Estadstica (Q)

Diana M. Kelmansky

52

Variables Aleatorias Nos interesa asignar probabilidades a valores numricos obtenidos a partir de fenmenos aleatorios, es decir a variables aleatorias. Por ejemplo, calcular la probabilidad de que al elegir una muestra de tamao 20 de un lote que contiene 5% de artculos defectuosos por lo menos 7 artculos de la muestra resulte defectuoso. Cul es el experimento aleatorio , el espacio muestral , la familia de sucesos en , la funcin de probabilidad P, el suceso de inters y la variable aleatoria en este ejemplo? Formalmente, dados un experimento aleatorio , un espacio muestral , una familia de sucesos en con una probabilidad P, diremos que una funcin X: R, es una variable aleatoria si

X-1(- , x ] = { : X ( ) x } es un suceso Esta definicin asegura que sea posible el clculo de probabilidades sobre las variables aleatorias. No ser necesario utilizar esta definicin en lo que sigue! Veremos dos tipos de variables aleatorias, discretas y continuas, que nos permitirn utilizar la teora de probabilidades para realizar inferencias estadsticas. Variables Aleatorias Discretas

Si el conjunto de resultados posibles, RX, es finito infinito numerable, decimos que X es una v.a. discreta. Sea X una v.a. discreta. Indicaremos por RX={xi, i Naturales} al conjunto de todos sus valores posibles. Un modelo de probabilidad para X est dado por la asignacin de probabilidades, pi, a estos resultados,

Estadstica (Q)

Diana M. Kelmansky

53

P(X=xi) = pX(xi) =pi . Las probabilidades deben satisfacer 1. 0 pi 1 2. pi =1

La probabilidad P(X est en A) de cualquier suceso se calcula sumando las pi de los resultados que componen A. Los valores pi determinan la distribucin de probabilidades de la v.a. X mediante la funcin de probabilidad puntual (f.p.p. pX) que asigna a cada xi una probabilidad pi. Ejemplo: Un profesor califica sus pruebas en una escala de 4 puntos (1, 2, 3, 4). Supongamos que en un curso de 30 alumnos los resultados ordenados fueron:
1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4

Sea X = resultado de la prueba para un alumno del curso elegido al azar. Luego RX = {1, 2, 3, 4} X es una variable aletoria discreta La frecuencia de cada uno de los resultados es, 3, 6, 12 y 9 respectivamente. resultado (xi) frecuencia (fi) frec. relativa (fi/n) pX(xi) = pi 1 3 .1 .1 2 6 .2 .2 3 12 .4 .4 4 9 .3 .3

Estadstica (Q)

Diana M. Kelmansky

54

Diagrama de barras -- Histograma de Probabilidad

Siguiendo con el ejemplo: Cul es la probabilidad de que un alumno elegido al azar haya tenido a lo sumo un 3? P( X 3 ) = pX(1) + pX(2) + pX(3) = p1 + p2 + p3 = .1 + .2 + .4 = .7 Si pensamos que los 30 alumnos constituyen la poblacin en estudio, podemos calcular la media, , y la varianza, 2, poblacionales de la variable, X (resultado de la prueba).

Estadstica (Q)

Diana M. Kelmansky

55

1 + 1 + 1 + 2 + 2 + 2 + 2 + 2 + 2 + 2 + ...... + 4 + 4 + 4 30 3 6 12 9 =1 + 2 +3 + 4 30 30 30 30 = 1 p x (1) + 2 p x ( 2) + 3 p x (3) + 4 p x ( 4)

La media poblacional X de una variable X es un promedio pesado de los valores posibles. En general tenemos: Si X es una v.a. discreta con valores posibles RX = { xi , i en los Naturales} y f.p.p. pX(xi) entonces se define la Esperanza de X (X ) E(X)= x ip X ( x i )
x i R X

Volviendo al ejemplo: La varianza poblacional 2 es

(1 ) 2 + (1 ) 2 + (1 ) 2 + ...... + ( 4 ) 2 = 30 3 6 12 9 = (1 ) 2 + (2 ) 2 + (3 ) 2 + (4 ) 2 30 30 30 30
2

= (1 ) 2 p x (1) + ( 2 ) 2 p x ( 2) + (3 ) 2 p x (3) + ( 4 ) 2 p x ( 4)
En general tenemos: Si X es una v.a. discreta con valores posibles RX = { xi , i en los Naturales} y f.p.p. pX(xi) entonces se define la Varianza de X (2 )

Estadstica (Q)

Diana M. Kelmansky

56

Var(X)=

x i R X

(x i - )2 p X ( x i )

Variables aleatorias continuas. Informalmente diremos que: Una variable aleatoria es continua cuando el conjunto de sus valores posibles son todos los valores de un intervalo o de una unin de intervalos de nmeros reales. Por ejemplo, la concentracin de cromo en el Riachuelo es una variable aleatoria continua. La distribucin de una variable aleatoria continua se describe mediante la funcin de densidad de probabilidad, simplemente funcin de densidad fX . La funcin de densidad, fX, de una variable aleatoria X satisface: 1. fX (x) 0 2. fX (x) dx = 1 3. P(X A) = A fX (x) dx Si X es una v. a. continua cualquiera. Cunto vale la probabilidad de que X = 160? Por qu? Ejemplo: Las alturas de las mujeres jvenes argentinas estn aproximadamente distribuidas normalmente con = 160 cm = 4 cm. Sea X = altura de una mujer argentina joven, elegida al azar, X es una v.a. continua y su funcin de densidad de probabilidad est dada por:

Estadstica (Q)

Diana M. Kelmansky

57

f X ( x) =

1 e 2

(x)2 2 2

En general, si la funcin de densidad de probabilidad de una variable aleatoria X est dada por la expresin anterior, decimos que X tiene distribucin normal de parmetros con y 2 : X ~ N ( , 2) Propiedades de la distribucin Normal Sea X ~ N ( , 2), entonces a) Z= (X - ) / ~ N (0 , 1) distribucin Normal Estndar. b) aX + b ~ N (a + b , a22) Siguiendo con el ejemplo: Cul es la probabilidad de que una mujer joven elegida al azar tenga una altura entre 160 cm y 168 cm? Recordemos que X = altura de una mujer argentina joven, elegida al azar entonces X ~ N ( , 2) con = 160 cm y = 4 cm P (160 < X < 168) = P ( 0 < (X - 160) / 4 < 2 ) = (2) - (0) = 0.9772 - 0.5 = 0.4772

Esperanza y varianza de una variable aleatoria continua Cmo se calculan la esperanza y la varianza de una variable aleatoria continua X conociendo su funcin de densidad de probabilidad fX? Si X es una variable aleatoria continua con funcin de densidad, fX entonces la su media o esperanza (E(X)) est dada por:

Estadstica (Q)

Diana M. Kelmansky

58

X =
y su varianza

t fX (t ) dt

2 X =

(t X ) 2 fX (t ) dt

Compare con el caso discreto. En base a las propiedades de la esperanza tendremos que Var(X) = E[(X- )2]

Propiedades de la Esperanza y la Varianza a) Esperanza de una funcin de una variable aleatoria: sea Y = h( X ) entonces

Estadstica (Q)

Diana M. Kelmansky

59

b) Si P(X = c) = 1 entonces E(X) = c ( E (c) = c ) c) E( aX + b) = aE(X) + b d) Var (aX + b) = a2 Var(X) e) Var (c) = .......

Funcin de Distribucin acumulada. La funcin de distribucin acumulada de una variable aleatoria X, cualquiera, es:

FX (x) = P ( X x )
Si X es una variable aleatoria discreta

FX (x) =

x i R X xi x

p X ( xi )

Si X es una variable aleatoria continua

FX ( x ) =
Luego

fX (t ) dt

Estadstica (Q)

Diana M. Kelmansky

60

' FX ( x ) = fX ( x )
Propiedades 0 FX(x) 1 x R Es montona no decreciente

(i) (ii)

porque es una probabilidad

porque es acumulada

(iii) Es continua a derecha por la forma en que est definida (iv) lm FX(x) = 1 x+ lm FX(x) = 0 x-

por (i) (ii)

(v) En cada punto x el valor del probabilidad puntual de ese punto: salto = FX(x) - FX(x -) = pX(x)

salto

es

la

Ejemplo: Sea X = nota obtenida en una prueba de un alumno elegido al azar nota (x) pX(x) 1 0.1 2 0.2 3 0.4 4 0.3

Estadstica (Q)

Diana M. Kelmansky

61

Funcin de distribucin acumulada

0 0.1 FX ( x ) = 0.3 0.7 1

si

x <1 si 1 x < 2 si 2 x < 3 si 3 x < 4 4 x

si