Documento 0

Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

1
Distribuciones Gamma y Normal. Proceso Gaussiano


Distribucin Gamma.

Definicin.

Se dice que una variable aleatoria X sigue una distribucin gamma de parmetros a y p
con , a p y tales que 0, 0 a p > > , si su funcin de densidad est dada por

1
. 0
( ) ( )
0 0
p
p a x
X
a
x e x
f x p
x

>

donde ( ) p es una funcin Euleriana definida por
1
0
( ) 0.
p x
p x e dx p

= >

Algunas de las propiedades importantes de la funcin gamma son las siguientes:

(1) 1. =


1
2

| |
=
|
\
.

( ) ( 1) ( 1) 1. p p p p = >

( ) ( 1)! n n = con n entero.

Si bien es cierto que la funcin gamma tiene otras caractersticas importantes, aqu solo se
hace una breve mencin de acuerdo a la informacin que se necesitar para la descripcin
de la distribucin normal.


Distribucin Normal.

Definicin.

Una variable aleatoria se dice que sigue una distribucin normal de parmetros y con
, y tales que , 0 < < > , si la funcin de densidad esta dada por


2
2
1
( )
2
1
( )
2
x
X
f x e

= , para . x < <

Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

2
Una variable aleatoria normal se designa por ( , ) N y tambin recibe el nombre de
distribucin de LAPLACE-GAUSS.

Observe que la funcin de densidad est bien definida. Como 0 f , se debe comprobar
que la integral en toda la recta real es igual a 1.

Se tiene,
2
2
2
1
( )
2
2
1 1 1
2 2
x
x
x x
e dx e dx

| |

|
|
\
= =
=

.


Es claro que al tomar
1
2 2
x
t dt dx

= = y teniendo en cuenta que

2
t
e

es una
funcin par, resulta

2
2 2
2
1
( )
2
0
1 1 2
2
x
t t
x t t
e dx e dt e dt

= = =
= =

.


Utilizando el mtodo de sustitucin, tome el cambio de variable
2
2 u t du t dt = = y como
1
2
t u = , entonces se puede expresar du como
1
2
2 du u dt = , es decir,
1
2
1
2
dt u du

= .
En consecuencia,

2 1
2
0 0
2 2 1
2
t u
t t
e dt e u du

= =
=

.

Observe que esta ltima integral es una funcin Gamma como la definida anteriormente.

En este caso se observa que

1 1
1
2 2
0 0
1 1 1 1 1
, 0
2 2
u u
t t
e u du u e du p




= =
| |
= = = >
|
\

.


En conclusin,


2
2
1
( )
2
1 1 1 1
1.
2 2
x
x
e dx

=
| |
== = =
|
\

Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

3
Propiedades de la distribucin normal.


( )
X
f x es una funcin continua en toda la recta real.

( )
X
f x es simtrica respecto del parmetro , es decir, ( ) ( )
X X
f t f t + = .

( )
X
f x nunca toma el valor de cero, pero tiene una asntota horizontal que es el eje
de las x , es decir, lim ( ) 0
X
x
f x

= y lim ( ) 0
X
x
f x

= .

( )
X
f x es estrictamente creciente en los puntos x < y es estrictamente decreciente
en los puntos x > . Esto se observa si se utiliza el criterio de la primera derivada.


2
2
1
( )
2
2 2
1 1 ( )
( ) . .2( ) ( )
2 2
x
X X
x
f x e x f x

| |
= =
|
\
.

Segn el resultado anterior, se puede afirmar que ( )
X
f x es positiva cuando x <
y ( )
X
f x es negativa cuando x > .

( )
X
f x presenta un mximo absoluto en el punto x = y su valor mximo es
1
( )
2
X
f

= . Estas afirmaciones pueden verificarse utilizando conceptos
bsicos del clculo diferencial como se ver a continuacin:

Primero, si se iguala ( ) 0
X
f x = , es decir,
2
2
1
( )
2
2
1 1
. .2( ) 0
2 2
x
e x

| |
=
|
\
se
obtiene el punto crtico x = ; adems por el criterio de la segunda derivada es
claro que
2
2
1
( ) ( ) . ( )
2
X X X
x
f x f x f x

| |
= +
|
\
evaluada en x = resulta,
2
2
1 1
( ) ( ) . ( ) ( ) 0
2 2
X X X X
f f f f

| |
= + = <
|
\
, es decir que ( )
X
f x es cncava
hacia abajo; lo cual implica que ( )
X
f x alcanza su valor mximo en x = y su
valor mximo absoluto es
1
( )
2
X
f

= .

( )
X
f x tiene dos puntos de inflexin, uno en x = + y el otro en x = . Es
fcil verificar esta propiedad optimizando la segunda derivada y analizando la
tercera de forma anloga a la propiedad anterior.

Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

4








Obsrve que el parmetro proporciona el centro de la distribucin, mientras que sigma
indica el mayor o menor grado de apertura de la curva que, por su aspecto, se suele llamar
campana de Gauss; por tanto es el parmetro de centralizacin y de dispersin o
concentracin.

Una de las ms importantes, dentro de la familia de las distribuciones normales, es la
distribucin de parmetros 0 = y 1 = , es decir, la distribucin ) 1 , 0 ( N , que se suele
designar por Z , se conoce como distribucin normal estndar o tipificada, y su funcin de
densidad es:
. ,
2
1
) (
2
2
< < =

z e z f
z
Z

Su importancia deriva del hecho que, como se comprobar a continuacin, se puede
obtener una variable aleatoria normal cualquiera a partir de una ) 1 , 0 ( N .


Proposicin.
Sea X una variable aleatoria con distribucin ) , ( N . Entonces,

X
es una
variable aleatoria con distribucin ) 1 , 0 ( N .


Demostracin.
Denote por Z a la variable

X
. El clculo su funcin de distribucin,

[ ] [ ] ). ( ) ( + = + = = z F z X P z Z P z F
X Z


Derivando, se obtiene que

,
2 2
) ( ) (
2
) (
2
1
2
2
2
z
z
X Z
e e z f z f

+
= = + =

es una funcin de densidad de una distribucin ) 1 , 0 ( N .
Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

5
Proposicin.

Sea Z una variable aleatoria con distribucin ) 1 , 0 ( N . La variable + = Z X , donde
y son dos nmeros reales cualesquiera, con 0 > , sigue la distribucin ) , ( N .

La funcin de distribucin de la normal ) , ( N es

. ,
2
1
) (
2
2
) (
2
1
< < =

x dt e x F
x
t
X

y la funcin de distribucin de la normal estndar es

. ,
2
1
) (
2
2
< < =

z dt e z F
z t
Z

La cual esta tabulada. Esta funcin se denotar como ) (z . A partir de ella, se pueden
obtener probabilidades para una variable normal cualquiera.








) (z representa el rea bajo la curva d la funcin de densidad normal estndar en el
intervalo ( ] z , .


Aunque la tabla de la distribucin normal tipificada no incorpora los valores de ) (z
cuando Z es negativa, ello no representa problemas dada la simetra de la funcin de
densidad respecto del cero. As, si 0 < z ,


[ ] [ ] [ ] ) ( 1 1 ) ( z z Z P z Z P z Z P z = < = = = ,

donde ) ( z si aparece en las tablas por ser z un valor positivo.

Los momentos de una variable aleatoria normal se hallan a partir de la funcin
caracterstica, funcin que para esta distribucin es una herramienta sencilla de manejar y
muy til.


Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

6
Funcin Caracterstica.


Sea Z una variable aleatoria ) 1 , 0 ( N ; su funcin caracterstica es


( ) dz e e dz e e e E t
z
t i z t i z t i
z
z
z t i Z t i
Z


=
+

= = =
2
2 2 2 2 2 2
2
) (
2 2
2
1
2
1
) (




du e e du e e dz e e
u
u t
u
u t
z
t i z t


=

= = =
0
2 2 2 2 2
) (
2
2 2 2 2 2 2
2
2
2
1
2
1




Si se toma un nuevo cambio de variable du u dx
u
x = =
2
2
y como x u 2 = , luego
du
x
dx
=
2
y se obtiene,

dx e x e dx
x
e
e du e e
x
x
t
x
x t
u
u t


=

=

=

= =
0
1
2
1
2
0
2
0
2 2
2 2 2 2
1
2 2
2
2
2





Ahora utilizando la funcin Gamma con 0
2
1
> = p se tiene

2 2 2
0
1
2
1
2
2 2 2 2
1
2
1 1 1
t t t
x
x
t
e e e dx e x e

=

= = |

\
|
=

.



Para obtener la funcin caracterstica de una variable aleatoria X con distribucin
) , ( N , basta considerar + = Z X , donde Z es una normal estndar; por tanto,

( ) [ ]
2 2
) (
2 2 2 2
) ( ) (

t
t i
t
t i
Z
t i Z t i X t i
X
e e e t e e E e E t

+
= = = = = .




Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

7
Esperanza y varianza de una variable aleatoria X , utilizando la funcin
caracterstica y la funcin generadora de momentos.



Proposicin.

Sea
X
la funcin caracterstica de una variable aleatoria X . Si existe el momento no
central de orden
k
k , , con ,...... 2 , 1 = k ; entonces existe la derivada de orden k en 0 = t
de
X
, y dicho momento est dado por la expresin


( ) . ) (
1
0 =

= =
t X
k
k
k
k
k
t
t i
X E


Esperanza

( )
0 0
1
1
1
1
1
) (
) (
1
= =

= =
t
X
t X
i
t
t
t i
X E

, adems ( ) ) ( ) (
2
t t i t
X X
=

En consecuencia,

( )
i
i
i
X E
X X
) 0 ( ) 0 (
) (
1

=

= , pero 1 ) 0 ( =
X
para cualquier variable aleatoria X

Por tanto,
( )

= =
1
1
) (
1
X E .


La esperanza coincide con el primer parmetro de la distribucin. Adems en una
distribucin ) , ( N , la moda, la mediana y la media, coinciden. En efecto, el mximo de
la funcin de densidad se obtiene en el punto que es la moda de la distribucin. Por otro
lado, la funcin de densidad es simtrica con respecto a ; entonces,


[ ] [ ] = X P X P .

Pero ambas probabilidades suman la unidad, por lo que [ ] 5 . 0 = X P . El parmetro
es, en consecuencia, la mediana de la distribucin.


Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

8
Varianza

( )
0
2
0
2
2
2
2
2
) (
) (
1
= =

=

= =
t
X
t X
i
t
t
t i
X E

, adems,
( ) ) ( ) ( ) (
2
2 2
t t i t t
X X X
+ =

En consecuencia,
( )
( )
1
) 0 ( ) 0 ( ) 0 (
2 2
2
2
2

+
=

= =
X X X
i
i
X E




( )
2 2 2 2 2
2 2
1


+ = =

+
= i
i
,

Pero [ ] [ ] [ ] [ ]
2 2
X E X E X Var = , por tanto [ ]
2 2 2 2
= + = X Var .


Proposicin.

Sean
n
X X X ,....., ,
2 1
, n variables aleatorias independientes, donde
j
X tiene una
distribucin ) , (
j j
N , para n j ,...., 2 , 1 = . Sean
n
a a a ,...., ,
2 1
y b nmeros reales. Entonces,
la variable b X a X a X a Y
n n
+ + + + = .....
2 2 1 1
tiene una distribucin

( )
2 2 2
2
2
2
2
1
2
1 2 2 1 1
..... , .....
n n n n
a a a b a a a N + + + + + + + .

Corolario.

Sean
n
X X X ,....., ,
2 1
, n variables aleatorias independientes, donde
j
X tiene una
distribucin ) , (
j j
N , para n j ,...., 2 , 1 = . Sean
n
a a a ,...., ,
2 1
y b nmeros reales. Entonces,
la variable
n
X X X Y + + + = .....
2 1
tiene una distribucin

( )
2 2
2
2
1 2 1
..... , .....
n n
N + + + + + + .

Corolario.

Sean
n
X X X ,....., ,
2 1
, n variables aleatorias independientes e igualmente distribuidas
) , ( N . La variable media muestral,

n
X X X
X
n
+ + +
=
.....
2 1
, sigue una distribucin |

\
|
n
N

, .
Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

9
Corolario.

Sea X una variable aleatoria con distribucin ) , ( N . La variable b X a Y + = tiene una
distribucin ) , ( a b a N + .


Definicin. (Vector aleatorio Gaussiano)

Un vector aleatorio normal o Gaussiano tiene una distribucin normal o Gaussiana. La
distribucin normal n-dimensional o Gaussiana es dada por la densidad:

( )
( )
( ) ( )
1
1
2 2
1 1
exp ;
2
(2 ) det
n
X n
f

=
`
)

con parmetros
n
y .

La cantidad es una matriz n n simtrica definida positiva,
1
es la inversa y det es
el determinante de .


Esperanza, varianza y covarianza para un vector aleatorio Gaussiano.


La esperanza de un vector aleatorio tiene una funcin similar como la del valor medio de
una variable aleatoria. Los valores ( ) estn concentrados alrededor de ella.

Definicin.

La esperanza o valor medio de un vector aleatorio es dado por

( )
n X
EX EX EX EX ,....., ,
2 1
= = .

Definicin.

La matriz de covarianza para es definida como

( ) ( )
cov , ; , 1, 2,.....,
X i j
X X i j n = = ,
donde
( ) ( )( )
( )
cov ,
,
i j
i j
i j i X j X
i j X X
X X E X X
E X X


(
=

=


es la covarianza de
i
X y
j
X . Note que ( )
2
cov , .
i
i i X
X X =
Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

10
Ahora, como la densidad de un vector aleatorio Gaussiano multivariado est dada por el
parmetro que es la esperanza
X
de y es la matriz de covarianza
X
, la densidad
de un vector Gaussiano es completamente determinado por su esperanza y su matriz de
covarianza. En particular, si 0 =
r
y es la matriz identidad n-dimensional
n
I , tenemos
que det 1
n
I = y
1
n
I

= . La densidad
X
f es simplemente el producto de n densidades
normales standard: ( )
1 2 1 2
, ,....., ( ) ( )..... ( ).
X n n
f x x x x x x = =

Se escribe ( ) , N para la distribucin de un vector aleatorio Gaussiano n-dimensional
con esperanza y matriz de covarianza .


Definicin.

Sea ( )
1 2
, ,.....,
n
X X X = con una distribucin ( ) , N y A una matriz m n . Entonces
A tiene una distribucin ( ) , N A A A .

Es conveniente estandarizar las covarianzas dividiendo las correspondientes variables
aleatorias por sus desviaciones standard. As, se tiene que:

( )
( )
1 2
1 2
1 2
cov ,
,
X X
X X
corr X X

=


( )( )
1 2
1 2
1 2 X X
X X
E X X

(


=

es la correlacin de
1
X y
2
X .Como un resultado de esta estandarizacin, la correlacin de
dos variables aleatorias esta siempre entre 1 y +1.


Definicin. (fidis)

Las distribuciones finito-dimensionales (fidis) de un proceso estocstico { }
t
X son las
distribuciones de los vectores finito-dimensionales

( ) , ,....., , ; ....., , ,
2 1
2 1
T t t t X X X
n t t t
n


Para todas las posibles elecciones de tiempos T t t t
n
,....., ,
2 1
y para cada 1 n .



Documento 0
Distribuciones Gamma y Normal. Proceso Gaussiano Freddy H. Marn.

11
Definicin. (Proceso Gaussiano)

Un proceso estocstico es llamado Gaussiano si todas sus fidis son Gaussianas
multivariadas. Por tanto la distribucin de un proceso estocstico Gaussiano esta
determinado solamente por la coleccin de las esperanzas y las matrices de covarianza de
las fidis.

Un proceso Gaussiano simple sobre [ ] 0,1 T = consiste de variables aleatorias iid (0,1) N .
En este caso las fidis estn caracterizadas por las funciones de distribucin

( ) ( ) ( ) ( )
1 2 1 2
1 2 1 2
, ,....., .....
n n
t t t n t t t n
P X x X x X x P X x P X x P X x =


1 2
( ) ( )..... ( )
n
x x x = ,

( )
n
n n
x x x t t t ,....., , , 1 ..... 0
2 1 2 1
.



Funciones Esperanza y Covarianza

Para un vector aleatorio ( )
1 2
, ,.....,
n
X X X = se define la esperanza
( )
n X
EX EX EX ,....., ,
2 1
= y la matriz de covarianza ( ) ( ) n j i X X Cov
j i X
,....., 2 , 1 , ; , = = .
Un proceso estocstico { } T t X X
t
= , puede ser considerado como la coleccin los
vectores aleatorios ( )
n
t t t
X X X ....., , ,
2 1
para T t t t
n
,....., ,
2 1
y 1 n . Para cada uno de ellos
se puede determinar la esperanza y la matriz de covarianza. Alternativamente, se pueden
considerar estas cantidades como funciones de T t :

La funcin esperanza para X es dada por . , ) ( T t EX t
t X X
t
= =

La funcin covarianza para X es dada por
( ) ( ) ( ) [ ] T t s s X t X E X X Cov t s Cov
X s X t s t X
= = , ; ) ( ) ( , ) , ( .

La funcin varianza X es dada por ( ) T t X Var t t Cov t
t X X
= = , ) , ( ) (
2
.

Bibliografa.

H. FERNANDEZ, GUIJARRO. MARTHA. Clculo de Probabilidades y
Estadstica Primera edicin. Editorial ARIEL. Barcelona, Espaa (1994).
MIKOSCH. THOMAS. Elementary Stochastic Calculus. Whit Finance In View.
First Edition. World Scientific Publishing. (2000).