TE PREPARAMOS PARA

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

Etapas de la investigación estadística

1. Formulación del problema o la tarea.
2. Diseño del experimento.
3. Recopilación de los datos.
4. Clasificación, tabulación y descripción de resultados.
5. Generalización o inferencia.
1. ESTADÍSTICA
CONCEPTOS IMPORTANTES
❑Población: conjunto de elementos (que consiste de personas, objetos, etc.), que
contienen una o mas características observables de naturaleza cualitativa o
cuantitativa que se pueden medir en ellos.
Parámetro: Se denomina parámetro a una medida descriptiva que resuma una característica
de la población, tal como la media (μ) o la varianza (σ2 ), calculada a partir de los datos
observados de toda la población

❑Muestra: a una parte de la población seleccionada de acuerdo con un plan o

regla, con el fin de obtener información acerca de la población de la cual
proviene.
Estadístico o estadígrafo. Se denomina estadística a una medida descriptiva que resuma una
característica de la muestra, tal como la media ( ) o la varianza (s2 ) calculada a partir de los
datos observados de una muestra aleatoria.
1. ESTADÍSTICA
VARIABLES ESTADÍSTICAS
Se denomina variable estadística a una característica definida en la población por
la tarea o investigación estadística, que puede tomar dos o más valores (cualidades
o números).

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

Variables Cuantitativas discretas:

• Gráfico de bastón
• Grafico de barras
• Gráficos agrupados
2. ESTADÍSTICA DESCRIPTIVA
ANÁLISIS GRÁFICO DE VARIABLES
Variables Cuantitativas Continuas:
• Histogramas,
• Polígono, Curva de frecuencias
• Densidad.

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

• Es una característica numérica del resultado de un experimento aleatorio.

• Es una función que asigna valores numéricos a los elementos del espacio muestral
• El rango de la variable aleatoria X es el conjunto RX de todos sus posibles valores.
3. ESTADÍSTICA INFERENCIAL
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

V.A. DISCRETAS V.A. CONTINUAS

conjunto finito o infinito conjunto infinito no

numerable de valores numerable de valores reales

N° alumnos matriculados Peso (kg) de una persona

N° de clientes que llegan a Tiempo(min) de atención
un banco en un cajero
3. ESTADÍSTICA INFERENCIAL
Variable aleatoria discreta:
Función de Probabilidad Función de Distribución Acumulada

Variable aleatoria continua:

Función de Densidad Función de Distribución Acumulada

3. ESTADÍSTICA INFERENCIAL
Distribución de Probabilidad de una Variable Aleatoria Discreta
Sea la v.a. X = número de caras que resultan al tirar tres monedas. RX= {0,1,2,3}.
Entonces:
• P[X = 0] = P({SSS}) = 1/8.
• P[X = 1] = P({SSC, SCS, CSS}) = 3/8.
• P[X = 2] = P({SCC, CSC, CCS}) = 3/8.
• P[X = 3] = P({CCC}) = 1/8.

Valor Esperado E[X]  X =E  X  =  x f ( x )

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

❑La Varianza V(X)= n  p  (1-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!

Esperado: E(X)=  Varianza: V(X)= 

3. ESTADÍSTICA INFERENCIAL
EJERCICIO FRM
3. ESTADÍSTICA INFERENCIAL
SOLUCIÓN FRM
3. ESTADÍSTICA INFERENCIAL
DISTRIBUCION UNIFORME X  U( a, b )
Se dice que la variable aleatoria continua X, tiene una distribución uniforme en el
intervalo [a, b] si su función de densidad es:
1
f ( x) = a xb f(x)
b−a
a+b
X = E ( X ) = 1 / (b-a)
f (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
; x0
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

ESTIMACIÓN PRUEBA DE HIPÓTESIS

ESTIMACION PUNTUAL PRUEBA DE UNA COLA

ESTIMACION POR INTERVALOS PRUEBA DE DOS COLAS
3. ESTADÍSTICA INFERENCIAL
PRUEBA DE HIPOTESIS
PRUEBA DE 1 COLA PRUEBA DE 2 COLAS
3. ESTADÍSTICA INFERENCIAL
PROCEDIMIENTO
1. Formular la hipótesis nula y la hipótesis alternativa
2. Seleccionar el nivel de significancia α (0< α < 1)
3. Establecer un estadígrafo de contraste de prueba apropiado, calculando el
valor del estadístico muestral de prueba correspondiente utilizando la
información dada por la muestra, para luego obtener el valor del estadígrafo de
contraste.
4. Establecer la región crítica o de rechazo para el estadístico muestral,
considerando que esta se construye en función al nivel de significancia “α” del
paso dos.
5. Tomar la decisión de rechazar o no rechazar la hipótesis nula Ho y de acuerdo
a ello dar a conocer la conclusión de la prueba.
3. ESTADÍSTICA INFERENCIAL
El hecho de aceptar o rechazar una hipótesis nula en base a información que se obtuvo de una
muestra, está sujeta a cometer dos tipos de errores.
Esto errores devienen a las fluctuaciones al azar en el muestreo.
❑ERROR TIPO I: Es cometido si se rechaza la hipótesis nula Ho cuando es verdadera.
❑ERROR TIPO II: Es cometido si se acepta la hipótesis nula Ho cuando es falsa.
ESTADISTICA
 TE PREPARAMOS PARA

ESTADISTICA

ESTADISTICA FRECUENTISTA ESTADISTICA BAYESIANA

ESTADISTICA ESTADISTICA
DESCRIPTIVA INFERENCIAL

ESTADISTICA ESTADISTICA NO
PARAMETRICA PARAMETRICA

ECONOMETRIA CLÁSICA ECONOMETRIA BAYESIANA

 TE PREPARAMOS PARA

GRACIAS