conjuntos

La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un

cierto tipo de objetos llamados conjuntos y algunas veces, a otros objetos
denominados no conjuntos, así como a los problemas relacionados con estos.

El concepto de conjunto es intuitivo y se podría definir como una "agrupación bien

definida de objetos no repetidos y no ordenados"; así, se puede hablar de un
conjunto de personas, ciudades, gafas, lapiceros o del conjunto de objetos que
hay en un momento dado encima de una mesa. Un conjunto está bien definido si
se sabe si un determinado elemento pertenece o no al conjunto. El conjunto de los
bolígrafos azules está bien definido, porque a la vista de un bolígrafo se puede
saber si es azul o no. El conjunto de las personas altas no está bien definido,
porque a la vista de una persona, no siempre se podrá decir si es alta o no, o
puede haber distintas personas, que opinen si esa persona es alta o no lo es. En
el siglo XIX, según Frege, los elementos de un conjunto se definían sólo por tal o
cual propiedad. Actualmente la teoría de conjuntos está bien definida por el
sistema ZFC. Sin embargo, sigue siendo célebre la definición que publicó Cantor.
¿QUE ES UN CONJUNTO?

Un conjunto es la agrupación, clase, o colección de objetos o en su defecto de

elementos que pertenecen y responden a la misma categoría o grupo de cosas,
por eso se los puede agrupar en el mismo conjunto. Esta relación de pertenencia
que se establece entre los objetos o elementos es absoluta y posiblemente
discernible y observable por cualquier persona. Entre los objetos o elementos
susceptibles de integrar o conformar un conjunto se cuentan por supuesto cosas
físicas, como pueden ser las mesas, sillas y libros, pero también por entes
abstractos como números o letras.

CLASES DE CONJUNTOS

Conjunto Finito: Es el conjunto al que se le puede determinar su cardinalidad o

puede llegar a contar su ultimo elemento.

Ejemplo:

M= {*/x es divisor de 24}

M= {1,2,3,4,6,8,12,24}

Conjunto Infinito: Es el conjunto que, por tener muchísimos elementos, no se le

puede llegar a contar su ultimo elemento.

Ejemplo:

A= {*/x sea grano de sal}

Conjunto Vacío: Es el conjunto cuya cardinalidad es cero ya que carece de

elementos. El símbolo del conjunto vacío O o { }.

Ejemplo:

C={*/x sea habitantes del sol}

Conjunto Unitario: Es el conjunto que solo tiene un elemento. Su cardinalidad es

uno (1).

Ejemplo:

D={*/x sea vocal de la palabra "pez"}

OPERACIONES CON CONJUNTOS

UNIÓN DE CONJUNTOS:

La unión de los conjuntos A y B es el conjunto formado por todos los elementos

que pertenecen a A o a B o a ambos. Se denota: A U B. La unión de conjuntos se
define como:

A U B = {x / x € A o x € B}

INTERSECCIÓN DE CONJUNTOS:

La intersección es el conjunto formado por los elementos que son comunes entre
dos o más conjuntos dados. Se denota por A∩B, que se lee: A intersección B. La
intersección de A y B también se puede definir:

A∩ B = { x / x € A y x € B }

PROBABILIDAD CLASICA
Es el número de resultados favorables a la presentación de un evento dividido
entre el número total de resultados posibles. Asignación de probabilidad "a priori",
si necesidad de realizar el experimento.
La probabilidad clásica o teórica se aplica cuando cada evento simple del espacio
muestral tiene la misma probabilidad de ocurrir.
Fórmula para obtener la probabilidad clásica o teórica:

EJEMPLO: ¿Cuál es la probabilidad de obtener un número mayor que 3, en el

lanzamiento de un dado? Si E: 4, 5, 6, entonces el número de resultados
favorables es n (E) = 3.
Si S: 1, 2, 3, 4, 5, 6, entonces el número total de resultados posibles es (S) = 6.

Por lo tanto:
Probabilidad condicional es la probabilidad de que ocurra un evento A, sabiendo
que también sucede otro evento B. La probabilidad condicional se escribe P(A|B)
o P(A/B), y se lee «la probabilidad de A dado B».
No tiene por qué haber una relación causal o temporal entre A y B. A puede
preceder en el tiempo a B, sucederlo o pueden ocurrir simultáneamente. A puede
causar B, viceversa o pueden no tener relación causal. Las relaciones causales o
temporales son nociones que no pertenecen al ámbito de la probabilidad. Pueden
desempeñar un papel o no, dependiendo de la interpretación que se le dé a los
eventos.
Un ejemplo clásico es el lanzamiento de una moneda para luego lanzar un dado.
¿Cuál es la probabilidad que en el dado salga un 6 dado que ya haya salido una
cara en la moneda? Esta probabilidad se denota de esta manera: P(6|C).

¿Qué es una distribución continua?

Una distribución continua describe las probabilidades de los posibles valores de
una variable aleatoria continua. Una variable aleatoria continua es una variable
aleatoria con un conjunto de valores posibles (conocido como el rango) que es
infinito y no se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el
área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores
pueden tener una probabilidad diferente de cero. La probabilidad de que una
variable aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de
hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.
Gráfica de distribución del peso de hombres adultos
El área sombreada debajo de la curva en este ejemplo representa el rango de 160
a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un
hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%.
Toda el área por debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor
siempre es cero, porque el área por debajo de la curva en un punto individual, que
no tiene anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese
exactamente 190 libras es cero. Podría calcular una probabilidad diferente de cero
de que un hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y
190.1 libras, pero la probabilidad de que pese exactamente 190 libras es cero.
¿Qué es una distribución discreta?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no
negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable
aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted
puede calcular la probabilidad de que X sea exactamente igual a algún valor. Por
ejemplo, puede utilizar la distribución discreta de Poisson para describir el número
de quejas de clientes en un día. Supongamos que el número promedio de quejas
por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de
clientes en un día.
 x P (X = x)

5 0.037833

10 0.12511

15 0.034718

Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.

Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de ocurrencias
cuando las quejas diarias de los clientes son 15 o más. La altura de las barras
suma 0.08346; por lo tanto, la probabilidad de que el número de llamadas por día
sea 15 o más es 8.35%

Distribuciones muestrales
Distribuciones Muestrales •El objetivo es efectuar una generalización de los
resultados de la muestra a la población. Inferir o adivinar el comportamiento de la
población a partir del conocimiento de una muestra. •Para ello es necesario
conocer las distribuciones de probabilidad de ciertas funciones de las muestras
que constituyen variables aleatorias asociadas al experimento aleatorio, selección
de una muestra al azar de una población. •Estas variables aleatorias denominadas
estadísticos muestrales, porque se basan en el comportamiento de las muestras,
asignan a cada muestra del espacio muestral, constituido por todas la muestras
posibles, un número real que es un resumen estadístico de la muestra. Por
ejemplo, media de la muestra. •El esquema siguiente resume visualmente la
situación: Dada una población formada por un número N grande de elementos,
donde se observa la variable X, se extrae al azar una muestra de tamaño n (n30), t
se distribuye normalmente, aunque X en la población no sea normal.
Distribuciones Muestrales •Casos particulares de distribuciones muestrales: Sea
una población P y X la variable aleatoria observada, cuya distribución es Normal X
→ N ( µ,σ ) Media muestral U=media muestral : E R n Xi U m X n i ∑= = = 1
m=(x1, x2, …,xn) ( ) •Se verifica que el estadístico muestral media es también
normal con las siguientes media y desviación típica: ( , ) 1 n N n Xi X n i σ = → µ
∑= Además, si el tamaño de la muestra es suficientemente grande (n>30), se
distribuye normalmente, aunque X en la población no sea normal. Distribuciones
Muestrales •Casos particulares de distribuciones muestrales: Sea una población P
y X la variable aleatoria observada, cuya distribución es Normal X → N ( µ,σ ) U=S
2 : E R m=(x1, x2, …,xn) Estadístico cuasivarianza muestral 1 ( ) 1 2 2 − − = ∑= n
X X S n i i Observa que esta nueva variable se ha obtenido a partir de l a anterior
(S2) multi plicando por l a constante (n-1)/ Esta transformación permite con ocer
su comportamie nto probabilístico 2 σ Estadístico Uchi muestral Uchi : E R 2 2 ( 1 )
( ) σ n S Uchi m − m=(x1, x2, …,xn) = •Se verifica que el estadístico muestral Uchi
sigue un modelo Chi-cuadrado con n-1 grados de libertad 2 2 1 2 ( 1 ) → − − chi =
n n S U χ σ Distribuciones Muestrales •Casos particulares de distribuciones
muestrales: Sea una población P y X la variable aleatoria observada, cuya
distribución es Normal X → N ( µ,σ ) Estadístico Ut,v (función de los estadísticos
media y cuasivarianza) Ut,v : E R Observa que esta nueva variable se ha o bteni d
o a p artir de l os estadísticos media y cuasi desviació n típica (S) Esta transform
ación p ermite con ocer su comportamie nto probabilístico n S X Ut µ υ − m=(x1,
x2, …,xn) , = •Se verifica que el estadístico muestral Ut,v sigue un modelo t de
Student con n-1 grados de libertad , 1 ( ) → − − t = n t n S X U µ υ Distribuciones
Muestrales •Casos particulares de distribuciones muestrales: Sea una población P
y X la variable aleatoria observada, cuya distribución es una Bernoulli: X=0 con
probabilidad q=P(fracaso) y X=1 con probabilidad p=P(éxito) Se sabe que E(X)=p
y V(X)=pq Estadístico Ut=t=total de éxitos en la muestra Observa q ue esta
variable refleja el total de éxitos (1’s) en l a muestra entre el total de selecciones n.
Es un caso particular d e total m u e stral t, ya visto. Observa q u e es tambi én la
variable bin omial Ut : E R ∑= = = n i Ut t Xi 1 m=(x1, x2, …,xn) •Se verifica que el
estadístico muestral Ut sigue un modelo Binomial Ut → B ( n, p ) E(Ut)=np
V(Ut)=npq •Para tamaños de muestra suficientemente grandes se aproxima a una
normal