DEFINICIÓN Y NOTACIÓN DE CONJUNTOS

La teoría de conjuntos es una rama fundamental de las matemáticas que estudia

colecciones de objetos denominados elementos. Un conjunto se define como una
agrupación bien determinada, lo que significa que siempre se puede establecer con claridad
si un elemento pertenece o no al conjunto.

Formalmente, un conjunto se representa con letras mayúsculas (A, B, C…) y sus elementos
se escriben entre llaves:

𝐴 = {𝑎1 , 𝑎2 , 𝑎3 , . . . }

Un elemento pertenece al conjunto si cumple una propiedad específica que lo caracteriza.

Existen diferentes formas de definir un conjunto:

• Por extensión: listando sus elementos.

• Por comprensión: describiendo la propiedad que cumplen.

Ejemplo:

𝐴 = {𝑥 ∈ ℝ ∣ 𝑥 > 0}

Conceptos importantes:

• Conjunto vacío (∅): no contiene elementos.

• Conjunto universal (U): contiene todos los elementos del contexto.
• Subconjunto: A ⊆ B si todo elemento de A pertenece a B.
• Cardinalidad: número de elementos de un conjunto.

Fundamentación

La probabilidad moderna se basa en la teoría axiomática de Kolmogórov, la cual establece

que los eventos son subconjuntos de un espacio muestral. Sin teoría de conjuntos no se
podría formalizar:

• Espacios de probabilidad.
• Eventos compuestos.
• Operaciones probabilísticas.
• Modelos matemáticos de incertidumbre.
Aplicación en Ingeniería Mecatrónica

En sistemas industriales automatizados:

• Conjunto de sensores activos.

• Conjunto de motores con sobrecarga.
• Conjunto de robots en mantenimiento.

Permite modelar matemáticamente el comportamiento de sistemas complejos.

OPERACIONES, LEYES Y REPRESENTACIÓN

DE VENN
Concepto

Las operaciones entre conjuntos permiten combinar o relacionar diferentes colecciones de

elementos.

[Link]ón (A ∪ B)

Conjunto de elementos que pertenecen a A o a B o a ambos.

[Link]ón (A ∩ B)

Conjunto de elementos comunes a ambos.

[Link] (A − B)

Elementos que pertenecen a A pero no a B.

4. Complemento (Aᶜ)

Elementos del universo que no pertenecen a A.

Estas operaciones permiten construir eventos compuestos dentro de la probabilidad.

Diagramas de Venn

Los diagramas de Venn son representaciones gráficas que facilitan la visualización de

relaciones lógicas entre eventos.

Aplicación en Mecatrónica

En diagnóstico industrial:

A = Fallas eléctricas
B = Fallas mecánicas
C = Fallas térmicas

Se analizan intersecciones para determinar causas combinadas de falla.

PERMUTACIONES
Concepto

Las permutaciones son arreglos ordenados de elementos. La característica esencial es que el

orden sí importa.

Desde el punto de vista matemático, el número de formas distintas en que pueden ordenarse
n elementos distintos es:

𝑛!

El factorial surge del principio multiplicativo:

Si el primer lugar puede ocuparse de n formas, el segundo de (n−1), y así sucesivamente.

[Link] con repetición

Cuando existen elementos idénticos, el número total se reduce:

𝑛!
𝑛1 ! 𝑛2 !

[Link] circulares

Cuando los elementos se disponen en círculo, las rotaciones no generan nuevos arreglos:

(𝑛 − 1)!

Aplicación en Mecatrónica

• Programación del orden de ensamblaje.

• Secuencia de activación de actuadores.
• Planificación de tareas en robots móviles.
COMBINACIONES Y TEOREMA DEL
BINOMIO
Concepto

Las combinaciones se utilizan cuando el orden no influye en el resultado. Matemáticamente

derivan del conteo de subconjuntos de tamaño r dentro de un conjunto de tamaño n.

𝑛!
𝐶(𝑛, 𝑟) =
𝑟! (𝑛 − 𝑟)!

Representan el número de maneras distintas de seleccionar elementos sin importar su

orden.

Teorema del Binomio

Permite desarrollar potencias de un binomio:

(𝑎+𝑏)𝑛

Los coeficientes son combinaciones y forman el Triángulo de Pascal.

Tiene aplicaciones en:

• Probabilidad binomial.
• Expansiones algebraicas.
• Modelado de errores.

Aplicación en Mecatrónica

Modelado de sistemas binarios:

Sensor funciona (éxito)

Sensor falla (fracaso)

Se usa en análisis de confiabilidad.

PROBABILIDAD CLÁSICA Y FRECUENCIA
RELATIVA
Concepto Clásico
La probabilidad clásica se basa en la equiprobabilidad de los resultados. Es válida cuando
todos los resultados son igualmente posibles.

∣𝐴∣
𝑃(𝐴) =
∣𝑆∣

Es un enfoque teórico.

Frecuencia Relativa

Es un enfoque empírico basado en datos experimentales:

𝑓
𝑃(𝐴) = lim⁡
𝑛→∞ 𝑛

Se fundamenta en la Ley de los Grandes Números.

Aplicación en Mecatrónica

En producción industrial:

Si de 1000 piezas, 25 salen defectuosas:

P = 0.025

Se usa en control estadístico de calidad.

ESPACIO MUESTRAL Y EVENTOS
Concepto

En probabilidad, un experimento aleatorio es un proceso cuyo resultado no puede

predecirse con certeza antes de realizarse, aunque se conozcan todos los resultados
posibles.

El espacio muestral, denotado por 𝑆o Ω, es el conjunto que contiene todos los resultados
posibles de un experimento aleatorio.

𝑆 = {𝜔1 , 𝜔2 , 𝜔3 , . . . , 𝜔𝑛 }

Cada elemento del espacio muestral se llama resultado elemental o punto muestral.

Tipos de Espacios Muestrales

[Link]

Tiene un número limitado de resultados.

Ejemplo:
Un sensor puede estar:

𝑆 = {𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎, 𝑓𝑎𝑙𝑙𝑎}

[Link] Discreto

Tiene infinitos resultados contables.

Ejemplo:
Número de ciclos hasta que un actuador falle.

𝑆 = {1,2,3,4, . . . }

[Link] Continuo

Los resultados pertenecen a un intervalo real.

Ejemplo:
Temperatura de operación de un motor:
 𝑆 = [0∘ 𝐶, 200∘ 𝐶]

Evento
Un evento es cualquier subconjunto del espacio muestral.

𝐴⊆𝑆

Tipos de eventos:

• Evento simple: contiene un solo resultado.

• Evento compuesto: contiene varios resultados.
• Evento seguro: 𝑆
• Evento imposible: ∅

Propiedades Importantes

1. 𝑃(𝑆) = 1
2. 𝑃(∅) = 0
3. 0 ≤ 𝑃(𝐴) ≤ 1
4. Si 𝐴 ⊆ 𝐵, entonces 𝑃(𝐴) ≤ 𝑃(𝐵)

Ejemplo

Supongamos un sistema con tres estados posibles:

𝑆 = {𝑁𝑜𝑟𝑚𝑎𝑙(𝑁), 𝑆𝑜𝑏𝑟𝑒𝑐𝑎𝑙𝑒𝑛𝑡𝑎𝑑𝑜(𝑆), 𝐹𝑎𝑙𝑙𝑎(𝐹)}

Evento A = Sistema con problema térmico:

𝐴 = {𝑆, 𝐹}

Si:

𝑃(𝑁) = 0.7, 𝑃(𝑆) = 0.2, 𝑃(𝐹) = 0.1

Entonces:

𝑃(𝐴) = 0.2 + 0.1 = 0.3

Aplicación en Ingeniería Mecatrónica

En sistemas automatizados:

• Modelado de estados en PLC.

• Análisis de confiabilidad de actuadores.
• Sistemas de monitoreo inteligente.
• Simulación Monte Carlo para predicción de fallas.

Por ejemplo, en un robot industrial:

𝑆
= {𝑂𝑝𝑒𝑟𝑎𝑡𝑖𝑣𝑜, 𝐸𝑟𝑟𝑜𝑟 𝑙 𝑒𝑣𝑒, 𝐸𝑟𝑟𝑜𝑟 𝑐

Los eventos permiten calcular riesgos y tiempos de mantenimiento.

El concepto de espacio muestral es esencial en:

• Sistemas de control probabilístico.

• Inteligencia artificial industrial.
• Análisis de riesgo en diseño mecatrónico.
ESPACIO FINITO EQUIPROBABLE
Concepto

Un espacio finito equiprobable es aquel en el que:

[Link] número de resultados es finito.

2. Todos los resultados tienen la misma probabilidad de ocurrir.

Formalmente, si:

∣ 𝑆 ∣= 𝑛

Entonces cada resultado elemental tiene probabilidad:

1
𝑃(𝜔𝑖 ) =
𝑛

Para cualquier evento A:

∣𝐴∣
𝑃(𝐴) =
∣𝑆∣

Este modelo es la base de la probabilidad clásica.

Justificación Matemática

Si todos los resultados son igualmente posibles, la suma total debe ser 1:

1
𝑛⋅ =1
𝑛

Esto satisface los axiomas de probabilidad de Kolmogórov.

Ejemplo

Un sistema de control tiene 4 modos posibles igualmente probables:

𝑆 = {𝑀1, 𝑀2, 𝑀3, 𝑀4}

Probabilidad de estar en modo M2:

1
𝑃(𝑀2) = = 0.25
4

Aplicación en Ingeniería Mecatrónica

[Link]ón aleatoria de tareas en robots colaborativos.
2. Generación de números pseudoaleatorios en microcontroladores.
3. Simulación de escenarios en software de diseño.
[Link] de estrés en sistemas digitales.
5. Modelado inicial de sistemas antes de tener datos reales.

En simulaciones de Monte Carlo se parte muchas veces de espacios equiprobables para

estimar comportamientos complejos.
PROBABILIDAD CONDICIONAL E
INDEPENDENCIA
Concepto de Probabilidad Condicional

La probabilidad condicional es una medida que describe la probabilidad de que ocurra un

evento 𝐴, dado que previamente se sabe que ocurrió otro evento 𝐵.

Se expresa como:

𝑃(𝐴 ∣ 𝐵)

Y se define formalmente como:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∣ 𝐵) = ,si 𝑃(𝐵) > 0
𝑃(𝐵)

Esto significa que ahora el espacio muestral se “reduce” al evento B, porque sabemos que B
ya ocurrió. Por tanto, estamos evaluando la probabilidad de A dentro de ese nuevo
contexto.

Interpretación Matemática

Cuando ocurre B, el universo de posibilidades cambia. El nuevo espacio muestral ya no es

S, sino B.

Visualmente, en un diagrama de Venn, se considera únicamente la región correspondiente a

B.
La probabilidad condicional es fundamental porque en la vida real casi siempre trabajamos
con información parcial.

Propiedades Importantes

1. 0 ≤ 𝑃(𝐴 ∣ 𝐵) ≤ 1

2. Si 𝐴 ⊆ 𝐵, entonces:

𝑃(𝐴)
𝑃(𝐴 ∣ 𝐵) =
𝑃(𝐵)

3. Regla del producto:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴 ∣ 𝐵)𝑃(𝐵)

Esta regla es clave en el desarrollo del Teorema de Bayes.

Ejemplo Matemático Completo

Independencia de Eventos

Dos eventos A y B son independientes si la ocurrencia de uno no afecta la probabilidad del

otro.

Formalmente:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

También puede expresarse como:

𝑃(𝐴 ∣ 𝐵) = 𝑃(𝐴)

Si esto se cumple, entonces no existe relación probabilística entre los eventos.

Interpretación

• Si el resultado de un sensor no afecta al otro → independientes.

• Si un sobrecalentamiento aumenta probabilidad de falla → dependientes.

Aplicación en Ingeniería Mecatrónica

• Diagnóstico automático de fallas.
• Sistemas de monitoreo inteligente.
• Redes Bayesianas.
• Modelado de confiabilidad de componentes.

En robótica industrial, muchas fallas no son independientes, por lo que la probabilidad

condicional es esencial para modelar comportamientos reales.
TEOREMA DE BAYES
Concepto

El Teorema de Bayes es una fórmula que permite actualizar la probabilidad de un evento

cuando se obtiene nueva información.

Se basa en la probabilidad condicional y en la regla del producto.

La fórmula general es:

𝑃(𝐵 ∣ 𝐴)𝑃(𝐴)
𝑃(𝐴 ∣ 𝐵) =
𝑃(𝐵)

Donde:

• 𝑃(𝐴)→ Probabilidad inicial (a priori).

• 𝑃(𝐵 ∣ 𝐴)→ Probabilidad de la evidencia si A es verdadero.
• 𝑃(𝐴 ∣ 𝐵)→ Probabilidad actualizada (a posteriori).

Justificación Matemática

Partimos de:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴 ∣ 𝐵)𝑃(𝐵)

Y también:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵 ∣ 𝐴)𝑃(𝐴)

Igualando ambas expresiones:

𝑃(𝐴 ∣ 𝐵)𝑃(𝐵) = 𝑃(𝐵 ∣ 𝐴)𝑃(𝐴)

Despejando:

𝑃(𝐵 ∣ 𝐴)𝑃(𝐴)
𝑃(𝐴 ∣ 𝐵) =
𝑃(𝐵)
Interpretación Conceptual

El Teorema de Bayes permite “aprender” a partir de nueva evidencia.

Antes de observar datos → Probabilidad a priori.

Después de observar datos → Probabilidad a posteriori.

Es la base matemática del aprendizaje automático probabilístico.

Ejemplo Aplicado en Mecatrónica

En una línea de producción:

• 4% de sensores son defectuosos.

• El sistema detecta correctamente un sensor defectuoso el 95% de las veces.
• El sistema marca como defectuoso un sensor bueno el 3% de las veces.

Datos:

𝑃(𝐷) = 0.04
𝑃(𝐷‾) = 0.96
𝑃(+∣ 𝐷) = 0.95
𝑃(+∣ 𝐷‾) = 0.03

Primero calculamos:

𝑃(+) = 𝑃(+∣ 𝐷)𝑃(𝐷) + 𝑃(+∣ 𝐷‾)𝑃(𝐷‾)

𝑃(+) = 0.95(0.04) + 0.03(0.96)
𝑃(+) = 0.038 + 0.0288 = 0.0668

Ahora aplicamos Bayes:

0.95(0.04)
𝑃(𝐷 ∣ +) =
0.0668
𝑃(𝐷 ∣ +) = 0.569

Aunque el sistema es muy preciso, cuando marca un sensor como defectuoso, la

probabilidad real de que lo esté es 56.9%.
Referencias en formato APA (Libros)

1. Walpole, R. E., & Myers, R. H. (2022).

Probabilidad y estadística para ingeniería y ciencias (Ed. en español). Pearson
Educación México.
— Texto clásico con fundamentos de probabilidad y estadística orientado a
ingenierías, que cubre teoría de conjuntos, probabilidad condicional, independencia
y aplicaciones fundamentales a problemas reales.
2. Trejos Buriticá, O. I. (2024).
Probabilidad y estadística para ingenieros (Edición en español). Editorial
Académica.
— Libro introductorio con ejemplos y ejercicios aplicados, ideal como apoyo en
cursos de ingeniería.
3. Oteyza, E. (2019).
Probabilidad y estadística (1ª Ed.). Pearson Educación.
— Libro en español con base teórica amplia sobre probabilidad, estadística y
aplicaciones prácticas.
4. Probabilidad y estadística I (2024). SEP / DGB, México.
— Libro oficial de texto básico sobre probabilidad y estadística usado en educación
media superior, con definiciones de eventos, espacio muestral y probabilidad
condicional.
5. Rodríguez Ojeda, L. (2011).
Probabilidad y estadística básica para ingenieros (versión PDF). ESPOL.
— Obra enfocada en estudiantes de ingeniería, con ejemplos claros sobre
probabilidad y estadística aplicada.
TEMAS DE INVESTIGACIÓN
Probabilidad y Estadística
1. Definición y notación de conjuntos
2. Operaciones, leyes y representaciones de Venn
3. Permutaciones (distinguibles y circulares)
4. Combinaciones y Teorema del Binomio
5. Concepto clásico de probabilidad y frecuencia relativa
6. Espacio muestral y eventos
7. Espacio finito equiprobable
8. Probabilidad condicional e independencia
9. Teorema de Bayes