Conjuntos Y Tecnicas De Conteo

conjuntos

un conjunto es una coleccion bien definida de objetos a los cuales tambien llamamos los elementos de un conjunto.

A los conjuntos los identificamos con letras mayusculas y a los elementos con letras minusculas, encerrados en {}.

los conjuntos se pueden describir de 2 formas:

1.- metodo de la lista. consiste en enumerar a todos los elementos que pertenecen a dicho conjunto. ejemplo:
A={1,2,3,4,5,6}
B={a,e,i,o,u}
2.- metodo de la regla consiste en definir la caracteriztica comun para ser considerado un elemento. ejemplo.
A= x
b= {x|x sea una letra vocal
CONJUNTO UNIVERSO Es el conjunto mas extenso por el cual existe un interes en el estudio o analisis que se esta realizando (espacio
muestralo poblacion, asi lo llamaremos en probabilidad) se representa con la letra omega.
CONJUNTO VACIO Es el conjunto que se puede definir por regla, pero no posee elementos. se simboliza con {}.
CONJUNTO COMPLEMENTARIO Esta formado con el conjunto de todos los elementos del universo que no pertenecen al conjunto
estudiado, es decir, el complemento de un conjunto A es el conjunto de todos los elementos del universo que no son elementos de A. se
simboliza con la misma letra del conjunto acompañado de una comilla.
para representar a los conjuntos se utilizan los diagramas de Venn.
union.- la union de dos conjuntos A y B es el conjunto que consta de todos los elementos que se encuentran en A o en B o en ambos.
interseccion.- la interseccion de dos conjuntos A y B es el conjunto que contiene a todos los elementos que pertenecen a A y que
necesariamente pertenecen a B.
Concepto Clasico Y Como Frecuencia Relativa
PROBABILIDAD
1. Introducción
• Se indicaba en el capítulo anterior que cuando un experimento aleatorio se repite un gran número de veces, los posibles resultados
tienden a presentarse un número muy parecido de veces, lo cual indica que la frecuencia de aparición de cada resultado tiende a
estabilizarse
• El concepto o idea que generalmente se tiene del término probabilidad es adquirido de forma intuitiva, siendo suficiente para
manejarlo en la vida corriente
Nos interesa ahora la medida numérica de la posibilidad de que ocurra un suceso A cuando se realiza el experimento aleatorio. A esta
medida la llamaremos probabilidad del suceso A y la representaremos por p(A)
La probabilidad es una medida sobre la escala 0 a 1 de tal forma que:
• Al suceso imposible le corresponde el valor 0
• Al suceso seguro le corresponde el valor 1
• El resto de sucesos tendrán una probabilidad comprendida entre 0 y 1 El concepto de probabilidad no es único, pues se puede
considerar desde distintos puntos de vista:
• El punto de vista objetivo
• Definición clásica o a priori
• Definición frecuentista o a posteriori
• El punto de vista subjetivo
2. Definición Clásica de la Probabilidad
Sea un experimento aleatorio cuyo correspondiente espacio muestral E está formado por un número n finito de
posibles resultados distintos y con la misma probabilidad de ocurrir {e1, e2, … , en}
Si n1 resultados constituyen el subconjunto o suceso A1, n2 resultados constituyen el subconjunto o suceso A2 y,
en general, nk resultados constituyen el subconjunto o suceso Ak de tal forma que:
es decir, que la probabilidad de cualquier suceso A es igual al cociente entre el número de casos favorables que
integran el suceso A Regla de Laplace para E finitos y el número de casos posibles del espacio muestral E.
• Para que se pueda aplicar la regla de Laplace es necesario que todos los sucesos elementales sean equiprobables,
es decir:
• Siendo A=
La probabilidad verifica las siguientes condiciones:
• La probabilidad de cualquier suceso es siempre un número no negativo entre 0 y 1
• La probabilidad del suceso seguro E vale 1
• La probabilidad del suceso imposible es 0
• La probabilidad de la unión de varios sucesos incompatibles o excluyentes A1, A1,…, Ar es igual a la suma de
probabilidades de cada uno de ellos
Esta definición clásica de probabilidad fue una de las primeras que se dieron (1900) y se atribuye a Laplace;
también se conoce con el nombre de probabilidad a priori pues, para calcularla, es necesario conocer, antes de
realizar el experimento aleatorio, el espacio muestral y el número de resultados o sucesos elementales que entran
a formar parte del suceso

La aplicación de la definición clásica de probabilidad puede presentar dificultades de aplicación cuando el espacio
muestral es infinito o cuando los posibles resultados de un experimento no son equiprobables. Ej: En un proceso
de fabricación de piezas puede haber algunas defectuosas y si queremos determinar la probabilidad de que una
pieza sea defectuosa no podemos utilizar la definición clásica pues necesitaríamos conocer previamente el
resultado del proceso de fabricación

Para resolver estos casos, se hace una extensión de la definición de probabilidad, de manera que se pueda aplicar
con menos restricciones, llegando así a la definición frecuentista de probabilidad

3. Definición Frecuentista de la Probabilidad

La definición frecuentista consiste en definir la probabilidad como el límite cuando n tiende a infinito de la
proporción o frecuencia relativa del suceso.
Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n
veces el experimento en las mismas Condiciones, la frecuencia relativa del suceso A será:
Cuando el número n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que
llamaremos probabilidad del suceso A.
Es imposible llegar a este límite, ya que no podemos repetir el experimento un número infinito de veces, pero si
podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse
Esta definición frecuentista de la probabilidad se llama también probabilidad a posteriori ya que sólo podemos
dar la probabilidad de un suceso después de repetir y observar un gran número de veces el experimento aleatorio
correspondiente. Algunos autores las llaman probabilidades teóricas
4. Definición Subjetiva de la Probabilidad
Tanto la definición clásica como la frecuentista se basan en las repeticiones del experimento aleatorio; pero
existen muchos experimentos que no se pueden repetir bajo las mismas condiciones y por tanto no puede aplicarse
la interpretación objetiva de la probabilidad
En esos casos es necesario acudir a un punto de vista alternativo, que no dependa de las repeticiones, sino que
considere la probabilidad como un concepto subjetivo que exprese el grado de creencia o confianza individual
sobre la posibilidad de que el suceso ocurra
Se trata por tanto de un juicio personal o individual y es posible por tanto que, diferentes observadores tengan
distintos grados de creencia sobre los posibles resultados, igualmente válidos
5. Definición Axiomática de la Probabilidad

La definición axiomática de la probabilidad es quizás la más simple de todas las definiciones y la menos
controvertida ya que está basada en un conjunto de axiomas que establecen los requisitos mínimos para dar una
definición de probabilidad. La ventaja de esta definición es que permite un desarrollo riguroso y matemático de la
probabilidad. Fue introducida por A. N. Kolmogorov y aceptada por estadísticos y matemáticos en general
2.3 Espacio muestral y eventos
El uso de conjuntos representados por diagramas de Venn, facilita la compresión de espacio muestral y evento, ya
que el espacio muestral S, se puede equiparar con el conjunto universo, debido a que S contiene la totalidad de los
resultados posibles de un experimento, mientras que los eventos E contienen solo un conjunto de resultados
posibles del experimento, mientras que los puntos muestrales se equiparan con los elementos.
Vamos a suponer que el experimento que se realiza es el lanzamiento de un dado y queremos conocer ¿cuál es la
probabilidad de que caiga un 3 o un 5? Si S contiene la totalidad de los resultados posibles, entonces S = {1, 2, 3, 4,
5, 6} puesto que el dado tiene 6 caras y si buscamos la probabilidad P de que caiga 3 o 5, esto constituye un evento
entonces, E = {3, 5}.
El espacio muestral S, está representado por un rectángulo, este contiene eventos E representados a través de
círculos y puntos muestrales. Dado que en E existen dos elementos y en S seis, la probabilidad P de que ocurra E
es 2 de 6 y se obtiene al dividir el número de elementos en E sobre el número de elementos en S.
Espacio Muestral.- Se llama espacio muestral (E) asociado a un experimento aleatorio, el conjunto de todos los
resultados posibles de dicho experimento. Al lanzar una moneda, el espacio muestral es E = {sale cara, sale sello} ó
E = {c, s}.
Al lanzar un dado de seis caras, el espacio muestral es E = {sale 1, sale 2, sale 3, sale 4, sale 5, sale 6} ó E = {1, 2, 3,
4, 5, 6}
Al lanzar dos monedas, el espacio muestral es E = (c,c), (c,s), (s,c), (s,s).
Al lanzar tres monedas, el espacio muestral es E = (c,c,c), (c,c,s), (c,s,c), (c,s,s), (s,c,c), (s,c,s), (s,s,c), (s,s,s) Evento o
Suceso: Se llama evento o suceso a todo subconjunto de un espacio muestral. Por ejemplo en el espacio muestral E
= {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los siguientes son eventos:
1. Obtener un número primo A = {2, 3, 5} 2. Obtener un número primo y par B = {2} 3. Obtener un número
mayor o igual a 5 C = {5, 6}
ANA KAREN GONZÁLEZ PULIDO ITD

B) AXIOMAS Y TEOREMAS.
Para el cálculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a continuación se
enumeran.
1)La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.
0 £ p(A) ³ 1
2)La probabilidad de que ocurra el espacio muestral d debe de ser 1.
p(d) = 1
3)Si A y B son eventos mutuamente excluyentes, entonces la p(AÈB) = p(A) + p(B)
Generalizando:
Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,…..An, entonces;
p(A 1 ÈA 2 È?………ÈAn) = p(A1) + p(A2) + …….+ p(An)
TEOREMAS
TEOREMA 1. Si f es un evento nulo o vacío, entonces la probabilidad de que ocurra f debe ser cero.
p(f)=0
DEMOSTRACIÓN:
Si sumamos a fun evento A cualquiera, como f y A son dos eventos mutuamente excluyentes, entonces
p(AfÈ)=p(A) +p(f)=p(A). LQQD
TEOREMA 2. La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 – p(A)
DEMOSTRACIÓN:
Si el espacio muestral d, se divide en dos eventos mutuamente exclusivos, A y Ac luego d=AÈAc, por tanto
p(d)=p(A) + p(Ac) y como en el axioma dos se afirma que p(d)=1, por tanto, p(Ac)= 1 - p(A) .LQQD
TEOREMA 3. Si un evento A Ì B, entonces la p(A) £ p(B).
DEMOSTRACIÓN:
Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por tanto, B=AÈ(B \ A)
y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)³0 entonces se cumple que p(A)£p(B). LQQD
TEOREMA 4. La p( A \ B )= p(A) – p(AÇB)
DEMOSTRACIÓN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar en dos eventos
mutuamente excluyentes, (A \ B) y AÇB, por tanto, A=(A \ B)È(AÇB), luego p(A)=p(A \ B) + p(AÇB), entonces,
p(A \ B) = p(A) – p(AÇB). LQQD
TEOREMA 5. Para dos eventos A y B, p(AÈB)=p(A) + p(B) – p(AÇB).
DEMOSTRACIÓN:
Si AÈB = (A \ B) È B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A È B) = p(A \ B) +
p(B) y del teorema anterior tomamos que p(A \ B) = p(A) – p(AÇB), por tanto, p(AÈB) = p(A) + p(B) – p(AÇB).
LQQD
COROLARIO:
Para tres eventos A, B y C, p(AÈBÈC) = p(A) + p(B) + p© – p(AÇB) – p(AÇC) – (BÇC) + p(AÇBÇC).

ESPACIOS FINITOS EQUIPROBABLES.

Sea d un espacio muestral que contiene n elementos, d = {a1, a2, a3,….,an}, si a cada uno de los elementos de d le
asignamos una probabilidad igual de ocurrencia, pi = 1/n por tener n elementos d, entonces estamos
transformando este espacio muestral en un espacio finito equiprobable, el que debe cumplir con las siguientes
condiciones:
Las probabilidades asociadas a cada uno de los elementos del espacio muestral deben ser mayores o iguales a
cero, pi ³ 0.
La sumatoria de las probabilidades asociadas a cada elemento del espacio muestral debe de ser igual a 1.
Spi = 1
En caso de que no se cumpla con las condiciones anteriores, entonces no se trata de un espacio finito
equiprobable.
Solo en el caso de espacios finitos equiprobables, si deseamos determinar la probabilidad de que ocurra un evento
A cualquiera, entonces;
p(A) = r*1/n = r/n
p(A) = maneras de ocurrir el evento A/ Número de elementos del espacio muestral
r = maneras de que ocurra el evento A
1/n = probabilidad asociada a cada uno de los elementos del espacio muestral
n = número de elementos del espacio muestral

Probabilidad Condicional E Independencia

Eventos independientes: dos eventos A y B son independientes sisé la ocurrencia o no ocurrencia afecta la
probabilidad asignada a la ocurrencia del otro.

Algunas veces es sencillo determinar la independencia por ejemplo los dos eventos considerados se refieren a
ensayos no relacionados tales como el lanzamiento de dos monedas de diferente denominación en consecuencia los
resultados con ambas monedas son independientes. La falta de independencia o sea la dependencia es demostrada
por la siguiente ilustración considérese el experimento donde se lanzan dos dados y se observa los dos eventos la
suma es igual a 10 y número doble que se establece P(10)=3/36=1/12, P(doble)=6/36=1/6 ¿la ocurrencia de 10
afecta la probabilidad de doble? Considérese esta pregunta de la manera siguiente: a ocurrido una suma igual a
10 debe de ser uno de los resultados siguientes [(4,6),(5,5),(6,4)] una de estas tres posibilidades es número doble.

En consecuencia debe concluirse que “P” (doble sabiendo que ha ocurrido un diez), escrita

P(doble/10), es igual a 1/3 ya que un tercio es distinta a la probabilidad de un doble puede concluirse que el evento
10 afecta la probabilidad de un número doble así un doble y 10 son eventos dependientes. El símbolo
P(A/B)=P(B/A)=PB.

Considérese la probabilidad condicional. Tómese, por ejemplo, el experimento donde se lanza un dado:
S=[1,2,3,4,5,6] en este experimento pueden definirse dos eventos como A =“ocurre un 4″, y B=“ocurre un número
par”. Entonces P(A)=1/6, el evento A se satisface

exactamente por uno de los seis muéstrales igualmente probables en S. La probabilidad condicional de A dado B,
P(A/B), se encuentra de manera similar, pero S ya no es este caso el espacio muestral. Esto puede verse de la
manera siguiente: se lanza un dado sin que se pueda ver, aunque recibe la información de que el número obtenido
sea par, es decir que ha ocurrido el evento B. Esta es la condición dada, conociéndola a uno se la pide asignar la
probabilidad del evento “ocurre un 4″. Sólo haqy tres posibilidades en el nuevo espacio muestral (reducido),
[2,4,6]. Cada uno de los tres resultados es igualmente probable: en consecuencia P(A B)=1/3.
Esto puede escribirse como:
P(A/B) = P(A y B) / P(B)
REGLA DE LA MULTIPLICACIÓN
.- Regla de la multiplicación CASO GENERAL
Sean A y B dos eventos definidos en el espacio muestral S. Entonces :
P(A y B)=P(A).P(B/A)
o bien
P(A y B)=P(B).P(A/B)
Si los eventos A y B son independientes, el caso general de la regla de la multiplicación (la fórmula anterior).
.- Regla de la multiplicación CASO ESPECIAL
Sean A y B dos eventos definidos en el espacio muestral S. Si A y B son eventos independientes entonces:
P(A y B)=P(A).P(B)
Esta fórmula puede ser generalizada. Si A,B,C;…;g

Teorema de Bayes
En la teoría de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 1763 [1] que
expresa la probabilidad condicional de un evento aleatorio A dado B en términos de la distribución de probabilidad
condicional del evento B dado A y la distribución de probabilidad marginal de sólo A.
En términos más generales y menos matemáticos, el teorema de Bayes es de enorme relevancia puesto que vincula
la probabilidad de A dado B con la probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un
dolor de cabeza dado que se tiene gripe, se podría saber -si se tiene algún dato más-, la probabilidad de tener
gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestión para
la ciencia en todas sus ramas, puesto que tiene vinculación íntima con la comprensión de la probabilidad de
aspectos causales dados los efectos observados.
Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales
que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que
se conocen las probabilidades condicionales P(B | Ai). Entonces, la probabilidad P(Ai | B) viene
dada por la expresión:
donde:
• P(Ai) son las probabilidades a priori.
• P(B | Ai) es la probabilidad de B en la hipótesis Ai.
• P(Ai | B) son las probabilidades a posteriori.

Fórmula de Bayes
Además, unido a la definición de Probabilidad condicionada, obtenemos la Fórmula de Bayes, también conocida
como la Regla de Bayes:

Aplicaciones
El teorema de Bayes es válido en todas las aplicaciones de la teoría de la probabilidad. Sin embargo, hay una
controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadística tradicional
sólo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmación empírica
mientras que los llamados estadísticos bayesianos permiten probabilidades subjetivas. El teorema puede servir
entonces para indicar cómo debemos modificar nuestras probabilidades subjetivas cuando recibimos información
adicional de un experimento. La estadística bayesiana está demostrando su utilidad en ciertas estimaciones
basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en función de la
evidencia empírica es lo que está abriendo nuevas formas de hacer conocimiento. Una aplicación de esto son los
clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam,
que se adaptan con el uso.
Como observación, se tiene y su demostración resulta trivial.

Distribución conjunta
En probabilidad, dados dos eventos aleatorios X e Y, la distribución conjunta de X e Y es la distribución de la
intersección de eventos de X e Y, esto es, de los eventos X e Y ocurriendo de forma simultanea. En el caso de solo
dos variable aleatorias se denomina una distribución bivariada, pero el concepto se generaliza a cualquier número
de eventos o variable aleatorias.Caso discreto
Para variables aleatorias discretas, la función de probabilidad conjunta esta dada por:
Dadas esas probabilidades, se tiene que:

Caso continuo
De forma similar que para las variables aleatorias discretas, la función de densidad de probabilidad conjunta
puede ser escrita como fX,Y(x, y) teniendo:

Donde fY|X(y|x) y fX|Y(x|y) dan la distribución condicional de Y dado X = x y de X dado Y = y respectivamente, y fX(x)
y fY(y) dada la distribución marginal para X y Y respectivamente.
De nuevo, dado que son distribuciones de probabilidad: