1)variable aleatoria o variable estocstica es una variable estadstica cuyos valores se obtienen de mediciones en algn tipo de experimento aleatorio.

Formalmente, una variable aleatoria es una funcin, que asigna eventos (p.e., los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc.) a nmeros reales (p.e., su suma). Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un experimento an no realizado, o los posibles valores de una cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de medicin incompleta o imprecisa). Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes valores; una distribucin de probabilidad se usa para describir la probabilidad de que se den los diferentes valores. Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios como valores lgicos, funciones... El trmino elemento aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados. Un concepto relacionado es el de proceso estocstico, un conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo). Ejemplos: Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de resultados elementales posibles asociado al experimento, es , donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a cada suceso elemental del experimento el nmero de caras obtenidas. De este modo se definira la variable aleatoria X como la funcin

dada por

El recorrido o rango de esta funcin, RX, es el conjunto Caracterizacin de variables aleatorias Tipos de variables aleatorias Para comprender de una manera ms amplia y rigurosa los tipos de variables, es necesario conocer la definicin de conjunto discreto. Un conjunto es discreto si est formado por un nmero finito de elementos, o si sus elementos se pueden enumerar en secuencia de modo que haya un primer elemento, un segundo elemento, un tercer elemento, y as sucesivamente.5

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto discreto. La variable del ejemplo anterior es discreta. Sus probabilidades se recogen en la funcin de cuanta (vanse las distribuciones de variable discreta). Variable aleatoria continua: una v.a. es continua si su recorrido no es un conjunto numerable. Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un intervalo de nmeros reales. Por ejemplo, la variable que asigna la estatura a una persona extrada de una determinada poblacin es una variable continua ya que, tericamente, todo valor entre, pongamos por caso, 0 y 2,50 m, es posible. 6 (vanse las distribuciones de variable continua) Variable aleatoria independiente: Supongamos que "X" e "Y" son variables aleatorias discretas. Si los eventos X = x / Y = y son variables aleatorias independientes. En tal caso: P(X = x, Y = y) = P( X = x) P ( Y = y). De manera equivalente: f(x,y) = f1(x).f2(y). Inversamente, si para todo "x" e "y" la funcin de probabilidad conjunta f(x,y) no puede expresarse slo como el producto de una funcin de "x" por una funcin de "y" (denominadas funciones de probabilidad marginal de "X" e "Y" ), entonces "X" e "Y" son dependientes. Si "X" e "Y" son variables aleatorias continuas, decimos que son variables aleatorias independientes si los eventos "X x", e "Y y" y son eventos independientes para todo "x" e "y" . De manera equivalente: F(x,y) = F1(x).F2(y), donde F1(x) y F2(y) son las funciones de distribucin (marginal) de "X" e "Y" respectivamente. Inversamente, "X" e "Y" son variables aleatorias dependientes si para todo "x" e "y" su funcin de distribucin conjunta F(x,y) no puede expresarse como el producto de las funciones de distribucin marginales de "X" e "Y".

Para variables aleatorias independientes continuas, tambin es cierto que la funcin de densidad conjunta f(x,y)es el producto de las funciones densidad de probabilidad marginales de "X", f1(x), y de "Y", f2(y). 3Pruebas de Hiptesis Una hiptesis estadstica es una suposicin hecha con respecto a la funcin de distribucin de una variable aleatoria. Para establecer la verdad o falsedad de una hiptesis estadstica con certeza total, ser necesario examinar toda la poblacin. En la mayora de las situaciones reales no es posible o practico efectuar este examen, y el camino mas aconsejable es tomar una muestra aleatoria de la poblacin y en base a ella, decidir si la hiptesis es verdadera o falsa. En la prueba de una hiptesis estadstica, es costumbre declarar la hiptesis como verdadera si la probabilidad calculada excede el valor tabular llamado el

nivel de significacin y se declara falsa si la probabilidad calculada es menor que el valor tabular. La prueba a realizar depender del tamao de las muestras, de la homogeneidad de las varianzas y de la dependencia o no de las variables. Si las muestras a probar involucran a ms de 30 observaciones, se aplicar la prueba de Z, si las muestras a evaluar involucran un nmero de observaciones menor o igual que 30 se emplea la prueba de t de student. La frmula de clculo depende de si las varianzas son homogneas o heterogneas, si el nmero de observaciones es igual o diferente, o si son variables dependientes. Para determinar la homogeneidad de las varianzas se toma la varianza mayor y se divide por la menor, este resultado es un estimado de la F de Fisher. Luego se busca en la tabla de F usando como numerador los grados de libertad (n-1) de la varianza mayor y como denominador (n-1) de la varianza menor para encontrar la F de Fisher tabular. Si la F estimada es menor que la F tabular se declara que las varianzas son homogneas. Si por el contrario, se declaran las varianzas heterogneas. Cuando son variables dependientes (el valor de una depende del valor de la otra), se emplea la tcnica de pruebas pareadas. Como en general estas pruebas se aplican a dos muestras, se denominarn a y b para referirse a ellas, as entenderemos por: na al nmero de elementos de la muestra a nb al nmero de elementos de la muestra b xb al promedio de la muestra b s2a la varianza de la muestra a Y as sucesivamente Entonces se pueden distinguir 6 casos a saber: 1. Caso de muestras grandes (n>30) 2. 3. Caso de na = nb y s2a = s2b 4. Caso de na = nb y s2a <> s2b 5. Caso de na <> nb y s2a = s2b 6. Caso de na <> nb y s2a <> s2b 1. Caso de variables dependientes

1.-Cuando las muestras a probar involucran a ms de 30 observaciones.

Ejemplo: La altura promedio de 50 palmas que tomaron parte de un ensayo es de 78 cm. con una desviacin estndar de 2.5 cm.; mientras que otras 50 palmas que no forman parte del ensayo tienen media y desviacin estndar igual a 77.3 y 2.8 cm.

Se desea probar la hiptesis de que las palmas que participan en el ensayo son ms altas que las otras. Consultando el valor z de la tabla a 95% de probabilidad se tiene que es 1.96, por lo consiguiente, el valor z calculado no fue mayor al valor de la tabla y entonces se declara la prueba no significativa. Conclusin: Las alturas promedio de los 2 grupos de palmas son iguales y la pequea diferencia observada en favor al primer grupo se debe al azar. 2.-Caso de nmero igual de observaciones y varianzas homogneas.

Etapas Bsicas en Pruebas de Hiptesis. Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara con una supuesta media poblacional (). Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos. Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de una media poblacional, se toma la media de una muestra aleatoria de esa distribucin normal, entonces es comn que se transforme la media en un valor z el cual, a su vez, sirve como estadstica de prueba.

TIPOS DE PRUEBAS DE HIPTESIS Siendo el objetivo del estudio aceptar o rechazar Ho, debe tenerse un criterio para escoger la aceptacin o rechaso de dicha hiptesis. Esto supone la posibilidad de dos resultados 1. Aquellos cuya probabilidad de aparicin es lo suficientemente pequea como para que dudemos, cuando se presente, de que tienen su origen en una poblacin de las caractersticas especificadas por la Ho.

2. Aquellos que resultan verosmiles o probabilsticamente compatibles con la misma. En estos nada hace suponer que la Ho no sea cierta (absolucin por falta de pruebas). Grficamente, estos dos tipos de resultados se pueden agrupar en zonas de valores observables, que llevarn a rechazar o a aceptar la Ho y que llamaremos: a. Zona de rechazo de la Ho y b. Zona de aceptacin de la Ho. Se hace necesario delimitar probabilsticamente estas zonas, lo que se lograr dndole a cada una de ellas un peso probabilstico determinado. En el caso de la zona de rechazo este peso se denomina nivel de significancia , y debe ser, razonablemente pequeo. Se fija con mucha frecuencia 0.05, 0.01, 0.1 pero no son necesariamente las nicas posibilidades. Siendo el nivel de significancia , segn la forma como se hayan planteado las hiptesis se puede observar:

Ejemplo. Se desea averiguar s la terapia con mscara facial ortopdica corrige la maloclusin Clase III. Se toma una muestra de 30 individuos Clase III, a quienes no se les hace tratamiento y una de 30 individuos a quienes se les aplica el tratamiento con mscara facial. Los dos grupos tienen caractersticas similares en su maloclusin y se les mide el ngulo ANB a ambos grupos. Se lleva a cabo el tratamiento por un periodo de dos aos y se toman nuevamente registros y se mide en ambos grupos el ngulo ANB. Se construyen las siguientes hiptesis: Ho: el tratamiento con mscara no tuvo ningn efecto. La media de las diferencias es cero. H1: el tratamiento con mscara s tuvo efecto. La media de las diferencias no es cero.

Zona Zona de rechazo de la hiptesis nula . Si la media observada pertenece a la zona de rechazo. Se concluye que la mscara s tiene efecto sobre la Clase III. Zona : Zona de aceptacin de la hiptesis nula . Si la media observada pertenece a la zona de aceptacin. La muestra no pone de manifiesto que la mscara facial tenga efecto sobre la Clase III.

4)chif cuadrado Este modelo de probabilidad puede ser introducido como caso particular de la familia de distribuciones Gamma de prametros y p , constantes positivas, cuya funcin de densidad responde a la siguiente forma:

Concretamente, si se considera y p = r/2 , donde r es un entero positivo, el modelo de probabilidad resultante se denomina 2 -cuadrado, con r grados de libertad. Grfica de la funcin de densidad de la variable 2 con 10 grados de libertad :

Resultado que afecta a la distribucin de S2. Si X1, X2, ..., Xn son variables aleatorias independientes con ley de probabilidad normal N(,) , es decir, una muestra aleatoria de tamao n extrada de una poblacin N(,), entonces

sigue la ley de probabilidad del modelo 2 con (n-1) grados de libertad.