Probabilidad Bsica

La probabilidad para un determinado evento puede considerarse como, el cociente entre el nmero
de maneras en que puede ocurrir el evento, dividido por el nmero de maneras en que puede
suceder cualquier posible resultado. Si identificamos el conjunto de todos los resultados posibles
como el "espacio muestra" S, y al evento deseado lo denotamos por E, entonces la probabilidad del
evento E se puede escribir

En el lanzamiento de un par de dados, apueste sobre el nmero 7 porque es el ms probable. Hay 6

maneras de obtener un total de 7, de las 36 maneras distintas en que pueden salir los dos dados en
un lanzamiento. La probabilidad es entonces

La idea de un "evento" es algo muy general. Supongamos que toma cinco cartas de una baraja
estndar de 52 cartas y desea calcular la probabilidad de que las 5 cartas sean corazones. Este
evento deseado nos trae la idea de una combinacin. El nmero de maneras en que podemos
escoger cinco corazones, sin tener en cuenta que cartas la forman, ni en qu orden, nos lo da la
combinacin

mientras que el nmero de resultados posibles en que se pueden escoger 5 cartas de un total de 52
cartas, nos lo da la combinacin mucho mas grande

Usamos pues, la misma expresin bsica de la probabiliad que en este caso da

Por lo que sacar de una mano cinco cartas del mismo palo, es un evento raro, con una probabilidad
de uno entre 2000.
Si deseamos calcular la probabilidad de que ocurran cualquier de n elementos inconexos, tenemos
que sumar las probabilidades individuales de cada uno de esos elementos. Por ejemplo, la
probabilidad de sacar 5 cartas iguales de cualquier palo, es la suma de 4 probabilidades iguales de

sacar las 5 cartas del ejemplo anterior. En lenguaje de lgica, si los elementos estn relacionados
por el operador lgico "OR", las probabilidades se suman.
Si los eventos est relacionados por el operador lgico "AND", la probabilidad resultante es el
producto de las probabilidades individuales. Si queremos obtener la probabilidad de sacar un 7 con
dos dados en una tirada y luego volver a sacar otro 7 en la segunda tirada, entonces la probabilidad,
ser el producto

La expresin de la probabilidad debe ser tal, que la suma de probabilidades para todos los eventos
posibles debe ser 1. La restriccin de la suma de todas las probabilidades a 1, se llama
"normalizacin". Cuando se calcula la probabilidad mediante el proceso de contar, entonces las
probabilidades se obtienen siempre normalizadas. Pero cuando desarrollamos expresiones de
probabilidad de eventos en la naturaleza, debemos asegurarnos de que la expresin est
normalizada.
La probabilidad es la caracterstica de un evento, que hace que existan razones para creer que ste
se realizar.
La probabilidad p de que suceda un evento S de un total de n casos posibles igualmente probables
es igual a la razn entre el nmero de ocurrencias h de dicho evento (casos favorables) y el nmero
total de casos posibles n.

La probabilidad es un nmero (valor) que varia entre 0 y 1. Cuando el evento es imposible se dice
que su probabilidad es 0, si el evento es cierto y siempre tiene que ocurrir su probabilidad es 1.
La probabilidad de no ocurrencia de un evento est dada por q, donde:

Sabemos que p es la probabilidad de que ocurra un evento y q es la probabilidad de que no ocurra,

entonces p + q = 1
Simblicamente el espacio de resultados, que normalmente se denota por , es el espacio que
consiste en todos los resultados que son posibles. Los resultados, que se denota por
,
etctera, son elementos del espacio .

DISTRIBUCIN Y TIPOS DE DISTRIBUCIN

En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable

aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria,
laprobabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable
aleatoria.
La distribucin de probabilidad est completamente especificada por la funcin de distribucin,
cuyo valor en cadax real es la probabilidad de que la variable aleatoria sea menor o igual que x".

Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un
experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una herramienta fundamental para
la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales
Toda distribucin de probabilidad es generada por una variable (porque puede tomar diferentes valores) aleatoria x
(porque el valor tomado es totalmente al azar), y puede ser de dos tipos:

VARIABLE ALEATORIA DISCRETA (x).

Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un grupo de 40 alumnos
(1, 2 ,3 los 40)

VARIABLE ALEATORIA CONTINUA (x).

Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos dentro de un mismo
intervalo. Por ejemplo:
x es la Variable que nos define la concentracin en gramos de plata de algunas muestras de mineral (14.8 gr, 12.1, 10.0,
42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , n)

DISTRIBUCIN BINOMIAL
La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por sus aplicaciones, es
posiblemente la ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, y el suceso B , llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a otra.
* En cada experimento se realizan n pruebas idnticas.
Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin Binomial o distribucin
de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces la distribucin de

probabilidad que la modela es la distribucin de probabilidad binomial y su regla de correspondencia es:

Donde:
P(X)= es la probabilidad de ocurrencia del
evento
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p )
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
EJEMPLO
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6 veces ?
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6
Al sustituir los valores en la frmula obtenemos:

La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375

Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas para algunos valores de
n y p que nos facilitan el trabajo (Ver las tablas de la funcin de probabilidad Binomial).
Para una combinacin de n y p, la entrada indica una probabilidad de obtener un valor especfico de r.
Para localizar la entrada, cuando p8804;0.50, localice p a lo largo del encabezado de la tabla, y en la columna
correspondiente localice n y r en el margen izquierdo; cuando p8805;0.50, localice el valor de p en la parte inferior de la
tabla, y n y r arriba, en el margen derecho.
Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas
P(2 caras) = 0.2344

DISTRIBUCIN DE POISSON
La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria discreta, el cual debe su
nombre a Simon Denis Poisson (1781-1840), un francs que la desarroll a partir de los estudios que realiz durante la
ltima etapa de su vida.
Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un intervalo de tiempo o espacio
especificado.
Esta distribucin se utiliza para describir ciertos procesos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar
sera:

donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es /
/= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es
totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro producto dado.

EJEMPLO
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro
cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos? (e= 2.718281828)
Resolviendo para :
a) x = 4; / = 6 cheques sin fondo por da
Comprobando (sustituyendo en la frmula):

Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado es de 0.133853 (13.39%)
Valores directos para determinar probabilidades de Poisson.
Para un valor dado de /, la entrada indica la probabilidad de obtener un valor especfico de X

Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco reciba cuatro cheques sin
fondo en un da dado?
Tenemos x = 4; / = 6 cheques sin fondo por da; obteniendo resultado directo de tablas :

DISTRIBUCIN NORMAL
La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria contnua, fue reconocida por
primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor
desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente,
como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos

parmetros, su media () y su desviacin estndar (σ). Con esta notacin, la densidad de la normal viene dada por
la ecuacin:

que determina la curva en forma de campana que tan bien conocemos.

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en la estadstica :
Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es necesario hacer
inferencias mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos fenmenos,
incluyendo caractersticas humanas, resultados de procesos fsicos y muchas otras medidas de inters para los
administradores, tanto en el sector pblico como en el privado.
Propiedad:
No importa cules sean los valores de y σ para un distribucin de probabilidad normal, el rea total bajo la curva
siempre es 1, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente
es verdad que:
Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 1
desviacin estndar de la media.
Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 2
desviaciones estndar de la media.
Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 3
desviaciones estndar de la media.

Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la media medida en
desviaciones estndar.
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin embargo, muy pocas de las
aplicaciones que haremos de la distribucin normal de probabilidad implican intervalos de exactamente (ms o menos)
1, 2 3 desviaciones estndar a partir de la media. Para estos casos existen tablas estadsticas que indican porciones
del rea bajo la curva normal que estn contenidas dentro de cualquier nmero de desviaciones estndar (ms o
menos) a partir de la media.
Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal estndar para encontrar reas bajo
cualquier curva normal. Con esta tabla podemos determinar el rea o la probabilidad de que la variable aleatoria
distribuida normalmente est dentro de ciertas distancias a partir de la media. Estas distancias estn definidas en
trminos de desviaciones estndar.

NORMALIZACIN

La normalizacin es un proceso que consiste en comprobar que las tablas (tambin denominadas
relaciones en terminologa propia del modelo relacional de datos) definidas cumplen unas
determinadas condiciones. Se pretente garantizar la no existencia de redundancia y una cierta
coherencia en la representacin mediante un esquema relacional de las entidades y relaciones del
modelo conceptual (diagrama E-R). Mediante la normalizacin se pueden solucionar diversos
errores en el diseo de la base de datos as como mejorarlo. Tambin se facilita el trabajo posterior
del administrador de la base de datos y de los desarrolladores de aplicaciones.