Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADÍSTICA II
Paralelo: 2
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:
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
(
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
( ) 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
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
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)
{
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:
( )
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.
∑ [ 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
μ x= ∗
β
1
α [( ) ]
! Ec.1.5.4-2
( )
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
{( ) [( ) ] }
2
2 1 2 1 Ec.1.5.7-2
σ = 2 !− !
β α α
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
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 ( 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
βαβ
f(x)= β+1 si x ≥ α y α, β ≥ 0 caso contrario: f(x)= 0 Ec.1.6.1-1
x
()
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
A s=
2(1+ β)
β−3 √ β −2
β
para β >3 Ec.1.6.1-10
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.