ESTADSTICA E INT.

ECONOMETRA Curso 2008 / 09

UNIDAD TEMTICA II: TEORA DE LA PROBABILIDAD

TEMA 8. MODELOS UNIDIMENSIONALES DE DISTRIBUCIONES DE PROBABILIDAD

Notas y resmenes de clase

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. 201234. Newbold, P. (1997): Estadstica para los Negocios y la Economa, Prentice Hall, pgs.107-188.

DISTRIBUCIONES DE PROBABILIDAD Introduccin Parmetro:

f(x)= 1/5 e x/5, f(x)= 1/2 e x/2,

x>0 x>0

f(x)= 1/ e x/ , x>0 Modelo exponencial

F(x)= 1 e x/ , x>0

f(x)= 1/10 e x/10, x>0

f(x)

= 2= 2 M(t)= (1 t )1 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) = px (1-p)1-x, x = 0,1.

Funcin generatriz de momentos: M(t) = p et + (1-p) Media: Varianza: E(X) = p Var(X) = p(1-p)

DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO Modelo Binomial Notacin: X ~ B( n,p ) 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. Funcin de probabilidad: n p(x) = px (1-p)n-x, x Observacin: Be(p) = B ( 1, p ) Funcin generatriz de momentos: M(t) = [ p et + (1-p) ]n Media: Varianza: E(X) = n p Var(X) = n p (1-p)

x = 0,1, ..., n.

DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO Modelo Hipergeomtrico Notacin: X ~ H(N, k, n) Poblacin: N k xitos N-k fracasos Muestra 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.

La v.a. Hipergeomtrica X representa el n de xitos en la muestra

Funcin de probabilidad
k N k x n x p ( x) = N n

k E ( X ) = np siendo p = N N n V ( X ) = np (1 p) N 1

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()

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 Funcin de probabilidad: p(x)= e x x! x= 0,1,2, ...

DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO Modelo de Poisson Funcin de probabilidad: p(x)= Notacin: X ~ P() e x x!
(et -1) e

x= 0,1,2, ...

Funcin generatriz de momentos: M(t) = Media: Varianza: E(X) = Var(X) =

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:

p ( x) =

np

(np ) x!

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 Funcin de densidad: f(x) 1/(b-a) a b X f(x)= 1 b -a a x b

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Uniforme Notacin: X ~ U(a,b) Funcin de densidad: f(x)= 1 b -a x-a b -a a x b

Funcin de distribucin:

F(x)=

a x b

Media: Varianza:

E(X) =(a+b)/2 Var(X) = (b-a)2/12

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

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(,2)

1 x- 2

f(x)=

1 2

, - < x <
La distribucin es campaniforme, simtrica, centrada en y con puntos de inflexin en

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Notacin: X ~ N(, 2)

1 x- 2

f(x)=

1 2

, -<x<
t+ 2t2
2 1

F. generatriz de momentos: Media: Varianza: E(X) =

M(t)= e

Var(X) = 2

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

f(z)=

1 2
=0

1 2

z 2

, -<z<
2=1 M(t)=
t2 e2

Funcin de distribucin: est tabulada F(z)= Pr (Zz)=(z)

f(z)

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Si X ~ N ( , 2 X- )Z= N(0,1)

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.

En la prctica: Fx(x)= Pr (Xx) = Pr ( X- x- )= Pr(Z x- )= ( x- )

TABLAS

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Otras propiedades: En toda distribucin Normal se comprueba que: Pr( - 2 X + 2 ) = 0,955 Pr( - 3 X + 3 ) = 0,997 que son intervalos ms precisos que la acotacin de Tchebychev (0,75 y 0, 88, respectivamente). Notacin: X ~ N(, 2)

Si Y = a X b, siendo X ~ N (, 2), entonces: Y ~ N (a b, a2 2 )

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 (n50) 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).

a np P ( a X b) P Z np (1 p)

np (1 p ) b np

O usando la correccin de continuidad de medio punto (cuando 20n50).

a 0,5 np b + 0,5 np P ( a X b) P Z np (1 p ) np (1 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= .

a b Z P ( a X b) P
O usando la correccin de continuidad

a 0,5 b + 0,5 Z P ( a X b) P
Siendo Z la distribucin normal estndar.

RESUMEN DE CONVERGENCIAS DE DISTRIBUCIONES

Normal N(, 2)
n20 =np 2 =np(1-p) 10 = 2 = =np np 7

Binomial B(n,p)
N>50 n/N0,1

Poisson P()

Hipergeomtrica H(N, k, n)