Actividad 4.

Modelos
probabilsticos
1. Revisa y ordena las caractersticas de cada uno de los modelos
probabilsticos que revisaste en los temas precedidos.
Los modelos probabilsticos son modelos matemticos apropiados para
situaciones reales en condiciones especficas, son importantes porque nos
ayudan a predecir la conducta de futuras repeticiones de un experimento
aleatorio. Es decir, un modelo probabilstico permite describir los resultados de
un experimento, as como predecir el comportamiento de la variable de estudio.
Frecuentemente, a los modelos probabilsticos tambin se les denomina
distribuciones de Probabilidad.
Los modelos pueden ser discretos o continuos.
Los modelos o distribuciones discretas ms comunes son:

La Uniforme
Binomial
Poisson
Hipergeometrica

En cuanto a las continuas, se utilizan fundamentalmente las siguientes:

Normal
T de Student
F de Snedecor
Ji cuadrado

En los apuntes de la primera unidad slo se estudian Binomial, Poisson y Normal.

2. Explica detalladamente cul modelo se puede usar segn las

condiciones del caso de estudio; puedes apoyarte de
organizadores grficos.
Partiendo de que una distribucin de probabilidad queda definida y caracterizada
por los siguientes elementos:
1.- la especificacin de la variable aleatoria y su campo de variacin.
2.- la especificacin de su asignacin de probabilidades, mediante la funcin de
distribucin.

Si un conjunto dado de distribuciones tiene sus funciones de distribucin con la

misma ESTRUCTURA FUNCIONAL, diremos que pertenece a la misma FAMILIA DE
DISTRIBUCIONES, al mismo MODELO DE PROBABILIDAD o a la misma DISTRIBUCINTIPO.
p.ej : Todas las distribuciones que estn definidas sobre una v.a. continua de modo
que para x 0 la funcin de densidad es : f(x)= a e-ax siendo a un real positivo
(alternativamente: F(x)= 1- e-ax; f (t) = (1-t/a )-1; son equivalentes la tres
caracterizaciones), pertenecen a la misma familia, modelo o tipo (el exponencial).
La estructura matemtica de las funciones de definicin que caracterizan un modelo
de probabilidad suelen depender de uno o ms parmetros. Estos parmetros son
los PARMETROS DE LA DISTRIBUCIN (TIPO), y tienen un importancia fundamental,
en Estadstica matemtica y sobre todo en INFERENCIA ESTADSTICA.
Muchos modelos de probabilidad pueden establecerse tericamente sin necesidad
de recurrir a un sistema de aleatorizacin racional. Sin embargo, en muchos casos
resulta conveniente definir los modelos de probabilidad recurriendo a un claro
sistema de aleatorizacin sobre determinado tipo de fenmeno aleatorio
.Procediendo de esta manera podremos disponer de un sistema para identificar el
modelo a aplicar en un gran nmero de situaciones prcticas semejantes.
El procedimiento es sencillo: primero haremos una clasificacin de los fenmenos
aleatorios de ms fcil determinacin (procesos experimentales), despus
determinaremos algunas aleatorizaciones que nos generan variables aleatorias
cargadas de gran significado prctico y, por ltimo, obtendremos la estructura
funcional de las funciones de definicin de su distribucin, partiendo, para ello, de
la probabilidad inducida para la variable por el fenmeno aleatorio.
Conviene apoyarse, por tanto, en el concepto de proceso experimental para definir
muchos de los modelos de probabilidad a utilizar.
A partir de las caractersticas del fenmeno que analicemos (partiendo del proceso
experimental del que se trate) podremos, identificando la variable aleatoria que nos
interesa, estudiar y determinar la estructura matemtica de su distribucin.

3. Escribe las recomendaciones que le haras a alguien que est

estudiando los modelos probabilsticos; es decir, cules
conceptos o detalles deberan centrar su atencin para que el
tema sea comprendido?
Las recomendaciones principales es que se tenga bien claro que los modelos
probabilsticos son modelos matemticos para situaciones reales, en este caso se
debe tener bien claro cual es el objetivo de modelar una situacin.

Asimismo es importante que se identifique correctamente cual es la variable a

estudiar para as poder elegir el tipo de modelo a aplicar.
Conceptos relevantes para el tema de modelos probabilsticos:

Aleatorio que ocurre al azar.

xitos Es la ocurrencia del evento de inters como cantidad de defectos,

llamadas recibidas, servicios completados.

Experimento independiente Cuando el resultado de un experimento no tiene

influencia en el resultado de otro experimento.

Proceso experimental - conjunto de caractersticas que rigen la realizacin de

un determinado fenmeno aleatorio. Un proceso quedar definido por una
serie de caractersticas o hiptesis que puedan aplicarse a cierta categora
de experimentos o experiencias en las que participa el azar. Cada proceso
dar cuenta de un conjunto de fenmenos similares que se producen con las
mismas caractersticas o bajo las mismas hiptesis.
prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados
son agrupados en dos conjuntos excluyentes que llamaremos xito (E) y
fracaso (F).

Resultado discreto Son resultados con un nmero finito de valores (3

defectos, menos de 8, hasta 5, etc.)

Suceso raro Un evento que ocurre con poca frecuencia.

Segmento - es un intervalo, porcin, fragmento o tamao de muestra, ya sea

en unidades de distancia, rea, volumen, tiempo o cualquier otra medida.

Variable Aleatoria Discreta - Variable que puede obtener un nmero finito de

valores de forma impredecible o al azar.

variable aleatoria continua, cuando puede tomar cualquier valor en un

intervalo de la recta real.

Variable Discreta Variable que puede obtener un nmero finito de valores

como 0, 1, 2, 3.