Modelos Probabilí

Docente: Daniel Raúl Camargo Guevara Alumna:

20-10-2023
 Introducción

Dando inicio a la unidad uno de la presente asignatura, se realizara la primera actividad

llamada “modelos probabilísticos”, en la cual, se desglosaran cada una de las
características de los modelos probabilísticos contenidos en la unidad 1.
Además se presentara un ejercicio resuelto, así como, el tipo de distribución que puede
usarse, explicando claramente los argumentos y escribiendo el modelo correspondiente
con los parámetros adecuados.
 Modelos Probabilísticos

1- Modelos Discretos: son modelos de probabilidad de variable aleatoria discreta.

DISTRIBUCIÓN DICOTÓMICA. (Bernouilli):

El campo de variación de la variable es: {0,1}. y la función de cuantía es :
P(X=0) = q = 1-p
P(X=1)= p .
Si una variable aleatoria X sigue o tiene una distribución dicotómica de parámetro p se
expresa como X ~ D(p).
Modeliza situaciones en las que:
· Se realiza una prueba
· Que sólo puede dar dos resultados posibles: A y A
· La probabilidad del resultado A es P(A) = p y la del resultado A es P(A)= q=1-p.
· En estas circunstancias la variable aleatoria X significa "nº de resultados A que se
obtienen.

La media de la distribución será: m = å x P(x) = 0.q + 1.p = p

La varianza de la distribución: s2 = a2- m2
con: a2 = S x2.P(x) = 0.q +1.p= p
s2 = a2- m2 = p - p2 = p (1-p) = p.q
Y la F.G.M.:

f(t) = E(etx) = S etx P(x) = e0 q + et p = (pet +q)

Es fácil comprobar que todos los momentos ordinarios de orden mayor o igual a 1 son
iguales a p.

DISTRIBUCIÓN BINOMIAL:
El campo de variación de la variable es {0,1, 2,3,..., n} y la función de cuantía es:

Si una variable aleatoria, X, sigue una distribución binomial de parámetros n y p se

expresa como: X ~ B(n,p).
Situaciones que modeliza:
· Se realiza un número n de pruebas (separadas o separables).
· Cada prueba puede dar dos únicos resultados A y Ã
· La probabilidad de obtener un resultado A es p y la de obtener un resultado à es q, con
q= 1-p, en todas las pruebas.Esto implica que las pruebas se realizan exactamente en las
mismas condiciones.Si se trata de extracciones, (muestreo), las extracciones deberán ser
con devolución (reemplazamiento) (M.A.S).
· En estas circunstancias se aleatoriza de forma que variable aleatoria signifique:
X = nº de resultados A que se obtienen en las n pruebas.
Es fácil comprobar que considerando estas condiciones la función de cuantía de la
variable es precisamente la que se ha especificado arriba.
La función de distribución quedará como F(x) = S P(x), sin una expresión analítica
concreta.
Los indicadores-momentos (media y varianza) pueden obtenerse a partir de la función de
cuantía (operador esperanza) o a a partir de F.G.M.:
Análogamente se pueden obtener los coeficientes de Asimetría y de Curtosis.
Que acaban siendo:

Es interesante hacer ver que si p=q= 0.5 la distribución es SIMÉTRICA Y TIENE

VARIANZA MÁXIMA
Puede determinarse la moda de una distribución binomial como el (los) valor(es) de la
variable (número entero del 0 a n) que verifica:

pn - q £ Mo £ pn + p

Generalmente será un único valor (la parte entera de la media), y podrán ser dos valores
modales cuando pn +p (ó pn-q) sea un número entero [p.ej. B(5,0.5)].

DISTRIBUCIÓN HIPERGEOMÉTRICA:
Dada la siguiente situación:
Una población constituida por N individuos en total.
De los cuales Np individuos son del tipo A , y Nq individuos son del tipo Ã.
De forma que la proporción de individuos A que hay en la población es p, y la proporción
de individuos de tipo Ã, es q (p+q=1).
Se realizan n (pruebas) extracciones sin reemplazamiento
De forma que la probabilidad de extraer un individuo A ( Ã) en una de las extracciones
depende de los resultados de las pruebas anteriores.
Si consideramos la variable aleatoria X = nº de resultados A obtenidos en las n
extracciones, X seguirá una distribución hipergeométrica. X~H(N,n,p)
Puede comprobarse que la función de cuantía es, entonces:

La distribución hipergeométrica es semejante a la binomial, excepto en el hecho de que

las pruebas no mantienen constantes las probabilidades de A y Ã
  La media de la distribución hipergeométrica es m = np
 La varianza de la distribución es s2 = npq (N-1/(N-n))
Al término (N-1/(N-n)) se le llama coeficiente de exhaustividad ,o también, factor corrector
de poblaciones finitas :
Puede observarse que este factor es siempre inferior a 1 y que cuando la población es
muy grande (N® ¥ ) tiende a 1(por tanto si la población es muy grande la media y la
varianza coinciden con las de la D. Binomial).
De hecho, si la población es muy grande (resulta irrelevante la existencia o no de
reposición) la función de cuantía de la Hipergeométrica tiende a la f. de cuantía de la
distribución Binomial y se puede prescindir del hecho de que haya o no reemplazamiento.

DISTRIBUCIÓN DE POISSON:

Formalmente: dada una variable aleatoria X con campo de variación

X  {0, 1,2,...,  }, es decir X  N cuya función de cuantía sea:

Diremos que X sigue una distribución de Poisson de parámetro  , X  P( ).

Situaciones que modeliza:

Se observa la ocurrencia de hechos de cierto tipo durante un período de tiempo o a lo
largo de un espacio, considerados unitarios
El tiempo (o el espacio) pueden considerarse homogéneos, respecto al tipo de hechos
estudiados, al menos durante el período experimental; es decir, que no hay razones para
suponer que en ciertos momentos los hechos sean más probables que otros.
En un instante (infinitesimal) sólo puede producirse como mucho un hecho (se podrá
producir o uno o ninguno).
La probabilidad de que se produzca un hecho en un intervalo infinitesimal es
prácticamente proporcional a la amplitud del intervalo infinitesimal.
Si en estas circunstancias la variable aleatoria X = nº de hechos que se producen en un
intervalo unitario sigue una distribución de Poisson, que cómo veremos tendrá por
parámetro  el número medio de hechos que pueden producirse en el intervalo unitario.

F.G.M. de una distribución de Poisson:

Derivando sucesivamente podremos obtener los distintos momentos ordinarios y, a partir
de ellos media, varianza y otros indicadores:

La moda de una distribución de Poisson puede determinarse como el valor de la variable

(el número natural) que verifica que:

 - 1  Mo  

Habitualmente la moda será la "parte entera de la  (de la media)”, pero habrá dos modas
( - 1 y  ) cuando  sea un número entero.

PROPIEDAD IMPORTANTE: CONVERGENCIA BINOMIAL-POISSON.

Dada una variable aleatoria X que siga una distribución Binomial si el parámetro n es muy
grande (n   ) y el parámetro p es muy pequeño (p  0 ) su distribución puede
aproximarse por la de una de Poisson con parámetro  = np.

La f. de cuantía de una variable X / X  B(n,p) cuando n   y p  0 tiende a:

De forma que haciendo  = np tiende a la f. de cuantía de una distribución de Poisson

con  = np.

2- MODELOS CONTINUOS

DISTRIBUCIÓN UNIFORME (DE V.CONTINUA):

Dada una variable aleatoria continua, X, definida en el intervalo [a,b] de la recta real,
diremos que X tiene una distribución uniforme en el intervalo [a,b] cuando su función de
densidad sea: X  U([a,b])

f(x)= 1/(b-a) para x  [a,b].

De manera que la función de distribución resultará:

DISTRIBUCIÓN EXPONENCIAL

Dada una variable aleatoria continua, X, definida para valores reales positivos.

Diremos que X tiene una distribución exponencial de parámetro  cuando su función de

densidad sea: f(x) =  ex para x  0 (siendo el parámetro  positivo)
Si derivamos la F.G.M. en el punto t=0 obtendremos que  = 1/

Y derivando por segunda vez en t= 0 obtendremos el momento ordinario de segundo

orden, y a partir de él la varianza:  2= 1 /2

La moda es 0 y la mediana ln2/

DISTRIBUCIÓN NORMAL:
La distribución normal es la más importante de todas las distribuciones de probabilidad.Es
una distribución de variable continua con campo de variación [- , ], que queda
especificada a través de dos parámetros ( que acaban siendo la media y la desviación
típica de la distribución).
Una variable aleatoria continua, X, definida en [- , ] seguirá una distribución normal de
parámetros  y  , ( X  N( ;  ) ) , si su función de densidad es :

Importancia de la distribución Normal.

a) Enorme número de fenómenos que puede modelizar: Casi todas las características
cuantitativas de las poblaciones muy grades tienden a aproximar su distribución a una
distribución normal.
b) Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse según una
Normal, bajo ciertas condiciones.
c) (En virtud del teorema central del límite).Todas aquellas variables que pueden
considerarse causadas por un gran número de pequeños efectos (como pueden ser los
errores de medida) tienden a distribuirse según una distribución normal.
La probabilidad de cualquier intervalo se calcularía integrando la función de densidad a lo
largo de ese de intervalo, pero no es necesario nunca resolver la integral pues existen
tablas que nos evitan este problema.

F.G.M.: puede probarse que la función generatriz de momentos de una distribución

N( ;  ) es:
A partir de ella es fácil comprobar como efectivamente la media de la distribución es el
parámetro  y, cómo su varianza es el parámetro .

Igualmente puede comprobarse que la distribución es simétrica y que su curtósis es nula.

Propiedad importante: "CUALQUIER TRANSFORMACIÓN LINEAL DE UNA VARIABLE
ALEATORIA NORMAL TIENE TAMBIÉN UNA DISTRIBUCIÓN NORMAL DONDE LA
MEDIA DE LA NUEVA VARIABLE ES LA MISMA TRANSFORMACIÓN LINEAL DE LA
MEDIA DE LA ANTIGUA Y DONDE LA DESVIACIÓN TÍPICA ES LA DESVIACIÓN
TÍPICA ANTIGUA MULTIPLICADA POR EL COEFICIENTE ANGULAR DE LA
TRANSFORMACIÓN":

Dada una variable X  N( ;  ) si la nueva variable Y es Y = a+bX

Y N(a+b ; b ) :

En efecto: la F.G.M de la distribución de X será:

E(etx) = e( t + ½ 2t2)

Y la F.G.M. de la distribución de Y será:

y(t)= eat.x(bt) = eat .e( bt + ½ 2b2t2) = e((a+b )t + (b )2t2)

Que es la F.G.M de una distribución N(a+b ; b ) //*q.e.d.*//

Consecuencia importante de esto es que si se tipifica una variable X / X  N( ;  ) la

nueva variable Z = tendrá una distribución N(0,1).

La distribución N(0,1) se conoce con el nombre de Normal tipificada o reducida y tiene una
importancia teórica y práctica fundamental.Su Función de distribución está tabulada y ello
nos permite calcular directamente cualquier probabilidad de cualquier intervalo de
cualquier distribución normal ( X  N( ;  )), sin necesidad de integrar.

En efecto: si X  N( ;  ) y queremos calcular P(X [a,b])==P(a X  b) =

Donde  es la F. de distribución de una Normal tipificada, que puede evaluarse a través

de las tablas.

Ejercicio
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. (*)
Fuente: (*) Ejercicio tomado de Sheldon M. Ross. (2008). Introducción a la
estadística. Reverté.

Solución
Genes progenitor. Híbrido 1 = (d, r)
Genes progenitor. Híbrido 2 = (d, r)
El descendiente debe tener el par (r, r) para tener apariencia contraria:
Probabilidad de obtener:
Gen r de progenitor 1 es 0,5
Gen r de progenitor 2 es 0,5
Probabilidad de formar la pareja (r, r) es:
0,5*0.5=0.25=25%
P (tener apariencia contraria) = 25%
Padre híbrido., 1 = (d, r)
Madre híbrido. 1 = (d, r)
Los hijos pueden tener las siguientes combinaciones de genes:
a) (d, d)
b) (d, r)
c) (r, d)
d) (r, r)
Si un descendiente tiene apariencia recesiva y los demás no sería del 42.2%
Apariencia recesiva = (3/4)*(3/4)*(3/4)*(1/4)*4 = 108/256 = 0,422 = 42.2%
Por lo tanto, este ejercicio es de distribución binominal, ya que es una distribución de
probabilidad discreta y nos dice el porcentaje en que es probable obtener un resultado
entre dos posibles al realizar un número n de pruebas.

Conclusión

Con el desarrollo del presente trabajo se pude llegar a la conclusión de la importancia que
tienen los métodos estadísticos para la seguridad pública, esto debido a que nos permite
prever futuros comportamientos y/o acontecimientos sobre cierta situación que se quiera
analizar, como por ejemplo, la probabilidad de que aumente o disminuya el número de
homicidios en un estado.

Bibliografía

o Durbán, M. Estadística. Modelos de probabilidad. Recuperado

de https://bit.ly/3H4tZRR