Modelos probabilísticos en seguridad pública

Estadstica para la investigacin en seguridad pblica
Unidad 1. Modelos probabilsticos
Be
Licenciatura en Seguridad Pblica
3 Semestre
Programa de la asignatura:
Estadstica para la investigacin en seguridad
pblica
Clave:
LIC 01142315// TSU 02142315
Universidad Abierta y a Distancia de Mxico

UnADM
Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

1
ndice
Unidad 1. Modelos probabilsticos ....................................................................................................... 3
Presentacin de la unidad.................................................................................................................... 3
Propsitos ............................................................................................................................................ 3
Competencia especfica ....................................................................................................................... 4
1.1. Muestreo ....................................................................................................................................... 4
1.1.1. Estratificado .......................................................................................................................... 6
1.1.2. Por conglomerados ............................................................................................................... 7
. Tipos de muestreo ............................................................................................................................. 7
Actividad 1. Tipos de muestreo ............................................................................................................ 7
Actividad 2. Muestreo .......................................................................................................................... 7
1.2. Variables aleatorias....................................................................................................................... 8
1.2.1. Discretas.............................................................................................................................. 11
1.2.2. Continuas ............................................................................................................................ 11
1.2.3. Esperanza y varianza ............................................................................................................... 11
Actividad 3. Variables aleatorias ........................................................................................................ 15
1.3. Modelos probabilsticos ............................................................................................................... 16
1.3.1. Binomial ............................................................................................................................... 16
1.3.2. Poisson ............................................................................................................................... 19
1.3.3. Normal ................................................................................................................................ 21
1.3.4. Aproximacin de la distribucin normal a la binomial .......................................................... 25
1.4. Aplicacin de la distribucin normal ............................................................................................ 25
1.4.1. Solucin de ejercicios que involucran a la distribucin normal ............................................ 25
Actividad 4. Modelos probabilsticos .................................................................................................. 30
Actividad 5. Modelos probabilsticos .................................................................................................. 30
Actividad 6. Problemario .................................................................................................................... 30
Autoevaluacin .................................................................................................................................. 30
Evidencia de aprendizaje. Resolucin de ejercicios de modelos probabilsticos ................................ 31
Actividades de Autorreflexin ............................................................................................................. 31
Cierre de la unidad............................................................................................................................. 31
Fuentes de consulta........................................................................................................................... 32
Fuentes digitales ................................................................................................................................ 32
2
Presentacin de la unidad
En esta primera unidad se describen los principales modelos probabilsticos empleados en la

investigacin. Se realiza inferencia estadstica para una poblacin por medio de tcnicas estadsticas
y, finalmente, se realizan comparaciones entre poblaciones a travs de pruebas de hiptesis.
Conocer, comprender y saber aplicar los mtodos

estadsticos es extremadamente importante, ya que por
medio de ellos se pueden tomar decisiones sobre los
eventos o fenmenos que se estudian; lo anterior
porque se tendrn argumentos y evidencias para
sustentar dichas decisiones. Por ejemplo, descubrir que
en un lugar ocurren ms accidentes que en otros
lugares, en horas especficas o bajo condiciones
particulares, brinda la oportunidad de tomar las
medidas pertinentes para evitarlos.
Las aplicaciones de la estadstica solo estn limitadas por la veracidad de los datos que se estudian y
por la imaginacin de los usuarios de los mtodos estadsticos.
Propsitos
Los propsitos de esta unidad son:
Identificar los diferentes tipos de muestreo.

Reconocer los diferentes tipos de variable aleatoria.
Comprender el significado de esperanza y varianza, as como
aprender a determinarlas.
Conocer y usar los diferentes modelos probabilsticos.
Conocer, comprender y usar la aproximacin de la distribucin
Normal a la binomial

3
Competencia especfica
Analizar informacin para la caracterizacin de una poblacin mediante el

estudio de los tipos de modelos probabilsticos y la seleccin del modelo
pertinente.
1.1. Muestreo
Existen dos tipos de anlisis estadsticos, que se corresponden con dos enfoques de la Estadstica:
Estadstica descriptiva. Se refiere a las tcnicas que son utilizadas para describir o
caracterizar los datos obtenidos (Pagano, 2011).
Estadstica inferencial. Es la parte de la estadstica que permite tomar decisiones e inferir

sobre los grupos de donde se han tomado las muestras (poblaciones) a partir de informacin
obtenida de dichas muestras.
Para asegurar que las descripciones que se vern ms adelante son claras, se establecern las
siguientes definiciones:
Poblacin. Este trmino se emplea para representar clases enteras de objetos o eventos a
los que se les atribuirn generalizaciones.
Muestra. Es un subconjunto de mediciones o eventos que se seleccionan de la poblacin

de inters. Se dice que una muestra debe ser representativa de la poblacin.
Parmetro. Son las mediciones de las caractersticas de la poblacin. Algunos de estos

parmetros son:
mediana
media
varianza
Si la distribucin de una poblacin puede expresarse mediante alguna funcin, los

parmetros pueden ser utilizados para determinar el comportamiento de la
distribucin.
Estimador. Es un valor numrico basado en los datos de una muestra aleatoria, que se utiliza

4
para estimar el valor de un parmetro poblacional.
La teora de muestreo es un conjunto de tcnicas que permite estimar y describir cantidades

desconocidas de la poblacin, tales como como la media poblacional () y la varianza () (llamados
parmetros poblacionales) a partir de los correspondientes estadsticos (estimadores).
Tambin permite saber si las diferencias observadas entre dos muestras son debidas a situaciones
aleatorias o si realmente son significativas, lo que sirve para decidir sobre la validez de determinados
experimentos.
Las conclusiones de la teora del muestreo y de la inferencia estadstica solo pueden ser vlidas si las
muestras son representativas de la poblacin, por ejemplo, cuando se realiza muestreo al azar,
donde cada miembro de la poblacin tiene igual probabilidad de ser elegido.
El muestreo en el que cada miembro de la poblacin puede elegirse ms de una vez se llama
muestreo con remplazamiento. Cuando solo puede ser elegido una vez, se tiene un muestreo sin
remplazamiento.
Segn el tamao de una poblacin, esta puede clasificarse como:
La que tiene un nmero contable de elementos.

Finita
Cuando la poblacin est formada por un nmero incontable de elementos. Sin embargo,
desde el punto de vista de la estadstica, una poblacin finita muy grande puede
Infinita considerarse infinita.
Considrense todas las posibles muestras de tamao N que pueden tomarse de una poblacin, si con
cada una de las muestras se calcula un estadstico (estimador), por ejemplo la media o la desviacin
estndar, se obtiene una distribucin del estadstico denominada distribucin muestral, que ser
estudiada ms adelante.

5
1.1.1. Estratificado
Cuando es necesario dividir una poblacin en grupos, denominados estratos o clases, se deben tener
en cuenta algunas recomendaciones:
Los estratos no se superponen y todos ellos forman a la poblacin.

Los elementos de cada estrato deben ser lo ms parecidos entre s, que respecto a la
poblacin.
Los estratos deben ser lo ms diferentes entre ellos.
No hay ventaja en la estratificacin si el criterio que se usa para formar los grupos es
nicamente que sean del mismo tamao.
Es importante resaltar que para cada uno de los estratos son aplicables los procedimientos expuestos
para un muestreo aleatorio simple. Por lo anterior, si de cada estrato se extrae una muestra, la
muestra final de la poblacin estar compuesta por el conjunto de estas y se tendr un tamao de
muestra ms pequeo que si se realizara una muestra del total de la poblacin, y aun si fuera del
mismo tamao, en ambos casos se tendr una precisin mayor. A esta forma de elegir una muestra
se le conoce como muestreo aleatorio estratificado.
Existen varios criterios para la estratificacin:
Asignacin proporcional al tamao de los estratos. Tambin se le denomina criterio de

asignacin uniforme de muestreo. El propsito es dar un mayor peso a los estratos de mayor
tamao.
Asignacin proporcional a las desviaciones estndar de los estratos. En este caso, se

asignan los tamaos muestrales de los estratos en proporcin a los niveles de dispersin de
los mismos. Esta asignacin es mejor cuando los estratos son iguales o aproximadamente
iguales entre s.
Asignacin ptima. Se llama as a una combinacin de los dos tipos previos de asignacin:
las diferencias entre las fracciones se asignan como proporcionales a las diferencias entre las
desviaciones estndar.

6
1.1.2. Por conglomerados
Cuando la poblacin se puede dividir en grupos con toda la variabilidad de la poblacin, es decir, lo
suficientemente heterogneos para considerar que cada uno de ellos representa a la poblacin,
entonces se dice que se tienen conglomerados.
Ahora bien, para una poblacin dividida en conglomerados, cuando se requiere un muestreo, se
pueden elegir algunos de los estratos para la realizacin del estudio, ya que cada uno de los grupos
puede ser considerado equivalente al otro porque son igual de diferentes entre ellos (heterogneos),
pero adems se puede pensar en cada uno de ellos como una pequea copia de la poblacin que se
estudia, y por ello todos los elementos del conglomerado se pueden incluir en la muestra.
Cuando se hablaba de muestreo estratificado, la unidad muestral eran los elementos de la poblacin
y cada estrato estaba formado por elementos muy parecidos entre s, mientras que en un muestreo
por conglomerado, los elementos que conforman el grupo deben ser muy diferentes entre s para
poder representar a la poblacin. Adems, los estratos deben ser lo ms diferentes de uno a otro y
los conglomerados deben ser parecidos entre ellos.
. Tipos de muestreo
Actividad 1. Tipos de muestreo
Para realizar tu actividad:
Dirgete a tu aula virtual

Revisa las instrucciones de la herramienta
Atiende a las indicaciones de tu Docente en lnea
Actividad 2. Muestreo
Para concluir el tema, es importante que tambin realices la presente

actividad, para ello:


7
1.2. Variables aleatorias
Como recordars, en el primer curso de Estadstica se estudiaron frecuencias asociadas a las

muestras y su descripcin. En este segundo curso se estudiarn las distribuciones de frecuencia en
una poblacin, as como sus propiedades.
Una distribucin de frecuencia de una muestra es una estimacin de la distribucin de frecuencia de

la poblacin correspondiente. Si la muestra es grande, entonces la distribucin de frecuencia de la
muestra es una buena aproximacin a la distribucin de frecuencia de la poblacin. Ahora bien,
aunque usualmente las muestras no son lo bastante grandes para determinar la distribucin de la
poblacin con mucha precisin, en ella existe suficiente informacin para sugerir el tipo de
distribucin implicada, adems de que puede obtenerse informacin de otras fuentes y de la
experiencia misma.
Una variable aleatoria X es un nmero 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.
Ejemplo (1). Experimento: lanzar simultneamente tres monedas.

(a) El espacio muestral del experimento (el conjunto de todos los resultados posibles).
Sea A el resultado de obtener un guila y S el resultado de obtener un sol o sello. El

espacio muestral de lanzar simultneamente tres monedas:
S = {AAA, AAS, ASA, SAA, ASS, SAS, SSA, SSS}
(b) Sea X la variable aleatoria que describe el nmero de guilas en cada lanzamiento.
Escribir el valor de la variable aleatoria.
Los valores que toma la variable aleatoria X , son 3, 2,2,2,1,1,1,0; por tanto,
podemos escribir: X 3, 2, 1, 0. Como los valores que puede tomar la variable se
pueden contar, se dice que es una variable aleatoria discreta.
Ejemplo (2). Experimento: lanzar simultneamente dos dados de diferente color

(a) El espacio muestral de lanzar simultneamente dos dados.
S= {11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56
61 62 63 64 65 66}
8
(b) Sea X la variable aleatoria que describe la suma de los puntos obtenidos en cada
lanzamiento. Escribir el valor de la variable aleatoria.
Los valores de X en cada lanzamiento son:

2 3 4 5 6 7
3 4 5 6 7 8
4 5 6 7 8 9
5 6 7 8 9 10
6 7 8 9 10 11
7 8 9 10 11 12
Por tanto X 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 que como puede apreciarse, es una variable
aleatoria discreta.
Ejemplo (3). Experimento: consideremos que de un estante se eligen 100 paquetes de azcar cuya
etiqueta dice 1 kg. Designemos como la variable aleatoria X el peso que se mide de cada paquete.
Describir el espacio muestral para el experimento.
En este caso, los valores que podemos esperar para el peso de los paquetes ya no se
puede listar, por tal motivo tenemos que X es una variable continua. Es decir, el espacio
muestral est conformado por todos los valores contenidos dentro de un rango de valores.
Podemos decir, por ejemplo, que el espacio muestral es el intervalo 0.900,1.100
kilogramos.
Cuando se asignan probabilidades de ocurrencia, a todos los posibles valores numricos de una
variable aleatoria X , mediante una tabulacin o una funcin, se obtiene como resultado una
distribucin de probabilidad.
Es necesario resaltar que:

La probabilidad de cada evento es un valor entre cero y uno, inclusive.
La suma de todas las probabilidades debe ser igual a uno.
f x significa que hay una funcin donde f depende de x .
PX x significa que la variable aleatoria puede asumir diferentes valores.
Ejemplo (4). Construir la distribucin de probabilidad para el caso presentado en el ejemplo (1).
A continuacin se muestran los valores que puede tomar la variable independiente, as

como la probabilidad de ocurrencia de cada uno de ellos.
PX 1 3 3 1
8 8 8 8

9
Ejemplo (5). Construir la distribucin de probabilidad para el caso presentado en el ejemplo (2).
A continuacin se muestran los valores que puede tomar la variable independiente, as

como la probabilidad de ocurrencia de cada uno de ellos.
X 2 3 4 5 6 7 8 9 10 11 12
PX 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
Ejemplo (6). Un jugador profesional de tenis participa en una gira de cinco partidos y se sabe que la
probabilidad de que gane un partido es de 0.6
Sea X la variable aleatoria que representa el nmero de partidos ganados por el
jugador antes de su primera derrota. Encontrar la distribucin de probabilidad.
Debe notarse que los resultados de los partidos son eventos independientes. En este
caso, la probabilidad de ocurrencia de cada uno de ellos puede calcularse mediante un
diagrama de rbol, con lo que se obtiene:
X 0 1 2 3 4 5
PX 0.4 0.40.6 0.40.62 0.40.63 0.40.64 0.65

0.24 0.14 0.09 0.05 0.08
PX 0.24 0.14 0.09 0.05 0.08 1
Ejercicio. Cul de los recuadros mostrados a continuacin representa una distribucin de

probabilidad? Explicar.
X PX X PX X PX
2 0.25 2 0.20 2 0.3
4 0.30 4 0.30 4 0.4
6 0.15 6 0.25 6 - 0.1
8 0.25 8 0.25 8 0.4

10
1.2.1.Discretas
Se dice que las variables aleatorias son discretas cuando se puede hacer una lista con todos los
valores numricos posibles de la variable aleatoria y de las probabilidades correspondientes en una
tabulacin. Como en el caso de los ejemplos (1) y (2).
Por lo anterior, podemos decir que una variable aleatoria es el resultado de un conteo, de manera que
cada uno de los valores est claramente separado entre s. En el ejemplo (1) no puede haber 1.5
guilas, mientras que no se pueden obtener 4.5 puntos en el ejemplo (2).
1.2.2.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 nmero infinito de valores posibles.
En muchos de estos casos, las probabilidades para un rango de valores se determinan a travs de
una funcin, cuya grfica se denominada curva de probabilidad. El ejemplo (3) es un caso de variable
continua, pero no se incluy la funcin que la describe.
Una de las razones por las que es importante establecer con

claridad si una variable es discreta o continua, tiene que ver con
la manera en que se determinan la esperanza y la varianza. Aqu
solo se estudiar cmo hacerlo si la variable aleatoria es
discreta.
1.2.3. Esperanza y varianza
En el curso previo de Estadstica se estudiaron las medidas de tendencia central y dispersin para
una distribucin de frecuencias; entonces se vio que la media proporciona informacin de la
tendencia central de los datos, mientras que la varianza describe la dispersin de los mismos. De
forma equivalente, una distribucin de probabilidad se resume a travs de la media y la varianza
.
2
Para presentar la definicin de esperanza consideremos el ejemplo (1). Supongamos que al lanzar
tres monedas simultneamente, se recibir un peso por cada guila que aparezca. Cunto se
espera ganar si se repite el lanzamiento de las tres monedas un gran nmero de veces?

11
En este caso, consideremos que la variable aleatoria X representa el nmero de guilas obtenidas
al lanzar las tres monedas; sin embargo, puede apreciarse que no todos los resultados son
igualmente probables, de manera que para determinar la esperanza es necesario incluir la
probabilidad de que el evento ocurra.
E X 0 1 2 3
1 3 3 1
8 8 8 8
3 6 3
0
8 8 8
12

8
1.5
El valor encontrado representa lo que se espera ganar si se lanzan las tres monedas
simultneamente, muchas veces. Es importante hacer notar que no tiene sentido hacer una pregunta
como cunto se espera ganar si se lanzan las tres monedas una vez?, lo anterior puede
malinterpretarse, ya que hace pensar que se pregunta sobre el hecho de hacer un lanzamiento. Debe
tenerse en cuenta esta precisin porque frecuentemente as es como se pregunta en los libros de
texto.
La esperanza tambin es conocida como media y como promedio ponderado; la frmula para
calcularla es:
EX xi Pxi
xi
Esta expresin quiere decir que se debe multiplicar cada valor de la variable aleatoria por su
probabilidad de ocurrencia y luego hacer la suma de todos los valores obtenidos. Supongamos que
en el juego anterior, en lugar de ganar X pesos por cada guila, se ganan X 2 . Entonces, si el juego
se llevara a cabo muchas veces, se espera ganar:
18 1 83 2 83 3 18
E X 2 02 2 2 2
3 12 9
0
8 8 8
24

8
3

12
Como ya se mencion, la media proporciona informacin acerca de la tendencia central de los datos;
ahora veremos de qu forma la varianza describe la dispersin. La frmula para determinar la
varianza es:
2 xi 2 Pxi
xi

Existe una relacin entre la esperanza y la varianza, ya que calcular E xi , equivale a
2

encontrar 2 . Ahora bien, es la desviacin estndar (la raz cuadrada de la varianza) la que nos
ofrece informacin sobre la variabilidad de la distribucin, pues entre ms grande sea el valor , los
datos estn menos agrupados o ms dispersos respecto a la media.
Otra manera de interpretar a la esperanza es como el valor medio de infinitas observaciones o como
el punto de equilibrio de la distribucin de probabilidad. Por todo lo anterior, se puede concluir que la
varianza puede representarse de tres formas:
2 xi 2 Pxi
xi
xi 2 Pxi 2
xi

E x2 E x2
A continuacin se muestra un comparativo de la media y la varianza para una distribucin de

frecuencias y una distribucin de probabilidad:
x
fi
x xi Pxi
n i xi
f x x 2 xi 2 Pxi
2
i i
2 xi xi
n

fi
xi x2
xi n

13
Ejemplo (7). Calcular la media y la varianza de la siguiente distribucin discreta de probabilidad:
xi 2 8 10
Pxi 0.5 0.3 0.2
Recurdese que x Px y
i i
2 xi 2 Pxi , as que para determinar
xi xi
la media y la varianza, primero rescribiremos los datos de la tabla y agregaremos

algunas columnas que nos permitirn organizar mejor los clculos necesarios para
encontrar la media y la varianza.
xi Pxi xi Pxi xi xi 2 xi 2 Pxi

2 0.5 1.0 -3.4 11.56 5.78
8 0.3 2.4 2.6 6.76 2.028
10 0.2 2.0 4.6 21.16 4.232
1 5.4 2 12.04
Ejemplo (8). Determinar y 2 para el ejemplo (1).
Reorganizando los datos:

xi Pxi xi Pxi xi xi 2 xi 2 Pxi
0 1
8 0 32 9
4
9
32
1 3
8
3
8 12 1
4
3
32
2 3 6 1 1 3
8 8 2 4 32
3 1 3 3 9 9
8 8 2 4 32

12 3 24 3
1
8 2 32 4
Puesto que x Px , se tiene que 32

xi
i i
y como 2 x Px , tenemos que
xi
i
2
i
2 34
Ejemplo (9). Determinar y 2 para el ejemplo (5) y dar una interpretacin al valor encontrado

14
para .
Del ejemplo (5), tenemos que la distribucin de probabilidad es:
X 0 1 2 3 4 5
PX 0.4 0.24 0.14 0.09 0.05 0.08
Para determinar el valor de la media, hacemos:

0.40 0.241 0.142 0.093 0.054 0.085
1.39
En el caso de la varianza, usaremos la frmula 2 xi 2 Pxi 2

xi
2 02 0.4 12 0.24 22 0.14 32 0.09 42 0.05 52 0.08 1.392

2.48
Que 1.39 , significa que cada vez que participa en un torneo de cinco partidos, el
jugador tiene la esperanza de ganar 1.39 juegos antes de perder el primero.
Otra manera de interpretar lo anterior es: si el tenista pudiera jugar 500 partidos, tiene la
esperanza de ganar 139 juegos antes de perder el primero.
Actividad 3. Variables aleatorias


15
1.3. Modelos probabilsticos
En el primer curso de Estadstica se estudiaron distribuciones empricas, primero se presentaron

geomtricamente (con histogramas) y luego con una representacin aritmtica parcial, a travs de la
media y la desviacin estndar.
Si al estudiar el comportamiento de una variable aleatoria se ve que esta se comporta de cierta

manera, es posible usar modelos conocidos para calcular la probabilidad de que un evento ocurra. Es
decir, un modelo probabilstico permite describir los resultados de un experimento, as como predecir
el comportamiento de la variable de estudio. Frecuentemente, a los modelos probabilsticos tambin
se les denomina distribuciones de Probabilidad.
Es importante hacer notar que existen modelos probabilsticos tanto para variables discretas como
para variables continuas. En el presente curso se estudiarn dos de las distribuciones discretas:
binomial y Poisson; pero existen ms, tales como la distribucin geomtrica e hipergeomtrica,
mientras que de las distribuciones continuas, en la primera unidad nicamente veremos la distribucin
normal.
A continuacin se detallarn las caractersticas que se deben considerar para aplicar cada uno de los
modelos probabilsticos.
1.3.1.Binomial
Una distribucin es considerada binomial cuando:
Los eventos que se presentan son independientes.

Solo existen dos posibles resultados del evento (xito o fracaso).
La probabilidad de xito permanece constante.
La variable aleatoria X se define como el nmero de xitos dentro de un nmero n fijo de
ensayos.
Si p es la probabilidad de xito, q 1 p es la probabilidad de fallo, x es el nmero especfico de

xitos y n el nmero de ensayos, entonces la probabilidad P de que ocurran x xitos en n ensayos
es:
Px nCx pxqn x

16
Otra manera de escribir la probabilidad:
Px n, p
n!
p x q n x
x ! n x!
Para esta distribucin, se tiene que:
la media: np
la varianza: 2 npq
la distribucin estndar: npq
Ejemplo (10). Cada da hay cinco salidas de autobuses de la ciudad A a la ciudad B , y se sabe
que la probabilidad de que uno de los autobuses llegue tarde a su destino es 0.20 Sea
X el nmero de autobuses que llegan tarde.
(a) Explicar por qu es una distribucin binomial.
(b) Determinar la probabilidad de que exactamente 0, 1, 2, 3, 4, 5 de los viajes lleguen
con retraso.
(c) Determinar la probabilidad de que al menos dos de los autobuses lleguen con
retraso.
(d) Determinar la probabilidad de que a lo ms dos de los autobuses lleguen con
retraso.
Ahora se dar respuesta a cada uno de los incisos anteriores.

(a) Sabemos que es una distribucin binomial porque
(i) Que un autobs llegue tarde no depende de que otro lo haga, es decir, se trata
de eventos independientes.
(ii) Solo existen dos posibles resultados: que llegue tarde o no.
(iii) La probabilidad de que llegue tarde siempre es la misma.
(iv) La variable aleatoria, en este caso el nmero de autobuses que llegan tarde,
es el resultado de contar cuntos llegan tarde de un total de cinco posibles.
(b) La probabilidad de que ningn autobs llegue tarde se determina haciendo:
P0 5,0.20 0.20 0.850

5!
0 ! 5 0!
110.3277
0.3277
En este ejemplo, son de resaltarse dos hechos que frecuentemente se olvidan, el
primero es que el factorial de cero es uno, es decir 0! 1 , y el segundo, que
cualquier nmero diferente de cero elevado a la potencia cero es uno, es decir,
a0 1.
17
El clculo de la probabilidad de que uno de los viajes se retrase:
P1 5,0.20 0.21 0.851

5!
1! 5 1 !
50.20.4096
0.4096
Para las siguientes probabilidades, se indican los clculos que deben realizarse y
se dejan como ejercicio de prctica:
P2 5,0.20 0.22 0.852

5!
2 ! 5 2 !
P3 5,0.20 0.23 0.853

5!
3 ! 5 3!
P4 5,0.20 0.24 0.854

5!
4 ! 5 4 !
P5 5,0.20 0.25 0.855

5!
5 ! 5 5!
Los resultados de los clculos se muestran a continuacin:

xi 0 1 2 3 4 5
Pxi 0.3277 0.4096 0.2048 0.0512 0.0064 0.0003
Puede verificarse que Px 1 , de manera si es una distribucin de

i
probabilidad
(c) La frase que al menos dos de los autobuses lleguen con retraso significa que
pueden ser dos, tres, cuatro o cinco, es decir:
Px 2 P2 P3 P4 P5
0.2048 0.0512 0.0064 0.0003
0.2627
(d) La frase de que a lo ms dos de los autobuses lleguen con retraso significa que
podran ser cero, uno o dos, es decir:
Px 2 P0 P1 P2
0.3277 0.4096 0.2048
0.9421
18
Como pudo notarse, los clculos para determinar la probabilidad de una distribucin binomial pueden
ser largos y engorrosos, por tal motivo se usan tablas con los valores ya establecidos. Estas tablas se
pueden conseguir fcilmente en cualquier libro de estadstica o en internet y permiten obtener las
probabilidades sin tener que realizar todos los clculos. Lo mismo ocurre para las otras distribuciones
de probabilidad.
1.3.2. Poisson
Esta distribucin se utiliza para calcular la probabilidad de que ocurra un nmero 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 ).
Tericamente, las posibilidades en este tipo de distribucin son infinitas; es decir que el nmero de
eventos va de cero a infinito de manera discreta. Para determinar la probabilidad de que ocurra un
cierto nmero de xitos en un proceso de Poisson, solo es necesario conocer el nmero promedio, a
largo plazo, de eventos para el tiempo o espacio de inters, dicho valor promedio se designa como
o . Uno de los cuidados que debe tenerse al usar la frmula para la distribucin de Poisson es que
el valor de debe aplicarse al periodo de tiempo pertinente.
La probabilidad de X xitos en una distribucin de Poisson est dada por:

x
Px |
x!e
Para una distribucin de Poisson el promedio es igual a la varianza, es decir:

2
Ejemplo (11). En cada rollo de lmina de 500 metros de longitud hay dos defectos en promedio.
(a) Explicar por qu es un evento tipo Poisson.
Los defectos se presentan en un continuo de espacio, en este caso, la longitud
de la lmina.
Que haya un defecto no impide que se presente otro, as que los eventos son
independientes.

19
(b) Cul es la probabilidad de que un segmento de 100 metros no tenga ningn

defecto?
Si el promedio de un rollo de 500 metros es de 2 defectos, entonces

representa el promedio de defectos que hay en 100 metros.
2
100

500
0.4
Con esta informacin se tiene que:
Px 0 | 0.4
0.40
0!e0.4
e 0.4
0.6703
Por supuesto se obtiene el mismo valor si se consultan las tablas.
Ejemplo (12). A cierto puerto, un barco llega cada dos das, en promedio.
(a). Explicar por qu es un evento tipo Poisson.
Los defectos se presentan en un continuo de tiempo, en este caso, el tiempo.
Que un barco llegue al puerto no depende del arribo de otro, as que los
eventos son independientes.
(b) Cul es la probabilidad de que lleguen dos o ms barcos en un da seleccionado al
azar?
Si el promedio de llegadas es 1 cada 2 das, entonces representa el
promedio de llegadas en cada da.
1 0.5
1
2
Con esta informacin se tiene que:
Px 2 | 0.5 P2 P3 P4

0.52 0.53 0.54 0.55
2!e0.5 3!e0.5 4!e0.5 5!e0.5

0.56 0.57 0.58
6!e0.5 7!e0.5 8!e0.5
0.075816 0.012636 0.001579 0.000158
0.000013 0.000001 0.000000
0.090204

20
Otra manera de hacerlo es:

Px 2 | 0.5 1 Px 2 | 0.5
1 P0 P1
1
0.50 0.51

0! e 0.5 1! e 0.5
1 0.6065 0.3032
0.0903
Si se consultan las tablas, el valor que se obtiene es 0.0902 porque en ellas

solo se incluyen cuatro dgitos.
1.3.3. Normal
Esta distribucin de probabilidades es continua y simtrica, es decir, con los valores observados
distribuidos de manera uniforme y adems, no es plana ni puntiaguda (mesokurtica). La distribucin
normal es importante por tres razones:
Muchos procesos aleatorios se comportan de esta forma.

Se usan para aproximar otras distribuciones de probabilidad, como la binomial y la de
Poisson.
La distribucin de probabilidad de la media muestral y la proporcin muestral es la distribucin
normal cuando el tamao de la muestra es grande, sin importar la forma de la distribucin de
la poblacin de origen.
En el caso de una variable aleatoria con distribucin de probabilidad continua, solo es posible
determinar el valor de probabilidad de que la variable aleatoria tome valores en un intervalo; puesto
que hay un nmero infinito de valores en cualquier intervalo, la probabilidad de que tome un valor en
particular es cero.
Para una variable con distribucin normal, se tiene que la altura de la funcin de densidad (o curva de
probabilidad) es:

X 2
1
f ( x) e 2 2
2 2
La funcin exponencial eu tambin se expresa como expx , de manera que f (x) puede ser escrita
como:
1 X 2
f ( x) exp
2 2 2 2
21
Pa x b f x dx
b
Para determinar la probabilidad de
ocurrencia en el intervalo a x b se debe
a
resolver la integral mostrada, lo que

equivale a calcular el rea bajo la curva
normal en ese intervalo.
Sin embargo, puesto que para diferentes

valores de y se genera una
distribucin normal distinta, calcular la 3 3
probabilidad anterior significa resolver 2 2
muchas veces la misma integral.
Para evitar esos clculos, todas las distribuciones normales se transforman a otra equivalente,
denominada distribucin normal estndar, cuyas principales caractersticas son que 0 y 1.
Si la forma lmite de un histograma para una distribucin de frecuencias tiene la forma de una
campana, entonces puede usarse una curva normal para la determinacin de las probabilidades.
Recurdese que para una variable continua no es posible conocer la probabilidad de un evento, as
que es necesario realizar distribuciones de frecuencias.
Se sabe que tiene la siguiente interpretacin geomtrica con respecto a la curva normal.
El rea bajo la curva normal entre y es aproximadamente el 68% del rea
total.
El rea bajo la curva normal entre 2 y 2 es aproximadamente el 95% del rea
total.
El rea bajo la curva normal entre 3 y 3 es aproximadamente el 99.7% del rea
total.
El eje de la figura previa ha sido marcado en unidades de , empezando con la media . Es claro
en este bosquejo que casi no hay rea bajo la curva ms all de 3 unidades desde ; sin
embargo, esta se extiende desde hasta .
Toda la informacin previa se puede resumir en tres puntos:

La distribucin es simtrica con respecto a la media; es decir, las porciones izquierda y
derecha de la grfica son una la imagen especular de la otra, por lo que la media es igual a la
mediana.
Los datos de una distribucin normal se agrupan alrededor de la media.

22
El rango de los datos no tiene lmites, pero solo un pequeo porcentaje de ellos, menos del
3%, se encuentra a ms de tres desviaciones estndar de la media.
Antes de calcular probabilidades con la distribucin normal, haremos algunos ejercicios para
determinar el rea bajo la curva normal estndar. Para esto, es necesario disponer de una tabla de
reas bajo la curva normal, a cuatro dgitos y de z 0 a z 3 .
Ejemplo (13). Para una curva normal, encuntrese el rea situada a la izquierda de z 1.5 y de
diferentes interpretaciones al valor encontrado.
En la tabla se localiza el valor de z 1.5 y se encuentra el valor 0.4332 .
Para encontrar el rea a la izquierda de z 1.5 debemos recordar que el rea total
bajo la curva es uno y que la mitad de dicha rea est a la izquierda de z 0 .
Por tanto el rea buscada es 0.5 0.4332 0.9332 .
Algunas interpretaciones son:

1. El 93.32 % de los miembros de una poblacin tienen un puntaje z menor de
1.5 .
2. Un miembro de la poblacin que tiene un puntaje z 1.5 tiene un rango
percentil de 93 .
3. La probabilidad de elegir al azar a un miembro de esta poblacin, con un
puntaje z menor de 1.5 e, es de 0.9332 .
Ejemplo (14). Para una curva normal, encuntrese el rea situada a la izquierda de z 1.72 y de
diferentes interpretaciones al valor encontrado.
En la tabla se localiza el valor de z 1.72 y se encuentra el valor 0.4573.
Para encontrar el rea a la izquierda de z 1.72 , debemos recordar que el rea total
bajo la curva es uno y que la mitad de dicha rea est a la izquierda de z 0 .
Por tanto el rea buscada es 1 0.5000 0.4573 0.0427.
Algunas interpretaciones para este resultado son:

1. El 4.27 % de los miembros de una poblacin tienen un puntaje z menor de
1.72 .
23
2. Un miembro de la poblacin que tiene un puntaje z 1.72 tiene un rango

percentil de 4 .
3. La probabilidad de elegir al azar a un miembro de esta poblacin, con un
puntaje z menor de 1.72 , es de 0.0427 .
Ejemplo (15). Para una curva normal, encuntrese el rea entre z 1.5 y z 1.72 .
En la tabla se localizan los valores de z 1.5 y de z 1.72 y se encuentran los

valores 0.4332 y 0.4573 respectivamente.
Entonces, el rea de z 0 hasta z 1.5 es de 0.4332 , mientras que de z 0 hasta

z 1.72 es 0.4573, por tanto, el rea buscada se determina haciendo la suma de
las dos anteriores 0.8905.
Como habamos mencionado, una distribucin de probabilidad con distribucin normal puede
convertirse en una distribucin normal estndar. Para esto, cualquier valor x de una poblacin con
distribucin normal puede convertirse a su valor normal estndar z , mediante la transformacin:
x
z

Donde la nueva distribucin tendr media cero y varianza uno. Esta transformacin es equivalente a
mover el origen del sistema de coordenadas al valor de la media y un cambio en la escala.
Ejemplo (16). Para una variable aleatoria con distribucin normal, se desean conocer los valores z
que corresponden a x1 220 y x2 280 , si se sabe que 230 y 20
x
Sustituyendo en la frmula z obtenemos:

220 230 280 230
z1 z2
20 20
0.50 2.50

24
1.3.4. Aproximacin de la distribucin normal a la binomial
Cuando n es grande, por ejemplo n 30 , pero np 5 y nq 5 , la distribucin de probabilidad

binomial puede aproximarse a la distribucin de probabilidad normal.
Conocida n, p y q la distribucin normal permite calcular:

n
P{x a} n Cx p x qn x
xa
Hay que tener mucho cuidado para hacer la aproximacin correcta de la binomial usando la normal,
ya que es necesario calcular los valores de z con los valores de x1 E y/o x2 E , siento E la mitad
del intervalo sobre el cual se construye el histograma. A este ajuste se le denomina correccin por
continuidad.
1.4. Aplicacin de la distribucin normal
6 Ahora se resolvern algunos ejemplos: donde se usa la

distribucin normal estndar para la determinacin de las
4 Serie 1 probabilidades, un ejemplo comparativo del clculo de la
Serie 2 probabilidad usando la distribucin binomial y la normal, y
2 uno ms donde se puede modelar usando la distribucin
Serie 3
binomial pero en la que resulta ms conveniente utilizar la
0 distribucin normal.
1.4.1. Solucin de ejercicios que involucran a la distribucin normal
A continuacin se presentan algunos ejemplos resueltos, cuya solucin se describe cuidadosamente

con el propsito de que se tenga la mayor cantidad posible de referencias que ayuden a comprender
los procesos y replicarlos en otros ejercicios semejantes. Adems, se hizo una seleccin de los
ejemplos, para intentar cubrir la mayora de las posibilidades que habitualmente se pueden presentar
al resolver ejercicios de este tipo.
Ejemplo (17). Una poblacin normal tiene una media 55 y una desviacin estndar de 5 .
(a) Se desea conocer la probabilidad de un valor entre 49 y 60.
(b) Se desea conocer la probabilidad de un valor mayor de 60.
Solucin: como se trata de una distribucin normal, primero se deben calcular los puntajes z
correspondientes y despus buscar las reas bajo la curva, entre z 0 y cada uno de

25
los valores encontrados.

x
(a) Sustituyendo en la frmula z obtenemos:

49 55 60 55
z49 z60
5 5
1.2 1
rea = 0.3849 rea = 0.3413
P49 x 60 0.3849 0.3413 0.7262
(b) Como el rea entre z 0 y z 1 es 0.3413, el rea a la derecha es
0.500 - 0.3413 = 0.1587
Por tanto:
P x 60 0.1587
Ejemplo (18). Se sabe que la probabilidad de que un tirador acierte un disparo es de 0.30 y realiza
12 disparos. Cul es la probabilidad de que acierte por lo menos en seis de ellos?
Solucin: este evento se puede modelar como una distribucin binomial.

o Acertar un disparo o no hacerlo, son eventos independientes.
o Solo existen dos posibles resultados: acertar o no hacerlo.
o La probabilidad de xito permanece constante: 0.3 .
o La variable aleatoria es el resultado del conteo de xitos dentro de un nmero fijo de
ensayos: 12.
La probabilidad de que acierte por lo menos seis veces es:

P x 6 P x 6 P x 7 P x 8 P x 9
P x 10 P x 11 P x 12
P x 6 P6 12,0.30 P7 12,0.30 P8 12,0.30 P9 12,0.30
P10 12,0.30 P11 12,0.30 P12 12,0.30
P x 6 0.079 0.029 0.008 0.001 0.000 0.000 0.000
0.117
Verificaremos que se pueda aproximar mediante la distribucin normal. Sabemos que:
p 0.30 y n 12
De donde:

26
np 12 0.3 3.6
nq 12 0.7 8.4
Como 3.6 no es mayor que cinco, y 8.4 s lo es, la aproximacin a la distribucin normal
podra no ser muy buena. Realizaremos la aproximacin con:
np 3.6
n p q 2.52 1.6
Ahora haremos el clculo usando la aproximacin a la normal. Ya que los anteriores son
nmeros enteros, P x 6 y el tamao del intervalo es uno, debe encontrarse utilizando un
lmite de 5.5, que es el que separa los resultados 5 y 6.
5.5 3.6
z5.5
1.6
1.1875
El rea entrez 0 y z 1.19 es 0.3830 , de manera que el rea buscada es

0.5000 0.3830 0.117 .
Por tanto, la probabilidad de acertar por lo menos seis de los doce disparos usando la
aproximacin a la normal es:
P x 6 0.117
Como puede apreciarse, aunque no pareca una buena decisin usar la aproximacin a la
normal, hemos obtenido la misma probabilidad.
Ejemplo (19). Una persona se dirige hacia su trabajo en automvil todos los das durante la hora de
mayor trnsito (por la maana). Debe atravesar un cruce de ferrocarril que siempre
tiene una gran afluencia de vehculos. Observa que el 30% de las veces no es posible
cruzar la va en forma inmediata. A causa del trnsito, el tiempo que requiere
atravesar el cruce es aleatorio.
(a) Encuntrese la probabilidad de que en un da cualquiera el conductor llegue al

cruce y lo atraviese inmediatamente.
El siguiente mes se dirige a su trabajo en automvil solo 19 veces. Dentese con x
el nmero de veces en que al llegar al cruce fue posible atravesarlo inmediatamente.
Encuntrese:
(b) P x 11

27
(c) la probabilidad de que x tenga, por lo menos, un valor igual a 15; es decir,
P x 15
(d) P14 x 18
(e) P x 16
(f) Cierto nmero de xitos es tan alto, y por lo tanto tan poco comn, que solo existe
una probabilidad de alrededor de 0.05 de que ocurra. Cul es el nmero de
estos xitos?, es decir, encuntrese b , tal que P x b sea aproximadamente
igual a 0.05.
Solucin: este es un evento binomial porque:

el cruzar o no, son eventos independientes,
solo existen dos posibles resultados: cruzar o no hacerlo,
la probabilidad de xito permanece constante: 0.70,
la variable aleatoria es el resultado del conteo de xitos dentro de un nmero
fijo de ensayos.
Ahora daremos respuesta a cada uno de los incisos:

(a) p 1 0.30 0.70
(b) Verificaremos que se pueda aproximar mediante la distribucin normal. Como:

q 0.30 n 19
Se tiene que:
np 19 0.7 13.3
nq 19 0.3 5.7
Como 13.3 y 5.7 son mayores que cinco, puede utilizarse la distribucin normal como
una aproximacin de la binomial, con:
np 13.3
n p q 3.99 2.00
Ya que los anteriores son nmeros enteros, P x 11 y el tamao del intervalo

es uno, debe encontrarse utilizando un lmite de 11.5, que es el que separa el
resultado favorable 11 del no favorable 12.
11.5 13.3
z11.5
2
0.90

28
El rea a la izquierda de 0.90 es 0.1841, por lo tanto

P x 11 0.1841
(c) Para encontrar P x 15 se utilizar el lmite 14.5, que es el que separa a los
resultados favorables de los no favorables.
14.5 13.3
z14.5
2
0.60
El rea entre z 0 y z 0.60 es 0.2257 , de manera que:
P x 15 0.5 0.2257 0.2743
(d) Para encontrar P14 x 18 se calcular P13.5 x 18.5 .

13.5 13.3 18.5 13.3
z13.5 0.1 z18.5 2.6
2 2
rea = 0.0398 rea = 0.4953
El rea entre 13.5 y 18.5 se obtiene al restar los valores de las reas, de manera
que P13.5 x 18.5 0.4555
(e) Para encontrar P x 16 , se utilizarn los lmites 15.5 y 16.5

15.5 13.3 16.5 13.3
z15.5 1.1 z16.5 1.6
2 2
rea = 0.3643 rea = 0.4452
Por tanto, P x 16 0.0809
(f) Para encontrar el nmero de xitos x , tales que P x b 0.05 , se busca en la

tabla un rea igual a 0.4500, que corresponde a un puntaje de z = 1.65. Para
x
convertir este valor en el nmero de xitos se despeja la frmula z , de

donde x z
x 1.652 13.3 16.6
De esta forma, los valores x 17, 18, 19 ocurrirn solo el 5% de las veces.

29
Actividad 4. Modelos probabilsticos

Actividad 5. Modelos probabilsticos
Para afianzar los contenidos del presente tema tambin ser necesario que
realices la actividad 5. Por lo tanto:

Actividad 6. Problemario

Autoevaluacin
Con la finalidad de realizar un ejercicio de repaso acerca de los conceptos ms importantes

estudiados en la unidad, resuelve el ejercicio de autoevaluacin que se encuentra en la pestaa de la
unidad.

30
Evidencia de aprendizaje. Resolucin de ejercicios de modelos probabilsticos
La evidencia de aprendizaje es la actividad integradora de la

unidad, por lo tanto, es importante que:
Recuperes los contenidos vistos en la unidad

En caso de ser necesario, corrige y enva nuevamente
tu trabajo.
Actividades de Autorreflexin
Adems de enviar tu trabajo de la Evidencia de aprendizaje, es importante que ingreses al foro

Preguntas de Autorreflexin y consultes las preguntas que tu Docente en lnea presente.
Cierre de la unidad
En la primera parte de la unidad analizaste los diferentes tipos de muestreo que existen as como las
caractersticas de cada uno ellos; as mismo, identificaste las ventajas de usar uno u otro segn el
caso de estudio.
En la segunda parte revisaste el significado de variable aleatoria y los diferentes tipos de variables;
analizaste el significado de los conceptos y con ellos se construyeron diferentes distribuciones de
probabilidad; repasaste el significado de esperanza matemtica y la manera en que esta y la varianza
permiten describir las distribuciones de probabilidad, de las que se caracterizaron y usaron tres: la
binomial, la de Poisson y la normal, viendo de qu manera esta ltima permite aproximar a la primera.
Finalmente, examinaste algunos ejemplos que involucran a la distribucin normal, analizando

diversas posibilidades, con la intencin de conocer diferentes formas en que se puede usar la
distribucin normal, adems de que se usaron las tablas de cada una de las distribuciones.
Por todo lo anterior, se dispone de las herramientas necesarias que nos permitirn analizar la
informacin de una muestra, para identificar las dinmicas de la poblacin de estudio, mediante la
resolucin de problemas con tcnicas de estadstica inferencial.

31
Fuentes de consulta
Douglas, L. William, M. Samuel, W. (2008). Estadstica aplicada a los negocios (13 edicin).
Mxico: Mc. Graw Hill.
Hoel, Paul G. (1991). Estadstica Elemental (4 edicin). Mxico: CECSA.
Kazmier, L. Daz Mata, A. (2006). Estadstica aplicada a administracin y a la economa (4
edicin). Espaa: McGraw Hill.
Naiman, A., Rosenfeld, R., Zirkel, G. (1987). Introduccin a la Estadstica (3 edicin). Mxico:
McGraw Hill.
Nieves Hurtado, A., Domnguez Snchez, F. C. (2010). Probabilidad y Estadstica para
ingeniera. Mxico: Mc. Graw Hill.
Pagano, R. R. (2011). Estadstica para las ciencias del comportamiento (9 edicin). Mxico:
Cengage Learning.
Ross, Sh. M. (2008). Introduccin a la estadstica. Espaa: Editorial Revert.
Fuentes digitales
Eumed.net (2006). Apuntes de Estadstica. Recuperado el 28 de noviembre de 2014, de:

http://www.eumed.net/libros/2006a/rmss
Universidad Catlica de Salta. (2008).Variables aleatorias. Recuperado el 12 de febrero de
2012 de http://www.ucasal.net/recursos/variables_aleatorias.pdf
Enlace de Bibliotecas digitales. Aprendiendo Estadstica Volumen 2 (2010). Recuperado el 12
de febrero de 2012 de: http://www.bibliotheka.org/?/ver/60204
Universidad de Sonora. Departamento de Matemticas (2008). El muestreo. Recuperado el 28
de noviembre de 2014 de: http://www.estadistica.mat.uson.mx/Material/elmuestreo.pdf
Complejo Hospitalario Universitario de Albacete (2003). Recuperado el el 28 de noviembre de
2014 de: http://www.chospab.es/calidad/archivos/Metodos/Muestreo.pdf
Tecnolgico. (s/f). Muestreo Aleatorio Por Conglomerados. Recuperado el 9 de febrero de
2012, de: http://www.mitecnologico.com/Main/MuestreoAleatorioPorConglomerados
Universitat de Lleida. (2004).El concepto de valor esperanza y varianza de una variable
aleatoria. Recuperado el el 28 de noviembre de 2014 de:
http://web.udl.es/Biomath/Bioestadistica/Dossiers/Temas%20especiales/Distribucions/Introduc
cion%20al%20concepto%20de%20esperanza%20y%20varianza.pdf
Estadsticaparatodos. (2008). Lotera y Probabilidad. Recuperado el 28 de noviembre de 2014,
de: http://www.estadisticaparatodos.es/taller/loterias/esperanza.html
Universidad de Sevilla. (2004). Introduccin al concepto de valor esperado Recuperado el 28
de noviembre de 2014 de:
http://personal.us.es/valderas/INTRODUCCION%20AL%20CONCEPTO%20DE%20VALOR%
20ESPERADO.pdf
Universidad Catlica de Salta. (2008).Variables aleatorias. Recuperado el 12 de febrero de
2012 de http://www.ucasal.net/recursos/variables_aleatorias.pdf
32

Modelos probabilísticos en seguridad pública

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos probabilísticos en seguridad pública

Uploaded by

Copyright:

Available Formats

Estadstica para la investigacin en seguridad pblica

Unidad 1. Modelos probabilsticos

Unidad 1. Modelos probabilsticos

Universidad Abierta y a Distancia de Mxico

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Unidad 1. Modelos probabilsticos

En esta primera unidad se describen los principales modelos probabilsticos empleados en la

Conocer, comprender y saber aplicar los mtodos

Los propsitos de esta unidad son:

Identificar los diferentes tipos de muestreo.

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Analizar informacin para la caracterizacin de una poblacin mediante el

Estadstica inferencial. Es la parte de la estadstica que permite tomar decisiones e inferir

Muestra. Es un subconjunto de mediciones o eventos que se seleccionan de la poblacin

Parmetro. Son las mediciones de las caractersticas de la poblacin. Algunos de estos

Si la distribucin de una poblacin puede expresarse mediante alguna funcin, los

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

para estimar el valor de un parmetro poblacional.

La teora de muestreo es un conjunto de tcnicas que permite estimar y describir cantidades

Segn el tamao de una poblacin, esta puede clasificarse como:

La que tiene un nmero contable de elementos.

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Los estratos no se superponen y todos ellos forman a la poblacin.

Existen varios criterios para la estratificacin:

Asignacin proporcional al tamao de los estratos. Tambin se le denomina criterio de

Asignacin proporcional a las desviaciones estndar de los estratos. En este caso, se

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

1.1.2. Por conglomerados

Para realizar tu actividad:

Dirgete a tu aula virtual

Para concluir el tema, es importante que tambin realices la presente

Dirgete a tu aula virtual

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

1.2. Variables aleatorias

Como recordars, en el primer curso de Estadstica se estudiaron frecuencias asociadas a las

Una distribucin de frecuencia de una muestra es una estimacin de la distribucin de frecuencia de

Ejemplo (1). Experimento: lanzar simultneamente tres monedas.

Sea A el resultado de obtener un guila y S el resultado de obtener un sol o sello. El

S = {AAA, AAS, ASA, SAA, ASS, SAS, SSA, SSS}

Ejemplo (2). Experimento: lanzar simultneamente dos dados de diferente color

Los valores de X en cada lanzamiento son:

Es necesario resaltar que:

A continuacin se muestran los valores que puede tomar la variable independiente, as

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

A continuacin se muestran los valores que puede tomar la variable independiente, as

PX 0.4 0.40.6 0.40.62 0.40.63 0.40.64 0.65

PX 0.24 0.14 0.09 0.05 0.08 1

Ejercicio. Cul de los recuadros mostrados a continuacin representa una distribucin de

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Una de las razones por las que es importante establecer con

1.2.3. Esperanza y varianza

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

A continuacin se muestra un comparativo de la media y la varianza para una distribucin de

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica

Ejemplo (7). Calcular la media y la varianza de la siguiente distribucin discreta de probabilidad:

la media y la varianza, primero rescribiremos los datos de la tabla y agregaremos

xi Pxi xi Pxi xi xi 2 xi 2 Pxi

Ejemplo (8). Determinar y 2 para el ejemplo (1).

Reorganizando los datos:

Puesto que x Px , se tiene que 32

Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica