Beruflich Dokumente
Kultur Dokumente
Casos concretos: 1. Cuando a todos los valores de una variable se les suma una constante, la varianza de la variable conserva el mismo valor (ver imagen en las propiedades de la media)
2. Cuando a todos los valores de una variable se les multiplica por una constante, la varianza de la variable queda multiplicada por el valor de la constante elevado al cuadrado (ver imagen en las propiedades de la media)
3. Si X e Y son dos variables aleatorias con funcin de densidad o probabilidad conjunta f(x,y), la varianza de la funcin m(x,y) = a X b Y, donde a y b son constantes reales se calcula como:
Varianza
y se denota por
, a la esperanza de la variable
Se demuestra que la existencia de la varianza implica la existencia de la esperanza. Por el contrario, una variable aleatoria puede tener una esperanza pero no tener varianza. Es el caso, por ejemplo, si tiene por densidad:
existe si y slo si
existe y se tiene:
Demostracin : Para pasar de la definicin a la formula anterior, basta desarrollar el cuadrado y emplear la linealidad de la integral.
. La varianza
no es homognea: si es una longitud expresada en metros, est expresada en metros cuadrados. Esto se corrige introduciendo la desviacin estndar que es la raz cuadrada de la varianza. Las propiedades principales de la varianza son las siguientes. Proposicin 3.15
Para todo
Para todo
Si
Demostracin : Las dos primeras propiedades son consecuencia directa de la definicin. Para la tercera, si e son independientes, entonces son. Tenemos por tanto: y tambin lo
La desigualdad de Bienaym-Tchebichev que presentamos a continuacin traduce la idea intuitiva que los valores que toma se separan menos de segn es ms pequea. El caso extremo es el de una variable aleatoria de varianza nula, la cual solamente puede tomar un valor. Teorema 3.16 Sea todo : una variable aleatoria que admite una varianza. Entonces, para
Demostracin : Demostraremos este resultado para las variables continuas, el razonamiento para las variables discretas es anlogo. Pongamos . Se tiene:
Ley de Bernoulli :
por tanto:
Ley binomial :
Ley geomtrica
por tanto:
Ley de Poisson
por tanto:
Ley uniforme
por tanto:
Si
sigue la ley
sigue la ley
Ley exponencial
Ley normal
por tanto:
Si
sigue la ley
sigue la ley
La tabla que presentamos a continuacin da las varianzas de las leyes usuales, discretas y continuas. Propiedades de la varianza Algunas propiedades de la varianza son:
siendo a y b nmeros reales cualesquiera. De esta propiedad se deduce que la varianza de una constante es cero, es decir,
[editar]Varianza muestral En muchas situaciones es preciso estimar la varianza de una poblacin a partir de una muestra. Si se toma una muestra con reemplazamiento de n valores de ella, de entre todos los estimadores posibles de la varianza de la poblacin de partida, existen dos de uso corriente:
A los dos (cuando est dividido por n y cuando lo est por n-1) se los denomina varianza muestral. Difieren ligeramente y, para valores grandes de n, la diferencia es irrelevante. El primero traslada directamente la varianza de la muestra al de la poblacin y el segundo es un estimador insesgado de la varianza de la poblacin. De hecho,
mientras que
[editar]Propiedades de la varianza muestral Como consecuencia de la igualdad , s2 es un estadstico insesgado de . Adems, 2 si se cumplen las condiciones necesarias para la ley de los grandes nmeros, s es un estimador consistente de .
Ms an, cuando las muestras siguen una distribucin normal, por el teorema de Cochran, tiene la distribucin chi-cuadrado:
a cantidad S2 se llama varianza muestral y tiene un valor fundamental en el anlisis estadstico, su interpretacin es como sigue: es el promedio de las desviaciones cuadrticas respecto de la media.
Si las observaciones estn distribuidas en las clases c1, c2, ... ck entonces
. Propiedades de la varianza. Supongamos que tenemos las siguientes observaciones x1, ..., xi, ..., xn, cuya varianza la denotaremos por . Supongamos que sobre cada una de estas observaciones realizamos la siguiente transformacin
Entonces para estas nuevas observaciones transformadas linealmente calcularemos su varianza, esto es
Resultado muy lgico a pesar de lo extraordinario. Notemos lo siguiente, que si tenemos una serie de observaciones, a saber , entonces si hacemos un "traslado" de todas estas observaciones a una distancia que nos interesa, como por ejemplo
entonces lo que nos dice la propiedad anterior, que la varianza es la misma que las observaciones anteriores. Es decir que si trasladamos "conjuntamente" las observaciones a otro sitio, las observaciones siguen manteniendo el mismo grado de dispersin.
Finalmente, si hacemos un cambio de escala, es decir multiplicamos cada una de las observaciones por una cantidad constante, entonces la varianza de este cambio de escala ser proporcional a la anterior en un factor cuadrtico de la cantidad constante. La siguiente propiedad es de suma importancia. Supongamos que tenemos los siguientes datos estadsticos distribuidos de la siguiente manera:
Supongamos que cada fila tiene media todas observaciones que son
y varianza
, con
. Entonces la varianza de
observaciones, con
Medidas de variabilidad La varianza muestral Se puede definir como el "casi promedio" de los cuadrados de las desviaciones de los datos con respecto a la media muestral. Su formula matemtica para el caso de datos referentes a una muestra es:
Propiedades de la varianza Dos propiedades importantes de la varianza son: 1. La varianza de una constante es cero 2. Otra propiedad importante es que si se tiene la varianza a cada observacin se multiplica por una constante de de un conjunto de datos y
La varianza muestral para los datos del ejemplo 1 de la clase 04, se determina de la siguiente manera
Ejemplo propiedades de la varianza Retomando el ejemplo 4 de la clase 04 y suponiendo que la varianza de los salarios del ao 2000 fu 100.000, se tiene que la varianza para los salarios del ao 2001 es
a varianza muestral Si S es la varianza de una muestra aleatoria de tamao n que se toma de una poblacin normal la distribucin de S puede ser derivada a partir de una distribucin chi-
tomada de una poblacin normal con es la varianza muestral Se dice entonces que X tiene una distribucin
1.La expresin grados de libertad se puede interpretar como el nmero de trminos independientes en la suma. Por ejemplo, en la expresin hay trminos cuadrados independientes ya que como en trminos de los solo entonces restantes.
2.La distribucin chi-cuadrada es sesgada a la derecha. Los grados de libertad indicarn diferentes formas de la curva de la densidad. El grfico 1 presenta dichas curvas. FALTA!!11------------------Grfico 1. Distribucin chi cuadrado para diferentes grados de libertad.--------------Tomado de Probabilidad y estadstica aplicadas a la ingeniera, Douglas C. Montgomery y George C. Runger 3.El grfico 2 presenta el rea sombreada que indica la probabilidad de que una muestra aleatoria produzca un valor rea a la derecha de mayor que un valor especfico , esta probabilidad se calcula como el el valor por arriba del que
encontramos un rea de
-----------------------Grfico 2. Valores tabulados para la distribucin chi cuadrado.---------------Tomado de Probabilidad y estadstica aplicadas a la ingeniera, Douglas C. Montgomery y George C. Runger El cociente de dos variazas muestrales Sean y las varianzas muestrales obtenidas a partir de muestras aleatorias independientes y respectivamente. La
de tamao m y n tomadas de poblaciones normales con varianzas distribucin de Teorema 3. Sean se puede obtener a partir de una distribucin F. y variables aleatorias independientes tales que
sea
entonces una muestra aleatoria tal que una muestra aleatoria tal que y ; si las muestras son
Nota 1. Si
entonces
La distribucin F es no negativa, tiene sesgo hacia la derecha y se encuentra centrada en 1. La pareja de valores u y v proporcionan formas diferentes en la distribucin. Ver grfico 3. ------------------------Grfico 3. Formas diferentes de la distribucin F.--------------------Tomado de Probabilidad y Estadstica para Ingenieros. Walpole, Myers, Myers. Los puntos crticos de la distribucin F estn dados en la tabla del final. Sea el punto crtico de la distribucin F con u grados de libertad en el numerador y v grados de libertad en el denominador, tal que la probabilidad de que la variable aleatoria F sea mayor que este valor es:
Esto se ilustra en el grfico 4. Grfico 4. Valores tabulados para la distribucin F. Tomado de Probabilidad y Estadstica para Ingenieros. Walpole, Myers, Myers. Por ejemplo, si y entonces, de la tabla F se tiene que.