652348328900000

29

10 37 (0) = 0 9 = 608988733510658000 2 2

10 37 36 35 34 10 37 34 (1 1 1) = 3 1 1 1 6 = 3 3 6 1 1 1 2 1 1 2 1 10 37 33 ( ) 1 1 1 1 = 4 4 5 = 29115919844051000000 1 1 2 = 31888864591103500000

37 30 10 (1 1 1 1 1 1 1) = 7 7 2 = 511928260994304000 2 1 1 37 29 10 (1 1 1 1 1 1 1 1) = 8 8 1 2 1 1 = 28440458944128000

10 37 31 (1 1 1 1 1 1) = 6 6 3 = 3882122645873470000 1 1 2

10 37 32 (1 1 1 1 1) = 5 5 4 = 14557959922025500000 1 1 2

10 37 28 ( 1 1 1 1 1 1 1 1 1) = 9 9 0 1 1 2 ( = )1 = 451435856256000 1,0486710 = 0,3338929 47 9 2

Es decir, hay un 33,389% de probabilidad de que al menos uno de sus competidores tiene un mejor juego hasta ese momento. b) r =1

30

10 37 1 0 2 = 0,041628122 ( = ) 2 47 1 2

c) binomial N=9 p = 0,041628122

(0,041628122) (1 0,041628122) ( ( = )1) = 1 ( = 0) = 1

= 0,317965170898

d) Con r = 2 10 37 10 8 37 1 1 + 1 1 1 2 2 1 1 = 0,080901522 ( = )2 47 2 2 (0) + (1) + (1 1) + ( 1 1 1) 47 3 2

Con r = 3 ( = ) 1

31

=1

10 37 10 37 36 10 37 35 10 37 34 0 3 + 1 1 2 + 2 2 1 + 3 3 0 2 1 1 2 1 1 1 1 2 2 2 47 3 2 = 0,12137184 Hasta con dos competidores el riesgo (probabilidad)de que uno de estos tenga hasta ese momento un mejor juegono superara el 10%

32

Conclusiones De los principios de conteo En la nomenclatura utilizada, el trmino de Cabito hace referencia a varias muestras de igual tamao y el trmino generalizado de Cabito hace referencia a varias muestras de varios tamaos. Los principios de conteo de Cabito y los generalizados de Cabito proporcionan una visin ms amplia del anlisis combinatorio. Los principios de conteo de Cabito y los generalizados de Cabito proporcionan una herramienta verstil para resolver ejercicios ms complejos del anlisis combinatorio. Cuando r = 1; es decir, se toma una muestra, los principios de conteo de Cabito se reducen a los principios bsicos conocidos de anlisis combinatorio. Cuando L = 1; es decir, se toman varias muestra cada una de tamao 1, los principios de conteo de Cabito se reducen a los principios bsicos conocidos de anlisis combinatorio.

De la ley hipergeomtrica de Cabito Los parmetros de la distribucin hipergeomtricade Cabito son N, M, r, L. Para valores dados de parmetros en la distribucin hipergeomtrica de Cabito el espacio muestral son conjuntos de nmeros. Cuando r = 1; es decir, se toma una sola muestra, la ley hipergeomtrica de Cabito se particulariza en la ley hipergeomtrica. La ley hipergeomtrica de Cabito tiene muchas aplicaciones prcticas, se la puede utilizar en tasaciones de probabilidades de varios competidores en juegos de tasar, o en tasacin de fuerzas de varios enemigos o un solo enemigo con varios frentes en conflictos militares,
33

adems de varias aplicaciones de competidores en negocios o economa. Existir algn algoritmo para la mejor media de los adversarios y su varianza, sin necesidad de calcular todas las probabilidades? Existir algn algoritmo para dar la combinacin de Cabito modal? Qu algoritmos tendr la ley multihipergeomtrica de Cabito?

Referencias bibliogrficas A.N. Kolmogorov, Foundations of the Theory of Probability (Second English Edition), Chelsea Publishing Company, New York, 1956 A.N. Kolmogorov, Grundbegriffe der Wahrscheinlichkeitsrechnung,

Berlin, 1933. Apostol Tom M, Calculus, Multi-Variable Calculus and Linear Algebra, with Applications to Differential Equation and Probability, Blaisdell Publishing Company, 1967 Galindo Edwin, Estadstica mtodos y aplicaciones (segunda edicin), Prociencia editores, Quito, 2006. Rincn, L. (2007). Curso intermedio de probabilidad. Mxico: UNAM.

34