Estadísticas financieras.

Alumno: Rodrigo santos González.

Modalidad: ejecutiva

sesión 6.

Actividad: investigación.

Docente: Luis A. López Monroy

Contenido

INTRODUCCIÓN. ........................................................................................................................... 3

MODELOS DE PROBABILIDAD ...................................................................................................... 4

VARIABLES ALEATORIAS CONTINUAS .......................................................................................... 5

Distribución Uniforme Continua .............................................................................................. 5

Distribución Normal ..................................................................................................................... 5

Bibliografía .................................................................................................................................... 6
INTRODUCCIÓN.

Una distribución de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento. Una distribución de probabilidad es
similar a la distribución de frecuencias relativas. Si embargo, en vez de describir el
pasado, describe la probabilidad que un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias actuales de diversos
fenómenos naturales.
Las decisiones estadísticas basadas en la estadística inferencial son fundamentales en la
investigación que son evaluadas en términos de distribución de probabilidades.
MODELOS DE PROBABILIDAD
Una distribución de probabilidad queda definida y caracterizada por:
La especificación de la variable aleatoria y su campo de variación.
La especificación de su asignación de probabilidades, mediante la función de
distribución. (Alternativamente mediante la f.cuantía o densidad,la F.C. o la F.G.M.(si
existe).(Estas son las FUNCIONES DE DEFINICIÓN)
Si un conjunto dado de distribuciones tiene sus funciones de distribución con la misma
ESTRUCTURA FUNCIONAL, diremos que pertenece a la misma FAMILIA DE
DISTRIBUCIONES, al mismo MODELO DE PROBABILIDAD o a la misma
DISTRIBUCIÓN-TIPO.
p.ej : Todas las distribuciones que están definidas sobre una v.a. continua de modo que
para x³ 0 la función de densidad es : f(x)= a e-ax siendo a un real positivo
(alternativamente: F(x)= 1- e-ax; f (t) = (1-t/a )-1; son equivalentes la tres
caracterizaciones), pertenecen a la misma familia, modelo o tipo (el exponencial).
La estructura matemática de las funciones de definición que caracterizan un modelo de
probabilidad suelen depender de uno o más parámetros. Estos parámetros son los
PARÁMETROS DE LA DISTRIBUCIÓN(TIPO), y tienen un importancia fundamental,
en Estadística matemática y sobre todo en INFERENCIA ESTADÍSTICA.
Muchos modelos de probabilidad pueden establecerse teóricamente sin necesidad de
recurrir a un sistema de aleatorización racional. Sin embargo , en muchos casos resulta
conveniente definir los modelos de probabilidad recurriendo a un claro sistema de
aleatorización sobre determinado tipo de fenómeno aleatorio .Procediendo de esta manera
podremos disponer de un sistema para identificar el modelo a aplicar en un gran número
de situaciones prácticas semejantes.
El procedimiento es sencillo: primero haremos una clasificación de los fenómenos
aleatorios de más fácil determinación (procesos experimentales), después
determinaremos algunas aleatorizaciones que nos generan variables aleatorias cargadas
de gran significado práctico y , por último , obtendremos la estructura funcional de las
funciones de definición de su distribución , partiendo , para ello, de la probabilidad
inducida para la variable por el fenómeno aleatorio.
Nos apoyamos, por tanto ,en el concepto de proceso experimental para definir muchos
de los modelos de probabilidad que vamos a estudiar.

VARIABLES ALEATORIAS CONTINUAS

Distribución Uniforme Continua
Es la más sencilla de las distribuciones continuas. Surge cuando consideramos una
variable aleatoria que toma valores en un intervalo finito de manera equiprobable. Esta
se define como una variable aleatoria continua, X, se dice que se distribuye como una
distribución uniforme de parámetros a, b, tales que –∞< a < b< +∞ → baUX );,( siempre
se verifica que su función de densidad viene dada por la expresión: f(x)= − ab 1 ≤ ≤ bxa
0 ________ Lo más significativo que vamos a destacar de esta distribución es que su
esperanza viene dada por la expresión: E(x)= 2 + b

Distribución Normal
Es una de las distribuciones más importantes. Es el modelo de distribución más utilizado
en la práctica, ya que multitud de fenómenos se comportan según una distribución normal.
Esta distribución de caracteriza porque los valores se distribuyen formando una campana
de Gauss, en torno a un valor central que coincide con el valor medio de la distribución:
Las ventajas teóricas de este modelo hacen que su uso se generalice en las aplicaciones
reales. Sea X una variable aleatoria continua, se dice que se distribuye como una normal
→ NX μ σ );,( μ ∈ R σ > 0
Distribución t- Student Sea X una variable aleatoria que se distribuye como y sea Y otra
variable aleatoria que se distribuye como , tal que X e Y son independientes, entonces
podemos definir otra variable aleatoria → NX )1,0( 2 Y → χ

Esta distribución es muy utilizada, que se construye a partir de una normal y un chi-
cuadrado. Veamos una gráfica comparativa con una distribución normal y algunas de las
propiedades que verifica.

Aproximación de una Binomial por una Normal Sea X una variable aleatoria discreta que
se distribuye como una Binomial con parámetros (n,p), entonces De Moivre demostró
que cuando y, p es aproximadamente 0´5, esa variable aleatoria se puede aproximar como
una distribución normal. El criterio que se toma es que n >50 y p n ∞→ ≅ 0´5. Cuando
esto ocurre se verifica que → pnBX ),( se dice que npNX σμ ==→ npq);( . 3.3.-
Aproximación de una distribución de Poisson por una Normal Sea X una variable
aleatoria discreta que se distribuye como una Poisson de parámetro ( λ ), se demuestra
que cuando λ es muy grande, se puede aproximar por medio de una distribución normal,
como ocurría anteriormente. Así, si → PX λ)( y λ → ∞ entonces NX ( ; ==→ λσλμ ). La
condición es que se verifique λ >16.

Bibliografía
Epidat. (octubre de 2014). Obtenido de https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_Octubre2
014.pdf