MODULO I TEMA 1 Definicin de probabilidad: La probabilidad de un suceso es un nmero, comprendido entre 0 y 1, que indica las posibilidades que tiene

de verificarse cuando se realiza un experimento aleatorio. Experimentos aleatorios: Son aquellos en los que no se puede predecir el resultado, ya que ste depende del azar . Ejemplos: Si lanzamos una moneda no sabemos de antemano si saldr cara o cruz. Si lanzamos un dado tampoco podemos determinar el resultado que vamos a obtener. Teora de probabilidades: La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber si un suceso es ms probable que otro. Con este fin, introduciremos algunas definiciones: 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} 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} 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 nmero primo A = {2, 3, 5} 2. Obtener un nmero primo y par B = {2} 3. Obtener un nmero mayor o igual a 5 C = {5, 6} Eventos mutuamente excluyentes.- Dos eventos son mutuamente excluyentes si no pueden ocurrir en forma simultnea, esto es, si y slo si su interseccin es vaca. Por ejemplo, en el lanzamiento de un dado los eventos B = {2} y C = {5, 6} son mutuamente excluyentes por cuanto B C = Eventos Complementarios.- Si A A B= yA B = E, se dice que A y B son eventos complementarios: Ac = B y Bc =

Su Medicin Matemtica o Clsica. Si en un experimento aleatorio todos los resultados son equiprobables (iguales probabilidades), es decir, la ocurrencia de uno es igualmente posible que la ocurrencia de cualquiera de los dems, entonces, la probabilidad de un evento A es la razn: P(A) = nmero de casos favorables para A/nmero total de casos posibles A partir de esta definicin las probabilidades de los posibles resultados del experimento se pueden determinar a priori, es decir, sin realizar el experimento. Se deduce de la definicin lo siguiente: 0 P(A) 1 La medicin probabilstica es un nmero real entre 0 y 1, inclusive, 0% P(A) 100% en porcentaje. P( ) = 0 y P(E) = 1 Su Medicin Experimental o Estadstica.- La frecuencia relativa del resultado A de un experimento es la razn FR = nmero de veces que ocurre A/nmero de veces que se realiza el experimento Si el experimento se repite un nmero grande de veces, el valor de FR se aproximar a la medicin probabilstica P del evento A. Por ejemplo, si lanzo 100 veces una moneda, el nmero de veces que obtengo cara es cercano a 50, o sea FR es cercano a 50%. CASOS PROBABILIDAD PROBABILIDAD SUBJETIVA Un punto de vista alternativo que actualmente ha tenido popularidad es interpretar las probabilidades como evaluaciones personales o subjetivas. Tales probabilidades expresan una creencia sobre las incertidumbres involucradas, y se aplican especialmente cuando poca o ninguna evidencia; as que no hay otra opcin que considerar evidencias paralelas (indirectas), conjeturas fundamentadas y quizs intuicin u otros factores subjetivos. Entonces Probabilidad = O !! el evento no ocurrir Probabilidad = 1 !! seguro el evento ocurre PROBABILIDAD OBJETIVA se subdivide en Probabilidad terica y emprica: Probabilidad Terica: Esta probabilidad se basa en la consideracin de que los resultados de un experimento son igualmente posibles. La probabilidad de que suceda un evento se calcula dividendo el numero de resultados favorables entre el numero total de resultados posibles Si solo de uno de varios eventos puede ocurrir cada vez, se dice que los eventos son mutuamente excluyentes. Mutuamente excluyente: La ocurrencia de un evento implica que ninguno de los otros eventos puede ocurrir al mismo tiempo. En el experimento de tirar un dado, los eventos un numero par y un numero impar son mutuamente excluyentes. Colectivamente exhaustivos: Por lo menos uno de los eventos debe ocurrir cuando se realiza un experimento En el experimento de tirar un dado, contemplar los eventos un numero par y un numero impar es un conjunto colectivamente exhaustivo.

PROBABILIDAD OBJETIVA : EMPRICA La probabilidad de que un evento ocurra se determina observando en que fraccin detiempo sucedieron eventos semejantes en el pasado. Probabilidad de que un evento suceda = # de veces que ocurrio el evento # de resultados total PROBABILIDAD SIMPLE | Cantidad de formas en que un resultado especfico va a suceder | Probabilidad = | Cantidad total de posibles resultados / cantidad Total Ejemplo: Hay 87 canicas en una bolsa y 68 son verdes. Si se escoge una, cul es la probabilidad de que esta sea verde? Solucin: * Divide la cantidad de formas de elegir una canica verde (68) por la cantidad total de canicas (87) * 68 87 = 0.781609 * Redondea a la precisin deseada (es decir 0.781609 redondeado a centsimos es 0.78)

PROBABILIDAD CONJUNTA O COMPUESTA Probabilidad conjunta es una probabilidad que mide la posibilidad de que dos o ms eventos ocurran juntos. Si quisiramos conocer cul es la probabilidad de sacar 5 al tirar dos veces un dado, estamos hablando de sucesos independientes; pues los tiros son distintos. Para estos casos la probabilidad de ocurrencia de ambos sucesos simultneamente ser igual al producto de las probabilidades individuales. P(M y N)=P(M)*P(N) Para nuestro ejemplo la respuesta sera: PROBABILIDAD CONDICIONAL Llamamos probabilidad condicionada del suceso Ejemplo Se lanzan dos dados. Si la suma ha sido 7, cul es la probabilidad de que alguno de los dados haya salido un tres? Sean los sucesos = "la suma de los puntos es siete" y = "en alguno de los dados ha salido un tres" El suceso Por tanto, es salir en algn dado 3, si la suma ha sido 7. Observamos que esta situacin ocurre en las parejas y . respecto del suceso , y lo denotamos por al cociente

TEMA II DEFINICION DE DISTRIBUCION Una distribucin de probabilidad la podemos concebir como una distribucin terica de frecuencia, es decir, es una distribucin que describe como se espera que varen los resultados. Dado que esta clase de distribuciones se ocupan de las expectativas son modelos de gran utilidad para hacer inferencias y tomar decisiones en condiciones de incertidumbre. DISTRIBUCIN DE BERNOULLI Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se trata ms que de una que nicamente puede tomar dos modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas del resultado. Podramos por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario. DISTRIBUCIN BINOMIAL La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de BERNOULLI independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1p). Se designa por X a la variable que mide el nmero de xitos que se han producido en los n experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se denota B(n,p) DISTRIBUCION POISSON Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula no es finito, sino numerable. Esta distribucin suele utilizarse para contajes del tipo nmero de individuos por unidad de tiempo, de espacio, etc. Propiedades del modelo de Poisson 1) Esperanza: E(X) = . Varianza: V(X) = . En esta distribucin la esperanza y la varianza coinciden. DISTRIBUCIN NORMAL En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinad o parmetro . Esta curva se conoce como campana de Gauss y e es el grfico de una funcin gaussiana. DISTRIBUCIN GAMMA En estadstica la distribucin gamma es una distribucin de probabilidad continua con dos parmetros k y cuya funcin de densidad para valores x > 0 es Aqu e es el nmero e y es la funcin gamma. Para valores la aquella es (k) = (k 1)! (el factorial de k 1). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribucin distribucin Erlang con un parmetro = 1 / . El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son E*X+ = k / = k V*X+ = k / 2 = k2 . DISTRIBUCIN T STUDENT En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao

de la muestra es pequeo. Surge, en la mayora de los estudios estadsticos prcticos, cuando la desviacin tpica de una poblacin se desconoce y debe ser estimada a partir de los datos de una muestra. La prueba t-Student fue desarrollada en 1899 por el qumico ingls William Sealey Gosset (1876-1937), mientras trabajaba en tcnicas de control de calidad para las destileras Guiness en Dubln . Debido a que en la destilera, su puesto de trabajo no era inicialmente de estadstico y su dedicacin deba estar exclusivamente encaminada a mejorar los costes de produccin, public sus hallazgos annimamente firmando sus artculos con el nombre de "Student". TEMA III NORMALIZAR es transformar una variable aleatoria que tiene alguna distribucin en una nueva variable aleatoria con distribucin normal o aproximadamente normal. La normalizacin es el proceso mediante el cual se transforman datos complejos a un conjunto de estructuras de datos ms pequeas, que adems de ser ms simples y ms estables, son ms fciles de mantener. Tambin se puede entender la normalizacin como una serie de reglas que sirven para ayudar a los diseadores de bases de datos a desarrollar un esquema que minimice los problemas de lgica. Cada regla est basada en la que le antecede. La normalizacin se adopt porque el viejo estilo de poner todos los datos en un solo lugar, como un archivo o una tabla de la base de datos, era ineficiente y conduca a errores de lgica cuando se trataban de manipular los datos. Otra ventaja de la normalizacin de base de datos es el consumo de espacio. Una base de datos normalizada ocupa menos espacio en disco que una no normalizada. Hay menos repeticin de datos, lo que tiene como consecuencia un mucho menor uso de espacio en disco. Primer nivel de Formalizacin/Normalizacin. (F/N) Se dice que una tabla se encuentra en primera forma normal si y solo si cada uno de los campos contiene un nico valor para un registro determinado. 1. 2. 3. Eliminar los grupos repetitivos de las tablas individuales. Crear una tabla separada por cada grupo de datos relacionados. Identificar cada grupo de datos relacionados con una clave primaria.

Segundo nivel de F/N La segunda forma normal compara todos y cada uno de los campos de la tabla con la clave definida. Si todos los campos dependen directamente de la clave se dice que la tabla est es segunda forma normal (2NF). 1. 2. Crear tablas separadas para aquellos grupos de datos que se aplican a varios registros. Relacionar estas tablas mediante una clave externa. Tercer nivel de F/N. Que este en segunda forma normal (2FN) y Eliminar las dependencias transitivas de los campos no clave. 1. Eliminar aquellos campos que no dependan de la clave

Cuarto Nivel de F/N. 1. En las relaciones varios-con-varios, entidades independientes no pueden ser almacenadas en la misma tabla.