Universidad Fermn Toro

Vice-rectorado Acadmico

Decanato de Ingeniera

Cabudare-Lara

ENSAYO
Variable Aleatoria

Integrante:

Ana Herrera C.I 25869461

Cabudare, Febrero del 2017

La Estadstica Descriptiva nos ofrece una serie de herramientas muy tiles para resumir
grfica y numricamente los datos que hemos obtenido sobre una caracterstica o
variable de interes, X, de una poblacion. Estos resumenes son muy interesantes, pero el
objetivo de la Estadstica habitualmente va mas alla: pretende obtener conclusiones
sobre la poblacion a partir de los datos obtenidos en la muestra. La obtencion de
conclusiones sera el objetivo de la Inferencia Estadstica y para su desarrollo
necesitaremos los modelos de probabilidad. En particular, sera necesario modelizar las
variables de interes, X, como variables aleatorias.

Se llama variable aleatoria a una magnitud cuyo valor no puede predecirse con certeza
antes de que ocurra, por lo tanto su comportamiento se caracteriza mediante las leyes de
probabilidades; para describirla se emplea una funcin o distribucin de probabilidades
que define los sucesos. Se denota con una letra mayscula, por ejemplo la variable
aleatoria X y la funcin X (E) indica la magnitud de ocurrir del suceso E de la variable
X. Un clsico ejemplo de variable aleatoria es el resultado de los ensayos en cilindros de
concreto provenientes de una construccin, ya que para las mismas condiciones de
produccin, los resultados son diferentes y al analizar la dispersin en los ensayos se
encuentra que siguen un patrn indicado por las leyes de probabilidades, por lo que se
puede caracterizar por una funcin de probabilidades. Las variables aleatorias se dividen
en dos tipos: discretas y continuas, las cuales se representan por una funcin discreta
masa de probabilidades (FMP) que se denota por pX(x) o por una funcin de densidad
de probabilidades (FDP) que se denota como fX(x) y funcin de distribucin
acumulada (FDA) que se denota como FX(x).

Para definir los tipos de variables aleatorias, decimos que, una variable aleatoria discreta
de una caracterstica X es de tipo discreto cuando puede tomar una serie de valores
claramente separados x1, ..., xk. En una muestra concreta de tamao n, cada uno de
estos valores aparece n1, ..., nk veces (frecuencias absolutas). La frecuencia relativa de
cada valor es fi = ni/n. Una variable aleatoria, X, decimos que es de tipo discreto cuando
puede tomar los valores x1, ..., xk con probabilidades P(x1), ..., P(xk). Estas
probabilidades reciben el nombre de funcion de masa o funcion de probabilidad. Las
probabilidades son la modelizacion en la poblacion de las frecuencias relativas. Igual
que las frecuencias relativas, las probabilidades son numeros entre 0 y 1, y la suma de
las probabilidades es 1.
Una variable aleatoria continua es una modelizacion de una caracterstica X es de tipo
continuo cuando puede tomar cualquier valor en un intervalo de la recta real. En una
muestra concreta de tamao n, los valores obtenidos se pueden representar
graficamente, en un diagrama de tallos y hojas o en un histograma, obteniendo as el
perfil de los datos. Una variable aleatoria, X, decimos que es de tipo continuo cuando
puede tomar cualquier valor en un intervalo de la recta real con una funcion de densidad
f(x) que representa la idealizacion en la poblacion del perfil obtenido a partir de los
datos en el diagrama de tallos y hojas o en el histograma.

Tambien podemos hablar de la mediana de una variable aleatoria X, tanto en el caso

discreto como en el caso continuo. La idea es sencilla, la mediana muestral era el valor
que dejaba el 50% de los datos por debajo y el 50% de los datos por encima. La
definicion de mediana para una variable aleatoria sigue la misma filosofa, buscamos el
valor que deja el 50% de la probabilidad por debajo y el 50% de la probabilidad por
encima. En el caso continuo, esta idea se formaliza de manera muy sencilla, en el caso
discreto, la formalizacion es un poco mas incomoda.

Los parmetros son medidas que caracterizan una variable aleatoria y representan el
conjunto de datos del espacio muestral de los valores que puede tener la variable. La
media es la principal medida de tendencia central del espacio muestral. Es similar al
concepto de centro de gravedad de un rea, se distingue por X para la media
poblacional mientras que indica la media de la muestra. La media tambin se define
como la suma de todos los datos dividida entre el total de los datos.

La Esperanza de X es el valor esperado y se denota por E(X) y es igual a la media de la

variable (X), de tal forma que los dos nombres se emplean para designar al mismo
valor.

El empleo de un solo valor para representar un conjunto de datos es insuficiente, ya que

el espacio muestral presentan diferencias con respecto al valor central. Es por ello que
se debe medir la dispersin de los datos con respecto al valor central para as obtener
una descripcin ms precisa del conjunto de datos. Cabe destacar que las medidas de
dispersin son el parmetro ms importantes de un conjunto de datos, porque representa
la variabilidad de los datos.

La varianza es la medida de dispersin ms representativa y se define como el promedio

de las diferencia de los valores con respecto a la media elevados al cuadrado.
Otra de la medida ms importante de dispersin es la desviacin estndar porque en
contraste con la varianza que eleva la diferencia al cuadrado para evitar los valores
negativos de la diferencia, hace que el valor no se pueda relacionar con la media debido
al cuadrado de las unidades que tiene la variable. La desviacin estndar se define como
la raz cuadrada de la varianza.

El factor de sesgo es una medida que relaciona el valor nominal o valor del diseo
empleado en el anlisis estructural con la media de dicha variable que se considera
como aleatoria. Este factor relaciona los valores del diseo con la incertidumbre que se
considera tiene el parmetro de clculo.

El coeficiente de variacin es una medida adimensional y compara la media con la

desviacin estndar, representa la dispersin de los datos de forma porcentual.