[Unidad 1.

Modelos probabilísticos Sergio Rubén Martinez Luna

Actividad 4. Modelos probabilísticos]

UNIVERSIDAD ABIERTA Y A DISTANCIA DE MÉXICO

Licenciatura en Seguridad Pública

ASIGNATURA: Estadística para la investigación en seguridad pública

Unidad 1. Modelos probabilísticos

Actividad 4. Modelos probabilísticos

DOCENTE: GUADALUPE GUTIÉRREZ ROUSSEAU

ALUMNO: SERGIO RUBÉN MARTÍNEZ LUNA

 [Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]

Actividad 4. Modelos probabilísticos

1. Revisa y ordena las características de cada uno de los modelos probabilísticos
que revisaste en los temas precedidos.
Los modelos probabilísticos son modelos matemáticos apropiados para situaciones reales en
condiciones específicas, son importantes porque nos ayudan a predecir la conducta de futuras
repeticiones de un experimento aleatorio. Es decir, un modelo probabilístico permite describir los
resultados de un experimento, así como predecir el comportamiento de la variable de estudio.

Frecuentemente, a los modelos probabilísticos también se les denomina distribuciones de

Probabilidad.

Los modelos pueden ser discretos o continuos.

Los modelos o distribuciones discretas más 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 sólo se estudian Binomial, Poisson y Normal.

1
[Unidad 1. Modelos probabilísticos
Actividad 4. Modelos probabilísticos]
Modelo binomial
Discreta
Tipo
Es un modelo discreto, es decir, la variable
Definición toma valores conocidos y finitos.
 Los eventos que se presentan son
Características independientes, es decir, lo que ocurre
en una prueba cualquiera, no afecta los
resultados de las otras pruebas.
 Solo existen dos posibles resultados del
evento para cada prueba (éxito o
fracaso).
 La probabilidad de éxito permanece
constante.
 La variable aleatoria X se define como el
número de éxitos dentro de un número
n fijo de ensayos.
 El experimento tiene un número fijo de
pruebas.
Es utilizado en gráficos de control para
Ejemplo de su análisis de número o porcentaje
utilidad defectuoso, adicionalmente se utiliza para
calcular probabilidades de aceptación o
rechazo de lotes en muestreo de
aceptación, de ahí su importancia.
Sergio Rubén Martinez Luna
Modelo Poisson
Discreta
Distribución discreta que se aplica cuando se realizan
más de una vez y de forma independiente el
experimento de Bernoulli.
Se le llama distribución de los "eventos raros" pues
se usa como aproximación a la binomial cuando el
tamaño de muestra es grande y la proporción de
éxitos es pequeña.
Esta distribución se utiliza para calcular la
probabilidad de que ocurra un número designado de
eventos cuando:
 los eventos ocurren en un continuo de
tiempo o espacio,
 los eventos ocurren de manera
independiente,
 los eventos son “raros” ( p  0.1 y np  5 ).
Las posibilidades en este tipo de distribución son
infinitas; es decir que el número de eventos va de
cero a infinito de manera discreta.
En este tipo de experimentos los éxitos buscados son
expresados por unidad de área, tiempo, pieza, etc,
 La llegada de un cliente al negocio durante una
hora.
 Las llamadas telefónicas que se reciben en un día.
 Los defectos en manufactura de papel por cada
metro producido.
 Los envases llenados fuera de los límites por cada
100 galones de producto terminado.
Modelo Normal
Continua
En estadística y probabilidad se llama distribución normal,
distribución de Gauss o distribución gaussiana, a una de las
distribuciones de probabilidad de variable continua que
con más frecuencia aparece aproximada en fenómenos
reales.
 Esta distribución de probabilidades es continua y
simétrica, es decir, con los valores observados
distribuidos de manera uniforme y además, no es plana
ni puntiaguda (mesokurtica).
 La gráfica de su función de densidad tiene una forma
acampanada y es simétrica respecto de un determinad
o parámetro. Esta curva se conoce como campana de
Gauss y e es el gráfico de una función gaussiana.
La importancia de la distribución normal se debe
principalmente a que hay muchas variables asociadas a
fenómenos naturales que siguen el modelo de la normal.
- Caracteres morfológicos de individuos (personas,
animales, plantas,…) de una especie. Por ejemplo: tallas,
pesos, envergaduras, diámetros, perímetros,…
- Caracteres fisiológicos, por ejemplo: efecto de una misma
dosis de un fármaco, o de una misma cantidad de abono.
- Caracteres sociológicos, por ejemplo: consciente
intelectual, grado de adaptación a un medio.
 [Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]

2. Explica detalladamente cuál modelo se puede usar según las condiciones del
caso de estudio; puedes apoyarte de organizadores gráficos.
Partiendo de que una distribución de probabilidad queda definida y caracterizada por los siguientes
elementos:

1.- la especificación de la variable aleatoria y su campo de variación.

2.- la especificación de su asignación de probabilidades, mediante la función de distribución.

Si un conjunto dado de distribuciones tiene sus funciones de distribución con la misma ESTRUCTURA
FUNCIONAL, diremos que pertenece a la misma FAMILIA DE DISTRIBUCIONES, al mismo MODELO DE
PROBABILIDAD o a la misma DISTRIBUCIÓN-TIPO.

p.ej : Todas las distribuciones que están definidas sobre una v.a. continua de modo que para x³ 0 la
función 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 matemática de las funciones de definición que caracterizan un modelo de probabilidad

suelen depender de uno o más parámetros. Estos parámetros son los PARÁMETROS DE LA DISTRIBUCIÓN
(TIPO), y tienen un importancia fundamental, en Estadística matemática y sobre todo en INFERENCIA
ESTADÍSTICA.

Muchos modelos de probabilidad pueden establecerse teóricamente sin necesidad de recurrir a un

sistema de aleatorización racional. Sin embargo, en muchos casos resulta conveniente definir los
modelos de probabilidad recurriendo a un claro sistema de aleatorización sobre determinado tipo de
fenómeno aleatorio .Procediendo de esta manera podremos disponer de un sistema para identificar el
modelo a aplicar en un gran número de situaciones prácticas semejantes.

El procedimiento es sencillo: primero haremos una clasificación de los fenómenos aleatorios de más fácil
determinación (procesos experimentales), después determinaremos algunas aleatorizaciones que nos
generan variables aleatorias cargadas de gran significado práctico y, por último, obtendremos la
estructura funcional de las funciones de definición de su distribución, partiendo, para ello, de la
probabilidad inducida para la variable por el fenómeno 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 características del fenómeno que analicemos (partiendo del proceso experimental del que
se trate) podremos, identificando la variable aleatoria que nos interesa, estudiar y determinar la
estructura matemática de su distribución.
 [Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]

3. Escribe las recomendaciones que le harías a alguien que está estudiando los
modelos probabilísticos; es decir, ¿cuáles conceptos o detalles deberían
centrar su atención para que el tema sea comprendido?
Las recomendaciones principales es que se tenga bien claro que los modelos probabilísticos son modelos
matemáticos para situaciones reales, en este caso se debe tener bien claro cual es el objetivo de modelar
una situación.

Asimismo es importante que se identifique correctamente cual es la variable a estudiar para así poder
elegir el tipo de modelo a aplicar.

Conceptos relevantes para el tema de modelos probabilísticos:

 Aleatorio – que ocurre al azar.

 Éxitos – Es la ocurrencia del evento de interés 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 características que rigen la realización de un determinado

fenómeno aleatorio. Un proceso quedará definido por una serie de características o hipótesis
que puedan aplicarse a cierta categoría de experimentos o experiencias en las que participa el
azar. Cada proceso dará cuenta de un conjunto de fenómenos similares que se producen con las
mismas características o bajo las mismas hipótesis.

 prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados son agrupados en dos
conjuntos excluyentes que llamaremos ´éxito (E) y fracaso (F).

 Resultado discreto – Son resultados con un número finito de valores (3 defectos, menos de 8,
hasta 5, etc.)

 Suceso raro – Un evento que ocurre con poca frecuencia.

 Segmento - es un intervalo, porción, fragmento o tamaño de muestra, ya sea en unidades de

distancia, área, volumen, tiempo o cualquier otra medida.

 Variable Aleatoria Discreta - Variable que puede obtener un número 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 número finito de valores como 0, 1, 2, 3.

1
 [Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]

Fuentes de consulta

http://aprendeenlinea.udea.edu.co/lms/moodle/file.php/402/Tema_4/Modelos_probabilisticos_Caucasi
a.pdf

Anderson, S. (2006). Estadísticas para administración y economía. (8tva ed.). México:Thomson.

http://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf