Estadística para la

investigación en
Seguridad Pública

ACTIVIDAD 1
Modelos probabilísticos
Identificación, análisis y comparación de modelos

Alumno:
Jonathan Omar Pineda Jiménez
Profesor: Erika Morales Rojas

20 de marzo de 2022
Introducción

La investigación científica resulta una herramienta sumamente imprescindible para

identificar, conocer e intervenir en los problemas que afectan algún campo, espacio,
disciplina o trabajo desempeñado. En función de esto, la investigación en seguridad
pública representa al mejor conjunto de acciones y estrategias de las que se dispone para
analizar la realidad social e institucional, así como sus principales desafíos y
problemáticas; de modo que, toda investigación debe tener una utilidad para el entorno
social y su colectivo, pudiendo transformar esa realidad, solucionar problemas y mejorar
las condiciones de las personas involucradas y afectadas, es importante señalar que la
realidad es subjetiva y cambiante, especialmente la realidad social.
En este sentido, la estadística es la ciencia (parte fundamental de la investigación
científica) que se dedica a la recopilación, el recuento, catalogación y la interpretación de
una serie de datos que se extraen y obtienen a través del estudio, investigación u
observación y con la pretensión de realizar previsiones, comparaciones y estimaciones
(Ross, 2007). Proporciona herramientas para diseñar, ejecutar y evaluar estrategias y de
ese modo dar atención en investigar los problemas a los que se enfrenta la sociedad con
la inseguridad, además de que en el plano individual se fortalecen las habilidades de
pensamiento crítico, científico y se desarrollan otras, como el análisis de datos y la toma
de decisiones.
Por otro lado, los modelos probabilísticos (o modelos estadísticos) se definen
como la forma que adquieren los datos en su conjunto, obtenidos del muestreo de otros
datos con comportamiento aleatorio. De acuerdo con Adèr (2008) los modelos
estadísticos son un conjunto de ecuaciones que relacionan diversas variables aleatorias,
y en las que pueden aparecer otras variables no aleatorias, es decir, "un modelo es una
representación formal de una teoría".
En esta actividad se desarrolla una investigación cuya finalidad es la de identificar,
conocer y analizar los diferentes modelos probabilísticos, así como la forma en la que
pueden ser utilizados. Se realiza la solución de un problema preestablecido donde se
intenta evaluar el conocimiento adquirido.
La estadística

La estadística (Ross, 2007) se define como la ciencia que se dedica a la

recopilación, el recuento, catalogación y la interpretación de un conjunto de datos que se
obtienen a través del estudio, investigación u observación y con la pretensión de realizar
previsiones, comparaciones y estimaciones. Su objetivo es, principalmente, la
comprensión de los hechos y fenómenos específicos con relación a determinados datos,
definiendo conclusiones y deducciones en función de la información obtenida, ya sea de
una población o una muestra.
La estadística se divide en dos grandes campos, la estadística descriptiva
(deductiva) y la estadística inferencial (inductiva):
- Descriptiva: se caracteriza por la recolección, clasificación, desarrollo,
deducción y descripción del grupo de datos que pueden ser visibles mediante
tablas, gráficas o medidas numéricas. Calcula parámetros estadísticos que se
reflejan en el análisis de los datos:
• Centralización
• Posición
• Dispersión
- Inferencial: Con la gestión de los datos muestrales se pueden realizar
inferencias, es decir, se pueden obtener previsiones o previsiones que
impulsen una toma de decisiones después den análisis de los datos del
fenómeno estudiado. Las principales inferencias se presentan a través de
variables como preguntas cerradas del tipo Si/No, o la relación existente entre
un conjunto de variables.
Los modelos probabilísticos

El conocimiento es todo aquello que sabemos y la información es la comunicación

de esos conocimientos. En el intercambio de saberes existe un emisor y un receptor,
donde el emisor hace común algo que es privado, esa información la intercambia
haciendo así la comunicación. Los datos se conocen como información dura, es decir, no
son un conocimiento como tal, sin embargo, para poder saber de qué tratan los datos
debe pasar por el siguiente proceso:

Datos Información

Información Hechos

Hechos Conocimiento

Los datos se convierten en información cuando existe relevancia e importancia

para la toma de decisiones a un problema o fenómeno. De este modo, la información se
hace un hecho cuando hay respaldo de los datos, es decir, cuando son relevantes, pues
los hechos son la revelación de los datos. Así el conocimiento se expresa con su
respectivo grado estadístico de confianza (Arsham, 2011).
Un modelo se define como probabilístico cuando siempre que es sometido a un
estímulo, éste reacciona de forma diferente. Estos modelos (Marco Teórico, 2017)
producen información empírica o experimental, lo que hace necesario un proceso de
inferencia. Los modelos probabilísticos son modelos basados en distribuciones, pueden
ser discretos o continuos. Los modelos probabilísticos discretos, en su mayoría, se basan
en la repetición de pruebas de Bern oulli, aunque los más utilizados son: Modelo de
Bernoulli, Modelo Binomial, Modelo Geométrico, Modelo Binomial negativo, Modelo
Hipergeométrico y Modelo de Poisson. Por su lado, los modelos probabilísticos continuos,
destacando la Distribución Normal, Distribución Chi cuadrado, Distribución exponencial y
Distribución F. Para la mejor apreciación de estos datos, se expone la información a
continuación en una tabla, donde se expresa a detalle las características de cada una de
ellas.
 Modelo Características Función
Bernoulli: Es una distribución de probabilidad discreta, donde De probabilidad
el valor de 1 (éxito) ocurre con la probabilidad p y el valor 0
(fracaso) con la probabilidad q = 1 – p
Si X es una variable aleatoria discreta que mide el "número de De distribución
éxitos" y se realiza un único experimento con dos posibles
resultados denominados éxito y fracaso, se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro p con
0 < p < 1 y escribimos X  Bernoulli(p)
Binomial: Es una distribución de probabilidad discreta que De probabilidad
Bernoulli
cuenta el número de éxitos en una secuencia de n ensayos de
(Wadsworth, Bernoulli de forma independiente, pero con probabilidad fija p
1960) de que ocurra un éxito entre los ensayos. Estos experimentos
se caracterizan por tener solo dos resultados posibles: el éxito De distribución
(probabilidad de ocurrencia p ) y el fracaso (probabilidad q = 1
– p ).
Geométrico: Es una distribución de probabilidad discreta, que
De probabilidad
puede ser representada por:
- Si X = {1, 2, …} es el número necesario para tener éxito.
- Si X = {0, 1, 2, …} Son los fracasos antes del primer éxito. De distribución
Si una variable aleatoria discreta X sigue una distribución
geométrica con parámetro 0 < p < 1 entonces X  Geo( p )
Es una distribución de probabilidad discreta que, a partir de una De probabilidad
frecuencia de ocurrencia media, expresa la probabilidad de que
ocurra un determinado número de eventos durante un tiempo
determinado. Esta distribución es popular porque modela la
Poisson frecuencia con la que ocurre un evento en un intervalo de De distribución
tiempo. Sea  > 0 y X una variable aleatoria discreta, si la
variable discreta X tiene una distribución de Poisson con
parámetro  entonces X  Poi()
 Normal: Es una de las distribuciones de probabilidad De densidad
continua que con más frecuencia aparece en estadística y
probabilidad. La distribución normal es la más extendida
en estadística y muchos tests estadísticos están basados
en una "normalidad" más o menos justificada de la variable
aleatoria bajo estudio. Como modelo probabilístico, la De distribución
distribución normal aparece como el límite de varias
distribuciones de probabilidad continuas y discretas
(Guerrero, Buitrago & Curieses, 2007).
t (de Student): Es una distribución de probabilidad que De densidad
surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra
Normal es pequeño y la desviación estándar poblacional es
desconocida.
Sean X una variable continua y v > 0 , si X tiene una De distribución
distribución t con v grados de libertad.
Entonces X  t v o X  t ( v)
De densidad
Distribución F: También es conocida como distribución
de Fisher-Snedecor. Es una distribución de probabilidad
continua, aparece frecuentemente como la distribución
nula de un análisis de varianza, normalmente. Se dice que
la variable aleatoria X tiene una distribución F con m y n De distribución
grados de libertad, entonces X  F m,n
Es una distribución discreta que se relaciona con muestreos
aleatorios y sin reemplazo. Suponga que se tiene una población De probabilidad
de N elementos de los cuales, K pertenece a la categoría A y
Hipergeométrica N – K pertenece a la categoría B .
La distribución hipergeométrica mide la probabilidad de obtener
x (0 ≤ x ≤ K ) elementos de la categoría A es una muestra que
no tiene reemplazo de n elementos de la población total.
 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 (Ross,
2008).

DATOS

Color de ojos dd dr rr rd

d,d Dominante puro X x1 x2 x3 X4

r,r Recesivo puro P 1 2 1 2 6

d,r Híbrido 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 0.50 0.50
n 4

N=4 X=0 1 2 3 4

p^x q^(n-x) 1 p^x q^(n-x) 1

24 1 0.316 0.3163 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 6
 24 0.004 1 0.0039 24 0.063 0.063 0.063
24 24

• ¿Qué tipo de distribución puede usarse? Distribución binomial

• Argumenta: En cada ensayo, experimento o prueba solo son posibles dos
resultados el éxito o fracaso, es decir, la probabilidad de que un descendiente de
padres dominantes o recesivos es:
a) (d, d) b) (d, r) c) (r, d) d) (r, r)

La probabilidad del éxito ha de ser constante, esta se representa mediante la letra

p. La probabilidad de que salga un descendiente:
a) (d, d) = 0.167 b) (d, r) = 0.333 c) (r, d) = 0.167 d) (r, r) = 0.333 1
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha
de ocurrir. Es decir:
(d, d) (d, r)
(r, r) (r, d)
• Una variable aleatoria X binomial (n,p) es igual al número de éxito obtenidos en n
pruebas independientes, en cada una de las cuales la probabilidad de éxito es p ,
y se puede representar X mediante la suma, donde X¡ es igual a 1 si en la prueba
i resulta un éxito y es igual a 0 si en la prueba i resulta un fracaso.
Por consiguiente, si X es una binomial con paraímetros n y p, se tiene que:
E [X] = np
Var (X) = np (1-p)
Por otra parte, existe la probabilidad de que un descendiente de dos progenitores
híbridos tenga la apariencia contraria a la de ellos.
Genes progenitor hííbrido 1 = (d,r) / Genes progenitor hííbrido 2 = (d,r)
Probabilidad genes de progenitor 1 = 0.5 / Probabilidad genes de progenitor 2 = 0.5
Entonces la probabilidad de formar la pareja (r,r) es 0.5 * 0.5 = 0.25 = 25%
P (tener apariencia contraria) = 25%
 Fuentes de consulta

Ader, H. (2008). Asesoramiento sobre métodos de investigación: Acompañamiento de un

consultor, Países Bajos: Ed. Johannes van Kessel, págs. 271–304

Arsham, H. (2011). Modelos probabilísticos: De los datos a un conocimiento decisivo. En

Herramientas para el Análisis de Decisión: Análisis de Decisiones Riesgosas. Universidad
de Baltimore. Disponible en: https://home.ubalt.edu/ntsbarsh/business-
stat/opre/spanishp.htm

Guerrero, A., Buitrago, M. & Curieses, M. (2007). Estadística Básica. Medellín, Colombia. Instituto
Tecnológico Metropolitano. pág. 97.

Marco Teórico. (2017). Modelos probabilísticos. Matemáticas para la toma de decisiones. Marco
Teórico. Disponible en: https://www.marcoteorico.com/curso/87/matematicas-para-la-
toma-de-decisiones/719/modelos-probabilisticos

Ross, S. (2007). Introducción a la estadística. México: Ed. Reverte. págs. 1–13

Ross, S. (2008). Introducción a la estadística. México: Ed. Reverte.

Wadsworth, G. (1960). Introducción a la Probabilidad ya las Variables Aleatorias. México:

McGraw-Hill. pág. 52