UnADM

Universidad Abierta y a Distancia de México

Licenciatura: Seguridad Pública.

Asignatura: Estadística para la investigación en seguridad pública.

Docente:

Matricula: ES162005837.

Unidad: 1

Actividad 1: Tarea. Modelos probabilísticos

Instrucciones:

1. Revisa el tema de “Modelos probabilísticos”, en el contenido de la unidad

•Desarrollo:
Desglosa las características de cada uno de los modelos probabilísticos que revisaste a lo largo
de la unidad

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.

Los modelos pueden ser discretos o continuos.

A) MODELO BINOMINAL
Es un modelo discreto, es decir, la variable toma valores conocidos y finitos. Es utilizado en
gráficos de control para análisis de número o porcentaje defectuoso, adicionalmente se utiliza
para calcular probabilidades de aceptación o rechazo de lotes en muestreo de aceptación, de
ahí su importancia.

Un modelo Binomial cumple las siguientes propiedades:

1) El experimento tiene un número fijo de pruebas.

2) De cada prueba solo puede presentarse uno de dos resultados. Un éxito o un fracaso.

3) La probabilidad de éxito y la probabilidad de fracaso son constante para cada prueba.

4) Cada una de las pruebas es independiente de todas las demás, es decir, lo que ocurre en una
prueba cualquiera, no afecta los resultados de las otras pruebas.

Si una variable aleatoria definida previamente cumple las condiciones anteriores, se dice que ella
se distribuye Binomial con parámetros n, p y se escribe de la siguiente manera:

X  b (x, n, p)

La distribución binomial debe cumplir los siguientes requisitos

I. El Número de veces “n” en cualquier experimento solo consideramos la probabilidad de éxito
o fracaso.

II. El éxito o fracaso son eventos independientes, es decir no depende uno de otro para suceder

III. La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión

Al estudiar una distribución binomial calculamos el número de veces, que en un experimento

podemos obtener éxito. Donde éxito está representado por P (p=x), y fracaso, (q = 1 − p), donde
la probabilidad de obtener Éxitos se demuestra así:

P(X)=NCX PX qN-X

B) MODELO POISSON Y SUS DISTRIBUCIONES ASOCIADAS

En el proceso de Poisson, aproximación binomial-Poisson. Ley de los "sucesos raros".
Reproductividad de la distribución de Poisson. Aproximación Poisson-normal. La distribución
exponencial. La distribución gamma. Relación de las probabilidades gamma con las
probabilidades de Poisson. Reproductividad de la distribución gamma. Aproximación de la ley
gamma por la normal.

Distribución de poisson, se define como la cantidad de veces que ocurre un evento en un

intervalo de tiempo determinado. La varianza de una variable aleatoria es proporcional a la
media.

Es una distribución discreta, tiene su principal aplicación en teoría de colas o fenómenos de

espera y en control estadístico de calidad; así, como para calcular probabilidades en eventos
escasos y en intervalos de tiempo y espacio.

Ejemplo, ¿cuál es la probabilidad de que lleguen 5 llamadas en un minuto a un conmutador?

¿Cuál es la probabilidad de que se encuentren 4 huecos en un kilómetro?

Sintaxis:

POISSON (x; media; acumulado).

X = al número de sucesos.

Media = al valor numérico esperado, usualmente se conoce como lambda 

Acumulado = Si el argumento es VERDADERO, se devuelve la probabilidad de que se así.

 C) MODELO NORMAL
Sin duda, es la más usada de las distribuciones estadísticas, dado que tiene múltiples
aplicaciones en todas las áreas del conocimiento.

La sintaxis es:

DISTR.NORM (x;media;desv_estándar;acum).

X = al valor bajo el cual se encontrará el área (probabilidad) deseada,

Media = es la media aritmética de la distribución

Desv_estándar = a la desviación estándar de la distribución

Acum = al valor lógico que determina la forma de la función.

Si el argumento acum es VERDADERO, la función DISTR.NORM devuelve la función de

distribución acumulada.

Si el argumento media = 0 y desv_estándar = 1, la función DISTR.NORM devuelve la distribución

normal estándar, DISTR.NORM. ESTAND.

Coloca el siguiente ejercicio y resuélvelo.

Suponga que un cierto rasgo (color de ojos, ser zurdo, etc.) se determina por un par de genes, y
que además d representa un gen dominante, y r un gen recesivo. Un funcionario de seguridad
pública con una pareja de genes (d, d) se dice que es dominante puro y con la pareja de genes
(r, r) se dice que es recesiva pura y con una pareja (d,r) se dice que es híbrida. En apariencia,
los dominantes puros y los híbridos son similares. Los descendientes de una pareja reciben un
gen de cada progenitor y este gen puede, con la misma probabilidad, ser uno cualquiera de los
dos que posee el progenitor citado. (*)

Experiencias binomiales

Toda experiencia aleatoria que presenta dos resultados posibles, uno que fijamos como “éxito y
lo contrario como “fracaso” se suele denominar de tipo Bernoulli.
 Por ejemplo, las siguientes experiencias son de tipo Bernoulli:
 Jugar a cara o cruz.
 El nacimiento de un niño (varón o mujer)
 Obtener un “4” en el lanzamiento de un dado.
 Obtener un número “par” en el lanzamiento de un dado.
 Obtener “copas” al extraer una carta de la baraja española.
 La fabricación de una pieza en una factoría (aceptable o defectuosa).
 El resultado de una operación (´éxito o fracaso).
 El lanzamiento a una canasta (encestar o fallar).
 Aprobar o suspender un examen.

Cuando se realizan n pruebas independientes de tipo Bernoulli decimos que es una experiencia
aleatoria de tipo Binomial.
Por ejemplo, las siguientes experiencias son de tipo Binomial:
 Jugar 10 veces a cara o cruz.
 Observar 30 nacimientos de un bebé (niña o niño)
 Obtener el “4” en el lanzamiento de 15 dados.
 Obtener “copas” al extraer una carta 8 veces de la baraja española.
 La fabricación de 1000 piezas en una factoría (aceptable o defectuosa).
 El resultado de 50 operaciones (´éxito o fracaso).
 El lanzamiento a una canasta n veces (encestar o fallar).

Determina e indica qué tipo de distribución puede usarse.

El descendiente tendrá la apariencia contraria a la de ellos, si recibe los genes iguales de cada
progenitor.

Los eventos que se presentan son independientes.

Solo existen dos posibles resultados del evento (gen dominante y gen recesivo).
La probabilidad de éxito permanece constante.
La variable aleatoria se define como el número de éxitos dentro de un número fijo de ensayos. X n

S= {dd, dr, rd, rr}= {0, 1, 1, 2}; X ={0,1, 2}; S= {11, 12, 21, 22} = {2, 3, 3, 4}; X ={2, 3, 4}

xi 0 1 2 xi 2 3 4
pi 1/4 1/2 1/4 pi 1/16 1/8 1/16

1 1 2 1
Esto es: P(x≠1)= P(0)+ P(2)=2/4 = ½ P(x≠ 3) = 𝑃(2) + 𝑃(4) = 16 + 16 = 16 = 8
Conclusión.
La recolección de las muestras depende de los procedimientos analíticos empleados y los
objetivos del estudio, el objetivo del muestreo es obtener una parte representativa del material
bajo estudio.

Por lo tanto el muestreo estadístico resulta importante para implementarlo en la realización de

un estudio, debido a que mediante este se pueden obtener resultados que se buscan para poder
determinar los beneficios que estas técnicas nos ofrecen.

En los diferentes tipos de muestreo existen no probabilística en los cuales se deben establecer
diferencia en el momento de realizar nuestras investigaciones por tanto que en el no
probabilística no toda la población forma parte de la muestra y en el probabilística todos los
individuos tienen probabilidad positiva de formar parte de la muestra.

Fuente consultada:

Programa de la asignatura: Estadística para la investigación en seguridad pública. (2018).

Unidad 1. Modelos probabilísticos. 28/09/2018, de UNADM Sitio web:
https://unadmexico.blackboard.com/bbcswebdav/institution/DCSA/BLOQUE2/SP/03/SESP_
2017_02/U1/descargables/SESP_U1_Contenido_2018_1_b2.pdf