6/6/23, 18:10 Seguridad e Integridad

Seguridad e Integridad

Unidad 1. Seguridad humana/Protección y empoderamiento

nearby_error Unidad 1. Seguridad humana

Evolución del concepto de Cuando se habla de comportamiento lineal entre dos variables o eventos, significa que
seguridad cuando uno aumenta, el otro también lo hace de manera proporcional. Esto se puede
• Concepto de seguridad humana: representar gráficamente en un diagrama de dispersión de datos, donde se dibuja una línea
de la seguridad centrada en el
Estado a la seguridad enfocada en recta entre ellos. La regresión lineal es un método estadístico que nos permite cuantificar el
el ser humano cambio en una variable Y cuando se varía el valor de otra variable X, al suponer que hay una
• Tipos de seguridad y sus relación lineal entre ellas. Este método nos ayuda a predecir valores futuros basados en
amenazas: personal, alimentaria,
ambiental, comunitaria, política, patrones lineales encontrados en datos previos. Por convención, en el eje X tendremos la
económica y sanitaria. variable independiente mientras que en Y se pondrá la variable respuesta o dependiente.
• Componentes de la seguridad
humana: libertad para vivir sin
temor, libertad para vivir sin
miseria, libertad para vivir con
dignidad

• Principios de la seguridad
humana: centrada en las personas,
multisectorial, integral,
contextualizada y preventiva

• La función como modelo

matemático para examinar la
relación entre variables de
seguridad económica: función
creciente y decreciente

Derechos humanos y seguridad

• Origen, significado y
trascendencia de los derechos Ejemplo de una regresión lineal. Imagen de Sewaqu, launch Wikimedia Commons.
humanos e influencia en el
concepto de seguridad humana:
Carta de las Naciones Unidas, El objetivo de la regresión lineal es explicar el comportamiento de una variable Y a partir de
Cumbre mundial del 2005, y una variable X. Una vez que hemos dibujado la gráfica o diagrama de dispersión, y después
Declaración sobre seguridad en las
Américas de observar una posible relación lineal entre las dos variables, nos proponemos encontrar la
• Concepto de integridad personal: ecuación de la recta que mejor se ajuste a la nube de puntos.
física, psíquica y moral
¿Recuerdas cómo es una ecuación de una recta? La ecuación de la recta va a estar
• Conceptos de poder y Estado de
derecho: su relación con los compuesta de una pendiente (m) que determina la inclinación de la recta, mientras que la
derechos y seguridad humanos
ordenada al origen (b) nos muestra dónde intercepta con el eje Y cuando x = 0 . En otras
• Organizaciones de la sociedad
civil: cómo constituirlas y su papel
palabras, la ecuación de una recta se escribe como:
en la promoción y defensa de los
derechos y seguridad humanos Y = mX + b

Cálculo para el estudio de la

seguridad humana
Si cuentas con dos puntos, se puede calcular la pendiente solo usando sus coordenadas:

• Breve historia del cálculo

diferencial e integral

• Nociones de cálculo: concepto de

función, función continua y límite
de una función

• Representaciones gráficas y
algebraicas: utilidad del cálculo en
ciencias sociales

• Concepto de modelo
matemático y su utilidad en
ciencias sociales

• El cálculo diferencial e integral en

el modelamiento matemático

• Modelos estadísticos para el

análisis de la seguridad humana:
correlación y regresión

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 1/7
6/6/23, 18:10 Seguridad e Integridad

Protección y empoderamiento

• Concepto de protección y
empoderamiento, estrategias y
líneas de acción: el caso de la
violencia de género

• Gráficas de funciones lineales

para conocer la relación entre el
poder de decisión de las mujeres y
la ideología de roles de género

• Funciones lineales: el modelo de

regresión lineal simple y su
relación con el cálculo diferencial e
integral

light_mode dark_mode remove_circle_outline add_circle_outline local_printshop

La ecuación de una recta.

Consideremos que tenemos dos puntos.

P1 = (3, 2)

P2 = (5, 6)

La recta tiene como ordenada al origen b = 3 , por lo que podemos obtener la ecuación de la
recta como:

Ejemplo para obtener la ecuación de la recta.

Imagínate que en lugar de tener solo dos puntos, tenemos muchos. En este caso, una línea
recta no siempre podrá pasar por todos los puntos. Por eso, es necesario aproximar una
recta que se ajuste lo mejor posible a los datos, es decir, una que pase cerca de la mayor
cantidad de puntos y tenga el menor error posible. Esto se logra mediante un método
estadístico llamado regresión lineal, el cual nos permite cuantificar la relación entre dos
variables y predecir cómo una de ellas cambiará al variar el valor de la otra.

¿Cómo escribimos una ecuación de la recta que pase por un conjunto de datos?

(xi , yi ) con i = 1, . . . , n ?

La ecuación de la recta ideal que pasa por todos los puntos la debemos escribir como:

yi = mxi + b

Sin embargo, la recta ideal no existe, lo que implica que:

yi ≠ mxi + b

y ese valor obtenido solo lo podemos aproximar.

Si tenemos un punto:

(xi , yi )

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 2/7
6/6/23, 18:10 Seguridad e Integridad

Calculamos la distancia entre el punto y la recta ideal. A esta diferencia le llamaremos

residuo y estará dado por:

yi − (mxi + b)

¿Qué pasaría si los residuos tuvieran un valor cercano a cero? En ese caso, la recta ideal
pasaría por todos los puntos. Con esto en mente, buscamos que la suma de todos los
residuos sea cercana a cero.

Residuos.

Se trata de buscar la recta que dé lugar a los residuos más pequeños, es decir la recta que
hace mínima la suma de cuadrados de las distancias verticales entre cada punto y la recta,
de tal manera que se minimice la suma de los errores al cuadrado y se obtenga la mejor
recta que pase por la mayoría de los puntos.

En resumen, necesitamos obtener el valor de la pendiente m y la ordenada al origen b de la

recta “ideal” que esté más cerca del conjunto de puntos a estudiar. Para tal efecto vamos a
emplear las siguientes ecuaciones:

Lo primero que vamos a hacer es calcular el promedio de x̄ y de ȳ

n

∑ xi
i=1
x̄ =
n

donde sumamos todos los posibles valores de x y los dividimos entre el número total de
datos n.

Hacemos lo mismo con y :

n

∑ yi
i=1
ȳ =
n

Con estos valores calculamos:

Sxy = ∑ (xi − x̄)(yi − ȳ )

i=1

Luego sumamos la diferencia de cada valor de x con el promedio x̄.

n
2
Sx2 = ∑ (xi − x̄)
i=1

Y ahora calculamos la pendiente m con la ecuación:

Sxy
m =
S 2
x

Para estimar la ordenada al origen b usamos el valor que ya calculamos de m y la ecuación:

b = ȳ − mx̄

Hagamos un ejemplo para aplicar esto que acabamos de aprender:

Se obtuvieron experimentalmente los valores de la siguiente tabla:

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 3/7
6/6/23, 18:10 Seguridad e Integridad

x 1.0 2.0 3.0 4.0

y 1.4 1.1 0.7 0.1

Primero calculamos el promedio de x y de y:

Lo primero que vamos a hacer es calcular el promedio de x̄ y de ȳ . Como tenemos 4 datos,

entonces n = 4 .
n

∑ xi
i=1 1+2+3+4
x̄ = = = 2.5
n 4

Hacemos lo mismo con y :

n

∑ yi
i=1 1.4+1.1+0.7+0.1
ȳ = = = 0.825
n 4

Con estos valores calculamos:

Sxy = ∑ (xi − x̄)(yi − ȳ )

i=1

Sxy = (1 − 2.5)(1.4 − 0.825) + (2 − 2.5)(1.1 − 0.825) + (3 − 2.5)(0.7 − 0.825) + (4 − 2.5)(0.1

Sxy = (−1.5)(0.575) + (−0.5)(0.275) + (0.5)(−0.125) + (1.5)(−0.725)

Sxy = (−0.8625) + (−0.1375) + (−0.0625) + (−1.0875) = −2.15

Luego sumamos la diferencia de cada valor de x con el promedio x̄:

n
2
Sx2 = ∑ (xi − x̄)
i=1

2 2 2 2
Sx2 = (1 − 2.5) + (2 − 2.5) + (3 − 2.5) + (4 − 2.5)

2 2 2 2
Sx2 = (−1.5) + (−0.5) + (0.5) + (1.5)

Sx2 = 2.25 + 0.25 + 0.25 + 2.25 = 5

Y ahora calculamos la pendiente m sustituyendo los valores que obtuvimos en la ecuación:

Sxy −2.15
m = = = −0.43
S 2
5
x

Para estimar la ordenada al origen b usamos el valor que ya calculamos de m y la ecuación:

b = ȳ − mx̄

b = 0.825 − (−0.43)(2.5) = 1.9

Por lo tanto, la ecuación de la recta "ideal" sería:

y = −0.43x + 1.9

Si graficamos los puntos y la recta “ideal” obtenemos lo siguiente:

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 4/7
6/6/23, 18:10 Seguridad e Integridad

Gráfica de los datos con la recta “ideal” obtenida por regresión lineal.

¿Ves? La recta ideal pasa muy cerca de los puntos, aunque no toca ninguno, pero nos indica
el comportamiento global de todos ellos.

¿Qué significa que la pendiente del ejemplo sea negativa? La pendiente es un parámetro
que mide el cambio de la variable Y por cada unidad de cambio de X. En este sentido, nos
indica cómo se relacionan las variables:

Si el valor de la pendiente es positivo implica que al aumentar X se incrementa el valor

de Y .
Si la pendiente es negativa, entonces Y decrece en la medida que X aumenta.

En el caso específico de este ejercicio, la pendiente de −0.43 nos indica que hay una relación
decreciente entre ambas variables.

Una ventaja de hacer un modelo y obtener la ecuación que lo describe es que nos permite
hacer pronósticos del valor de la variable dependiente Y para un valor de la variable
independiente X que no se midió en la muestra. En el ejemplo anterior determinamos que
la ecuación de la recta "ideal" es:

y = −0.43x + 1.9

¿Qué valor tendría y cuando x = 0.5 ? El valor de 0.5 no está en nuestros datos, pero ya
cotnamos un modelo que nos ayudará a predecir cómo se comportaría sin necesidad de
volver a hacer el experimento. Para resolverlo basta con que sustituyamos el valor de x
dentro de nuestra ecuación:

y = −0.43x + 1.9 = −0.43(0.5) + 1.9 = 1.685

De acuerdo con esto, si midieramos el valor de x = 0.5 , entonces tendríamos que el

resultado de y = 1.685 .

Cuando tratamos de predecir un dato que se encuentra entre los datos que medimos,
decimos que hemos hecho una interpolación. Por otra parte, si el dato se encuentra fuera
del rango de nuestros datos observados, entonces estamos haciendo una extrapolación.

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 5/7
6/6/23, 18:10 Seguridad e Integridad

Extrapolación. Imagen de launch Wikimedia Interpolación. Imagen de Berland, launch

Commons. Wikimedia Commons.

Es importante tener cuidado al utilizar ecuaciones para predecir valores que están fuera del
rango de nuestros datos. No podemos asegurar que el comportamiento seguirá siendo el
mismo sin datos de referencia adicionales. Además, debemos considerar si tiene sentido
hacer una extrapolación. Por ejemplo, no tendría sentido usar un modelo de regresión para
predecir el peso de personas extremadamente altas o extremadamente bajas. El modelo
nos dará un resultado numérico, pero debemos interpretarlo con cuidado.

Siempre que creamos un modelo de regresión, debemos preguntarnos si es una buena

representación de nuestros datos. Afortunadamente, tenemos una medida cuantitativa que
nos ayuda a evaluar la calidad del modelo. A esta medida se le conoce como coeficiente de
determinación.

Este coeficiente nos indica el grado de ajuste de la recta de regresión a los valores de la
muestra y se define como el porcentaje de la variabilidad total de la variable dependiente Y .
Este valor también se conoce como coeficiente de Pearson y está dado por:
n

∑ (xi −x̄)(yi −ȳ )

i=1
ρ =
n n

2 2
√ ∑ (xi −x̄) √ ∑ (yi −ȳ )
i=1 i=1

El coeficiente de determinación, simbolizado por ρ, mide hasta qué punto la ecuación de

regresión modela los puntos de datos reales. El valor ρ es un número entre 0 y 1, donde los
valores más cercanos al 1 indican modelos más precisos. Un valor ρ de 1 indica un modelo
perfecto, lo cual es altamente improbable en situaciones reales dada la complejidad de las
interacciones entre los distintos factores, además de las variables desconocidas.

Si este valor es cercano a uno, hay una fuerte asociación entre ellos pero cuando es cero no
hay asociación.

Ejemplos de los distintos valores del coeficiente de determinación. Imagen de Kiatdd, launch

Wikimedia Commons.

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 6/7
6/6/23, 18:10 Seguridad e Integridad

Regresión lineal
Es momento de llevar a cabo un pequeño reto.

Abrir actividad

Responde la pregunta que aparece a continuación.

1. ¿Cómo se llama al método estadístico que nos permite cuantificar el
cambio en una variable Y cuando se varía el valor de X, suponiendo que
hay una relación lineal entre ellas?

Máximos cuadrados.

Ajuste polinomial.

Regresión lineal.

Rho.

revisar

navigate_before 1 2 3 4 5 navigate_next

AVISO
Coordinación de Universidad Abierta, Innovación Educativa y Educación a Distancia de la UNAM. ©Todos los derechos reservados 2022. Hecho en México. Este sitio puede ser
reproducido con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica, de otra forma, se requiere permiso previo por escrito
de la Institución.
Al navegar en este sitio, encontrará contenidos diseñados por académicos de la UNAM, denominados Contenidos Educativos Digitales (CED), disponibles para todo el
público en forma gratuita. Los contenidos de cada CED son responsabilidad exclusiva de sus autores y no tienen impedimento en materia de propiedad intelectual; así
mismo, no contienen información que por su naturaleza pueda considerarse confidencial y reservada.
Los CED podrán ser utilizarlos sin fines de lucro, citando invariablemente la fuente y sin alterar la obra, respetando los términos institucionales de uso y los derechos de
propiedad intelectual de terceros.

https://ada.bunam.unam.mx:8091/moodle/blp2/pluginfile.php/655/mod_resource/content/30/content.html#/u1/t4/04 7/7