ESTADSTICA ll VARIABLES ALEATORIAS

Esquema: 1. 2. 3. 4. 5. 6. 7. 8. 9. Definicin de Variables Aleatorias. Funcin de Distribucin acumulativa. Variables aleatorias continuas y discretas. Esperanza matemtica de las funciones de probabilidad continua y disgusto. Probabilidades de E(X) y Var.(X). Funcin Generadora de momentos. Mediana, moda y percentil en la distribucin de una variable aleatoria. Distribucin conjunta de dos o ms variables aleatorias. Distribucin condicional de dos o ms variables aleatorias.

10. Variables aleatorias dependiente e independientes. Desarrollo 1. Definicin de Variables Aleatorias: Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio muestral E un nmero real. Se utilizan letras maysculas X, Y,... para designar variables aleatorias, y las respectivas minsculas (x, y, ...) para designar valores concretos de las mismas. Una variable aleatoria es un valor numrico que corresponde al resultado de un experimento aleatorio, como por ejemplo, la suma de los puntos obtenidos al lanzar dos dados, el nmero de lanzamientos de un dado hasta que aparece el cuatro, el nmero de personas que suben en un determinado ascensor al mes, el tiempo de espera en la sala de un doctor... 2. Funcin de Distribucin acumulativa: La Funcin de Distribucin Acumulada corresponde a la probabilidad de que la variable aleatoria tome un valor numrico menor o igual a x, o representa el acumulo de las probabilidades hasta alcanzar el valor de inters. Simblicamente, lo anterior se expresa como: Por ejemplo,; es la probabilidad de que la variable aleatoria tome el valor numrico menor o igual a 3. La funcin de probabilidad acumulada F(x) cumple con las siguientes propiedades:

-La grfica de la funcin nunca decrece. -El valor de la funcin de probabilidad acumulada cuando el valor de la variable es demasiado grande se acerca a uno -El valor de la funcin de probabilidad acumulada cuando el valor de la variable es demasiado pequeo se acerca a cero. 3. Variables aleatorias continuas y discretas: Variables Aleatorias Continuas: Sea X una v.a. diremos que es continua cuando toma un nmero infinito no numerable de valores, es el caso de los intervalos de R o todo R. Es aquella que puede tomar todos los valores posibles dentro de un cierto intervalo de la recta real. Por ejemplo, Un estudio estadstico quiere conocer la duracin de un conjunto de bombillas, para ello se define la v.a. X="duracin de una bombilla. La v.a. as definida es una variable continua pues puede tomar cualquier valor mayor que 0. Variables Aleatorias Discretas: Dada una variable aleatoria diremos que es discreta si toma un nmero finito o infinito numerable de valores, slo puede tomar valores enteros. Por ejemplo, Sea el experimento consistente en lanzar dos dados al aire. El conjunto de posibles resultados, esto es, el espacio muestral est formado por = { (i , j) : i=1,2,...,6 =1,2,...,6 }. Definimos la variable aleatoria X como la suma de las puntuaciones de los dos dados. La variable as definida asocia a cada elemento de un nmero real, X(i,j) = i+j. Claramente la variable aleatoria as definida es discreta al tomar un nmero finito de valores, en concreto los naturales comprendidos entre 2 y 36, ambos inclusive... 4. Esperanza matemtica de las funciones de probabilidad continua y discretas: En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria X, es el nmero E(x) que formaliza la idea de valor medio de un fenmeno aleatorio. Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible. Una aplicacin comn de la esperanza matemtica es en las apuestas o los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una apuesta a un solo nmero paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la apuesta, as que recibimos 36 veces lo que hemos apostado). Por tanto, considerando los 38 posibles resultados, la esperanza matemtica del beneficio para apostar a un solo nmero es: que es -0,0526 aproximadamente. Por lo tanto uno esperara, en media, perder unos 5 cntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego justo". Nota: El primer parntesis es la "esperanza" de perder tu apuesta de $1, por eso es negativo el valor. El segundo parntesis es la esperanza matemtica de ganar los $35. La esperanza matemtica del beneficio es el valor esperado a ganar menos el valor esperado a perder.

Para una variable aleatoria discreta con valores posibles X1, X2Xn y sus probabilidades representadas por la funcin de probabilidad p(xi) la esperanza se calcula como: Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los valores y la funcin de densidad F(x): 5. Probabilidades de E(X) y Var.(X): E(x): La definicin general de esperanza se basa, como toda la teora de la probabilidad, en el marco de la teora de la medida y se define como la siguiente integral: Ejemplo, moneda con cara o cruz. Pagan 1 si sale cara y quitan 1 cada vez que sale cruz, sabiendo que la probabilidad que se d un lado u otro, es de un 50%. Calcular la esperanza matemtica es aplicar la siguiente frmula: Esperanza = (Probabilidad * Premio si acierto) + (1-Probabilidad) * ( Premio si fallo) Esperanza = 0,5 * 1 + (1-0,5)*-1 = 0 Nuestra esperanza es cero, es decir, que despus de un gran nmero de tiradas ms de 10.000 (Ley de los nmeros grandes) ni ganaremos ni perderemos. Var.(x): En teora de probabilidad, la varianza de una variable aleatoria es una medida de su dispersin definida como la esperanza del cuadrado de la desviacin de dicha variable respecto a su media. Est medida en unidades distintas de las de la variable. Por ejemplo, si la variable mide una distancia en metros, la varianza se expresa en metros al cuadrado. La desviacin estndar, la raz cuadrada de la varianza, es una medida de dispersin alternativa expresada en las mismas unidades. Hay que tener en cuenta que la varianza puede verse muy influida por los outliers y se desaconseja su uso cuando las distribuciones de las variables aleatorias tienen colas pesadas. En tales casos se recomienda el uso de otras medidas de dispersin ms robustas. Esta representada por: 6. Funcin Generadora de momentos: En probabilidad y estadstica, la funcin generadora de momentos o funcin generatriz de momentos de una variable aleatoria X es Siempre que esta esperanza exista. La funcin generadora de momentos se llama as porque, si existe en un entorno de t = 0, permite generar los momentos de la distribucin de probabilidad: Si la funcin generadora de momentos est definida en tal intervalo, entonces determina unvocamente a la distribucin de probabilidad. Un problema clave con las funciones generadoras de momentos es que esos momentos y la propia funcin generadora podran no existir, en virtud de que las integrales no fuesen convergentes. Por el contrario, la funcin caracterstica siempre existe (porque la integral es una funcin limitada en un espacio de medida finita) y, de este modo, puede usarse en su lugar.

De forma general, donde X = (X1,,X2) es un vector aleatorio n-dimensional, se usa t.X = t X en lugar de tX. 7. Mediana, moda y percentil en la distribucin de una variable aleatoria: La mediana denotada por me o por X0.5 corresponde al punto en que la distribucin acumulada F(x) alcanza el valor , es decir, la absisca que divide el area bajo las curvas en dos mitades. Para una variable aleatoria discreta, la mediana es el punto o puntos que dividen el area de l histograma en dos mitades. En general basta con resolver F(x)=1/2. Formalmente me es un numero, tal que, cuando x tiende a me (por la izquierda y la derecha) el limite de F(x) es F(me). En otras palabras se define como: P(X < me) P(X < me) . A veces ocurre que estas condiciones de limites son satisfechas no slo por un punto, sino por todos los puntos de un cierto intervalo, o bien se prefiere decir que cualquier punto de intervalo es una posible mediana. Dada una variable aleatoria X, La moda denotada por mo es el valor, o valores de dichas variables que tienen la mxima probabilidad (en el caso de una v.a discreta) o el valor de X que corresponde al mximo de la funcin de densidad de probabilidad ( en el caso de una v.a continua). En este ultimo caso, la moda se obtiene por los prodecimientos tradicionales del calculo, es decir, derivando la funcin de densidad de probabilidad e igualando la derivada de cero para obtener asi absisas criticas. Si una distribucin de probabilidad tiene dos modas se le llama bimodal y si tiene mas de dos, se llama multimodal. Puede suceder que la moda no exista. Los percentiles se asemejan mucho a la mediana porque tambin subdividen una distribucin de mediciones de acuerdo con la proporcin de frecuencias observadas. Mientras la mediana divide una distribucin en dos partes iguales, los cuartiles la dividen en cuatro cuartos, los deciles la dividen en diez decimos y los percentiles la dividen en cien partes. Para los datos agrupados antes de usar la formula se debe determinar primero la clase apropiada que contenga el punto de inters luego se hace la interpolacin: Cuartil w = CL + {(wN/4 -fi-1)/fi}I Decil w = CL + {(wN/10-fi-1)/fi}I Percentil w = CL + {(wN/100-fi-1)/fi}I Donde w es el numero de cuartil (0 < w < 4), decil (0 < w < 10) o percentil (0 < w <100) que se quiere calcular el resto de los smbolos tienen el mismo significado que en la formula de la mediana. 8. Distribucin conjunta de dos o ms variables aleatorias: Cuando tenemos dos variables aleatorias X e Y, si queremos estudiarlas conjuntamente debemos establecer una relacin que ligue los valores de una con los de la otra. Esta relacin podr ser lgica o no, til o no, en cualquier caso, dadas dos variables cualesquiera y una relacin que las ligue se puede pensar en realizar un estudio estadstico conjunto, es decir, aun cuando en la prctica slo se utilicen variables unidas por nexos lgicos, desde un punto de vista puramente terico, toda relacin imaginable puede ser estudiada. As pues, en una situacin como esta, para variables discretas, se puede establecer una funcin de probabilidad para las posibles parejas de valores de ambas variables; a esta funcin se le llama funcin de probabilidad conjunta, f(x,y).

Una funcin de probabilidad conjunta de las variables X e Y es una funcin de las dos variables tal que, al sustituir la x por un valor de la variable X y la y por un valor de la variable Y, el valor de la funcin nos da la probabilidad de que X e Y tomen simultneamente esa pareja de valores anteriormente citados. Las propiedades que debe cumplir la funcin de probabilidad conjunta son: 1. Como consecuencia del primer axioma. 2. Como consecuencia del segundo axioma. 3. Por definicin. Donde X x Y es el producto cartesiano de X por Y, o sea, el conjunto de todos las parejas de valores x,y Si X e Y son variables continuas, la funcin que se define es una funcin de densidad conjunta y es una funcin que al integrarla respecto de x e y sobre unos intervalos nos d la probabilidad de que la variable tome valores en esos intervalos. Que debe de cumplir unas condiciones similares a las anteriores: 1. Como consecuencia del primer axioma. 2. Como consecuencia del segundo axioma. 3. Por definicin. 9. Distribucin condicional de dos o ms variables aleatorias: Queremos conocer cmo se distribuye una de las variables cuando se imponen condiciones a la otra variable. En el tema anterior definamos. Ahora consideramos la v.a. bidimensional (X,Y), con su correspondiente distribucin de probabilidad. Se define la probabilidad condicionada de la v.a. discreta X dado Y=yj En este caso yj es fijo y xi vara sobre todos los posibles valores de la v.a. X, obteniendo as la distribucin de probabilidad de la v.a. discreta X bajo la condicin Y=yj. Anlogamente la distribucin de probabilidad condicionada de la v.a. discreta Y dado X=xi sera: En este caso xi es fijo e yj vara sobre todos los posibles valores de la variable aleatoria Y. 10. Variables aleatorias dependiente e independientes: -Variables independientes: Dadas X e Y, variables aleatorias con funciones de densidad de probabilidad fx y fy , respectivamente, se dice que son independientes si Donde f designa a la funcin de densidad conjunta de la variable bivariante (X,Y) . Otra forma de exponer este concepto, pasa por considerar los sucesos A y B, de la experiencia aleatoria, determinados por dos conjuntos de valores numricos de X e Y, respectivamente. La independencia de X e Y se traduce en la independencia entre A y B, es decir, la probabilidad de que tengan lugar los sucesos A y B simultneamente debe coincidir con el producto de la probabilidad de realizacin de A por la de B : Esta definicin puede extenderse a k variables aleatorias Y1 , Y2 , ... , Yk , donde la independencia entre ellas est asegurada si donde f y fi designan las funciones de densidad conjunta de (Y1,Y2 ,...,Yk) y de Yi , respectivamente. -Variables Dependientes: Una variable aleatoria es dependiente cuando su valor depende de otra variable que puede, a su vez ser aleatoria o no. Ejemplo, sel el modelo Y = a + bX + e a y b constantes, X variable no aleatoria y e un error aleatorio de media cero y varianza constante (ruido blanco)

En este modelo Y es una variable aleatoria porque una parte de su valor depende de una variable aleatoria, en este caso, e. En cambio e, es una variable aleatoria independiente, no depende de ninguna otra, y su valor es estrictamente aleatorio o al azar. La variable X, puede tambin ser aleatoria. Este modelo se conoce como el modelo de regresin lineal simple de dos variables. Bibliografa http://estadistica.ematematicas.net/ http://www.vitutor.com