Bioestadística – Unidad 2

Dra. Myriam Nuñez

 Variables Aleatorias

Al describir el espacio muestral correspondiente

a un experimento aleatorio no siempre
obtenemos resultados numéricos.

2
 Variables Aleatorias

Por ejemplo:

Observamos el resultado de un tratamiento

S={mejoró, empeoró, sigue igual}
los sucesos elementales no son valores
numéricos.

3
 Variables Aleatorias
En muchas experiencias nos va a interesar
observar un resultado no numérico y
anotarlo como un número para facilitar
luego el cálculo de probabilidades y poder
describir mejor el experimento aleatorio.

4
 Variables Aleatorias

Necesitamos una regla que nos permita

transformar en un número real cada
resultado, numérico o no, de la
experiencia.

5
Variables Aleatorias

Mejoró

Sigue Igual

Empeoró
-1 0 1

6
 Variables Aleatorias
Ese número real que asignamos a cada
elemento de S podemos pensarlo como el
valor de una función del espacio muestral
S en el conjunto  de los números reales.

X(mejoró) = 1 X(empeoró) = -1

X(sigue igual) = 0
7
Definición de Variable Aleatoria
Una variable aleatoria (v.a.) es una
función que a cada suceso (elemento) del
espacio muestral S le hace corresponder
un número real.

X: S   ; si s  S , X(s)  

8
 Definición de Recorrido
Llamaremos recorrido de una variable
aleatoria X al conjunto de todos los
valores que puede tomar X. Lo
designaremos con RX y será entonces un
subconjunto de los números reales.

9
Variable Aleatoria Discreta
Ejemplo:

Por ejemplo, un recuento del número de

colonias de un cultivo en agar es una
variable aleatoria discreta. Mientras que
recuentos de 3 y 4 son potencialmente
observables, no lo es uno de 3,5.

10
Variable Aleatoria Discreta
Agar:

gelatina vegetal sacada de ciertas algas

del Japón.

11
Variable Aleatoria Discreta
Definición:

Variable aleatoria discreta es aquélla cuyo

recorrido es un conjunto finito o infinito
numerable de números reales.

12
 Variable Aleatoria Discreta
Ejemplos:

1) Número de intentos para dejar de fumar.

2) Número de Hijos.

3) Número de intervenciones quirúrgicas.

13
 Función de Probabilidad
Definición:

Si X es una variable aleatoria discreta

llamaremos función de probabilidad a la
función p: RX   que a cada valor de X
le asigna su correspondiente probabilidad.

14
 Función de Probabilidad
La función de probabilidad de una
variable aleatoria discreta tiene las
siguientes propiedades:

1) p(xi) ≥ 0  xi ε RX

2) 𝑝(𝑥𝑖 ) = 1
𝑥𝑖 ε𝑅𝑋

Justificar 15
 Función de Probabilidad
Ejemplo:

Valores xi de X -2 -1 0 1 2
p(xi) 0,1 0,2 0,3 0,3 0,1

16
 Función de Probabilidad

0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
-2 -1 0 1 2

17
 Función de Probabilidad
Si conocemos el recorrido de una variable
aleatoria discreta y su correspondiente
función de probabilidad, diremos que
conocemos la distribución de probabilidad
de la v.a., o simplemente la distribución
de X.

18
 Función de Probabilidad
Ahora podemos calcular P(a < X  b) para
cualquier par de números reales a, b con a < b.

Supongamos que, en nuestro ejemplo, queremos

calcular P(0 < X  2) debemos ver qué valores de
X pertenecen al intervalo y sumar las
probabilidades correspondientes.
19
 Función de Distribución
Si X es una variable aleatoria discreta
llamaremos función de distribución de X a
la función FX :    definida por:

𝐹𝑥 𝑡 = 𝑃(𝑋 ≤ 𝑡)

𝐹𝑥 (𝑡) = 𝑝(𝑥𝑖 )
𝑥𝑖 ≤𝑡
20
 Función de Distribución

P(a < X  b) = FX(b) - FX(a)

Demostrar 21
 Variable Aleatoria Continua
Una variable continua tiene la propiedad de
que entre 2 valores observables cualesquiera
hay, “potencialmente”, otro valor observable.
Una variable continua toma valores a lo largo
de un continuo, esto es, en todo un intervalo
de valores. Longitudes y pesos son ejemplos
de variables continuas.
22
Variable Aleatoria Continua
Ejemplo:
La estatura de una persona, puede ser,
por ejemplo, 1,70 mts. ó 1,75 mts., pero
podría tomar cualquier valor intermedio
como por ejemplo 1,73 mts.

23
Variable Aleatoria Continua

Variable aleatoria continua es aquélla

cuyo recorrido es el conjunto de los
números reales o un intervalo de números
reales.

24
 Variable Aleatoria Continua
Ejemplos:

1) Edad

2) Peso

3) Tensión Arterial

25
 Función de Densidad
Si X es una variable aleatoria continua
llamaremos función de densidad de X a la
función f:    que tiene las siguientes
propiedades:

1) f(x) ≥ 0 x ε

f ( x ) dx  1


2) 


3) Si a, b son números reales, a < b

b

P(a ≤ X ≤ b) = 
a
f ( x ) dx 26
 Función de Densidad

De la definición de función de densidad se

deduce que:
a

 a ε  , P (x=a) = 
a
f ( x ) dx =0

27
 Función de Densidad
Si X es una variable aleatoria continua,
valen las siguientes igualdades:
P(a  X  b) = P(a  X  b) = P(a  X  b) =
P(a  X  b)
Estas igualdades no son válidas en el caso
discreto.

28
 Función de Densidad
Ejemplo:

1
4 ( x  1) si 1  x  3

1
f ( x)   si 3  x  4
 2
0 en otro caso


29
 Función de Distribución

Si X es una variable aleatoria continua

llamaremos función de distribución de X a
la función FX:    definida por:
FX(t) = P(X ≤ t)

30
 Función de Distribución

En el caso continuo para hallar el valor de

la función de distribución en un punto,
debemos calcular el área encerrada por la
función de densidad a la izquierda de ese
punto.

31
 Función de Distribución

Como el área se calcula mediante una

integral, si f es la función de densidad de
X:
t
FX (t )   f ( x ) dx t ε


32
 Propiedades de la Función
de Distribución
Estas propiedades son válidas para
variables aleatorias discretas y continuas.

1) P (a < X  b) = FX(b) - FX(a)

2) F es una función no decreciente, es decir,
a < b  FX(a)  FX(b)

3) lim FX (t )  0 lim FX (t )  1
t   t  
33
 Esperanza de una Variable
Aleatoria
La esperanza es un parámetro.
Un parámetro es un número que caracteriza
a la distribución.
Se la llamará también media o valor
esperado. Se la designará, algunas veces,
con la letra .

34
 Esperanza de una Variable
Aleatoria Discreta
Si X es una variable aleatoria discreta, su
recorrido es RX = x1; x2; …; xn … y su
función de probabilidad es p: RX   , la
esperanza de X la definimos como:

E( X )  

x
xi R X
i p ( xi )

35
 Esperanza de una Variable
Aleatoria
¿Cuál es el significado de E(X)?
Supongamos que repetimos muchas veces el
experimento, si hacemos el promedio de los
valores obtenidos, ese promedio se acercará
a la E(X).
La E(X) de una v.a. no es el valor más
probable de la variable.
36
 Esperanza de una Variable
Aleatoria Discreta
Ejemplo:

E(X) = 0,1

37
Esperanza de una Variable
Aleatoria Continua
Si X es una variable aleatoria continua, y
f :    es su función de densidad, la
esperanza de X la definimos como:


E ( X )   x f ( x ) dx

38
 Esperanza de una Variable
Aleatoria Continua
Ejemplo:

39
 Propiedades de E(X)

Las siguientes propiedades de la E(X) son válidas

tanto para variables aleatorias discretas como
continuas.

Si X e Y son variables aleatorias y c es un número

real.
1) E(c) = c
2) E(cX) = c E(X)
3) E(X+Y) = E(X) + E(Y)

40
 Propiedades de E(X)

4) Si x1; x2 ; …; xn son variables aleatorias:

E ( i1 xi )  i1 E ( xi )
n n

5) Si X e Y son variables aleatorias

independientes: E(X.Y) = E(X).E(Y)

41
Esperanza de una función de
una v.a.

Si X es una variable aleatoria y g:    es

una función definida para todos los valores
posibles de X  Y = g(X) es también una
v.a. y podemos hallar E(Y).

42
Esperanza de una función de
una v.a.
Si X es discreta y p(xi) = P(X=xi)  xi  RX

E(Y) = E[g(X)] = 
x R
g ( xi ) p ( xi )
i X

43
Esperanza de una función de
una v.a.

Si X es continua y f:    es su función de
densidad


E(Y) = E[g(X)] =  g ( x ) f ( x ) dx


44
 Varianza de una Variable
Aleatoria
La varianza es un parámetro.
Es una medida de la dispersión de los
valores de X alrededor del valor medio.
Si X es una v.a. se define la varianza de X
como:
Var ( X )  E  X  E ( X )  2

En general se la designará 2.

45
 Desviación Estándar de una
Variable Aleatoria
Si X es una v.a. se llama desviación estándar
de X a la raíz cuadrada positiva de la
varianza.
Se la designará .

   Var ( X )
46
 Propiedad 2.1

Var ( X )  E ( X )   E ( X ) 
2 2

Demostrar 47
 Propiedades de Var(X)
Las siguientes propiedades de la Var(X) son
válidas tanto para variables aleatorias discretas
como continuas.
Si X e Y son variables aleatorias y c es un número
real.
1) Var(c) = 0
2) Var(X+c) = Var(X)
3) Var(cX) = c2 Var(X) Demostrar 48
 Propiedades de Var(X)
4) Si X e Y son variables aleatorias
independientes:
Var(X+Y) = Var(X) + Var(Y)
Demostrar

5) Si x1;x2 ; …; xn son variables aleatorias

independientes

Var ( i1 xi )  i1Var ( xi )

n n

49
 Propiedad 2.2
Si X es una v.a., E(X) = , Var(X) = 2 e
Y=aX+b con a, b números reales, a ≠ 0,
entonces:

E (Y )  a   b
Var (Y )  a 
2 2

Demostrar 50
 Definición de variable
estandarizada
Si X es una v.a., E(X) = , Var(X) = 2 ≠ 0, la
variable aleatoria

𝑋−𝜇
𝑌=
𝜎
se llama variable estandarizada correspondiente
a X.
51
 Propiedad 2.3

Si X es una v.a. e Y es la variable

estandarizada correspondiente a X, entonces

𝐸 𝑌 =0

𝑉𝑎𝑟 𝑌 = 1
Demostrar 52