Análisis de Modelos Probabilísticos

COLEGIO NACIONAL PARA LA EDUCACIÓN PROFESIONAL TÉCNICA
Equipo-.
José Juan Almendariz Armendáriz
Jacqueline Hilario López
Módulo-. Tratamiento de Datos y Azar
Docente-. Ing. Karina Itzel Alonso García
TEMA: Análisis de modelos probabilísticos especiales.

 Modelo de Bernoulli.
 Distribución binomial.
 Distribución de Poisson.
 Distribución hipergeométrica.
 Distribución geométrica
13/06/22
SOMA 6101
Nuevo Laredo, Tamaulipas 2022

Introducción
Primeramente, enfocándonos en el concepto es la forma que pueden tomar
un conjunto de datos obtenidos de muestreos de datos con comportamiento
que se supone aleatorio, a continuación, se mencionan los modelos
probabilísticos más típicos que son;
Distribución Normal;
Usada ampliamente en muestras mayores a datos.
Distribución chi cuadrado;
Usada en muestras pequeñas
Distribución Exponencial;
Usada en duración o donde interviene el paso del tiempo
Distribución F-Snedecor
Usada para controlar la varianza de 2 distribuciones
Un modelo estadístico es un tipo de modelo matemático que usa

probabilidad, y que incluye un conjunto de asunciones sobre la generación
de algunos datos muestrales, de tal manera de datos de una población
mayor.
Se explicarán mejor los distintos modelos que los que consiste el análisis de
modelos probabilísticos especiales
TEMA: Análisis de modelos probabilísticos especiales.

Una distribución de probabilidad queda definida y caracterizada por:
1.- la especificación de la variable aleatoria y su campo de variación.
2.- la especificación de su asignación de probabilidades, mediante la función de

distribución. (Alternativamente mediante la cuantía o densidad, la F.C. o la F.G.M.
(si existe). (Estas son las FUNCIONES DE DEFINICIÓN)
Si un conjunto dado de distribuciones tiene sus funciones de distribución con la

misma ESTRUCTURA FUNCIONAL, diremos que pertenece a la misma FAMILIA
DE DISTRIBUCIONES, al mismo MODELO DE PROBABILIDAD o a la misma
DISTRIBUCIÓN-TIPO.
 Modelo de Bernoulli.
La distribución de Bernoulli es un modelo teórico utilizado para representar una

variable aleatoria discreta la cual solo puede resultar en dos sucesos mutuamente
excluyentes.
Este modelo es un experimento que tiene las siguientes características;
 En cada prueba del experimento sólo son posibles dos respuestas el éxito y
el fracaso.
 El resultado obtenido en cada prueba es independiente de los resultados
anteriores
 La probabilidad de éxito es constante, P (éxito) =p, y no varía de una

prueba a otra.
“Éxito” y “y no éxito”
Son experimentos donde la situación final solo puede resultar en dos resultados o
sucesos excluyentes:
El resultado que esperamos que ocurra. Es decir, “éxito”.

El resultado distinto al resultado que esperamos que ocurra. Es decir, “no éxito”.
Parámetro p
Dada una variable aleatoria discreta Z cuya frecuencia puede aproximarse
satisfactoriamente a una distribución de Bernoulli con un parámetro p.
La frecuencia de la variable aleatoria Z se puede aproximar satisfactoriamente

mediante una distribución de Bernoulli con probabilidad p.
Generalmente se utiliza el parámetro p para indicar la probabilidad de éxito de la
variable aleatoria discreta Z. Entonces:
Si la variable aleatoria Z resulta en el resultado que habíamos definido como

“éxito” al inicio del experimento, (Z=1), entonces, la probabilidad de obtener ese
resultado concreto es (p).
Si la variable Z resulta en un resultado distinto al que habíamos definido como “no
éxito” al inicio del experimento, (Z=0), entonces, la probabilidad de obtener ese
resultado concreto es (1-p).
 Distribución binomial.
Existen muchas situaciones en las que se presenta una experiencia binomial.
Cada uno de los experimentos es independiente de los restantes (la probabilidad
del resultado de un experimento no depende del resultado del resto). El resultado
de cada experimento ha de admitir sólo dos categorías (a las que se denomina
éxito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes
en todos los experimentos (se denotan como p y q o p y 1-p).
Se designa por X a la variable que mide el número de éxitos que se han producido
en los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribución de probabilidad binomial, y se denota B(n,p).
Es una distribución de probabilidad discreta que cuenta el número de éxitos en

una secuencia de ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos
 Distribución de Poisson.
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad que ocurra un determinado número de eventos
durante cierto periodo de tiempo.
La función de masa de la distribución de Poisson es
Donde:
k es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
λ es un parámetro positivo que representa el número de veces que se espera que

ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado
tiene lugar en promedio 4 veces por minuto y estamos interesados en la
probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribución de Poisson con λ = 10×4 = 40.
 Distribución hipergeométrica.
La distribución hipergeométrica es especialmente útil en todos aquellos

casos en los que se extraigan muestras o se realizan experiencias repetidas
sin devolución del elemento extraído o sin retornar a la situación
experimental inicial.
Modeliza, de hecho, situaciones en las que se repite un número
determinado de veces una prueba dicotómica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente
prueba uno u otro resultado. Es una distribución. fundamental en el estudio
de muestras pequeñas de poblaciones. pequeñas y en el cálculo de
probabilidades de, juegos de azar y tiene grandes aplicaciones en el control
de calidad en otros procesos experimentales en los que no es posible
retornar a la situación de partida.
La distribución hipergeométrica puede derivarse de un proceso
experimental puro o de Bernouilli con las siguientes características:
• El proceso consta de n pruebas, separadas o separables de entre un
conjunto de N pruebas posibles.
• Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes: A y no A.
• En la primera prueba las probabilidades son :P(A)= p y P(A)= q; con p+q=l.
Las probabilidades de obtener un resultado A y de obtener un resultado no A

varían en las sucesivas pruebas, dependiendo de los resultados anteriores.
 (Derivación de la distribución). Si estas circunstancias a

aleatorizamos de forma que la variable aleatoria X sea el número de
resultados A obtenidos en n pruebas la distribución de X será una
Hipergeométrica de parámetros N,n,p así
Función de cuantía.
La función de cuantía de una distribución Hipergeométrica hará corresponder a

cada valor de la variable X (x = 0,1,2, . . . n) la probabilidad del suceso "obtener x
resultados del tipo A ", y (n-x) resultados del tipo no A en las n pruebas
realizadas de entre las N posibles.
Veamos:
Hay un total de formas distintas de obtener
x resultados del tipo A y n-x del tipo ,

si partimos de una población formada por Np elementos del tipo A y Nq
elementos del tipo
Por otro lado, si realizamos n pruebas o extracciones hay un total de
posibles muestras (grupos de n elementos)
aplicando la regla de Laplace tendríamos

 Distribución geométrica
La distribución geométrica es un modelo adecuado para aquellos procesos en

los que se repiten pruebas hasta la consecución del éxito a resultado deseado y
tiene interesantes aplicaciones en los muestreos realizados de esta manera.
También implica la existencia de una dicotomía de posibles resultados y la
independencia de las pruebas entre sí.
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental puro o de

Bernoulli en el que tengamos las siguientes características
· El proceso consta de un número no definido de pruebas o experimentos

separados o separables. El proceso concluirá cuando se obtenga por primera
vez el resultado deseado (éxito).
· Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A
· La probabilidad de obtener un resultado A en cada prueba es p y la de

obtener un resultado no A es q
siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas, por tanto, las
pruebas, son independientes (si se trata de un proceso de "extracción" éste se
llevará a, cabo con devolución del individuo extraído).
· (Derivación de la distribución). Si en estas circunstancias aleatorizamos de

forma que tomemos como variable aleatoria X = el número de pruebas
necesarias para obtener por primera vez un éxito o resultado A, esta variable
se distribuirá con una distribución geométrica de parámetro p.

Obtención de la función de cuantía

De lo dicho anteriormente, tendremos que la variable X es el número de

pruebas necesarias para la consecución del primer éxito. De esta forma las
variables aleatoria toma valores enteros a partir del uno; í 1, 2……ý
La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad

de obtener el primer éxito precisamente en la X-sima prueba. Esto es, P(X) será
la probabilidad del suceso obtener X-1 resultados "no A" y un éxito o resultado
A en la prueba número X teniendo en cuenta que todas las pruebas son
independientes y que conocemos sus probabilidades tendremos:

dado que se trata de sucesos independientes y conocemos las probabilidades

luego la función de cuantía quedaría
Algunos autores

consideran la aleatorización
como "número de pruebas
anteriores al primer éxito". De
esta manera el conseguir el
éxito a la primera sería X=0. En
la siguiente representación
gráfica de la función de cuantía
de la geométrica puede
apreciarse este tipo de
aleatorización, sin embargo,
nosotros preferimos, por
razones prácticas, utilizar la
aleatorización antes comentada
Conclusión
Estos modelos apropiados para situaciones reales en condiciones
específicas son importantes porque nos ayudan a predecir a conducta de
futuras repeticiones de un experimento aleatorio,
Los modelos más comunes son; Binomial, Poisson, Bernoulli, Geométrica y

la Hipergeométrica dado que el enfoque de nuestra investigación es ayudar
específicamente en áreas sociales y humanísticas, en los temas que se
abordaron fueron, por ejemplo, Binomial, la cual es la base para definir los
tamaños muestrales.
Esperemos haya servido de gran ayuda la investigación descrita.

Referencias
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/
MODEPR1.htm
http://tada-grupo.blogspot.com/2012/06/modelo-de-bernoulli-daniel-
estudia.html
chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/http://
halweb.uc3m.es/esp/personal/personas/mwiper/docencia/Spanish/
Ciencias_Politicas/2012/clase_magistral_9_2012.pdf
https://prezi.com/is2qatfv7jdo/analisis-de-modelos-probabilisticos-
especiales/

Análisis de Modelos Probabilísticos

Cargado por

Copyright:

Formatos disponibles

Análisis de Modelos Probabilísticos

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

Análisis de Modelos Probabilísticos

Cargado por

Copyright:

Formatos disponibles

COLEGIO NACIONAL PARA LA EDUCACIÓN PROFESIONAL TÉCNICA

Módulo-. Tratamiento de Datos y Azar

Docente-. Ing. Karina Itzel Alonso García

TEMA: Análisis de modelos probabilísticos especiales.

Nuevo Laredo, Tamaulipas 2022

Un modelo estadístico es un tipo de modelo matemático que usa

TEMA: Análisis de modelos probabilísticos especiales.

1.- la especificación de la variable aleatoria y su campo de variación.

2.- la especificación de su asignación de probabilidades, mediante la función de

Si un conjunto dado de distribuciones tiene sus funciones de distribución con la

La distribución de Bernoulli es un modelo teórico utilizado para representar una

 La probabilidad de éxito es constante, P (éxito) =p, y no varía de una

El resultado que esperamos que ocurra. Es decir, “éxito”.

La frecuencia de la variable aleatoria Z se puede aproximar satisfactoriamente

Si la variable aleatoria Z resulta en el resultado que habíamos definido como

Es una distribución de probabilidad discreta que cuenta el número de éxitos en

La función de masa de la distribución de Poisson es

λ es un parámetro positivo que representa el número de veces que se espera que

La distribución hipergeométrica es especialmente útil en todos aquellos

Las probabilidades de obtener un resultado A y de obtener un resultado no A

 (Derivación de la distribución). Si estas circunstancias a

La función de cuantía de una distribución Hipergeométrica hará corresponder a

Hay un total de formas distintas de obtener

x resultados del tipo A y n-x del tipo ,

Por otro lado, si realizamos n pruebas o extracciones hay un total de

posibles muestras (grupos de n elementos)

aplicando la regla de Laplace tendríamos

La distribución geométrica es un modelo adecuado para aquellos procesos en

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso experimental puro o de

· El proceso consta de un número no definido de pruebas o experimentos

· Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A

· La probabilidad de obtener un resultado A en cada prueba es p y la de

· (Derivación de la distribución). Si en estas circunstancias aleatorizamos de

Obtención de la función de cuantía

De lo dicho anteriormente, tendremos que la variable X es el número de

La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad

luego la función de cuantía quedaría

Algunos autores

Los modelos más comunes son; Binomial, Poisson, Bernoulli, Geométrica y

Esperemos haya servido de gran ayuda la investigación descrita.

También podría gustarte