Estadstica

2010
Clase 2
Maestra en Finanzas
Universidad del CEMA
Profesor: Alberto Landro
Asistente: Julin R. Siri
Clase 2
4. La distribucin exponencial
Estocstica
5. La distribucin normal
1. La distribucin de Bernoulli
2. La distribucin binomial
3. La distribucin de Poisson
6. La distribucin chi-cuadrado
7. La distribucin t de Student
8. La distribucin F
En los denominados experimentos de Bernoulli slo son posibles dos
resultados: xito o fracaso. Podemos definir una variable aleatoria discreta
X tal que:
Si la probabilidad de xito es p y la de fracaso 1-p, la funcin de
probabilidades es:
1
0
xito
fracaso

( ) ( )
1
1 0,1
x
x
f X p p x

= =
1. La distribucin de Bernoulli
Una variable aleatoria X sigue una distribucin de Bernoulli si su funcin
de densidad de probabilidades (de ahora en adelante, FDP) es:
Para tal variable, la esperanza matemtica y la varianza son:
Donde q = (1-p).
( )
( )
0 1
1
p X p
p X p
= =
= =
( )
( )
var
E X p
X pq
=
=
1. La distribucin de Bernoulli
Esta distribucin es la generalizacin de la distribucin de Bernoulli. Si X
representa el nmero de xitos en n intentos independientes, entonces se
dice que X sigue una distribucin binomial cuya FDP es:
Donde x es el nmero de xitos y
El inters est en determinar la probabilidad de obtener exactamente X = x
xitos durante los n ensayos. La distribucin binomial consta de dos
parmetros, n y p.
( ) ( )
1
n x
x
n
f X p p
x

| |
=
|
\ .
( )
!
! !
n
n
x x n x
| |
=
|

\ .
2. La distribucin binomial
La funcin de distribucin acumulativa es:
Dado los momentos absolutos y centrados, definimos la esperanza, la
varianza, el coeficiente de asimetra y la kurtosis:
( ) ( ) ( )
0
; , 1
x
n i
i
i
n
p X x F x n p p p
i

=
| |
s = =
|
\ .

( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2 2
3
3
4
4
1 2
1 6
3
m X E X np
X E X E X npq
X
q p p
As X
X
npq npq
X
pq
K X
X npq
o

o
= =
= =

= = =

= =
2. La distribucin binomial
Aqu la variable aleatoria representa el nmero de eventos independientes
que ocurren a una velocidad constante. Ofrece, adems, una
aproximacin excelente a la funcin de probabilidad binomial cuando p es
pequeo y n grande.
Sea X 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 X tiene una distribucin de Poisson con
FDP:
El nico parmetro de la distribucin es lambda, el nmero promedio de
ocurrencias del evento aleatorio por unidad de tiempo.
( )
0; 0
;
!
0 para cualquier otro valor
x
e
x
f X
x

> >

3. La distribucin de Poisson
La funcin de distribucin acumulativa es:
Dado los momentos absolutos y centrados, definimos la esperanza, la
varianza, el coeficiente de asimetra y la kurtosis:
( ) ( )
0
;
!
i
x
i
e
p X x F x
i

=
s = =

( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2 2 2 2
3
3 3/ 2
2
4
4 2
1
3 1
3 3
m X E X
X E X E X
X
As X
X
X
K X
X

o
= =
= = + =
= = =
+
= = =
3. La distribucin de Poisson
La distribucin de Poisson tambin es una forma lmite de la distribucin
binomial cuando n tiende a infinito y p tiende a cero (de manera que no
permanece constante).
Sea X una v.a. con distribucin binomial y funcin de probabilidad:
Si para n=1,2, la relacin es cierta para alguna constante ,
entonces:
( )
( )
( )
!
; , 1 0,1, 2,...,
! !
n x
x
n
p x n p p p x n
n x x

= =

( )
0
lim ; , , 0,1, 2,...
!
x
n
p
e
p x n p x
x

= =
p n = 0 >
3. La distribucin de Poisson
Esta distribucin tiene su origen en el proceso de Poisson. Como
mencionamos antes, la distribucin de Poisson se refiere a un espacio
continuo dentro del cual se producen una cantidad discreta de eventos
aleatorios cada uno de ellos con una probabilidad de ocurrencia p. Si
introducimos una nueva variable T(x), a la que definimos como el
intervalo de tiempo (o de espacio) entre ciertas ocurrencias de un
suceso de Poisson, entonces esa variable tiene una distribucin
exponencial.
El esquema de Poisson responde a: cul es la probabilidad que se
produzcan x ocurrencias en cierto espacio o tiempo continuo, en el que
el promedio de ocurrencias es ?
El esquema exponencial, en cambio, responde a: cul es el lapso de tiempo
que hay que esperar (o el espacio a recorrer) para que se produzcan x
ocurrencias, siendo el promedio de ocurrencias?
4. La distribucin exponencial
Definiendo,
Nos proponemos determinar la probabilidad de que cierto evento aleatorio no
suceda en ese lapso de tiempo (o espacio), es evidente que lo que
pretendemos calcular es P(X>x):
Si definimos ahora a , este nuevo parmetro, al ser la inversa de ,
puede interpretarse como el tiempo (o espacio) promedio entre
ocurrencias de Poisson. Reemplazando en la expresin anterior,
Nos indica la probabilidad de que no existan ocurrencias hasta el momento x.
( )
( )
tiempo transcurrido (o espacio recorrido) entre dos sucesos
tiempo que transcure hasta el primer evento
T X
t x
=
=
( )
0!
x x
x
P X x e e

> = =
1 | =
( )
x
P X x e
|
> =
4. La distribucin exponencial
Si ahora nos preguntamos por la variable tiempo (o espacio) entre dos
eventos (a la que definimos como X), dicha probabilidad ser la contraria
a la expresada con anterioridad:
Y la FDP no ser ms que la derivada de la anterior,
Sus caractersticas ms importantes sern:
( ) ( )
1
x
T X P X x e
|
= s =
( )
1
E X |

= =
( )
2 2
X o | =
( ) ( )
1
x
t x t X e
|
|

= =
4. La distribucin exponencial
La distribucin normal o Gaussiana es la piedra angular en la aplicacin de la
inferencia estadstica en el anlisis de datos, dado que las distribuciones
de muchas estadsticas muestrales tienden hacia dicha distribucin
conforme crece el tamao de la muestra.
Se dice que una variable aleatoria X est normalmente distribuida si su FDP
tiene la siguiente forma:
Donde son parmetros reales que denotan el valor esperado y el
desvo estndar de distribucin, respectivamente.
y 0 o >
( )
2
1
2 1

2
x
X
f x e x

o
o t
(
| |
(
|
\ . (

= s s
5. La distribucin normal
Propiedades:
1. El punto medio de la curva normal es la media de la distribucin.
2. La distribucin es simtrica alrededor de su media.
3. La probabilidad de que el valor de la variable se encuentre dentro del rango de un
desvo standard (SD) por sobre o por debajo de la media es de 68,3%. Alrededor
de 95,5% del rea de la distribucin se encuentra entre , y por ltimo ms
del 99,7% del rea se encuentra entre , como se aprecia en la figura.
2 o
3 o

5. La distribucin normal
Propiedades:
4. Sean y , y supngase que son independientes,
entonces considerando su combinacin lineal de la siguiente manera:
Puede mostrarse que:
Corolario: Una combinacin lineal de variables aleatorias independientes
normalmente distribuidas es normalmente distribuida.
5. Teorema central del lmite. Sean , n variables aleatorias
independientes, las cuales tienen la misma FDP con . Si ,
entonces, a medida que n aumenta indefinidamente,
Y este resultado se cumple sin importar la forma de la FDP.
( )
2
1 1 1
, X N o
( )
2
2 2 2
, X N o
1 2
Y aX bX = +
( )
( )
2 2 2 2
1 2 1 2
, Y N a b a b o o
(
+ +

1
,...,
n
X X
i
X X n =

2
y o
2
,
n
X N
n
o

| |
|
\ .
5. La distribucin normal
La distribucin de probabilidades de la variable Z, , que no depende de
los parmetros :
Define la forma estandarizada de la distribucin Normal. De esta manera podemos
trabajar con las tablas de probabilidades, dado que la media de la nueva variable
aleatoria estandarizada es cero, mientras que la varianza es la unidad.
y m o
X m
Z
o

| |
=
|
\ .
( ) ( )
2
2
1

2
Z
Z
f z e Z
t

= s s
( )
0,1 Z N
5. La distribucin normal
Por ltimo, dado los momentos absolutos y centrados, definimos nuevamente la
esperanza matemtica, la varianza, el coeficiente de asimetra y la kurtosis:
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2
3
3
4
4
2 4
2
0
3
3 3 0
m X E X
X
X
As X
X
X
K X
X

o
o
o
= =
=
= =
= = =
5. La distribucin normal
La probabilidad de que una variable aleatoria normalmente distribuida X sea menor o
igual a un valor especfico, x est dada por la funcin de distribucin acumulativa
Pero la integral anterior no puede evaluarse en forma cerrada. Por lo tanto se puede
tabular la funcin de distribucin acumulativa como una funcin de , lo que
requerira una tabla para cada par de valores. Como existe un nmero infinito de
valor de , se utiliza la ya mencionada forma estandarizada de la
distribucin normal:
As, para y
y o
y o
( ) ( )
2
1
2 1
; ,
2
t
x
P X x F x e dt

o
o
o t
(
| |
(
|
\ . (

s = =
}
( ) ( )
2
1
2
1
2
z
z
P X x P Z x e dz o
t
(

s = s = (
}
( ) ( ) ( )
, z x P X x P Z z o = s = s
( ) ( )
; , ;0,1
X Z
F x F z o =
5. La distribucin normal
Sean variables aleatorias estandarizadas independientes, se dice que la
cantidad
Sigue la distribucin con v grados de libertad.
Sus propiedades son:
1. Es una distribucin asimtrica, donde el grado de asimetra esta dado por los
grados de libertad. Cuando los g. de l. son pocos la distribucin est altamente
sesgada hacia la izquierda, y a medida que aumentan la distribucin se hace cada
vez ms simtrica. De hecho, disponiendo de ms de 100 variables aleatorias
independientes, la variable puede ser tratada como una variable
normal estandarizada.
2. La media de la distribucin chi-cuadrado es v y la varianza es 2v.
3. Si son dos variables chi-cuadrado independientes con grados de
libertad, entonces la suma de ambas es tambin una variable aleatoria chi-
cuadrado con grados de libertad.
1
,...,
k
Z Z
2
1
k
i
i
Z Z
=
=

2
_
( )
2
2 2 1 k _
1 2
y Z Z
1 2
y v v
1 2
v v +
6. La distribucin chi-cuadrado
Sean es una variable normal estandarizada, y otra variable sigue la
distribucin chi-cuadrado y estn distribuidas de manera independiente, entonces
la variable definida como
Sigue la distribucin t de Student con v grados de libertad.
Sus propiedades son:
1. Al igual que la distribucin normal, es simtrica, pero ms plana (platocrtica). Sin
embargo, a medida que aumentan los grados de libertad, la distribucin t se
aproxima a la normal.
2. La media de la distribucin t es cero, mientras que la varianza es .
1
Z
1
2
1
2
v
Z
t
Z v
Z v
t
Z
=
=
( )
2 v v
2
Z
7. La distribucin t de Student
Si son variables chi-cuadrado distribuidas en forma independiente con
grados de libertad, respectivamente
Sigue la distribucin F (de Fisher) con grados de libertad.
Se tienen las siguientes propiedades:
1. Esta distribucin est sesgada a la derecha, pero a medida que aumentan ,
la distribucin F se acerca a la distribucin normal.
2. El valor de la media de esta distribucin es , el cual est definido para
y su varianza es
definida para .
3. El cuadrado de una variable aleatoria con distribucin sigue una distribucin
1 2
y Z Z
1 2
1 1
,
2 2
k k
Z k
F F
Z k
=
( )
( ) ( )
2
2 1 2
2
1 2 2
2 2
2 4
k k k
k k k
+

2
4 k >
2
2 k >
( )
2 2
2 k k
1 2
y k k
1 2
y k k
1 2
y k k
8. La distribucin F
Me pueden escribir a:
jrs06@cema.edu.ar
Las presentaciones estarn colgadas en:
www.cema.edu.ar/u/jrs06
FIN