¿QUE ES UN MODELO PROPABILISTICO?

(ANYELI)

Un modelo probabilístico o estadístico es la forma que pueden tomar un conjunto

de datos obtenidos de muestreos de otros datos con comportamiento que se
supone aleatorio.

Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y

que incluye un conjunto de asunciones sobre la generación de algunos datos
muestrales, de tal manera que asemejen a los datos de una población mayor.

Las asunciones o hipótesis de un modelo estadístico describen un conjunto de

distribuciones de probabilidad, que son capaces de aproximar de manera
adecuada un conjunto de datos. Las distribuciones de probabilidad inherentes de
los modelos estadísticos son lo que distinguen a los modelos de otros modelos
matemáticos deterministas.

Un modelo estadístico queda especificado por un conjunto de ecuaciones que

relacionan diversas variables aleatorias, y en las que pueden aparecer otras
variables no aleatorias. Como tal "un modelo es una representación formal de una
teoría"1

Todos los tests de hipótesis estadísticas y todos los estimadores estadísticos

proceden de modelos estadísticos. De hecho, los modelos estadísticos son una
parte fundamentalmente de la inferencia estadística.

Características de los modelos probabilísticos

Todos los modelos probabilísticos tienen las características siguientes:
● Son completos (exhaustivos) para todo el espacio muestral del proceso. Es
decir, Asignan valores de probabilidad a todos los posibles resultados del espacio
muestral. En el caso de variables continuas, la estimación no es puntual sino por
intervalo.

● La suma de las probabilidades que integran los elementos del espacio muestral
esUno. En el caso de las distribuciones de variables continuas, la integración (área
Bajo la curva) es uno.

● Estos modelos pueden ser empíricos o derivados de ciertas suposiciones que

pueden no cumplirse con el fenómeno bajo estudio.
MODELO DISCRETOS
Son a las que tenemos que recurrir cuando queremos contar objetos. Esto es así
porque las variables aleatorias discretas son las que describen las variables con
valores enteros, con o una lista de valores positivos y/o negativos.

En su mayoría se basan en repeticiones de pruebas de Bernoulli. Los más

utilizados son:

DISTRIBUCIÓN BERNOULLI

En teoría de probabilidad y estadística, la distribución Bernoulli (o distribución

dicotómica), nombrada así por el matemático suizo Jacob Bernoulli, es una
distribución de probabilidad discreta, dónde el valor 1 (éxito) ocurre con la
probabilidad P y el valor 0 (fracaso) con la probabilidad .

q= 1 – p

Un experimento al cual se aplica la distribución de Bernoulli se conoce como

Ensayo de Bernoulli o simplemente ensayo y la serie de esos experimentos como
experimento Bernoulli.

MODELO BINOMIAL

Dicho de una manera mucho más simple, la distribución binomial es una forma de
calcular cómo se distribuyen las probabilidades en situaciones donde solo hay dos
posibles resultados: un éxito o un fracaso. Esta se aplica cuando realizamos una
serie de pruebas, todas independientes entre sí, y queremos saber cuántas veces
ocurrirá un evento específico, como obtener cara al lanzar una moneda varias
veces.

Por ejemplo, si lanzamos una moneda cinco veces y queremos saber cuántas
veces saldrá cara, este escenario se ajusta perfectamente a lo que llamamos
distribución binomial. Aquí, definimos sacar cara como nuestro éxito y contamos
cuántas veces sucede esto en nuestros lanzamientos.

Por tanto, la distribución binomial nos ayuda a entender la probabilidad de que

algo suceda o no, en situaciones donde solo hay dos opciones y hacemos varias
pruebas para verificarlo.
n = Número de ensayos/experimentos

x = Número de éxitos

p = Probabilidad de éxito

q = Probabilidad de fracaso (1-p)

MODELO GEOMETRICO (STHEPANNY)

La distribución geométrica permite calcular la probabilidad de que tenga que

realizarse un número k de repeticiones antes de obtener un éxito por primera vez;
esta probabilidad decrece a medida que aumenta k con lo que la función de masa
de probabilidad es siempre decreciente.
MODELO BIOMIAL NEGATIVO

La distribución binomial negativa es una distribución de probabilidad que describe

el número de ensayos de Bernoulli necesarios para obtener un número
determinado de resultados con éxito.

Por lo tanto, una distribución binomial negativa tiene dos parámetros

característicos: r es el número de resultados con éxito deseado y p es la
probabilidad de éxito de cada experimento de Bernoulli realizado.

MODELO HIPERGEOMETRICO

La distribución hipergeométrica es una distribución discreta que modela el número de

eventos en una muestra de tamaño fijo cuando usted conoce el número total de
elementos en la población de la cual proviene la muestra. Cada elemento de la muestra
tiene dos resultados posibles (es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente. Cuando se elige un
elemento de la población, no se puede volver a elegir. Por lo tanto, la probabilidad de que
un elemento sea seleccionado aumenta con cada ensayo, presuponiendo que aún no
haya sido seleccionado.

Por ejemplo, usted recibe un envío de pedido especial de 500 etiquetas. Supongamos que
el 2% de las etiquetas es defectuoso. El conteo de eventos en la población es de 10 (0.02
* 500). Usted toma una muestra de 40 etiquetas y desea determinar la probabilidad de
que haya 3 o más etiquetas defectuosas en esa muestra. La probabilidad de que haya 3 o
más etiquetas defectuosas en la muestra es de 0.0384.
MODELO POISSON
La distribución de Poisson es una distribución de probabilidad discreta que
modeliza la frecuencia de eventos determinados durante un intervalo de tiempo
fijado a partir de la frecuencia media de aparición de dichos eventos.
En otras palabras, la distribución de Poisson es una distribución de probabilidad
discreta que, tan solo conociendo los eventos y su frecuencia media de
ocurrencia, podemos saber su probabilidad.
Expresión de la distribución de Poisson
Dada una variable aleatoria discreta X decimos que su frecuencia se puede
aproximar satisfactoriamente a una distribución de Poisson, tal que:

A diferencia de la distribución normal, la distribución de Poisson solo depende de

un parámetro, mu (marcado en amarillo).
Mu informa del número esperado de eventos que ocurrirán en un intervalo de
tiempo fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a
pensar en la media. Por tanto, mu es la media de la frecuencia de los eventos.
Tanto la media como la varianza de esta distribución son mu, estrictamente
positiva.