EAA-Tema 6, II

MODELOS DE PROBABILIDAD II
APNDICE MATEMTICO ( FUNCIN GAMMA Y BETA)
DISTRIBUCIN GAMMA ( VARIABLES ALEATORIAS GAMMA)
DISTRIBUCIN GAMMA DE UN PARMETRO
MEDIA Y VARIANZA DE LA DISTRIBUCIN
FUNCIN GENERATRIZ DE MOMENTOS
ADITIVIDAD DE LA DISTRIBUCIN GAMMA
DISTRIBUCIN GAMMA DE DOS PARMETROS
FUNCIN GENERATRIZ DE MOMENTOS
ADITIVIDAD DE LA DISTRIBUCIN GAMMA
MEDIA Y VARIANZA DE LA DISTRIBUCIN
LA DISTRIBUCIN GA(1/2,1/2) Y LA NORMAL
DISTRIBUCIN DE ERLANG.
DISTRIBUCIN EXPONENCIAL (COMO GAMMA)
DISTRIBUCIN DE WEIBULL
DISTRIBUCIN DE MAXWELL
DISTRIBUCIN DE RAYLEIGH
RELACIONES ENTRE DISTRIBUCIONES GAMMA
DISTRIBUCIN LOGNORMAL
DISTRIBUCIN DE PARETO
DISTRIBUCIN DE BURR
DISTRIBUCIN DE CAUCHY
DISTRIBUCIN DE LAPLACE
DISTRIBUCIN LOGSTICA
DISTRIBUCIN DE GUMBEL
DISTRIBUCIN BETA
MEDIA VARIANZA Y MODA DE LA DISTRIBUCIN BETA
DISTRIBUCIN BETA(1,1)
FUNCIN GENERATRIZ DE PROBABILIDAD
FUNCIN GENERATRIZ DEL MODELO DE POISSON
FUNCIN GENERATRIZ DEL MODELO BINOMIAL
DISTRIBUCIONES COMPUESTAS : BINOMIAL-POISSON





lejarza&lejarza
1


Funcin Gamma de Euler:
La funcin Gamma de Euler ( o, simplemente, Gamma) de un valor real positivo, r, se
define como:

Entre sus principales propiedades destacan:


o equivalentemente



esta ltima es la definicin alternativa
Funcin Beta de Euler:
La funcin Beta de Euler ( o, simplemente, Beta) de un par de valores reales positivos
m, n, se define como:

Entre sus principales propiedades destacan:





lejarza&lejarza
2

Distribucin Gamma ( variables aleatorias gamma)
A partir del integrando que aparece en la definicin de la funcin gamma de Euler

pueden disearse de manera absolutamente formal dos tipos distintos de distribuciones
de probabilidad a las que podramos denominar : distribucin gamma de un parmetro
(degenerada) y distribucin gamma de dos parmetros ( generalizada). An cuando la
segunda tiene mayores aplicaciones prcticas, ambas tienen su relevancia en algunos
campos de aplicacin como la modelizacin de fenmenos de espera, la teora de la
fiabilidad, en la modelizacin de la "cuanta de un siniestro" en estadstica actuarial.
Tambin es destacable su aplicacin como distribucin conjugada para la estimacin
bayesiana de la varianza en poblaciones normales y tiene una gran importancia terica
por sus relaciones con otras distribuciones de variables continuas que pueden
considerarse casos particulares ( exponencial, Chi-dos) o trasformadas particulares
( Maxwell ,Rayleigh ,Weibull , Normal)
Distribucin Gamma de un parmetro
Dada una variable aleatoria x no negativa diremos que sigue una distribucin Gamma
de parmetro m ( distribucin gamma degenerada de un slo parmetro, m) cuando su
funcin de densidad obedezca a la expresin:
Para

siendo m un parmetro positivo
Lo expresaremos como: ( ) X m o bien ( ) x Ga m
Variable aleatoria Gamma de parmetro m ser, lgicamente, el nombre que recibir
una variable aleatoria real positiva que obedezca a una distribucin con esa funcin de
densidad de probabilidad. La representacin grfica de diversas distribuciones gama
segn el valor del parmetro m , sern las siguientes:
lejarza&lejarza
3

Es fcil comprobar que f(x) es no negativa y que si se integra para toda el campo de
variacin el resultado es 1.
Media y varianza de la distribucin:
La media ser:

Y la varianza vendr dada por:

Siendo :


de forma que :

Funcin Generatriz de Momentos
La Funcin Generatriz de Momentos de una distribucin gamma de un parmetro es
fcilmente calculable a partir de su definicin como:

lejarza&lejarza
4
como la funcin gamma tambin se puede re-escribir como

tendremos que, haciendo a =1-t:




A partir de aqu es fcil obtener los sucesivos momentos ordinarios de orden r,
derivando sucesivamente y evaluando la r-sima derivada en el punto t=0

Aditividad de la distribucin Gamma: Teorema de Adicin.
La suma de varias variables aleatorias independientes que sigan sendas distribuciones
gamma seguir tambin una distribucin gamma con parmetro la suma de los
parmetros de aquellas. La prueba es sencilla a partir de la F.G.M .
Dadas dos variables aleatorias independientes Gamma tales que

sus F.G.M. sern respectivamente

como x e y son independientes la F.G.M de su suma ser :

que es la F.G.M de una distribucin Gamma
x y
m m +


lejarza&lejarza
5
Distribucin Gamma de dos parmetros
Llamaremos distribucin gamma generalizada, distribucin gamma de dos parmetros o
simplemente, distribucin gamma de parmetros p y m a la distribucin que tiene una
variable aleatoria continua real no negativa cuya funcin de densidad obedezca a la
expresin:

Obviamente f(x) as definida es no negativa, para todo valor de x, y su integral para el
todo el campo de variacin, es fcil comprobar, que resulta la unidad basndonos en las
propiedades de la funcin Gamma (en su definicin alternativa)


Representacin grfica



lejarza&lejarza
6
Funcin generatriz de momentos F.G.M.
Podemos obtener la Funcin Generatriz de Momentos de una distribucin gamma de
dos parmetros (p,m) fcilmente :


basndonos en la definicin alternativa de la funcin gamma:


Aditividad de la Ga(p,m)
La distribucin Gamma de dos parmetros es reproductiva por adicin respecto de su
segundo parmetro pero no respecto del primero. Adems para que se pueda verificar el
teorema de adicin para su segundo parmetro, m, es necesario que las variables
implicadas posean el mismo parmetro p. Esto es
Dadas dos o ms variables aleatorias independientes con sendas distribuciones Gamma
de dos parmetros pero con idntico parmetro p ,la suma de ellas ser una variable
aleatoria con una distribucin Gamma de ese mismo parmetro p y cuyo segundo
parmetro (m) ser la suma de los segundos parmetros de las originales.

sus funciones generatrices de momentos FGM sern:

como x e y son independientes la FGM de su suma ser:

que es la FGM de una distribucin Gamma de parmetros : p (m
x
+ m
y
)

lejarza&lejarza
7
Media y varianza de la distribucin Ga(p,m)
Media y varianza, y tambin otros momentos de orden superior se pueden obtener
fcilmente a partir de la F.G.M.

Para obtener la media que es el momento ordinario de primer orden, bastar obtener la
primera derivada en el punto t=0:

siendo fcil ver que la media toma el valor del cociente de ambos parmetros m/p:

La varianza la obtendremos como


de modo que resulta al final que :

La distribucin Ga(1/2,1/2) y su relacin con la Normal
La funcin de densidad para una Gamma con p=1/2 y m=1/2 ser:


lejarza&lejarza
8
Por otro lado si consideramos una variable Z tal que Z siga una N(0,1) tendremos que :

si plantemos en cambio de variable de Z a X con X=Z
2
tendremos que el jacobiano de la
tranformacin ser:

pero como el campo de variacin de z es el doble que el de x ya que el primero es toda
la recta real y el segundo la semirrecta positiva tenderemos que :

que es la funcin de densidad de una Ga(1/2,1/2) por lo que podemos concluir que el
cuadrado de una variable normal tipificada sigue una distribucin Ga(1/2,1/2).
Esta relacin es de gran importancia en si misma y considerada en conjuncin con la
aditividad de la distribucin Gamma para el parmetro m posibilita establecer tambin
una relacin entra la distribucin Gamma y la distribucin Chi-2:
Una distribucin Chi-2 es un caso particular de distribucin Gamma: una Chi-2 de n
grados de libertad es una Gamma(1/2,n/2)

Distribucin de Erlang.
Dada una Gamma de dos parmetros Ga(p, m) donde m es un nmero entero y p m =
siendo de una distribucin de Poisson . Si esto ocurre a dicha distribucin
Gamma se la conoce como distribucin de Erlang. Su utilidad radica en el calculo de
probabilidades del tiempo transcurrido hasta que aparecen m sucesos que siguen una
distribucin de Poisson de parmetro . Las funciones de densidad y distribucin para
diversos valores de los parmetros sern grficamente
lejarza&lejarza
9


Ejemplo:
Si el nmero de llamadas telefnicas que se registran en una central es de 3 por minuto,
asocindose esto a una Poisson de 3 . Calcular la probabilidad de que trascurra
menos de un minuto hasta que se produzca la segunda llamada La variable aleatoria X=
tiempo entre una llamada y la m-sima siguiente sigue una distribucin de Erlang
lejarza&lejarza
10
Ga( m, m) donde m=2 ( segunda llamada) y =3 ( =3)
Luego una Erlang Ga( 6, 2)
1 2 2 1 6
0
6
( 1) ( (6, 2) 1)
(2)
x
x e
P x P Ga

s = s =
I
}

tendremos
1 2 2 1 6
0
6
( 1) ( (6, 2) 1)
(2)
(2) ( 1)! 1! 1
x
x e
P x P Ga w
r

s = s =
I
I = = =
}

luego :
1
6
0
36
x
w xe dx

=
}
haciendo un cambio de variable tendremos

6
6
0
0
6 1/ 6
1
36
6 6
t t
x t luego dx dt
t
e dt t e dt

= =
=
} }

resolviendo por partes:

6 6 6
6
0
0 0 0
6 6
0 0
6
0

( 1) 0, 9827
t t
t t t
t t
t
u t du dt
dv e dt v e
t e dt udv te e dt
te e
e t

= =
= =
(
( = = =
(


(
( ( = =

(

( + =

} } }

lejarza&lejarza
11
grficamente:


Distribucin exponencial
Si tenemos una Ga(p,m) su funcin de densidad es ,como ya sabemos :
1

( )
( )
m px m
p e x
f x
m

=
I

haciendo m=1 tendremos
1 1 1

( )
( ) 1
m px m px
px
p e x p e x
f x pe
m

= = =
I

que es la funcin de densidad de la distribucin exponencial de parmetro p
as una Ga(p,1) = exp(p)

Distribucin de Weibull
Si tomamos una distribucin exponencial de parmetro q ,
exp( ) x q por tanto una ( ,1) ( ,1) Ga q q
si establecemos un cambio de variable de manera que :
1/ r r
Y x x Y para r o = = >
tendremos que la funcin de distribucin (de probabilidad) de la nueva variable ser :
lejarza&lejarza
12

1/
( ) ( ) ( ) ( ) ( )
r r r
H y P Y y P x y P x y F y = s = s = s =

por tanto la funcin de densidad ser:

1
(1 )
( ) ( )
r
qy
r
qy r
d e
h y H y
dy
rqy e

= = =
dado que ( ) 1
r
r
qy
F y e

= ya que x era una exponencial

As si x sigue una distribucin de Weibull de parmetros r , q
Su funcin de densidad ser :
1
( )
r
qx r
f x rqx e

=
Es habitual que se utilice como segundo parmetro el valor de | con
1
r
q
|
=
Siendo as la funcin de densidad:
1
1 1
1
( )
r
r
r
r
x
x
r r
r
f x
r
r x e x e
|
|
| |
| |
|
|
\ .

= =
O bien :
1 1
1
1
( )
r
r
r
r
x
r
x
r
x
f x
r
r x e e
|
|
| | |
| |
|
|
\ .

| |
= =
|
\ .

Donde r = parmetro conocido como de forma , de manera que si su valor es uno el
nmero de hechos ( normalmente fallos) es constante en el tiempo, si r< 1 ste numero
decrece , mientras que si r>1 , el nmero de hechos-fallos aumenta con el tiempo.
El parmetro | se denomina de escala o vida caracterstica
La distribucin de Weibull permite controlar cul es la distribucin de fallos de un
componente que pretendemos controlar y que a travs de nuestro registro de hechos-
fallos observamos que stos varan a lo largo del tiempo y dentro de lo que se considera
tiempo normal de uso. Se utilizar la distribucin o anlisis de Weibull cuando se
observe que en nuestro proceso hay muchos fallos y los tiempos entre fallos no se
ajustan a una distribucin ms sencilla. Su utilidad habitual es el control de fallos en
componentes de sistemas.
Normalmente se utiliza la funcin de distribucin que ser como ya vimos y para
1
r
q
|
= :
( ) 1
x
r
F x e
|
| |
|
|
\ .

=
La media de la distribucin vendr dada por
1
1
r
|
| |
= I +
|
\ .

lejarza&lejarza
13
Si r = 1 La distribucin Wiebull de tendra de funcin de densidad
1
1
1
( ) 1
x
r
x
r
x
f x r e
r
e
|
|
| | |
| |
|

|
\ .

| |
= =
|
\ .
es decir
una exp(1/|) , as la distribucin exponencial puede considerarse un caso particular de
una Wiebull cuando el parmetro forma es 1 ( r=1)
Ejemplo: El tiempo que tarda en fallar un transistor de un sistema elctrico sigue una
distribucin de Weibull con vida caracterstica 5000 horas y parmetro de forma .
a)Hallar la probabilidad de que dicho transistor dure menos de 6000 horas
Tiempo de duracin del transistor ( t) ser una Weibull de parmetros:
|= escala o vida caracterstica = 5000 r = forma =

1/ 2
6000
5000
( 6000) ( 6000) 1 1 0, 33 0, 66 1
t
r
P t F t e e
|
| |
| | |

| |
\ . \ .

< = = = = = =
de manera grfica :

b) cuanto tiempo cabe esperar que durar un transistor:
| | ( )
1
1 5000 1 2 5000 E t
r
|
| |
= I + = I + =
|
\ .
(3-1)!=10000 horas



lejarza&lejarza
14
Distribucin de Maxwell
Se trata de una distribucin derivada de la distribucin gamma .Sea una distribucin
Gamma G(p,m)

en concreto una G(q, 3/2) cuya funcin e densidad ser:
3
3
1
2 1 3
2
2
( ) 2
3
2
qx
qx
f x
q e x q
x e
t
| |
|
|
\ .

=
| |
|
\ .
=
I


Distribucin de Rayleigh
La distribucin de Rayleigh es una derivada de la distribucin exponencial por tanto
tambin de una Gamma. De un nico parmetro, sigma.
Si X e Y son distribuciones normales independientes de media 0 y misma desviacin
tpica ( sigma = A) .
Entonces:

| |
2 2
Si Z X Y Z Rayleigh sigma A = + =
Su funcin de densidad viene dada por :

2
2
2
2
( ) 0
x
f x para x
xe
o
o
| |
|
|
|
\ .

= >
siendo su funcin de distribucin :
| |
2
2
2
( ) 0; 1
x
F x e para x
o
| |
|
|
\ .

= e
La media viene dada por :
| |
2
E x
t
o = mientras que la varianza ser:
| | | |
2 2
4
2
Var x D x
t
o

= = siendo la moda igual a su parmetro sigma

lejarza&lejarza
15
Si | |
2 2
2
1
gl
Si X R entonces X _
=

Por otro lado:
Si X sigue una distribucin de Wiebull de parmetro de escala : 2 b | = y de
parmetro de forma : r=2 , es decir : 2 : 2 X W b
(

entonces:
1
( ) 1 2
r
x
r
x
f x r y b
r
e
|
|
| |
| |
|
|
\ .

| |
= = =
|
\ .

2
2
2
2
2
2 1
2
( )
2
2
2
x
x
b
b
x
f x
b b
b
x
e e
| |
| |
|
|
| |
\ . \ .

| |
= =
|
\ .

que es la funcin de densidad de una distribucin Rayleigh de parmetro b luego:
| | 2 : 2 X W b entonces X R b
(


.
La representacin de su funcin de densidad ser:

Ejemplo: La amplitud de una seal de radio de frecuencia modulada sigue una
distribucin Rayleigh(1/2). Calcular un valor de la amplitud mnimo que ocurre el 20%
de las veces.
Valor mnimo (a) ser uno que de l hacia arriba( mayor) slo ocurre el 20% de las
veces , por tanto con probabilidad 0,2 luego:
Si X = amplitud de seal y
( )
1/ 2 X R
lejarza&lejarza
16
( ) 0, 2 ( ) 0, 8 P X a P X a > = < =
2
2 2
1
2
2
2
2
2
2
2
2
0, 8 ( ) 1
0, 2 5 ln5 ln 1, 6 1, 2
1 1
x
x x
x
x
F x a e
e e x e a
e e
o
| |
|
|
| | |
| | | |
|
| |
\ .
\ . \ .

= = = =
= = = = =
=






En el siguiente cuadro se pueden apreciar algunas de la relaciones de la distribucin
Gamma con otras distribuciones de variable continua:
lejarza&lejarza
17







lejarza&lejarza
18
Distribucin Lognormal
Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que
X se distribuye log-normalmente.

Tiene la ventaja que X>0 y que la transformacin Log tiende a reducir la asimetra
positiva ya que al sacar logaritmos se reducen en mayor proporcin los datos mayores
que los menores.

Limitaciones: tiene solamente dos parmetros, y requiere que los logaritmos de la
variables estn centrados en la media

Funcin de densidad:


2
( )
1
2
1
( ) e 0
2
y
y
y
f x x
x

o
o t

= >


donde y = ln x
donde,
y
: media de los logaritmos de la poblacin (parmetro escalar), estimado y
o
y
: Desviacin estndar de los logaritmos de la poblacin, estimado s
y
.
La distribucin lognormal tiene por tanto dos parmetros:
y
(media aritmtica del
logaritmo de los datos o tasa de fallos) y o
y
(desviacin estndar del logaritmo de los
datos o tasa de fallos).

Dichos parmetros sern estimados , as :

=
=
n
i
i
x
n
y
1
) ln(
1


2
1
2
1
) ) (ln(
1
1
)
`

=

=
n
i
i y
y x
n
s
La media de una distribucin log-normal vendr dada por :
Para una variable

ln ln
( ; ) ( ; )
y y x x
x log normal LN o o
lejarza&lejarza
19
media y varianza sern :
| |
| |
2 2
1
2
2
2
1
x
y y
y y y
x
E x
Var x
e
e e
o
o o

o
+
+
= =
| |
=
|
\ .
=

La representacin grfica de las funciones de densidad y distribucin para distintos
valores de sus parmetros sern:



La distribucin lognormal tiene, principalmente, las siguientes caractersticas y/o
aplicaciones:
lejarza&lejarza
20
+ Representa la evolucin con el tiempo de la tasa de fallos, en la primera fase de vida
de un componente, entendindose como tasa de fallos la probabilidad de que un
componente que ha funcionado hasta el instante t, falle entre t y t + dt.
+ Permite fijar tiempos de reparacin de componentes, en este caso el tiempo la
variable de la distribucin.
+ Describe la dispersin de las tasas de fallo de componentes, ocasionada por diferente
origen de los datos, distintas condiciones de operacin, entorno, bancos de datos
diferentes, etc. En este caso la variable independiente de la distribucin es la tasa de
fallos.
+ Es idnea para parmetros que son a su vez producto de numerosas cantidades
aleatorias (mltiples efectos que influyen sobre la fiabilidad de un componente).

Clculo de probabilidades con la Lognormal.
La distribucin o modelos LogNormal ( ; )
y y
x LN o puede expresarse como una
Normal Tipificada [0,1] , t . mediante el cambio
ln( )
y
y
x
t

o

=
Dado que si se plantea la probabilidad de que
| |
1 2
; x x x e dicha probabilidad sera
2
1 2
2
1
ln
1
2
( )
1
2
y
y
x
x
y x
P x x x dx e
x

o
o t
| |
|
|
\ .

< < =
}
resolviendo
mediante
ln( )
y
y
x
t

o

= y
y
dx x dt o = pasando los lmites de integracin a
1
1 1
ln( )
y
y
x
x z

o

= y para
2
2 2
ln( )
y
y
x
x z

o

=
lo que nos dara:
2
2
1 2
2
1
2
1
ln
1
2
2
( )
1
2
1
2
y
y
t
t
t
x
x
y x
P x x x dx dt e
x
e

o
o t t
| |
|
|
\ .

< < = =
} }

lejarza&lejarza
21

Ejemplo(1) general reducido: La variable X supone los tiempos en segundos de
reparacin de un componente. Presuponemos que X seguir un modelo Log-Normal .
Con slo diez datos y para abreviar . Tomamos los logaritmos neperianos de la variable
X (lnx). Contrastamos que dichos valores siguen una distribucin normal de media 3.02
y desviacin tpica 1,92 mediante un test no paramtrico.
En este caso podemos decir que (3, 02 ; 1, 92) X LN








Ejemplo(2):
Conocemos que los rendimientos monetarios, en miles de euros, a largo plazo de los
futuros que maneja nuestra empresa se distribuyen como una Log-Normal de media 3 y
desviacin tpica 2.
a)Calcular la probabilidad de que dichos rendimientos se siten entre 78 y 120 miles de
euros.
b) Hallar el valor esperado de los rendimientos monetarios
Rendimientos monetarios = x
| |
3; 2 x LN
a)
( )
ln ln
ln ln
ln 78 ln120
(78 120)
4, 356 3 4, 787 3
0, 678 0, 8937
2 2
(0,8937) (0, 678) 0, 814 0, 751 0, 063
x x
x x
P x P t
P t P t
F F

o o
| |
< < = < < =
|
\ .
| |
= < < = < < =
|
\ .
= =



x lnx
1 0
2,52725328 0,92713305
5,2122986 1,65102095
9,29390485 2,22935879
15,6219583 2,74867751
25,82447 3,25132249
43,4078894 3,77064121
77,3994018 4,34897905
159,631327 5,07286695
538,995354 6,28970695



Media muestral 3,0289707

Desv. muestral 1,92529721
lejarza&lejarza
22
b) el valor esperado vendr dado por
| |
| |
1
3 2
4
2
1
2
(3; 2)
54, 59
x
x
y y
E x
x LN
E x e e
e
o

+
+
= =

= = = =


Distribucin de Pareto
La distribucin de Pareto (Vilfredo Pareto (18481923)), es una distribucin de
probabilidad biparamtrica que tiene como funcin de densidad:
0 0
1

( )
x x
f x
x x x
o
o
o
o
o
+
| |
|
\ .
= = donde
0 0
; 0 ; 0 x x x o > > >
siendo
0
x conocido como valor inicial y o es conocido como ndice de pareto.
Su funcin de distribucin viene dada por :
0
0
( ) 1
x
F x si x x
x
o
| |
= >
|
\ .

Su media vendr dada por:
| |
0
0 0
1
1
x
x x x
E x dx
x
o
o
o o

+
= = =

}
siempre que 1 o >
La varianza ser :
| |
( )( )
2
0
2
var 2
2 1
x
x si
o
o
o o
= >


Si 2 o s no existe ya que :
0
2 2
2 0 0
1
2
x
x x x
E x dx
x
o
o
o o

+
( = = =


}
y dicha integral no es convergente , siendo el
momento negativo si 2 o s , siendo imposible al ser par
La moda ser el valor inicial
La mediana vendr dada por
lejarza&lejarza
23
0
0 0
1/ 0
0 0
0
0, 5 ( ) ( ) 1
0, 5 1 0, 5
1
0, 5 2 2
0, 5
e e
e
e e
e
e e
e
x
P x M F M
M
x x
M M
x M
x M M x
M x
o
o o
o o
o o o
o o
| |
= < = =
|
\ .
| | | |
= =
| |
\ . \ .
= = = =

grficamente su funcin de distribucin ser :


La distribucin de la renta parece adecuarse a una distribucin de Pareto en ciertas
situaciones. Es la conocida ley de Pareto o de 80/20.El 20% de la poblacin posee el
80% de la renta y el resto ( 80%) de la poblacin slo posee el 20% de la renta.
La distribucin de Pareto parece adecuada a aquellas circunstancias en las que quiera
establecerse una distribucin de alguna magnitud acumulable entre pocos que
acumulan grandes cantidades y muchos que acumulan muy poca cantidad. Casos
seran : Pocos grandes errores , muchos pequeos errores. Grandes errores en un disco
duro, pequeos errores . Pocos grandes incendios, muchos pequeos incendios ( en
Hectreas, p.ej,).Pocos grandes accidentes y muchos pequeos accidentes.

Distribucin de Pareto trasladada al origen (tipo II).
Como se dijo anteriormente la distribucin de Pareto tiene dos parmetros:

0
x conocido como valor inicial y o es conocido como ndice de Pareto
lejarza&lejarza
24
en muchas ocasiones es conveniente que el valor inicial sea cero, lo que da lugar a la
distribucin de Pareto tipo II.
Consiste en modificar la variable Y que se distribuye como una distribucin de pareto
con parmetros
0
; y o
de manera que
0
X Y y =
De manera que :
0
0 0
0
( ) ( ) ( ) ( ) 1
y
F x P X x P Y y x P Y x y
x y
o
| |
= s = s = s =
|
+
\ .


Distribucin de Burr
La distribucin de Burr se emplea habitualmente para estudiar las prdidas que se
puedan ocasionar en carteras de seguros.
Se establece de la siguiente manera:
Sea X una variable aleatoria con distribucin de Pareto con parmetros
0
1; x o =
Donde se lleva a cabo el cambio de variable: Z X
|
= para 0 | > tendremos por tanto:
Que
1/
Z X
|
=
1/
1
( ) ( ) ( ) ( ) 1 F z P Z z P X z P X z
z
o
| |
|
| |
= s = s = s =
|
\ .

para que el origen sea 0 ya que partimos de
0
1 x = haramos la transformacin Y=Z-1(
Pareto tipo II)
con lo que la la funcin de distribucin quedara:
1
( ) 1
1
F Y
y
o
|
| |
=
|
+
\ .
con parmetros
alfa y beta mayores que cero:
habitualmente los parmetros suelen denominarse:
k c o | = = con lo que la expresin de una distribucin de Burr (k, c) en su funcin
de distribucin quedara como
( )
( ) 1 1
k
c
F x x

= +
lejarza&lejarza
25
siendo su funcin de densidad:
( 1) 1
( ) (1 )
k c c
f x Kcx x
+
= +


los diversos momentos ordinarios vendrn dados por la expresin general :
( ) ( )
( )
1
1
r
r r
k k
c c
E X
k
I I +
( =

I +


Distribucin de Cauchy
La denominada distribucin o modelo de Cauchy-Lorentz , es una distribucin continua
de aplicacin especial en la fsica y en el estudio de rendimientos de activos financieros,
as como por relaciones con algunas distribuciones importantes. Tiene dos parmetros
; o y su campo de variacin
| |
; + .
Su funcin de densidad viene dada por

( ) ( )
2 2 2
1 1
( )
1
f x
x x

t
o o
t

| |
= =
|
| |
\ . +
+ |
|
\ .

En el caso particular de que 1 0 y o = =
La
2
1 1
( )
1
f x
x t
| |
=
|
+
\ .
que corresponde a la ( 1; 0) C o = = conocida como Cauchy
estndar.
Esta distribucin ( Cauchy estndar) es el cociente de dos distribuciones Normales de
media 0 y desviacin tpica sigma: N[0;o] .No siendo cierto el postulado inverso, es
decir que si una C[0,1] es el cociente de dos variables aleatorias est no tienen por qu
distribuirse como normales N[0;o]
La Funcin Generatriz de Momentos viene dada por

( )
t t
t e
o

= que no es diferenciable en t=0 por lo que la distribucin no tiene
momentos respecto al origen lo que conlleva que no tiene media y varianza.
La funcin de distribucin viene dada por:
lejarza&lejarza
26

1 1
( ) arctan
2
x
F x
o
t
| |
= +
|
\ .

La distribucin de Cauchy cumple el teorema de adicin para ambos parmetros:
As:
1 2 3
1 1
...
( ; )
( ; )
n
i i i
n n
i i
i i
z x x x x
siendo x C
Z C
o
o
= =
= + + +

Una distribucin C( 1; 0) coincide con una t de student con un grado de libertad
Si
1 gl
x t
=

si n=1
( ) 1 1
1
2 2
2
2
1 1
1 2
( ) 1 1
1 1 1
1
2
1 1
(1; 0)
1
x x
f x
C
x
t t
t
t
+

+ | |
I
|
( (
\ .
= + = + =
( (
| |

I
|
\ .
=
+

Los parmetros de la distribucin podran contemplarse como :
o es el parmetro de corrimiento que especifica la ubicacin del pico de la distribucin,
y es el parmetro de escala que especifica el ancho medio al mximo. Esto puede
comprobarse grficamente
lejarza&lejarza
27


Distribucin de Laplace
Una variable sigue una distribucin de Laplace ,
| | | |
; , x L para x o e si su funcin de densidad es:
( )
2
x
f x e
o
= siendo
| |
0 , y o > e y
1
S
= siendo S el parmetro
de escala y alfa el de ubicacin ( ms adelante media) .
Tomando parmetro S directamente la funcin de densidad quedara como :

1
( )
2
x
s
f x e
s
o

=
puede considerarse la composicin de dos exponenciales iguales de signo cambiado. De
ah que en ocasiones se le denomine doble exponencial.
A nivel operativo la funcin de densidad quedara:

1
1
2
( )
2
1
2
x
s
x
s
x
s
e si x
s
f x e
s
e si x
s
o
o
o
o
o

<

= =

>

Su funcin de distribucin vendr dada por:
lejarza&lejarza
28
( )
1
2
1
1
2
x
s
x
s
F x
e si x
e si x
o

o
o
| |
|
\ .
| |
|
\ .

<
>

Media, mediana y moda coinciden siendo: o
La varianza de la distribucin
| | | |
; , x L para x o e
En la que el parmetro de escala es S siendo
1
S
=
ser | |
2
2
2
Var x o

= =
La varianza de la distribucin
| | | | ; , x L S para x o e
En la que el parmetro de escala es S , lgicamente ser | |
2 2
2 Var x S o = =
Grficamente la funcin densidad ser:






lejarza&lejarza
29
Distribucin logstica
La distribucin logstica es un modelo de probabilidad de carcter continuo se debe a
Pierre Verhulst (1845) . Esta distribucin aparece en el contexto de la regresin
logstica. Es de utilidad en los estudios de crecimiento de poblacin, propagacin de
epidemias, difusin y venta de nuevos productos, mortalidad de la poblacin, en
definitiva procesos de crecimiento en los que se produzca estado de saturacin.
La distribucin logstica viene explicitada por dos parmetros:
( ; ) x L o |
Su funcin de densidad es: para x < <

2
( )
1
x
x
e
f x
e
o
|
o
|
|

=
| |
+ |
|
\ .

siendo su funcin de distribucin: para x < <

1
( )
1
x
F x
e
o
|

=
+

Si se lleva a cabo el cambio de variable
x
y
o
|

=
Obtendremos la distribucin Logstica estandarizada L(0,1) cuya funcin de cuanta
ser
( )
2
( )
1
y
y
e
f y
e

=
+

La representacin grfica de la funcin de distribucin de un modelo logstica para
varios valores ser:
lejarza&lejarza
30

Obsrvese en el grfico que a los parmetros se les denomina , media y desviacin
En el caso de alfa podemos decir que es cierto dado que si :
| | | | ; x L E x o | o = =
en el caso de la desviacin es casi cierto y podra considerarse pues la varianza si:
| | | |
2
2
;
3
x L Var x
t
o | | =
en otros aspectos podemos aportar que la distribucin logstica es simtrica , por lo que
su coeficiente de simetra es 0 , adems es leptocrtica pues su coeficiente de curtosis es
1,2. La funcin de densidad es parecida a la de la distribucin normal:

lejarza&lejarza
31
en el grfico anterior de la funcin de densidad puede constatarse que la distribucin
tiene de moda y mediana el valor del parmetro alfa , es decir , la media

Distribucin de Gumbel, o valor extremo.
La variable aleatoria est definida para todo el eje real. Tiene dos parmetros :
, moda parmetro de localizacin =
parmetro de escala o = .
La importancia de esta distribucin radica en que se ocupa de modelizar probalidades de
valores extremos, de ah su nombre. Por ejemplo modelizar el mximo de
indemnizaciones mensuales en base a las acontecidas como mximas en aos anteriores
de aos anteriores. Es til , tambin, para predecir crecidas de ros , movimientos
ssmicos..
Su funcin de densidad viene dada por:
( )
1
x
e
x
f x e e

o

o
o
| |
|
|
|
\ .

= para
| | ; xe
su funcin de distribucin es:
( )
x
e
F x e

o

=
la media es
| |
. 0, 5772 E x siendo cte de Euler Mascheroni o = + = ~
la moda coincide con el parmetro
en cuanto a su varianza es: | |
2
2
6
Var x
t
o =
existe la distribucin de Gumbel estndar , cuando 0 1 y o = =
siendo su funcin de densidad y de distribucin :
( )
( ) ( )
x
e t x e
f t y F x e e e

= =
su representacin grfica ser:
lejarza&lejarza
32

obsrvese como las curvas tienden al extremo superior

Distribucin Beta
Diremos que una variable aleatoria x con campo de variacin [0,1] sigue una
distribucin Beta ( de primera especie) de parmetros o ,| (positivos ambos)
cuando su funcin de densidad obezca a la expresin:

Debido a que su campo de variacin es el compacto [0,1] la distribucin beta
se utiliza a menudo como modelo de distribucin de probabilidades o
proporciones. Tambin se usa en la estimacin bayesiana de proporciones y
probabilidades como distribucin conjugada a una verosimilitud binomial. En
relacin con esto, aunque el resultado es independiente, es interesante hacer
ver que una distribucin Beta(1,1) coincide con una distribucin uniforme en
el intervalo [0,1],U([0,1]).
La representacin grfica para diversos valores de alfa y beta es:
lejarza&lejarza
33

La media , varianza y moda de una distribucin de Beta son respectivamente:

Ya que:
Media , varianza y moda de una distribucin de Beta
Dada una variable x, que sigue una distribucin beta de parmetros o y |, su
media vendr dada por:

Por otro lado, la varianza vendr dada por :

lejarza&lejarza
34


La moda puede obtenerse maximizando la funcin de densidad: derivando su
denominador e igualando esta derivada a cero:


Para valores de x distintos de cero y de 1 podemos dividir por x elevado a
(alfa-2) y por (1-x) elevado a (beta-2):

de modo que la moda acaba siendo :

Distribucin Beta (1,1)
Una distribucin beta(1,1) coincide con una uniforme en [0,1] ya que su
funcin de densidad degenera en la constante unidad:

Entre otras consecuencias interesantes este resultado permitir utilizar la
distribucin uniforme como prior mnimo-informativa en la estimacin
bayesiana de proporciones permitiendo obtener una distribucin posterior
Beta ( que es la conjugada a una verosimilitud binomial)



lejarza&lejarza
35
Funcin generatriz de probabilidad (FGP)

Sea una variable aleatoria discreta que toma valores en |N. la Funcin generatriz de
probabilidades se define como:
0
( ) ( )
i
x x
i
x
G z E z z P x

=
( = =



Como propiedad fundamental de la FGP , se establece que derivada sucesivamente da
lugar a los diversos momentos de la distribucin cuando z tiende a 1 de manera:

| |
( )
1
( ) ( 1)( 2)....( 1) 1, 2, 3..
k
x
G z E x x x x k k

= + =
as:

| | | | | |
2
1 1 1
( ) 1 ( ) ( ) ( 1)
z z z
G z G z E x G z E x x E x E x

( = = = =



Otra aplicacin importante de la FGP consiste en :
Si X e Y son variables independientes discretas con funciones generatrices de
probabilidad ( ) ( )
x y
G z y G z respectivamente , entonces la funcin generatriz de
probabilidades de la suma de ambas variables X+ Y es :
( ) ( ) ( )
x y x y
G z G z G z
+
=
esta propiedad es generalizable para n variables discretas independientes:
1 2 3
, , .....
n
x x x x
con FGP
1 2 3
( ), ( ), ( ),......, ( )
n
x x x x
G z G z G z G z respectivamente
la FGP de la suma vendr dada por:


1 2 3 1 2 3
...
( ) ( ) ( ) ( ) ( )
n n
x x x x x x x x
G z G z G z G z G z
+ + + +
=


Funcin generatriz de probabilidad del Modelo de Poisson.

Sea ( ) x por tanto

( )
!
x
e
P x
x

=

0 0

( )
! !
i i i
i
x x x
x x
x x
i i
e z
G z E z z e
x x

= =
( = = = =



( ) ( ) ( )
1 2 3
( 1)
1 ..
1 2! 3!
z z
z z z
e e e e



(
+ + + + = = (
(


ya que
1 2
1 ....
1! 2!
x
e e
e = + + +
si la FGP de una Poisson es la anterior

podemos calcular sus momentos:

es evidente que
(1 1)
1
( ) 1
z
G z e

= =

lejarza&lejarza
36
| |
( 1) (1 1)
1
( ) ( )
z
z
G z e G z e E x

= = = =

| |
2 ( 1) 2 (1 1) 2 2
1
( ) ( )
z
z
G z e G z e E x E x

( = = = =


de donde
| |
2 2 2 2
E x E x E x ( ( = = +


siendo la varianza :

| | ( )
2
2 2 2 2
E x E x o ( = = + =


como ya era conocido


Funcin generatriz de probabilidad del modelo de binomial.

Sea ( , ) x B n p luego ( )
x n x
n
P x p q
x

| |
=
|
\ .


( )
0 0
( ) ( )
i i i i
i
x x x n x x n
i x
x x
G z E z z P x z p q

= =
( = = =



desarrollando el binomio de newton obtendramos

( )0 ( )
n
G z pz q = + como FGP de la distribucin binomial

es evidente que
1
( ) ( 1 ) 1 1
n
z
G z p q pues p q

= + = + =

| |
1 1
1
( ) ( ) ( ) ( ) ( 1 )
n n
z
G z n pz q p G z n p q p np E x

= + = + = =
2 2
1
( ) ( 1)( ) ( )
n
z
G z np n pz q p G n p np p

= + = =

| |
2 2 2 2 2 2 2 2
n p np E x E x E x n p np np ( ( = = = +


luego la varianza sera:

| |
2 2 2 2 2 2 2 2 2
( ) (1 ) E x E x n p np np n p np np np p npq o ( = = + = = =


como ya sabamos


Distribuciones compuestas : Binomial-Poisson

Si tenemos una variable aleatoria X que se distribuye como una binomial

( , ) x B n p donde n , el nmero de pruebas, es tambin aleatorio y se distribuye como
un modelo de Poisson
( ) n
estaremos ante un modelo compuesto donde la binomial es la distribucin principal
mientras que la distribucin de Poisson es la secundaria.
lejarza&lejarza
37
La probabilidad para un determinado valor (k) de x vendr condicionada por el
valor(m) que tome n que es aleatorio.

As:

donde :
( ) 0,1, 2, 3,...
!
m
e
P n m m
m

= = = y

( )
k n k
n
P x k p q
k

| |
= =
|
\ .

dado que no conocemos el valor de n este tomar un valor cualquiera m as

( )
!
m
k m k
m k
m
e
P x k p q
k m

=
| |
= = =
|
\ .

! !

!( )! ! !( )! !
m m k
k m k k k m k
m k m k
m m
e p q e p q
k m k m k m k m

= =
= =





0
( ) ( ) ( )
! ( )! ! !
k m k m k k m
m k m
e p q e p q
k m k k m



= =
= =

( ) ( )
! !
k p k
q
e p e p
e
k k

= =

la Binomial compuesta de Poisson ( la Binomial cuyo parmetro n viene dado por una
Poisson ) .
Tendr de funcin de cuanta la de una distribucin de Poisson de parmetro p .

Ejemplo: La proporcin de clientes que compra al da en una tienda es del 25% de los
que entran. Por trmino medio entran 10 clientes al da. Calcular la probabilidad de que
compren dos clientes en un da.
X= nmero de clientes compran de los que entran
( ; 0, 25) x B n donde n es desconocido y depende de un modelo de Poisson
( 10) n =
4 2
( ) 4 0, 018316
( 2) 0,146
! 2! 2
p k
e p e
P x k
k

= = = = = =





lejarza&lejarza
38


lejarza&lejarza
39