1.

INTRODUCCION:
Modelo probabilístico o estadístico es la forma que pueden tomar un conjunto de datos
obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y que
incluye un conjunto de asunciones sobre la generación de algunos datos muéstrales, de tal
manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de
distribuciones de probabilidad, que son capaces de aproximar de manera adecuada un
conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos
estadísticos son lo que distinguen a los modelos de otros modelos matemáticos
deterministas.
Un modelo estadístico queda especificado por un conjunto de ecuaciones que relacionan
diversas variables aleatorias, y en las que pueden aparecer otras variables no aleatorias.
Como tal "un modelo es una representación formal de una teoría"1
Todos los test de hipótesis estadísticas y todos los estimadores estadísticos proceden de
modelos estadísticos. De hecho, los modelos estadísticos son una parte
fundamentalmente de la inferencia estadística.

2. FORMULAS: MODELOS PROBALISTICOS (BINOMIAL, POISON

Y PARETO)
Distribución binomial
La fórmula para calcular la distribución normal es:

Donde:

n    = número de ensayos/experimentos

x    = número de éxitos

p    = probabilidad de éxito

q    = probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una expresión matricial,
sino que es un resultado de una combinatoria sin repetición. Este se obtiene con la
siguiente formula:

El signo de exclamación en la expresión anterior, representa el símbolo de factorial.

La distribución de Poisson

Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no

nula no es finito, sino numerable. Se dice que una variable aleatoria X sigue la distribución
de Poisson si su función de densidad viene dada por:

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser positivo.

Esta distribución suele utilizarse para contajes del tipo número de individuos por unidad
de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

3) La suma de dos variables aleatorias independientes con distribución de Poisson resulta

en una nueva variable aleatoria, también con distribución de Poisson, de parámetro igual
a la suma de parámetros:

X1 ~ P(λ = λ1)    y    X2  ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias

independientes con distribución de Poisson. En este caso, la variable suma de todas ellas
sigue una distribución de Poisson de parámetro igual a la suma de los parámetros.

Distribución de Pareto

Se dice que una variable aleatoria   sigue una distribución de Pareto de parámetros   y

,  , si su función de densidad viene dada por la expresión

Se tiene que:

    y que  .

Pareto introdujo esta distribución para describir unidades económicas según la extensión
(salarios, rentas, empresas según ventas).

3. Métodos de resolución de los modelos probabilísticos (Binomial, Poissón y

Pareto) utilizando statgraphics.
Pasos para Pareto
1 Paso.- una vez ya abierto el programa de statgraphics debemos hacer clic en col 2para
poder cambiar el nombre y seleccionar el botón CARÁCTER luego poner aceptar
2 Paso.- hacer clic en la segunda columna para cambiar nombre y dejar en opción

numérico y luego aceptar

3 Paso.- Anotar los datos correspondientes en ambas columnas luego ir a archivos y

guardarlo
4 Paso.-