TERCER SEMESTRE

LICENCIATURA EN SEGURIDAD PÚBLICA

MATERIA
Estadística para la Investigación en Seguridad Pública

UNIDAD I
Modelos Probabilísticos

ACTIVIDAD I
Modelos Probabilísticos

GRUPO
SP-SESP-1801-B2-001
CLAVE: SEPS SECCION: B2

DOCENTE:
Sin asignar

ASESOR:
Isabel Aguirre Retana

EQUIPO 5:
Coss MartínezJosé Iván Es1521208143
Cruz Colmenares Shirley Verenice Es1611301496
Cruz Miranda Fidel Manuel Al10506766
Del Ángel Del Ángel Lucio Al11509120

Chihuahua, Chihuahua a
 martes 09 de abril de 2017.

Actividad 1. Modelos Probabilísticos

I. INTRODUCCION
Existen diferentes modelos probabilísticos y cada uno de ellos se utiliza según las
características de los datos que se analicen. Por lo tanto, la actividad tiene como objetivo
que identifiques las características de cada uno de los modelos probabilísticos, que
analices las similitudes y diferencias entre ellos y que soluciones ejercicios.
Si al estudiar el comportamiento de una variable aleatoria se ve que ésta se comporta de
cierta manera, es posible usar modelos conocidos para calcular la probabilidad de que un
evento ocurra. Es decir, un modelo probabilístico permite describir los resultados de un
experimento, así como predecir el comportamiento de la variable de estudio.
Frecuentemente, a los modelos probabilísticos también se les denomina distribuciones de
probabilidad.
Identificar las características de cada uno de los modelos probabilísticos, analizando las
similitudes y diferencias entre ellos, así como solucionando ejercicios al respecto.

II. DESARROLLO
A. MUESTRA
Es un subconjunto de mediciones o eventos que se seleccionan de la población de
interés. Se dice que una muestra debe ser representativa de la población. Ejemplo
de Muestra: Secuestros cometidos en México.
B. PARAMETROS
Son las mediciones de las características de la población. Algunos de estos
parámetros son:
 ẋ mediana
 μ media
 σ varianza
Si la distribución de una población puede expresarse mediante alguna función, los
parámetros pueden ser utilizados para determinar el comportamiento de la
distribución.
C. TIPOS DE MUESTREO
La teoría de muestreo es un conjunto de técnicas que permite estimar y describir
cantidades desconocidas de la población, tales como la media poblacional (μ) y la
varianza (σ) (llamados parámetros poblacionales) a partir de los correspondientes
estadísticos (estimadores).
a) ESTRATIFICADO
Cuando es necesario dividir una población en grupos, denominados estratos o
clases, se deben tener en cuenta algunas recomendaciones:
 Los estratos no se superponen y todos ellos forman a la población.

2 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA

  Los elementos de cada estrato deben ser lo más parecidos entre sí, que
respecto a la población.
 Los estratos deben ser lo más diferentes entre ellos.
 No hay ventaja en la estratificación si el criterio que se usa para formar los
grupos es únicamente que sean del mismo tamaño.

b) POR CONGLOMERADOS
Cuando la población se puede dividir en grupos con toda la variabilidad de la
población, es decir, lo suficientemente heterogéneos para considerar que cada
uno de ellos representa a la población, entonces se dice que se tienen
conglomerados. Ahora bien, para una población dividida en conglomerados,
cuando se requiere un muestreo, se pueden elegir algunos de los estratos para
la realización del estudio, ya que cada uno de los grupos puede ser considerado
equivalente al otro porque son igual de diferentes entre ellos (heterogéneos),
pero además se puede pensar en cada uno de ellos como una pequeña copia de
la población que se estudia y, por ello, todos los elementos del conglomerado se
pueden incluir en la muestra.

D. VARIABLES ALEATORIAS
Una variable aleatoria (x) es un número cuyo valor se determina mediante un
proceso al azar. El adjetivo aleatorio se usa para indicar que el valor de la variable
depende del resultado de un experimento, que a su vez depende del azar.
a) DISCRETAS
Se dice que las variables aleatorias son discretas cuando se puede hacer una
lista con todos los valores numéricos posibles de la variable aleatoria y de las
probabilidades correspondientes en una tabulación.
b) CONTINUAS
Frecuentemente no es posible hacer una lista con todos los valores de la
variable aleatoria y sus correspondientes probabilidades, porque son
demasiados. Podemos decir, con ciertas limitaciones, que una variable aleatoria
continua tiene un número infinito de valores posibles.
c) ESPERANZA Y VARIANZA
Una distribución de probabilidad se resume a través de la media (µ) y la varianza
2
(σ )

E. MODELOS PROBABILÍSTICO
a) BINOMIAL
Una distribución es considerada binomial cuando:
 Los eventos que se presentan son independientes.
 Sólo existen dos posibles resultados del evento (éxito o fracaso).

3 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA

  La probabilidad de éxito permanece constante.
 La variable aleatoria X se define como el número de éxitos dentro de un
número n fijo de ensayos. X n
Si p es la probabilidad de éxito, q=1-p es la probabilidad de fallo, x es el número
específico de éxitos y n el número de ensayos, entonces la probabilidad P de que
ocurren x éxitos en n ensayos es: P(X)= nCxpxqn-x
Otra manera de escribir la probabilidad:
P (x|n, p)= ( n!/x!(n-x)!) xqn-x
Para esta distribución, se tiene que:
 la media: µ=np
 la varianza: σ2=npq
 la distribución estándar: σ=√npq

b) POISSON
Esta distribución se utiliza para calcular la probabilidad de que ocurra un
número designado de eventos cuando:
 Los eventos ocurren en un continuo de tiempo o espacio.
 Los eventos ocurren de manera independiente.
 Los eventos son “raros” (p ≤1. 0 y np≤5).

Teóricamente, las posibilidades en este tipo de distribución son infinitas; es decir

que el número de eventos va de cero a infinito de manera discreta. Para
determinar la probabilidad de que ocurra un cierto número de éxitos en un
proceso de Poisson, sólo es necesario conocer el número promedio, a largo
plazo, de eventos para el tiempo o espacio de interés, dicho valor promedio se
designa como µ o λ. Uno de los cuidados que debe tenerse al usar la fórmula
para la distribución de Poisson es que el valor de  debe aplicarse al periodo de
tiempo pertinente.
La probabilidad de X éxitos en una distribución de Poisson está dada por:

Cabe señalar que , es la base de los logaritmos naturales ( = 2,71828…)

Para una distribución de Poisson el promedio es igual a la varianza, es decir:
µ=σ2

c) NORMAL
Esta distribución de probabilidades es continua y simétrica, es decir, con los
valores observados distribuidos de manera uniforme y además, no es plana ni
puntiaguda (mesocúrtica). La distribución normal es importante por tres
razones:
 Muchos procesos aleatorios se comportan de esta forma.

4 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA

  Se usan para aproximar otras distribuciones de probabilidad, como la
binomial y la de Poisson.
 La distribución de probabilidad de la media muestral y la proporción
muestral es la distribución normal cuando el tamaño de la muestra es
grande, sin importar la forma de la distribución de la población de
origen.

En el caso de una variable aleatoria con distribución de probabilidad continua,

sólo es posible determinar el valor de probabilidad de que la variable aleatoria
tome valores en un intervalo; puesto que hay un número infinito de valores en
cualquier intervalo, la probabilidad de que tome un valor en particular es cero.

Para una variable con distribución normal, se tiene que la altura de la función de
densidad (o curva de probabilidad) es:

La función exponencial eµ también se expresa como exp(X), de manera que f(X)

puede ser escrita como:

d) APROXIMACION A LA DISTRIBUCION NORMAL A LA BINOMIAL

Cuando n es grande, por ejemplo n≥30 , pero np>5 y nq>5 , la distribución de
probabilidad binomial puede aproximarse a la distribución de probabilidad
normal.
Conocida n, p y q la distribución normal permite calcular:

Hay que tener mucho cuidado para hacer la aproximación correcta de la

binomial usando la normal, ya que es necesario calcular los valores z de con los
valores de x1-E y/o x2+E, siendo E la mitad del intervalo sobre el cual se
construye el histograma. A este ajuste se le denomina corrección por
continuidad.

F. RESOLVER EL SIGUIENTE 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

5 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA

 este gen puede, con la misma probabilidad, ser uno cualquiera de los dos que posee
el progenitor citado.

 Determina e indica qué tipo de distribución puede usarse.

LA DISTRIBUCION BINOMIAL

 Explica claramente tus argumentos.

1.- Son eventos independientes, cada gen depende de cada progenitor.
2.-Solo existen 2 resultados, puede recibir un gen de cada progenitor.
3.- la probabilidad de recibir un gen de cada progenitor es la misma 0.5
4.-la variable aleatoria, es la combinación de genes que pueda formar, según el
gen que reciba de cada progenitor.
 Escribe el modelo correspondiente con los parámetros adecuados.
P(x|n,p)= ((n!/x!(n-x)!)) px qn-x

dd dr rr rd
X x1 x2 x3 x4
P 1 2 1 2 6
0.167 0.333 0.167 0.333 1

p q
dd dd 1 0.25 0.75
rr rr 1 0.25 0.75
rd dr rd 2 0.5 0.5
n 4

n 4
x 0 1 2 3 4 5 6

n!
(p^x)(q^n-x)
x! (n -x)! 1 1
p^x q^(n-x)
24 1 0.316 0.3164 24 1 0.063 0.063
24 24

24 0.25 0.422 0.4219 24 0.5 0.125 0.25

6 6

24 0.063 0.563 0.2109 24 0.25 0.25 0.375

4 4

24 0.016 0.75 0.0469 24 0.125 0.5 0.25

6 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA

 6 6

24 0.004 1 0.0039 24 0.063 1 0.063

24 24

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

estadística. Reverté.

III. CONCLUSIONES
La correcta aplicación de los métodos estadísticos es importante para eso hay que conocer
y comprender, ya que por medio de estos podemos tomar decisiones sobre algunos
eventos o fenómenos que ocurren en nuestra vida diaria, todo esto con el fin de sustentar
las decisiones que se tomen. Por ejemplo, descubrir que en un lugar ocurren más
accidentes que en otros lugares, es un horario específico o bajo condiciones específicas,
brinda la oportunidad de tomar las medidas para evitarlos. Las aplicaciones de las
estadísticas solo están limitadas por la veracidad, existencia de los mismos y por la
capacidad de interpretación.

IV. FUENTES DE CONSULTA.

 Durbán, M. Estadística. Modelos de probabilidad. Recuperado de https://goo.gl/cUzw3v

 Modelos probabilísticos. Recuperado de https://goo.gl/2PmIiU

7 ESTADISTICA PARA LA INVESTIGACION EN SEGURIDAD PÚBLICA