TEMA 5 y 6.
- DISTRIBUCIONES CONTINUAS Y CONVERGENCIA A LA
DISTRIBUCIÓN NORMAL.
5.1.- Distribución uniforme.
5.2.- Distribución normal.
5.3.- Distribuciones relacionadas con la Normal: chi cuadrado, t de Student y F de
Snedecor. Introducción al manejo de tablas estadísticas
5.4.- Convergencia en distribución. Teorema central del límite de Lindeberg y
Levy.
5.1.- Distribución uniforme.
En el tema anterior se estudiaron modelos de distribución en variables discretas. En este
tema el objetivo será conocer los modelos más comunes en economía para variables de
tipo continuo: condiciones bajo las cuales se presenta y las características de los
mismos.
La más sencilla de tipo continuo es la distribución uniforme. Decimos que una v.a. X se
distribuye uniformemente en el intervalo (a,b) cuando su función de densidad viene
dada por la expresión:
⎧ 1
f ( x) = ⎨ →a< x<b
⎩b − a
x−a
F ( x) = →a< x<b
b−a
a+b
E ( x) =
2
(b − a) 2
V ( x) =
12
e − eita
itb
ϕ x (t ) =
it (b − a)
Todos los valores tienen la misma probabilidad de ser seleccionados.
1
5.2.- La distribución Normal
Una v.a. Z sigue una distribución Normal estándar que se denota por N(0,1) si puede
tomar valores numéricos a lo largo de toda la recta real y tiene como función de
densidad:
2
1 − z2
f ( z) = e ∀z − ∞ < z < ∞
2π
Si se representa gráficamente la función de densidad se observa:
- Es simétrica
- Tiene una asíntota en y = 0
- Cuando z < 0 es creciente
- Cuando z > 0 es decreciente
- En z = 0 tiene un máximo
- En z = ±1 hay puntos de inflexión
Se puede demostrar que:
E(Z)=0
V(Z)=1
La distribución N(0,1) no depende de ningún parámetro desconocido y el cálculo de
probabilidades se obtiene resolviendo las integrales correspondientes. Existen tablas
para calcular dichas probabilidades.
Ejemplos:
P(z>0,22) =
P(z<0,22) = 1-P(z>0,22)
P(-0,24<z<0) =
P(0<z<0,24) =
P(-0,24<z<0,22) =
A veces lo que se busca es el valor que deja una probabilidad por debajo o por encima:
P(z>xi)=0,4
P(z>xi)=0,6
P(z<xi)=0,4
P(z<xi)=0,8
2
Muchas magnitudes cuya descripción podría adaptarse al modelo “normal” no
presentarán sin embargo sus características: media cero y varianza unitaria, por ejemplo:
beneficios de una empresa, ventas de unos grandes almacenes, por lo que se utiliza el
modelo N(µ; σ) que está ligada a una variable N(0,1) del siguiente modo:
X=µ+σZ
Su función de densidad será:
− ⎛ x-µ ⎞
1 2
1
f ( x) = e 2⎜ ⎟ ∀x − ∞ < x < ∞
σ 2π ⎝ σ ⎠
También como :
1 −
1
( x − µ )2
f ( x) = e 2σ 2
∀x − ∞ < x < ∞
2πσ 2
Sus características son:
E(X)=µ
V(X)=σ2
Asíntota en y = 0
Simétrica respecto a µ
Creciente cuando X < µ
Decreciente cuando X > µ
Puntos de inflexión en µ-σ y µ+σ
Su función característica es:
1
itµ − t 2σ 2
ϕ x (t ) = e 2
Para calcular probabilidades habrá que utilizar las tablas de la N(0;1) tipificando
previamente.
Manejo de tablas.
- Dado valor de X se busca probabilidad.
- Dada probabilidad se busca valor. (Percentil)
3
Ejemplos:
Sea X una v.a. que se distribuye N(7;5)
P(X<8,1)
P(5,8<X<8,1)
P(X>xi)=0,6
P(X>xi)=0,56
Propiedades:
Una combinación lineal de n v.a. independientes normales, también se distribuyen como
una normal.
X i ≈ N (µi ; σ i )
⎛ n n ⎞
Z = b + a1 X 1 + ... + an X n ≈ N ⎜ b + ∑ ai µi ; ∑a σ 2 2 ⎟
⎜ i i ⎟
⎝ i =1 i =1 ⎠
Para demostrarlo se hace uso de las propiedades de la función característica.
5.3.- Distribuciones relacionadas con la Normal: chi cuadrado, t de Student y F de
Snedecor. Introducción al manejo de tablas estadísticas.
Chi-cuadrado con n grados de libertad: Suma de n v.a. N(0;1) independientes al
cuadrado. La forma de la función de densidad depende de un único parámetro, el
número de grados de libertad. Según aumenta n, la curva tiende a hacerse simétrica.
Sus características son:
E(X)=n
V(X)=2n
Su función característa es:
n
−
ϕ x (t ) = (1 − 2it ) 2
Es reproductiva, es decir si se suman dos v.a. independientes con n1 y n2 grados de
libertad respectivamente, se obtiene una v.a. que sigue una chi-cuadrado con n1+n2
grados de libertad.
4
Distribución t de Student:
Sean las v.a.
X , X 1 ,.., X n ≈ N (0; σ )
X
t= σ =
N (0,1)
≈ tn
nσ
1
2
(X 1
2
+ .. + X n2 ) 1 2
n
χn
La esperanza vale cero y su varianza vale (n/n-2) cuando n es mayor que 2.
Es muy similar a la distribución normal, simétrica alrededor del origen y dependiente de
un solo parámetro, n, el número de grados de libertad.
Existen tablas para el cálculo de probabilidades. Con n mayor que 30 se pueden usar las
tablas de la distribución normal.
La distribución F de Snedecor.
Sea el cociente:
⎛ χ n2 ⎞
⎜⎜ ⎟⎟
=⎝ 2⎠
n
Fn , m
⎛ χm ⎞
⎜⎜ ⎟⎟
⎝ m⎠
Se dice que sigue una F con n grados de libertad en el numerador y m grados de
libertad en el denominador.
Existen tablas para el cálculo de probabilidades.
5.4.- Convergencia en distribución. Teorema central del límite de Lindeberg y
Levy.
En ocasiones interesa estudiar la convergencia en distribución de la suma de una
sucesión de n variables aleatorias, y la aproximación de ciertas distribuciones discretas a
la distribución normal.
5
Uno de los teoremas centrales del límite más conocidos es el de Lindeberg y Levy. Este
teorema establece que dada una sucesión x1, x2, …, xn de variables aleatorias
independientes e idénticamente distribuidas, con E(xi)=µ y Var(xi)=σ2 finita, la variable
aleatoria X=x1+x2+,..,+xn, tiende a una distribución normal con E(X)=nµ y Var(X)=nσ2,
cuando n es suficientemente grande, que tipificando tenderá a una N(0;1).
¿Qué se entiende por n grande? (al menos mayor que 30, mejor mayor que 50 según
diversos autores (Newbold)). En general, cuanto más grande sea n, mejor será la
aproximación).
Un caso particular de este teorema es lo que se conoce como el Teorema de Moivre.
Este teorema dice que si tenemos una sucesión de n v.a. independientemente
distribuidas como una B(0,1) con probabilidad de éxito p, la suma de dichas variables es
una B(n,p), que con n suficientemente grande tiende a una normal con E(X)=np y
V(X)=npq.
X = x1 + x2 + .. + xn
xi ≈ B(1,0)
X ≈ B(n, p ) ⎯⎯→
D
[
N np; npq ]
X − np D
⎯⎯→ N (0,1)
npq
Hay distintos criterios:
N mayor de 30, p no muy cercano a 0 ó 1 y npq mayor que 5
Peña y Romo establecen np y nq mayores o iguales que 5 y n mayor que 30
Newbold npq mayor que 9
Otra aproximación de interés es la que se produce al aproximar una Poisson a una
normal cuando λ es grande. Algunos autores consideran que λ debe ser al menos mayor
que 5, pero mejor si es mayor que 40.
La aproximación a una distribución continua (como es la normal) de variables discretas
(Poisson, Binomial, etc…) en ocasiones requiere lo que se denomina “corrección de
continuidad”, sobre todo cuando n no es muy grande, que mejora la aproximación.
6
Cuando se trata de calcular la probabilidad de que X esté entre a y b, lo que se busca por
tablas de la normal es la probabilidad de que X esté entre “a menos 0,5” y “b más 0,5”.
La idea que subyace es que se sustituye probabilidad puntual por probabilidad en un
intervalo pequeño. La idea es que una distribución discreta permite calcular
probabilidades puntuales, en valores enteros, mientras que una continua está definida a
lo largo de toda la recta real. Análogamente la aproximación en el cálculo de la
probabilidad de que X sea igual a xi mejora si usamos “xi menos 0,5” y “xi más 0,5”.
Tiene que ver con la idea que subyace al construir un histograma con intervalos cada
vez más pequeños de forma que se sustituye la forma del histograma por una curva. En
el caso de la aproximación de una Poisson a una Normal, algunos autores establecen
que cuando λ es al menos 40 “no hace falta” aplicar la corrección de continuidad.
