Esp U1 A1 Yaca

Carrera: Seguridad Pública
Ciclo Escolar: 2020
Asignatura: Estadística para la investigación en la Seguridad Publica
Semestre: 3° Bloque: 2
Nombre del Docente:
Alumno:
Matricula:
UNIDAD 1: Modelos probabilísticos
Actividad: Modelos probabilísticos

INTRODUCCION
Modelos probabilísticos (distribuciones de probabilidad). Estos modelos nos

permiten describir los resultados de un experimento, así como predecir el
comportamiento que hay en una variable de estudio.
Por lo que en la presente Actividad daremos a conocer los tipos de modelos

probabilísticos con los que podemos apoyarnos, así como también se resolverá el
problema planteado por el docente.
DESARROLLO
Modelo probabilístico binomial. Las distribuciones son consideradas binomial

cuando:
° Los eventos que se presentan son independientes.
° Existen dos posibles resultados del evento (éxito o fracaso).
° La probabilidad del éxito permanece constante.
° La variable aleatoria X se define como el numero de éxitos dentro del numero n

fijo en ensayos.
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
ocurran x éxitos en n ensayos es:
P (x) = nCX pxqn-x

Otra manera de escribir la probabilidad:
n!
P (x / n,p ) = x ! ( n−x ) !
px q n−x
P (x) = ( nx)p q
x n-x
Para esta distribución, se tiene que:
° La media: µ= np
° La varianza: σ2= npq
° La distribución estándar: σ=√npq

Modelo probabilístico Poisson. Esta distribución se usa 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≤.0.1 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 ʵ µ. Uno de los cuidados que debe tenerse al usar la fórmula para la
distribución de Poisson es que el valor de ʵ debe aplicarse al periodo de tiempo
pertinente.
La probabilidad de X éxitos en una distribución de Poisson está dada por:
ʵ
P (x| ʵ )= x!e
Cabe señalar que e , es la base de los logaritmos naturales ( e = 2,71828…)
Para una distribución de Poisson el promedio es igual a la varianza, es decir:
µ=σ2
Modelo probabilístico normal: Es una distribución continua y simétrica, con los
valores observados distribuidos de manera uniforme y demás, no es plana ni
puntiaguda (mesocurtica). Siendo importante por tres razones:
° Muchos procesos aleatorios se conforman de esta forma.
° 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 en 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:
1 (x−μ) 2
f (x) = √2 πσ e-
❑
2σ 2
µ
La función exponencial e también se expresa como, exp (x), de manera que f (x)
puede ser escrita como:
1 (x−μ) 2
f (x) = √2 πσ 2 exp ⁡¿-
❑
2σ 2
¿
Para determinar la probabilidad de ocurrencia en el intervalo a≤ x ≤ b se debe

resolver la integral mostrada, lo que equivale a calcular el área bajo la curva
normal en ese intervalo.
Sin embargo, puesto que para diferentes valores µ y σ de y se genera una

distribución normal distinta, calcular la probabilidad anterior significa resolver
muchas veces la misma integral.
Las distribuciones normales se transforman a otra equivalente, denominada

distribución normal estándar, cuyas principales características son que: µ = 0 y σ
=1
Si la forma limite de un histograma para una distribución de frecuencias tiene la
forma de una campana, entonces puede usarse una curva normal para la
determinación de las probabilidades.
Recuérdese que para una variable continua no es posible conocer la probabilidad

de un evento, así que es necesario realizar distribuciones de frecuencias.
Se sabe que σ tiene la siguiente interpretación geométrica con respecto a la curva

normal.
El área bajo la curva normal entre µ - σ y µ + σ y es aproximadamente el 68%
del área total.
El área bajo la curva normal entre µ - 2σ y µ + 2σ y es aproximadamente el 95%

del área total.
El área bajo la curva normal entre µ - 3σ y µ + 3σ y es aproximadamente el

99.7% del área total.
El eje de la figura previa ha sido marcado en unidades de σ, empezando como la

media µ. Es claro en este bosquejo que casi no hay área bajo la curva más allá
de 3σ unidades desde µ. Extendiéndose desde ∞ hasta- + ∞.

Aproximación de la distribución 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 np y q la distribución normal permite calcular:

n
p { x ≥ a= ∑ c ¿ x n-x
¿ x=a n
xp q
Hay que tener mucho cuidado para hacer la aproximación correcta de la binomial
usando la normal, ya que es necesario calcular los valores de la z 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
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.
Tipo de distribución que puede utilizarse:

La distribución que se puede utilizar es la Binomial, porque existen dos posibles
resultados cualquiera de los dos que posee el progenitor citado ya sea un gen
dominante o un gen recesivo.
p = probabilidad que descendiente sea dominante puro
q = probabilidad que descendiente sea recesivo puro
( d ) gen dominante ( r ) gen recesivo
Progenitor con genes dominante puro (d, d)
Progenitor con genes recesivos puro (r, r)
Espacio muestral ( d, d) (d, r) (r, r) (r, d)
FORMULA:
n!
P (x / n,p ) = x ! ( n−x ) !
px q n−x
Descendientes que tenga gen dominante es X = 3
Posibles casos de un descendiente con gen dominante n = 4
Probabilidad de elegir un caso posible es .25
Valores:
x= 0, 1, 2, 3.
n= 4
p= .25
q= 1 – p= q
q= 1-.25= .75
q= .75
Los resultados para el cálculo de probabilidad del gen dominante es:
0 posible resultado del gen dominante:
Sustituir valores en la formula
n
P (x) = ( x )pxqn-x
4
P (0) = ( 0 ).250 .754-0
= 1 (1) (.75)4
= 1 (1) (0. 3164)
p= 0. 3164
En porcentaje 31%
4
P (1) = ( 1 ).25 1.754-1
= 4 (.25) (.75)3
= (4) (.25) (0. 4218)
p= 0. 4218
En porcentaje 42%
2 posibles resultado del gen dominante:
P (2) = ( 42).25 .75

2 4-2
= 6 (.0625) (.75)2
= (6) (.0625) (0. 5625)
p= 0.2109
En porcentaje 21%
P (3) = ( 43).25 .75

3 4-3
= 4 (.0156) (.75)1
= (4) (.0156) (0. 75)

p= 0.0468
En porcentaje 4.6 %
Por lo que podemos observar que existe la posibilidad de tener el descendiente

un gen dominante es X = 3
Posibles casos de un descendiente con gen dominante n = 4
Probabilidad de elegir un caso posible es .25
0 posible resultado del gen dominante: p= 0. 3164 En porcentaje 31%
1 posible resultado del gen dominante: p= 0. 4218 En porcentaje 42%
2 posible resultado del gen dominante: p= 0.2109 En porcentaje 21%
3 posible resultado del gen dominante: p= 0.0468 En porcentaje 4.6 %
CONCLUSIONES
Los modelos probabilísticos nos permiten conocer. Comprender y saber aplicar los
métodos estadísticos, ya que nos permite tomar decisiones sobre eventos o
fenómenos que se estudian, con argumentos y evidencias para sustentar la
información.
Referencias:
UnaDm, Estadística para la investigación en seguridad publica, Modelos

probabilísticos, pág. 20-35 (2020)
Durbán, M. Estadística. Modelos de probabilidad. Recuperado de

https://goo.gl/cUzw3v
MateFacil. (2016) Distribución binomial (Ejercicio resuelto).

https://www.youtube.com/watch?v=OWDIFqB5ZZY&feature=youtu.be

Esp U1 A1 Yaca

Cargado por

Copyright:

Formatos disponibles

Esp U1 A1 Yaca

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Esp U1 A1 Yaca

Cargado por

Copyright:

Formatos disponibles

Carrera: Seguridad Pública

Ciclo Escolar: 2020

Asignatura: Estadística para la investigación en la Seguridad Publica

Nombre del Docente:

UNIDAD 1: Modelos probabilísticos

Actividad: Modelos probabilísticos

Modelos probabilísticos (distribuciones de probabilidad). Estos modelos nos

Por lo que en la presente Actividad daremos a conocer los tipos de modelos

Modelo probabilístico binomial. Las distribuciones son consideradas binomial

° Los eventos que se presentan son independientes.

° Existen dos posibles resultados del evento (éxito o fracaso).

° La probabilidad del éxito permanece constante.

° La variable aleatoria X se define como el numero de éxitos dentro del numero n

Si p es la probabilidad de éxito, q‗ 1-p es la probabilidad de fallo, x es el número

P (x) = nCX pxqn-x

Para esta distribución, se tiene que:

° La varianza: σ2= npq

° La distribución estándar: σ=√npq

° Los eventos ocurren en un continuo de tiempo o espacio.

° Los eventos ocurren de manera independiente.

° Los eventos son “raros” ( p≤.0.1 y np ≤. 5).

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

La probabilidad de X éxitos en una distribución de Poisson está dada por:

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

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

° Muchos procesos aleatorios se conforman de esta forma.

° Se usan para aproximar otras distribuciones de probabilidad, como la binomial y

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

Para determinar la probabilidad de ocurrencia en el intervalo a≤ x ≤ b se debe

Sin embargo, puesto que para diferentes valores µ y σ de y se genera una

Las distribuciones normales se transforman a otra equivalente, denominada

Recuérdese que para una variable continua no es posible conocer la probabilidad

Se sabe que σ tiene la siguiente interpretación geométrica con respecto a la curva

El área bajo la curva normal entre µ - 2σ y µ + 2σ y es aproximadamente el 95%

El área bajo la curva normal entre µ - 3σ y µ + 3σ y es aproximadamente el

El eje de la figura previa ha sido marcado en unidades de σ, empezando como la

de 3σ unidades desde µ. Extendiéndose desde ∞ hasta- + ∞.

Cuando n es grande, por ejemplo n≥ 30, pero np¿ 5 y nq ¿ 5 la distribución de

Conocida np y q la distribución normal permite calcular:

Tipo de distribución que puede utilizarse:

p = probabilidad que descendiente sea dominante puro

q = probabilidad que descendiente sea recesivo puro

( d ) gen dominante ( r ) gen recesivo

Progenitor con genes dominante puro (d, d)

Progenitor con genes recesivos puro (r, r)

Espacio muestral ( d, d) (d, r) (r, r) (r, d)

Descendientes que tenga gen dominante es X = 3

Posibles casos de un descendiente con gen dominante n = 4

Probabilidad de elegir un caso posible es .25

Los resultados para el cálculo de probabilidad del gen dominante es:

0 posible resultado del gen dominante:

Sustituir valores en la formula

= 1 (1) (0. 3164)

1 posible resultado del gen dominante:

= (4) (.25) (0. 4218)

2 posibles resultado del gen dominante:

P (2) = ( 42).25 .75

= (6) (.0625) (0. 5625)

3 posible resultado del gen dominante: