La probabilidad es una rama de la matemática implementada en muchas disciplinas,

desde lo domestico hasta las grandes decisiones que se toman para guiar a la sociedad hacia
un mejor futuro. En nuestra disciplina las probabilidades son fundamentales para analizar los
sistemas y demás actividades que por el trabajo se deban de realizar.

La probabilidad es una medida de la certidumbre sobre la ocurrencia de un evento. A

través de esta se pueden plantear hipótesis que pueden intentar descubrirse sobre el universo y
las cosas inciertas como el futuro o el pasado.

Los sistemas y modelos probabilísticos son herramientas utilizadas en diversos

campos, como la estadística, la inteligencia artificial y la teoría de la probabilidad, para
describir y analizar fenómenos inciertos o aleatorios.

Con la probabilidad no se puede saber a con toda certeza que va a ocurrir, pero se
pueden plantear posibilidades a partir de lo que ya paso implementando modelos
probabilísticos que permitan cuantificar los hechos ya sucedidos para intentar obtener posibles
respuestas.

Por otro lado, los modelos probabilísticos son representaciones simplificadas de la

realidad que se construyen utilizando conceptos y técnicas de la teoría de la probabilidad.
Estos modelos capturan las relaciones y las interacciones entre variables y permiten realizar
inferencias y predicciones sobre los eventos futuros.

“Los primeros cálculos de probabilidades surgieron como consecuencia de los juegos

de azar, es una idea generalizada” (Rueda, 2018). Haigh (2003) describe una gran cantidad de
juegos de azar, que van desde los usuales de un casino (dados, cartas, ruleta) hasta juegos de
mesa como el monopolio, backgammon y programas de televisión; pasando por los diferentes
tipos de apuestas en juegos de conjunto, como el futbol. (Citado por Rueda, 2018).

La probabilidad es utilizada para definir la referencia cíclica, pero no puede ser

utilizado para situaciones donde los resultados no son igualmente probables; por consiguiente,
no puede ser utilizado para un número infinito de resultados posibles.

En el siglo XVIII Pierre Simon Laplace formula, la ley de Laplace que forma parte de
la teoría de la probabilidad, “también recibe el nombre de regla de sucesión, y es ampliamente
utilizada hoy en día para estimar las probabilidades de que se produzca determinado evento”
(Ley de Laplace, 2023).

Es una fórmula ampliamente utilizada en estadística con el objetivo de calcular

probabilidades de un experimento cuando los resultados de este tienen la misma probabilidad
de realizarse. La Ley de Laplace consiste en el cociente entre los resultados probables y los
resultados posibles de un experimento con una variable aleatoria.

La ley de Laplace = Casos Probables / Casos Posibles

Son todos los Son todos los resultados

resultados posibles que alumbra un
que se pueden experimento de forma
obtener al realizar un secuencial, siendo estos
experimento. excluyentes.

La probabilidad de un evento A se define a priori como:

Número de resultados favorables a A
P(A) = Número total de resultados posibles
|A| n(A)
= |S| = n(S)

en el caso de que todos los resultados (o salidas) son igualmente probables.

(Abarca Calderón, 2020)

Los modelos probabilísticos son la forma en que se puedes tomar un conjunto de datos
con comportamiento que se supone aleatorio. Es decir, es un modelo estadístico que usa la
probabilidad, y que incluye un conjunto de asunciones sobre la generación de algunos datos
muéstrales, de tal manera que se asemejen a los datos de una población más grande.

A lo largo de este ensayo se abordarán cuatro tipos de modelos probabilísticos:

1- Distribución Hipergeométrica

“Es especialmente útil en todos aquellos casos en los que se extraigan muestras o se
realicen experiencias repetidas sin devolución del elemento extraído o sin retornar a la
situación experimental inicial” (Cañas Escamilla). Es fundamental una distribución de
muestras pequeñas y el poder calcular a través del azar posibles resultados.

Las consideraciones para tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto

"N" de pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
 En la primera prueba las probabilidades son: P(A) = p y P(A) = q; con p + q =
1.

2- Distribución de Poisson

Es definida por un parámetro de lambda, que representa un número promedio de

eventos esperados por una unidad de tiempo o espacio. La distribución de Poisson también
surge cuando un evento o suceso “raro” ocurre aleatoriamente en el espacio o el tiempo. La
variable asociada es el número de ocurrencias del evento en un intervalo o espacio continuo,
por tanto, es una variable aleatoria discreta que toma valores enteros de 0 en adelante
(Distribuciones de Probabilidad).

El concepto de evento “raro” o poco frecuente debe ser entendido en el sentido de que
la probabilidad de observar k eventos decrece rápidamente a medida que k aumenta.

Una variable sigue una distribución de Poisson si cumple con:

o Los datos son conteos de eventos.

o Todos los eventos son independientes.
 o Las tasas promedio no cambian durante el período de interés.

A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición
de este que puede integrarse con facilidad para obtener la función de cuantía de la variable
"número de hechos que ocurren en un intervalo unitario de tiempo o espacio" (Distribución de
Poisson) que sería:

3- Distribución Normal

Es, sin duda, la distribución de probabilidad más importante del Cálculo de

probabilidades y de la Estadística. (…), la importancia de la distribución normal queda
totalmente consolidada por ser la distribución límite de numerosas variables aleatorias,
discretas y continuas, como se demuestra a través de los teoremas centrales del límite
(Distribuciones de Probabilidad).

Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su

propio nombre indica su extendida utilización, justificada por la frecuencia o normalidad con
la que ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.

4- Distribución Uniforme

La distribución uniforme es útil para describir una variable aleatoria con probabilidad
constante sobre el intervalo [a, b] en el que está definida. Esta distribución presenta una
peculiaridad importante: la probabilidad de un suceso dependerá exclusivamente de la
amplitud del intervalo considerado y no de su posición en el campo de variación de la
variable.

Cualquiera sea la distribución F de cierta variable X, la variable transformada Y =

F(X) sigue una distribución uniforme en el intervalo [0,1]. Esta propiedad es fundamental por
ser la base para la generación de números aleatorios de cualquier distribución en las técnicas
de simulación.

Los modelos estadísticos basados en diferentes distribuciones, son herramientas

importantes en el análisis de datos y la toma de decisiones. Cada una de estas distribuciones
tiene características específicas que se ajustan a diferentes tipos de fenómenos y situaciones.

La distribución uniforme se utiliza cuando todos los resultados posibles tienen la

misma probabilidad de ocurrir. Es útil en casos donde no hay sesgos o preferencias hacia
ningún resultado en particular.

La distribución normal, también conocida como distribución de Gauss o campana de

Gauss, es ampliamente utilizada debido a su forma simétrica y su propiedad de describir
naturalmente muchos fenómenos en la naturaleza. Es especialmente relevante en estadística
debido al teorema del límite central, que establece que la suma de un gran número de
variables aleatorias independientes tiende a seguir una distribución normal.
 La distribución de Poisson se utiliza para modelar la ocurrencia de eventos raros e
independientes en un intervalo de tiempo o espacio. Es adecuada para situaciones donde el
número promedio de eventos es conocido, pero la ocurrencia exacta es aleatoria.

La distribución hipergeométrica se aplica cuando se selecciona una muestra sin

reemplazo de una población finita en la que se distinguen dos categorías o subpoblaciones.
Esta distribución es útil cuando se desea calcular la probabilidad de obtener cierto número de
elementos de una categoría específica en la muestra.

En conclusión, estos modelos estadísticos, proporcionan herramientas poderosas para

describir, analizar y predecir datos en una amplia variedad de contextos. Su elección depende
de la naturaleza de los datos y el fenómeno que se esté estudiando, y su aplicación correcta
puede ayudar a comprender mejor el comportamiento de los datos y tomar decisiones
fundamentadas.

Referencias

(s.f.). Retrieved 12 de Julio de 2023, from Sergas.es:

https://www.sergas.es/Saude-publica/Documents/1927/4-Ayuda%20Distribuciones
%20de%20probabilidad.pdf

Abarca Calderón, F. (2020). La probabilidad (Conceptos Básicos). Presentaciones con teoría del
curso IE0405 - Modelos Probabilísticos de Señales y Sistemas. San Jose. Retrieved 12 de
Julio de 2023, from
https://www.kerwa.ucr.ac.cr/bitstream/handle/10669/83895/1%20Introduccio%cc%81n
%20a%20la%20probabilidad.pdf?sequence=2&isAllowed=y

Cañas Escamilla, J. J. (s.f.). Distribución hipergeométrica. RED DEscartes.

https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/
EstadisticaProbabilidadInferencia/VAdiscreta/4_1DistribucionHipergeometrica/
index.html

Rueda, R. (2018). Blaise Pascal y Pierre de Fermat ¿Los fundadores de la probabilidad?

Miscelanea Matemática(65), 55-65. Retrieved 12 de Julio de 2023, from
 https://miscelaneamatematica.org/download/tbl_articulos.pdf2.bd711dc35bea6d73.36353
0352e706466.pdf

Software del Sol. (2023). Retrieved 12 de Julio de 2023, from

https://www.sdelsol.com/glosario/ley-de-laplace/#:~:text=Ley%20de%20Laplace
%20%3D%20casos%20probables,resultados%20posibles%20ser%C3%ADan
%2020%20diferentes.

uv.es. (s.f.). Retrieved 12 de Julio de 2023, from https://www.uv.es/ceaces/base/modelos%20de

%20probabilidad/poisson.htm