Академический Документы
Профессиональный Документы
Культура Документы
ESTADÍSTICA
FINANCIERA
Bsc. GERARDO INTI LOBATO
ESTADÍSTICA FINANCIERA
Estadística Financiera
1. Estadística
2. Estadística Descriptiva
3. Estadística Inferencial
3.1. Probabilidades
3.2. Variables Aleatoria
3.3. Función de distribución de probabilidades
3.4. Prueba de hipótesis.
1. ESTADÍSTICA
DEFINICÍON
Ciencia que nos proporciona un conjunto de métodos, técnicas o procedimientos para:
ESTADÍSTICA
-Recopilar DESCRIBIRLOS DESCRIPTIVA
-Organizar
(clasificar
agrupar) DATOS
- Presentar
GENERALIZACIONES ESTADÍSTICA
- Analizar
VÁLIDAS INFERENCIAL
Por Ejemplo
X: sexo → Valores: Masculino, Femenino
Y: estado civil → Valores: Soltero, casado, viudo, divorciado.
T: nivel de estudios → Valores: Primaria, Segundaria, Universidad
Z: número de hijos → Valores: 0,1,2, etc.
V: ingresos mensuales → Valores: Números reales positivos.
1. ESTADÍSTICA
❑Población: Total de elementos bajo estudio
❑Muestra: Subconjunto de elementos de la población (debería ser representativo de la población)
❑Individuos: Elementos individuales de la población
❑Variables: Características de los individuos
2. ESTADÍSTICA DESCRIPTIVA
ANÁLISIS GRAFICO DE VARIABLES
Variables Cualitativas:
• Gráficos de Barras
• Gráfico Circulares
ANÁLISIS MULTIVARIADO
.
2. ESTADÍSTICA DESCRIPTIVA
La curva de frecuencias (función de densidad) es también llamada modelo de la
población, y describe las características de la distribución de la población como:
simetría, asimetría, tipos como: normal, bimodal, uniforme, etc..
Las curvas de frecuencias pueden pues tener una gran variedad de formas.
Algunas de ellas son las siguientes:
Distribuciones simétricas
Distribuciones asimétricas
Distribuciones multimodal
2. ESTADISTICA DESCRIPTIVA
PRINCIPALES INDICADORES DESCRIPTIVOS
MEDIDAS DE TENDENCIA CENTRAL:
• Media
• Mediana
• Moda
MEDIDAS DE DISPERSION:
• Rango
• Rango Intercuartílico
• Varianza,
• Desviación Estándar,
• coeficiente de variación
MEDIDAS DE FORMA
• Kuroses
• Coeficiente de Asimetría
MEDIDAS DE POSICION
• Decires
• Cuartiles
• percentiles
2. ESTADÍSTICA DESCRIPTIVA
REGRESIÓN LINEAL
❑Diagrama de dispersión
❑Covarianza
Es el valor esperado del producto de las desviaciones de dos variables aleatorias de sus respectivos
valores esperados.
❑Correlación
Medida de asociación lineal entre dos variables
❑Coeficiente de determinación
Bondad de ajuste de un modelo estimado a los datos
3. ESTADÍSTICA INFERENCIAL
PROBABILIDADES
❑Experimento Aleatorio. Un experimento aleatorio es todo proceso que consiste
de la ejecución de un acto (o prueba) una o más veces, cuyo resultado en cada
prueba depende del azar y en consecuencia no se puede predecir con certeza.
Ejemplo: Lanzar una dado
❑Espacio Muestral. Se denomina espacio muestral al conjunto que consiste de
todos los resultados posibles de un experimento aleatorio. Este conjunto se
denotará por Ω.
Ejemplo: Ω = { 1, 2, 3, 4, 5, 6}
❑Eventos. Se denomina evento a cualquier subconjunto de un espacio muestral.
Por ejemplo, si Ω ={𝑤1 , 𝑤2 , … , 𝑤𝑛 } es un espacio muestral finito de n elementos.
3. ESTADÍSTICA INFERENCIAL
Probabilidad de un Evento
• Sea Q el espacio muestral asociado a un experimento aleatorio.
• La probabilidad de cualquier evento A de Ω , es el número real P(A) que satisface los siguientes
axiomas:
1. P(A)>0, para todo evento A.
2. P(Ω) = 1.
3.1. P(A U B)= P(A)+ P(B) → dos eventos mutuamente excluyentes
3.1. P(A U B)= P(A)+ P(B) - P(A ∩ B) → dos eventos mutuamente excluyentes
Probabilidad Condicional
P(A ∩ B)
P(B/A) =
𝑃(𝐴)
Probabilidad Independientes
P(B/A) = P(B) → P(A ∩ B) = P(A) x P(B)
3. ESTADÍSTICA INFERENCIAL
VARIABLE ALEATORIA
Se denomina variable aleatoria, a una variable estadística cuantitativa definida en un
espacio muestral Q .
EJEMPLO V.A.: NÚMERO DE VECES DE OBTENER CARA AL LANZAR UNA MONEDA 3 VECES
X: Nº de caras obtenidas
Espacio muestral () SSS SSC , SCS, CSS CCS, CSC, SCC CCC
X : →
w → X (w)
Nº de caras 0 1 2 3
Rango o recorrido (Rx) = {0, 1, 2, 3}
Establecer una variable aleatoria para un experimento aleatorio no es más que una manera de asignar
números a los punto muestrales.
3. ESTADÍSTICA INFERENCIAL
EJEMPLOS V.A.
3. ESTADÍSTICA INFERENCIAL
CLASIFICACIÓN
Varianza V[X] X2 =V X = E X 2 − E 2 X
E X 2 = x 2 f ( x )
3. ESTADÍSTICA INFERENCIAL
PROPIEDADES DEL VALOR ESPERADO Y VARIANZA
Sean a y b constantes, X e Y variables aleatorias
VALOR ESPERADO
• E[a] = a
• E[aX] = a E[X]
• E[aX ± bY] = a E[X] ± b E[Y]
VARIANZA
• V[a] = 0
• V[aX] = a2 V[X]
• V[aX± bY] = a2 V[X] + b2V[Y] → X, Y Independiente
• V[aX± bY] = a2 V[X] + b2V[Y] ± 2abCOV(X,Y) → X, Y no independientes
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCIONES DE PROBABILIDAD
❑El comportamiento de una variable aleatoria queda descrita por su distribución
de probabilidad.
❑En muchas tareas estadísticas, se busca determinar una distribución de
probabilidad o modelo probabilístico que satisfaga un conjunto de supuestos,
para estudiar los resultados observados de un experimento aleatorio.
DISCRETAS: CONTINUAS:
• Bernoullí • Uniforme
• Binomial • Exponencial
• Geométrica • Normal
• Pascal • Chi-cuadrado
• Hipergeométrica • t
• Poisson • F
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION BINOMIAL X B(n, p)
Da la probabilidad de k de éxitos en n pruebas de Bernoulli independientes.
Un ensayo de Bernoulli sólo tiene dos resultados posibles: éxito con una
probabilidad p o fracaso con una probabilidad q=1-p.
❑La función de probabilidad es P( X = x ) = C xn p x (1 − p )n − x para x = 0,1, 2,, n
❑La Media o Valor Esperado E(X)= n p
Aplicación:
• Averiguar el éxito luego de k intentos
• Éxito de inauguración de nuevas sucursales.
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCIÓN HIPERGEOMÉTRICA X H(N, n, r)
• Un experimento hipergeométrico consiste en escoger una muestra
• de tamaño “n”, uno a uno sin reposición, de “N” elementos donde “r” son éxitos
y “N-r” fracasos. N −r
C x Cn − x
r
P( X = x ) =
“N” elementos
CnN
“n” elementos
“r” éxitos
“N-r” fracaso X: Número de éxitos en la muestra de tamaño n
E(X ) = n
r
N
r N −n
V (X ) = n
r
1 −
N N N −1
Aplicación:
• Control de Calidad
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION DE POISSON X P()
• Se usa para problemas donde la variable aleatoria es el número ocurrencias por
unidad de medida (la unidad de medida puede ser: tiempo, área, volumen, etc.).
• El número de ocurrencias es independiente en cada unidad de medida.
• X: Número ocurrencias por unidad de medida
• es el número esperado de ocurrencias por unidad de medida.
e − x
P( X = x ) = para x = 0,1, 2,
x!
2
(b − a ) 2
X2 = V ( X ) = 0 a k1 k2 b x
12
Aplicación
• Igual distribución de probabilidad
• Generación de números aleatorios
3. ESTADÍSTICA INFERENCIAL
Distribución Exponencial X Exp( )
Una variable aleatoria X tiene distribución exponencial con parámetro , si su
función de densidad es:
P ( X k ) = 1 − e −( k )
x
−
f (x ) = e
1 β
; x0
β P ( X k ) = e −( k )
x = E(X) =
x2 = V ( X ) = 2
Aplicación:
• Tiempo de vida de productos
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCIÓN NORMAL X ~ N(, 2)
La variable aleatoria continua X, tiene distribución normal con parámetros
y 2 si su función de densidad es:
1 x−
2
1 −
f ( x) = e 2
− x +
2
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCIÓN NORMAL ESTANDAR X ~ N(0, 1)
El proceso de estandarización no es más que el cambio de variable X N(, 2) a la variable
aleatoria Z que tiene distribución Normal Estándar, es decir Z N( = 0, 2 = 1)
PROBABILIDAD ACUMULADA
1. P ( Z > a ) = 1- P ( Z a )
2. P ( Z > a ) = P ( Z < -a )
3. P (a Z b) = P(Z b) – P( Z a)
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCIÓN LOGNORMAL
La distribución lognormal es generado por la función e 𝑋 , donde X se distribuye como una
normal. Si tomamos logaritmo natural, el logaritmo de una v.a. que sigue una distribución
lognormal e 𝑋 , obtendremos X, el cual sigue una distribución normal.
Aplicaciones
• La distribución lognormal es sesgada a la derecha
• La distribución lognormal empieza en cero y es útil para modelar precios de activos
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION T-STUDENT
La distribución t de Student o distribución t es un modelo teórico utilizado para aproximar el
momento de primer orden de una población normalmente distribuida cuando el tamaño de la
muestra es pequeño y se desconoce la desviación típica.
Aplicación
• Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30.
• No se conoce la desviación estándar de una población y tiene que ser estimada a partir de las observaciones de la
muestra.
• Compara medias
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION CHI-CUADRADO
La distribución chi-cuadrado es una distribución asimétrica acotado desde cero y se
aproxima a una distribución normal a medida que se incrementen los grados de libertad.
Aplicación:
• Pruebas de Independencia
• Análisis de Variables Categóricas
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION F
La distribución F es una distribución continua de muestreo de la relación de dos
variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad.
La distribución F es asimétrica hacia la derecha y es descrita por los grados de
libertad de su numerador y denominador.
Aplicación
• Comparación de Varianzas
3. ESTADÍSTICA INFERENCIAL
ESTADISTICA INFERENCIAL
PROBABILIDADES
HERRAMIENTAS VARIABLES ALEATORIAS
DISTRIBUCION DE PROBABILIDADES
ESTADISTICA
ESTADISTICA ESTADISTICA
DESCRIPTIVA INFERENCIAL
ESTADISTICA ESTADISTICA NO
PARAMETRICA PARAMETRICA
GRACIAS