MARCO TEORICO

Variables Aleatorias
1

Para un determinado espacio muestral S de algn experimento, una variable aleatoria (va)
es cualquier regla que relaciona un nmero con cada resultado en S. En el lenguaje
matemtico, una variable aleatoria es una cuyo dominio es el espacio muestral y cuyo
recorrido es el conjunto de los nmeros reales.

Tipos de variables aleatorias
VA Discreta: es una variable aleatoria cuyos valores posibles constituyen un
conjunto finito, o bien se pueden listar en una secuencia infinita en la que hay un
primer elemento, un segundo elemento, etctera.

VA Continua: Es continua si su subconjunto de valores posibles consiste en un
intervalo completo en la recta numrica.

Distribuciones de probabilidad Para variables aleatorias discretas

Cuando se asignan probabilidades a varios resultados en S, stos a su vez determinan
las probabilidades relacionadas con los valores de cualquier va X particular. La
distribucin de probabilidad de x establece cmo se distribuye la probabilidad total de 1
entre (asignada a) los valores posibles de X.

La distribucin de probabilidad o funcin masa de probabilidad (fmp) de una variable
aleatoria discreta se define para todo nmero x mediante



En palabras, para todo valor posible x de la variable aleatoria, la fmp especifica la
probabilidad de observar ese valor cuando se lleva a cabo el experimento. Se requieren
las condiciones y

de cualquier fmp.


Funcin de distribucin acumulada

La funcin de distribucin acumulada (fda) F(x) de una variable aleatoria discreta X con
fmp p(x) se define para todo nmero x mediante





Para cualquier nmero x, F(x) es la probabilidad de que el valor observado de X sea a lo
sumo x.


1
Sntesis tomada de: DEVORE, Jay, Probabilidad y estadstica para ingeniera y ciencias, Sexta edicin, Mxico
D.F: Thomson, c2005. Captulo 2, Pginas 98 - .

Para una variable aleatoria discreta X, F(X) satisface las siguientes propiedades:

x X x fx

x
Si x y, entonces x y

La media o valor esperado de la variable aleatoria discreta X, denotada como Q o E(X), es

EX xfx

La varianza de X, denotada como

o V(X), es

vX x

fx

La desviacin estndar de X es vx

Distribucin de probabilidad Binomial

Hay varios experimentos que cumplen de manera exacta o aproximada con la siguiente
lista de requerimientos:

1. El experimento consiste en una secuencia de n experimentos ms pequeos
llamados ensayos, donde n se fija antes del experimento.
2. Cada ensayo produce uno de los mismos dos resultados posibles (ensayos
dictomos), que se denotan mediante xito (S) o fracaso (F).
3. Los ensayos son independientes, as que el resultado de cualquier ensayo
particular no influye en el resultado de ningn otro.
4. La probabilidad de xito es constante de un ensayo a otro; esta probabilidad se
denota con p.

Un experimento para el cual se cumplen las condiciones 1 a 4, se llama experimento
binomial.

Variable y distribucin aleatoria binomial

En la mayor parte de los experimentos, lo que interesa es el nmero total de xitos, en
vez de saber con exactitud qu ensayos produjeron S.

Dado un experimento binomial que consiste en n ensayos, la variable aleatoria binomial X
relacionada con este experimento se define como

X = nmero de xitos (S) entre los n ensayos.

Debido a que la fmp de una variable aleatoria binomial X depende de los dos parmetros
n y p, la fmp se denota mediante b(x; n, p).

n p

Ensayo de Bernoulli
2


En la teora de probabilidad y estadstica, un ensayo de Bernoulli es un
experimento aleatorio en el que slo se pueden obtener dos resultados (habitualmente
etiquetados como xito y fracaso). Se denomina as en honor a Jakob Bernoulli.

Desde el punto de vista de la teora de la probabilidad, estos ensayos estn modelados
por una variable aleatoria que puede tomar slo dos valores, 0 y 1. Habitualmente, se
utiliza el 1 para representar el xito.

Si p es la probabilidad de xito, entonces el valor del valor esperado de la variable
aleatoria es p y su varianza, p (1-p).

Los procesos de Bernoulli son los que resultan de la repeticin en el tiempo de ensayos
de Bernoulli independientes pero idnticos.

Un Proceso de Bernoulli no es otra cosa que la repeticin de un Ensayo de Bernoulli. El
ejemplo ms claro para comprender este proceso es un experimento sencillo, compuesto
por el lanzamiento de una moneda, en este caso se estudiar cuntas veces sale "cara" o
cuntas sale "cruz", o las probabilidades de que salga "cara", al menos una vez, de un
nmero n de intentos. Es importante que se cumpla que:

1. La probabilidad de xito permanece constante ensayo tras ensayo.
2. Los ensayos deben de ser independientes entre s.

Para esto hay una distribucin conocida como Distribucin Binomial que permite calcular
la probabilidad de que ocurra r veces un suceso en n intentos.


Prueba Chi-Cuadrado
3

La hiptesis nula de la prueba Chi-cuadrado postula una distribucin de probabilidad
totalmente especificada como el modelo matemtico de la poblacin que ha generado la
muestra.
Para realizar este contraste se disponen los datos e una tabla de frecuencias. Para cada
valor o intervalo de valores se indica la frecuencia absoluta observada o emprica (O
i
). A
continuacin, y suponiendo que la hiptesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabra esperar o la frecuencia esperada
(E
i
=n.p, donde n es el tamao de la muestra y p
i
la probabilidad del i-simo valor o

2
Tomado de: http://es.wikipedia.org/wiki/Proceso_de_Bernoulli, Fecha de revisin: Agosto 13/ 2011.
3
Sntesis tomada de: HERNANDEZ, Emil, Manual de estadstica, Primera edicin, Bogot Colombia: Educc, c2006.
Captulo 2, Pginas 185-186.

intervalo de valores segn la hiptesis nula). El estadstico de prueba se basa en las
diferencias entre O
i
y E
i
y se define como:

Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de libertad si n es
suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5.
En la prctica se tolera u mximo del 20% de frecuencia inferior a 5.
Si existe concordancia perfecta entre las frecuencias observadas y las esperadas el
estadstico tomar un valor igual a 0; por el contrario, si existe una gran discrepancia entre
estas frecuencias el estadstico tomar un valor grande y, en consecuencia, se rechazar
la hiptesis nula. As pues la regin crtica estar situada en el extremo superior de la
distribucin Chi-cuadrado con k-1 grados de libertad.
Propiedades de la distribucin Chi-cuadrado
a. La X
2
no toma valores negativos, es cero o positiva.

b. La X
2
no es simtrica; est sesgada haca la derecha, con la condicin de que ha
mayor tamao de muestra (mayor nmero de grados de libertad), se har menos
segada y tiende a la normalidad.

c. La media de la distribucin X
2
est dada por los grados de libertad (=v)as como
la varianza est dada por el doble de los grados de libertad (2v)