VARIABLES ALEATORIAS DEFINICIN DE VARIABLE ALEATORIA Podemos decir que las variables aleatorias son aquellas que tienen

un comportamiento probabilstico en la realidad. Por ejemplo, el nmero de clientes que llegan cada hora a un banco depende del momento del da, del da de la semana y de otros factores. Las variables aleatorias deben cumplir reglas de distribucin de probabilidad como stas: La suma de las probabilidades asociadas a todos los valores posibles de la variable aleatoria x es uno. La probabilidad de que un posible valor de la variables x se presente siempre es mayor que o igual a cero. El valor esperado de la distribucin de la variable aleatoria es la media de la misma, la cual a su vez estima la verdadera media de la poblacin. Si la distribucin de probabilidad asociada a una variable aleatoria est definida por ms de un parmetro, dichos parmetros pueden obtenerse mediante un estimador no sesgado. Por ejemplo, la varianza de la poblacin puede ser estimada usando la varianza de una muestra que es s2. TIPOS DE VARIABLES ALEATORIAS Podemos diferenciar las variables aleatorias de acuerdo con el tipo de valores aleatorios que representan. Podemos diferenciar entre variables aleatorias discretas y variables aleatorias continuas. Variables aleatorias discretas: este tipo de variables deben cumplir con estos parmetros:

() 0
=0

= 1

Algunas distribuciones discretas de probabilidad son la uniforme discreta, la de Bernoulli, la hipergeomtrica, la de Poisson y la binomial. Podemos asociar a estas u otras distribuciones de probabilidad el comportamiento de una variable aleatoria.

( ) = = + +
=

Variables aleatorias continuas: este tipo de variables se representan mediante una ecuacin que se conoce como funcin de densidad de probabilidad. Dada esta condicin, cambiamos el uso de la sumatoria por la de una integral para conocer la funcin acumulada de la variable aleatoria. Por lo tanto, las variables aleatorias continuas deben cumplir los siguientes parmetros: () 0

( = ) = 0

() = 1

( = ( ) = () Entre las distribuciones de probabilidad tenemos la uniforme continua, la exponencial, la normal, la de Weibull, la Chi-cuadrada y la de Erlang. DETERMINACIN DEL TIPO DE DISTRIBUCIN DE UN CONJUNTO DE DATOS La distribucin de probabilidad de los datos histricos puede determinarse mediante las pruebas Chi-cuadrada, de Kolmogorov-Smirnov y de Anderson-Darling. Prueba Chi-cuadrada

Se trata de una prueba de hiptesis a partir de datos, basada en el clculo de un valor llamado estadstico de prueba, al cual suele comparrsele con un valor conocido como valor crtico, mismo que se obtiene, generalmente, de tablas estadsticas. El procedimiento general de la prueba es: 1. Obtener al menos 30 datos de la variable aleatoria a analizar. 2. Calcular la media y varianza de los datos. 3. Crear un histograma de m = n intervalos, y obtener la frecuencia observada en cada intervalo O i. 4. Establecer explcitamente la hiptesis nula, proponiendo una distribucin de probabilidad que se ajuste a la forma del histograma.

5. Calcular la frecuencia esperada, Ei, a partir de la funcin de probabilidad propuesta. 6. Calcular el estadstico de prueba: ( )2 =
=1

7. Definir el nivel de significancia de la prueba, a, y determinar el valor crtico de la prueba, 2 , 1 (k es el nmero de parmetros estimados en la distribucin propuesta). 8. Comparar el estadstico de prueba con el valor crtico. Si el estadstico de prueba es menor que el valor crtico no se puede rechazar la hiptesis nula. Prueba de Kolmogorov-Smirnov

Desarrollada en la dcada de los treinta del siglo xx, esta prueba permite al igual que la prueba Chi-cuadrada determinar la distribucin de probabilidad de una serie de datos. Una Iimitante de la prueba de Kolmogorov-Smirnov estriba en que solamente se puede aplicar al anlisis de variables continuas. El procedimiento general de la prueba es: 1. Obtener al menos 30 datos de la variable aleatoria a analizar. 2. Calcular la media y la varianza de los datos. 3. Crear un histograma de m = n intervalos, y obtener la frecuencia observada en cada intervalo O i . 4. 4. Calcular la probabilidad observada en cada intervalo PO i = O i /n, esto es, dividir la frecuencia observada O i entre el nmero total de datos, n. 5. Acumular las probabilidades PO i para obtener la probabilidad observada hasta el i-simo intervalo; POA i . 6. Establecer explcitamente la hiptesis nula, proponiendo una distribucin de probabilidad que se ajuste a la forma del histograma. 7. Calcular la probabilidad esperada acumulada para cada intervalo, PEA I , a partir de la funcin de probabilidad propuesta. 8. Calcular el estadstico de prueba: C= mx |PEA i POA i | i = 1, 2,3,..., k,..., m 9. Definir el nivel de significancia de la prueba , y determinar el valor crtico de la prueba, D ,n (consulte la tabla de valores crticos de la prueba de Kolmogorov- Smirnov en la seccin de apndices). 10. Comparar el estadstico de prueba con el valor crtico. Si el estadstico de prueba es menor que el valor crtico no se puede rechazar la hiptesis nula.

Prueba de Anderson-Darling

Esta prueba tiene como propsito corroborar si una muestra de variables aleatorias proviene de una poblacin con una distribucin de probabilidad especfica. La principal desventaja de la prueba de Anderson-Darling estriba en que es necesario calcular los valores crticos para cada distribucin. No es confiable para distribuciones de tipo de discreto. Actualmente es posible encontrar tablas de valores crticos para las distribuciones normal, lognormal, exponencial, logIogstica, de Weibull y valor extremo tipo 1. El procedimiento general de la prueba es: Obtener n datos de la variable aleatoria a analizar. Calcular la media y la varianza de los datos. i = 1,2,, n Organizar los datos en forma ascendente: Y i Ordenar los datos en forma descendente: Y n+1-i i = 1,2,, n Establecer explcitamente la hiptesis nula, proponiendo una distribucin de probabilidad. 6. Calcular la probabilidad esperada acumulada para cada nmero Y i , PEA(Y i ), y la probabilidad esperada acumulada para cada nmero, PEA(Y n+1-i ), a partir de la funcin de probabilidad propuesta. 7. Calcular el estadstico de prueba: 2 1 = 1 + (2 1)1PEA(Yi) + 1n(1 PEA( + 1 )
=1

1. 2. 3. 4. 5.

8. Ajustar el estadstico de prueba de acuerdo con la distribucin de probabilidad propuesta. 9. Definir el nivel de significancia de la prueba a, y determinar su valor crtico, a ,n 10. Comparar el estadstico de prueba con el valor crtico. Si el estadstico de prueba es menor que el valor crtico no se puede rechazar la hiptesis nula. GENERACIN DE VARIABLES ALEATORIAS Los principales mtodos para generar las variables aleatorias son: Mtodo de la transformada inversa. Mtodo de convolucin. Mtodo de composicin. Mtodo de la transformacin directa. Mtodo de aceptacin y rechazo.

Mtodo de la transformada inversa

El mtodo de la transformada inversa puede utilizarse para simular variables aleatorias continuas, lo cual se logra mediante la funcin acumulada f(x) y la generacin de nmeros pseudoaleatorios r ~ U(O, 1). El mtodo consiste en: 1. 2. 3. 4. Definir la funcin de densidad F(x) que represente la variable a modelar. Calcular la funcin acumulada F(x). Despejar la variable aleatoria x y obtener la funcin acumulada inversa F(x-1). Generar las variables aleatorias x, sustituyendo valores con nmeros pseudoaleatorios, r ~ U(O, 1) en la funcin acumulada inversa. Mtodo de convolucin

En algunas distribuciones de probabilidad la variable aleatoria a simular, Y, puede generarse mediante la suma de otras variables aleatorias X de manera ms rpida que a travs de otros mtodos. Entonces, el mtodo de convolucin se puede expresar como: Y = X, + X 2 +... + X k Las variables aleatorias de cuatro de las distribuciones ms conocidas (de Erlang, normal, binomial y de Poisson) pueden ser generadas a travs de este mtodo, como se ver a continuacin. Distribucin de Erlang: la variable aleatoria k-Erlang con media 1/ puede producirse a partir dela generacin de k variables exponenciales con media 1/k: 1 = = (1 )
=1

Distribucin normal: la variable aleatoria normal con media y desviacin estndar puede generarse usando el teorema del lmite central: = 1 + 2 + + ~( 2 )

Distribucin binomial: La variable aleatoria binomial con parmetros N y P puede ser generada a travs de la suma de N variables aleatorias con distribucin de Bernoulli con parmetro p. = = 1 + 2 + + ~(, )

Mtodo de composicin

El mtodo de composicin conocido tambin como mtodo mixto permite generar variables aleatorias x cuando stas provienen de una funcin de densidad fx que puede expresarse como la combinacin convexa de m distribuciones de probabilidad f(x). Entonces, la combinacin convexa se puede expresar como:

donde: 0 |A(x) = 1

() = ()|()
=1

Algunas de las distribuciones ms conocidas que pueden expresarse como una combinacin convexa son: triangular, de Laplace y trapezoidal. El procedimiento general de generacin es el siguiente: 1. Calcular la probabilidad de cada una de las distribuciones f i (x). 2. Asegurar que cada funcin f i (x) sea funcin de densidad. 3. Obtener, mediante el mtodo de la transformada inversa, las expresiones para generar variables aleatorias de cada una de las distribuciones f i (x). 4. Generar un nmero pseudoaleatorio r i que permita definir el valor de |A(x) 5. Seleccionar la funcin generadora correspondiente a la funcin f i (x). 6. Generar un segundo nmero pseudoaleatorio r i y sustituirlo en la funcin genera- dora anterior para obtener Y. Mtodo de transformacin directa

Utilizado para generar variables aleatorias normales, este mtodo se basa en el teorema de Pitgoras. = 2|(1 )cos(2) +