Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad PDF
Probabilidad PDF
Los alambres que se utilizan en cierta computadora deben tener una resistencia entre 0,12 y 0,14
ohms. Las resistencias reales de los alambres producidos por la compañía A tienen una distribución
de probabilidad normal con una media de 0,13 ohms y una desviación estándar de 0,005 ohms.
Solución:
( )
P (−2 ≤ Z ≤ 2) = Φ (2) – Φ (−2) = 0,9772 − 0,0228
P (−2 ≤ Z ≤ 2) = 0,9544
Una tienda departamental tiene un sistema de cuatro alarmas que funcionan en forma
independiente, cada una tiene una probabilidad de detectar a un intruso de un 95%. Sea Y la
variable aleatoria el número de alarmas que detectan al intruso, ¿puede afirmarse que se trata de
un problema para ser resuelto con una distribución binomial?
Obtén la probabilidad de que al menos una alarma detecte a un intruso e interpreta.
Sí, es una binomial con 4 elementos y p=0.95
P (Y=n)= (4n) *0.95n* (0.05)4−n
La probabilidad de que al menos una alarma detecte al intruso es 1 menos la probabilidad de que
le detecte ninguna.
Y para que no le detecte ninguna es la probabilidad de que una no le detecte elevada a la cuarta.
Eso lo sabemos de toda la vida aunque si se quiere se puede calcular con la fórmula
P (Y=0)= (40)0.950⋅(0.05)4−0=1⋅1⋅0.054=0.00000625
Luego la probabilidad de ser detectado será
1 - 0.00000625 = 0.99999375
La computadora marca Veloz se descompone a razón de 0.05 veces por hora de operación, siendo
necesario darle servicio especializado de reparación. ¿Cuál es la probabilidad que no ocurran
descomposturas en un periodo de trabajo de 8horas?, ¿Cuál es la probabilidad que
ocurran por lo menos dos descomposturas en 40 horas?
4. CONSULTAR:
a) DIAGRAMA DE DISPERSION:
Es una gráfica del tipo X –Y cuyo objetivo es analizar la forma en que dos variables numéricas están
relacionadas. El diagrama de dispersión se obtiene coleccionando los datos en pares de valores
sobre dos variables (x, y). Las parejas de datos obtenidos se representan a través de puntos en una
gráfica del tipo X – Y (ejes de coordenada cartesianos).
El análisis de un diagrama de dispersión puede mostrar varios tipos de correlaciones entre las
variables con un intervalo de confianza determinado. La correlación puede ser positiva ((Y
aumenta con X)), negativa (Y disminuye con X), o nula (las variables no están correlacionadas).
El diagrama de dispersión es una de las herramientas básicas de gestión de la calidad, muy útil al
analizar las causas de un problema y para Identificar oportunidades de mejora continua.
b) COEFICIENTE DE CORRELACIÓN:
Mide el grado de intensidad de la posible relación entre las variables. Este coeficiente se aplica
cuando la relación que puede existir entre las variables es lineal (es decir, si representáramos en
un gráfico los pares de valores de las dos variables la nube de puntos se aproximaría a una recta).
Se calcula aplicando la siguiente fórmula:
Es decir:
Numerador: se denomina covarianza y se calcula de la siguiente manera: en cada par de valores (x,
y) se multiplica la "x" menos su media, por la "y" menos su media. Se suma el resultado obtenido
de todos los pares de valores y este resultado se divide por el tamaño de la muestra.
Denominador se calcula el producto de las varianzas de "x" y de "y", y a este producto se le calcula
la raíz cuadrada.
Los valores que puede tomar el coeficiente de correlación "r" son: -1 < r < 1
Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La
correlación es tanto más fuerte cuanto más se aproxime a 1.
Por ejemplo: altura y peso: los alumnos más altos suelen pesar más.
Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable disminuye el de la otra).
La correlación negativa es tanto más fuerte cuanto más se aproxime a -1.
Por ejemplo: peso y velocidad: los alumnos más gordos suelen correr menos.
Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de
correlación (parabólica, exponencial, etc.)
c) REGRESIÓN:
El coeficiente de correlación lineal nos permite determinar si, efectivamente, existe relación entre
las dos variables. Una vez que se concluye que sí existe relación, la regresión nos permite definir la
recta que mejor se ajusta a esta nube de puntos.
La regresión lineal nos permite calcular el valor de estos dos parámetros, definiendo la recta que
mejor se ajusta a esta nube de puntos.
El parámetro "b" viene determinado por la siguiente fórmula:
∑ ∑ ∑ ∑
∑ |∑ |
e) VARIANZA TOTAL:
f) VARIANZA EXPLICADA:
Si sólo consideramos la variabilidad que presentan las predicciones (los valores situados en la
recta), deberemos usar en la fórmula anterior los datos Y´ en lugar de Y (la media no cambia,
según se indicó más arriba). Al resultado le llamaremos varianza explicada.
Siendo r el coeficiente de correlación de Pearson. Esto significa que la relación entre la varianza
explicada y la total es el cuadrado del coeficiente r. A este cuadrado lo conocemos como
Coeficiente de determinación y expresa el porcentaje de varianza que explica la línea recta.
g) VARIANZA NO EXPLICADA:
Por último, llamaremos varianza de error o residual a la que presentan los valores de Y
comparados con sus pronósticos
5. REGLAS DE PROBABILIDAD:
Existen tres reglas fundamentales para resolver problemas en donde se desea determinar la
probabilidad de un suceso si se conocen las probabilidades de otros sucesos que están
relacionados con él. Estas tres reglas son: Regla de la Adición, Probabilidad Condicional y Regla de
la Multiplicación o Probabilidad Conjunta.
Regla de la Adición: Esta regla expresa la probabilidad de que ocurran dos o más sucesos a la vez,
P (A U B). Puede presentarse de dos formas: Para conjuntos con intersección y para conjuntos
mutuamente excluyentes. Veamos:
Para conjuntos con Intersección:
Para calcular esta probabilidad es necesario conocer tanto la probabilidad marginal de uno de los
sucesos (P (A)) como la probabilidad de la intersección de ambos (o la probabilidad cuando
ocurran los dos sucesos a la vez).
Ejemplo 3: La probabilidad de que una persona tenga una cuenta de ahorros es de 0,65 y la
probabilidad de que invierta en un CDT y ahorre en una cuenta de ahorros es de 0,30. Se
seleccionó una persona al azar y resultó tener una cuenta de ahorros ¿Cuál es la probabilidad de
que tenga también un CDT? Sea A = tener una cuenta de ahorros, B = tener un CDT
NOTA: Si observas esta regla, puedes darte cuenta que se relaciona fuertemente con la
Intersección entre conjuntos (y), es una multiplicación.
Ejemplo 1: Se sacan dos cartas sin restitución (se saca la primera se observa y no se vuelve a
meter) de una baraja de 52 cartas, ¿Cuál es la probabilidad de que ambas sean reyes?
Sea R = sacar un rey
Observe que lo que necesitamos es la probabilidad de sacar un rey en la primera carta y un rey en
la segunda, es decir:
;
Para sucesos independientes:
Ejemplo 2: Se sacan dos cartas con restitución una baraja de 52 cartas, ¿Cuál es la probabilidad de
que ambas sean corazones?
Sea C = carta de corazones
6. SUCESOS:
Se llama suceso a cualquier subconjunto del espacio muestral. Diremos que un suceso A, ocurre si el
resultado del experimento es uno de los sucesos elementales que pertenecen a A.
7. SUCESOS DEPENDIENTES:
Dos o más eventos serán dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos
afecta la probabilidad de ocurrencia del otro (u otros). Cuando tenemos este caso, empleamos
entonces, el concepto de probabilidad condicional para denominar la probabilidad del evento
relacionado. La expresión P (AB) indica la probabilidad de ocurrencia del evento A sí el evento B ya
ocurrió.
Se debe tener claro que AB no es una fracción.
P (AB) = P (A y B)/P (B) o P (BA) = P (A y B)/P (A)
8. SUCESOS INDEPENDIENTES:
Dos sucesos son independientes entre sí, si la ocurrencia de uno de ellos no afecta para nada el
que pueda producirse el otro:
Ejemplo: el suceso estatura de los alumnos de una clase y el color del pelo son independientes: el
que un alumno sea más o menos alto no va a influir en el color de su cabello, ni viceversa.
Para que dos sucesos sean independientes tienen que verificar al menos una de las
siguientes condiciones:
P (B/A) = P (B) es decir, que la probabilidad de que se dé el suceso B, condicionada a que
previamente se haya dado el suceso A, es exactamente igual a la probabilidad de B.
Ejemplo: la probabilidad de que al tirar una moneda salga cara (suceso B), condicionada a que
haga buen tiempo (suceso A), es igual a la propia probabilidad del suceso B.
Dos sucesos, A y B, son compatibles cuando tienen algún suceso elemental común. Si A es sacar
puntuación par al tirar un dado y B es obtener múltiplo de 3, A y B son compatibles porque el 6 es
un suceso elemental común.
10.EVENTOS:
Se conoce como evento estadístico al subconjunto de un espacio muestral. Se trata de los posibles
resultados que pueden obtenerse de un experimento aleatorio.
Son aquellos en los que si un evento sucede significa que el otro no puede ocurrir. Si bien suelen
usarse en teorías científicas, también son parte de las leyes y los negocios. Como resultado,
entender los eventos mutuamente excluyentes puede ser importante para una variedad de
disciplinas.
Eventos o sucesos mutuamente excluyentes son sucesos que por su propia naturaleza jamás
podrían coexistir, por lo tanto o es uno o es el otro, por ejemplo... El clásico de lanzar una moneda,
un evento puede ser obtener cara, y otro evento obtener cruz, pero nunca pueden ocurrir los dos
eventos al mismo tiempo, si lanzas una moneda o te cae cara o te cae cruz, no te puede caer en las
dos... (Claro está en un solo tiro)
12.EVEMTOS COMPLEMENTARIOS:
Inferencia estadística
Estudia cómo sacar conclusiones generales para toda la población a partir del estudio de una
muestra, y el grado de fiabilidad o significación de los resultados obtenidos.
Muestreo probabilístico
Consiste en elegir una muestra de una población al azar. Podemos distinguir varios tipos de
muestreo:
Muestreo aleatorio simple
Para obtener una muestra, se numeran los elementos de la población y se seleccionan al azar los N
elementos que contiene la muestra.
Muestreo aleatorio sistemático
Se elige un individuo al azar y a partir de él, a intervalos constantes, se eligen los demás hasta
completar la muestra.
Por ejemplo si tenemos una población formada por 100 elementos y queremos extraer una
muestra de 25 elementos, en primer lugar debemos establecer el intervalo de selección que será
igual a 100/25 = 4. A continuación elegimos el elemento de arranque, tomando aleatoriamente un
número entre el 1 y el 4, y a partir de él obtenemos los restantes elementos de la muestra. 2, 6,
10, 14,..., 98.
Muestreo aleatorio estratificado
Se divide la población en clases o estratos y se escoge, aleatoriamente, un número de individuos
de cada estrato proporcional al número de componentes de cada estrato.
En una fábrica que consta de 600 trabajadores queremos tomar una muestra de 20. Sabemos que
hay 200 trabajadores en la sección A, 150 en la B, 150 en la C y 100 en la D.
Un muestreo puede hacerse con o sin reposición, y la población de partida puede ser infinita o
finita.
En todo nuestro estudio vamos a limitarnos a una población de partida infinita o a muestreo con
reposición.
Si consideremos todas las posibles muestras de tamaño n en una población, para cada muestra
podemos calcular un estadístico (media, desviación típica, proporción,...) que variará de una a
otra. Así obtenemos una distribución del estadístico que se llama distribución muestral.
Conceptos de Muestreo Estadístico
En estadística un muestreo es la técnica para la selección de una muestra a partir de una
población. En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la
población, se puede extraer dos o más muestras de la misma población. Al conjunto de muestras
que se pueden obtener de la población se denomina espacio muestral. La variable que asocia a
cada muestra su probabilidad de extracción
El muestreo: es una herramienta de la investigación científica. Su función básica es determinar
que parte de una realidad en estudio (población o universo) debe examinarse con la finalidad de
hacer inferencias sobre dicha población. El Muestreo es más que el procedimiento empleado para
obtener una o más muestras de una población; el muestreo es una técnica que sirve para obtener
una o más muestras de población.
Este se realiza una vez que se ha establecido un marco muestral representativo de la población, se
procede a la selección de los elementos de la muestra aunque hay muchos diseños de la muestra.
Al tomar varias muestras de una población, las estadísticas que calculamos para cada muestra no
necesariamente serían iguales, y lo más probable es que variaran de una muestra a otra.
Muestreo Estadístico: son aquellos que se basan en el principio de equi-probabilidad. Es decir,
aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar
parte de una muestra y, consiguientemente, todas las posibles muestras de tamaño n tienen la
misma probabilidad de ser elegidas.
Existen dos versiones de la prueba t-Student: una que supone que las varianzas poblacionales son
iguales y otra versión que no asume esto último. Para decidir si se puede suponer o no la igualdad
de varianza en las dos poblaciones, se debe realizar previamente la prueba F-Snedecor de
comparación de dos varianzas.
√ ⁄
Donde Z tiene una distribución normal de media nula y varianza 1, V tiene una distribución de chi-
cuadrado con grados de libertad. Z y V son independientes.
V > 0; la distribución t es simétrica con respecto al origen y la función de densidad tiene su valor
máximo cuando t=0
La esperanza y varianza de una distribución t-student son:
15. DISTRIBUCIÓN CHI CUADRADO:
Es una prueba útil para variables categóricas y estadística, es aplicable cuando la variable nominal
está compuesta por dos o más categorías. Tiene dos aplicaciones:
La prueba de bondad de ajuste Chi-cuadrada.
La prueba Chi-cuadrada de asociación. Ambas pruebas se utilizan para determinar si las
frecuencias observadas (O) en las categorías difieren significativamente de las frecuencias
esperadas (E).
Es una prueba estadística para evaluar hipótesis acerca de la relación entre dos variables
categóricas.
CARACTERÍSTICAS:
La distribución X2 se lee con grados de libertad G.L =(N° de filas -1)* (N° de columnas -1).
No tiene valores negativos. El valor mínimo es cero (0).
Todas las curvas son asimétricas.
Cuando aumentan los G.L las curvas son menos elevadas y más extendidas a la derecha.
Se utiliza para variables medidas en escala nominal u ordinal.
Las fórmulas son:
∑| |
ACID EN BASE DE DATOS:
ACID son siglas que significan Atomicity, Consistency, Isolation, Durability o, en español,
Atomicidad, Consistencia, Aislamiento y Durabilidad.
Un ejemplo de una transacción más compleja es la transferencia de fondos de una cuenta a otra,
la cual implica múltiples operaciones individuales.
Propiedades ACID
Atomicidad: cualquier cambio de estado que produce una transacción es atómico. Es decir,
ocurren todos o no ocurre ninguno. En otras palabras, esta propiedad asegura que una operación
se realiza o no se realiza, por lo tanto no puede quedar el sistema a medias.
Consistencia: propiedad que asegura que una transacción no romperá con la integridad de una
base de datos, pues respeta todas las reglas y directrices de ésta.
Aislamiento: propiedad que asegura que no se afectarán entre sí las transacciones. En otras
palabras, dos o más transacciones sobre los mismos datos no generarán un problema.
Durabilidad: propiedad que asegura la persistencia de una transacción, es decir, una vez que la
transacción quedó aceptada no podrá deshacerse aunque falle el sistema.
Formas Normales
Las formas normales son aplicadas a las tablas de una base de datos. Decir que una base de datos
está en la forma normal N es decir que todas sus tablas están en la forma normal N.
En general, las primeras tres formas normales son suficientes para cubrir las necesidades de la
mayoría de las bases de datos. El creador de estas 3 primeras formas normales (o reglas) fue Edgar
F. Codd.
Una tabla está en Primera Forma Normal sólo si todos los atributos son atómicos. Un atributo es
atómico si los elementos del dominio son indivisibles, mínimos.
La tabla contiene una clave primaria. La tabla no contiene atributos nulos.
Si no posee ciclos repetitivos.
Una columna no puede tener múltiples valores. Los datos son atómicos. (Si a cada valor de X le
pertenece un valor de Y, entonces a cada valor de Y le pertenece un valor de X)
Esta forma normal elimina los valores repetidos dentro de una BD
Segunda Forma Normal (2FN)
Dependencia Funcional. Una relación está en 2FN si está en 1FN y si los atributos que no forman
parte de ninguna clave dependen de forma completa de la clave principal. Es decir que no existen
dependencias parciales.
En otras palabras podríamos decir que la segunda forma normal está basada en el concepto de
dependencia completamente funcional. Una dependencia funcional es completamente funcional
si al eliminar los atributos A de X significa que la dependencia no es mantenida, esto es que A Є X,
(X – {A}) -x-> Y. Una dependencia funcional es una dependencia parcial si hay algunos atributos
que pueden ser removidos de X y la dependencia todavía se mantiene, esto es A Є X, (X – {A}) -> Y.
Por ejemplo {SSN, PNUMBER} HOURS es completamente dependiente dado que ni SSN HOURS ni
PNUMBER HOURS mantienen la dependencia. Sin embargo {SSN, PNUMBER} ENAME es
parcialmente dependiente dado que SSN ENAME mantiene la dependencia.
La tabla se encuentra en 3FN si es 2FN y cada atributo que no forma parte de ninguna clave,
depende directamente y no transitivamente, de la clave primaria.
Un ejemplo de este concepto sería que, una dependencia funcional X->Y en un esquema de
relación R es una dependencia transitiva si hay un conjunto de atributos Z que no es un
subconjunto de alguna clave de R, donde se mantiene X->Z y Z->Y.
Por ejemplo, la dependencia SSN->DMGRSSN es una dependencia transitiva en EMP_DEPT de la
siguiente figura. Decimos +son mantenidas, y DNUMBER no es un subconjunto de la clave de
EMP_DEPT. Intuitivamente, podemos ver que la dependencia de DMGRSSN sobre DNUMBER es
indeseable en EMP_DEPT dado que DNUMBER no es una clave de EMP_DEPT.
Una tabla se encuentra en 4FN si, y sólo si, para cada una de sus dependencias múltiples no
funcionales X->->Y, siendo X una super-clave que, X es o una clave candidata o un conjunto de
claves primarias.
Es una forma normal inherente al esquema relacional. Es decir toda tabla realmente
relacional la cumple.
Se dice que una tabla se encuentra en primera forma normal si impide que un atributo de una
tupla pueda tomar más de un valor. La tabla:
TRABAJADOR
DNI Nombre Departamento
12121212 A Andrés Mantenimiento
Dirección
12345345G Andrea
Gestión
Visualmente es una tabla, pero no una tabla relacional (lo que en terminología de bases de
datos relacionales se llama relación). No cumple la primera forma normal.
Sería primera forma normal si los datos fueran:
TRABAJADOR
DNI Nombre Departamento
12121212 A Andrés Mantenimiento
12345345G Andrea Dirección
12345345G Andrea Gestión
Ocurre si una tabla está en primera forma normal y además cada atributo que no sea clave,
depende de forma funcional completa respecto de cualquiera de las claves. Toda la clave
principal debe hacer dependientes al resto de atributos, si hay atributos que depende sólo de
parte de la clave, entonces esa parte de la clave y esos atributos formarán otra tabla. Ejemplo:
ALUMNOS
DNI Cod Curso Nombre Apellido1 Nota
12121219A 34 Pedro Valiente 9
12121219A 25 Pedro Valiente 8
3457775G 34 Ana Fernández 6
5674378J 25 Sara Crespo 7
5674378J 34 Sara Crespo 6
Suponiendo que el DNI y el código de curso formen una clave principal para esta tabla, sólo la
nota tiene dependencia funcional completa. El nombre y los apellidos dependen de forma
completa del DNI. La tabla no es 2FN, para arreglarlo:
ASISTENCIA
ALUMNOS
DNI Cod Curso Nota
DNI Nombre Apellido1
12121219A 34 9
12121219A Pedro Valiente
12121219A 25 8
3457775G Ana Fernández
3457775G 34 6
5674378J Sara Crespo
5674378J 25 7
5674378J 34 6
TERCERA FORMA NORMAL (3FN)
Ocurre cuando una tabla está en 2FN y además ningún atributo que no sea clave depende
transitivamente de las claves de la tabla. Es decir no ocurre cuando algún atributo depende
funcionalmente de atributos que no son clave.
Ejemplo:
ALUMNOS
DNI Nombre Apellido1 Cod Provincia Provincia
12121349A Salvador Velasco 34 Palencia
12121219A Pedro Valiente 34 Palencia
3457775G Ana Fernández 47 Valladolid
5674378J Sara Crespo 47 Valladolid
3456858S Marina Serrat 08 Barcelona
La Provincia depende funcionalmente del código de provincia, lo que hace que no esté en
3FN. El arreglo sería:
ALUMNOS
DNI Nombre Apellido1 Cod Provincia PROVINCIA
12121349A Salvador Velasco 34
Cod Provincia Provincia
12121219A Pedro Valiente 34
34 Palencia
3457775G Ana Fernández 47
47 Valladolid
5674378J Sara Crespo 47
3456858S Marina Serrat 08 08 Barcelona
Ocurre si una tabla está en tercera forma normal y además todo determinante es una clave
candidata. Ejemplo:
TUTORÍAS
DNI Asignatura Tutor
12121219 A Lenguaje Eva
12121219 A Matemáticas Andrés
3457775G Lenguaje Eva
5674378J Matemáticas Guillermo
5674378J Lenguaje Julia
5634823H Matemáticas Guillermo
Esa tabla está en tercera forma normal (no hay dependencias transitivas), pero no en forma de
Boyce - Codd, ya que (DNI, Asignatura) -Tutor y Tutor-Asignatura y Tutor-/-(DNI ,Asignatura). En
este caso la redundancia ocurre por mala selección de clave. La redundancia de la
asignatura es completamente evitable. La solución sería:
TUTORÍAS
DNI Tutor ASIGNATURASTUTOR
Nº Curso Profesor Material La tabla cursos, profesores y materiales del curso. La tabla
17 Eva 1 está en FNBC ya que no hay dependencias transitivas y todos
los atributos son clave sin dependencia funcional hacia ellos.
17 Eva 2 Sin embargo hay redundancia. Los materiales se van a
17 Julia 1 repetir para cualquier profesor dando cualquier curso, ya que
los profesores van a utilizar todos los materiales del curso
17 Julia 2 (de no ser así no habría ninguna redundancia).
25 Eva 1
Los materiales del curso dependen de forma multivaluada del
25 Eva 2
curso y no del profesor en una dependencia multivaluada (no
25 Eva 3 hay dependencia funcional ya que los posibles valores son
varios). Para el par Nº de curso y Profesor podemos saber
los materiales; pero lo sabemos por el curso y no por el profesor.
Nº Curso Material
17 1 Nº Curso Profesor
17 2 17 Eva
25 1 17 Julia
25 2 25 Eva
25 3
Un teorema de Fagin indica cuando hay tres pares de conjuntos de atributos X, Y y Z si ocurre X-
>>Y y X->>Z (Y y Z tienen dependencia multivaluada sobre X), entonces las tablas X, Y y X, Z
reproducen sin perder información lo que poseía la tabla original. Este teorema marca la forma
de dividir las tablas hacia una 4FN
QUINTA FORMA NORMAL (5FN)
Dependencias de JOIN o de reunión
Una proyección de una tabla es la tabla resultante de tomar un subconjunto de los atributos de una
tabla (se trata de la operación proyección, , del álgebra relacional).
Se dice que se tiene una tabla con dependencia de tipo JOIN si se puede obtener esa tabla como
resultado de combinar (mediante la operación JOIN del álgebra relacional) varias proyecciones de la
misma.
Ejemplo:
Proveedor Material Proyecto
1 1 2
1 2 1
2 1 1
1 1 1
Esa descomposición no pierde valores en este caso, sabiendo que si el proveedor nos suministra un
material podremos relacionarle con todos los proyectos que utilizan ese material.
Resumiendo, una tabla no está en quinta forma normal si hay una descomposición de esa tabla
que muestre la misma información que la original.
Normalmente se crean tablas en quinta forma normal cuando en la misma tabla hay muchos atributos y
es casi inmanejable o cuando hay muchos registros y pocos atributos. En el caso de que haya muchos
atributos se divide la tabla en dos donde la clave es la misma en ambas tablas.