Propósitos de Formación

 Estudiar el concepto de variable aleatoria.

 Conocer qué es una distribución marginal y distribución conjunta.
 Identificar la independencia de variables aleatorias.
 Profundizar en la Teoría del Muestreo, sus implicaciones e importancia.

Distribución Conjunta y Marginal

¿Qué es una variable aleatoria?

Una v.a. es una función que asocia a cada resultado del espacio maestral un número real.

Tipologías:

- Discreta: toma valores en un conjunto numerable.

- Continua: toma valores un un conjunto infinito no numeral.

1. VARIABLE ALEATORIA:

2. EJEMPLO:

Se realiza un experimento en un laboratorio cuyo resultado puede ser positivo o negativo .

Construir el espacio muestral y dar una v.a asociada al experimento
E= {Positivo, Negativo}

X es una variable aleatoria

3. LOCALIZACIÓN VIA GPRS:

A un suceso experimental se le asocia un número real a través de la variable aleatoria … En el

experimento de laboratorio…

 A: “el test da positivo → A= {X=1}

 B: “el test da negativo” → B={X=0}
 AUB: “dar positivo o negativo
 AUB: {X=0 , X=1}=E

¿Cuáles son las propiedades de una función de probabilidad para una variable discreta?

Ejemplo:

Se lanzan 2 dados perfectos y llamamos X = resultado del primer dado, Y = mínimo de los dos
dados. Calculemos la función de probabilidad conjunta y sus marginales.

DISTRIBUCIÓN CONJUNTA

Si (X,Y) es una variable aleatoria bidimensional discreta se define su función de

probabilidad (f.p.) en un punto (x,y) como:

DISTRIBUCIÓN CONJUNTA EN EL PUNTO (X,Y)

Esta función en el punto (x,y) toma la probabilidad de que ocurra X=x e Y=y. Es decir, si (X,Y) es una
variable discreta que toma valores en:
 ¿Qué entendemos por distribución conjunta y
marginal?
A continuación se muestran las funciones que
definen la distribución marginal y conjunta.

FUNCIÓN DISTRIBUCIÓN MARGINAL

Dado el par de variables aleatorias (X,Y), con

Función de Distribución F(X,Y). Entonces la función:

  Función de Distribución Marginal de X

Función de Distribución Marginal de Y

Independencia y Estadísticas de Asociación
 ¿Cuándo son independientes las variables aleatorias?

Se puede afirmar que en un par de variables aleatorias X e Y son independientes si cumple que:

f(x,y) = f(x).f(y)
ESTADÍSTICAS DE ASOCIACIÓ N

Covarianza: Es útil para detectar si existe relación de tipo lineal entre las variables y su sentido.

Cov (X,Y) = E [(X-E(X)) (Y-E(Y))]

PROPIEDADES DE LA COVARIANZA

 Cov(X,Y)=E(XY)-E(X)E(Y).
 Cov(X,Y)=Cov(Y,X).
 Cov(X,X)=Var(X).
 Cov(c,Y)=0.
 Cov(cX,Y)=cCov(X,Y).
 Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y).
 Si X e Y son independientes Cov(X,Y)=0

En general, Cov(X,Y)=0 no implica Independencia entre X y Y.

EJEMPLO

E[X] = 0 × 0,3 + 1 × 0,5 + 2 × 0,2 = 0,9

E[Y ] = 0 × 0,12 + 1 × 0,46 + 2 × 0,52 = 1,5
E [𝑿^𝟐] = 02 × 0,3 + 12 × 0,5 + 22 × 0,2 = 1,3
V [X] = 1,3 − 0,9 2 = 0,49 E Y 2 = 02 × 0,12 + 12 × 0,46 + 22 × 0,52 = 2,54
V [Y ] = 2,54 − 0,932 = 1,6751
E[XY ] = 0 × 0 × 0,00 + 0 × 1 × 0,09 + . . . + 2 × 2 × 0 = 0,93
Cov[X, Y ] = 0,93 − 0,9 × 1,5 = −0,42
¿µ y S? In
DT[X] = 0,7
DT[Y ] = 1,294
Cov [X, Y ] = −0,42
Corr[X, Y ] = −0,42 0,7 × 1,294 ≈ −0,464.

Teoría del Muestreo, sus Implicaciones e Importancia

 ¿Qué es una característica de interés?

Una característica de interés, que tiene como naturaleza ser una observación medida directamente
en U, conocida una población o el universo de nuestro interés, que está conformado por
elementos que notaremos como U = { 1, 2, …,𝑁 }.

El objetivo de hacer muestreo será estimar una característica de interés determinada en un

parámetro poblacional, a partir de la observación de un subconjunto con ciertas características
de los elementos del universo.

1. CARACTERÍSTICAS Y PARÁMETROS DE INTERÉS:

Totla poblacional

Promedio Poblacional

Varianza poblacional

2. MUESTRA ALEATORIA:

Es un subconjunto del universo que se extrae mediante un modelo estadístico de selección.

Muestra aleatoria sin reemplazo. la probabilidad de obtener un dato en cada selección viene
influida por los resultados anteriores , en la medida en que en este muestreo no permitimos que
un mismo dato sea seleccionado más de una vez (lo que hace variar las probabilidades en cada
extracción muestral)

Muestra aleatoria con reemplazo. Si una vez observada la unidad ésta es devuelta a la
población, es decir, la estructura de la población permanece constante en cada extracción
3. MUESTRA PROBABILÍSTICA:

El número de elementos en el modelo estadístico de selección es llamado tamaño de la muestra.

4. DISEÑO MUESTRAL:

 Diseño de muestreo
 Diseño de muestreo sin reemplazo
 Diseño de muestreo con reemplazo
 Diseño de muestreo con tamaño de muestra fijo

Teoría del Muestreo, sus Implicaciones e Importancia

¿Qué entendemos por intervalos de confianza?

Un intervalo de confianza es un rango de valores, calculado en una muestra, en el que se

encuentra el verdadero valor del parámetro, con una probabilidad determinada.

La probabilidad de que el verdadero valor del parámetro se encuentre en el intervalo construido

se denomina nivel de confianza, y se denota 1-α. La probabilidad de equivocarnos se llama nivel
de significancia y se simboliza α.

TEORÍA DEL MUESTREO

Supongamos que tenemos una variable aleatoria que sigue una distribución Normal N(µ; σ)
donde la varianza es un valor fijo conocido σ2 = σ20. Nuestro objetivo es, dada una muestra
aleatoria simple de tamaño n de la variable obtener un intervalo de confianza con nivel de
confianza del 95 % para el parámetro µ de la distribución.

Utilizaremos la propiedad de que la media muestral sigue una distribución

Normal de parámetros y, por tanto, si construimos el estadístico:

Su distribución es una Normal estándar N(0, 1).

Es importante que sea una distribución conocida e independiente del parámetro que queremos estimar
µ, puesto que esto nos permite una vez construida la expresión siguiente
Determinar, de manera independiente de µ el valor  zα/2 que delimita una probabilidad del 95 % dentro
del intervalo centrado en cero (-zα/2; zα/2). En este caso, para la distribución N(0, 1), el valor es
aproximadamente 1,96.

Sólo nos resta despejar µ de la expresión anterior para obtener el intervalo definitivo.

REPRESENTACIÓN GRÁFICA

Variables Aleatorias

El siguiente vídeo trata de explicar el sentido y significado de una variable aleatoria.

 Mira este vídeo y trata de resolver el ejercicio que te proponemos a continuación.
https://www.centro-virtual.com/campus/mod/scorm/player.php?a=1323&currentorg=ORG-81B0313A-
492F-10D3-0AD3-906C6E5A2B8C&scoid=2774

Caso Práctico

Aplica los conocimientos adquiridos para resolver el siguiente caso práctico:

Accede al foro

EJERCICIO 1:

Se analizan dos poblaciones en las que se estudian las variables aleatorias:

ζ1 = estatura de los niños españoles (en cm)
ζ2 = estatura de los niños alemanes (en cm)
siendo ζ1 → N(120,5) y ζ2 → N(130,6)
Se extraen m.a.s independientes de cada población de tamaños n=25 y m=30, respectivamente.
Se pide:

a) La probabilidad de que la estatura media de los niños alemanes sea mayor de 180 cm.
EJERCICIO 2:

Dada una población representada por una variable ζ cuya distribución de probabilidad se supone
N(μ,4). Se pide:

Elaborar el intervalo de confianza para la estimación del parámetro μ, al nivel de confianza del
95% con base en una m.a.s de tamaño n=100 en la que se obtiene una media muestral igual a 10.