Universidad Distrital francisco Jos de Caldas

Probabilidad y Estadstica
Sergio David Moya Hilarin- Sergio.moyah89@hotmail.com
20112007098
variable aleatoria proporciona un
medio matemtico para relacionar
1. Introduccin
cualquier resultado con una medida
cuantitativa.
Los experimentos se conciben de
manera que los resultados del
espacio muestral son de tipo
cualitativos o cuantitativos. Es por
ello que las distribuciones de
probabilidad indica toda la gama de
valores que pueden resultar de un
experimento. Sin embargo las
distribuciones
de
probabilidad,
constituye
una
herramienta
fundamental para la prospectiva de
eventos, puesto que se puede
disear
un
escenario
de
acontecimientos
futuros
considerando
las
tendencias
actuales de diversos fenmenos que
afecten el experimento.
Realmente las distribuciones de
probabilidad
describen
los
fenmenos aleatorios de la vida
real, como por ejemplo la eficacia
de un nuevo frmaco en los
pacientes que lo usaron,
o los
productos
que
pueden
ser
defectuosos o no defectuosos en
una lnea de produccin. Por ello la

2. Objetivos
Objetivo General
Identificar la variable discreta
y continua, asocindola con
los respectivos problemas
propuestos.

Objetivos Especficos
Estimar la
esperanza y
varianza matemtica de la
respectiva variable discreta o
continua.
Definir y verificar su f.m.p, y
f.d.a.
Describir
las
diferentes
caractersticas
de
las
variables
y
calcular
las
probabilidades
de
los
ejercicios propuestos.
Establecer las propiedades de
la funcin de distribucin de

probabilidad acumulada de
una
variable
aleatoria
discreta y continua.

Los pasos siguientes se asemejan

estrechamente a los de la seccin
anterior. Seleccionemos valores fijos
para r y, y, y consideremos los
eventos A y B, donde
A = {los primeros (y 1) intentos
contienen (r 1) xitos}

3. Variables aleatorias.
3.1.
Binomial Negativa
Sea un escenario binomial en que
se observa una secuencia de
ensayos
independientes;
la
probabilidad de xito en cada
ensayo es constante e igual a p. En
lugar de fijar el nmero de ensayos
en n y observar el nmero de xitos,
supngase que se continan los
ensayos hasta que han ocurrido
exactamente r xitos. En este caso,
la variable aleatoria es el nmero de
ensayos necesarios para observar r
xitos. De nuevo nos concentramos
en
intentos
independientes
e
idnticos, cada uno de los cuales
conduce a uno de dos resultados:
xito o fracaso. La probabilidad p de
xito sigue siendo igual de un
intento a otro. La distribucin
maneja el caso donde estamos
interesados en el nmero de intento
en el que ocurre el primer xito.
Qu pasa si estamos interesados
en conocer el nmero de intento en
el que ocurre el xito segundo,
tercero o cuarto? La distribucin que
se aplica a la variable aleatoria Y
igual al nmero del intento en el
que ocurre el rsimo xito (r = 2, 3,
4, etc.) es la distribucin binomial
negativa.

Y
B = {el intento y resulta en un
xito}.
Como suponemos que los intentos
son independientes, se deduce que
A y B son eventos independientes y
las suposiciones previas implican
que P(B) = p. Por tanto,
p(y) = p(Y = y) = P(A B) = P(A)
P(B).
Observe que P(A) es 0 si (y 1) < (r
1) o, de igual manera, si y < r. Si y
r, implica que la distribucin de
probabilidad es:

y1 p (1 p )
(
)
p ( y )= r1
r

yr

y=r , r +1, r +2.. ,

0 p1
0 en otro valor

Sea x+r, el nmero de ensayos

independientes
necesarios
para
alcanzar, de manera exacta,r-xitos
en un experimento binomial donde
la probabilidad de xito en cada
ensayo es p. Se dice entonces que x
es una variable binomial negativo
con funcin de probabilidad

r + y1 p r ( 1p )r y=0,1,2
r 1
p ( n; r , p )=
r =1,2
0 p1
0 en otro valor

E[Y (Y 1)]= y ( y1)q

y1

E[Y (Y 1)]=qp y ( y1)q y2

Y

3.1.2. Esperanza

Teniendo en cuenta que

2

d [ y]
q = y ( y1)q y2
2
dq

E[Y (Y 1)]=qp
Y

d2 y
[q ] =
d q2

2
d
qp 2
dq
E[Y (Y 1)]=
Fig 1. Demostracin matemtica de
la esperanza de la distribucin
binomial negativa

E[Y 2 ]=E [Y (Y 1)]+ E[Y ]

1
E ( Y )=
P
Ec 1: Esperanza de la distribucin
binomial negativa

V [Y ]=E [Y 2]E[Y ]2
2

E[Y ]=E [Y (Y 1)]+ E[Y ]

E[Y 2 ]=

2 q 1 2 q+ p
+ =
p2 p
p2
2

V [ Y ]=E [Y 2 ] E [ Y ]

3.1.3. Varianza
Si

2q
p2

V [Y ]=

2 q+ p 1 2 ( 1 p ) + p1 1 p
2=
= 2
p2
p
p2
p

V ( Y )=

1 p
p2

Ec 2: Varianza de la distribucin
binomial negativa
3.1.4. Ejemplos:
En la serie de campeonatos de la
NBA, el equipo que gane 4 de 7
juegos ser el ganador. Suponga
que los equipos A y b se enfrentan
en los juegos de campeonato y que
el equipo A tiene una probabilidad
de 0.55 de ganarle al equipo B.

[ 1]
Cul es la probabilidad de que el
equipo A gane la serue de 6 juegos?

bomba. Suponga que lleva 10

minutos probar una bomba que est
en buenas condiciones y 30 minutos
para probar y reparar una bomba
que no funciona. Encuentre la media
y la varianza del tiempo total que
tarda la trabajadora para usar sus
tres equipos de reparacin

Denotemos con Y el nmero

del intento en el que se
localiza la tercera bomba que
no funciona. Se deduce que Y
tiene una distribucin
binomial negativa con p=.2.
Entonces,

V (Y )=

Cul es la probabilidad de que el

equipo A gane la serie?
A) b*(6;4,0.55)=

(53 ) 0.55 (10.55) =0.1853

4

B) b*(4;4,0.55)+ b*(5;4,0.55)+
b*(6;4,0.55)+ b*(7;4,0.55)=
0.0915+0.01647+0.185+0.1
66=0.6083

[ 2]

E ( Y )=

3
=15
( .2 )2

3(.8)
=60
2
. Debido a
(.2)

que se requieren otros 20

minutos para reparar cada
bomba defectuosa, el tiempo
total necesario para usar los
tres equipos de reparacin es:

T =10 Y + 3(20)
E ( T ) =10 E ( Y ) +60=10 ( 15 ) +60=210

PROPUESTO
Una gran acumulacin de bombas
usadas contiene 20% que necesitan
ser reparadas. Una trabajadora de
mantenimiento es enviada a esas
bombas con tres juegos de piezas
de
reparacin. Ella selecciona
bombas al azar y las prueba una por
una. Si la bomba funciona, la separa
para usarla ms adelante, pero, si
no funciona, utiliza uno de los
conjuntos de reparacin en la

V (T )=10 2 V ( Y )=100 ( 60 )=6000

3.2.

POISSON

Se llama tambin la distribucin de

los eventos raros pues se usa
como aproximacin a la binomial
cuando el tamao de muestra es

grande y la proporcin de xitos es

pequea. Esos intervalos de medida
pueden referirse a; tiempo, reas,
volumen etc.
Como ejemplos se puede usar la
distribucin de Poisson para los
siguientes casos:

El nmero de errores de
ortografa que uno comete al
escribir una nica pgina.

El
nmero
de
llamadas
telefnicas en una central telefnica
por minuto.

El nmero de defectos por

metro cuadrado de tela.

El nmero de estrellas en un
determinado volumen de espacio.
Las
caractersticas
ms
sobresalientes de esta distribucin
son:
La distribucin de Poisson tiene la
particularidad de que la esperanza y
la varianza son iguales.
El espacio muestral en un modelo
de Poisson se genera por un nmero
muy grande (puede considerarse
infinito) de repeticiones de un
experimento
cuyo
modelo
de
probabilidad es el de Benorulli, con
probabilidad de xito muy pequea.
Por esta razn se le suele llamar de
eventos raros. Las repeticiones
del experimento de Bernoulli se
realizan en cada uno de los puntos
de un intervalo de tiempo o espacio.
La probabilidad de que se tenga dos
o ms xitos es en el mismo punto
del intervalo es cero. El nmero

promedio de xitos en un intervalo

es una constante , que no cambia
de intervalo a intervalo.
La distribucin de Poisson se puede
ver de manera grfica con firma
asimtrica positiva como sucede
con la distribucin binomial. Sin
embargo, al ir aumentando los
valores de , va adquiriendo la
tpica forma de campana de Gauss.
A
continuacin
podemos
ver
algunos ejemplos de grficos con
distintos valores de :
3.2.1.Ecuacin Funcin de la
Distribucin de Poisson
Donde x es un entero positivo.
Esta expresin se puede obtener
tomando los limites cuando n tiende
a , p tiende a 0 y np permanece
constante e igual a
funcin de
distribucin
binomial.

, de la

probabilidad de la
de
una
variable

Definicin:
Sea
una
variable
aleatoria que representa el nmero
de
eventos
aleatorios
independientes que ocurren a una
rapidez constante sobre el tiempo o
el espacio. Se dice entonces que la
variable
aleatoria
tiene
una
distribucin de Poisson con funcin
de probabilidad
Aun cuando no hay una forma nica de
seleccionar los subintervalos y por tanto
no conocemos
ni n ni p, parece razonable que cuando
dividimos la semana en un nmero
mayor de n subintervalos, disminuye la
probabilidad p de un accidente en uno
de estos subintervalos ms cortos.
Haciendo = np y tomando el lmite de
la probabilidad binomial

lim n y
n y
p ( 1 p )
cuando
n y

()

S q , tenemos

e i ! =F (x ; )
i=0
3.2.3.Esperanza de poisson
La media o esperanza y la varianza,
se obtienen mediante el mismo
procedimiento, tomando los limites
cuando n tiende a , p tiende a 0 y
np tiende a

E ( X )= lim ( np )=
np

( np ( 1 p )) =
2= lim
np

Sin embargo se puede ver de otra

forma para demostrar este hecho,
como se mostrara a continuacin,
ya que la distribucin de Poisson se
Fig 2. Demostracin funcin de la
distribucin de poisson.

Si observamos que todos los

trminos de la derecha del lmite
tienden a 1 entonces:

basa en la serie de
para la esperanza:

E ( X )= xf ( x)
x

e x
, si x=0,1,2 , n
f ( x )=
x!
0, e . o . c

x
x=0

3.2.2.Funcin de Distribucin
Acumulativa:
La probabilidad de que una variable
aleatoria de Poisson sea menor o
igual a un valor de x se determina
por la funcin de distribucin
acumulativa:

e x , se tendr

e x
x1
= e
x!
x=1 ( x1 ) !

si y=x1entonces :

E ( X )= e

y=0

y
= e e =
y!

Ec 3: Esperanza de la distribucin
Poisson.
3.2.4.Varianza de poisson
Por propiedades de la varianza se
tiene que:

2
Var ( X )=E ( X )[ E ( X ) ] , Adems de

que;

E ( X 2 ) =E [ X ( X1 ) ] + E( X )

x=0

x=0

E [ X ( X1 ) ]= x ( x 1 ) f ( x )= x ( x1)(

y=0

y
2
=
y!

, entonces;

Var ( X )= 2+ 2
Var ( X )=

)=2 econsecutivos?

x!
x=2 ( x2 ) !

[ 3]

Solucin:
A. x= variable que nos define el
nmero de cheques sin fondo
que llegan al banco en un da
cualquiera= 0, 1, 2,3etc.

y=x2

Ahora sea:

Si un banco recibe en promedio 6

cheques sin fondo por da. Cules
son las probabilidades de que
reciba?:
A. Cuatro cheques sin fondo en
un da dado?
B. 10 cheques sin fondos en
cualquiera
de
dos

x
x2

x=6 cheques sin fondo por da:

6

e (6 )
P ( =6, x=4 )=
=0.1338
4!

Ec 4: Varianza de la distribucin
Poisson.

B. x= 6 cheques por da * 2 das

= 12 cheques
12

P ( =12, x=10 )=
3.2.5.Ejemplos
Durante un experimento de
laboratorio el nmero de promedio
de partculas radioactivas que pasan
a travs de un contador en un
milisegundo es 4. Cul es la
probabilidad que entren 6 particulas
al contador en un milisegundo

3.3.

10

( 12 )
=0.1048
10 !

HIPERGEOMTRICA

Para entender correctamente la

definicin
de
la
distribucin
[
1
]
Hipergeomtrica
es
necesario
dado?
analizar un caso prctico, puesto
5
que muchas veces es difcil realizar
p ( x ; 4 ) p ( x ; 4 )=0.88930.7851=0.1042pruebas
con
reposicin
o
x=0
reemplazamiento, un ejemplo en el
6
e44 6
que esto se puede observar es en el
p ( 6 ; 4 )=
=
6!
x=0
control de calidad de ciertos
productos puesto que si se pierde
un elemento aprobado no es posible
Propuesto
hacer una reposicin directamente,
de esta manera se plantea entonces

una prueba sin reposicin donde los

elementos de la muestra son
tomados todos a la vez y no
individualmente
o
donde
el
elemento
seleccionado
no
se
reintegra al experimento o a la
muestra nuevamente.
Una de las diferencias que se
encuentran entre la distribucin
geomtrica y la binomial es que en
sta ltima se realiza un muestreo
con reemplazo e independencia de
pruebas o ensayos y en la primera
se
realiza
un
muestreo
sin
reemplazo y sin independencia
entre pruebas o ensayos.

Sea la variable aleatoria X el

nmero de xitos en la muestra.
Entonces, X tiene una distribucin
hipergeomtrica funcin de
probabilidad hipergeomtrica

K NK
(
x )( nx )
f ( x ; N , K , n) =
; x=0,1,2, . n
N
(n)
x

Funcin de Distribucin acumulativa

K N K
(
x )( nx )
P( X x)=
( Nn )
x

i=0

Para definir una distribucin

Hipergeomtrica se debe considerar
un conjunto de N objetos que
contiene:
K objetos clasificados como
xitos y
N K objetos clasificados
como fallas
Donde se toma una muestra de
tamao n, al azar (sin reemplazo) de
entre N objetos, donde:
K N ; y; n N

3.3.2.Esperanza de
Hipergeomtrica
Para poder determinar la esperanza
se con los parmetros
anteriormente mencionados: n,N y
m se tiene

Los parmetros de la distribucin

hipergeomtrica son:
N: Tamao de la poblacin.
K: Nmero de elementos de N
con una caracterstica o
propiedad especfica (xitos).
n: Tamao de la muestra
aleatoria extrada.
3.3.1. Funcin de
probabilidad de la
distribucin
hipergeomtrica.

Usando las identidades

Se obtiene:

3.3.3.Varianza de
Hipergeomtrica
Podemos decir que:

Reemplazando P=nK/N y usando la

identidad,

Se tiene que:
Donde Y es una variable aleatoria
hipergeomtrica con parmetros n1, N-1 y K-1. Tomando k=1 se tiene:

Si el valor de k se cambia por k=2

en la ecuacin de

E [ X K]

se

obtiene:

Ya que N es un nmero grande en

comparacin con n, la relacin

N n
N1

es aproximadamente = 1

Var ( x ) np (1q )
Ec 6: Varianza de la distribucin
hipergeomtrica.
3.3.4.Ejemplos
Ya que:

E [ X ]=

nK
N

Ec 5: Esperanza de la distribucin
hipergeomtrica.

Lotes con 40 componentes cada uno

que contengan 3 o ms defectuosos
se consideran inaceptables. El
procedimiento
para
obtener
muestras de lote consiste en
seleccionar 5 componentes al azar y
rechazar el lote si se encuentra un
componente defectuoso Cul es la
probabilidad de, que en la muestra,
se encuentre exactamente un

componente defectuoso
lote hay 3 defectuosos?

si en el

[ 1]

3 37
(
1 )( 4 )
f ( 1 ; 40 , 5 , 3 )=
=0.3011
40
(5)
x

Slo el 30% de las veces que

detecta un lote mal (con 3
componentes defectuosos).
Propuesto:
Un lote de piezas contiene 100 de
un proveedor local de tubera, y 200
de un proveedor del mismo
material, pero de otro estado. Si se
eligen cuatro piezas al azar y sin
reemplazo, Cul es la probabilidad
que todas provengan del proveedor
local?

[ 3]

Solucin:
Sea X el nmero de partes en la
muestra que son del proveedor
local. Entonces, X tiene una
distribucin hipergeomtrica y la
probabilidad pedida es P(X=4).

100 200
4
0
P ( 4 )=
=0.0119
30
4

( )( )
( )

Cul es la probabilidad de que al

menos una pieza de la muestra sea
del proveedor local?

200 100
(
4 )( 0 )
P ( 1 )=1
=0.196
300
(4)
Calcule la varianza y la esperanza
del ejercicio anterior:
Primero se debe calcular la razn
entre los xitos y la cantidad de
objetos totales
P=K/N= 100/300
E(X)=(4)*(1/3)=1.33

Var ( x ) np (1q )
V(x)=1.33*(1-1/3)*(276/279)= 0.879
3.4.

GAMMA

Una variable aleatoria (v.a.) es

simplemente una funcin
que
describe los resultados de un
experimento. En el curso de
probabilidad
encontramos
que
existen indicadores que simetra (o
asimetra) de distribuciones de
probabilidad de una v.a., para esto
nos
podemos
apoyar
en
la
distribucin Gamma.
Los intervalos de tiempo entre mal
funcionamiento de motores de
aviones poseen una distribucin de
frecuencia sesgada, al igual que los
intervalos de llegada en una fi la de
espera en las cajas de un
supermercado (esto es, la fi la de
espera para llegar a la caja a
pagar). Del mismo modo, los
intervalos de tiempo para completar
una revisin de mantenimiento para
un motor de automvil o de avin

poseen
una
distribucin
de
frecuencia sesgada. La poblacin
asociada
con
estas
variables
aleatorias posee con frecuencia
funciones de densidad que son
modeladas de manera adecuada por
una funcin de densidad gamma.
En la funcin de densidad la
Earlang, el parmetro r aparece
como r! Para definir una variable
aleatoria
Gamma
se
requiere
generalizar la funcin factorial.

3.4.3. Esperanza.

Ec 7: Varianza de la distribucin
Gamma.
3.4.4. Varianza

Ec 8: Varianza de la distribucin
Gamma.

Para X>0 y r=1,2,3,..,

3.4.2. Funcin de densidad de
probabilidad
La variable aleatoria X con funcin
de densidad de probabilidad dada
por la ecuacin (11) tiene una
distribucin Gamma con parmetros
> 0 y r > 0.

Par
a X>0.
Funcin
Acumulada

3.4.5. Ejemplos.
Supngase
que
cierta
pieza
metlica se romper despus de
sufrir dos ciclos de esfuerzo. Si
estos ciclos ocurren de manera
independiente a una frecuencia
promedio de dos por cada 100
horas, obtener la probabilidad de
que el intervalo de tiempo se
encuentre hasta que ocurre el
segundo ciclo.

de

[ 2]

Distribucin

la funcin de distribucin
acumulada no es ms que la
integral desde menos infinito hasta
un valor x el cual es hasta donde
queremos determinar la
acumulacin.

a. Dentro de una desviacin

estndar del tiempo promedio.
Solucin:
Tenemos que r = 2, = 1=50;
0;02. Planteando la funcin de
distribucin acumulada

los materiales puede modelarse de

manera adecuada.

(2)=

xe x dx
0

Vemos que

f ( x ,2,0,02 ) =1(10.02) xe0,02 x

Para x>0

r
2
= =
=100
0.02
2=

r
2
=
=50 00
2
2
0.02

Para solucionar el ejercicio:

3.5.

WEIBULL

La distribucin Weibull es una

familia de distribuciones con dos
parmetros fundamentales:

Al igual que las distribuciones

gamma
y
exponencial,
la
distribucin de Weibull funciona
para estimar la vida til y la
fiabilidad que genera determinado
componente en un sistema.
Esta
distribucin
se
puede
identificar mediante los parmetros
, y .
Las principales caractersticas para
identificar
y
utilizar
dicha
distribucin son:
Interpretacin
y
caracterizacin
de
componentes:
Modelamiento
de
componentes dentro de un
sistema.
Anlisis de la vida til de un
sistema.
Estimacin de la relacin
tiempo - falla.
Prevencin
de
fallas
en
materiales.
La Distribucin est dada por la
siguiente funcin de densidad.

parmetro de la forma.
parmetro de la escala.
Esta distribucin es una funcin de
densidad de probabilidad que nos
permite tener diversas aplicaciones
en la ingeniera (confiabilidad de
materiales).
Fue establecida con base en
evidencia emprica para demostrar
que el esfuerzo al que se someten

Dnde los parmetros son:

- parmetro
de forma, es el
indicador
de

mecanismo
falla.

de

Lo que nos conduce a:

- parmetro
de escala, vida
caracterstica.

- parmetro
de localizacin,
vida mnima.

3.5.2. Funcin de densidad.

La funcin de densidad est

dada por

Donde las unidades de los

parmetros son:

adimencional.

, tienen las mismas

unidades tales como horas,
ciclos, miles, entreotros.

Funcin de distribucin acumulativa

La funcin de distribucin
acumulativa est dada por:
Para los F(X)

Para los f(x)<0; F(x)=0

3.5.3. Esperanza

Ec 9: Esperanza de la distribucin
weibull.

3.5.4. Varianza

3.5.4. Ejemplos
La duracin de un ventilador, en una
hora, que se usa en un sistema
computacional
tiene
una
distribucin de Weibull con
=1,5 y

[ 3]

=0,0001.

A. Cul es la probabilidad de
que un ventilador dure ms
de 10000 horas?
B. Cul es la probabilidad de
que un ventilador dure entre
3000 y 9000 horas?
Solucin:
1)Usando la funcin de Distribucin
acumulada

F ( x 10000 )= e

0.0001

( 1.5X )

10000

]]

=0.6324

Usando el complemento para definir

la probabilidad de que dure ms de
10000Hrs:

F ( x 10000 )=10.6324=0.36755
2) Usando Funcin de distribucin
acumulada:

[ ( ) ]]
F ( x 90000 ) =[e

X
1.5

0.0001

X
1.5

0.0001

=0.6324405961

3000

[ ( ) ]]
F ( x 3000 )=[e

9000

=0.6324001809

F ( 3000 x 90000 )=F ( x 9000 )F ( x 3000 )=0.632

Ec 10: Varianza de la distribucin
weibull.

Lo que es un resultado lgico

dado que si analizramos la

curva de la funcin de
distribucin acumulada para
estos parmetros veramos
que
se
trata
de
unos
parmetros muy favorables
en cuanto a la confiabilidad
de la maquinaria dado que el
parmetro
beta
da
una
bajsima frecuencia de fallas
a travs del tiempo.

punto de referencia, la
probabilidad
acumulada de la Pareto
es siempre igual a
cero.
Estimacin
del
parmetro : Dado que
la
distribucin
de
Pareto depende del
parmetro para su
clculo se tienen dos
diferentes opciones.

Propuesto.
El tiempo de vida X en horas de un
artculo en el taller mecnico tiene

=2.

Cul

es

la

probabilidad de que falle antes de 8

horas de curso?

[ 2]

( 0.01) 64

F ( x <8 )=1e

FUNCIN DE DENSIDAD DE PARETO

La funcin de densidad de
pareto viene dada por:

una distribucin de weibull con

=0.01

3.5.2.

F x ( x )= x +1
0
Donde

=10.527=0.473

si x
en otro caso

> 1,

> 0

(Espacio Paramtrico)
3.6.
Distribucin
Pareto

de

La distribucin de Pareto es llamada

as por su autor Vilfredo Pareto
(Paris 1848-Clingny 1923), fue un
Socilogo y economista Italiano.
Formulo la ley para la distribucin
de la renta cuando esta es
fuertemente inequitativa.
Es una distribucin de probabilidad
continua con dos parmetros, que
tiene aplicacin en disciplinas como
la sociologa, geofsica y economa.
El parmetro

Demostracin de la densidad
de pareto

f ( x) dx

1.

2.

1
x +1

de la

Pareto: es slo un
punto de referencia
determinable. En ese

dx

+1
x

3.

lim

dx

x 1 +1 dx

lim

4.

Aqu hay que aclarar que

{ }[ ]

1 b

1F ( x ) x=

5.

lim

1 1

=1

()

As se comprueba que es una

funcin de densidad.
3.5.3.

FUNCIN ACUMULATIVA

DE PARETO

La funcin acumulativa de
pareto se obtiene de la
primicia de la funcin de
densidad.
x

+1
t

{}

representa

la proporcin de personas en
la poblacin con ingresos
mayores que x.

3.5.4.Esperanza.
En este punto demostraremos
como
se
expresa
la
Esperanza.

E ( )= xf ( x ) dx

dt

1.

1
t

+1

1.

x
x +1 dx

2.

xx( +1 ) dx

dt

2.

1 1

3.
3.

lim

x( ) dx

lim
Entonces
la
funcin
acumulativa de pareto es:
4.

Si x >

4.

( 1 )

{ [ ]}
x(1)

5.

lim

( 1 )

{b( 1 )( 1 )}

5.

lim

( 1 )
(
1 )
( 1 )

6.

( 2 )

Ec 11: Esperanza de la distribucin

de pareto.
3.5.5.

7.

D ( )= x f ( x ) dx { E ( ) }
2

( 2 ) ( 1 )

Ec 12: Varianza de la distribucin de

pareto.

1.

x
+1
x

dx

( 1 )

3.5.6.Ejemplos

2.

x x

(+1)

dx

( 1 )

Las rentas salariales anuales en

cierto sector econmico (X, en miles
de
euro)
es
una
magnitud
distribuida segn un modelo de
Pareto con salario mnimo 9 y
=2,4

3.
b

lim x( 1 ) dx

b
( 1 )

4.

lim
b

(2)

{ [ ]} { }
x(2)

( 1 )

[ 1]

Se desea conocer el salario en el

sector
y
la
proporcin
de
asalariados que percibe de 18.000
ao .
Puesto que X sigue una distribucin
de Pareto se tiene que el salario
esperado viene dado por:

E [ x ]=
x

92,4
=
=15,42
1 2,41
18

dt
2,49 dt
=

+1
t
t 3,4

( 1 )

( 2 )
( 1 )
( 2 )

En este punto demostraremos

como se expresa la varianza.

{b( 2 )(2 )}

6.

VARIANZA.

2,4

2,4

= 19 (18

=1-0,81= 0,19

2,4

4. Conclusiones
La distribucin hipergeomtrica es
fundamental en el estudio de
muestras en poblaciones pequeas,
as como en el clculo de
probabilidades de, juegos de azar,
adems tiene gran utilidad en el
control de calidad y en diferentes
procesos experimentales en los que
no es posible retornar a la situacin
de partida
La distribucin Gamma no se usa
con
frecuencia
para
el
modelamiento de sistemas fsicos,
sin embargo el caso especial, es
decir, la distribucin de Earlang es
de gran ayuda para experimentos
aleatorios.
La distribucin de Pareto aunque
tiene una gran aplicacin en
economa tambin puede tener
aplicaciones en otras disciplinas
como Fluidos y en la sociologa.
La distribucin Pareto se caracteriza
por que la mayor parte de la riqueza
de un sistema econmico siempre
tiende a ser acaparada por un

sector
muy
poblacin.

pequeo

de

la

5. BIBLIOGRAFA

[ 1 ] Walpole, Ronald. Probabilidad y

estadstica
para
ingeniera
y
ciencias. Novena edicin. Pearson.

[ 2 ] Wackerly, Dennis. Estadstica

Matemtica
con
aplicaciones.
Sptima edicin. Cengage Learning.
[3]Douglas C. Montgomery, George
C.
Runger,
Probabilidad
y
Estadstica
Aplicadas
a
la
Ingeniera (2da ed.), McGraw Hill.

[4]Distribucin

hipergeomtrica.
Universidad
de
Valencia
[online].disponible
en:
http://www.uv.es/ceaces/base/model
os%20de
%20probabilidad/hipergeometrica.ht
m
[5] La distribucin de Poisson
Paper, Martnez Gmez, Mnica,
Martnez Gmez, Mnica, [online],
disponible
en:
http://riunet.upv.es/bitstream/handl
e/10251/7937/Distribucion
%20Poisson.pdf