ESTADSTICA II

MODELOS UNI DI MENSI ONALES DE

DI STRI BUCI ONES DE PROBABI LI DAD
Administracin Financiera
UNIDAD TEMTICA II: TEORA DE LA PROBABILIDAD
ESTRUCTURA DEL CAPTULO
Distribuciones de probabilidad de tipo discreto
8.1. Modelo Bernoulli
8.2. Modelo Binomial
8.3. Modelo Hipergeomtrico
8.4. Modelo de Poisson
Distribuciones de probabilidad de tipo continuo
8.5. Modelo Uniforme
8.6. Modelo Exponencial
8.7. Modelo Normal
BIBLIOGRAFA BSICA:
Novales, A., (1997): Estadstica y Econometra, McGraw-Hill, pgs. 201-
234.
Newbold, P. (1997): Estadstica para los Negocios y la Economa,
Prentice Hall, pgs.107-188.
DISTRIBUCIONES DE PROBABILIDAD
Introduccin
f(x)= 1/0 e
x/ 0
, x>0
Modelo exponencial
f(x)= 1/5 e
x/5
, x>0
f(x)= 1/2 e
x/2
, x>0
f(x)= 1/10 e
x/10
, x>0
Parmetro: 0
F(x)= 1 e
x/ 0
, x>0
= 0
o
2
= 0
2
M(t)= (1 0 t )
1

x
f(x)
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Proceso de Bernoulli
Es un experimento con las siguientes caractersticas:
1. Se realiza un experimento con dos resultados posibles:
E (xito) y F (Fracaso) tal que: p(E) = p
p(F) = q = 1- p p+q =1
2. La repeticin del experimento no altera las probabilidades de E y F
Este modelo se puede aplicar a:
Poblaciones finitas : se toman elementos al azar con reemplazamiento
[urna con bolas, encuestas]
Poblaciones infinitas : se observan elementos al azar en un proceso
generador estable ( constante) y sin memoria (observaciones
independientes). [sexo recin nacido, produccin de una mquina]
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo Bernoulli Notacin : X~ Be(p)
La v.a. de Bernoulli X viene definida por:
X=0, si el resultado es Fracaso, 1-p = q
X=1, si el resultado es xito, p
Funcin de probabilidad: p(x) = p
x
(1-p)
1-x
, x = 0,1.
Media: E(X) = p
Varianza: Var(X) = p(1-p)
Funcin generatriz de momentos: M(t) = p e
t
+ (1-p)
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo Binomial Notacin: X ~ B( n,p )
Funcin de probabilidad:
p(x) = p
x
(1-p)
n-x
, x = 0,1, ..., n.

n
x
Observacin: Be(p) = B ( 1, p )
Media: E(X) = n p
Varianza: Var(X) = n p (1-p)
Funcin generatriz de momentos: M(t) = [ p e
t
+ (1-p) ]
n

Una v.a. Binomial representa el nmero de xitos que ocurren
en n repeticiones independientes de un ensayo de Bernoulli
cuya probabilidad de xito es p.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo Hipergeomtrico Notacin: X ~ H(N, k, n)
Un conjunto de N objetos contiene: k objetos
clasificados como xitos y N-K como fracasos.
Se toma una muestra de tamao n, al azar y
(sin reemplazo) de entre los N objetos.
k xitos
N-k fracasos
Poblacin: N
Muestra
n
La v.a. Hipergeomtrica X representa el n de xitos en la muestra
Funcin de probabilidad
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
n
N
x n
k N
x
k
x p ) (
1
) 1 ( ) (
) (

=
= =
N
n N
p np X V
N
k
p siendo np X E
Si el tamao muestral n es muy pequeo en relacin al nmero total de
elementos, N, las probabilidades hipergeomtricas son muy parecidas a las
binomiales, y puede usarse la distribucin binomial en lugar de la
hipergeomtrica.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo de Poisson Notacin: X ~ P()
e

x

x!
Funcin de probabilidad: p(x)= x= 0,1,2, ...
El experimento observado es la aparicin de sucesos en un soporte continuo:
*Tiempo (llegada de autobuses a una parada,...)
*Espacio (errores por pgina, ...)
Caractersticas del proceso:
Es estable: produce a largo plazo un nmero medio de sucesos constante por unidad de
observacin (tiempo, espacio, rea)
Los sucesos aparecen aleatoriamente de forma independiente , es decir, el proceso no
tiene memoria, ya que conocer sucesos en un intervalo no ayuda a predecir sucesos en el
siguiente.
Si el nmero promedio de ocurrencias en un intervalo de
tiempo o en una regin especfica es >0.
La v.a. X que es igual al nmero de ocurrencias indptes. en el
intervalo o regin tiene una distribucin de Poisson con tasa
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo de Poisson Notacin: X ~ P()
e

x

x!
Funcin de probabilidad: p(x)= x= 0,1,2, ...
Media: E(X) =
Varianza: Var(X) =

Funcin generatriz de momentos: M(t) = e
(e -1)

t
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Aproximacin Poisson de la distribucin binomial
Sea X el n de xitos resultantes de n ensayos independientes, cada uno
con probabilidad de xito p. La distribucin del n de xitos es binomial de
media np. Sin embargo, si el n de ensayos n es grande y np tiene un
tamao moderado (preferiblemente np7), esta distribucin puede
aproximarse bien por la distribucin de Poisson de media =np.
La funcin de probabilidad de la distribucin aproximada es entonces:
!
) (
) (
x
np e
x p
x np
=
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Uniforme Notacin: X ~ U(a,b)
Una v.a. sigue una distribucin uniforme si su masa de
probabilidad est repartida uniformemente a lo largo de su
soporte
1
b - a
Funcin de densidad: f(x)= a sxs b
a b X
f(x)

1/(b-a)


DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Uniforme Notacin: X ~ U(a,b)
1
b - a
Funcin de densidad: f(x)= a sxs b
Media: E(X) =(a+b)/2
Varianza: Var(X) = (b-a)
2
/12

x - a
b - a
Funcin de distribucin: F(x)= a sxs b
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Exponencial Notacin: X ~ Exp(0)
La variable aleatoria X representa el tiempo que transcurre
hasta la primera ocurrencia del proceso de Poisson P()
Funcin de densidad: f(x)= e
x/ 0
, x>0
1
0
Siendo = 1/0
Media: E(X) = 0
Varianza: Var(X) = 0
2

Funcin de distribucin: F(x) = 1- e
x/ 0
, x>0
F. generatriz de momentos: M(t) = (1-

0 t)
1
t< 1/ 0
La distribucin exponencial tiene la propiedad de carencia o
prdida de memoria, esto es: P( X< s + t / x> s ) = P( X< t )
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notacin: X ~ N(,o
2
)
f(x)= e

, - < x <
1
2t o
1 x-
2
2 o
La distribucin es
campaniforme,
simtrica, centrada
en y con puntos de
inflexin en o
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notacin: X ~ N(, o
2
)
f(x)= e

, - < x <
1
2t o
1 x-
2
2 o
Media: E(X) =
Varianza: Var(X) = o
2

F. generatriz de momentos: M(t)= e
1
2
t+ o
2
t
2

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Estndar Notacin: z ~ N(0,1)
f(z)= e

, - < z <
1
2t
1 z
2
2
=0 o
2
=1
M(t)= e
t
2
2
Funcin de distribucin: est tabulada F(z)= Pr (Zsz)=|(z)
0 z
f(z)
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal
Si a una v.a. normal le
restamos su media y la
dividimos por su desviacin
tpica, la variable resultante
tiene media cero y desviacin
tpica 1, y distribucin normal
estndar.
Si X ~ N ( , o
2
) Z = ~ N(0,1)
X-

En la prctica:
F
x
(x)= Pr (Xsx) = Pr ( s )= Pr(Z s )= |( )
X-

x-

x-

x-

TABLAS
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notacin: X ~ N(, o
2
)
Si Y = a X b, siendo X ~ N (, o
2
), entonces:
Y ~ N (a b, a
2
o
2
)
En toda distribucin Normal se
comprueba que:
Pr( - 2 s X s + 2 ) = 0,955
Pr( - 3 s X s + 3 ) = 0,997
que son intervalos ms precisos
que la acotacin de Tchebychev
(0,75 y 0, 88, respectivamente).
Otras propiedades:
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Aproximacin Normal a la distribucin Binomial
Sea X el n de xitos resultantes de n ensayos independientes, cada uno
con probabilidad de xito p. Si n es grande y p no es ni demasiado
grande ni pequeo, entonces, la distribucin binomial puede aproximarse
bien por la distribucin Normal de media =np y varianza
2
= np(1-p).
|
|
.
|

\
|

s s

~ s s
) 1 ( ) 1 (
) (
p np
np b
Z
p np
np a
P b X a P
O usando la correccin de continuidad de medio punto (cuando 20n50).
|
|
.
|

\
|

+
s s

~ s s
) 1 (
5 , 0
) 1 (
5 , 0
) (
p np
np b
Z
p np
np a
P b X a P
Siendo Z la distribucin normal estndar.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Aproximacin Normal a la distribucin Poisson
Sea X una v.a. de Poisson con media . Si es grande, entonces, dicha
distribucin puede aproximarse bien por la distribucin Normal de media
= y varianza
2
= .
|
|
.
|

\
|
s s

~ s s

b
Z
a
P b X a P ) (
O usando la correccin de continuidad
Siendo Z la distribucin normal estndar.
|
|
.
|

\
| +
s s

~ s s

5 , 0 5 , 0
) (
b
Z
a
P b X a P
RESUMEN DE CONVERGENCIAS DE DISTRIBUCIONES
Poisson
P()
Normal
N(, o
2
)
Binomial
B(n,p)
Hipergeomtrica
H(N, k, n)
N>50
n/Ns0,1
n>20
=np
o
2
=np(1-p)
>10
=
o
2
=
=np

np s7