UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGENIERÍA QUÍMICA

CARRERA DE INGENIERÍA QUÍMICA

ESTADÍSTICA II

TRABAJO GRUPAL 2.1. DISTRIBUCIONES DE PROBABILIDAD

Docente: Ing. Ghem Carvajal

Paralelo: 2

Autores: Buenaño David

Flores Erick
Flores Karla
Molina Pamela
Rodriguez Sebastián
Sandoval Julissa

Fecha: 21-08-2020

QUITO-ECUADOR

2020-2020
TRABAJO GRUPAL 2.1. DISTRIBUCIONES DE PROBABILIDAD
1. DISTRIBUCIONES
1.1. Binomial Negativa
Constituye una extensión de la distribución de la distribución geométrica. Si r un entero
positivo se realizan pruebas de Bernoulli independientes y con la misma probabilidad de
éxito p, la variable aleatoria X que cuenta el número de pruebas hasta que se produce el
r-ésimo éxito tiene distribución binomial negativa, que se designará como NB ( r , p ) .
(Navidi, 2006)
1.1.1. Funcion de Probabilidad (masa o densidad)
Si X NB ( r , p ), entonces su función de masa de probabilidad está dada por:

p ( x ) =P ( X=x )= ( x +rx−1 ) p (1− p) , que implica un coeficiente binomial

r x

para x=r , r +1 ,… .
1.1.2. Propiedades de la función de probabilidad.
1.1.2.1. Propiedad 1
Sean X 1 , … , X k variables aleatorias independientes e idénticamente distribuidas según
r
una distribución geométrica de parámetros p. Se tiene que ∑ Xi sigue una
i=1
distribución binomial negativa de parámetros r y p.
1.1.2.2. Propiedad 2
Sean X 1 , … , X k variables aleatorias independientes e idénticamente distribuidas según
k
una binomial negativa de parámetros r i y p con i=1 , … , k . Se tiene que ∑ X i sigue
i=1
k
una distribución binomial negativa de parámetros r y p, siendo r =∑ r i. (Frechet,
i=1
1927)
1.1.3. Función acumulada. (Frechet, 1927)
1−I p ( k +1 , r )
Ec: 1.1.3.-1
la función beta incompleta regularizada.
1.1.4. Fórmula del valor esperado. (Navidi, 2006)
r
μ x=
p
Ec: 1.1.4.-1
1.1.5. Fórmula de la moda. (Frechet, 1927)

[
( r −1 )∗( 1−p )
p ]
sir >10 si r ≤ 1

Ec: 1.1.6.-1
1.1.6. Fórmula de la varianza. (Navidi, 2006)
 r ( 1− p )
σ 2x =
p2
Ec: 1.1.7.-1
1.1.7. Fórmula del coeficiente de curtosis. (Frechet, 1927)
1+(1− p)
γ 1=
√ r∗(1− p)
Ec: 1.1.8.-1
1.1.8. Fórmula del coeficiente de sesgo. (Frechet, 1927)
2
p +6∗(1− p)
γ 2=
√r∗(1− p)
Ec: 1.1.9.-1
1.1.9. Aplicaciones prácticas. (Frechet, 1927)
La binomial negativa es una suma de variables geométricas de parámetros p,
independientes. Se puede utilizar como una alternativa a la distribución de Poisson.
Especialmente útil para datos discretos sobre un rango positivo sin limites cuya
muestra varianza supera la muestra media. En ese caso las observaciones se
sobredispersan con respecto a una distribución de Poisson para lo cual la media es
igual a la varianza. Por lo tanto, una distribución de Poisson no es un modelo
apropiado. Puesto que la distribución binomial negativa tiene un parámetro más de la
Poisson, el segundo parámetro se puede utilizar para ajustar la varianza
independientemente de la media.
La distribución binomial negativa también se utiliza comúnmente para modelar los
datos en forma de secuencia discreta leer recuentos de ARN y de secuenciación de
ADN de alto rendimiento de experimentos.
1.1.10. Dos ejemplos de cálculo práctico. (Frechet, 1927)
1.1.10.1. Para un jugador de baloncesto, ¿Cuál es la probabilidad de que falle 5
tiros libres antes de conseguir 7 puntos?
En este caso la variable X es numero de canastas falladas antes del 7° acierto, es decir,
se trata de una X NB ( 7,0.8 ), con lo cual, la probabilidad pedida es:
p ( x ) =P ( X=x )= ( x +r −1 r
x )
p (1− p )x

(
P ( X=5 )=
5+7−1
5 ) 7
0.8 ( 1−0.8 )
5

−4
P ( X=5 )=1.4764∗10
P ( X=5 )=0.031

1.1.10.2. ¿Cuál es la probabilidad de extraer 5 hembras antes del tercer macho?

En este caso, el éxito se define como “extraer un macho”, por lo que
p ( x ) =P ( X=x )=P ( éxito )=0.6 y X =¿“Número de hembras antes de obtener el tercer
macho”. Entonces X NB ( 3,0.6 ).
La probabilidad pedida es:

(
p ( x ) =P ( X=x )=
x +r −1 r
x )
p (1− p )
x
 P ( X=5 )= ( 5+3−1
5 )
0.63 ( 1−0.6 )5
−3
P ( X=5 )=3.0966∗10
P ( X=5 )=0.18

1.2. DISTRIBUCIÓN ZETA

La distribución discreta de Pareto, también conocida como distribución
Zipf y distribución zeta de Riemann. Se utiliza para modelar el tamaño o rangos de
objetos elegidos al azar de cierto tipo de poblaciones, por ejemplo, la frecuencia de
palabras en largas secuencias de texto obedece aproximadamente a la ley de Pareto
discreta.
Definida por:
∞
1
ζ ( s )= ∑ s
x=1 x
s=σ +¿ , R e s=σ >1
Esta serie converge absolutamente en la región σ > 1 y de manera unifoma en el
semiplano R e s=σ ≥ 1+ σ o , para todo σ o >0. Por tales razones ζ ( s ) es una función
holomorfa en la región σ > 1. (Corona & Sánchez, 2014)
1.2.1. Función de probabilidad (masa o densidad).
Si X es una variable aleatoria con distribución zeta con parámetro s, entonces la
probabilidad de que X tome el valor entero k viene dada por la función de masa de
probabilidad.

( ) k −s
f k=
ζ (s)
1.2.2. Propiedades de la función de probabilidad.
La función característica de la distribución Riemann Zeta tiende a uno en la parte real
como parámetro σ → ∞ y esto también se explica la función característica nunca se
desvanece en el plano complejo. (Devianto & Yozza, n.d.)
 Dominio
s ϵ (1 , ∞)
1.2.3. Función acumulada.
H x, s
D ( x) =
ζ (s+1)
H x, s es un número armónico generalizado. (Weisstein, n.d.)
1.2.4. Fórmula del valor esperado.
 s
μ=
ζ (s +1)
s=σ >1
(Weisstein, n.d.)
1.2.5. Fórmula de la varianza.
2
2 ζ ( s−1) [ ζ (s)]
σ = −
ζ ( s+1) [ ζ ( s+1) ] 2

1.2.6. Aplicaciones prácticas.

 Aplicación de películas a la carta
En una aplicación de película bajo demanda pura, los clientes pueden elegir películas
de acuerdo con una distribución de acceso. La distribución del acceso se basa en los
datos empíricos sobre el alquiler de vídeos en varias tiendas de vídeos durante una
semana determinada. Los datos empíricos se pueden ajustar utilizando una
distribución Z sobre 92 películas con el parámetro 0.271. En nuestro artículo, la
distribución Z se utiliza para generar accesos a archivos de video. Se supone que cada
sesión de cliente es la reproducción de una sola película.
Un entorno de carga de trabajo mixta se modela clasificando aleatoriamente a un
cliente durante el tiempo de apertura de la sesión como clientes interactivos o de
películas a pedido. Un parámetro de control llamado probabilidad interactiva
determina la proporción de sesiones interactivas y de películas a pedido. El proceso de
llegada del cliente se modela como un proceso de Poisson con una duración media
entre llegadas de T segundos.
 Vectores de entropía y ocurrencia
1.2.7. Dos ejemplos de cálculo práctico.

1.3. DISTRIBUCIÓN LÉVY

Distribución Levy o distribución α-Estable de Lévy, definido por un parámetro de
estabilidad, el cual es alfa, (α).
Definidas a partir de: 0 < α ≤ 2.(Mart et al., 2020)
1.3.1. Función de probabilidad de densidad
La distribución de Lévy se la representa: X Lévy ( μ , σ )

f ( x ; μ , σ )=
√σ 1
2π ¿¿
 Ec:1.3.1-1
Con dominio igual a μ< x <∞ .
Parámetros de estabilidad:
1
α=
2
β=1
(Mart et al., 2020)
1.3.2. Propiedades de la función de probabilidad.
 Todas las distribuciones estables son infinitamente divisibles.
 Las distribuciones estables son distribuciones leptocurtóticas y de cola pesada.
 Cierre por convolución para un valor fijo de α.
(Mart et al., 2020)
1.3.3. Función acumulada.
2
F ( x ; μ , σ )= ∫ e
( 2( x−μ ) ) dx
∞ −σ

√π t
Ec:1.3.3-1
(Mart et al., 2020)
1.3.4. Fórmula del valor esperado.
Para la distribución de Lévy una variable aleatoria no tiene media ni varianza
definida. Existe un caso especial en el que, si el parámetro de localización es igual a
cero (µ=0), se podrá obtener la distribución Lévy Estándar, la cual está compuesta por
un parámetro de escala σ.
μ
n
Ec:1.3.4-1
(Mart et al., 2020)
1.3.5. Fórmula de la mediana.
La mediana cumple con lo mismo que la media, y tiene un caso especial cuando:
β=0
(Mart et al., 2020)
1.3.6. Fórmula de la moda.
La moda al igual que la mediana,
β=0
(Mart et al., 2020)
1.3.7. Fórmula de la varianza.
2
σ
n
Ec:1.3.7-1
(Mart et al., 2020)
1.3.8. Fórmula del coeficiente de curtosis.
La curtosis no está definida, porque el cuarto momento no está definido para una
distribución estable no gaussiana. (Popescu & Popescu, 2008)
1.3.9. Fórmula del coeficiente de sesgo.
β es un parámetro que indica cuán sesgada es la función de densidad. Este parámetro
toma valores que pertenecen al intervalo [−1, 1]. Cuando β = 1 la densidad está
 totalmente sesgada a la derecha y, simétricamente, cuando β = −1 la densidad está
sesgada a la izquierda. Cuando β = 0 corresponde al caso de densidad simétrica.
(Cassetti, 2011)
1.3.10. Aplicaciones prácticas.
La distribución Lévy tiene las siguientes utilidades:
1.3.10.1.El uso de Procesos de Lévy implica primero decidir cuál de todas las funciones de
densidad infinitamente divisibles se ajusta mejor a los datos de algún experimento, la
importancia de saber qué función se ajusta mejor a los datos no es sólo para saber que
función se debe utilizar para los procesos de Lévy, también, por ejemplo, en el caso
de la herramienta de Valor en Riesgo (VaR) paramétrico se debe de conocer la
función de densidad asociada a los datos para ser calculado.(Ruth & Becerril, 2004)
1.3.10.2.Lo normal en la práctica es que los rendimientos de los diferentes activos
disponibles en la economía no sigan una distribución normal. En este sentido, los
procesos de Lévy producen mejores resultados en el modelado del comportamiento de
dichos rendimientos. Por lo tanto, una valuación más realista de diversos instrumentos
financieros derivados requiere que el precio del activo subyacente sea conducido por
un proceso de Lévy. (Venegas-mart, 2015)
1.3.10.3.Otro problema que presentan los modelos basados en el movimiento browniano
geométrico y que es el más importante por el que se estudian los procesos de Lévy, ya
que, no puede regresar los cambios bruscos saltos que a menudo presentan los precios
de los activos financieros en sus trayectorias, pues es una característica de estos
procesos estocástico de la continuidad de su trayectoria.(Venegas-mart, 2015)
1.3.11. Dos ejemplos de cálculo práctico.
1.3.11.1. Para un mejor ajuste a las series de rendimientos de las acciones que cotizan en la Bolsa de
Valores se desea realizar el proceso de Lévy de la siguiente manera; Sean Xi variables
independientes e idénticamente distribuidas según una F(0,1), i = 1, 2, 3, ……, 35.
Calcula la probabilidad de que la suma de estas 35 v.a. uniformes tome un valor
inferior a 20.5. (EIR, 1970)

X Lévy ( μ , σ )
X Lévy ( 0,1 )
2
F ( i ; 0,1 )= ∫ e
∞
( 2( x−μ ) ) dx
−σ

√π t

Distribución Parámetro Media Región de

Posterior credibilidad
Lévy µ 0
0.9599
σ 1

1.3.11.2. Datos de concentración de anticuerpos contra el sarampión Con el propósito de

ajustar la distribución Lévy a dos conjuntos de datos reales. Este estudio se realizó a
330 niños a los 12 meses de edad, en quienes se observó la concentración de
anticuerpos contra el sarampión por medio de instrumentos de medición los cuales
tenían un límite inferior de detección para la prueba de 0.1 Unidades Internacionales
 (UI), donde 86 casos presentaron mediciones iguales o inferiores a este límite,
representando un 26.1 % de las observaciones las cuales se consideraron como
censuradas. La concentración promedio de anticuerpos es de 1.76 UI con una
desviación estándar de 2.26 UI, Las regiones de credibilidad del 95 % para cada una
de las distribuciones de probabilidad consideradas.(Mart et al., 2020)
X Lévy ( μ , σ )

2
F ( i ; 0,1 )= ∫ e
( 2( x−μ ) ) dx
∞ −σ

√π t
Distribución Parámetro Media Región de
Posterior credibilidad
Lévy µ 1.76 (0.163; 0.186)
σ 2.26 (0.179;0.281)

1.4. DISTRIBUCION DE PROBABILIDAD JOHNSON

Es una herramienta estadística útil en procesos donde no es posible tomar muestras de tamaño
mayor a 1, sin embargo, tiene problemas cuando el supuesto de normalidad sobre el cual
están construidos no se satisface, causando errores de tipo I y tipo II. Por lo cual, una
alternativa es hacer uso de transformaciones que permitan llevar los datos a una distribución
normal a través del Sistema de Familias de Distribuciones de Johnson.
Su estadístico viene dado por:

1.5. DISTRIBUCIÓN DE PROBABILIDAD DE WEIBULL

1.5.1. Función de probabilidad de densidad (Ferrera, 2008)
La función de densidad de una variable aleatoria con distribución de Weibull x es:

{
α α

∗x α −1∗e−( x/ β ) x ≥ 0
f ( x , α , β )= β α Ec.1.5.1-1
0 x< 0

Donde:

α >0 ; es el parámetro de forma

β >0 ; es el parámetro de escala

Parámetro α (Ferrera, 2008)

( )
n 1/β

∑ Xi β

i=1
α= Ec.1.5.1-2
n

Donde:
 β es el parámetro de forma.
 n es el parámetro de escala o característica de vida.

Parámetro β (Ferrera, 2008)

n

∑ [ Xi β∗ln ⁡(ti)] 1 1
n Ec.1.5.1-3
− = ∗∑ ln ⁡(Xi)
i=1
n
β n i=1
∑ Xi β
i=1

Donde:
 t es la variable de tiempo.
 β es el parámetro de forma.
 n es el parámetro de escala o característica de vida.

1.5.2. Propiedades de la función de probabilidad (Devore, 2008)

 Si β =1, tenemos una distribución exponencial.
 Tanto β como α pueden ser variadas para obtener diferentes formas
distribucionales como se indica en la figura 1.5.2-1.
Figura 1.5.2-1. Curvas de densidad de Weibull

Fuente: (Devore, 2008)

1.5.3. Función Acumulada (Navidi, 2006)
La función de distribución acumulativa de una variable aleatoria de Weibull con parámetros
α y β es:
F ( x , α , β ) =¿ Ec.1.5.3-1

1.5.4. Fórmula del valor esperado (Navidi, 2006)

La media de la distribución de Weibull se expresan en término de la función gamma.
Si X ~ Weibull(α , β ), entonces:
1
μ x = ∗γ∗ 1+
β
1
α ( ) Ec.1.5.4-1

Caso especial: Si 1/ α es un entero, entonces:

1
μ x= ∗
β
1
α [( ) ]
! Ec.1.5.4-2

1.5.5. Fórmula de la mediana (Frechet, 1927)

Me=β∗¿ Ec.1.5.5-1
1.5.6. Fórmula de la moda (Frechet, 1927)

( )
1
k−1
Mo=λ∗ k
Ec.1.5.6-1
k

Solo si k > 1
1.5.7. Fórmula de la varianza (Navidi, 2006)
La varianza de la distribución de Weibull se expresan en término de la función
gamma.
Si X ~ Weibull(α , β ), entonces:

{ [ ( )] }
2
21 2
( )
σ = 2 γ∗ 1+ − γ∗ 1+
β α
1
α
Ec.1.5.7-1

Caso especial: Si 1/ α es un entero, entonces:

{( ) [( ) ] }
2
2 1 2 1 Ec.1.5.7-2
σ = 2 !− !
β α α

1.5.8. Fórmula del coeficiente de curtosis (Frechet, 1927)

Cu=
( 4k )−4∗γ∗σ ∗μ−6∗μ ∗σ −μ
λ 4∗γ∗ 1+ 3 2 2 4
Ec.1.5.8-1

σ4
1.5.9. Fórmula del coeficiente de sesgo (Frechet, 1927)

Ec.1.5.9-1
 Si=
( )
γ∗ 1+
3
k
∗λ 3−3∗μ∗σ 2−μ3
3
σ

1.5.10. Aplicaciones prácticas (MINITAB, 2019)

 Modelación de tiempos de vida de componentes, como cojinetes, cerámica,
capacitores y dieléctricos.
 Modelación de datos asimétricos hacia la derecha, asimétricos a la izquierda o
simétricos. Se utiliza para evaluar la fiabilidad en tubos de vacío, condensadores,
rodamientos de esferas, relés y resistencia o vida útil de los materiales.
 En hidrología se utiliza para analizar las variables aleatorias como valores máximos
de la precipitación y la descarga de ríos y así, describir las épocas de sequía.

1.5.11. Dos ejemplos de cálculo práctico. (Navidi, 2006)

 En el artículo “Snapshot: A Plot Showing Program through a Device Development
Laboratory” (D. Lambert, J. Landwehr y M. Shyu, en Statistical Case Studies for
Industrial Process Improvement, ASA-SIAM, 1997), los autores sugieren utilizar una
distribución de Weibull para modelar la duración de un proceso de horneado en la
fabricación de un semiconductor. Sea T la duración en horas del proceso de horneado
de una muestra elegida aleatoriamente. Si T ~ Weibull(0.3, 0.1), ¿cuál es la
probabilidad de que el proceso de horneado dure más de cuatro horas? ¿Cuál es la
probabilidad de que dure entre dos y siete horas?
−¿¿
P ( T ≤ t )=1−e

P ( T > 4 ) =1−P ( T ≤ 4 ) P ( T > 4 ) =1−¿P ( T > 4 ) =e−¿¿ P ( T > 4 ) =e−0.7597 P ( T > 4 ) =0.468

b)
P ( 2< T <7 )=P ( T ≤7 )−P ( T ≤ 2 )

P ( 2< T <7 )=¿P ( 2< T <7 )=e−¿¿ P ( 2< T <7 )=e−¿¿ P ( 2< T <7 )=e−0.6170 −e−0.8985

P ( 2< T <7 )=0.132

 Sea X = la pérdida de peso por corrosión de una pequeña placa de aleación de

magnesio cuadrada sumergida durante 7 días en una solución inhibida acuosa al 20%
de MgBr2. Suponga que la pérdida de peso mínima posible es γ =3 y que el exceso X-
3 sobre esta mínima tiene una distribución Weibull con α = 2 y β = 4. (Este ejemplo se
consideró en “Practical Applications of the Weibull Distribution”, Industrial Quality
Control, agosto de 1964: 71-78; los valores de α y β se consideraron como 1.8 y 3.67,
respectivamente, aun cuando en el artículo se utilizó una selección de parámetros un
poco diferente.) La función de distribución acumulativa de X es entonces: (Devore,
2008)
 F ( x ; α , β )=F ( 2,4,3 ) =¿ P ( x>3.5 )=1−F (3.5,2,4,3 )=e−0.0156

P ( x>3.5 )=0.985y

−( 1−e ) P ( 7 ≤ x ≤9 )=0.895−0.635
−2.25 −1
P ( 7 ≤ x ≤9 )=1−e

P ( 7 ≤ x ≤9 )=0.263

1.6. DISTRIBUCIÓN PARETO

En estadística la distribución Pareto, es una distribución de probabilidad continua con dos
parámetros:
α > 0 (escala real )
β>0 ( forma real)
(Pérez , 2004)(Pérez , 2004)
Propiedades de la función de densidad de probabilidad (Devianto , 2004)Propiedades de
la función de densidad de probabilidad (Desviano , 2004)
Se dice que una variable aleatoria X sigue una distribución de Pareto de parámetros α y β,
P(α, β), si su función de densidad viene dada por la expresión:

βαβ
f(x)= β+1 si x ≥ α y α, β ≥ 0 caso contrario: f(x)= 0 Ec.1.6.1-1
x

1.6.1. Propiedades de la función de probabilidad (Devianto , 2004)Propiedades de la

función de probabilidad (Desviano , 2004)
Dominio: x € [α ; +∞]

()
β
α
Función de distribución: 1- Ec.1.6.1-2
x
1.6.2. Función acumulada (Devianto , 2004)Función acumulada (Desviano , 2004)
Si X pertenece al dominio de la variable de la distribución de Pareto, entonces x es:

()
β
α
Pr(X > x) = ; si x ≥ α Ec.1.6.1-3
x

Pr(X > x) =1 ; si x < α Ec.1.6.1-4

En donde:
α : Valor mínimo posible de X (valor positivo).
β : es un parámetro (conocido como el índice de Pareto)
Índice de Pareto: medida de amplitud de una distribución de ingresos basados en el principio
de Pareto que consiste en la observación de que el 20% de los miembros de una sociedad
italiana poseían el 80% de la riqueza.
1.6.3. Fórmula del valor esperado (Devianto , 2004)Fórmula del valor esperado
(Desviano , 2004)
El valor esperado o media de una variable aleatoria X con una Distribución de Pareto es:
βα
Si β > 1 entonces: E(X) = Ec.1.6.1-5
β−1
Si β ≤ 1 entonces: el valor esperado no existe.
1.6.4. Fórmula de la mediana (Desviano , 2004)Fórmula de la mediana (Desviano ,
2004)
La mediana para la Distribución de Pareto es:
Me = α β√ 2 Ec.1.6.1-6

1.6.5. Fórmula de la moda (Devianto , 2004)Fórmula de la moda (Desviano , 2004)

La moda para la Distribución de Pareto es:
Mo = α Ec.1.6.1-7
1.6.6. Fórmula de la varianza (Devianto , 2004)Fórmula de la varianza (Desviano ,
2004)
La varianza para la Distribución de Pareto es:
2
2 α β Ec.1.6.1-8
σ = para β >2
( β −1 )2( β −2)
1.6.7. Fórmula del coeficiente de curtosis (Devianto , 2004)
El coeficiente de curtosis para la Distribución de Pareto es:

6(β 3 + β 2−6 β−2)

Cu= para β >4 Ec.1.6.1-9
β ( β−3)( β−4)

1.6.8. Fórmula del coeficiente de sesgo (Devianto , 2004)

El coeficiente de simetría para la Distribución de Pareto es:

A s=
2(1+ β)
β−3 √ β −2
β
para β >3 Ec.1.6.1-10

1.6.9. Aplicaciones prácticas

1.6.9.1. Se utiliza para describir la distribución de los ingresos. Esta idea se expresa a
veces más simplemente como el principio de Pareto la "regla 80-20", que dice que el
20% de la población controla el 80% de la riqueza. Sin embargo, la regla 80-20
 corresponde a un valor particular de α, y de hecho, los datos de Pareto en impuestos
sobre la renta británicas, indica que alrededor del 30% de la población tenía alrededor
del 70% de los ingresos. (Weisstein, 2001)
1.6.9.2. En hidrología la distribución de Pareto se aplica a eventos extremos tales como
anualmente máximas precipitaciones de un día y descargas de los ríos. La imagen azul
ilustra un ejemplo de ajuste de la distribución de Pareto para clasificado anualmente
máximo precipitaciones de un día mostrando también el 90% de la correa de
confianza basada en la distribución binomial. Los datos de precipitación están
representados por el trazado de posiciones como parte del análisis de frecuencia.
(Miranda & Fern, 2006)
1.6.9.3. La severidad de las grandes bajas pérdidas para ciertas líneas de negocios
como de responsabilidad civil general, para vehículos comerciales, y la compensación
de los trabajadores. (Miranda & Fern, 2006)
1.6.9.4. En Geología, al analizar los tamaños de partículas de arena. (Miranda & Fern,
2006)
1.6.9.5. Los tamaños de los asentamientos humanos (algunas ciudades, muchas aldeas,
pueblos). (Miranda & Fern, 2006)
1.6.9.6. La distribución de tamaño de archivo del tráfico de Internet que utiliza el protocolo
TCP (muchos archivos más pequeños, algunos más grandes). (Miranda & Fern, 2006)
1.6.10. Dos ejemplos de cálculo práctico(Padilla, 2014)
1.6.10.1. Los salarios mensuales, en euros, de una determinada empresa siguen una
distribución de Pareto de parámetros α =2.75 y β =900 ¿Qué porcentaje de individuos
tienen un salario superior a 2000 euros? ¿Y a 3000 euros?
Pr(α , β ¿
β=( Forma ) 2.75
α =( situación ) 900
Punto X: 2000
Cola izquierda Pr(X≤ x)= 0.8887
Cola derecha Pr(X≤ x)= 0.1113
Punto X: 3000
Cola izquierda Pr(X≤ x)= 0.9635
Cola derecha Pr(X≤ x)= 0.0365
βα
Me= E(X) = =¿1414.2857
β−1

Mediana= Me = α β√ 2 =1157.9984
Moda= Mo = α =900

2 α2 β
Varianza= σ = = 969.795
( β −1 )2(β −2)
Asimetría: No definida. β >3
Curtosis: No definida β >4
Reporte: Aproximadamente el 11% de los empleados de la empresa tienen un sueldo superior
de 2000 euros, mientras que un 3.7% de los empleados perciben un ingreso mensual superior
a 3000 euros.
1.6.10.2. Los ingresos mensuales, de cartas laborales, de un empresario siguen una
distribución de Pareto de parámetros β=1.25 y α =900 ¿Qué porcentaje de individuos
tienen un número de cartas superior a 1000? ¿Y a 2000 cartas laborales?
Pr(α , β ¿
β=( Forma ) 1.25
α =( situación ) 700
Punto X: 1000
Cola izquierda Pr(X≤ x)= 0.4039
Cola derecha Pr(X≤ x)= 0.5960
Punto X: 2000
Cola izquierda Pr(X≤ x)= 0.4379
Cola derecha Pr(X≤ x)= 0.5620
βα
Me= E(X) = =¿3500
β−1

Mediana= Me = α β√ 2 =1218.77
Moda= Mo = α =700

2 α2 β
Varianza= σ = = 5833.33
( β −1 )2(β −2)
Asimetría: No definida. β >3
Curtosis: No definida β >4
Reporte: Aproximadamente el 40% de los empleados de la empresa tienen acceso a más de
1000 cartas laborales, mientras que un 45.79% de los empleados perciben cartas laborales
mensuales mayor a 2000.
1.7. Bibliografía
 Devore, J. (2008). Probabilidad y Estadística Para Ingeniería y Ciencias. México:
CENCAGE Learning.
 Ferrera, A. (2008). Análisis Weibul: Ejemplos Básicos de como usarlo para los
análisis de confiabilidad. Obtenido de PREDICTIVA:
https://predictiva21.com/analisis-weibull-ejemplos/
  Frechet, M. (1927). Sur la loi de probabilité de l'écart maximum. Cracovia: Annales
de la Société Polonaise de Mathematique.
 MINITAB. (2019). Distribución de Weibull en el análisis de fiabilidad. Obtenido de
Soporte de Minitab: https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/modeling-statistics/reliability/supporting-topics/distribution-models/weibull-
distribution/
 Navidi, W. (2006). Estadística para ingenieros. México: McGrawHill.
 Corona, M., & Sánchez, J. (2014). Distribución de los números primos.
 Devianto, D., & Yozza, H. (n.d.). Characterization of riemann zeta distribution.
https://doi.org/10.1088/1742-6596/1317/1/012004
 Pérez, S., Facchini, H., Mercado, G., Taffernaberry, C., & Bisaro, L. (n.d.). Estudio
sobre la Distribución de Tráfico Autosimilar en Redes Wi-Fi.
 Weisstein, E. W. (n.d.). Zipf Distribution.
Cassetti, J. (2011). Vuelos Truncados de Lévy aplicados al estudio de índices de mercado. 81.
EIR, C. (1970). Ejercicios resueltos. Trabajos de Estadistica y de Investigacion Operativa,
21(1–2), 170–173. https://doi.org/10.1007/bf03028832
Mart, J. L., Armando, C., Rodr, A., & Valle, U. (2020). lEVY AJUSTAR DATOS CON
MARCADA ASIMETRIA Y VALORES EXTREMOS. 41, 93–107.
Popescu, E., & Popescu, N. A. (2008). Models for heavy tailed data and applications. AIP
Conference Proceedings, 1043, 328–332. https://doi.org/10.1063/1.2993669
Ruth, B., & Becerril, T. (2004). D. LÉVY.
Venegas-mart, F. (2015). UNA INTRODUCCIÓN A Y SU APLICACIÓN A LA. Sni Iii.
