[Unidad 1.

Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Actividad
probabilsticos

Sergio Rubn Martinez Luna

4.

Modelos

DOCENTE: GUADALUPE GUTIRREZ

ROUSSEAU

ALUMNO: SERGIO RUBN MARTNEZ

LUNA

UNIVERSIDAD ABIERTA Y A
DISTANCIA DE MXICO

Licenciatura en Seguridad Pblica

ASIGNATURA: Estadstica para la investigacin en seguridad pblica
Unidad 1. Modelos probabilsticos

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Sergio Rubn Martinez Luna

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.

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Tipo
Definicin

Caracterstic
as

Ejemplo de
su utilidad

Sergio Rubn Martinez Luna

Modelo binomial
Discreta

Modelo Poisson
Discreta

Es un modelo discreto, es decir, la

variable toma valores conocidos y
finitos.

Distribucin discreta que se aplica cuando

En estadstica y pro
se realizan ms de una vez y de forma
distribucin normal,
independiente el experimento de
distribucin gaussia
Bernoulli.
distribuciones de pr
Se le llama distribucin de los "eventos
continua que con m
raros" pues se usa como aproximacin a la aproximada en fen
binomial cuando el tamao de muestra es
grande y la proporcin de xitos es
pequea.
Esta distribucin se utiliza para calcular la Esta distribucin de
probabilidad de que ocurra un nmero
y simtrica, es de
designado de eventos cuando:
observados distrib
los eventos ocurren en un
y adems, no es p
continuo de tiempo o espacio,
(mesokurtica).
los eventos ocurren de manera
La grfica de su fun
independiente,
forma acampanad
los eventos son raros ( p 0.1 y
de un determinad
conoce como cam
np 5 ).
grfico de una fun
Las posibilidades en este tipo de
distribucin son infinitas; es decir que el
nmero de eventos va de cero a infinito de
manera discreta.
En este tipo de experimentos los xitos
buscados son expresados por unidad de
rea, tiempo, pieza, etc,

Los eventos que se presentan son

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 (xito o fracaso).
La probabilidad de xito
permanece constante.
La variable aleatoria X se define
como el nmero de xitos
dentro de un nmero n fijo de
ensayos.
El experimento tiene un nmero
fijo de pruebas.
Es utilizado en grficos de control
para anlisis de nmero o
porcentaje defectuoso,
adicionalmente se utiliza para
calcular probabilidades de
aceptacin o rechazo de lotes en
muestreo de aceptacin, de ah su
importancia.

La llegada de un cliente al negocio

durante una hora.
Las llamadas telefnicas que se reciben en
un da.
Los defectos en manufactura de papel por
cada metro producido.
Los envases llenados fuera de los lmites
por cada 100 galones de producto
terminado.

2. Explica detalladamente cul modelo se puede usar segn las

condiciones del caso de estudio; puedes apoyarte de
organizadores grficos.

Modelo Normal
Continua

La importancia de la
debe principalmente
variables asociadas
siguen el modelo de
- Caracteres morfol
(personas, animales
especie. Por ejempl
envergaduras, dim
- Caracteres fisiolg
una misma dosis de
misma cantidad de
- Caracteres sociol
consciente intelectu
un medio.

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Sergio Rubn Martinez Luna

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.

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Sergio Rubn Martinez Luna

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.

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Sergio Rubn Martinez Luna

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.

[Unidad 1. Modelos
probabilsticos
Actividad 4. Modelos
probabilsticos]

Sergio Rubn Martinez Luna

Fuentes de consulta
http://aprendeenlinea.udea.edu.co/lms/moodle/file.php/402/Tema_4/Modelos_probab
ilisticos_Caucasia.pdf
Anderson, S. (2006). Estadsticas para administracin y economa. (8tva ed.).
Mxico:Thomson.
http://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf