Variables aleatorias.

Idea: Asociar cada resultado del experimento con un nmero y as podremos ya trabajar slo con nmeros reales. Una variable aleatoria (v.a.) ser una funcin que asigne a cada suceso un nmero. Definicin. Sea E el espacio muestral asociado a un experimento aleatorio y un lgebra de sucesos asociado a E. Llamaremos variable aleatoria a una funcin X : E R, tal que para cualquier intervalo B = (-, b] de la recta real, el suceso X 1 (B) siendo X 1 (B)={E / X ()B}. Tipos de variables aleatorias. Discretas: el conjunto de posibles valores que toma la variable es discreto (es decir, finito o numerable). Continuas: el conjunto de posibles valores es uno o varios intervalos de la recta real. Discretas: X: Nmero de caras al lanzar 3 monedas (puede tomar slo los valores 0,1,2,3) X1: Sensacin que provocan las asignaturas de matemticas (puede tomar slo los valores 1,0,1) X2: Nmero de llamadas diarias que se hacen por telfono mvil (puede tomar los valores 0,1,2,3, infinito numerable) Continuas: Y1: Estatura de una poblacin (en centmetros) (puede tomar cualquier valor en el intervalo [0,250] ) Y2: Error cometido al redondear una nota media a un decimal (puede tomar cualquier valor en el intervalo [0.05,0.05] ) Y3: Tiempo mximo que he estado hablando por telfono alguna vez (en minutos) (puede tomar cualquier valor en el intervalo [0,+) )

Para cada tipo definiremos a continuacin funciones reales de variable real para trabajar con sus probabilidades:

Funcin de masa o distribucin de probabilidad para v.a. discretas. Funcin de densidad para v.a. continuas.

Y posteriormente definiremos la funcin de distribucin (concepto ms general) que nos permite trabajar con todas las v.a.

Variables aleatorias discretas. Funcin de masa. Si tenemos una v.a. discreta la forma habitual de describir sus probabilidades es dar la probabilidad que toma cada uno de los valores que puede tomar: Se cumple que P(X = xi )= pi 0 y pi =1. i La funcin de masa de las variables aleatorias discretas pueden representarse grficamente mediante un diagrama donde, en el eje OX dibujaramos los distintos puntos de masa de la variable y en ordenadas las probabilidades correspondientes. Ejemplo: X: Nmero de caras al tirar 3 monedas

Variables aleatorias continuas. Funcin de densidad. Recordamos que una v.a. X es continua si el conjunto de posibles valores que puede tomar la variable es uno o varios intervalos de la recta real. Tambin recordamos que las variables estadsticas continuas se representaban agrupadas en intervalos, y que asociamos probabilidad con frecuencias relativas. Si se tiene un nmero suficientemente grande de datos, y representamos el histograma de frecuencias relativas (percentage) con las clases cada vez ms finas, se obtendra el perfil de una curva que es representativa de la distribucin de las frecuencias de dicha variable. Esta curva ser siempre positiva (las frecuencias relativas lo son) y encierra debajo de ella la suma de todas las frecuencias relativas (1).

Esta idea nos permite caracterizar la distribucin de probabilidad de las v.a. continuas mediante

Definicin. Llamamos funcin de densidad a toda funcin f: R R que verifica:

f (x) 0, x . .

Toda funcin de densidad determina la distribucin de probabilidad de una v.a. continua de la siguiente forma: b P(a < X < b) = a f (t)dt,a,b x P(X = x) = x f (t)dt = 0,x . Entonces P(a < X < b) = P(a X < b) = P(a X b) = P(a < X b)

1. 2. 3.

Varianza La varianza es una medida previa a la desviacin estndar y la diferencia con la desviacin media es que toma las diferencia con sus respectivos signos. Para el clculo se debe desarrollar las siguientes frmulas

Varianza poblacional

Varianza muestral

(X

X) N
i

(X

X) n 1
i

Medidas de Agudeza o apuntamiento.- Por medio del coeficiente de curtsis, clasificamos diferentes grados de agudeza en 3 categoras: a) Leptocrtica: es la curva de mayor apuntamiento. b) Mesocrtica: de apuntamiento intermedio (normal) c) Platicrtica: curva achatada. Una medida relativa de curtsis es:

k
Donde:

m4

m4

x
N

4 i

(X

)4

Si k=0 es mesocrtica Si k>0 es leptocrtica Si k<0 es platicrtica

Sesgo Definicin de sesgo: el sesgo de un estimador es la diferencia que hay entre su valor esperado (su media) y el valor del parmetro poblacional. El sesgo puede ser producto del muestreo o de la medicin de los individuos.Una tercera caracterstica importante de una serie de datos es su forma. Ya sea que la distribucin sea simtrica o no lo sea. Si la serie no es simtrica, se denomina asimtrica o sesgada. Para describir su forma, solo se necesita comparar la media con la mediana. La relacin que se da es la siguiente: > Me asimtrica positiva o sesgo derecho, < Me asimtrica negativa o sesgo izquierdo y = Me simtrica o de sesgo cero.