Variable aleatoria

Una variable aleatoria es una funcin x que hace corresponder un nmero real a cada resultado de un experimento aleatorio. Existen dos tipos de variables aleatorias: Discretas , cuando la variable aleatoria toma como valores nmeros enteros. Continua , cuando la variable aleatoria puede tomar cualquier valor dentro de un intervalo y no es posible asignar un valor entero a un resultado cualquiera del experimento.

Variable aleatoria discreta.

Cuando la variable aleatoria toma como valores nmeros enteros. Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo. La cantidad de alumnos regulares en un grupo escolar. El nmero de vehculos vendidos en un da, en un lote de autos.

Distribucin de probabilidad. La distribucin de probabilidad para una variable aleatoria discreta puede ser: 1. Una relacin terica de resultados y probabilidades que se puede obtener de un modelo matemtico y que rep resenta algn fenmeno de inters. 2. Una relacin emprica de resultados y sus frecuencias relativas observadas. 3. Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad de posibles resultados. Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.

Distribucin uniforme. La distribucin uniforme es la que corresponde a una variable que toma todos sus valores, x 1 , x 2 ..., x k , con igual probabilidad; el espacio muestral debe ser finito. Si la variable tiene k posibles valores, su funcin de probabilidad sera: ( )

Donde k es el parmetro de la distribucin (un parmetro es un valor que sirve para determinar la funcin de probabilidad o densidad de una variable aleatoria) La media y la varianza de la variable uniforme se calculan por las expresiones: ( )

El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la distribucin uniforme se le suele llamar distribucin rectangular.

La distribucin de probabilidad del lanzamiento de un dado es: * ( + )

Distribucin binomial. Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas de carcter econmico y en numero sas aplicaciones como: Juegos de azar. Control de calidad de un producto. En las finanzas.

La distribucin binomial posee las siguientes propiedades esenciales: 1. El espacio muestral contiene n ensayos idnticos. 2. Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo. Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin reposicin o de una poblacin finita con reposicin. 3. Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o fracaso E', las cuales son mutuamente excluyentes es decir E E' = 0. 4. Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes, durante los n ensayos. 5. El resultado de cualquier observacin es indep endiente del resultado de cualquier otra observacin. La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos independientes est dado por la frmula binomial: ( Donde: ) ( )

p = Probabilidad caracterstica o probabilidad de xito. q = Probabilidad de fracaso. x = Nmero de xitos deseados. n = Nmero de ensayos efectuados.

Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen." Datos: n = 4 ensayos. p = probabilidad de xito en un ensayo. q=1-p= x = 0, 1, 2, 3, 4 S = {lanzar 4 veces la moneda} A = {nmero de guilas que caen} ( ( ( ( ) ) ) ) ( ( ( ( ) ) ) ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( )

Distribucin multinomial. Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles. Las probabilidades de ocurrencia p 1 , p 2 ,..., p k en un solo ensayo, la distribucin de probabilidad de las variables aleatorias k 1 , k 2 ,..., k n que representan el nmero de ocurrencias de E 1 , E 2 ,..., E n en n intentos independientes es: ( )

Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el nmero 2, en el lanzamiento de un dado 5 veces. ( ) ( ) ( ) ( )

Distribucin hipergeomtrica. Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin finita. Por esto es que el resultado de una observacin depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores. Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo. Dado un espacio muestral S de tamao N con los subespacios M N y (N - M) N entonces, la probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca a (N - M) est dada por: ( ) ( )( ( ) )

Grficamente se puede representar como:

Donde: N = El tamao de espacio muestral S n = El nmero de ensayos M = El nmero de xitos en el espacio muestral N - M = Nmero de fracasos del espacio muestral x = Nmero de xitos en la muestra n - x = Nmero de fracasos de la muestra.

Distribucin multihipergeomtrica. Si N resultados pueden dividirse en la k celdas N 1 , N 2 ,..., N k con k 1, k2 ,..., k n elementos respectivamente, entonces la distribucin de probabilidad representa el nmero de elementos seleccionados, en una muestra aleatoria de tamao n, es: ( )( )

( )

Distribucin de poisson. Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente una unidad de medida conocida: cm 2, km, gramos, litros, pulgadas, etc. Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son: Los embotellamientos que se producen por da. Nmero de llamadas por hora. Defectos por m2 de tela. Nmero de defectos por lote de un proceso de produccin. Nmero de negocios cerrados por semana.

A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x). Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en un intervalo continuo en forma tal que si se acorta el intervalo lo suficiente: 1. La probabilidad de observar exactamente un xito en el intervalo es estable. 2. La probabilidad de observar dos o ms xitos en el intervalo es cero. 3. La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que suceda en cualquier otro intervalo. La distribucin de Poisson se expresa mediante la siguiente frmula:

( )

Donde: n = Nmero de ensayos x = Nmero de xitos esperados en n ensayos e = 2.71828... = n p = Constante igual al nmero de xitos promedio por unidad de medida p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de medida. Variable aleatoria contina. Cuando la variable aleatoria puede tomar cualquier valor dentro de un intervalo y no es posible asignar un valor entero a un resultado cualquiera del experimento. La estatura de un alumno de un grupo escolar. El peso en gramos de una moneda.

Distribucin normal o de Gauss. La distribucin normal fue definida por De Moivre en 1733 y es la distribucin de mayor importancia en el campo de la estadstica. Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. Las variables normales tienen una funcin de densidad con forma de campana a la que se llama campana de Gauss. Su funcin de densidad es la siguiente: ( )
* +

Los parmetros de la distribucin son la media y la desviacin tpica, y , respectivamente. Como consecuencia, en una variable normal, media y desviacin tpica no deben estar correlacionadas en ningn caso (como desgraciadamente ocurre en la inmensa mayora de las variables aleatorias reales que se asemejan a la normal. La curva normal cumple las siguientes propiedades: 1) El mximo de la curva coincide con la media.

2)

Es perfectamente simtrica respecto a la media (g 1 = 0).

3) La curva tiene dos puntos de inflexin situados a una desviacin tpica de la media. Es convexa entre ambos puntos de inflexin y cncava en ambas colas. 4) Sus colas son asintticas al eje X.

Para calcular probabilidades en intervalos de valores de la variable, habra que integrar la funcin de densidad entre los extremos del intervalo. Por desgracia (o por suerte), la funcin de densidad normal no tiene primitiva, es decir, no se puede integrar. Por ello la nica solucin es referirse a tablas de la funcin de distribucin de la variable (calculadas por integracin numrica) Estas tablas tendran que ser de triple entrada (, , v alor) y el asunto tendra una complejidad enorme. Afortunadamente, cualquier que sea la variable normal, X, se puede establecer una correspondencia de sus valores con los de otra variable con distribucin normal, media 0 y varianza 1, a la que se llama var iable normal tipificada o Z. La equivalencia entre ambas variables se obtiene mediante la ecuacin:

La funcin de distribucin de la variable normal tipificada est tabulada y, simplemente, consultando en las tablas se pueden calcular probabilidades en cualquier intervalo que nos interese. De forma anloga a lo pasaba con las variables Poisson, la suma de variables normales independientes es otra normal.

Distribucin Gamma (). La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es: ( )

La funcin de densidad de la distribucin gamma es:

y son los parmetros de la distribucin. La media y la varianza de la variable gamma son:

Distribucin exponencial. Es un caso parti cular de la distribucin gamma cuando = 1. Su funcin de densidad es:

Su parmetro es . La media y la varianza de la distribucin exponencial son:

Distribucin Chi-cuadrado Es otro caso particular de la distribucin gamma para el caso = 2 y = n / 2, siendo n un nmero natural. Su funcin de densidad es:

El parmetro de la distribucin es y su media y su varianza son, respectivamente:

Otra forma de definir la distribucin es la siguiente: Supongamos que tenemos n variables aleatorias normales independientes, X1,..., Xn, con media i y varianza n), la variable definida como (i = 1...

tiene distribucin con n grados de libertad y se le denomina n.

Distribucin T de Student. Supongamos dos variables aleatorias independientes, una normal tipificada, Z , y otra con distribucin c2 con n grados de libertad, la variable definida segn la ecuacin:

tiene distribucin t con n grados de libertad. La funcin de densidad de la distribucin t es:

El parmetro de la distribucin t es n, su nmero de grados de libertad. Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan asintticamente al eje X. Es similar a la distribucin Z salvo que es platicrtica y, por tanto, ms aplanada. Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden considerar prcticamente iguales para valores de n mayores o iguales que 30.

Distribucin F de Snedecor. Sean U y V dos variables aleatorias independientes co n distribucin c2 con n1 y n2 grados de libertad, respectivamente. La variable definida segn la ecuacin: tiene distribucin F con n1, n2 grados de libertad. La funcin de densidad de la distribucin F es:

Los parmetros de la variable F son sus grados de libertad n1 y n2. Las distribuciones F tienen una propiedad que se utiliza en la construccin de tablas que es la siguiente: Llamemos fa,n1,n2 al valor de una distribucin F con n1 y n2 grados de libertad que cumple la condicin, P(F > fa,n1,n2) = ; llamemos f1 a,n1,n2 al valor de una distribucin F con n1 y n2 grados de libertad que cumple la condicin, P(F > f1-a,n1,n2) = 1- . Ambos valores estn relacionados de modo que uno es el inverso del otro.

Referencias bibliogrficas.
1. http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuc iones%20discretas.pdf 2. http://roble.pntic.mec.es/valm0013/Word%20Pro%20 %20variablealeatoria.pdf 3. http://www.ucasal.net/recursos/variables_aleatorias.pdf 4. http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estad istica_basica%201.htm#Distribucin normal o de Gauss