Métodos Estadísticos de La Ingeniería: Mathieu Kessler

Mtodos
Estadsticos
de la Ingeniera
Mathieu Kessler
Los mtodos estadsticos persiguen extraer de la manera ms
eficiente posible la informacin presente en conjuntos de datos.
Su uso se ha generalizado en todos los campos de la ingeniera
y son varias las asignaturas aplicadas en las titulaciones de
ngeniero ndustrial o ngeniero !cnico ndustrial "ue
presuponen por parte del alumno el manejo bsico de tcnicas
estadsticas sencillas. #ste manual recorre el camino desde la
exploracin previa de un conjunto de datos$ la formulacin de
un modelo aleatorio para el mecanismo de generacin de stos$
hasta la introduccin a las tcnicas de inferencia "ue formalizan
el carcter significativo o no de las conclusiones "ue se puede
extraer de los datos resultantes de un experimento.
Se ha optado por una presentacin intuitiva de los conceptos
intentando en la medida de lo posible relacionarlos con la
experiencia prctica o el sentido com%n&
'athieu (essler es )atedrtico de *niversidad en el rea de
#stadstica e nvestigacin +perativa en el ,epartamento de
'atemtica -plicada y #stadstica de la *niversidad .olitcnica
de )artagena. #s doctor en #stadstica por la *niversidad de
.aris / y autor de numerosas publicaciones tanto sobre
estadstica terica como sobre aplicaciones de la estadstica en
revistas internacionales.
-utor0 'athieu (essler
S120 3456576383346946:
,. Legal0 '*6;3736<995
i
Prologo
Este manual se ha desarrollado a partir de los apuntes que el autor usa como so-
porte para sus clases en la asignatura de Metodos Estadsticos de la Ingeniera que
ha impartido en numerosas ocasiones, tanto en la titulacion de Ingeniero Industrial
como en la de Ingeniero Tecnico Industrial de varias especialidades.
Se pueden destacar tres objetivos para esta asignatura:
capacitar al alumno para extraer, resumir y comunicar informacion a partir de
conjuntos de datos experimentales,
proporcionarle las herramientas para la construccion de modelos para estos
datos a traves de variables aleatorias,
nalmente, introducir al alumno en los conceptos de la inferencia estadstica,
permitiendole llegar a conclusiones signicativas a partir de una muestra.
El temario de la asignatura recorre estos objetivos, escogiendo deliberadamente
una presentacion intuitiva de los conceptos e intentando en la medida de lo posible
relacionarlos con la experiencia practica o el sentido com un de los alumnos. En
la primera parte, se pone especial enfasis en el uso intensivo de gracas para la
exploracion de datos.
Quiero dar las gracias aqu en primer lugar, a todos los alumnos que he tenido y
que, por sus preguntas y dudas me han obligado a precisar y pulir mis explicaciones,
e incluso mi propia comprension de los conceptos. Muchos de ellos me han regalado
su atencion, su ilusion, su interes, y por ello, me han hecho disfrutar con mi trabajo.
Tambien estoy agradecido a mis compa neros del area de Estadstica e I.O y
del Departamento de Matematica Aplicada y Estadstica, por contribuir a crear un
ambiente de trabajo agradable y estimulante, asi como a la Escuela Tecnica Superior
de Ingenieros Industriales de la UPCT por su apoyo en una primera edicion de este
manual.
Finalmente dedico este libro a Graci, Quique y David por ser la alegra de mis
das, por su admiracion ciega y en absoluto fundamentada en sus conocimientos
estadsticos, y por estar siempre all cuando vuelvo a casa...
ii
Pr ologo a la segunda edici on (2013)
En esta segunda edicion, realizada por la celebracion en 2013 del A no Interna-
cional de la Estadstica, se han corregido erratas, actualizado algunos conjuntos de
datos, e incluido como cabecera de cada captulo un curiosidad destinada a ilustrar
el papel omnipresente de la estadstica en el funcionamiento de nuestras sociedades.
Indice general
I Exploracion de datos 1
I.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.2 Unos cuantos terminos . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.3 Tabulacion y representaciones gracas . . . . . . . . . . . . . . . . . 2
I.3.1 Gracas para variable cualitativa . . . . . . . . . . . . . . . 2
I.3.2 Gracas para una variable cuantitativa . . . . . . . . . . . . 3
I.4 Medidas numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.4.1 Medidas de centro . . . . . . . . . . . . . . . . . . . . . . . . 9
I.4.2 Medidas de dispersion . . . . . . . . . . . . . . . . . . . . . 10
I.4.3 Un resumen graco: el diagrama de caja-bigotes . . . . . . . 11
I.5 Ajuste por mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . 12
I.5.1 Planteamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 12
I.5.2 Criterio de mnimos cuadrados . . . . . . . . . . . . . . . . . 13
I.5.3 Casos concretos . . . . . . . . . . . . . . . . . . . . . . . . . 16
II Fundamentos de la teora de la probabilidad. 27
II.1 Conceptos basicos relacionados con un experimento . . . . . . . . . 27
II.1.1 Experimento aleatorio . . . . . . . . . . . . . . . . . . . . . 27
II.1.2 Suceso elemental . . . . . . . . . . . . . . . . . . . . . . . . 28
II.1.3 Espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . 28
II.1.4 Suceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
II.1.5 Diagrama de Venn . . . . . . . . . . . . . . . . . . . . . . . 29
II.1.6 Leyes de Morgan . . . . . . . . . . . . . . . . . . . . . . . . 29
II.2 Concepto de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . 30
II.2.1 Denicion informal de la probabilidad - propiedades. . . . . 30
II.2.2 El caso de un espacio muestral nito y la denicion de Laplace. 31
II.3 La probabilidad condicionada. . . . . . . . . . . . . . . . . . . . . . 33
II.3.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.3.2 Regla del producto. . . . . . . . . . . . . . . . . . . . . . . . 34
II.3.3 Propiedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
II.4 Sucesos independientes . . . . . . . . . . . . . . . . . . . . . . . . . 34
II.4.1 Denicion para dos sucesos . . . . . . . . . . . . . . . . . . . 34
II.4.2 Denicion para n sucesos . . . . . . . . . . . . . . . . . . . . 35
II.5 Ejemplos de probabilidades condicionadas en la vida diaria . . . . . 35
II.5.1 Eslogan publicitario para la lotera . . . . . . . . . . . . . . 35
II.5.2 Tabaquismo y cancer de pulmon . . . . . . . . . . . . . . . . 35
II.5.3 Tabaquismo y esperanza de vida . . . . . . . . . . . . . . . . 36
II.6 Formula de la probabilidad total y teorema de Bayes . . . . . . . . 36
iv

INDICE GENERAL
II.6.1 Condiciones de aplicacion . . . . . . . . . . . . . . . . . . . 36
II.6.2 Los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 36
II.6.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
III Variable aleatoria I 41
III.1 Concepto de variable aleatoria . . . . . . . . . . . . . . . . . . . . . 41
III.1.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.1.2 Distribucion de una variable aleatoria . . . . . . . . . . . . . 42
III.2 Funcion de distribucion de una v.a . . . . . . . . . . . . . . . . . . 43
III.2.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.2.2 Calculo para el ejemplo de las tres monedas . . . . . . . . . 43
III.2.3 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.3 Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . 44
III.3.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
III.3.2 Funcion puntual de probabilidad . . . . . . . . . . . . . . . 44
III.3.3 Caractersticas de una variable discreta . . . . . . . . . . . . 45
III.3.4 Modelos mas usados de v.a. discretas . . . . . . . . . . . . . 47
III.4 Variable continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
III.4.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
III.4.2 Funcion de densidad . . . . . . . . . . . . . . . . . . . . . . 51
III.4.3 Medidas numericas asociadas a una v.a continua . . . . . . . 54
III.4.4 Modelos mas comunes de v.a continua . . . . . . . . . . . . 56
III.5 Algunas propiedades utiles de la esperanza y la varianza . . . . . . 63
IV Variable Aleatoria II 67
IV.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
IV.2 Variable bidimensional discreta . . . . . . . . . . . . . . . . . . . . . 67
IV.2.1 Funcion puntual de probabilidad conjunta . . . . . . . . . . 68
IV.2.2 Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
IV.3 Variable bidimensional continua . . . . . . . . . . . . . . . . . . . . 69
IV.3.1 Funcion de densidad conjunta . . . . . . . . . . . . . . . . . 69
IV.3.2 Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
IV.4 Distribuciones condicionadas . . . . . . . . . . . . . . . . . . . . . . 71
IV.4.1 V.a bidimensional discreta . . . . . . . . . . . . . . . . . . . 71
IV.4.2 Para una v.a bidimensional continua . . . . . . . . . . . . . 72
IV.4.3 Esperanza condicionada . . . . . . . . . . . . . . . . . . . . 73
IV.5 Variables independientes . . . . . . . . . . . . . . . . . . . . . . . . 73
IV.5.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
IV.5.2 Consecuencias practicas . . . . . . . . . . . . . . . . . . . . 74
IV.6 Medidas numericas para una v.a bidimensional . . . . . . . . . . . . 74
IV.6.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
IV.6.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
IV.7 Algunos modelos de v.a. multidimensional . . . . . . . . . . . . . . 76
IV.7.1 Modelo multinomial . . . . . . . . . . . . . . . . . . . . . . . 76
IV.7.2 El modelo Normal multidimensional . . . . . . . . . . . . . 77
V Muestreo y distribuciones muestrales 83
V.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
INDICE GENERAL v
V.2 Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
V.3 La media muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
V.3.1 Esperanza y varianza de

X . . . . . . . . . . . . . . . . . . . 87
V.3.2 Distribucion de la media muestral . . . . . . . . . . . . . . . 89
V.4 La varianza muestral . . . . . . . . . . . . . . . . . . . . . . . . . . 90
V.5 Distribucion t de Student . . . . . . . . . . . . . . . . . . . . . . . . 90
V.6 La proporcion muestral . . . . . . . . . . . . . . . . . . . . . . . . . 92
V.6.1 Calculos exactos para la distribucion de p . . . . . . . . . . 93
V.6.2 Distribucion aproximada de p . . . . . . . . . . . . . . . . . 93
V.7 Introduccion a las gracas de control . . . . . . . . . . . . . . . . . 94
V.7.1 Graca de control

X. . . . . . . . . . . . . . . . . . . . . . . 94
V.7.2 Graca de control p . . . . . . . . . . . . . . . . . . . . . . . 95
V.7.3 Otra se nal de alarma . . . . . . . . . . . . . . . . . . . . . . 96
VI Introduccion a la teora de la estimacion 99
VI.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
VI.2 Estimacion puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
VI.2.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
VI.2.2 Propiedades deseables para un estimador . . . . . . . . . . . 100
VI.2.3 Metodos de construccion de estimadores . . . . . . . . . . . 101
VI.3 Estimacion por intervalos . . . . . . . . . . . . . . . . . . . . . . . . 105
VI.3.1 Idea basica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
VI.3.2 Intervalo de conanza para la media de una distribucion
Normal con varianza conocida . . . . . . . . . . . . . . . . . 105
VI.3.3 Comentarios importantes . . . . . . . . . . . . . . . . . . . . 108
VI.3.4 Determinacion del tama no muestral . . . . . . . . . . . . . . 109
VII Introduccion a los contrastes de hipotesis 113
VII.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
VII.2 Planteamiento general . . . . . . . . . . . . . . . . . . . . . . . . . . 114
VII.2.1 Hipotesis estadstica . . . . . . . . . . . . . . . . . . . . . . 114
VII.2.2 Regla de decision . . . . . . . . . . . . . . . . . . . . . . . . 114
VII.2.3 Evaluacion del error . . . . . . . . . . . . . . . . . . . . . . 114
VII.2.4 Procedimiento . . . . . . . . . . . . . . . . . . . . . . . . . . 115
VII.3 Contraste de hip otesis para la media de una distribucion Normal
con varianza conocida. . . . . . . . . . . . . . . . . . . . . . . . . . 116
VII.3.1 Hipotesis bilateral . . . . . . . . . . . . . . . . . . . . . . . . 116
VII.3.2 Hipotesis unilateral . . . . . . . . . . . . . . . . . . . . . . . 117
VII.3.3 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
VII.4 Concepto de p-valor . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
VII.5 Potencia del test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
VII.5.1 Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
VII.5.2 Calculo de la potencia . . . . . . . . . . . . . . . . . . . . . 121
VII.5.3 Ejemplo de calculo de la potencia . . . . . . . . . . . . . . . 122
VII.5.4 Factores que inuyen la potencia . . . . . . . . . . . . . . . 123
VII.6 Inferencia para la media . . . . . . . . . . . . . . . . . . . . . . . . 123
VII.6.1 Contraste de hipotesis para la media de una distribucion
Normal con varianza desconocida . . . . . . . . . . . . . . . 123
vi

INDICE GENERAL
VII.7 Inferencia para dos medias . . . . . . . . . . . . . . . . . . . . . . . 125
VII.7.1 Estadsticos muestrales . . . . . . . . . . . . . . . . . . . . . 126
VII.7.2 Intervalos y contrastes . . . . . . . . . . . . . . . . . . . . . 127
2013: A no Internacional de la Estadstica. Sabas que...?
La creaci on de la Comisi on de Estadstica del Reino el 3 de no-
viembre de 1856 marca el comienzo de la estadstica ocial en
Espa na, siendo su primer trabajo el Censo de Poblaci on que se
realizo en mayo de 1857. En diciembre de 1945 se crea el Instituto
Nacional de Estadstica que tiene como mision la elaboracion de
las estadsticas demogracas, ec onomicas y sociales del pais.
Fuente: Instituto Nacional de Estadstica, http://www.ine.es (Breve rese na his-
torica)
TEMA I
Exploraci on de datos
I.1. Introduccion
La estadstica utiliza datos para conseguir comprension sobre un fenomeno. Basi-
camente, esta comprension es una consecuencia de la combinacion entre conocimien-
tos previos sobre el fenomeno y nuestra capacidad para utilizar gracos y calculos
para extraer informacion de los datos.
En contextos industriales se recogen a menudo grandes conjuntos de datos co-
rrespondientes a un gran n umero de variables. Un efecto contradictorio aparece: por
una parte, cuanto mas datos, mas informacion podemos extraer sobre las variables
de interes, pero a la vez es mas difcil su extraccion.
En este contexto aparece una primera etapa fundamental frente a un conjunto
de datos: la exploracion, que se realiza a traves de representaciones gracas y del
calculo de unas cuantas medidas numericas bien escogidas.
Para tener las ideas claras, unos cuantos gracos pueden proporcionarnos in-
formacion mas valiosa que procedimientos sosticados que no dominamos. En esta
asignatura, veremos en temas posteriores metodos mas sosticados de analisis pero
dedicamos ahora un captulo a recordar las tecnicas elementales con el objetivo de
fomentar reacciones sanas frente a un conjunto de datos.
Aun cuando el conjunto de datos presenta varias variables, se debe empezar por
el estudio individual de cada una.
I.2. Unos cuantos terminos
Un conjunto de datos describe individuos, que pueden ser personas pero
tambien objetos. Por ejemplo, asociados a esta clase, podemos considerar que
los individuos son los alumnos.
Consideramos variables asociadas a este conjunto de datos, distinguiremos en-
tre variable cuantitativa , que asocia un n umero a cada individuo, o va-
riable cualitativa , que coloca cada individuo en una categora. Ejemplos de
2 Mathieu Kessler: Metodos Estadsticos
variables cuantitativas asociadas a la clase: peso, altura o edad. El sexo o el
grupo sanguneo son en cambio variables cualitativas.
Un concepto fundamental que utilizaremos con frecuencia corresponde a la
distribucion de una variable X asociada a un conjunto de datos. Describir la
distribucion de X corresponde a establecer la lista de los valores que toma X
junto con la frecuencia con la que toma cada valor. Hablaremos de frecuencia
absoluta de un valor para denotar el n umero de veces que aparece este valor
en el conjunto de datos, mientras que la frecuencia relativa corresponde a
la proporcion (o el porcentaje) de veces que aparece este valor.
En particular, una de las caractersticas interesantes de un conjunto de datos
consiste en determinar si presenta mucha o poca variabilidad.
Ejemplo I.2.1 Consideremos por ejemplo la distribucion del grupo sanguneo en
una clase presentada en la tabla siguiente:
Grupo Frec. absoluta Frec. relativa
A 51 51/145=0.35
B 19 0.13
O 5 0.03
AB 70 0.49
Que representa la suma de la segunda columna (Frec. absoluta)? Cuanto vale la
suma de la tercera columna?
I.3. Tabulacion y representaciones gracas
Las representaciones gracas son una herramienta fundamental para extraer in-
formacion de forma visual de un conjunto de datos. Pueden ser mucho mas utiles
que procedimientos sosticados que uno no domina...
I.3.1. Gracas para variable cualitativa
Para un conjunto de datos descritos por una variable cualitativa, podemos rea-
lizar dos tipos de gracas:
I.3.1.1. Diagrama de barras
Para cada valor que toma la variable en el conjunto y que indicamos en el eje
horizontal, representamos en el eje vertical su frecuencia absoluta o relativa, en forma
de una barra. En el caso del ejemplo I.2.1, obtenemos el diagrama de barra de la
gura I.1. Cabe destacar que se suelen ordenar los valores de la variable por orden
decreciente de frecuencias.
I.3.1.2. Diagrama de sectores
Si el conjunto no presenta demasiados valores distintos, tambien podemos utilizar
el diagrama de sectores, donde cada valor ocupa un sector circular cuya area es
proporcional a su frecuencia.
I.3 Tabulacion y representaciones gracas 3
AB A B O
0
2
0
4
0
6
0
8
0
Figura I.1: Diagrama de barras, frecuencias absolutas, para el ejemplo I.2.1 del grupo
sanguneo,
Para el ejemplo I.2.1, calculemos el angulo que ocupara el sector para cada uno
de los valores AB, A, B, O. Por una regla de tres, deducimos que si el crculo entero
(360 grados) representara el n umero total de datos en el conjunto, es decir 145
individuos, el valor AB con una frecuencia de 70 individuos debera ocupar un sector
de 70/145360 = 174
o
. Asimismo, el valor A ocupara 126
o
, el valor B 48
o
, mientras
que el valor O ocupara solamente 12
o
. El diagrama de sectores correspondiente se
representa en la gura I.2.
I.3.2. Gracas para una variable cuantitativa
Nos centramos ahora en variables cuantitativas. Los conjuntos que examinaremos
se presentaran o bien en forma bruta: un chero con una columna para cada variable,
donde cada la representa un individuo, o bien en forma ya tabulada, es decir donde
los datos estan agrupados.
Para datos agrupados, consideremos mediciones del contenido en nitrato de una
muestra de agua:
Valor Frecuencia Valor Frecuencia
0.45 1 0.49 8
0.46 2 0.50 10
0.47 4 0.51 5
0.48 8 0.51 8
Tambien se puede representar gracamente mediante un diagrama de barras esta
distribucion de frecuencias, indicando en el eje Ox los valores que puede tomar la
AB
A
B
O
Figura I.2: Diagrama de sectores para el ejemplo I.2.1 del grupo sanguneo,
variable y en el eje Oy sus frecuencias. Obtenemos as un diagrama de barras en el
ejemplo de las mediciones de la concentracion en nitrato, ver gura I.3.
0.45 0.46 0.47 0.48 0.49 0.50 0.51 0.52
2
4
6
8
1
0
Mediciones de nitrato
F
r
e
c
u
e
n
c
i
a
s
Figura I.3: Diagrama de barras para las concentraciones de nitrato
En el caso en que el conjunto presente muchas valores proximos pero distintos,
agrupamos los datos por clases, tal como lo veremos en los apartados siguientes.
I.3.2.1. Ejemplo: mediciones de la velocidad de la luz
Consideramos para ilustrar los conceptos que introduciremos en el resto del tema
el conjunto de datos de Newcomb (http://www.dmae.upct.es/mathieu). Newcomb
fue el primero en conseguir en 1882! una estimacion bastante precisa de la veloci-
dad de la luz. Las mediciones recogidas a continuacion corresponden a los tiempos
codicados que tardo un rayo de luz en recorrer el camino de ida y vuelta desde el
laboratorio de Simon Newcomb situado en el Ro Potomac hasta un espejo situado
en la base del Washington Monument, en total una distancia de 7400m. Para ob-
tener los tiempos en nano segundos (10
9
s) no codicados, hay que a nadir 24800 a
cada dato.
1
Tiempos codicados: 28, 26, 33, 24, 34, -44, 27, 16, 40, -2, 29, 22, 24, 21, 25, 30, 23,
29, 31, 19, 24, 20, 36, 32, 36, 28, 25, 21, 28, 29, 37, 25, 28, 26, 30, 32, 36, 26, 30, 22,
36, 23, 27, 27, 28, 27, 31, 27, 26, 33, 26, 32, 32, 24, 39, 28, 24, 25, 32, 25, 29, 27, 28,
29, 16, 23
Al observar estos datos, podemos realizar dos comentarios:
1. Por que Newcomb repitio tantas veces las mediciones, y no se limito a realizar
el experimento una vez? Porque los datos resultados del experimento presentan
una cierta variabilidad: por mucho que haya intentado controlar las condiciones
experimentales para mantenerlas constantes, el resultado es imprevisible. La
medicion esta siempre perturbada por un ruido incontrolable...
2. Que hacer con estos datos? A la vista de estos datos, cual es el valor que
podramos tomar como la velocidad de la luz? Debemos encontrar un valor
que sea representativo de las 66 mediciones realizadas. Se suele escoger la
media, pero para asegurarnos de que esta es representativa del conjunto, es
util establecer la tabla de frecuencias y visualizar el conjunto a traves de un
histograma, tal como lo vemos en la seccion siguiente...
I.3.2.2. Tabla de frecuencias y histograma
En el caso en que el conjunto presente muchas valores proximos pero distintos,
empezamos por agrupar los datos por clases: ordenamos los datos por orden cre-
ciente, dividimos el rango de los valores en clases de igual amplitud, y colocamos
cada dato en la clase que le toca. A continuacion podemos realizar el recuento de
las frecuencias de cada clase.
Cuantas clases escoger?La eleccion del n umero de clases es una problema que
no admite una solucion perfecta que sirva para todos los conjuntos de datos. Una
regla aproximada llamada regla de Sturges consiste en escoger 1+log
2
(n) clases para
un conjunto con n datos.
Para le ejemplo de las mediciones de Newcomb, los datos ordenados se presentan
como:
1
Fuente: Moore, David S. and McCabe, George P. (1989). Introduction to the Practice of Sta-
tistics, W. H. Freeman and Company: New York, NY, pp 3-16.
Pos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Dato -44 -2 16 16 19 20 21 21 22 22 23 23 23 24 24
Pos 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Dato 24 24 24 25 25 25 25 25 26 26 26 26 26 27 27
Pos 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Dato 27 27 27 27 28 28 28 28 28 28 28 29 29 29 29
Pos 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
Dato 29 30 30 30 31 31 32 32 32 32 32 33 33 34 36
Pos 61 62 63 64 65 66
Dato 36 36 36 37 39 40
Utilizamos por ejemplo clases de amplitud 5 empezando en -45 y acabando en
40, y realizamos el recuento de las frecuencias de cada clase:
Clase Frecuencia Clase Frecuencia Clase Frecuencia
] 45, 40] 1 ] 15, 10] 0 ]15, 20] 4
] 40, 35] 0 ] 10, 5] 0 ]20, 25] 17
] 35, 30] 0 ] 5, 0] 1 ]25, 30] 26
] 30, 25] 0 ]0, 5] 0 ]30, 35] 10
] 25, 20] 0 ]5, 10] 0 ]35, 40] 7
] 20, 15] 0 ]10, 15] 0
Cuando establecemos la tabla de frecuencias de una variable cuantitativa, indi-
camos tambien las frecuencias acumuladas de cada clase: la frecuencia absoluta
(relativa) acumulada de una clase es el n umero (proporcion) de datos que pertenecen
a esta clase o a alguna clase anterior.
La tabla completa de frecuencias tal como nos la suele presentar un programa
de estadstica incluye las frecuencias absolutas y relativas as como las frecuencias
acumuladas absolutas y relativas. Para el ejemplo de las mediciones de Newcomb,
la tabla completa se puede ver en la Tabla I.1 mas abajo.
Por otra parte, los datos tabulados se examinan con mas comodidad a traves
de representaciones gracas. En el eje Ox aparecen las clases y en el eje Oy las
frecuencias, el diagrama resultante se llama histograma. En la gura I.4, aparece el
histograma para las mediciones de Newcomb. Se pueden representar histogramas de
frecuencias absolutas, relativas, absolutas acumuladas o relativas acumuladas.
I.3.2.3. Como interpretar un histograma
Las representaciones gracas describen la distribucion de la variable en el con-
junto. Al examinarlos hay que que intentar contestar a las siguientes preguntas, para
resumir las caractersticas de la distribucion.
1. Es el histograma simetrico? Es decir, aparece un punto central, respecto
al cual, los valores se van repartiendo de manera aproximadamente simetrica?
Esta es la situacion clasica para un conjunto de mediciones: el valor central
sera lo mas representativo de lo que intentamos medir, y las mediciones van
sobrevalorando e infravalorando de manera simetrica este valor. Si no conside-
ramos los valores -44 y -2 en el conjunto de Newcomb, por ser muy diferentes
Clase Frecuencias Frec. Acumuladas
Absolutas Relativas( %) Absolutas Relativas( %)
] 45, 40] 1 1.5 1 1.5
] 40, 35] 0 0.0 1 1.5
] 35, 30] 0 0.0 1 1.5
] 30, 25] 0 0.0 1 1.5
] 25, 20] 0 0.0 1 1.5
] 20, 15] 0 0.0 1 1.5
] 15, 10] 0 0.0 1 1.5
] 10, 5] 0 0.0 1 1.5
] 5, 0] 1 1.5 2 3.0
]0, 5] 0 0.0 2 3.0
]5, 10] 0 0.0 2 3.0
]10, 15] 0 0.0 2 3.0
]15, 20] 4 6 6 9
]20, 25] 17 25.7 23 34.7
]25, 30] 26 39.3 49 74
]30, 35] 10 15.3 59 89.3
]35, 40] 7 10.7 66 100
TOTAL 66 100.0
Tabla I.1: Tabla de frecuencias, mediciones de Newcomb.
Mediciones
F
r
e
c
u
e
n
c
i
a
s
0
10
20
30
40
40 20 0 20 40
Figura I.4: Histograma para las mediciones de Newcomb
del resto del conjunto, podemos decir que la distribucion de las mediciones es
aproximadamente simetrica.
2. Posee la distribucion colas largas?
3. Posee el histograma un maximo claro unico? En este caso hablamos de histo-
grama unimodal.
4. Aparecen datos atpicos?, es decir datos que se alejan del patron global de los
datos. Para el conjunto de Newcomb, dos datos aparecen claramente atpicos: -
44 y -2, mientras que las 64 mediciones restantes estan entre 15 y 40. Al detectar
datos atpicos, debemos comprobar que no se deban a errores tipogracos,
y buscar si estan asociados a unas circunstancias experimentales especiales.
Podremos entonces decidir corregirlos u omitirlos del estudio.
5. Donde localizamos el centro aproximado de los datos?
6. Presentan los datos mucha dispersion?, lo que se traduce en la forma pun-
tiaguda o chata del histograma. En el caso de mediciones, el hecho de que los
datos esten concentrados revela que se consiguio una buena regularidad en el
proceso de medicion...
En la gura I.5, presentamos varios patrones de histogramas.
Histograma aprox. simtrico, unimodal, con colas cortas.
x1
F
re
c
.
1.5 2.0 2.5 3.0 3.5 4.0 4.5
0
1
0
2
0
3
0
4
0
Histograma asimtrico
x00
F
re
c
.
0 2 4 6 8 10
0
1
0
2
0
3
0
4
0
Cola larga a la derecha
x0
F
re
c
.
0 5 10 15
0
1
0
2
0
3
0
Histograma bimodal
x12
F
re
c
.
2 3 4 5 6 7
0
1
0
2
0
3
0
4
0
5
0
6
0
7
0
Figura I.5: Distintos patrones de histogramas.
I.4. Medidas numericas
Para variables cuantitativas, se suele acompa nar las representaciones gracas de
las distribuciones con medidas numericas que proporcionen un resumen de sus ca-
ractersticas principales. Existen medidas numericas para contestar a cada pregunta
I.4 Medidas numericas 9
(y alguna mas...) planteadas en el apartado anterior a la hora de examinar el his-
tograma. Nos limitaremos a las medidas de centro y de dispersion, es decir las que
proporcionen una respuesta a las preguntas 5 y 6.
I.4.1. Medidas de centro
Buscamos ahora medidas numericas que sean representativas del centro del con-
junto de dato.
I.4.1.1. La media:
Si x
1
, . . . , x
n
son los datos, sabemos todos que la media es
x =
x
1
+ +x
n
n
.
En el caso en que los datos ya estan tabulados y tenemos los valores distintos
x
1
, . . . , x
m
junto con sus frecuencias n
1
, . . . , n
m
, deberemos tener en cuenta estas
frecuencias para el calculo de la media:
x =
n
1
x
1
+ +n
m
x
m
(n
1
+. . . +n
m
)
.
En este caso, cuantos individuos tenemos en el conjunto?
Nota: Representa el centro de gravedad de los datos, es decir que si a cada dato
le damos un peso unidad, la media representa el punto en el que el conjunto esta en
equilibrio.
En particular, deducimos que la media es muy sensible a datos atpicos en el con-
junto de datos: si a nado un dato (peso) alejado del centro de gravedad, el punto de
equilibrio debe desplazarse mucho hacia este para que se mantenga el equilibrio.
Para paliar estos inconvenientes, se considera tambien la mediana:
I.4.1.2. La mediana:
La mediana es el punto que deja el 50 % de los datos a su izquierda y el otro 50 %
a su derecha. Es una medida de centralizacion mas adecuada que la media en el caso
en que la distribucion de los datos es asimetrica ( lo que se ve en el histograma) o si
hay datos atpicos. Si la distribucion es simetrica, la media y la mediana coinciden.
Para calcular la mediana de un conjunto de n datos, x
1
, x
2
, . . . , x
n
, empiezo por
ordenar los datos por orden creciente. La mediana es el dato ordenado n
o
(n+1)/2.
Ejemplo: 125, 129, 134, 185, 200. La mediana es el dato ordenado n
o
3, y es igual
a 134.
11, 15, 20, 23: la mediana es el dato ordenado n
o
2.5, que tomamos por convencion
igual al punto medio entre el dato n
o
2 y el dato n
o
3. En este caso, la mediana es
igual a 17.5.
La mediana no es sensible a datos atpicos, para convencerse de ello, se puede
considerar el ejemplo anterior donde se sustituye el valor 23 por 1000... La mediana
no cambia... Por lo tanto, la mediana es mas representativa del centro del conjunto
si hay alg un dato atpico o si la distribucion es algo asimetrica...
I.4.2. Medidas de dispersion
I.4.2.1. La desviacion tpica
Mide lo lejos que estan situados los datos respecto de su centro de gravedad, la
media. Empezamos por denir la varianza:
s
2
=
(x
1
x)
2
+ + (x
n
x)
2
n 1
, (I.1)
que representa aproximadamente el promedio de las distancias al cuadrado entre los
datos y su media. La desviacion tpica s es la raz cuadrada de s
2
.
Para calcularla en la practica se suele preferir la formula siguiente
s
2
=
n
n 1
(x
2
( x)
2
), (I.2)
donde x
2
representa la media de los datos que hemos previamente elevado al cuadra-
do, mientras que ( x)
2
representa el cuadrado del valor de la media. Como ejemplo,
supongamos que quiero calcular la varianza de los datos siguientes 4, 5,5, 6,5, 8.
Necesito por una parte x, que calculo como x = (4 + 5,5 + 6,5 + 8)/4 = 6, y por
otra parte x
2
que calculo como x
2
= (4
2
+5,5
2
+6,5
2
+8
2
)/4 = 38,125. Por lo tanto,
deduzco
s
2
=
4
3
[38,125 (6)
2
] = 2,8333.
Naturalmente, la desviacion tpica es representativa de la dispersion del conjunto de
datos solo si la media es representativa de su centro.
Es bueno ser consciente de que la desviacion tpica, al igual que la media, se ex-
presa en las mismas unidades que los datos, mientras que la varianza en (unidades)
2
.
Una medida alternativa de dispersion que puede ser mas representativa en el caso
en que la distribucion es asimetrica o en presencia de datos atpicos, es el rango
intercuartlico.
I.4.2.2. El rango intercuartlico (RIC)
Hemos denido la mediana como el punto que separa el conjunto en dos partes
de mismo tama no. Denimos de la misma manera los cuartiles como los puntos que
separan el conjunto en cuatro partes de mismo tama no. El primer cuartil Q
1
deja
el 25 % de los datos ordenados a su izquierda, y el otro 75 % a su derecha, mientras
que el tercer cuartil Q
3
deja el 75 % de los datos ordenados a su izquierda, y el
otro 25 % a su derecha. Por lo tanto el par (Q
1
, Q
3
) nos proporciona informacion
sobre la dispersion presente en los datos: cuanto mas alejados esten los cuartiles, mas
dispersos estan los datos. Por ello, calculamos el rango intercuartlico RIC como la
diferencia entre Q
3
y Q
1
.
Para calcular los cuartiles, empezamos por calcular la mediana Me de los datos.
El primer cuartil es la mediana del grupo de datos que queda a la izquierda de Me
(Me excluida), mientras que el tercer cuartil se calcula como la mediana del grupo
que queda a su derecha (Me excluida).
El RIC tambien se utiliza para detectar datos atpicos:
Regla: Se consideran como atpicos los datos que son menores de Q
1
1,5 RIC,
o mayores de Q
3
+ 1,5 RIC.
I.4 Medidas numericas 11
I.4.3. Un resumen graco: el diagrama de caja-bigotes
El diagrama de caja-bigotes es un resumen graco que permite visualizar, para
un conjunto de datos, la tendencia central, la dispersion y la presencia posible de
datos atpicos. Para realizarlo se necesita calcular la mediana, el primer cuartil, y el
tercer cuartil de los datos:
El diagrama de caja-bigotes presenta de manera graca estas informaciones, tal
como esta recogida en la gura I.6.
8
9
1
0
1
1
1
2
Dato atpico
Q3
Me
Q1
Bigote
Figura I.6: Componentes del diagrama caja-bigotes
Los segmentos 1.5 RIC (llamados bigotes) se recortan hasta : el dato del con-
junto inmediatamente superior a Q
1
1,5 RIC para el bigote inferior, y el dato
inmediatamente inferior a Q
3
+ 1,5 RIC, para el bigote superior.
La mayor utilidad de los diagramas caja-bigotes es para comparar dos o mas
conjuntos de datos.
Ejemplo
La puntuacion de los equipos de la liga espa nola al nal de las temporadas 01/02
y 02/03 en primera division se pueden comparar con un diagrama caja-bigotes, como
aparece en la gura I.7
Comentarios: No hay datos atpicos, es decir que no hay equipo que se haya
destacado por arriba o por abajo del resto de los equipos. Hay mas diferencia de
puntos entre el primer y el ultimo clasicado para la liga 02/03 que en la liga anterior.
Los equipos del tercer cuarto de la clasicacion estan muy apelotonados en la liga
02/03.
102 203
4
0
5
0
6
0
7
0
Figura I.7: Comparacion puntuacion nal, temporadas 01/02 y 02/03
I.5. Ajuste por mnimos cuadrados
I.5.1. Planteamiento
Es muy normal considerar mas de una variable asociada a un experimento. En
este caso, mas que la distribucion de cada variable por separado, nos puede interesar
en particular las relaciones que existan entre ellas. Nos centraremos aqu en el caso
en que distinguimos una variable llamada respuesta, cuya amplitud depende de los
valores de otras variables llamadas explicativas, y aprenderemos como deducir un
modelo para la evolucion de la primera en funcion de estas ultimas.
Hay dos utilidades principales al disponer de un modelo: podemos primero ex-
plicar la manera en la que cambios en los valores de una variable explicativa induce
cambios en el valor de la variable respuesta. Por ejemplo, si pienso que la tempe-
ratura media Y en agosto en San Javier evoluciona en funcion del a no seg un el
modelo:
Temperatura = 582,5 + 0,31a no,
deducire que en promedio, la temperatura media en agosto aumenta de 0.3 grados
cada a no.
Por otra parte, si dispongo de un modelo para la evolucion de la variable res-
puesta, me permite tambien realizar predicciones del valor que tomara para valores
de las explicativas que no hemos observado.
Acabamos esta seccion de presentacion con cuatro ejemplos con datos reales to-
mados de campos diferentes. Las nubes de puntos correspondientes estan presentadas
en la gura I.8
Estudio de la resistencia del cemento en funcion del tiempo de fraguado en
das. Fuente: Hald, A. (1952) Statistical theory for engineering applications,
Wiley & Sons New-York, pag 541. Como evoluciona la resistencia de piezas de
cemento en funcion del tiempo de fraguado? Cuanto tiempo hay que esperar
para conseguir el 90 % de la resistencia maxima? Este es el tipo de preguntas
a las que podemos contestar con el estudio de este conjunto de datos.
I.5 Ajuste por mnimos cuadrados 13
Todos los a nos Venecia se inunda durante las acqua alta. Sin embargo, parece
que el nivel maximo al que llega el mar esta cada a no mas alto, haciendo
temer por la conservacion de la ciudad y de sus monumentos. Es por lo tanto
de interes estudiar la evolucion del nivel maximo del mar en funcion del a no.
Fuente: Smith, R.L (1986) Extreme value theory based on the r largest annual
events, Journal of Hydrology, 86.
Evolucion de la produccion mundial de petroleo desde 1880. Fuente: Data and
Stories Library http://lib.stat.cmu.edu/DASL/.
En 1929, Edwin Hubble investigo la relacion entre la distancia de una galaxia
a la tierra y la velocidad con la que esta alejandose. En efecto se piensa que las
galaxias se alejan como consecuencia del Big Bang. Hubble penso que dispo-
niendo de un modelo que relacionara la velocidad de recesion con la distancia
a la tierra proporcionara informacion sobre la formacion del universo y sobre
lo que podra pasar en el futuro. Los datos recogidos incluyen distancias en
megaparsecs (1 megaparsec= 3.26 a nos luz) y velocidad de recesion en km/s.
Fuente: Data and Stories Library, http://lib.stat.cmu.edu/DASL.
Figura I.8: Cuatro ejemplos de conjuntos de datos
I.5.2. Criterio de mnimos cuadrados
Para ilustrar las nociones nos limitamos primero al caso de una variable respuesta
que llamaremos Y y una variable explicativa que llamaremos X.
Los datos se presenta en forma de pares:
X x
1
x
2
x
n
Y y
1
y
2
y
n
es decir que, para varios valores X observamos los valores correspondientes de Y .
Para visualizar el conjunto recurrimos a la nube de puntos, tambien llamada diagra-
ma de dispersion, en el que representamos los pares (x
i
, y
i
), i = 1, , n, en unos
ejes Ox, Oy, ver gura I.9
0 1 2 3 4
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
X
Y
(x
1
,y
1
)
(x
2
,y
2
)
(x
3
,y
3
)
Figura I.9: Ejemplo de nube de puntos
Por conocimientos previos sobre el fenomeno que estudiamos o por la propia
nube de puntos, decidimos ajustar a esta una curva de una determinada forma
funcional: podra ser por ejemplo una recta, de ecuacion Y = aX+b, o una parabola
Y = a
0
+ a
1
X + a
2
X
2
. La forma de la curva esta jada pero intervienen en la
ecuacion constantes, tambien llamadas parametros, cuyo valor tenemos que ajustar
para obtener el mejor ajuste posible: en el caso de la recta, debemos encontrar los
valores de la pendiente b y de la ordenada en el origen a.
En una formulacion general, escogemos una familia parametrica de funciones
x f(, x) = (
1
, . . . ,
k
), (I.3)
donde es el vector de parametros. Buscar la funcion de la familia que mejor se ajusta
a la nube de puntos es equivalente a encontrar el valor

de , que corresponde a
esta funcion.
Debemos ahora dar sentido a la nocion de mejor; debemos jarnos un criterio
que nos permita decidir que una funcion de la familia se ajusta mejor a la nube de
puntos que otra. El criterio que seguimos en este tema es el de mnimos cuadrados.
Denimos la suma de cuadrados asociada a una funcion de la familia como la
suma de los cuadrados de las distancias verticales entre la curva correspondiente y
los datos observados de la nube de puntos. Tal como viene reejado en la gura I.10,
la distancia vertical entre por ejemplo el punto (x
3
, y
3
) y la curva es y
3
f(, x
3
),
por lo tanto la suma de cuadrados se escribe
SC() = (y
1
f(, x
1
))
2
+ (y
2
f(, x
2
))
2
+ + (y
n
f(, x
n
))
2
. (I.4)
X
Y
y=f(, x)
(x
3
,y
3
)
x
3
y
3
f(, x
3
)
Figura I.10: Ajuste de una curva a la nube de puntos.
Buscamos el valor

de que minimiza la cantidad , en muchos casos, es
imposible encontrar este mnimo explcitamente y tenemos que recurrir a algoritmos
numericos. Nos centraremos en este tema en el caso en que la forma parametrica de
f es particularmente simple y permite el calculo explcito de

.
Supongamos que hemos ajustado la curva, es decir que hemos encontrado el valor
de que minimiza la suma de cuadrados, introduzcamos unos cuantos terminos:

La curva de ecuacion y = f(
, x) se llama la curva ajustada.

Los ordenadas de la curva ajustada correspondientes a los datos observados,
es decir los valores y
1
= f(
, x
1
), . . . , y
n
= f(
, x
n
) se llaman los valores
ajustados.
Las distancias verticales entre los puntos observados y la curva ajustada se
llaman los residuos e
1
, . . . , e
n
. Tenemos
e
i
= y
i
y
i
, i = 1, . . . , n.
La suma de cuadrados
SC(
) =
n
i=1
e
2
i
se llama suma de cuadrados residuales.
Calcularemos en algunas ocasiones la varianza de los residuos, tambien llamada
varianza residual
s
2
e
=
1
n 1
n
i=1
(e
i
e)
2
.
I.5.3. Casos concretos
Describimos ahora con mas detalle unos pocos casos concretos en los que es
posible obtener de manera explcita la expresion de

, que minimiza la suma de
cuadrados residuales. Estos casos corresponden todos a la llamada regresion lineal:
son casos para los cuales los parametros (
1
, . . . ,
k
) intervienen de manera lineal en
la ecuacion (I.3).
I.5.3.1. Recta y = ax +b
El caso mas utilizado de ajuste por mnimo por mnimos cuadrados al ajuste
por una recta, es decir cuando consideramos una variable explicativa X y buscamos
ajustar un modelo de la forma
Y = aX +b.
Corresponde al caso en que consta de dos parametros a y b, y la funcion f descrita
en la seccion I.5.2 es f(, x) = ax+b. En este caso, decimos que el ajuste corresponde
a la regresion lineal simple.
En el caso en que la pendiente a es positiva, hablamos de asociacion positiva
entre X e Y : cuando crece X, crece Y , cuando decrece X, decrece Y , y viceversa.
En cambio, si la pendiente a es negativa, hablamos de asociacion negativa entre X
e Y (cuando crece una variable, decrece la otra).
a). Obtencion de la recta ajustada La suma de cuadrados se escribe
SC() = SC(a, b) =
n
i=1
(y
i
(ax
i
+b))
2
,
Los candidatos a alcanzar el mnimo de esta funcion satisfacen
a
SC(a, b) = 0
b
SC(a, b) = 0.
Deducimos de unas cuantas manipulaciones algebraicas que las soluciones a este
sistema de ecuaciones son
a =
xy x y
x
2
( x)
2
b = y a x.
Introducimos la cantidad
s
xy
=
n
n 1
(xy x y), (I.5)
que llamamos la covarianza de X e Y . El coeciente a se puede por lo tanto escribir
como
a =
s
xy
s
2
x
,
donde s
2
x
es la varianza de X que introdujimos en la seccion I.4.2.1. Con estas
notaciones, se puede escribir la ecuacion de la recta ajustada en una forma compacta:
y y =
s
xy
s
2
x
(x x).
Nota La covarianza es una cantidad que puede ser positiva o negativa. De hecho tiene
el mismo signo que la pendiente de la recta ajustada. Por lo tanto, si la covarianza
es positiva, Y y X presentan una asociacion positiva mientras que, si la covarianza
es negativa Y y X presentan una asociacion negativa.
b). Bondad del ajuste Para la regresion lineal simple, los residuos son
e
1
= y
1
f(
, x
1
) = y
1
ax
1

b
.
.
. =
.
.
.
e
n
= y
n
f(
, x
n
) = y
n
ax
n

b,
y tienen las siguientes propiedades
Propiedades de los residuos
La media de los residuos es nula.
Demostracion:
e =
e
1
+ +e
n
n
=
1
n
[(y
1
+. . . +y
n
) a(x
1
+. . . +x
n
) n
b]
= y a x
b = 0
Se puede demostrar sin dicultad que la varianza residual se escribe como
s
2
e
= s
2
y
_
1
(s
xy
)
2
s
2
x
s
2
y
_
. (I.6)
De esta ecuacion deducimos que la cantidad
(s
xy
)
2
s
2
x
s
2
y
puede medir la calidad del
ajuste. De hecho le damos un nombre especial:
Denicion I.5.1 La cantidad r =
s
xy
s
x
s
y
se llama coeciente de correlacion (de
Pearson) de X e Y .
La cantidad R
2
=
(s
xy
)
2
s
2
x
s
2
y
se llama coeciente de determinacion.
Propiedades de r y R
2
De la formula s
2
e
= s
2
y
(1 R
2
), ver (I.6), deducimos
R
2
esta siempre comprendido entre 0 y 1, y cuanto mas cercano este de 1,
mejor es el ajuste, puesto que correspondera a una varianza residual menor.
En particular, deducimos que si R
2
= 1, la varianza residual s
2
e
es nula, lo que
quiere decir que la dispersion de los residuos es nula: todos los residuos son
iguales, y por lo tanto iguales a su media, que vale 0, todos los puntos de la
nube estan situados en la recta, el ajuste es perfecto. Se suela considerar un
valor de R
2
mayor que 0.8 como correspondiente a un ajuste bueno, mientras
que un valor mayor que 0.9 corresponde a un ajuste muy bueno.
Puesto que R
2
= r
2
y 0 R
2
1, deducimos que el coeciente de correlacion
r esta siempre comprendido entre 1 y 1. Si r = 1, el ajuste de los puntos
observados por una recta es perfecto. El coeciente de correlacion se interpreta
en general como una cantidad que cuantica la asociacion lineal que existe entre
dos variables: cuanto mas cerca de 1, mas se aproxima la nube de puntos a
una recta.
Ademas por la denicion de r, sabemos que r es del mismo signo de la covarian-
za. Por lo tanto, si r es positivo y cercano a 1, los datos apoyan la existencia
de una asociacion lineal positiva entre las dos variables, mientras que si es
negativo y cercano a 1, presentan una asociacion lineal negativa.
Sin embargo, es necesario tener precaucion a la hora de interpretar valores del
coeciente de correlacion: solo es un resumen, able en el caso en que esta
proximo a 1 para indicar que existe una fuerte asociacion lineal entre las
variables pero mucho menos able si toma un valor alejado de 1. Anscombe
(1973), Graphs in statistical analysis, American Statistician, 27, pp 17-21,
construyo cuatro conjuntos de datos articiales que dan lugar al mismo coe-
ciente de correlacion y a las mismas rectas de regresion, pero cuyos aspectos
son completamente diferentes. Los datos se presentan en el apendice, y se deja
su estudio en ejercicio.
c). Un ejemplo Para ilustrar el procedimiento que se sigue para calcular los
valores de a y

b, consideremos el ejemplo muy sencillo a continuacion:
Queremos estudiar la relacion entre el peso y la altura en un grupo de individuos.
Los datos son
Peso(kg) 54 70 65 78 68 85 Y
Altura(cm) 160 170 172 185 160 175 X
Se deja en ejercicio al lector la representacion de este conjunto a traves de una nube
de puntos... Buscamos ajustar una recta a la nube y pasamos a calcular la ecuacion
de la recta de regresion que en su forma compacta se escribe
y y =
s
xy
s
2
x
(x x).
Para calcular s
xy
y s
2
x
utilizaremos las formulas (I.2) y (I.5), necesitamos por lo tanto
x, x
2
, y, y
2
y xy. Tenemos
x =
160+170+...+175
6
= 170,33, y =
54+70+...+85
6
= 70,
x
2
=
160
2
+170
2
+...+175
2
6
= 29089, y
2
=
54
2
+70
2
+...+85
2
6
= 4995,7,
xy =
16054+17070+...+17585
6
= 11984,2
Deducimos que
s
2
x
=
n
n 1
(x
2
( x)
2
) =
6
5
[29089 (170,33)
2
] 90,7,
s
2
y
=
n
n 1
(y
2
( y)
2
) =
6
5
[4995,7 (70)
2
] 144,8,
s
xy
=
n
n 1
(xy ( x)( y)) =
6
5
[11984,2 170,33 70] 73.
La ecuacion de la recta es por lo tanto y 70 =
73
90,7
(x 170,33), es decir
y = 0,80x 67,1.
El modelo teorico propuesto para relacionar el peso y la altura es Peso 0,8Altura
67,1.
En cuanto a la bondad del ajuste, tenemos que
R =
s
xy
s
x
s
y
=
73
90,7
114,8
0,715,
lo que implica que R
2
0,51, un ajuste malo.
d). Prediccion Tal como lo mencionamos en la introduccion del tema, si dispo-
nemos del modelo ajustado podemos utilizarlo para predecir el valor de la respuesta
para valores no observados de X:
Si x
0
es un valor no observado, nuestra prediccion del valor de Y sera
y
x
0
= a x
0
+
b.
Si consideramos el ejemplo de la relacion entre peso y altura del apartado anterior,
podemos contestar a la pregunta a que peso correspondera una altura de 180cm?
Sustituimos x por 180 en la ecuacion de la recta ajustada, y encontramos que el peso
asociado sera 0,80 180 67,1 76,9kg.
Sin embargo, debemos tener mucho cuidado al extrapolar nuestro modelo fuera
del rango de valores de X que hemos observado, al no disponer de valores fuera de este
rango, tampoco sabemos si el modelo deducido seguira valido. Para el ejemplo de los
pesos, si queremos utilizar el modelo ajustado para saber a que peso correspondera
la altura de un ni no de 80cm por ejemplo, obtenemos 0,80 80 67,1 3,1kg, lo
que no tiene sentido!
Nota. El motivo por el cual, muy a menudo una recta suele ajustarse bastante
bien a una nube de puntos, corresponde a que la formula de Taylor nos dice que
localmente, cualquier funcion derivable se puede aproximar por una recta: aunque
la relacion entre Y y X no sea lineal sino de la forma Y = f(, X), f general, si f
es derivable y observamos valores de X no muy dispersos alrededor, f se comporta
aproximadamente como la tangente en un X central.
I.5.3.2. Recta forzada por el origen
Hay situaciones en las que pensamos recurrir a un ajuste lineal, pero sabemos
por motivos fsicos que un valor de X nulo corresponde necesariamente a un valor
de Y nulo tambien. En este caso, no tenemos por que considerar todas las rectas,
sino podemos restringirnos a las rectas que pasan por el origen (0, 0). La ecuacion
de una recta forzada por el origen es
y = ax.
Dos ejemplos de situaciones en las que un valor nulo de X implica un valor nulo de
Y :
Medimos la evolucion en funcion del tiempo (X) de la concentracion (Y ) de
un producto que se va creando en una reaccion qumica. Cuando empezamos
la reaccion X = 0, todava no puede haber producto, por lo tanto Y = 0.
Queremos medir el tiempo t que tarda un objeto que soltamos desde una altura
h, en alcanzar el suelo. La relacion fsica proporcionada por la teora es h = gt
2
,
donde g es la constante de la gravedad. Si queremos comprobar que los datos
empricos conrman esta relacion, buscaremos si es cierto que
t =
1
h.
Consideraremos X =
h, Y = t, y buscaremos ajustar una recta y = ax.

Las formulas que vimos para el caso de una recta general ya no son validas. Calcu-
lemos la ecuacion de la recta forzada por el origen: disponemos de n pares de datos
(x
1
, y
1
), . . . , (x
n
, y
n
), puesto que la funcion que buscamos ajustar es f(, x) = ax,
= a y la suma de cuadrados de la formula (I.4) se escribe
SC() = SC(a) =
n
i=1
(y
i
ax
i
)
2
.
El candidato a minimizar SC(a) satisface la ecuacion
dSC(a)
da
= 0. Calculamos
dSC(a)
da
=
i=1
x
i
2(y
i
ax
i
) = 2[
i=1
x
i
y
i
+a
n
i=1
x
2
i
].
Por lo tanto, la solucion a la ecuacion
dSC(a)
da
= 0 es
a =
n
i=1
x
i
y
i
n
i=1
x
2
i
=
xy
x
2
.
Puesto que la derivada segunda de SC(a) es positiva, se trata efectivamente de un
mnimo.
I.5.3.3. Algunas transformaciones utiles
Solo hemos descrito como calcular la curva ajustada para dos familias especcas
de funciones y = ax e y = ax +b. Para una especicacion mas general de la funcion
f que queremos ajustar, se recurre a algoritmos numericos para encontrar el valor
de los parametros que minimicen la suma de cuadrados SC().
Sin embargo, hay algunos tipos de modelos no lineales que se pueden abordar con
los resultados del caso lineal despues de realizar unas transformaciones convenientes.
a). Modelo exponencial Supongamos que queremos ajustar un modelo expo-
nencial a una nube de puntos. La ecuacion de las funciones que consideramos son
y = be
ax
, con b > 0. En el caso en que a es positivo, modelizamos un crecimiento
exponencial, mientras que, si a es negativa, modelizamos un decrecimiento exponen-
cial.
La relacion entre Y y X es altamente no lineal, sin embargo una simple trans-
formacion puede llevarlo a un modelo lineal:
Modelo teorico original Modelo transformado
y = be
ax
cojo ln
ln(y) = ln(b) +ax
y
= b
+a
Si introducimos las variables transformadas Y
= ln(Y ), y X
= X, estas satisfacen
una relacion lineal: Y
= a
+b
.
Nuestro procedimiento para ajustar un modelo exponencial consistira por lo
tanto en
1. Calculamos los datos transformados, es decir pasar de
X x
1
x
2
. . . x
n
Y y
1
y
2
. . . y
n
y = be
ax
a
X
x
1
x
2
. . . x
n
Y
ln(y
1
) ln(y
2
) . . . ln(y
n
)
y
= a
+b
2. Ajustamos una recta a las variables transformadas, encontramos y
= a
.
3. Volvemos al modelo original, haciendo la transformacion inversa (en este caso
exponencial)
y
= a
cojo exp
y = e
a
= e
e
a
.
Ejemplo 1. Queremos ajustar un modelo exponencial a los siguientes datos
X 2.3 5 7.1 8
Y 2.92 3.69 6.19 6.36
Transformamos los datos:
X
2.3 5 7.1 8
Y
= ln(Y ) 1.07 1.31 1.82 1.85

Ajustamos una recta a los datos transformados, calculando

x
, x
2
,

y
, y
2
y x
,
para obtener

a
y

b
: y
= 0,148x
+0,682, es decir que ln(y) = 0,148x+0,682, lo que

implica que
y = e
0,148x
e
0,682
= 1,18e
0,148x
.
Ejemplo 2. El Ministerio de Fomento publica los datos de precios del metro cuadra-
do de las viviendas en Espa na. En la graca siguiente, gura I.11, se ha representado
la evolucion del precio del metro cuadrado de la vivienda libre en la Region de Murcia
por cuatrimestre entre 1995 y 2012. En la primera fase de la evolucion (1995-2006),
aparece una tendencia exponencial, podemos representar tambien el logaritmo del
precio en este periodo para ver si la evolucion es entonces lineal. La graca co-
rrespondiente aparece en la gura I.12. Notar que entre 1996 y 2002, la curva del
logaritmo sigue presentando una curvatura, lo que implica que la subida fue mas
que exponencial!
Si nos preguntamos si este patron de evolucion se repite para el conjunto de
las provincias espa nolas, podemos hacer gracas conjuntas aprovechando los datos
proporcionados por el Ministerio de Fomento. A ttulo de ejemplo, se representa en
la gura I.13 la evolucion de los precios en la Region de Murcia, junto con las dos
provincias con patrones mas extremos: la de Malaga donde el incremento fue aun
mas pronunciado, y la de Badajoz, donde lo fue mucho menos.
Ao
P
r
e
c
i
o
1995 2000 2005 2010
4
0
0
6
0
0
8
0
0
1
0
0
0
1
2
0
0
1
4
0
0
1
6
0
0
Figura I.11: Evolucion del precio en euros del metro cuadrado de la vivienda libre
en la Region de Murcia, datos cuatrimestrales, 1995-2012. Fuente: Ministerio de
Fomento.
b). Modelo potencial El modelo potencial es de la forma y = bX
a
. La forma
de la nube de puntos correspondiente depende del valor de a. La transformacion que
utilizamos es la misma que para el modelo exponencial: aplicamos los logaritmos.
Modelo teorico original Modelo transformado
y = bx
a
cojo ln
ln(y) = ln(b) +a ln(x)
y
= b
+a
Introducimos las variables transformadas Y
= ln(Y ), y X
= ln(X), estas satisfacen

una relacion lineal: Y
= a
+ b
. Seguimos los mismos pasos que en el apartado

Ao
l
o
g
(
P
r
e
c
i
o
)
1996 1998 2000 2002 2004 2006
6
.
0
6
.
2
6
.
4
6
.
6
6
.
8
7
.
0
7
.
2
Figura I.12: Evolucion del logaritmo del precio en euros del metro cuadrado de la
vivienda libre en la Region de Murcia, datos cuatrimestrales, 1995-2006.
anterior con los datos transformados.
Ejemplo. Queremos ajustar un modelo potencial a los siguientes datos
X 3 7.34 20.1 54.6
Y 10.3 13.5 18.2 24.5
Transformamos los datos:
X
= ln(X) 1.1 2 3 4
Y
= ln(Y ) 2.3 2.6 2.9 3.2

Ajustamos una recta a los datos transformados, calculando

x
, x
2
,

y
, y
2
y x
,
para obtener

a
y

b
: y
= 0,298x
+ 2,006, es decir que ln(y) = 0,298 ln(x) + 2,006,

lo que implica que
y = e
0,298 ln(x)
e
2,006
= 7,433x
0,298
.
Ao
P
r
e
c
i
o
1995 2000 2005 2010
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
Mlaga
Murcia
Badajoz
Figura I.13: Evolucion del logaritmo del precio en euros del metro cuadrado de la
vivienda libre en la Region de Murcia y las provincias de Malaga y Badajo, datos
cuatrimestrales, 1995-2012.
Apendice
A continuacion se presentan los datos de Anscombe (1973), Graphs in statistical
analysis, American Statistician, 27, pp 17-21, se recomienda calcular las medias de
X
1
, X
2
, X
3
, y X
4
as como de Y
1
, Y
2
, Y
3
y Y
4
y a continuacion calcular las rectas de
regresion de Y
i
sobre X
i
para i=1, 2, 3, 4. Finalmente, realizar las cuatro gracas
de Y
i
en funcion de X
i
para i=1, 2, 3, 4.
X1 Y1 X2 Y2 X3 Y3 X4 Y4
10 8.04 10 9.14 10 7.46 8 6.58
8 6.95 8 8.14 8 6.77 8 5.76
13 7.58 13 8.74 13 12.74 8 7.71
9 8.81 9 8.77 9 7.11 8 8.84
11 8.33 11 9.26 11 7.81 8 8.47
14 9.96 14 8.1 14 8.84 8 7.04
6 7.24 6 6.13 6 6.08 8 5.25
4 4.26 4 3.1 4 5.39 19 12.5
12 10.84 12 9.13 12 8.15 8 5.56
7 4.82 7 7.26 7 6.42 8 7.91
5 5.68 5 4.74 5 5.73 8 6
Los precios de las cuotas y primas de todo tipo de seguro se basan
en los c alculos de probabilidad de que ocurra un siniestro y usan
de manera esencial la estadstica. La ciencia asociada se llama
ciencia actuarial. Un hito en la historia de los seguros se remonta
a Edmond Halley, el famoso astronomo ingles, quien estimo en
1693 a partir de datos estadsticos la probabilidad de fallecimien-
to de los hombres a cada edad, y lo aplico al precio de productos
nancieros de la epoca!
Fuente: A short history of Mathematical Population Dynamics, N Bacaer,
2011, Springer Verlag.
TEMA II
Fundamentos de la teora de la probabilidad.
En el tema anterior, hemos estudiado algunos conjuntos de datos reales que
presentan variabilidad aun cuando son generados por un experimento realizado en
condiciones que nos esforzamos por mantener constantes. Es mas, si consideramos el
ejemplo de una reaccion qumica de primer orden visto en la seccion sobre ajuste de
curvas, disponemos de una teora qumica que describe la evolucion de la concentra-
cion de los reactivos en funcion del tiempo como solucion de un sistema de ecuaciones
diferenciales y sin embargo, los datos provenientes de un experimento nunca se ajus-
tan perfectamente a la curva teorica esperada. Que tipo de armaciones sobre el
resultado de tal experimento podramos entonces realizar? Estas armaciones ten-
dran que tener en cuenta la incertidumbre ligada al experimento. La teora de la
probabilidad es una teora matematica que permite modelizar experimentos aleato-
rios, es decir experimentos cuyo resultado es imposible predecir de manera exacta.
Son los cimientos sobre los que esta construida toda la estadstica.
II.1. Conceptos basicos relacionados con un experimen-
to
Empecemos por introducir unos terminos y conceptos relacionados con un expe-
rimento
II.1.1. Experimento aleatorio
Un experimento aleatorio es aquel que, aun realizado en las mismas condiciones,
produce resultados posiblemente distintos.
Se opone a la nocion de experimento determinstico, en el que conociendo las
condiciones iniciales, se puede prever de manera exacta el resultado. En la practi-
ca, aunque muchos experimentos son verdaderamente aleatorios, en muchos casos se
puede tener por despreciable la variabilidad en los resultados y el considerar el expe-
rimento como determinstico proporciona conclusiones satisfactorias. Sin embargo,
hay muchas situaciones en las que es solo al tener en cuenta el caracter aleatorio de
un fenomeno que se llega a conclusiones validas.
Un ejemplo sencillo de experimento aleatorio consiste en tirar un dado.
II.1.2. Suceso elemental
Un resultado posible del experimento se llama un suceso elemental.
II.1.3. Espacio muestral
El conjunto S de todos los resultados posibles de un experimento aleatorio se
llama el espacio muestral de este experimento.
Si consideramos el experimento que consiste en tirar el dado, el espacio muestral
es 1, 2, 3, 4, 5, 6.
II.1.4. Suceso
Cualquiera coleccion de resultados posibles, es decir cualquier subconjunto de S,
se llama un suceso posible asociado al experimento considerado.
Un suceso siempre se podra describir de dos formas: utilizando palabras, o de
forma matematica, utilizando el formalismo de los conjuntos:
Ejemplo. Asociado al experimento que consiste en tirar un dado, podemos con-
siderar el suceso A : Sacar un n umero par. A se puede tambien describir como
A = 2, 4, 6.
Consideremos un suceso A, y llevamos a cabo una realizacion del experimento,
se dice que Ocurre A si el resultado del experimento pertenece a A. En el ejemplo
anterior, donde A es sacar un n umero par, si llevamos a cabo el experimento y sale
un 4, diremos que ha ocurrido A.
Podemos para describir sucesos de interes, utilizar el formalismo de la teora de
conjuntos :
II.1.4.1. Operaciones elementales con sucesos
Union de dos sucesos A y B: la union de A y B es el suceso formado por todos
los elementos de A y todos los elementos de B.
A B = x S : x A o x B,
Notar que Ocurre A B si y solo si Ocurre A o Ocurre B. Por ejemplo,
si B es el suceso Sale un n umero mayor o igual a 5, es decir B = 5, 6,
A B = 2, 4, 5, 6.
Interseccion de dos sucesos A y B: la interseccion de A y B esta formada por
los elementos comunes a A y a B.
A B = x S : x A y x B
Ocurre A B si y solo si Ocurre A y Ocurre B. En el ejemplo anterior,
A B = 6
Disponemos tambien de las propiedades siguientes de las operaciones con sucesos:
II.1 Conceptos basicos relacionados con un experimento 29
Comutatividad A B = B A
A B = B A
Asociatividad A (B C) = (A B) C
A (B C) = (A B) C
Distributividad A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
II.1.4.2. Algunos terminos mas.
El suceso seguro es S, el espacio muestral entero.
El suceso imposible es el conjunto vaco
Diremos que dos sucesos A y B son incompatibles, si no pueden ocurrir a la vez,
es decir A B = y diremos que los sucesos A
1
, A
2
, A
3
, . . . son incompatibles
dos a dos, si para todos i ,= j, A
i
A
j
= .
Suceso complementario de A (A
c
= x S : x / A ). Notar que Ocurre A
c
si y solo si No Ocurre A. En nuestro ejemplo, A

c
= 1, 3, 5.
II.1.5. Diagrama de Venn
Es una manera graca de representar los sucesos: un rectangulo representa S el
espacio muestral entero, y vamos agrupando los sucesos elementales en sucesos. Por
ejemplo, volviendo al ejemplo del dado:
II.1.6. Leyes de Morgan
Para dos sucesos A y B,
(A B)
c
= A
c
B
c
,
es decir que, armar queno ha ocurrido (A y B) es lo mismo que decir o bien no
ha ocurrido A o bien no ha ocurrido B.
(A B)
c
= A
c
B
c
,
es decir que, armar queno ha ocurrido (A o B) es lo mismo que decir no ha
ocurrido A y tampoco ha ocurrido B.
II.2. Concepto de Probabilidad
Al llevar a cabo una realizacion de un experimento aleatorio, somos conscientes
de que no podemos predecir el resultado, sin embargo tenemos a menudo informa-
cion sobre las posibilidades que tiene un determinado suceso de ocurrir. Queremos
cuanticar de alguna manera esta informacion que llamaramos la probabilidad del
suceso.
II.2.1. Denici on informal de la probabilidad - propiedades.
Mas que formalizar una denicion, preferimos indicar que propiedades tendra
que tener la cantidad escogida para que reeje la creencia que tenemos de que un
determinado suceso ocurra.
Dados todos los sucesos asociados a un experimento aleatorio, asignaremos a cada
suceso A, una cantidad que denotaremos por P(A) y que llamaremos laprobabilidad
del suceso A. Pero al realizar esta asignacion deberemos tener en cuenta que se
debera cumplir:
1. La probabilidad de un suceso es un n umero entre 0 y 1:
0 P(A) 1,
2. considerando que la probabilidad asociada al suceso imposible es nula:
P() = 0,
mientras que la probabilidad asociada al suceso seguro es 1 :
P(S) = 1.
3. La probabilidad de que un suceso no ocurra es 1 la probabilidad de que
ocurra:
P(A) = 1 P(A
C
).
4. Si un suceso tiene mas resultados posibles que otro, su probabilidad sera mayor,
es decir,
Si A y B son dos sucesos tales que A B, entonces
P(A) P(B).
5. Reglas de adicion:
II.2 Concepto de Probabilidad 31
a) Si A y B son dos sucesos incompatibles, es decir que no pueden ocurrir
a la vez, la probabilidad de que ocurra uno o el otro es la suma de las
probabilidades de cada suceso:
Si A B = , P(A B) = P(A) +P(B).
Esta formula seguira valida si se trata de la union de tres o mas sucesos.
b) En cambio si A y B son dos sucesos cualesquiera (en particular, podran
ocurrir a la vez), un diagrama de Venn nos convence de que la formula
correcta es
P(A B) = P(A) +P(B) P(A B),
puesto que, al sumar P(A) y P(B), hemos contabilizado dos veces la pro-
babilidad de la interseccion P(A B), y debemos restarla una vez para
obtener P(A B).
c) Esta ultima formula se puede generalizar a mas de dos sucesos, nos limi-
taremos a enunciar el caso de tres:
P(A B C) = P(A) +P(B) +P(C)
P(A B) P(A C) P(B C)
+P(A B C).
En todo lo que sigue, entenderemos como probabilidad la asignacion de un n u-
mero a cada suceso posible asociado a un experimento aleatorio, que cumpla con las
cinco propiedades que acabamos de enumerar.
II.2.2. El caso de un espacio muestral nito y la denicion de La-
place.
II.2.2.1. Espacio muestral nito
En el caso en que hay un n umero nito de resultados posibles del experimento, es
decir el caso de un espacio muestral nito, la denicion de una probabilidad asociada
al experimento pasara por la asignacion de la probabilidad de cada suceso elemental.
En particular, diremos que los sucesos elementales son equiprobables si todos tienen
la misma probabilidad de ocurrir. Para cumplir con las propiedades anteriores, esta
claro que si hay n sucesos elementales que son ademas equiprobables, la probabilidad
de cada uno de ellos es 1/n. En este caso, la probabilidad de un suceso A se podra
siempre calcular como (Regla de Laplace)
P(A) =
n
o
de elementos en A
n
o
de elementos totales
=
n
o
de casos favorables
n
o
de casos posibles.
.
Para ilustrar esta manera de calcular la probabilidad de un suceso, nos pregun-
tamos que es mas facil acertar, el gordo de la lotera, la primitiva, o una quiniela
de catorce resultados?
El gordo de la lotera, el experimento consiste en escoger al azar un n umero entre
100000 posibles, si A designa el suceso acierto, la probabilidad de acertar es de una
entre 100000,
P(A) =
1
100000.
La primitiva, el experimento consiste en extraer 6 n umeros sin reposicion entre
49. El n umero de casos posibles se calcula como las combinaciones sin repeticion de
49 elementos tomados de 6 en 6 (en el anexo podeis encontrar un breve recordatorio
sobre reglas de conteo), es
_
49
6
_
= 13984000. La probabilidad de acertar es una entre
casi 14 millones:
P(A) =
1
13984000.
7. 15 10
8
.
La quiniela, el experimento consiste en escoger quince veces uno de los tres resul-
tados posibles 1, X, 2. El n umero de casos posibles es 33 3 = 3
15
= 14348907.
La probabilidad de acertar es de una entre 14 millones.
P(A) =
1
14348907
6. 97 10
8
.
Por supuesto, aqu no hemos tenido en cuenta que no se suele rellenar las quinielas
escogiendo al azar una de las tres posibilidades 1, X, 2...
Euro-millon, el juego consiste en acertar 5 n umeros de una tabla de 50 (Del n
o
1 al n
o
50) y ademas acertar 2 n umeros (estrellas) de una tabla de 9 (Del n
o
1 al n
o
9). Es decir, para tener derecho al primer premio hay que acertar 7 n umeros (5 +
2). Para calcular el n umero de casos posibles, tenemos en cuenta que para escoger
los 5 primeros n umeros de la tabla de 50, tenemos
_
50
5
_
posibilidades, y para cada
una de estas combinaciones, tenemos
_
9
2
_
posibilidades para escoger las dos estrellas.
En total tenemos por lo tanto
_
50
5
_
_
9
2
_
= 76275360
casos posibles, es decir que la probabilidad de acertar es de una entre mas de 76
millones.
En cuanto a premios, en 2006, un acertante del euro-millon podra haber ganado
hasta 180 millones de euros! El mayor premio que se gano con la primitiva fue de
casi 25 millones de euros, y fue en el 2005, mientras que en la quiniela, el mayor
premio fue de 9 millones de euros (fue en la temporada 05/06)
Por ultimo, hay un participante que siempre gana: el estado. En 2005 por ejem-
plo, Loteras y Apuestas del Estado, la sociedad que gestiona los juegos estatales,
ingreso al Tesoro P ublico casi 2300 millones de euros (fuente: Memoria de Loteras
y Apuestas del Estado 2005). Hay que decir que los espa noles se gastaron en juegos
en 2005, sumando los de gestion privada (casino, bingo, maquinas), la ONCE, y los
de gestion p ublica, una cantidad de 28 000 millones de euros!
II.2.2.2. Interpretacion frecuentista de la probabilidad
En cuanto dejamos el marco de los sucesos elementales equiprobables, la asigna-
cion de una probabilidad a cada suceso es mucho mas complicada. Muchas interpre-
taciones de resultados ligados a probabilidades estan relacionadas con la denicion
de Laplace, llamada la interpretacion frecuentista de la probabilidad:
Para un suceso A, realizamos un gran n umero de veces n el experimento, y
consideramos que
P(A) = lm
n
n
o
de veces que ha ocurrido A entre las n realizaciones
n
.
II.3 La probabilidad condicionada. 33
II.3. La probabilidad condicionada.
Corresponde a una re-asignacion o actualizacion de la probabilidad de un suceso
cuando tenemos informaci on sobre el resultado del experimento.
II.3.1. Denici on
Si A y B son dos sucesos tales que P(B) > 0, la probabilidad de A condicionada
a B se denota por P(A[B) y es igual a
P(A[B) =
P(A B)
P(B)
.
Su interpretacion es: realizamos el experimento, y sabemos que ha ocurrido B, cual
es la probabilidad de que haya ocurrido A tambien? Por ejemplo, en una tirada de
un dado he apostado por el 6. Tiran el dado sin que yo pueda ver el resultado,
pero me dicen que ha salido un n umero par. Teniendo esta informacion, cual es
la probabilidad de que haya ganado la apuesta? Es intuitivamente claro que es de
un tercio (un caso favorable, el 6 entre tres posibles, el 2,, el 4 y el 6.) Si
introduzco los sucesos A = sale un 6, y B =sale un n umero par, quiero calcular
P(A[B), utilizo la denicion para encontrar:
P(A[B) =
P(A B)
P(B)
=
P(6)
P2, 4, 6
=
1/6
3/6
= 1/3,
lo que coincide con nuestra intuicion.
Al considerar el siguiente diagrama de Venn,
nos convencemos de que la denicion P(A[B) =
P(AB)
P(B)
es intuitivamente razo-
nable: realizamos el experimento y sabemos que el resultado pertenece a B, y nos
preguntamos cual es la probabilidad de que el resultado pertenezca tambien a A :
B es nuestro nuevo espacio muestral puesto que sabemos que los resultados posibles
pertenecen a B, y la probabilidad de que pertenezca a A es el cociente P(AB)/P(B).
II.3.2. Regla del producto.
(i) Si A y B son dos sucesos con P(B) > 0,
P(A B) = P(A[B)P(B)
= P(B[A)P(A)
(ii) En el caso de tres sucesos, A, B y C, tenemos
P(A B C) = P(A[B C)P(B[C)P(C),
siempre que las probabilidades que aparecen esten bien denidas, es decir P(B
C) > 0 y P(C) > 0.
II.3.3. Propiedad
Para un suceso B jado, la probabilidad condicionada a B, P(.[B) satisface to-
das las propiedades de una probabilidad. En particular cumple por ejemplo, para
cualquier suceso A, 0 P(A[B) 1, P(A
c
[B) = 1 P(A[B); y para dos sucesos A
y C, P(A C[B) = P(A[B) +P(C[B) P(A C[B).
II.4. Sucesos independientes
Una de las situaciones mas importantes en probabilidad aparece cuando, consi-
derando dos sucesos, el hecho de que uno ocurra no inuye la probabilidad de que
el otro ocurra. Este concepto se llama independencia de dos sucesos y pasamos a
denirlo.
II.4.1. Denici on para dos sucesos
A y B son dos sucesos independientes si se cumple
P(A B) = P(A)P(B).
Notar que esta denicion es equivalente, por la denicion de la probabilidad
condicionada, a que P(A[B) = P(A) y P(B[A) = P(B). Es decir A y B son in-
dependientes si el hecho de saber que, por ejemplo, B ha ocurrido, no cambia la
probabilidad que asignamos a A, y vice versa.
Una buena ilustracion de este concepto: Sabeis por que un matematico siempre
se lleva una bomba cuando viaja en avion? - Porque es mucho menos probable que
haya dos bombas en un mismo avion que solo una...
Que os parece este argumento?
II.5 Ejemplos de probabilidades condicionadas en la vida diaria 35
II.4.2. Denici on para n sucesos
Los n sucesos A
1
, A
2
, . . . , A
n
son independientes si para cualquier subfamilia
A
i
1
, A
i
2
, . . . , A
i
k
, se cumple
P(A
i
1
A
i
2
A
i
k
) = P(A
i
1
)P(A
i
2
) P(A
i
k
).
En particular se cumple que P(A
i
A
j
) = P(A
i
)P(A
j
) para todo i y j entre 1 y n.
II.5. Ejemplos de probabilidades condicionadas en la vi-
da diaria
II.5.1. Eslogan publicitario para la lotera
En Francia, hubo hace unos a nos, un eslogan publicitario para un juego de lotera
que rezaba:
El 100 % de los acertantes probaron suerte...
Los creadores de este eslogan jugaron con el efecto causado al usar una probabi-
lidad condicionada: si P denota el suceso probar suerte y A el suceso acertar, el
eslogan esta diciendo P(P[A) = 1, pero la gente piensa en P(A[P) que es muchsima
mas baja por supuesto...
II.5.2. Tabaquismo y cancer de pulmon
Del informe La situacion del cancer en Espa na, 2005, elaborado por el Centro
nacional de Epidemiologa, se deduce en particular los datos siguientes: el cancer es
la primera causa de muerte en terminos absolutos (p9), y en particular. el cancer de
pulmon es el tumor de mayor incidencia y de mayor mortalidad entre los hombres.
Por otra parte, en la informacion publicada por la Asociacion Espa nola contra el
Cancer (AECC) en su pagina web, se indica que el 90 % de los pacientes con cancer
de pulmon son fumadores.
Se puede deducir de esta ultima estadstica de que el tabaquismo es un factor
de riesgo para el cancer de pulmon? En principio, parece que s, pero en realidad
depende de la tasa de fumadores en la poblacion!
Traduzcamos estos datos con sucesos: consideramos el experimento escoger una
persona al azar en la poblacion espa nola. Introducimos los sucesos T=tiene un
tumor asociado a un cancer de pulmon, F=es fumador. Nos dicen que
P(F[T) = 0,9
pero en realidad, para saber si el hecho de ser fumador incrementa el riesgo de
desarrollar un cancer de pulmon, queremos saber si P(T[F) es mayor que P(T).
Para relacionar P(T[F) y P(T), podemos utilizar la denicion de la probabilidad
condicionada:
P(T[F) =
P(T F)
P(F)
=
P(F[T)P(T)
P(F)
=
P(F[T)
P(F)
P(T).
Por lo tanto, el concluir si el tabaquismo incrementa el riesgo de desarrollar un
cancer de pulmon dependera del cociente P(F[T)/P(F).
Seg un la Encuesta Nacional de Salud 2003, que se puede obtener del Instituto
Nacional de Estadstica, aproximadamente el 30 % de la poblacion espa nola son
fumadores diarios. El cociente P(F[T)/P(F) es por lo tanto igual aproximadamente
a 0.9/0.3=3. Deducimos que el hecho de ser un fumador diario multiplica
por tres el riesgo de padecer un cancer de pulmon.
Pero, se puede enfatizar que la unica armacion El 90 % de los pacientes con
cancer de pulmon son fumadores no implica de por s que el tabaquismo sea un
factor de riesgo para el cancer de pulm on.
II.5.3. Tabaquismo y esperanza de vida
Un dato clasico en epidemiologa es muy sorprendente en primera lectura:
Si nos limitamos a la gente mayor de 70 a nos, la esperanza de vida de los
fumadores es mayor que la de los no fumadores!
Como puede ser esto cierto? En realidad este dato no es tan sorprendente si
uno se lo piensa un poco: muy poca gente llega a los 70 a nos fumando... De hecho,
seg un la AECC, la edad media de fallecimiento por cancer de pulmon es de 68 a nos
para los hombres y 66 a nos para las mujeres. La gente que llega a los 70 a nos y
son fumadores tienen un sistema inmunologico muy resistente y un mecanismo de
control de celulas tumorosas muy eciente, lo que implica que, de todas maneras,
tendran una vida muy larga...
II.6. Formula de la probabilidad total y teorema de Ba-
yes
II.6.1. Condiciones de aplicacion
Tenemos n sucesos A
1
, A
2
, . . . , A
n
que forman una particion del espacio
muestral S, es decir que son mutuamente incompatibles (A
i
A
j
= , pa-
ra 1 i, j n), y cuya union es el espacio muestral entero, i.e. A
1
A
2

A
n
= S. Ademas conocemos la probabilidad de cada uno de ellos, es decir
P(A
1
), P(A
2
), . . . P(A
n
).
Nota: A menudo nos encontraremos con la situacion en la que solo son dos
sucesos, i.e n = 2, en este caso tenemos A
1
= A y A
2
= A
c
.
Tenemos otro suceso B y, para cada i = 1, . . . , n, conocemos, en el caso de que
ocurra A
i
, la probabilidad de B, es decir conocemos P(B[A
1
), . . . , P(B[A
n
).
II.6.2. Los resultados
Si se cumplen las condiciones de aplicacion del apartado anterior,
Formula de la probabilidad total Se puede calcular P(B) descomponiendo
B sobre cada uno de los sucesos de la particion:
P(B) = P(B[A
1
)P(A
1
) + +P(B[A
n
)P(A
n
).
II.6 Formula de la probabilidad total y teorema de Bayes 37
Teorema de Bayes Para cualquier i = 1, . . . , n, tenemos
P(A
i
[B) =
P(B[A
i
)P(A
i
)
P(B[A
1
)P(A
1
) + +P(B[A
n
)P(A
n
)
.
Demostracion. Utilizamos, al formar A
1
, A
2
, . . . , A
n
una particion del espacio
muestral, la descomposicion del suceso B
B = (B A
1
) (B A
2
) (B A
n
).
Los sucesos (BA
1
), . . . , (BA
n
) son incompatibles dos a dos, y aplicamos la regla
de la adicion
P(B) = P(B A
1
) +P(B A
2
) + P(B A
n
).
Utilizamos ahora la regla del producto P(B A
i
) = P(B[A
i
)P(A
i
) para todo i =
1, . . . , n para la formula de la probabilidad total
P(B) = P(B[A
1
)P(A
1
) + +P(B[A
n
)P(A
n
).
Por otra parte por la denicion de la probabilidad condicionada P(A
i
[B) = P(A
i

B)/P(B), para todo 1 i n. Si sustituimos en el numerador P(A
i
B) por
P(B[A
i
)P(A
i
) y en el numerador P(B) por la formula de la probabilidad total, ob-
tenemos el teorema de Bayes.
II.6.3. Ejemplo
En un la transmision de un mensaje por correo electronico, la calidad de la recep-
cion de un chero depende de la sobrecarga de la red. Si la red esta sobrecargada, la
proporcion de cheros da nados es de 1 %, mientras que si no lo esta, esta proporcion
solo es del 0.01 %. Estimamos que la probabilidad de que la red este sobrecargada
es igual a 0.02. Cual es la proporcion total de cheros da nados en la transmision?
Suponiendo que recibo un chero da nado, cual es la probabilidad de que la red
estuviera sobrecargada durante la transmision?
Empecemos por introducir los sucesos convenientes para traducir los datos que
se nos proporciona. Sea RS el suceso La red esta sobrecargada, y D el suceso El
archivo esta da nado. Se nos pide calcular P(D) y P(RS[D). Nos damos cuenta de
que si A
1
= RS y A
2
= RS
C
, los sucesos A
1
y A
2
son incompatibles y su reunion es
el espacio muestral entero, por lo tanto forman una particion del espacio muestral.
Ademas conocemos sus probabilidades: P(A
1
) = 0,02 y P(A
2
) = 0,98. Por otra
parte conocemos P(D[A
1
), y P(D[A
2
), estamos por lo tanto en las condiciones de
aplicacion de la formula de la probabilidad total y del teorema de Bayes. Deducimos
P(D) = P(D[RS)P(RS) +P(D[RS
C
)P(RS
C
)
= 0,01 0,02 + 0,0001 0,98 = 0,000298 0,0003,
es decir que la proporcion total de cheros da nados es de 3 por 10000. Por otra
parte, por el teorema de Bayes,
P(RS[D) =
P(D[RS)P(RS)
P(D[RS)P(RS) +P(D[RS
C
)P(RS
C
)
=
0,01 0,02
0,000298
0,67,
por lo tanto, sabiendo que recibo un chero da nado, la probabilidad de que la red
estuviera sobrecargada es igual a 0.67.
Entre los algoritmos anti-spam m as ecientes que usan los pro-
veedores de correo como Gmail o Hotmail, estan los basados en
estadstica Bayesiana, que estiman la probabilidad de que un de-
terminado mensaje sea spam, al comparar sus contenidos con una
gran base de datos de mensajes indeseados....
Fuente: J. A. Zdiarski Ending Spam: Bayesian Content Filtering and the Art
of Statistical Language Classication, (2005), No Starch Press.
TEMA III
Variable aleatoria I
Las nociones teoricas que hemos introducido responden a la necesidad de cons-
truir modelos matematicos que den cuenta del caracter aleatorio de los fenomenos
que nos interesan. Hemos puesto en el tema anterior las primeras piedras en es-
te sentido describiendo experimento aleatorio, sucesos y probabilidad asociada a un
suceso, pero nos falta la nocion fundamental de variable aleatoria: en problemas con-
cretos, estamos interesados en funciones denidas sobre el espacio de los resultados
posibles del experimento aleatorio, y los sucesos que queremos estudiar se expresan
a traves de estas funciones. Puesto que nos es imposible predecir de manera exacta
el valor de una variable aleatoria al realizar el experimento, nuestro modelo consisti-
ra en describir las probabilidades asociadas a cualquier suceso relacionado con esta
variable, descripcion que conseguiremos gracias a la funcion de distribucion.
III.1. Concepto de variable aleatoria
Consideramos un experimento aleatorio y su espacio muestral asociado.
III.1.1. Denici on
Una variable aleatoria- de ahora en adelante v.a.- asocia un n umero o mas gene-
ralmente una caracterstica a todo resultado posible del experimento.
Por ejemplo, si consideramos el experimento que consiste en realizar una medi-
cion de la concentracion de un producto en una solucion, nos interesa la v.a X=
valor medido de la concentracion. Otro ejemplo de variable aleatoria se asocia, en
un proceso de fabricacion, al experimento de escoger un dispositivo producido, y
considerar la v.a. X= duracion hasta el fallo.
Finalmente ilustraremos algunos conceptos de este tema con un ejemplo sencillo:
el experimento consiste en lanzar tres veces una moneda no trucada. Si denotamos
por + el resultado cruz y por c el resultado cara al lanzar una moneda, el espacio
42 Variable aleatoria I
muestral se describe como
S = ccc, cc+, c +c, c + +, +cc, +c+, + +c, + + +.
Consideraremos la v.a. X= n umero de veces que ha salido cruz en los tres lanza-
mientos. Puede tomar cualquiera de los valores 0, 1, 2 y 3.
III.1.2. Distribuci on de una variable aleatoria
Conocer la distribucion de los valores de una v.a. X consiste en saber asignar a
cualquier suceso relacionado con X una probabilidad. Decidir de una distribucion
para una v.a de interes en un problema concreto es por lo tanto escoger un modelo
para describir el comportamiento de esta variable.
Para el ejemplo de los tres lanzamientos de una moneda, la distribucion de X =
n umero de veces que ha salido cruz en los tres lanzamientos esta completamente
determinada por la lista de los valores posibles junto con la probabilidad con la que
X toma cada valor. Al ser la moneda no trucada, escogemos un modelo en el que los
sucesos elementales de S son equiprobables, calculamos P(X = i) para i = 0, 1, 2, 3
con la regla casos favorables / casos posibles y obtenemos
Valor Probabilidad
0 1/8
1 3/8
2 3/8
3 1/8
Se puede representar de manera graca la distribucion de X:
Podremos jarnos en las caractersticas principales de esta distribucion (simetra,
maximo, colas...)
III.2 Funcion de distribucion de una v.a 43
III.2. Funci on de distribucion de una v.a
Se trata de una manera de describir la distribucion de una variable X.
III.2.1. Denici on
La funcion de distribucion de una v.a. X es la funcion F
X
que asocia a cualquier
n umero real t la probabilidad de que X sea menor o igual a t, i.e.
F
X
(t) = P(X t).
III.2.2. Calculo para el ejemplo de las tres monedas
Para calcular F
X
(t) = P(X t), debemos considerar los intervalos denidos por
los valores posibles de X es decir 0, 1, 2 y 3 que inducen los cinco intervalos para t:
t < 0, 0 t < 1, 1 t < 2, 2 t < 3 y t > 3.
Si t < 0, el suceso (X t) es el suceso imposible puesto que todos los valores
que puede tomar X son mayores o igual que 0. Por lo tanto, F
X
(t) = P(X t) = 0.
Si 0 t < 1, el suceso (X t) se cumple si y solamente si X toma el valor 0.
Deducimos F
X
(t) = P(X t) = P(X = 0) = 1/8.
Si 1 t < 2, el suceso (X t) se cumple si y solamente si X toma el valor 0 o
1, es decir F
X
(t) = P(X t) = P[(X = 0) (X = 1)] = P[X = 0] + P[X = 1] =
1/8 + 3/8 = 1/2.
Si 2 t < 3, el suceso (X t) se cumple si y solamente si X toma el valor 0, 1 o 2,
es decir F
X
(t) = P(X t) = P[X = 0] +P[X = 1] +P[X = 2] = 1/2 + 3/8 = 7/8.
Finalmente, si t > 3, el suceso (X t) es el suceso seguro puesto que todos los valores
que puede tomar X son menores o igual que 3. Por lo tanto F
X
(t) = P(X t) = 1.
La graca de F
X
en este ejemplo es
x
F
(
x
)
0.125
0.250
0.375
0.500
0.625
0.750
0.875
1.000
0 1 2 3
G
G
G
G
III.2.3. Propiedades
La funcion de distribucion de una v.a. X cumple las propiedades siguientes:
0 F
X
(t) 1, para todo t R.
lm
t
F
X
(t) = 0 mientras que lm
t+
F
X
(t) = 1.
F
X
es una funcion creciente, puesto que si a b, tenemos (X a) (X b)
lo que implica que P(X a) P(X b).
F
X
es una funcion continua por la derecha.
Finalmente la propiedad mas importante que utilizaremos muy a menudo: para
todos n umeros reales a b,
P(a < X b) = F
X
(b) F
X
(a).
La demostracion de esta propiedad es inmediata si utilizamos la descomposi-
cion (X b) = (X a) (a < X b) junto con la regla de la adicion.
III.3. Variable aleatoria discreta
III.3.1. Denici on
En el caso en que la v.a. X puede tomar un n umero nito o innito numerable
1
de valores. En el ejemplo de los tres lanzamientos de una moneda, la v.a. X=
N umero de veces que ha salido cruz es una v.a discreta puesto que solo puede
tomar cuatro valores.
III.3.2. Funci on puntual de probabilidad
III.3.2.1. Denicion
Si X es una v.a. discreta, y x
1
, x
2
, . . . , x
n
, . . . representan sus valores posibles,
la funcion puntual de probabilidad de X es la funcion f
X
que asocia a cada x
i
la
probabilidad P(X = x
i
), para i = 1, . . . , n. . .
f
X
: x
i
f
X
(x
i
) = P(X = x
i
).
Ejemplo. En el experimento del lanzamiento de las tres monedas, hemos calculado
la distribucion de X, el n umero de veces que ha salido cruz en el apartado 1.2. Los
valores posibles de X son 0, 1, 2 y 3; por lo tanto
Valor f
X
0 1/8
1 3/8
2 3/8
3 1/8
1
Un conjunto innito numerable es un conjunto del que se puede enumerar todos los elementos. N,
Z y Q son ejemplos de conjuntos innitos numerables. En cambio un conjunto innito no numerable
es un conjunto que no se puede poner en biyecci on con N, es decir para el cual es imposible enumerar
los elementos. El intervalo de n umeros reales [0, 1] es innito no numerable por ejemplo.
III.3 Variable aleatoria discreta 45
III.3.2.2. Propiedades
La funcion puntual de probabilidad de una v.a. discreta permite calcular la
funcion de distribucion: si notamos que
(X t) =
x
i
t
(X = x
i
),
obtenemos que
P(X t) =
x
i
t
P(X = x
i
) =
x
i
t
f
X
(x
i
).
Ademas, si consideremos dada una funcion f denida en un conjunto discreto
de valores x
1
, . . . , x
n
, . . ., se puede demostrar que f es una funcion puntual
de probabilidad de una v.a. X si y solamente si cumple
0 f(x) para x = x
1
, . . . , x
n
, . . .

x
i
f
X
(x
i
) = 1.
III.3.3. Caractersticas de una variable discreta
Al igual que en el tema 1 para un conjunto de datos, queremos disponer de
herramientas para describir la distribucion de valores de una v.a. De hecho, todos
las medidas descriptivas de un conjunto de datos tienen su contra-parte para la
distribucion de una v.a. Nos limitaremos por razones de tiempo a una medida de
centralizacion y otra de dispersion: la esperanza y la varianza.
III.3.3.1. Esperanza
Si queremos considerar el valor medio de la distribucion de valores de una v.a.,
es natural calcular la suma de estos valores ponderados por la probabilidad que se
le asigna.
Denicion III.3.1 La media, o esperanza, o valor esperado, o promedio, de una
v.a. discreta X se dene como
E[X] =
x
i
x
i
P(X = x
i
).
Representa una medida de centralizacion de la distribucion de valores de X pero
con la misma puntualizacion que en el tema 1: es representativa del centro de la
distribucion si esta es aproximadamente simetrica pero puede ser una mala medida
de centralizacion si la distribucion es asimetrica y/o presenta colas pronunciadas.
Por supuesto, la esperanza de una v.a. X se expresa en las mismas unidades que
X.
Sera util para una distribucion de valores ser capaz de calcular el valor medio
no solamente de X sino tambien de una funcion de X; esta claro por ejemplo que
el valor medio de la distancia al cuadrado de X a su media sera una medida de
dispersion de la distribucion de valores de X. Por ello, denimos la esperanza de
una funcion cualquiera f(X) de X.
Denicion III.3.2 Sea X una v.a. discreta y f una funcion de R en R. La espe-
ranza de f(X) es la suma de los valores de f(X) ponderados por la probabilidad de
que X tome cada valor, es decir,
E[f(X)] =
x
i
f(x
i
)P(X = x
i
).
III.3.3.2. Varianza
Para disponer de una medida numerica de la dispersion de valores de una v.a
X, calcularemos el valor promedio de la distancia al cuadrado de X a su media. Al
igual que en el tema 1, llamamos esta cantidad la varianza de X.
Denicion III.3.3 La varianza de una v.a. discreta X, designada por var X o
2
X
,
esta denida por
var(X) = E[(X E[X])
2
].
Por la denicion III.3.2 deducimos que var(X) se puede calcular como
var(X) =
x
i
(x
i
E[X])
2
P(X = x
i
).
Por otra parte, se suele calcular la varianza utilizando la formula equivalente siguien-
te:
Formula equivalente para el calculo de la varianza. Tenemos
var(X) = E[X
2
] (E[X])
2
.
Demostracion:
var(X) =
x
i
(x
i
E[X])
2
P(X = x
i
)
=
x
i
(x
2
i
2x
i
E[X] +E[X]
2
)P(X = x
i
)
=
x
i
x
2
i
P(X = x
i
)
x
i
2x
i
E[X]P(X = x
i
) +
x
i
E[X]
2
P(X = x
i
)
=
x
i
x
2
i
P(X = x
i
) 2E[X]
x
i
x
i
P(X = x
i
) +E[X]
2
x
i
P(X = x
i
)
= E[X
2
] 2E[X]E[X] +E[X]
2
= E[X
2
] E[X]
2
Finalmente, la desviacion tpica se dene como la raz cuadrada de la varianza
X
=
_
2
X
.
Sera la medida que calcularemos para dar cuenta de la dispersion de la distribucion:
cuanto mas peque na sea la desviacion tpica, mas concentrada estara la distribucion
alrededor de su media. En particular, si la desviacion tpica de X es nula, deducimos
por la primera formula para el calculo de la varianza, que todos los valores de X son
iguales: X solo puede tomar un valor, y lo toma con probabilidad 1.
Por otra parte, es bueno resaltar que la desviacion tpica se expresa en las mismas
unidades que la variable X.
Nota III.3.1 En la formula equivalente para la varianza aparecen las cantidades
E[X
2
] y E[X]. En general para un entero k, llamamos a E[X
k
] el momento de orden
k. As la media es el momento de orden 1. Tambien hablamos de momento centrado
de orden k para la cantidad E[(XE[X])
k
]. La varianza es por lo tanto el momento
centrado de orden 2.
III.3.3.3. Ejemplo
Calculemos para el ejemplo del lanzamiento de tres monedas la esperanza y la
varianza de la v.a X n umero de cruces.
Por una parte,
E[X] =
x
i
x
i
P(X = x
i
) = 0 1/8 + 1 3/8 + 2 3/8 + 3 1/8
= 3/2
y por otra parte
var(X) = E[X
2
] (E[X])
2
=
x
i
x
2
i
P(X = x
i
) (3/2)
2
= 0
2
1/8 + 1
2
3/8 + 2
2
3/8 + 3
2
1/8 (3/2)
2
= 3/4
La desviacion tpica es por lo tanto
X
=
3/2.
III.3.4. Modelos mas usados de v.a. discretas
No debemos olvidar que nuestro objetivo es modelizar un fenomeno. Proponer un
modelo no consiste en proporcionar una descripcion de la realidad, sino disponer de
una aproximacion que de cuenta de los resultados observados del experimento para
unas condiciones experimentales dadas. Ning un modelo se ajusta perfectamente al
fenomeno observado, as que considerarlo adecuado o valido es equivalente a consi-
derar que el grado de precision conseguido es satisfactorio para el uso que queremos
hacer del modelo.
En este contexto, hay situaciones tpicas de modelizacion que presentan las mis-
mas caractersticas y para las cuales se han propuesto modelos de distribuciones bien
estudiados y conocidos.
III.3.4.1. Variable de Bernoulli
Se trata de una variable que solo puede tomar dos valores, 0 o 1. Llamamos p la
probabilidad de que tome el valor 1. Varios valores de p, (comprendidos entre 0 y 1,
puesto que p es una probabilidad) dan varias distribuciones de Bernoulli. Para un
valor p concreto, hablamos de la distribucion de Bernoulli de parametro p.
Propiedades
Valores posibles: 0, 1,
P(X = 0) = 1 p P(X = 1) = p.
Esperanza:
E[X] =
x
i
P(X = x
i
) = 0 (1 p) + 1 p = p
Varianza:
Tenemos: E[X
2
] =
x
2
i
P(X = x
i
) = 0
2
(1 p) + 1
2
p = p, por lo tanto
var(X) = p p
2
= p(1 p).
Ejemplo. Transmito un chero por la red, en promedio 3 de cada 10000 cheros
transmitidos resultan da nados. Al experimento aleatorio: transmitir un chero por
la red, asocio la variable X que toma el valor 1 si el chero se transmite correcta-
mente y 0 si resulta da nado. La variable X sigue una distribucion de Bernoulli de
parametro 0,9997.
III.3.4.2. Distribucion binomial
a). Denicion La distribucion binomial aparece cuando se dan las condiciones
siguientes:
Tenemos un primer experimento aleatorio simple, con una situacion dicotomi-
ca, es decir una situacion con dos sucesos posibles A y A
c
(o ocurre A o no
ocurre A).
Repetimos este experimento simple n veces de manera independiente.
Consideramos la variable X=N umero de veces que ha ocurrido A en las n
realizaciones del experimento simple.
En esta situacion, la variable X sigue una distribucion Binomial, de parametros
n ( el n umero de veces que repetimos el experimento simple) y p (la probabilidad de
que, en una realizacion del experimento simple, ocurra A). Lo denotamos por
X B(n, p),
donde el smbolo se utiliza para sigue una distribucion...
b). Ejemplo Una empresa produce piezas con 1 % de defectuosas. Las piezas se
empaquetan en cajas de 10 unidades. Si consideramos el experimento aleatorio que
consiste en escoger al azar una caja entre la produccion, cual es la distribucion de
la variable X=n umero de piezas defectuosas en la caja.
Para completar una caja, se ha repetido 10 veces el experimento aleatorio simple
escojo una pieza en la produccion al que va asociado una situacion dicotomica:
o bien ocurre A=la pieza escogida es defectuosa, o bien ocurre A
c
= la pieza
escogida es correcta. Contar el n umero de piezas defectuosas en la caja es por
lo tanto equivalente a contar el n umero de veces que ha ocurrido A entre las 10
realizaciones del experimento simple. Deducimos que la distribucion de X es una
distribucion Binomial con parametros n = 10, y p = P(A), la probabilidad de que
ocurra A en el experimento simple. Concluimos
X B(10, 0,01).
c). Propiedades
Valores posibles: 0, 1, 2, . . . , n.
Distribucion - Funcion puntual de probabilidad. i = 0, 1, . . . , n f
X
(i) =
P(X = i). Para calcular estas probabilidades, introduzcamos los sucesos:
A
1
= ha ocurrido A en la primera realizacion del exp. simple
A
2
= ha ocurrido A en la segunda realizacion del exp. simple
.
.
.
.
.
.
A
n
= ha ocurrido A en la n-esima realizacion del exp. simple
Estos sucesos son independientes.
Empecemos por calcular P(X = 0):
El suceso X = 0 se puede escribir A
c
1
A
c
2
. . . A
c
n
, por lo tanto
P(X = 0) = P(A
c
1
A
c
2
. . . A
c
n
) = P(A
c
1
) . . . P(A
c
n
) = (1 p)
n
,
por la regla del producto para sucesos independientes.
De manera similar, calculamos P(X = 1) :
El suceso (X = 1) se escribe como
(X = 1) = (A
1
A
c
2
. . . A
c
n
) (A
c
1
A
2
. . . A
c
n
) . . .
(A
c
1
A
c
2
. . . A
n
)
Aplicando la regla de la adicion para sucesos incompatibles y a continuacion
la regla del producto para sucesos independientes, obtenemos
P(X = 1) = P(A
1
A
c
2
. . . A
c
n
) +P(A
c
1
A
2
. . . A
c
n
) +. . .
+P(A
c
1
A
c
2
. . . A
n
)
= p(1 p)
n1
+p(1 p)
n1
+. . . +p(1 p)
n1
= np(1 p)
n1
De la misma manera, podemos demostrar que, para un i cualquiera entre 0 y
n, la probabilidad P(X = i) se descompone como la suma de terminos todos
iguales, siendo el primero de ellos P(A
1
A
2
. . . A
i
A
c
i+1
. . . A
c
n
), que es
igual a p
i
(1P)
ni
. Solo nos queda determinar el n umero de terminos en esta
suma, corresponde al n umero de maneras de escoger i sucesos diferentes entre
n: es una cantidad basica en combinatoria, se llama el n umero de combinaciones
de n elementos tomados de i en i, y se denota por (
n
i
). En resumen, para
i = 0, 1, . . . , n,
f
X
(i) = P(X = i) = (
n
i
)p
i
(1 p)
ni
,
donde
(
n
i
) =
n!
i! (n i)!
,
y se utiliza la convencion 0! = 1.
Nota: se cumple que
n
i=1
(
n
i
)p
i
(1 p)
ni
= 1? La respuesta es s, por el
binomio de Newton: (a +b)
n
=
n
i=1
(
n
i
)a
i
(b)
ni
, y por lo tanto
n
i=1
(
n
i
)p
i
(1 p)
ni
= (p + 1 p)
n
= 1.
Esperanza y varianza:
Es posible demostrar que, si X B(n, p),
E[X] = n p, var(X) = n p (1 p).
III.3.4.3. Distribucion Geometrica
a). Denicion Es el modelo mas sencillo para un tiempo de espera discreto:
consideramos, al igual que para una distribucion binomial, un experimento simple
con una situacion dicotomica, ocurre A o A
C
con probabilidades p y 1 p respec-
tivamente. Estamos dispuestos a realizar este experimento simple un cierto n umero
de veces hasta que ocurra A. Introducimos la variable X:N umero de veces que de-
bemos realizar el experimento simple hasta que ocurra A por primera vez.
La variable X sigue una distribucion geometrica de parametro p. Escribimos
X (eo(p)
b). Propiedades .
X puede tomar los valores 1, 2, . . ..
Funcion puntual de probabilidad de X: queremos calcular P(X = i) para
i N
.
Introducimos los sucesos: A
1
=ocurre A en la primera realizacion del experi-
mento simple, A
2
=ocurre A en la segunda realizacion del experimento sim-
ple, etc....
Esta claro que
P(X = i) = P(A
c
1
A
c
2
. . . A
c
i1
A
i
),
y, por la regla del producto para sucesos independientes, deducimos
P(X = i) = (1 p)
i1
p.
Esperanza y varianza de X (eo(p).
Utilizando resultados clasicos sobre suma de series geometricas, obtenemos
E[X] = 1/p,
V ar(X) =
1 p
p
2
.
III.4 Variable continua 51
III.3.4.4. Distribucion de Poisson
a). Denicion La distribucion de Poisson aparece en situaciones en las que se
cuenta el n umero de apariciones de un determinado suceso o bien en un intervalo de
tiempo dado (como el n umero de partculas emitidas en un segundo por un material
radioactivo, o el n umero de clientes que llegan a una cola en un intervalo de tiempo
dado) o bien en un recinto fsico (como el n umero de fallos en un metro de alambre
de hierro producido.
Si es el n umero medio de apariciones del suceso de interes por intervalo de
tiempo, la variable X=n umero de veces que ha aparecido el suceso en un intervalo
de tiempo escogido al azar, sigue una distribucion de Poisson de parametro .
Escribimos
X T().
b). Propiedades
Valores posibles: 0, 1, . . . , n, . . ., es decir todos los n umeros enteros...
Funcion puntual de probabilidad: para i = 0, 1, . . . ,
f
X
(i) = P(X = i) =

i
e
i!
.
Podemos comprobar que
+
i=0
i
e
i!
= 1, si utilizamos el hecho de que la suma
de la serie de potencias
+
i=0
x
i
i!
= e
x
.
Esperanza y varianza.
Es facil comprobar repitiendo calculos similares a los del punto anterior, que
la esperanza de una distribucion de Poisson de parametro , es, tal como se
anuncio en la denicion, . Por otra parte, se puede demostrar que su varianza
es tambien: si X T()
E[X] = , var(X) = .
III.4. Variable continua
III.4.1. Denici on
Si una v.a X puede tomar un n umero innito no numerable de valores, se le
llama v.a continua.
III.4.2. Funci on de densidad
III.4.2.1. Presentacion
Queremos disponer de una manera de describir la distribucion de una v.a conti-
nua, es decir que nos permita calcular la probabilidad asignada a cualquier suceso
relacionado con X. Para una v.a discreta, hemos visto que utilizamos la funcion
puntual de probabilidad que asocia a cada valor posible la probabilidad de que X
tome este valor: el calculo de la probabilidad de un suceso involucra entonces una
suma de valores de la funcion puntual de probabilidad. Puesto que una v.a continua
puede tomar un n umero innito no numerable de valores, no asignaremos una pro-
babilidad a cada valor posible, sino que deniremos una densidad de probabilidad,
que indique en que zonas del espacio de los valores posibles de X es mas probable
que se encuentre X.
III.4.2.2. Denicion
Para una v.a continua X existe una funcion f
X
positiva, tal que, para todos a y
b, a b,
P(a X b) =
_
b
a
f
X
(x)dx.
La funcion f
X
se llama la funcion de densidad de la v.a X. Notar que se trata de una
terminologa coherente con la analoga mencionada anteriormente entre probabilidad
y peso: para un cuerpo no homogeneo, el peso de una parte de este cuerpo se calcula
integrando la densidad en el volumen correspondiente.
Nota:
Al ser f
X
una funcion positiva, y P(a X b) =
_
b
a
f
X
(x)dx., la probabili-
dad de que X este entre a y b corresponde al area debajo de la curva de f
X
comprendida entre a y b, tal como esta ilustrado en la gura siguiente:
Valores de X
f
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
a b
Si disponemos de un conjunto de datos con una variable X, generados a partir
de realizaciones de un experimento, y si nuestra descripcion del mecanismo
de generacion de los datos a traves de un modelo para X, es adecuada, la
funcion de densidad de X tiene mucha relacion con el histograma. En efecto,
la probabilidad de que X pertenezca a una clase debe explicar la frecuencia de
datos que aparecen en esta clase, y por lo tanto la forma del histograma debe
corresponder a la forma de la densidad, tal como viene reejado en la gura:
Densidad y histograma
x
D
e
n
s
i
d
a
d
2 1 0 1 2
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
El area total debajo de la curva de f
X
debe corresponder a la probabilidad de
que X tome un valor real, y es igual a 1:
_
+
f
X
(x)dx = 1.
Si X es una v.a continua, la probabilidad de que tome un valor dado a es
nula, puesto que la integral de f
X
entre a y a es cero: la distribucion de una
v.a continua solo asigna probabilidades positivas a intervalos de valores y no
a puntos individuales. En particular deducimos por la regla de la adicion que,
si X es una v.a continua,
P(a X b) = P(a < X b) = P(a < X < b) = P(a X < b).
Por supuesto este tipo de igualdades no es valida en general para una v.a
discreta!
III.4.2.3. Propiedades
a). Relaciones entre f
X
y F
X
. La funcion de distribucion acumulada de X es,
ver seccion III.2 calcula para todo real t la probabilidad de que X tome un valor
menor o igual que t: F
X
(t) = P(X t). Por la denicion de la funcion de densidad
f
X
deducimos que
F
X
(t) =
_
t
f
X
(x)dx.
Por lo tanto, F
X
es una primitiva de f
X
, o equivalentemente, f
X
se puede calcular
como la derivada, en los puntos donde existe, de la funcion de distribucion acumulada
t F
X
(t).
b). Condiciones para que una funcion f sea la funcion de densidad de
una v.a continua X. Esta claro que, para que una funcion f sea la funcion de
densidad de una v.a continua X, es necesario que se cumplan las dos condiciones:
1. f(x) 0, para todo x R,
2.
_
+
f(x)dx = 1.
Se puede demostrar que son tambien condiciones sucientes para que exista una v.a
X con funcion de densidad igual a f.
III.4.2.4. Ejemplo
El tiempo de vida expresado en miles de horas de un dispositivo electronico
escogido al azar en la produccion de una fabrica es una v.a X. Despues de un
estudio, se opta por modelizar esta v.a como una v.a continua con una funcion de
densidad dada por
f
X
(x) =
_
e
x
si x > 0
0 en otro caso.
La representacion graca de f
X
es
Notar que por la graca de esta funcion de densidad, comprobamos que la probabili-
dad de que X pertenezca a un intervalo de n umeros negativos, por ejemplo [2, 3]
es nula (la densidad de probabilidad es nula en R
), o que es mucho menos probable

que un dispositivo dure entre 4000 y 5000 horas que dure entre 1000 y 2000h.
Si nos preguntamos precisamente cual es la proporcion de dispositivos en la
produccion que duran entre 1000 y 2000h, debemos calcular
P(1 X 2) =
_
2
1
f
X
(x)dx =
_
2
1
e
x
dx = [e
x
]
2
1
0,235.
Seg un nuestro modelo, alrededor del 23 % de la produccion tendra una duracion
entre 1000 y 2000 horas.
III.4.3. Medidas numericas asociadas a una v.a continua
De la misma manera que para distribuciones de variables en un conjunto de
datos, se pueden resumir algunas caractersticas de las distribuciones de variables
asociadas a experimentos aleatorios.
III.4.3.1. Esperanza
Sea X una variable con densidad f, denimos la media de X, tambien llamada
esperanza o valor esperado, como
X
= E[X] =
_
+
x f(x)dx.
Es una medida de centro de la distribucion si esta es relativamente simetrica, se
interpreta como el centro de gravedad de la distribucion, ver gura III.1. Otra vez
es coherente con la analoga entre el peso y la probabilidad.
E[X]
E[X]
Figura III.1: La esperanza es el centro de gravedad
Tal como lo hicimos para una v.a discreta, es conveniente denir para una funcion
g de X la esperanza de g(X):
E[g(X)] =
_
+
g(x)f
X
(x)dx.
III.4.3.2. Varianza - Desviacion tpica
La varianza se dene como el promedio de la distancia al cuadrado entre X y su
media:
2
X
= var(X) = E[(X
X
)
2
] =
_
+
(x
X
)
2
f(x)dx.
Al desarrollar la integral, es facil obtener la formula alternativa, mas practica para
el calculo:
2
X
= E[X
2
] (E[X])
2
=
_
+
x
2
f
X
(x)dx (E[X])
2
.
y la desviacion tpica es
X
=
_
2
X
.
La desviacion tpica mide la dispersion de la distribucion de los valores de X
respecto a su media.
III.4.3.3. Un ejemplo
Calculemos la duracion media y la desviacion tpica en el ejemplo de la duracion
de los dispositivos electronicos de la seccion III.4.2.4. Tenemos que
E[X] =
_
+
x f
X
(x)dx =
_
0
x f
X
(x)dx +
_
+
0
x f
X
(x)dx
= 0 +
_
+
0
x e
x
dx
= 1,
hemos descompuesto la integral inicial seg un los intervalos de denicion de f
X
, sus-
tituido la expresion de f
X
en las integrales resultantes, y calculado por partes la
ultima integral que aparece. La duracion media de los dispositivos es por lo tanto
de 1000h.
De la misma manera, calculamos la varianza de X:
var(X) = E[X
2
] (E[X])
2
= 0 +
_
+
0
x
2
e
x
dx 1 = 1.
III.4.4. Modelos mas comunes de v.a continua
Algunas situaciones de modelizacion presentan rasgos comunes y se han estable-
cido modelos estandar que resultan adecuados para distintos contextos.
III.4.4.1. Variable aleatoria uniforme
El modelo de v.a. continua mas sencillo corresponde a la situacion en la que X
puede tomar cualquier valor entre dos n umeros a y b, sin que favorezca ninguna zona
del intervalo [a, b]. La probabilidad de que X este entre a y b sera igual a 1, mientras
que la probabilidad de que este en un subintervalo de [a, b] sera sencillamente pro-
porcional a su longitud. Intuitivamente, queremos que la funcion de densidad de X
sea nula fuera de [a, b], y constante en el intervalo [a, b]. Para que el area total debajo
de la curva de densidad sea igual a 1, esta constante debera ser igual a 1/(b a). La
funcion de densidad sera por lo tanto dada por:
f
X
(x) =
_
1
(ba)
si a x b,
0 en otro caso.
La representacion graca de f
X
se encuentra en la gura III.2. Una v.a X que tenga
esta funcion de densidad se llama una v.a uniforme entre a y b. Lo denotaremos por
X |([a, b]).
El comandoRANDOMde varios lenguajes de programacion, que tambien aparece
en casi todas las calculadoras cientcas, simula una variable uniforme entre 0 y 1.
Puede ser realmente una v.a uniforme?
Figura III.2: Densidad de una v.a uniforme
Por otra parte calculemos la esperanza y la varianza de una v.a X |([a, b]).
Antes de llevar a cabo los calculos, y examinando la graca de la densidad de X,
cuanto piensa que vale E[X]?.
E[X] =
_
+
x f
X
(x)dx = 0 +
_
b
a
x
1
ba
dx + 0
=
b
2
a
2
2

1
ba
=
a+b
2
Corresponde con su intuicion?. Se deja en ejercicio al lector comprobar que la
varianza de una v.a X |([a, b]) es
var(X) =
(b a)
2
12
,
es decir que la desviacion tpica es sencillamente proporcional a (ba), otro resultado
natural, no?
III.4.4.2. Modelo exponencial
a). Denicion En el mismo contexto que para una v.a de Poisson (ocurrencias
de sucesos aleatorios en el tiempo), denotando por el n umero medio de ocurren-
cias por intervalo de tiempo, consideramos la v.a X que mide el tiempo entre dos
ocurrencias consecutivas del suceso, la distribucion de la v.a X se llama distribucion
exponencial de parametro y se denota por
X cxp().
Dos ejemplos corresponden al tiempo entre dos emisiones consecutivas de una
partcula por un material radioactivo, o entre dos llegadas de clientes en una cola.
b). Propiedades
La funcion de densidad de una v.a X cxp() es
f
X
(x) =
_
e
x
si x > 0
0 en otro caso.
Su graca es parecida a la del ejemplo de la seccion III.4.2.4. De hecho, resulta
que la densidad de este ejemplo es la densidad de una distribucion exponencial
de parametro .
Funcion de distribucion acumulada. Para todo t,
F
X
(t) =
_
t
f
X
(x)dx.
Deducimos que, si t < 0, F
X
(t) es nula, mientras que, si t 0,
F
X
(t) = 0 +
_
t
0
e
x
dx = 1 e
t
.
En particular, tenemos que P(X > t) = e
t
.
Esperanza y varianza. Demostramos de la misma manera que para el ejemplo
de la seccion III.4.2.4, utilizando la integracion por partes que
E[X] = 1/, var(X) = 1/
2
.
Propiedad de falta de memoria de la distribucion exponencial. La distribucion
exponencial tiene una propiedad particular: olvida su pasado... Mas concre-
tamente, supongamos que X cxp() y modeliza el tiempo entre dos llegadas
sucesivas de clientes en una cola. Llega un cliente, y espero hasta que llegue el
siguiente cliente... Han pasado tres minutos y no ha llegado, la probabilidad de
que tenga que esperar por lo menos otro minuto mas (es decir que el tiempo
transcurrido entre las dos llegadas sea mayor que cuatro minutos) es la misma
que la probabilidad de que X sea mayor que 1 minuto: el hecho de saber que
ya he esperado 3 minutos no cambia la probabilidad de que todava tenga que
esperar otro minuto mas! Es decir, para todos t
1
> 0, t
2
> 0,
P(X > t
1
+t
2
[X > t
1
) = P(X > t
2
).
Demostracion: Por la denicion de la probabilidad condicionada,
P(X > t
1
+t
2
[X > t
1
) =
P((X > t
1
+t
2
) (X > t
1
))
P(X > t
1
)
.
Por otra parte, puesto que el suceso (X > t
1
+ t
2
) esta incluido en el suceso
(X > t
1
), el denominador es sencillamente P(X > t
1
+ t
2
). Pero al calcular
un poco mas arriba la funcion de distribucion acumulada de una distribucion
exponencial, hemos notado que P(X > t) = e
t
. Por lo tanto
P(X > t
1
+t
2
[X > t
1
) =
e
(t
1
+t
2
)
e
t
1
= e
t
2
= P(X > t
2
).

III.4.4.3. La distribucion Normal
a). Denicion Sea un n umero real y
2
un n umero real positivo, la v.a X
sigue una distribucion Normal de parametros y
2
si su densidad es
f(x) =
1
2
2
e
(x)
2
2
2
,
cuya representacion graca es la famosa campana de Gauss, ver Figura III.3.
Figura III.3: Densidad Normal
Si X sigue una distribucion Normal de parametros y
2
, escribiremos X
A(,
2
).
La distribucion Normal es, sin dudas, la distribucion mas utilizada en situaciones
practicas: aparece en la inmensa mayora de los procedimientos estadsticos que
se llevan a cabo de manera rutinaria (control de calidad, mediciones, etc...) En
particular, esta tpicamente presente cuando se modeliza los valores proporcionados
por un aparato de medicion. De hecho, si consideramos los datos de las mediciones
de la luz por S. Newcomb que estudiamos en el Tema 1, ver seccion I.3.2.1, podemos
comprobar que las frecuencias de aparicion de los datos experimentales se ajustan
bastante bien a un modelo Normal. En la gura III.4, se ha ajustado una curva
Normal al histograma de los datos recogidos por Newcomb, despues de omitir los
dos datos atpicos 44 y 2. Para ello, hemos jado el valor de y
2
basandonos
en el centro y la dispersion de la distribucion de los datos experimentales.
b). Propiedades
La curva de la densidad Normal es simetrica respecto al eje vertical x = . En
particular deducimos que P(X ) = P(X ) = 1/2.
La curva de la densidad Normal nunca se cruza con el eje Ox.
Histograma, mediciones de Newcomb
Mediciones
F
r
e
c
u
e
n
c
i
a
s
40 20 0 20 40
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
Figura III.4: Ajuste de una densidad Normal al histograma de Newcomb
Esperanza y varianza: Es posible comprobar que, si X A(,
2
),
E[X] = , var(X) =
2
.
Funcion de distribucion acumulada. La funcion f
X
no admite primitiva en
una forma cerrada, y por lo tanto no hay expresion simple para calcular la
probabilidad de que una variable Normal pertenezca a un intervalo dado, o en
general para su funcion de distribucion. Se debe por lo tanto recurrir por lo
tanto a aproximaciones numericas de la integral
_
b
a
1
2
2
e
(x)
2
2
2
dx,
para obtener P(a < X b). Los programas informaticos de analisis de da-
tos como R disponen de algoritmos que permitan calcular para cualquier t la
probabilidad P(X t). Tambien existen calculadoras estadsticas.
A pesar de que no exista una expresion simple para las probabilidades asociadas
a una distribucion Normal, es muy util conocer la regla siguiente: si X es una
Normal A(,
2
), tenemos
P( X +) 0,68
P( 2 X + 2) 0,95
P( 3 X + 3) 0,997,
lo que queda reejado en la gura III.5: el 68 % del area debajo de la curva
Normal esta comprendida entre y +, el 95 % entre 2 y + 2,
y el 99.7 % entre 3 y + 3.
68%
+
95%
2 + 2
99.7%
3 + 3
Figura III.5: Regla del 68 % - 95 % - 99.7 %
c). Como calcular probabilidades asociadas a una distribucion Normal
(i) Para una distribucion Z A(0, 1).
La distribucion Normal con parametros = 0 y
2
= 1 se llama distribucion
Normal estandar. Su funcion de distribucion acumulada se denota por y los
valores de estan tabulados. La tabla para valores de esta incluida en el
apendice de este tema.
Notar que en la tabla solo aparece valores de (t) para valores positivos de
t. Para deducir (t) para valores negativos de t, utilizamos la simetra de la
distribucion normal que implica que, para todo t,
(t) = 1 (t).
Comprobar con la tabla que sabeis calcular las probabilidades siguientes:
P(Z 2,68) 0,9963 P(Z 1,12) 0,8686 P(Z 0,9) 0,1841
P(1,1 Z 1,3) 0,04 P(0,9 Z 0,5) 0,13 P(1 Z 1) 0,68
(ii) Para una distribucion X A(,
2
).
El calculo de probabilidades para una distribucion Normal con parametros
y
2
se basa en la siguiente propiedad que no demostraremos:
Propiedad: Si X A(,
2
), la variable
Z =
X
sigue una distribucion Normal con media 0 y varianza 1.

Pasar de X A(,
2
) a Z =
X
A(0, 1) se llama tipicar la variable X,

y la variable Z se llama la v.a X tipicada.
Para calcular una probabilidad relacionada con X, reescribiremos el suceso de
interes, tipicando la v.a.
Supongamos por ejemplo que X A( = 1,
2
= 0,25). Tenemos
P(X 1,25) = P(
X

1,25
) = P(Z
1,25 1
0,5
) = P(Z 0,5) 0,69.
y
P(0,5 X 1,5) = P(
0,5

1,5
) = P(
0,51
0,5
Z
1,51
0,5
)
= P(1 Z 1) 0,68.
III.4.4.4. Aproximacion de una distribucion Binomial por una distribu-
cion Normal
En el caso en que solo disponemos de una calculadora sencilla, el calculo de
probabilidades asociadas a una distribucion Binomial X puede resultar laborioso si
estas requieren evaluar la funcion puntual de X en muchos valores. Por ejemplo,
supongamos que X B(100, 0,1), el calculo de P(X 15) implica que calculemos
86 probabilidades individuales (P(X = 16), P(X = 17), . . . , P(X = 100)) o pasando
al suceso complementario 15 probabilidades, que siguen siendo muchos calculos...
Para algunas combinaciones de valores de n y p, resulta que la distribucion
Binomial se puede aproximar de manera satisfactoria por una distribucion normal,
es decir que para calcular la probabilidad de un suceso relacionado con una v.a
Binomial X B(n, p), podremos hacer como si X tuviera una distribucion normal.
Propiedad. Consideramos una v.a X B(n, p). Si n p 5 y n(1 p) 5, se
puede aproximar de manera satisfactoria la distribucion de X por la distribucion de
W A(, ), con = n p y = n p(1 p), con la formula
para todo x, P(X x) P(W x + 0,5).
El termino +0.5 que aparece en el termino de la derecha de la formula corresponde
a la llamada correccion por continuidad: aproximamos la distribucion de una v.a
discreta, X, que solo puede tomar valores enteros por una v.a continua W que puede
tomar cualquier valor real. Para conseguir una equivalencia, podemos considerar que
un valor entero x para la v.a. Binomial X corresponde al intervalo ]x 0,5, x + 0,5]
para la v.a Normal W, tal como esta ilustrado en la Figura III.6, para unos pocos
valores de X.
Figura III.6: Aproximacion de una distribucion Binomial por una distribucion Nor-
mal
III.5 Algunas propiedades utiles de la esperanza y la varianza 63
En particular deducimos de esta gura que aproximaremos las probabilidades
relacionadas con X de la manera siguiente:
P(X = 15) P(14,5 < W 15,5)
P(X > 15) P(W 15,5)
P(X 15) P(W 14,5)
P(X 16) P(W 16,5)
P(X < 16) P(W 15,5)
P(13 X < 15) P(12,5 W 14,5)
III.5. Algunas propiedades utiles de la esperanza y la
varianza
Acabamos el captulo con una seccion cajon de sastre en la que mencionamos
algunos resultados sobre esperanza y varianza.
Sean a y b dos n umeros reales, y X una variable aleatoria. No es difcil demostrar,
utilizando las deniciones de esperanza y varianza tanto para v.a discreta como para
v.a continua que se cumplen las siguientes propiedades:
E[aX +b] = aE[X] +b
var(aX +b) = a
2
var(X)
aX+b
= [a[
X
Intuitivamente son resultados naturales: si multiplico todos los valores de una v.a
por a y traslado el resultado de b unidades, el centro de gravedad de los datos (la
esperanza) se multiplica por a y se traslada de b unidades, mientras que la dispersion
(la desviacion tpica) solo se multiplica por [a[, puesto que la traslacion de los datos
no cambia su dispersion.
Finalizamos con un ultimo resultado asociado a la varianza de una variable: la
desigualdad de Chebichev:
Propiedad:Sea cual sea la distribucion de X, si conocemos el valor de la varianza
de X, tenemos la siguiente cota para la probabilidad de que X este en un intervalo
centrado en su media
X
:
Para cualquier a > 0, P([X
X
[ a) 1
V ar(X)
a
2
.
Deducimos tambien una cota para el suceso complementario:
Para cualquier a > 0, P([X
X
[ a)
V ar(X)
a
2
.
La primera desigualdad se interpreta de la manera siguiente: sabemos que una
proporcion de los datos de al menos V ar(X)/a
2
se encuentra en el intervalo
X
a,
mientras que la segunda desiguald se lee: una proporcion de los datos de como mucho
V ar(X)/a
2
se encuentra fuera del intervalo
X
a.
Distribucion Normal:
P(Z t) = (t) =
_
t
2
e
x
2
2
dx
t P(Z t) t P(Z t) t P(Z t) t P(Z t)
0.00 0.5000 0.80 0.7881 1.60 0.9452 2.40 0.9918
0.02 0.5080 0.82 0.7939 1.62 0.9474 2.42 0.9922
0.04 0.5160 0.84 0.7995 1.64 0.9495 2.44 0.9927
0.06 0.5239 0.86 0.8051 1.66 0.9515 2.46 0.9931
0.08 0.5319 0.88 0.8106 1.68 0.9535 2.48 0.9934
0.10 0.5398 0.90 0.8159 1.70 0.9554 2.50 0.9938
0.12 0.5478 0.92 0.8212 1.72 0.9573 2.52 0.9941
0.14 0.5557 0.94 0.8264 1.74 0.9591 2.54 0.9945
0.16 0.5636 0.96 0.8315 1.76 0.9608 2.56 0.9948
0.18 0.5714 0.98 0.8365 1.78 0.9625 2.58 0.9951
0.20 0.5793 1.00 0.8413 1.80 0.9641 2.60 0.9953
0.22 0.5871 1.02 0.8461 1.82 0.9656 2.62 0.9956
0.24 0.5948 1.04 0.8508 1.84 0.9671 2.64 0.9959
0.26 0.6026 1.06 0.8554 1.86 0.9686 2.66 0.9961
0.28 0.6103 1.08 0.8599 1.88 0.9699 2.68 0.9963
0.30 0.6179 1.10 0.8643 1.90 0.9713 2.70 0.9965
0.32 0.6255 1.12 0.8686 1.92 0.9726 2.72 0.9967
0.34 0.6331 1.14 0.8729 1.94 0.9738 2.74 0.9969
0.36 0.6406 1.16 0.8770 1.96 0.9750 2.76 0.9971
0.38 0.6480 1.18 0.8810 1.98 0.9761 2.78 0.9973
0.40 0.6554 1.20 0.8849 2.00 0.9772 2.80 0.9974
0.42 0.6628 1.22 0.8888 2.02 0.9783 2.82 0.9976
0.44 0.6700 1.24 0.8925 2.04 0.9793 2.84 0.9977
0.46 0.6772 1.26 0.8962 2.06 0.9803 2.86 0.9979
0.48 0.6844 1.28 0.8997 2.08 0.9812 2.88 0.9980
0.50 0.6915 1.30 0.9032 2.10 0.9821 2.90 0.9981
0.52 0.6985 1.32 0.9066 2.12 0.9830 2.92 0.9982
0.54 0.7054 1.34 0.9099 2.14 0.9838 2.94 0.9984
0.56 0.7123 1.36 0.9131 2.16 0.9846 2.96 0.9985
0.58 0.7190 1.38 0.9162 2.18 0.9854 2.98 0.9986
0.60 0.7257 1.40 0.9192 2.20 0.9861 3.00 0.9987
0.62 0.7324 1.42 0.9222 2.22 0.9868 3.10 0.9990
0.64 0.7389 1.44 0.9251 2.24 0.9875 3.20 0.9993
0.66 0.7454 1.46 0.9279 2.26 0.9881 3.30 0.9995
0.68 0.7517 1.48 0.9306 2.28 0.9887 3.40 0.9997
0.70 0.7580 1.50 0.9332 2.30 0.9893 3.50 0.9998
0.72 0.7642 1.52 0.9357 2.32 0.9898 3.60 0.9998
0.74 0.7704 1.54 0.9382 2.34 0.9904 3.80 0.9999
0.76 0.7764 1.56 0.9406 2.36 0.9909 4.00 1.0000
0.78 0.7823 1.58 0.9429 2.38 0.9913 4.50 1.0000
La estilometra es el an alisis estadstico del estilo de obras lite-
rarias, y busca por ejemplo, determinar la autora de un texto,
basandose en caractersticas cuanticables propias del autor y no
del genero o epoca. Una de estas caractersticas es la longitud de
palabra y fue usada para discriminar entre obras de Shakespeare
y Bacon por ejemplo.
Fuente: Giron, F.J, Ginebra, J & Riba, A. Literatura y estadstica: el proble-
ma de la autora de Tirant lo Blanc, BEIO (2005) 22, 6-10.
TEMA IV
Variable Aleatoria II
IV.1. Introducci on
Es frecuente que haya mas de una variable aleatoria de interes asociada a un
experimento aleatorio. Supongamos por ejemplo que consideramos n variables X
1
,
X
2
, . . . X
n
, formaremos el vector aleatorio X = (X
1
, X
2
, . . . , X
n
). Diremos que X
es una variable aleatoria multidimensional. Para el caso particular en que n = 2,
hablaremos de variable aleatoria bidimensional.
Describir la distribucion de una v.a. multidimensional consiste en asignar una
probabilidad a sucesos conjuntos, es decir sucesos que involucren X
1
, X
2
, . . ., X
n
.
En este caso hablamos de distribucion conjunta de (X, Y ), mientras que si con-
sideramos las distribuciones de X e Y por separadas, hablamos de distribuciones
marginales de X y de Y respectivamente.
Un ejemplo de suceso asociado a la distribucion conjunta de X e Y es (X+Y > 3)
o (X = 1 Y > 2) mientras que el suceso (X > 5) y el suceso (Y = 4) hacen
referencia a las distribuciones marginales de X y de Y respectivamente.
En este tema nos centraremos sobre todo en el caso de una variable bidimensional.
IV.2. Variable bidimensional discreta
Si tanto X como Y son variables discretas, basta con describir la probabilidad
de los sucesos (X = x) (Y = y). Lo realizaremos a traves de la funcion puntual de
probabilidad conjunta de X e Y :
IV.2.1. Funcion puntual de probabilidad conjunta
IV.2.1.1. Denicion
La funcion puntual de probabilidad conjunta de (X, Y ) asocia a cualquier par de
valores (x, y) la probabilidad del suceso ((X = x) (Y = y)). La denotamos
f
XY
(x, y) = P((X = x) (Y = y)) .
Los valores que toma una funcion puntual de probabilidad conjunta se pueden
presentar en una tabla:
X Y
120 130 140 150
0 0.03 0.1 0.15 0.2
1 0.05 0.06 0.1 0.1
2 0.21 0 0 0
Deducimos en particular de esta tabla que la probabilidad que X tome el valor
0 y a la vez Y tome el valor 140 es igual a 140.
IV.2.1.2. Propiedad
Para que una funcion f : (x, y) f(x, y) sea la funcion puntual de probabilidad
conjunta de una variable bidimensional discreta (X, Y ) es necesario y suciente que
cumpla
1. f
XY
(x
i
, y
j
) 0, x
i
, y
j
.
2.
x
i
y
j
f
XY
(x
i
, y
j
) = 1.
IV.2.1.3. Relacion entre funciones puntuales de probabilidad conjunta
y marginales
Si conocemos la distribucion conjunta de (X, Y ) a traves de una tabla como
la descrita en el apartado IV.2.1.1, podemos calcular la distribucion de X o de Y
por separado: estas se llaman las distribuciones marginales. En efecto, para calcular
P(X = 0) por ejemplo, basta con utilizar
P(X = 0) = P(X = 0 Y = 120) +P(X = 0 Y = 130)
+P(X = 0 Y = 140) +P(X = 0 Y = 150) = 0,48.
Tenemos por lo tanto las relaciones siguientes:
x
i
, f
X
(x
i
) =
y
j
f
XY
(x
i
, y
j
),
y
j
, f
Y
(y
j
) =
x
i
f
XY
(x
i
, y
j
).
Se suele representar en la misma tabla de la f.p.p. conjunta de la manera siguiente:
IV.3 Variable bidimensional continua 69
X Y f
X
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
f
Y
0.29 0.16 0.25 0.3
IV.2.2. Esperanza
Sea g : (x, y) g(x, y) una funcion de dos variables que toma sus valores en R.
Denimos la esperanza ( o media, o valor esperado, o valor promedio) de g(X, Y )
como
E[g(X, Y )] =
x
i
y
j
g(x
i
, y
j
)P(X = x
i
Y = y
j
)
=
x
i
y
j
g(x
i
, y
j
)f
XY
(x
i
, y
j
).
IV.3. Variable bidimensional continua
Consideramos ahora el par (X, Y ) donde X e Y son ambas v.a continuas. Para
describir la distribucion conjunta de (X, Y ), introducimos la funcion de densidad
conjunta.
IV.3.1. Funcion de densidad conjunta
IV.3.1.1. Denicion.
La funci on de densidad conjunta de (X, Y ) es una funcion f
XY
que permite
calcular la probabilidad de cualquier suceso de la forma (a X b) (c Y d)
a traves de la formula:
P((a X b) (c Y d)) =
_
x[a,b]
_
y[c,d]
f
XY
(x, y)dxdy.
IV.3.1.2. Ejemplo
Consideremos un experimento que consista en producir dos componentes de dos
tipos, y denotamos por X e Y el tiempo de vida en miles de horas del primer
y segundo componente respectivamente. Modelizamos su distribucion conjunta a
traves de la funcion de densidad siguiente
f
XY
(x, y) =
_
2e
x
e
2y
si x > 0 y y > 0,
0 en otro caso.
Para calcular la probabilidad de que ambos componentes duren menos de 1000
horas, por ejemplo,
P((X < 1) (Y 1)) =
_
1
_
1
f
XY
(x, y)dxdy
=
_
1
0
_
1
0
2e
x
e
2y
dxdy = (1 e
1
)(1 e
2
) 0,54.
IV.3.1.3. Propiedades
Para que una funcion f : (x, y) f(x, y) con valores en R sea la funcion de
densidad conjunta de una v.a bidimensional continua, es necesario y suciente que
cumpla
1. f(x, y) 0, x, y,
2.
_
+
_
+
f(x, y)dxdy = 1.
IV.3.1.4. Relacion entre funciones de densidad conjunta y marginales
Al igual que para una v.a discreta, se puede obtener de la funcion de densidad
conjunta las funciones marginales, pero ahora en lugar de sumar, debemos integrar
respecto de la otra variable.
Tenemos por lo tanto las relaciones siguientes:
x, f
X
(x) =
_
+
f
XY
(x, y)dy,
y, f
Y
(y) =
_
+
f
XY
(x, y)dx.
Calculemos para ilustrar estas formulas las densidades marginales de X y de Y
para el ejemplo del apartado IV.3.1.2. La funcion de densidad conjunta es
f
XY
(x, y) =
_
2e
x
e
2y
si x > 0 y y > 0,
0 en otro caso.
Deducimos la densidad marginal de X:
x, f
X
(x) =
_
+
f
XY
(x, y)dy.
Si x 0, f
XY
(x, y) = 0 para todo y, y por lo tanto f
X
(x) = 0 tambien.
Si x > 0,
f
X
(x) =
_
+
0
2e
x
e
2y
dy = e
x
_
e
2x
+
0
= e
x
.
IV.4 Distribuciones condicionadas 71
IV.3.2. Esperanza
Al disponer de una funcion de densidad conjunta f
XY
para la v.a. bidimensional
(X, Y ), podemos calcular el valor esperado de una funcion de las dos variables X e
Y : Denicion. Sea una funcion g : R
2
R, la esperanza de g(X, Y ) se dene como
E[g(X, Y )] =
_
+
_
+
g(x, y)f
XY
(x, y)dxdy.
En particular podemos calcular por ejemplo la esperanza de la suma de dos variables:
E[X +Y ] =
_
+
_
+
(x +y)f
XY
(x, y)dxdy
=
_
+
_
+
xf
XY
(x, y)dxdy +
_
+
_
+
y f
XY
(x, y)dxdy
=
_
+
x
__
+
f
XY
(x, y)dy
_
dx +
_
+
y
__
+
f
XY
(x, y)dx
_
dy
=
_
+
xf
X
(x)dx +
_
+
yf
Y
(y)dy = E[X] +E[Y ],
donde hemos utilizado para el ultimo paso la relacion entre funciones de densidades
marginales y conjunta del apartado IV.3.1.4. Hemos por lo tanto demostrado una
relacion por otra parte muy intuitiva: la media de la suma de dos variables aleatorias
es la suma de las dos medias...
IV.4. Distribuciones condicionadas
Consideremos un experimento al que va asociada una v.a bidimensional (X, Y ).
Por alg un motivo, al realizar el experimento, solo observamos el valor de Y y no
el de X. Que informacion puedo deducir, basandome en el valor de Y , sobre la
distribucion de los posibles valores de X?
Un contexto tpico en ingeniera en la que se da esta situacion es el siguiente: me
interesa un se nal X
1
, X
2
, . . . , X
n
, pero no puedo observar directamente los valores de
X sino a traves de un aparato de medicion que induce una perturbacion aleatoria,
que denotaremos por . Como resultado observo
Y
1
= X
1
+
1
,
.
.
.
.
.
.
.
.
.
Y
n
= X
n
+
n
.
Disponiendo de los valores de Y
1
, . . . , Y
n
, persigo deducir la distribucion de X
1
, . . . , X
n
condicionada a Y
1
, . . . , Y
n
. Obtener esta distribucion condicionada se llama realizar
el ltrado de la se nal Y
1
, . . . , Y
n
. De los ltros basados en modelos probabilsticos,
el mas usado en practica se llama el ltro de Kalman.
IV.4.1. V.a bidimensional discreta
Sea (X, Y ) una v.a. bidimensional discreta.
IV.4.1.1. Denicion de la funcion puntual de probabilidad condicionada
Sea y un valor de Y tal que P(Y = y) > 0, la funcion puntual de probabilidad
de X condicionada a Y = y asocia a cada valor posible x de X la probabilidad del
suceso X = x condicionada a (X = x).
f
X|Y =y
(x) = P(X = x[Y = y) =
f
XY
(x, y)
f
Y
(y)
.
Para ilustrar este concepto, calculemos para el ejemplo de v.a bidimensional
introducido anteriormente la funcion puntual de probabilidad de X condicionada a
Y = 130. Recordemos que la tabla de las f.p.p conjunta y marginales de (X, Y ) era
X Y f
X
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
f
Y
0.29 0.16 0.25 0.3
Por lo tanto f
X|Y =130
toma los valores:
Valores posibles de X 0 1 2
f
X|Y =130
0,1/0,16 = 0,625 0,06/0,16 = 0,375 0/0,16 = 0
IV.4.2. Para una v.a bidimensional continua
Consideramos ahora una v.a. bidimensional continua (X, Y ).
IV.4.2.1. Denicion
Sea (X, Y ) una v.a continua con densidad conjunta f
XY
. Consideramos un valor
y para el cual f
Y
(y) > 0. La funcion de densidad de X condicionada a Y = y esta
denida por
f
X|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
.
Nota: la densidad de Y condicionada a X se obtiene intercambiando los papeles de
X e Y en la formula anterior.
IV.4.2.2. Ejemplo
Consideremos el ejemplo de la subseccion IV.3.1.2. Calculemos, para un valor
y > 0 generico, la funcion de densidad de X condicionada a Y = y. Obtuvimos que
la densidad marginal de Y , si y > 0 es f
Y
(y)2e
2y
. Deducimos que la densidad que
buscamos es
f
X|Y =y
(x) =
_
2e
x
e
2y
2e
2y
= e
x
si x > 0,
0 en otro caso.
Observamos que, en este caso, coincide con la densidad marginal de X.
IV.5 Variables independientes 73
IV.4.3. Esperanza condicionada
Es facil comprobar que, para un valor y tal que f
Y
(y) > 0, x f
X|Y =y
(x)
cumple con los dos requisitos (ver secciones III.3.2.2 y b)) que permiten deducir
que se trata de una funcion de densidad (caso continuo) o puntual de probabilidad
(caso discreto). Por ello, hablamos de distribucion de X condicionada a Y = y,
aunque solo podemos interpretar las probabilidades asociadas como probabilidades
condicionadas en el caso de una v.a discreta.
Tambien podemos por lo tanto denir la esperanza condicionada de una funcion
g(X) dado Y = y.
Denicion IV.4.1 Sea una funcion g : R R, la esperanza condicionada de g(X)
dado Y = y se dene como
Si (X, Y ) es una v.a. discreta
E[g(X)[Y = y] =
x
g(x)f
X|Y =y
(x).
Si (X, Y ) es una v.a continua
E[g(X)[Y = y] =
_
+
g(x)f
X|Y =y
(x)dx.
La nocion de esperanza condicionada permite en particular obtener res umenes de
las caractersticas principales de la distribucion condicionada de X dado Y = y. Si
consideramos el problema de predecir el valor de X dado que hemos observado el
valor y para Y , se puede demostrar que la esperanza condicionada de X dado Y = y
es el mejor predictor posible en el sentido siguiente:
Llamamos predictor a cualquier funcion de Y , h(Y ) dise nada para aproximar el
valor de X que no hemos observado. Denotamos, para todo y, por h
(y) la esperanza
condicionada E[X[Y = y]. Consideramos la funcion de Y , h
(Y ), se trata de un
predictor de X. Se puede probar que para cualquier predictor h(Y ) de X se cumple
E[(X h(Y ))
2
] E[(X h
(Y ))
2
],
es decir que el error cuadratico medio que se comete al predecir X por h
(Y ) es el
menor de los errores posibles.
IV.5. Variables independientes
En el tema 2 hemos denido el concepto de sucesos independientes. Introducimos
ahora el concepto de variables aleatorias independientes:
IV.5.1. Denicion
Denicion IV.5.1 Dos variables X e Y son independientes si se cumple
para todo x e y, f
XY
(x, y) = f
X
(x)f
Y
(y).
Las funciones f
XY
, f
X
y f
Y
se reeren a funciones de densidad o funciones pun-
tuales de probabilidad seg un si la v.a. (X, Y ) es continua o discreta respectivamente.
Deducimos en particular que, si X e Y son independientes, la distribucion condicio-
nada de X (resp. Y ) no depende del valor de Y (resp. X): el hecho de conocer el valor
de una de las variables no proporciona informacion sobre la distribucion de valores
de la otra. En particular, deducimos que si X e Y son independientes, podemos des-
cribir completamente su distribucion conjunta si conocemos sus dos distribuciones
marginales.
En el ejemplo de la v.a discreta de la seccion IV.2.1.1, notamos que f
XY
(0, 120) =
0,03 ,= f
X
(0)f
Y
(120). Por lo tanto X e Y no son independientes. En cambio, es facil
comprobar para el ejemplo de v.a continua de la seccion IV.3.1.2, que se cumple que,
para todo x e y, f
XY
(x, y) = f
X
(x)f
Y
(y): en este caso, las variables X e Y s son
independientes.
IV.5.2. Consecuencias practicas
Si X e Y son independientes, es facil comprobar que cualquier suceso asociado
con X es independiente de cualquier suceso asociado con Y . Es decir que
P(a X b) (c Y d) = P(a X b)P(c Y d).
Si X e Y son independientes, se puede calcular de manera sencilla la esperanza
de una funcion de X y de una funcion de Y :
E[g(X)h(Y )] = E[g(X)]E[h(Y )].
La nocion de variables independientes se generaliza a mas de dos variables de ma-
nera natural: X
1
, X
2
, . . ., X
n
son v.a independientes si los sucesos asociados son
independientes.
IV.6. Medidas numericas para una v.a bidimensional
Al disponer de un modelo para la distribucion conjunta de X e Y , es util poder
recurrir a alguna medida numerica que nos permita por ejemplo cuanticar el grado
de asociacion entre las dos variables.
IV.6.1. Deniciones
IV.6.1.1. Covarianza
La covarianza de X e Y se dene como
cov(X, Y ) = E[(X E[X])(Y E[Y ])].
Utilizando la denicion de la esperanza de una funcion de X e Y en el caso discreto
y en el caso continuo, obtenemos la formula equivalente para la covarianza
cov(X, Y ) = E[XY ] E[X]E[Y ].
Notar que el calculo de cov(X, Y ) se realiza por lo tanto de la manera siguiente
IV.6 Medidas numericas para una v.a bidimensional 75
(X, Y ) v.a discreta:
cov(X, Y ) =
y
xyf
XY
(x, y) E[X]E[Y ],
donde los sumatorios se realizan sobre los valores posibles de X e Y .
(X, Y ) es una v.a. continua:
cov(X, Y ) =
_
+
_
+
xyf
XY
(x, y)dxdy E[X]E[Y ].
Notar tambien que la covarianza de una variable X consigo mismo es igual a la
varianza de X: cov(X, X) =
2
X
.
IV.6.1.2. Correlacion
La correlacion de X e Y se dene como
XY
=
cov(X, Y )
Y
.
La correlacion de X e Y corresponde por lo tanto a la covarianza de las versiones
tipicadas de X e Y . En particular la correlacion de una variable X consigo mismo
es igual a 1.
IV.6.1.3. Ejemplo para una v.a. (X, Y ) discreta
Volvamos al ejemplo de la seccion IV.2.1.1, su funcion puntual de probabilidad
es
X Y f
X
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
f
Y
0.29 0.16 0.25 0.3
Para calcular la covarianza de X e Y necesitamos por una parte E[X] y E[Y ] y por
otra parte E[XY ]. Obtenemos utilizando las distribuciones marginales de X e Y :
E[X] = 0 0,48 + 1 0,31 + 2 0,21 = 0,73
E[Y ] = 120 0,29 + 130 0,16 + 140 0,25 + 150 0,3 = 135,6
Nos queda calcular E[XY ].
E[XY ] = 0 120 0,03 + 0 130 0,1 + 0 140 0,15 + 0 150 0,2
+ 1 120 0,05 + 1 130 0,06 + 1 140 0,1 + 1 150 0,1
+ 2 120 0,21 + 2 130 0 + 2 140 0 + 2 150 0
= 93,2
Deducimos que cov(X, Y ) = 93,2 0,73 135,6 = 5,78. Para calcular la correlacion
de X e Y nos hacen falta ademas las desviaciones tpicas de X e Y . Se comprueba
que
2
X
= 0,617 mientras que
2
Y
= 142,64. Por lo tanto
XY
=
5, 78
0,617
142,64
= 0,62.
IV.6.1.4. Matriz de covarianzas y matriz de correlacion
En el caso en que consideramos varias variables aleatorias X
1
, X
2
, . . . , X
n
, pode-
mos calcular las covarianzas y las correlaciones de cada par posible de variables, se
suele presentar los resultados en forma de una matriz: la matriz de covarianzas de
X
1
, . . . , X
n
es la matriz n n, cuyo elemento
ij
es igual a la covarianza de X
i
y
X
j
, mientras que la matriz de correlaciones de X
1
, . . . , X
n
es la matriz n n, Corr
cuyo elemento Corr
ij
es igual a la correlacion de X
i
y X
j
.
IV.6.2. Propiedades
1. Se puede demostrar (ver problema n umero 14 de la hoja de problemas de este
tema) que
[cov(X, Y )[
X
Y
,
es decir que, para dos variables cualesquiera X e Y ,
1
XY
1.
2. Si X e Y son independientes,
cov(X, Y ) = E[(X E[X])]E[(Y E[Y ])] = 0.
Tambien implica que
XY
= 0. En cambio si
XY
= 1, se puede demostrar
que existe dos constantes a y b tal que Y = ax + b: existe una relacion lineal
determinista entre X e Y . De ah que la correlacion es una medida del grado
de asociacion lineal entre dos variables.
3. Usando la propiedad de linealidad de la esperanza es facil obtener que
V ar(X +Y ) = V ar(X) +V ar(Y ) + 2cov(X, Y ).
En el caso particular en el que X e Y son independientes, esta relacion se
simplica, dando lugar a la formula de propagacion de los errores:
V ar(X +Y ) = V ar(X) +V ar(Y ),
puesto que cov(X, Y ) = 0.
IV.7. Algunos modelos de v.a. multidimensional
IV.7.1. Modelo multinomial
El modelo multinomial aparece como una generalizacion del modelo binomial:
consideremos
Tenemos un primer experimento aleatorio simple, con un k sucesos posibles
A
1
, . . . , A
k
, que forman una particion del espacio muestral. Denotamos por
p
1
= P(A
1
), . . . p
k
= P(A
k
).
Repetimos este experimento simple n veces de manera independiente.
IV.7 Algunos modelos de v.a. multidimensional 77
Consideramos la variable X
1
=N umero de veces que ha ocurrido A
1
en las n
realizaciones del experimento simple, X
2
=N umero de veces que ha ocurrido
A
2
en las n realizaciones del experimento simple, etc hasta X
k
=N umero de
veces que ha ocurrido A
k
en las n realizaciones del experimento simple.
Proposicion IV.7.1 Se cumple que, para todos n
1
, . . . , n
k
enteros positivos o nulos
tal que n
1
+n
2
+. . . +n
k
= n,
P(X
1
= n
1
, X
2
= n
2
, . . . X
k
= n
k
) =
n!
n
1
! . . . n
k
!
p
n
1
1
. . . p
n
k
k
.
Se dice que (X
1
, . . . , X
k
) sigue una distribucion multinomial de parametros p
1
, . . . , p
k
y n.
Es facil comprobar que todos las distribuciones marginales de una multinomial son
binomiales, con que parametros?
IV.7.2. El modelo Normal multidimensional
IV.7.2.1. Caso bidimensional
Denicion IV.7.1 Consideremos un par de n umeros reales = (
1
,
2
) R
2
y
una matriz 2 2 simetrica y denida positiva (es decir que, para todo x en R
2
,
x
T
x 0). La variable (X
1
, , X
2
) sigue una distribucion Normal bidimensional con
parametros (
1
,
2
) y si su densidad es
x = (x
1
, x
2
)
1
2[[
e
1
2
(x )
T
1
(x )
.
En este caso escribimos (X
1
, X
2
) A( , ).
Se puede comprobar que, si (X
1
, X
2
) A( , ),
E[X
1
] =
1
, E[X
2
] =
2
, es la matriz de covarianzas de (X
1
, X
2
).
De la forma de la densidad Normal bidimensional, deducimos en particular la si-
guiente propiedad:
Propiedad: Si (X
1
, X
2
) sigue una distribucion normal bidimensional, se cumple que
X
1
y X
2
son independientes, si y solamente si su covarianza es nula.
Las curvas de nivel de la densidad bidimensional Normal son muy ilustrativas a
la hora de visualizar las campanas de Gauss asociadas (estas campanas son en tres
dimensiones). En la gura IV.1, las dos componentes X
1
y X
2
son independientes
y ademas sus varianzas son iguales, mas concretamente
1
= 1,
2
= 3,
11
= 1,
22
= 1 y
12
= 0.
En la gura IV.2, las dos componentes X
1
y X
2
siguen siendo independientes
pero ahora sus varianzas son distintas, mas concretamente
1
= 1,
2
= 3,
11
= 1,
22
= 0,25 y
12
= 0. Las curvas de nivel aparecen como elipses, cuyos ejes coinciden
con los ejes del sistema de coordenadas.
Finalmente, si las dos componentes no son independientes, las curvas de nivel
siguen formando elipses pero sus ejes presenten un angulo respecto a los ejes del
sistema de coordenada. En la gura IV.3, se representan las curvas de nivel para
la densidad Normal bidimensional si
1
= 1,
2
= 3,
11
= 1,125,
22
= 0,5 y
12
= 0,375. Esto implica en particular que su correlacion es
X
1
X
2
= 0,5.
2 1 0 1 2 3 4
0
1
2
3
4
5
6
X1
X
2
Figura IV.1: Curvas de nivel de la densidad Normal bidimensional si los dos compo-
nentes son independientes con varianzas iguales,
1
= 1,
2
= 3,
11
= 1,
22
= 1 y
12
= 0.
IV.7.2.2. Caso n-dimensional
Denicion IV.7.2 Consideremos = (
1
, . . . ,
n
) en R
n
y una matriz n n
simetrica y denida positiva.
La variable n-dimensional X = (X
1
, . . . , X
n
) sigue una distribucion Normal n-
dimensional con parametros y si su densidad es
x R
n
1
(2[[)
n/2
e
1
2
(x )
T
1
(x )
.
Se puede comprobar que la media de cada X
i
es
i
y que es la matriz de
covarianza de X.
IV.7 Algunos modelos de v.a. multidimensional 79
2 1 0 1 2 3 4
0
1
2
3
4
5
6
X1
X
2
nentes son independientes, pero sus varianzas son distintas,
1
= 1,
2
= 3,
11
= 1,
22
= 0,25 y
12
= 0.
Acabamos el tema con una propiedad fundamental de la distribucion Normal
n-dimensional, llamada propiedad de reproductividad de la distribucion Normal.
Proposicion IV.7.2 Si X = (X
1
, . . . , X
n
) A( , ), para todos n umeros reales
a
1
, . . . , a
n
, se cumple que
a
1
X
1
+a
2
X
2
+. . . +a
n
X
n
sigue una distribucion Normal.
Podrais caracterizar su media y su varianza?
Se deduce en particular de la proposicion que las distribuciones marginales de
una variable Normal n-dimensional son todas normales.
2 1 0 1 2 3 4
0
1
2
3
4
5
6
X1
X
2
nentes no son independientes,
1
= 1,
2
= 3,
11
= 1,125,
22
= 0,5 y
12
= 0,375,
lo que implica
X
1
X
2
= 0,5.
Se puede utilizar las estadsticas de b usquedas que los usua-
rios de Google realizan cada da acerca de consejos y ayu-
das sobre la gripe, para monitorizar y anticipar da a
da la actividad de esta enfermad en nuestros paises.. (ver
http://www.google.org/utrends/)
Fuente: J. Ginsberg, M. H. Mohebbi, R. S. Patel, L. Brammer, M. S. Smo-
linski & L. Brilliant Detecting inuenza epidemics using search engine query
data, Nature (2009), 457, 1012-1014
TEMA V
Muestreo y distribuciones muestrales
V.1. Introducci on
Consideramos un experimento aleatorio para el cual estamos dispuestos a escoger
un modelo, posiblemente con uno o varios parametros que tendremos que ajustar.
Ejemplos
Me interesa una moneda para tirar a cara o cruz. El experimento es Tirar la
moneda y la variable X corresponde al resultado, su distribucion se describe
como: X puede tomar dos valores c (Cara) o + (Cruz) con las probabilidades:
P[X = c] = p y P[X = +] = 1 p. p es por lo tanto la probabilidad de que
salga cara, y es un parametro de nuestro modelo. En el caso en que conamos
en que la moneda no esta trucada, nuestro modelo considerara que p = 1/2.
Para sacar informacion sobre p y comprobar en particular que la moneda no
esta trucada, repetiremos un cierto n umero de veces el experimento.
Para las proximas elecciones generales, queremos determinar la proporcion
de gente que tiene intencion de ir a votar, es decir queremos estimar la tasa
de participacion. El censo electoral para Espa na tiene unos 32 millones de
personas. Es claramente imposible entrevistar a todas las personas del censo.
En cambio realizaremos una encuesta, escogiendo al azar una muestra de unas
3000 personas entre el censo y preguntandoles si tienen intencion de ir a votar.
El ndice de audiencias manda en la programacion de television. Pero como
saben cuantos espectadores vieron un partido dado o un programa determina-
do? A m nunca me han preguntado... En realidad, una encuesta se realiza de
manera automatica y continua: una empresa especializada llamada SOFRES
(http://www.sofresam.com) ha escogido al azar unos 3300 hogares que repre-
sentan unas 10000 personas de entre un total de aproximadamente 39 500 000
espectadores potenciales. En cada uno de estos hogares, instala un aparato
llamado audmetro que graba cual es el programa que se esta viendo en cada
momento.
Quiero conocer la concentracion de un determinado producto en una solucion.
Pienso que es razonable que la distribucion de los valores proporcionados por
mi aparato de medicion sea una normal con media y desviacion tpica
desconocidas. El centro de esta distribucion, es decir , sera por lo tanto lo
mas representativo de la concentracion que intento determinar. Para estimar
, repetire la medicion varias veces.
Pero surge una pregunta evidente:
Pregunta: Como sabemos que nuestra estimacion es able? Por que limitandose
a unas 3000 personas, se puede extrapolar el resultado con conanza a una poblacion
de 30 millones? Ademas esta claro que el resultado que obtengo depende de la
muestra particular que haya escogido, si escojo otra muestra me sale otro resultado.
Este hecho se llama la variabilidad muestral.
Intento de respuesta: Consideremos el caso del sondeo en el que se busca estimar
la tasa de participacion antes de unas elecciones. Para intentar convencer al lector
de que el riesgo que corro al extrapolar el resultado de una muestra de 3000 personas
a la poblacion de 32 millones no es excesivo, llevo a cabo un estudio de simulacion:
Construyo en mi ordenador un chero con 32 millones de ceros y unos, que
representara el censo electoral. Los unos representaran a las personas que s
tienen la intencion de ir a votar, mientras que los ceros a los que no piensan ir a
votar. En el chero que construyo, el 70 % de los 32 millones de datos son unos,
mientras que el 30 % son ceros. (70 % es una tasa razonable de participacion
en unas elecciones)
Extraigo al azar una muestra de 3000 datos del chero completo, hago el
recuento de los unos, y encuentro que la proporcion de unos en esta muestra
es de 0.71. Por lo tanto, en este caso, mi estimacion es muy buena: estimo
la tasa de participacion en 71 % mientras que la autentica, es decir, la de
la poblacion (el chero) es de 70 %. Os he convencido? Seguro que alg un
lector desconado dira: no demuestra nada, ha tenido suerte de que en la
muestra que ha escogido, la proporcion de unos sea proxima a la proporcion
poblacional, pero con otra muestra podra salir otro resultado peor.De acuerdo,
el argumento es valido... Pero para convencerle, voy a coger otra muestra al
azar de 3000 datos, y encuentro que la proporcion muestral de unos es 0.72.
Sigue estando muy bien, no? Sigue sin convencerle? Bueno, puedo repetir la
extraccion de muestras hasta 10 000 veces por ejemplo, y guardo los valores
que encuentro para la proporcion de 1 en cada una de estas 10000 muestras
en una variable llamada p.
Realizo un histograma de los 10000 valores de p, el resultado aparece en la
gura V.1. Una primera conclusion se impone: la gran mayora de las muestras
han proporcionado un valor de p entre 0.68 y 0.72, lo que corresponde a una
muy buena estimacion del valor de la proporcion poblacional. Por lo tanto este
estudio simulado demuestra que al escoger una muestra de 3000 personas, es
muy probable que el valor de la proporcion de 1 en la muestra este bastante
proxima (menos de dos puntos) de la proporcion de 1 en la poblacion, aunque
esta sea muchsimo mas grande que la muestra.
Podemos dar un paso mas en la utilizacion de este estudio simulado: si considero
ahora el experimento extraer una muestra de tama no 3000 en la poblacion, p es la
V.1 Introduccion 85
p
^
F
r
e
c
u
e
n
c
i
a
s
0.67 0.68 0.69 0.70 0.71 0.72 0.73
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
Figura V.1: Histograma de los valores de p para 10000 muestras extradas
variable proporcion de 1 en la muestra extrada. Quiero formular un modelo para
su distribucion. El histograma en la gura V.1 me sugiere que puedo escoger una
distribucion normal para p. De hecho en la gura V.2, se aprecia que el ajuste por una
normal con media = 0,70 y desviacion tpica = 0,008 es muy bueno. Utilizando
entonces la regla de 68 % - 95 % - 99.7 %, deduzco en particular que al escoger al azar
en la poblacion una muestra de tama no 3000, la probabilidad de que la proporcion
muestral p se encuentre entre 0,7 2 0,008 = 0,694 y 0,07 + 2 0,008 = 0,716 es
del 95 %.
Nota. Puesto que escoger una muestra de 3000 personas da tan buen resultado,
podramos preguntarnos si podramos ahorrarnos algo y extraer una muestra mas
peque na. Repitamos por ejemplo el estudio simulado con muestras de solo 100 perso-
nas. El histograma que obtenemos aparece en la gura V.3. Observamos que en este
caso el histograma es muchsimo mas chato, y que la dispersion de los valores de p
es mucho mayor: es mas probable, al escoger una muestra de 100, que la proporcion
muestral este bastante alejado del objetivo 0.7.
Toda la teora desarrollada acerca de los sondeos utiliza de manera crucial el he-
cho de que antes de extraer la muestra, se dispone de un modelo para la distribucion
de p por ejemplo, tal como lo hemos ilustrado con nuestro ejemplo simulado. Este
phat
D
e
n
s
i
d
a
d
0.67 0.68 0.69 0.70 0.71 0.72 0.73
0
1
0
2
0
3
0
4
0
Figura V.2: Ajuste de una normal al histograma de los valores de p
p
^
F
r
e
c
u
e
n
c
i
a
s
0.6 0.7 0.8 0.9
0
5
0
0
1
0
0
0
1
5
0
0
Figura V.3: Histograma de los valores de p para 10000 muestras de tama no 100
extradas
modelo permite en particular decidir si, jado el error maximo que se esta dispuesto
a cometer respecto a la proporcion poblacional, el tama no de la muestra es suciente
como para que el riesgo de cometer un error mayor es lo sucientemente peque no.
Introducimos dos terminos fundamentales en estadstica:
V.2 Muestra 87
Denicion. Cualquier cantidad calculada a partir de las observaciones de una mues-
tra se llama estadstico. La distribucion de los valores que puede tomar un esta-
dstico respecto a todas las muestras de tama no n que se podra extraer se llama
distribucion muestral de este estadstico.
V.2. Muestra
Formalizamos el contexto y introducimos el concepto de muestra:
Consideramos un experimento aleatorio y una v.a X.
1
. Al querer obtener infor-
macion sobre alg un parametro del modelo que hemos escogido para la distribucion
de los valores de X, vamos a repetir el experimento n veces de manera independiente
y consideramos las variables X
1
valor de X obtenido en la primera realizacion del
experimento, . . ., X
n
valor de X obtenido en la n-esima realizacion del experimen-
to. Las variables X
1
, X
2
, . . . , X
n
son independientes y claramente la distribucion
de cada variable X
i
coincide con la distribucion de X. En este caso decimos que
(X
1
, X
2
, . . . , X
n
) constituye una muestra aleatoria simple de la distribucion de X.
V.3. La media muestral
Supongamos que nos interesamos por el valor , la media de la v.a X. Escogere-
mos una muestra, y calcularemos la media de esta muestra, llamada media muestral.
Para controlar lo proximo que estara su valor de , consideramos el experimento que
consiste en extraer una muestra aleatoria simple de la distribucion de X, la media
muestral es la variable aleatoria (su valor depende de la muestra escogida)
X =
X
1
+. . . +X
n
n
.
Que podemos decir de la distribucion de los valores que puede tomar

X? Empeza-
remos por estudiar cual sera el centro y la dispersion de esta distribucion.
V.3.1. Esperanza y varianza de

X
V.3.1.1. Esperanza
Tenemos que
E[

X] = E[
X
1
+. . . +X
n
n
] =
1
n
E[X
1
+. . . +X
n
] =
1
n
(E[X
1
] +. . . +E[X
n
]).
Puesto que la distribucion de cada X
i
es la misma que la distribucion de X, dedu-
cimos que E[X
1
] = . . . = E[X
n
] = , y
E[

X] =
1
n
(n ) = ,
es decir que el centro de la distribucion de la media muestral coincide con el centro
de la distribucion de X.
1
En algunos casos, este experimento aleatorio consistir a en escoger al azar un individuo de una
poblaci on muy grande, y X ser a el valor de la variable de interes para este individuo concreto.
Llamaremos entonces media de X la media poblacional y su varianza, la varianza poblacional
V.3.1.2. Varianza
Utilizando la formula de propagacion de los errores, ver Tema 4, obtenemos que
var[

X] = var[
X
1
+. . . +X
n
n
] =
1
n
2
var[X
1
+. . .+X
n
] =
1
n
2
(var[X
1
]+. . .+var[X
n
]),
lo que implica que
var(

X) =
n
2
n
2
=

2
n
,
o de forma equivalente

X
=

n
.
La dispersion que presentan los valores de

X es

n mas peque na que la dispersion
de X!
V.3.1.3. Consecuencia practica
Quiero realizar una medicion con un aparato. El experimento aleatorio es llevar
a cabo una medicion, mientras que la variable X es valor proporcionado por el
aparato.
Los valores de X variaran pero lo deseable es que su centro coincida con el
valor exacto de la cantidad que busco determinar: si E[X] = valor exacto, decimos
que el aparato es exacto.
Por otra parte, queremos que los valores proporcionen presenten la menor dis-
persion posible: si =
X
es peque na, decimos que el aparato es preciso. Tenemos
entonces varios casos posibles, tal como esta ilustrado en la Figura V.4, con la ana-
loga de la medicion con un disparo en una diana: el centro de la diana representa
el valor exacto de lo que buscamos determinar...
Figura V.4: Analoga de la medicion con un disparo en una diana
Si nuestro aparato de medicion no es exacto, podemos intentar calibrarlo para
corregir la desviacion sistematica que presenta. En cambio, si no es preciso, tiene
difcil arreglo. Sin embargo exista una manera de mejorar la precision de un apa-
rato de medicion: basta con repetir un n umero suciente de veces la medicion y
proporcionar la media de los valores obtenidos: la desviacion tpica de los valores
que proporcionara con este metodo es

n veces mas peque na que la de los valores
proporcionados si me limito a una medicion.
V.3 La media muestral 89
V.3.2. Distribucion de la media muestral
En la subseccion anterior, hemos caracterizado la media y la desviacion tpica
de la distribucion de los valores de la media muestral

X. Hay que enfatizar el hecho
de que estos resultados se obtienen sin hipotesis sobre la forma de la distribucion
de X. Podemos decir algo mas sobre la distribucion de los valores de

X, ahora que
sabemos cuales son su centro y su dispersion?
V.3.2.1. Si la distribucion de X es Normal
Si hemos modelizado la v.a X por una distribucion Normal A(,
2
) y consi-
deramos una muestra aleatoria simple de X, sabemos por la reproductividad de la
distribucion Normal que X
1
+X
2
+. . . +X
n
sigue tambien una distribucion normal.
Se cumple por lo tanto
Proposicion V.3.1 Si X A(,
2
), y si

X es la media muestral basada en una
muestra aleatoria simple de la distribucion de X,
X A(,

2
n
),
o, de manera equivalente,
X
/
n
A(0, 1).
Como ejemplo, consideremos un aparato de medicion que proporciona valores que
se distribuyen seg un una Normal, con una media de 120 y una desviacion tpica de
12. Por la propiedad de la distribucion Normal, el 95 % de los valores estan entre
2 y 2, es decir entre 96 y 144. En cambio, si repito 9 veces la medicion y
proporciono la media de estas nueve mediciones, el 95 % de los valores que obtendra
con este procedimiento se encontraran entre 2/
n y 2/
n, es decir entre
112 y 128, lo que implica una precision mucho mayor.
V.3.2.2. Si la distribucion de X es desconocida o no es normal
Si la distribucion de X es desconocida, no podemos hacer milagros: no podemos
decir nada exacto sobre la distribucion de

X, exepto sobre su media y su desviacion
tpica, ver seccion V.3.1. Sin embargo, si el tama no muestral n es grande, se sabe
que esta distribucion se puede aproximar por una distribucion Normal.
Teorema V.3.1 Teorema Central del Lmite Consideremos (X
1
, . . . , X
n
) una mues-
tra aleatoria simple de la distribucion de X con media y varianza
2
. Si n es
sucientemente grande, se puede aproximar la distribucion de

X por una Normal
con media y varianza
2
/n:
X A(,

2
n
) aproximadamente.
Cuando se considera que n es sucientemente grande? No hay por desgracia nin-
guna respuesta universal, depende de la forma de la distribucion de X: si esta no
es muy diferente de una distribucion Normal, no hace falta un n muy grande para
que la aproximacion de la distribucion de la media muestral por una Normal sea
satisfactoria. En cambio, si es muy distinta de una distribucion Normal, sera nece-
sario una muestra grande. Se suele considerar como indicacion que n mayor de 30
es suciente en la mayora de los casos (pero no es mas que una indicacion...)
Por otra parte, este teorema, fundamental en estadstica, explica la importancia
de la distribucion Normal: aparece de manera natural, asociada a cualquier dis-
tribucion, si consideramos la distribucion de la media muestral, o de la suma de
realizaciones independientes. En particular, si un error de medicion se puede consi-
derar como la suma de muchas peque nas perturbaciones independientes, el Teorema
Central del Lmite implica que la distribucion de sus valores es aproximadamente
Normal.
V.4. La varianza muestral
Consideremos ahora un experimento al que asociamos una v.a X cuya distribu-
cion de valores modelizamos por una Normal con media y varianza
2
. Repetimos
n veces el experimento y obtenemos una m.a.s (X
1
, X
2
, . . . , X
n
) de la distribucion
de X. Que podemos decir de la distribucion de la varianza muestral
s
2
=
n
n 1
(X
2
(

X)
2
)?
Es posible demostrar la proposicion siguiente
Proposicion V.4.1 1. Las v.a

X y s
2
son independientes.
2. La densidad de (n 1)s
2
/
2
es proporcional a
x
(n1)/2
e
x/2
, si x > 0.
La distribucion correspondiente se llama
2
(ji-cuadrado) con (n 1) grados
de libertad. Escribimos
(n 1)s
2
2

2
n1
.
En general, una v.a. X sigue una distribucion
2
con k N grados de libertad
si su densidad es proporcional a
x x
k/2
e
x/2
, si x > 0.
En la gura V.5, se representa la densidad de una distribucion
2
con distintos
grados de libertad.
V.5. Distribucion t de Student
En la seccion 3, hemos utilizado el estadstico
Z =
X
/
n
, (V.1)
que sigue una distribucion Normal estandar si

X es la media de una muestra aleatoria
simple de una distribucion Normal A(,
2
).
V.5 Distribucion t de Student 91
0 10 20 30 40 50
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
0
.
2
5
Densidad de la Ji cuadrado con k grados de libertad
x
f
_
X
(
x
)
Figura V.5: Densidad de la distribucion
2
con k = 3, 10 y 30 grados de libertad
(respectivamente de izquierda a derecha)
Si desconocemos el valor de , lo estimaremos por S la desviacion tpica muestral
S =
_
n
n 1
(X
2
(

X)
2
).
El estadstico que resulta de sustituir en (V.1) por S es
T =
X
S/
n
.
Denicion V.5.1 Consideramos (X
1
, . . . , X
n
) una muestra aleatoria simple de una
distribucion A(,
2
), sea

X la media muestral, la distribucion de los valores de
T =
X
S/
n
se llama distribucion t de Student con n1 grados de libertad. Escribimos T t
n1
.
La distribucion de T depende por lo tanto del tama no n de la muestra, a traves
de los llamados grados de libertad. Se puede demostrar que la densidad F
t
k
de la
distribucion t de Student con k grados de libertad admite la siguiente expresion:
f
t
k
(t)
1
(1 +t
2
/p)
(p+1)/2
, < t < ,
donde el smbolo signica es proporcional a, es decir que existe una constante
K tal que f
t
k
(t) = K
1
(1+t
2
/p)
(p+1)/2
. Por las propiedades de una funcion de densidad
se puede deducir que la constante es
K =
(
p+1
2
)
(
p
2
)
1
p
,
Densidad de la t de Student con k grados de libertad
x
f
_
X
(
x
)
Figura V.6: Densidad de la distribucion t de Student con 1, 3, 10 y 150 grados de
libertad respectivamente (de la densidad mas chata a la mas puntiaguda)
donde denota la funcion Gamma
2
.
La distribucion t tiene colas mas pesadas que la distribucion Normal, lo que es
intuitivamente natural puesto que, al obtenerse T sustituyendo por S, el denomi-
nador de T presenta ahora tambien variabilidad. Esta variabilidad en el denomina-
dor resulta en que T puede tomar con mas probabilidad valores mas extremos. Sin
embargo, si los grados de libertad aumentan, la variabilidad de S disminuye, y la
distribucion t de Student asociada se parece mas a una Normal.
En la gura V.6, se representa la densidad de la distribucion T de Student para
varios valores de los grados de libertad.
V.6. La proporci on muestral
Hay situaciones en las que la v.a X de interes tan solo puede tomar el valor 0
o 1, este ultimo con la probabilidad p, pensamos por ejemplo, en el experimento
que consiste en producir una pieza con una maquina que produce una proporcion
p de defectuosos, X toma el valor 1 si la pieza es defectuosa, y 0 si la pieza es
correcta, o en el ejemplo del sondeo para estimar la tasa de participacion antes de
unas elecciones. Para sacar informacion sobre p, repetiremos el experimento n veces
de manera independiente, contaremos el n umero N de veces que la v.a X ha tomado
el valor 1, es decir que fabricamos n piezas con la maquina y contamos el n umero
N de defectuosas, o preguntaremos a n personas si tienen intencion de ir a votar,
para los dos ejemplos concretos que hemos mencionado. La proporcion de Unos
en la muestra se llama la proporcion muestral y la denotamos por p. Esta claro que
2
La funci on Gamma tiene la expresi on siguiente: para cualquier real > 0, () =
0
t
1
e
t
dt.
V.6 La proporcion muestral 93
tenemos
p =
N
n
.
V.6.1. Calculos exactos para la distribucion de p
El n umero de Unos en la muestra es el n umero de veces que ha salido 1
en n realizaciones independientes del experimento, su distribucion es por lo tanto
Binomial de parametros n y p, la probabilidad de que salga 1 en una realizacion
del experimento:
N B(n, p).
Calculos exactos para la distribucion de p se podran realizar utilizando que p = N/n
y el hecho que N B(n, p), tal como viene ilustrado en el ejemplo siguiente:
Ejemplo V.6.1 Cuando esta bien ajustada, una m aquina produce piezas con solo
1 % de defectuosos. Para realizar un control de la calidad de la produccion, se extrae
diariamente una muestra de 100 piezas, y se calcula la proporcion muestral de de-
fectuosos. Si la maquina esta bien ajustada, cual es la probabilidad de que, en una
de estas muestras, haya mas de 2 % de defectuosos?
Queremos calcular
P( p > 0,02) = P(
N
100
> 0,02) = P(N > 2),
siendo N B(100, 0,01) si la maquina esta bien ajustada. Tenemos
P(N > 2) = 1 P(N 2) = 1 [P(N = 0) +P(N = 2) +P(N = 3)]
1 [
_
100
0
_
0,01
0
0,99
100
+
_
100
1
_
0,01
1
0,99
99
+
_
100
2
_
0,01
2
0,99
98
] 0,08
Por lo tanto, si la m aquina esta bien ajustada, solo hay una probabilidad de 0.08 de
observar 3 o mas piezas defectuosas en una muestra de 100.
En particular, si un da observo 3 piezas defectuosas en la muestra que he ex-
trado, hay dos posibilidades: a) la maquina esta bien ajustada pero he tenido mala
suerte (solo haba 8 posibilidades entre 100 de que esto ocurriera), b) en realidad
es un sntoma de que la maquina esta mal ajustada... Este simple ejemplo ilustra la
idea basica del control estadstico de calidad.
V.6.2. Distribucion aproximada de p
Los calculos exactos que hemos descrito en el apartado anterior se pueden volver
muy laboriosos si se necesita evaluar un gran n umero de probabilidades individuales.
En el caso en que se cumplen las condiciones de aproximacion de la distribucion
Binomial, la distribucion de N se puede aproximar por una Normal A(np, np(1p)),
y por lo tanto p sigue aproximadamente una distribucion Normal con media np/n = p
y varianza np(1 p)/n
2
= p(1 p)/n:
Si np > 5, n(1 p) > 5 p A(p,
p(1 p)
n
), aproximadamente
Esta propiedad de aproximacion justica en particular las formas de campanas de
Gauss que aparecen para los histogramas de p en la introduccion, ver Figuras V.2 y
V.3.
Notar por otra parte que para el ejemplo del apartado anterior no se cumplen
las condiciones de aproximacion...
V.7. Introducci on a las gracas de control
Conocer las distribuciones muestrales de algunos estadsticos destacados como la
media muestral, la varianza muestral o la proporcion muestral ha propiciado que se
propongan procedimientos de control estadstico de calidad en contextos industriales.
Veremos en esta seccion una introduccion a las gracas de control, en una version
algo simplicada, pero que permite ilustrar sus fundamentos.
Las gracas de control permiten comprobar de manera continua que se mantiene
constante la calidad de una produccion, favoreciendo la intervencion rapida en el
caso en que se detecta que esta se deteriora.
V.7.1. Graca de control

X.
Consideremos el contexto siguiente: una empresa identica la concentracion en
CaCO3 como una caracterstica importante de la calidad de su producto. Idealmente
esta concentracion debera ser igual a 55, pero la variabilidad es inevitable. Sin
embargo se asume que, en condiciones normales de produccion los valores de la
concentracion se distribuyen seg un una distribucion aproximadamente Normal con
desviacion tpica = 8. Para controlar la calidad de la produccion, analiza 4 envases
de producto, calculando a continuacion la media de los cuatro valores obtenidos. En
la tabla siguiente, se recogen los datos correspondientes a veinte controles.
Muestra n
o
x Muestra n
o
x
1 54.0 11 53.1
2 59.1 12 61.1
3 54.0 13 61.5
4 56.5 14 67.7
5 60.5 15 64.9
6 56.0 16 67.6
7 47.3 17 66.9
8 51.7 18 67.1
9 62.9 19 73.5
10 64.7 20 66.4
Como comprobar que la calidad de la produccion sigue conforme con los criterios
jados? es decir, como detectar que el instrumento de produccion se ha desajustado
por ejemplo? Si representamos la secuencia de los valores calculados para x en los
controles consecutivos, obtenemos la graca de la Figura V.7, donde tambien se ha
dibujado una lnea horizontal para indicar la concentracion ideal 55. Parece sin duda
que la tension de los monitores va aumentando y alejandose del objetivo 55, pero
como denir una regla que nos sirva de se nal de alarma?
V.7 Introduccion a las gracas de control 95
5 10 15 20
3
0
4
0
5
0
6
0
7
0
8
0
m
e
d
ia
d
e
la
m
u
e
s
tra
Figura V.7: Valores consecutivos de x, ejemplo de la concentracion en NaCO3.
Formalicemos el contexto: consideramos la v.a X= concentracion de NaCO3.
Sabemos que X A(,
2
) con = 8. Tambien sabemos que en condiciones norma-
les de produccion, se debe cumplir que = 55. Si escojemos al azar cuatro monitores
en la produccion de una hora, y llamamos

X la media de las tensiones correspondien-
tes, sabemos que los valores de

X se distribuyen seg un una Normal de media y de
desviacion tpica
X
= /
n, es decir 8/2 = 4. En particular si es efectivamente

igual a 55, se espera que el 99,7 % de los valores de

X se encontraran entre 3
X
y + 3
X
, es decir entre 60.4 y 49.6.
Por consiguiente, si para una muestra, observamos un valor de

X fuera de este
rango de valores, es razonable pensar que el proceso de produccion se ha desajustado,
puesto que solo haba una probabilidad de 3 entre 1000 que esto ocurriera, siendo el
proceso bien ajustado (es decir siendo igual a 55).
Realizar una graca de control

X consiste por lo tanto, suponiendo que los valores
de la variable que queremos controlar siguen aproximadamente una Normal y que
conocemos su desviacion tpica, en representar en una graca los valores de

X que
vamos obteniendo, junto con tres lneas horizontales:
la lnea objetivo, en nuestro caso = 55,
el lmite de control superior en + 3/
n, en nuestro caso, 60.4.

el lmite de control superior en 3/
n, en nuestro caso, 49.6.

En la Figura V.8, se representa la graca de control para este ejemplo. A partir de la
muestra n umero 14 se detecta que el proceso esta fuero de control, y que la calidad
se ha deteriorado.
V.7.2. Graca de control p
En algunas situaciones, la calidad de la produccion no se mide a traves de una
variable X sino a traves de la proporcion de defectuosos producidos. En estos casos
se monitora la calidad utilizando una graca de control p.
Para llevar a cabo el control utilizando las mismas ideas que para la graca de
control

X, recurrimos a la distribucion muestral de p. Sabemos que si np > 5 y
n(1 p) > 5, esta se puede aproximar por una Normal:
p A(p,
p(1 p)
n
, aproximadamente.
5 10 15 20
3
0
4
0
5
0
6
0
7
0
8
0
muestra
m
e
d
ia

d
e

la

m
u
e
s
t
r
a
Figura V.8: Ejemplo de graca de control x.
La graca de control p se realizara por lo tanto dibujando en la graca tres lneas
horizontales:
la lnea objetivo,
el lmite de control superior en p + 3
p(1p)
n
,
el lmite de control superior en p 3
p(1p)
n
, en nuestro caso.
V.7.3. Otra se nal de alarma
Existen otras posibles se nales de alarma para decidir si un proceso esta fuera
de control. Una de ellas corresponde a dibujar la lnea objetivo y concluir que la
maquina esta mal ajustada si se observan nueve puntos consecutivos por debajo(o
por encima) de la lnea objetivo. La probabilidad de falsa alarma, es decir concluir
erroneamente que el proceso esta fuera de control es del orden de 2 entre 1000.
El reconocimiento del habla implementado en nuestros smartp-
hones manda por internet la se nal digitalizada de nuestra voz a
servidores donde la pasan por un modelo estadstico del lenguaje,
basado en millones de muestras de fragmentos de voz, que de-
vuelve el texto escrito m as probable asociado a la se nal de voz
analizada.
Fuente: Entrevista ITConversations el 19-07-2011, a Mike Cohen, Responsable
(2004-2012) de tecnologa del habla de Google.
TEMA VI
Introducci on a la teora de la estimacion
VI.1. Introducci on
Consideramos un experimento aleatorio para el cual estamos dispuestos a escoger
un modelo, posiblemente con uno o varios parametros que tendremos que ajustar.
Por ejemplo, queremos realizar una medicion con un aparato, la variable que nos
interesa es X valor proporcionado por el aparato, pensamos que la distribucion de
los valores que puede tomar X se puede aproximar por una distribucion Normal.
Nos falta ajustar los valores de la media y de la varianza de esta distribucion
normal, para disponer de un modelo completamente especicado que nos permitira
realizar calculos de probabilidad, predicciones etc... Para ajustar los parametros que
nos faltan, repetiremos el experimento varias veces y sacaremos informacion - se dice
inferir - sobre estos parametros a partir de los valores obtenidos de X. El primer
tipo de informacion que podemos intentar sacar es acerca de su valor. Estimar un
parametro consiste en obtener una aproximacion de su valor en base a los datos de la
variable correspondientes a varias realizaciones del experimento. Recordar que vimos
en el tema anterior que los datos provenientes de varias realizaciones del experimento
constituyen una muestra de la distribucion de X.
VI.2. Estimaci on puntual
VI.2.1. Denicion
Consideramos un experimento aleatorio, con una v.a X, y un modelo para la
distribucion de X. Este modelo incluye parametros desconocidos. Disponemos de
una muestra de la distribucion de X.
Denicion VI.2.1 Cualquier estadstico (es decir, cualquier funcion de las obser-
vaciones de la muestra) dise nado para aproximar el valor de un parametro del
modelo, se llama estimador puntual del par ametro .
En la tabla siguiente se presentan algunos parametros usuales y los estimadores
asociados:
Estimador

X, media muestral
2
S
2
, varianza muestral
p p, proporcion muestral
Un aspecto fundamental de un estimador es que es una variable aleatoria: su valor
concreto depende de la muestra escogida. Utilizaremos los resultados del tema ante-
rior sobre distribuciones muestrales para deducir propiedades de las distribuciones
de los estimadores mas usados.
VI.2.2. Propiedades deseables para un estimador
VI.2.2.1. Estimador insesgado
Una primera propiedad deseable para un estimador es que el centro de la dis-
tribucion de los valores que puede tomar coincida con el valor del parametro que
queremos aproximar. Si este es el caso, decimos que el estimador es insesgado. As,
si

es un estimador del parametro , decimos que

es un estimador insesgado de
si
E[
] = .
Comprobemos si los estimadores m as usados son insesgados:
La media muestral

X: hemos visto en el tema 5 que, sea cual sea la distribucion
de X, se cumple que E[

X] =
X
. Deducimos que

X es un estimador insesgado
de
X
.
La varianza muestral S
2
. Tenemos que
S
2
=
n
n 1
[X
2
(

X)
2
].
Por lo tanto,
E[S
2
] =
n
n 1
[E[X
2
] E[(

X)
2
]].
Necesitamos calcular por una parte E[X
2
] y por otra parte E[(

X)
2
]. Al ser
X
2
la media muestral de la variable X
2
, sabemos por el tema 5 que E[X
2
=
E[X
2
] = var(X)+
2
X
.. Por otra parte, E[(

X)
2
]] = var(

X)+(E[

X])
2
=

2
n
+
2
X
.
Deducimos que
E[S
2
] =
n
n 1
[
2

2
n
] =
2
.
Hemos por lo tanto comprobado que la varianza muestral es un estimador
insesgado de la varianza. De hecho, este resultado constituye la justicacion
de que la varianza muestral se dena con el factor n/(n 1), para que el
estimador resulte insesgado.
Proporcion muestral p: en el tema 5, hemos obtenido la caracterizacion de p co-
mo N/n donde N es el n umero de elementos en la muestra con la caracterstica
de interes, y hemos visto que N B(n, p). Deducimos que
E[ p] =
E[N]
n
=
np
n
= p.
VI.2 Estimacion puntual 101
En este caso tambien, la proporcion muestral resulta ser un estimador inses-
gado de la proporcion.
VI.2.2.2. Estimador consistente
Si un estimador es insesgado, nos interesa que la dispersion de los valores que
puede tomar sea la mas peque na posible, para que la precision de la estimacion sea
la mayor posible. Por consiguiente, una buena propiedad adicional de un estimador
insesgado es que su varianza tienda a cero si el n umero de observaciones n crece
hacia innito. En este caso, se dice que el estimador es consistente.
De la misma manera que en el apartado anterior, podemos deducir, utilizando
los resultados del tema 5, que
var(

X) =

2
n
, var( p) = var(
N
n
) =
1
n
2
var(N) =
p(1 p)
n
.
Es facil comprobar que, en efecto tanto var(

X) como var( p) tienden a cero si n
tiende a innito, es decir que son dos estimadores consistentes.
VI.2.3. Metodos de construcci on de estimadores
En los ejemplos de las secciones anteriores, los estimadores propuestos estan
basados en estadsticos naturales para los parametros de interes: la media muestral
para estimar la media, la proporcion muestral para estimar la proporcion, etc... En
modelos mas sosticados es util disponer de metodos generales de construccion de
estimadores razonables.
VI.2.3.1. Estimadores de momentos
Es el metodo mas antiguo de construccion de estimadores y se debe a Karl
Pearson a principios del siglo XX.
Consideremos una v.a. X y un modelo para la distribucion de sus valores, que
consiste en la especicacion de x f
X
(x; ), siendo f
X
la funcion puntual de pro-
babilidad, o la funcion de densidad seg un si X es una variable discreta o continua.
El parametro es posiblemente multidimensional, llamamos p su dimension, es
decir que p es el n umero de parametros desconocidos en el modelo. Para un entero
k, consideramos el momento
k
de orden k de la distribucion de X:
k
= E[X
k
].
Cabe destacar que la expresion de
k
depende del parametro . Para enfatizar esta
dependencia, escribiremos
k
() para denotar el momento de orden k del modelo
descrito por x f
X
(x; ). De manera paralela, denimos el momento muestral de
orden k:
m
k
= X
k
=
X
k
1
+. . . +X
k
n
n
.
Para un parametro de dimension p, los estimadores de los momentos se obtienen
igualando los p primeros momentos del modelo para la distribucion de X con sus
equivalentes muestrales:
1
() = X,
2
() = X
2
,
.
.
. =
.
.
.,
k
() = X
k
.
Calculemos para ilustrar el metodo los estimadores de momentos en los modelos
siguientes:
X A(,
2
)., donde = (,
2
). Necesitamos igualar los dos primeros mo-
mentos con sus equivalentes muestrales. Los dos primeros momentos de la
distribucion A(,
2
) son
1
() =
2
() = E[X
2
] = V ar(X) + (E[X])
2
=
2
+
2
.
Deducimos que los estimadores de los momentos son solucion del sistema:
= X
2
+
2
= X
2
,
es decir
= X,

2
= X
2
(X)
2
.
Modelo de Bernoulli: X Bernoulli(p), donde desconocemos p. Solo necesi-
tamos igualar el primer momento con su equivalente muestral, obtenemos
p =

X,
puesto que X
1
, . . . , X
n
solo pueden tomar el valor 1 o el valor 0, su media es
igual a la proporcion muestral de 1. El estimador de momentos de la proporcion
p en un modelo de Bernoulli es la proporcion muestral.
VI.2.3.2. Metodo de maxima verosimilitud
El metodo de maxima verosimilitud es sin dudas el metodo mas utilizado de
construccion de un estimador puntual.
a). Verosimilitud Sea X una v.a, con distribucion especicada por x f
X
(x; ),
donde es el vector de parametros, de dimension p. Repetimos el experimento n veces
y consideramos la muestra aleatoria simple de la distribucion de X: (X
1
, . . . , X
n
).
La distribucion de la v.a n-dimensional (X
1
, . . . , X
n
) esta descrita a traves de la
relacion
f
X
1
,...,X
n
(x
1
, . . . , x
n
; ) = f
X
1
(x
1
, ) . . . f
X
n
(x
n
, ),
puesto que las v.a X
1
, . . . , X
n
son independientes. En esta ultima igualdad, f repre-
senta o bien la funcion puntual de probabilidad o bien la funcion de densidad.
VI.2 Estimacion puntual 103
Para un valor concreto de (X
1
, . . . , X
n
), que denotamos por (x
1
, . . . , x
n
), consi-
deramos la funcion de :
L
n
:
_
R
p
R
L
n
() = f
X
1
,...,X
n
(x
1
, . . . , x
n
; ).
La funcion L
n
asocia a cada valor de el valor de la densidad (o de la funcion
puntual de probabilidad) de las observaciones (X
1
, . . . , X
n
) evaluada en (x
1
, . . . , x
n
),
los valores concretos observados.
Ejemplo. Consideremos la tirada de una moneda y asociamos la v.a. X que valga 1
si sale cara y 0 si sale cruz. Utilizamos un modelo de Bernoulli de parametro p entre
0 y 1. Tiramos 10 veces la moneda y obtenemos la secuencia de valores siguiente: 0,
0, 1, 0, 1, 1, 1, 1, 1, 1. La verosimilitud asocia a cada valor posible de p, la cantidad
P(X
1
= 0; X
2
= 0; X
3
= 1; X
4
= 0; X
5
= 1; X
6
= 1; X
7
= 1; X
8
= 1; X
9
= 1; X
10
= 1).
Deducimos que L
n
(p) = (1 p)(1 p)p(1 p)(1 p)
6
= (1 p)
3
p
7
. Se representa
la graca de la funcion L
n
(p) en la Figura VI.1
La verosimilitud nos indica para que valor de p, la probabilidad de haber obser-
vado la secuencia 0, 0, 1, 0, 1, 1, 1, 1, 1, 1 es la mas alta.
b). Estimador de maxima verosimilitud
Denicion VI.2.2 Dados (x
1
, . . . , x
n
) los valores observados de una muestra, con-
sideramos la verosimilitud L
n
().
El estimador de maxima verosimilitud

de es cualquier valor de que maximiza
L
n
(),
= argmax
L
n
().
La maximizacion se realiza sobre todos los valores admisibles para el parametro .
Ejemplo. Consideramos X Bernoulli(p). Observamos x
1
, . . . , x
n
una realizacion
de la muestra aleatoria simple (X
1
, . . . , X
n
). Puesto que si x = 0, 1, f
X
(x) = P(X =
x) = p
x
(1 p)
(1x)
, la verosimilitud es
L
n
(p) = p
x
1
(1 p)
(1x
1
)
. . . p
x
n
(1 p)
(1x
n
)
= p
x
i
(1 p)
n
x
i
.
Los candidatos a alcanzar el maximo se obtienen derivando la verosimilitud, o de
manera equivalente y mas sencilla, su logaritmo (llamado log-verosimilitud):
d log L
n
dp
(p) = (n
x
i
)
_
1
1 p
_
+
x
i
p
= 0.
Despejamos p y encontramos p = (
x
i
)/n. Comprobamos ademas que la derivada
segunda de L
n
es negativa, lo que implica que p es efectivamente un maximo global.
Deducimos que el estimador de maxima verosimilitud de p es la proporcion muestral.
Ejemplo. Consideramos X A(,
2
). Observamos x
1
, . . . , x
n
una realizacion de
la muestra aleatoria simple (X
1
, . . . , X
n
). La verosimilitud se obtiene a partir de la
expresion de la densidad de X:
L
n
(,
2
) =
n
i=1
1
2
2
e
(x
i
)
2
2
2
=
1
(2
2
)
n/2
e
n
i=1
(x
i
)
2
2
2
.
Figura VI.1: Verosimilitud correspondiente al ejemplo de 10 tiradas de una moneda.
La log-verosimilitud es
log L
n
(,
2
) =
n
2
log(2
2
)
n
i=1
(x
i
)
2
2
2
.
Para encontrar el maximo, calculamos las derivadas parciales de log L
n
respeto de
y
2
:
log L
n
() =
n
i=1
(x
i
)
2
2
log L
n
() =
n
2
1
2
+
n
i=1
(x
i
)
2
2(
2
)
2
.
Resolvemos

L
n
= 0 y

2
L
n
= 0, y encontramos que los dos candidatos a maximo
son
=
n
i=1
x
i
n
,

2
=
n
i=1
(x
i
)
2
n
=
n
n 1
s
2
.
VI.3 Estimacion por intervalos 105
Para comprobar que son efectivamente maximos globales, podemos jarnos en la
expresion de la log-verosimilitud:
log L
n
(,
2
) =
n
2
log(2
2
)
n
i=1
(x
i
)
2
2
2
.
Sea cual sea el valor de
2
, la funcion log L
n
(,
2
) alcanza su maximo cuando
n
i=1
(x
i
) es mnimo, es decir cuando = (
n
i=1
x
i
)/n. El maximo de (,
2
)
log L
n
(,
2
) correspondera por lo tanto al maximo de la funcion
2
log L
n
( ,
2
).
Es facil comprobar que
2
log L
n
( ,
2
) alcanza su maximo en
2
=
n
i=1
(x
i
)
2
n
=
n
n1
s
2
.
Los estimadores de maxima verosimilitud de y
2
son por lo tanto la media
muestral y la llamada varianza muestral sesgada

2
=
n
i=1
(x
i
)
2
n
=
n
n1
s
2
. En
un apartado anterior hemos visto como la varianza muestral s
2
es un estimador
insesgado, por lo tanto E[
2
] =
n1
n

2
. Es un ejemplo en el que el metodo de maxima
verosimilitud proporciona un estimador sesgado.
VI.3. Estimaci on por intervalos
No queremos limitarnos a dar un valor para aproximar un parametro sino propor-
cionar tambien una medida del error que pensamos cometer. Para ello, calcularemos
un intervalo en el que pensamos que se encuentra el parametro.
VI.3.1. Idea basica
Supongamos que queremos estimar la media de una v.a. X cuya distribucion
es Normal con una desviacion tpica igual a 2 unidades, es decir X A(, 4). Para
ello, extraigo una muestra de tama no 4, y estimo por el valor de

X. Por el tema 5,
ver V.3.2.1, sabemos que la distribucion de

X es A(,
2
/n) es decir A(, 1). Por la
propiedad de la distribucion Normal, ver b), deducimos que el 95 % de las muestras
proporcionan un valor de

X que se encuentra a menos de 2 unidades de la media .
Invertamos ahora la situacion: se donde esta

X, donde esta ? Por la misma
regla, se encuentra, para el 95 % de las muestras, a menos de 2 unidades de

X, es
decir que se encuentra en el intervalo [

X 2,

X + 2]. Dicho de otra manera, para
el 95 % de las muestras, el intervalo aleatorio [

X 2,

X + 2] captura el valor del
parametro .
VI.3.2. Intervalo de conanza para la media de una distribuci on
Normal con varianza conocida
VI.3.2.1. Construccion
Consideramos la variable X A(,
2
). Suponemos que conocemos el valor de
2
. La construccion del intervalo de conanza para la media se realiza siguiendo
los siguientes pasos.
Nos jamos el llamado nivel de riesgo, un n umero entre 0 y 1. La cantidad
1 expresada en porcentaje se llama nivel de conanza.
Los valores mas utilizados de son 0,1, 0,05, y 0,01, lo que corresponde con
niveles de conanza del 90 % ,95 % y 99 % respectivamente.
Escogemos el estadstico

X para estimar . Su distribucion en su forma tipi-
cada es
X
/
n
A(0, 1).
Para 0 u 1, utilizamos la notacion z
u
para denotar el cuantil u de la
distribucion Normal estandar, es decir el valor que cumple P(Z z
u
) = u,
o dicho de otra manera, el valor que deja a su izquierda un area igual a u
debajo de la curva de la densidad Normal estandar. En particular usaremos de
manera repetida los cuantiles siguientes: z
0,95
, z
0,975
y z
0,995
. Para conocer sus
valores, podemos buscar en la tabla de la Normal estandar, los valores 0,95,
0,975 y 0,995 en la columna de las probabilidades (t) y apuntar los valores
correspondientes de t. Encontramos z
0,95
= 1,64, z
0,975
= 1,96 y z
0,995
= 2,56.
Dibujo en la densidad del estadstico

X
/
n
, una region central que represente
el 100(1 ) % del area total, tal como viene ilustrado en la gura siguiente
Deducimos
P(z
1/2

X
/
n
z
1/2
) = 1 .
Despejamos en las desigualdades
P(z
1/2
/
n

X z
1/2
/
n) = 1
P(

X z
1/2
/
n

X +z
1/2
/
n) = 1
P(

X +z
1/2
/
n

X z
1/2
/
n) = 1
P(

X z
1/2
/
n

X +z
1/2
/
n) = 1
El intervalo de conanza al 100(1 ) % para es
[

X z
1/2
/
n;

X +z
1/2
/
n].
Se escribe tambien de otra manera equivalente:
=

X z
1/2
/
n,
el termino z
1/2
/
n se llama termino de error.

VI.3.2.2. Interpretacion
El intervalo [

Xz
1/2
/
n;

X+z
1/2
/
n] es un intervalo aleatorio, puesto

que sus extremos dependen de la muestra escogida. Por su construccion, sabemos
que este intervalo aleatorio tiene una probabilidad de 100(1 ) % de capturar el
valor de . Es decir que, al extraer una muestra, tengo una probabilidad igual a
1 de que el intervalo que calculare efectivamente capture el valor que busco.
Tambien tengo una probabilidad de que, al armar que se encuentra en [

X
z
1/2
/
n;

X +z
1/2
/
n], me equivoque. Sin embargo, esta probabilidad , el

riesgo de equivocarme, se ja en general bastante peque no, por ejemplo = 0,05.
Para ilustrar esta interpretacion, he simulado 20 veces el proceso de extraer una
muestra de tama no 4 de una distribucion X A(
X
, 1). He representado en la
Figura VI.2 en el eje Ox el n umero de la muestra y en el eje Oy el intervalo de
conanza asociado. Ademas una lnea horizontal representa el valor de que se
pretende estimar, en este caso = 2. La gran mayora de los intervalos capturan el
valor correcto de , pero hay un intervalo, el correspondiente a la muestra n umero
13 que no lo hace: este intervalo es erroneo, y esta muestra forma parte del 5 % de
las muestras malas, es decir las que proporcionan intervalos equivocados.
5 10 15 20
0
1
2
3
4
Nmero de la muestra
I
n
t
e
r
v
a
l
o
s

d
e

c
o
n
f
i
a
n
z
a
G
Figura VI.2: Los intervalos de conanza al 95 % correspondientes a 20 muestras de
tama no 4. La media que se busca estimar es = 2.
VI.3.2.3. Ejemplo
Supongamos que queremos estimar la longitud media de un artculo producido
por una maquina. Por experiencia, sabemos que es razonable modelizar la distribu-
cion de los valores de la longitud de los artculos producidos por una distribucion
Normal con media y desviacion tpica igual a 0.05. Para estimar extraemos una
muestra de 5 artculos y construimos un intervalo de conanza al 90 %. Supongamos
que los datos que se obtienen son los siguientes:
20.1, 20.05, 20.01, 19.95, 19.99.
El intervalo de conanza es [

X z
1/2
/
n,

X + z
1/2
/
n]. Necesitamos
X, es facil comprobar que

X = 20,02, por otra parte, al haber escogido 90 % de
conanza, jamos = 0,1. Deducimos de la tabla Normal que z
1/2
= z
0,95
= 1,64.
Concluimos que el intervalo buscado sera
[20,02 1,64
0,05
5
, 20,02 + 1,64
0,05
5
],
es decir [19,98, 20,06], o de forma equivalente = 20,02 0,04.
VI.3.3. Comentarios importantes
a) La construccion del intervalo de conanza esta basada en la hipotesis de que la
distribucion de la v.a. X es Normal, puesto que utilizamos
X
/
n
A(0, 1).
Si la distribucion de X no es Normal, el intervalo no es valido, es decir que no
podemos garantizar que la conanza especicada sea cierta. Sin embargo, en
el caso en que la muestra es grande, podemos recurrir al Teorema Central del
Lmite, ver V.3.1, y sabemos que
aproximadamente,
X
/
n
A(0, 1),
lo que posibilita que los intervalos sean aproximadamente validos: la conanza
especicada no sera exacta pero casi...
A partir de cuantas observaciones consideramos una muestra como grande?
No hay respuesta universal, depende mucho de lo alejado que esta la distri-
bucion de X de una distribucion Normal. En general, se suele considerar en
practica que n 30 es suciente para que los intervalos construidos sean apro-
ximadamente validos.
b) Factores que afectan a la precision de la estimacion.
Recordar que en la estimacion por un intervalo, el margen de error es z
1./2
/
n.
Deducimos en particular que
cuanto mayor sea n, mas precisa sera la estimacion, es decir que mas
peque no sera el intervalo de conanza.
cuanto menor sea , mayor precision en la estimacion.
cuanto mayor sea la conanza, peor sera la precision de la estimacion: si
queremos garantizar con gran conanza que el intervalo proporcionado
captura , no hay mas remedio que proporcionar un intervalo grande...
c) La hipotesis de que es conocida no es realista: en general tambien hay que
estimarla a partir de la muestra. La distribucion del estadstico que resulta
de sustituir por S, la desviacion tpica muestral,

X
S/
n
es una t de Student
con n 1 grados de libertad. Podemos repetir los pasos de construccion del
intervalo de conanza para basandonos en el estadstico

X
S/
n
:
Nos jamos el nivel de riesgo, .
Escogemos el estadstico
T =
X
S/
n
t
n1
Dibujo en la densidad del estadstico T una region central que represente
el 100(1) % del area total, tal como viene ilustrado en la gura siguiente
Deducimos
P(t
n1,1/2

X
S/
n
t
n1,1/2
) = 1 ,
donde hemos utilizado la notacion t
n1,1/2
para denotar el cuantil 1
/2 de la distribucion t
n1
, es decir el punto que deja un area igual
a 1 /2 a su izquierda. Los valores de los cuantiles mas usados de la
distribucion t estan recogidos en una tabla en el apendice de este captulo.
Despejamos en las desigualdades y obtenemos
P(

X t
n1,1/2
S/
n

X +t
n1,1/2
S/
n) = 1 .
El intervalo de conanza al 100(1 ) % para es
[

X t
n1,1/2
S/
n;

X +t
n1,1/2
S/
n].
Se escribe tambien
=

X t
n1,1/2
S/
n,
el termino t
n1,1/2
S/
n es el termino de error.
VI.3.4. Determinaci on del tama no muestral
VI.3.4.1. Planteamiento
Si estoy en condiciones de dise nar el experimento que quiero realizar para estimar
la media , puedo intentar decidir del n umero de observaciones en la muestra que
seran necesarias para garantizar, con una conanza dada, que el margen de error
sea menor que una cantidad prejada. Es decir, que me jo una cantidad max, y
me pregunto cual debera de ser el valor de n para que
z
1/2
n
max.
Es facil obtener n despejandolo de la desigualdad.
VI.3.4.2. Ejemplo
La medicion de la conductividad de un material sigue una distribucion que mode-
lizamos por una Normal con desviacion tpica = 0,5. Quiero construir un intervalo
de conanza al 95 % para el valor promedio proporcionado de la conductividad pe-
ro quiero que el error cometido sea menor de 0.3. cuantas veces debere repetir la
medicion?
Busco n tal que z
1/2
/
n 0,3, sabiendo que = 0,5, y = 0,05. Obtengo

1,96
0,5
n
0,3,
es decir que
n
_
1,96 0,5
0,3
_
2
10,67.
Habra por lo tanto que realizar 11 mediciones.
Cuantiles de la distribuci on t de Student
Valores de los cuantiles de la distribucion t de Student con k grados de libertad:
para un 0 p 1, el valor t
k,p
satisface P(t t
k,p
) = p.
k t
k,0,995
t
k,0,99
t
k,0,975
t
k,0,95
t
k,0,90
t
k,0,80
t
k,0,70
t
k,0,60
t
k,0,50
1 63,657 31,821 12,706 6,314 3,078 1,376 0,727 0,325 0,158
2 9,925 6,965 4,303 2,92 1,886 1,061 0,617 0,289 0,142
3 5,841 4,541 3,182 2,353 1,638 0,978 0,584 0,277 0,137
4 4,604 3,747 2,776 2,132 1,533 0,941 0,569 0,271 0,134
5 4,032 3,365 2,571 2,015 1,476 0,92 0,559 0,267 0,132
6 3,707 3,143 2,447 1,943 1,44 0,906 0,553 0,265 0,131
7 3,499 2,998 2,365 1,895 1,415 0,896 0,549 0,263 0,13
8 3,355 2,896 2,306 1,86 1,397 0,889 0,546 0,262 0,13
9 3,25 2,821 2,262 1,833 1,383 0,883 0,543 0,261 0,129
10 3,169 2,764 2,228 1,812 1,372 0,879 0,542 0,26 0,129
11 3,106 2,718 2,201 1,796 1,363 0,876 0,54 0,26 0,129
12 3,055 2,681 2,179 1,782 1,356 0,873 0,539 0,259 0,128
13 3,012 2,65 2,16 1,771 1,35 0,87 0,538 0,259 0,128
14 2,977 2,624 2,145 1,761 1,345 0,868 0,537 0,258 0,128
15 2,947 2,602 2,131 1,753 1,341 0,866 0,536 0,258 0,128
16 2,921 2,583 2,12 1,746 1,337 0,865 0,535 0,258 0,128
17 2,898 2,567 2,11 1,74 1,333 0,863 0,534 0,257 0,128
18 2,878 2,552 2,101 1,734 1,33 0,862 0,534 0,257 0,127
19 2,861 2,539 2,093 1,729 1,328 0,861 0,533 0,257 0,127
20 2,845 2,528 2,086 1,725 1,325 0,86 0,533 0,257 0,127
21 2,831 2,518 2,08 1,721 1,323 0,859 0,532 0,257 0,127
22 2,819 2,508 2,074 1,717 1,321 0,858 0,532 0,256 0,127
23 2,807 2,5 2,069 1,714 1,319 0,858 0,532 0,256 0,127
24 2,797 2,492 2,064 1,711 1,318 0,857 0,531 0,256 0,127
25 2,787 2,485 2,06 1,708 1,316 0,856 0,531 0,256 0,127
26 2,779 2,479 2,056 1,706 1,315 0,856 0,531 0,256 0,127
27 2,771 2,473 2,052 1,703 1,314 0,855 0,531 0,256 0,127
28 2,763 2,467 2,048 1,701 1,313 0,855 0,53 0,256 0,127
29 2,756 2,462 2,045 1,699 1,311 0,854 0,53 0,256 0,127
30 2,75 2,457 2,042 1,697 1,31 0,854 0,53 0,256 0,127
40 2,704 2,423 2,021 1,684 1,303 0,851 0,529 0,255 0,126
60 2,66 2,39 2 1,671 1,296 0,848 0,527 0,254 0,126
120 2,617 2,358 1,98 1,658 1,289 0,845 0,526 0,254 0,126
>120 2.576 2.326 1.960 1.645 1.282 0.842 0.524 0.253 0.126
Con el estudio de la actividad de los genes en las secuencias de
ADN en el n ucleo de nuestras celulas est a en juego el anticipar y
prevenir el desarollo de determinadas enfermedades. La estads-
tica, combinada con la inform atica, juega un papel fundamental
en identicar, a partir de datos de experimentos de microarrays,
la diferencia de actividad genica entre personas sanas y personas
con una determinada enfermedad.
Fuente: Rivas-Lopez M. J, Sanchez-Santos J.M & De las Rivas, J. Estructura
y analisis de microarrays, BEIO (2005), 22, 10-15
TEMA VII
Introducci on a los contrastes de hip otesis
VII.1. Introducci on
En el tema anterior, hemos aprendido como estimar, es decir, aproximar el valor
de un parametro basandonos en las observaciones de una muestra. Hay situaciones
en las que mas que conocer el valor concreto del parametro, queremos tomar una
decision acerca de este. Formularemos una hipotesis sobre el valor del parametro y
la contrastaremos con los datos de la muestra para comprobar si estos la apoyan o
la desmienten.
Para ilustrar los conceptos relacionados con los contrastes de hipotesis, retoma-
mos el ejemplo visto al nal del tema 5 cuando describimos la graca de control

X:
una empresa controla la concentracion de CaCO3 en su producto. El valor ideal de
esta concentracion es 55. Si llamamos X la concentracion de CaCO3 medida en un
envase, sabemos que es razonable modelizar la distribucion de X por una distribu-
cion Normal de media y desviacion tpica 8. En el tema 5, vimos como la empresa
puede realizar un control de la calidad de su produccion gracias a una graca

X:
cada hora toma una muestra de 4 envases, mide la concentracion de CaCO3 en cada
caso y calcula su media. Basandose en este valor decide si el proceso de produccion
esta en condiciones de correcto funcionamiento, es decir si = 55.
Para decidir si = 55 o ,= 55, la empresa se ja una regla: si

X > 60,4
o

X < 49,6, decide que ,= 55 y para la produccion para ajustar el proceso de
fabricacion.
Este ejemplo contiene todos los ingredientes del contraste de hipotesis y pasamos
a describirlos en un contexto mas general.
VII.2. Planteamiento general
VII.2.1. Hip otesis estadstica
Una hipotesis estadstica es una proposicion acerca del valor de un parametro
en el modelo considerado. La formulaci on de un contraste de hipotesis pasa siempre
por el planteamiento de dos hipotesis:
_
H
0
: = 55, Hipotesis nula
H
1
: ,= 55, Hipotesis alternativa
Habra casos en los que nos interesara decidir si el parametro es mayor (o menor)
que un valor dado, entonces cambiaremos la formulacion de la hipotesis alternativa,
pero seguiremos, para simplicar, considerando la igualdad en la hipotesis nula. Por
ejemplo si queremos contrastar si es mayor que 55, plantearemos el contraste:
_
H
0
: = 55,
H
1
: > 55,
mientras que si queremos decidir si es menor que 55, plantearemos
_
H
0
: = 55,
H
1
: < 55,
De los tres contrastes, el primero se llama contraste bilateral, puesto que la
hipotesis alternativa comprende tanto valores mayores como valores menores que
55, mientras que los dos ultimos se llaman contrastes unilaterales.
VII.2.2. Regla de decision
Basandonos en un estadstico T(X
1
, . . . , X
n
), es decir en una funcion de las
observaciones, determinaremos una region de rechazo R. Para mi muestra calculare
el valor concreto de T(X
1
, . . . , X
n
); si este valor pertenece a R, rechazaremos H
0
, es
decir armaremos que los datos apoyan la hipotesis alternativa H
1
.
En cambio si el valor de T(X
1
, . . . , X
n
) no pertenece a R, aceptaremos H
0
,
diremos que los datos no presentan argumentos en contra de la hipotesis nula.
En el ejemplo de los monitores de ordenador, la regla de decision que se haba
jado la empresa es: basandose en el estadstico T(X
1
, . . . , X
n
) =

X, la region de
rechazo es R = x < 49,6 x > 60,4.
VII.2.3. Evaluaci on del error
Al tomar la decision acerca de la veracidad de H
0
, podemos cometer dos tipos
de error:
VII.2.3.1. Error de tipo I
Podemos armar que H
0
es falsa, cuando en realidad es cierta, es decir que los
datos nos llevan a rechazar H
0
cuando esta es cierta. Este tipo de error se llama
error de tipo I, y, una vez jada una regla de decision, la probabilidad de cometerlo
se denota por , (la letra griega alfa). Tenemos por lo tanto
= P
H
0
(Rechazar H
0
) = P
H
0
(T(X
1
, . . . , X
n
) R)),
VII.2 Planteamiento general 117
donde con la notacion P
H
0
, nos referimos a la probabilidad suponiendo que H
0
es
cierta.
En el ejemplo de la concentracion de CaCO3, podemos calcular la probabilidad
de error de tipo I:
= P
H
0
(Rechazar H
0
) = P
=55
((

X < 49,6) (

X > 60,4)).
Pero, precisamente, los lmites de control en la graca

X se jaron para que, si la
maquina esta bien ajustada, es decir si = 55, solo el 3 por 1000 de las muestras
deben llevar a un valor de

X fuera de los lmites. Deducimos que = 0,003.
VII.2.3.2. Error de tipo II
El segundo tipo de error se comete cuando admitimos H
0
cuando en realidad es
falsa. Una vez jada la regla de decision, la probabilidad de cometer un error de tipo
II se denota por ( la letra griega beta). Tenemos
= P
H
1
(Aceptar H
0
) = P
H
1
(T(X
1
, . . . , X
n
) / R).
El calculo de solo se puede hacer si especicamos un valor concreto de en la
hipotesis alternativa. Para el ejemplo de la concentracion de CaCO3, podemos por
ejemplo calcular cuando en realidad = 65. Tenemos = P
=65
(49,6

X
60,4), y sabemos que

X A(,
2
/n) es decir

X A(, (4)
2
). Tipicamos

X para
calcular :
= P
=65
(
49,6 65
4

X 65
4

60,4 65
4
) (2,3) (7,7) 0,13.
VII.2.4. Procedimiento
Para llevar a cabo un contraste de hipotesis, tendremos que
Formular las hipotesis H
0
y H
1
.
Fijarnos la probabilidad de error de tipo I, . Al igual que para los contrastes
de hipotesis, los valores de mas comunes son 0.05, 0.01 o 0.1. (95 %, 99 % o
90 % de conanza respectivamente).
Escogemos el estadstico de prueba T(X
1
, . . . , X
n
) basado generalmente en un
estimador del parametro. Describimos su distribucion muestral bajo la hipo-
tesis de que H
0
es cierta.
Determinamos la region de rechazo R de tal manera que la probabilidad de
rechazar H
0
cuando esta es cierta coincida con el valor prejado de , es decir
P
H
0
(T(X
1
, . . . , X
n
) R) = .
Para nuestra muestra, calculamos el valor concreto del estadstico de prueba
T(X
1
, . . . , X
n
). Si este valor cae en la region R, rechazamos H
0
y armamos
H
1
, mientras que si no cae en la region R, admitimos H
0
.
VII.3. Contraste de hip otesis para la media de una
distribuci on Normal con varianza conocida.
Consideramos una variable X, suponemos que su distribucion ha sido modelizada
por una Normal con media y varianza
2
. Suponemos ademas que conocemos el
valor de la varianza
2
.
Queremos llevar a cabo un contraste sobre , para ello, extraeremos una muestra
de tama no n de la distribucion de X: X
1
, . . . , X
n
.
VII.3.1. Hip otesis bilateral
Para construir el contraste para en el caso en que formulamos una hipotesis al-
ternativa bilateral, ver el apartado VII.2.1, seguimos los pasos descritos en la seccion
VII.2.4:
Formulamos las hipotesis:
_
H
0
: =
0
,
H
1
: ,=
0
,
donde
0
representa el valor concreto con el que queremos comparar . En el
ejemplo de los monitores,
0
vale 55.
Nos jamos el valor de .
El estadstico de prueba es la version tipicada de

X, sabemos por el tema 5
que
Z
0
=
X
0
/
n
A(0, 1) si H
0
es cierto.
Podemos ahora especicar la region de rechazo. La probabilidad de que el
estadstico de prueba Z
0
caiga en R cuando H
0
es cierta debe coincidir con el
valor de que nos hemos jado. Ademas queremos que Z
0
caiga en R cuando
es distinto de
0
( H
1
cierta), es decir que correspondera a valores grandes
positivos o negativos de Z
0
. Por consiguiente jamos la region de rechazo de
la manera siguiente:
VII.3 Contraste de hipotesis para la media de una distribucion Normal con
varianza conocida. 119
La region R esta formada por los valores menores que z
1/2
o mayores que
z
1/2
.
Nos queda calcular, para nuestra muestra, el valor concreto del estadstico de
prueba Z
0
. Si pertenece a R, rechazaremos H
0
y armaremos H
1
, mientras
que si no pertenece a R, admitiremos H
1
.
VII.3.2. Hip otesis unilateral
En el caso en que hemos planteado una hipotesis unilateral, los pasos que segui-
mos son los mismos que en el apartado anterior con la salvedad de la determinacion
de R:
Si la hipotesis alternativa es H
1
: >
0
, la region de rechazo sera
es decir que se rechazara H
0
si el valor del estadstico de prueba Z
0
es mayor
de z
1/2
.
Si la hipotesis alternativa es H
1
: <
0
, la region de rechazo sera
es decir que se rechazara H
0
si el valor del estadstico de prueba Z
0
es menor
de z
1/2
.
VII.3.3. Ejemplos
VII.3.3.1. Hipotesis alternativa bilateral
En un proceso de produccion, la longitud de los artculos producidos se modeliza
a traves de una distribucion Normal con media . Por experiencia acerca del pro-
ceso, se cuantica su desviacion tpica en = 1. En condiciones de funcionamiento
correcto, se espera que la longitud media de los artculos sea 50mm. Para compro-
bar la calidad se decide tomar una muestra de 10 artculos que resultan tener una
longitud media

X igual a 51mm. Basandonos en esta muestra, que podemos decir
acerca del funcionamiento del proceso?
La variable que introducimos asociada al experimento producir una pieza, es
X=longitud de la pieza producida. Planteamos las hipotesis
_
H
0
: = 50,
H
1
: ,= 50.
Decidimos trabajar al 95 % de conanza, que es el nivel estandar de conanza, es
decir que nos jamos = 0,05.
El estadstico de prueba es Z
0
=

X
0
/
n
, que sigue una distribucion Normal es-
tandar si H
0
es cierta.
Las fronteras de la region de rechazo son z
1/2
= z
0,975
= 1,96 y z
1/2
=
1,96.
Basandonos en la muestra, calculamos el valor de Z
0
:
Z
0
=
51 50
1/
10
3,162.
Puesto que Z
0
pertenece a R, rechazamos H
0
y armamos al 95 % de conanza que
el proceso esta desajustado.
VII.3.3.2. Hipotesis alternativa unilateral
Creo que un aparato de medicion de una se nal sobrevalora su valor real. Para
comprobarlo pienso realizar 5 mediciones de una se nal simple cuyo valor se es igual
a 10000. Considerando que la distribucion de los valores medidos se puede mode-
lizar por una Normal con desviacion tpica igual a 500, llevar a cabo el contraste
para comprobar si el valor central de los valores medidos es superior a 10000, si he
encontrado un valor promedio de 10300 para las 5 mediciones de la muestra.
El experimento aleatorio es realizar la medicion de la se nal, y la v.a X=valor
proporcionado por el aparato. Modelizamos X por una distribucion A(,
2
) con
= 500.
Planteamos las hipotesis
_
H
0
: = 10000,
H
1
: > 10000,
El estadstico es Z
0
, al igual que en el ejemplo anterior, pero la region de rechazo
esta constituida por los valores mayores que z
1
= z
0,95
= 1,64.
Para mi muestra, el valor de Z
0
es
Z
0
=
10300 10000
500/
5
1,34.
VII.4 Concepto de p-valor 121
Deducimos que Z
0
no pertenece a R, por lo que no podemos rechazar H
0
: los
datos no contradicen H
0
.
VII.4. Concepto de p-valor
En el ejemplo VII.3.3.1, para el contraste
_
H
0
: = 50,
H
1
: ,= 50,
Hemos encontrado que el valor del estadstico de prueba era z
0
= 3,162, y hemos
rechazado al 95 % de conanza la hipotesis nula.
Cual habra sido nuestra decision si, en lugar de habernos jado el 95 % de
conanza, hubieramos escogido 90 % de conanza?
Por la forma en la que hemos construido la region de rechazo, esta contiene el 5 %
del area total, y la region de aceptacion, es decir el complementario de R, contiene el
95 % del area total. Deducimos por lo tanto que la region de rechazo que corresponde
al 90 % de conanza es mas grande que la region de rechazo que corresponde la 95 %
de conanza. Sera mas facil rechazar H
0
al 90 % que al 95 % de conanza.
Esto corresponde a un hecho general: si rechazamos H
0
a un nivel de conanza
dado, tambien la rechazaremos para cualquier nivel de conanza menor...
En cambio, si nos preguntamos cual habra sido nuestra decision al 99 % de con-
anza? La region de rechazo mengua, y para saber si seguimos rechazando H
0
nece-
sitamos comprobar si el valor de nuestro estadstico de prueba sigue encontrandose
dentro de la nueva region de rechazo. En nuestro ejemplo VII.3.3.1, las fronteras
de la region de rechazo al 99 % de conanza son z
1/2
= z
0,995
= 2,56 y
z
0,995
= 2,56, puesto que Z
0
toma el valor 3.162, tambien rechazamos H
0
al 99 % de
conanza.
Planteado un contraste, y para un valor concreto del estadstico de prueba, po-
demos preguntarnos cual habra sido la conanza maxima con la que rechazaramos
H
0
para estos datos. Equivalentemente, podemos calcular el valor mas peque no de
que nos lleve a rechazar H
0
.
Denicion VII.4.1 El valor de mas peque no que nos lleve a rechazar H
0
se llama
el p-valor de la prueba, y lo denotaremos por
0
.
Para determinar
0
, tendremos que considerar la region de rechazo que haga
de frontera entre las dos decisiones: rechazar H
0
y aceptar H
0
. Si en la graca de
la distribucion del estadstico Z
0
, empezamos primero por se nalar el valor de z
0
obtenido para la muestra, esta region de rechazo se obtendra al hacer coincidir una
de sus fronteras con z
0
: para una region de rechazo mas grande (es decir un mas
grande) se rechazara H
0
mientras que para una region de rechazo mas peque na (es
decir un mas peque no) tendremos que aceptar H
0
. El valor de correspondiente
a esta region R es
0
.
Lo ilustramos para el ejemplo en el que z
0
= 3,162 en la graca siguiente:
z
0
z
0
Para calcular
0
, deducimos del dibujo anterior que
0
/2 = P(Z 3,162),
es decir que
0
= 2(1 (3,162)) 0,00156..
Deducimos que para el ejemplo, la conanza maxima con la que podramos haber
rechazado es
100(1
0
) = 100(0,99844) = 99,84 %.
Este resultado es coherente con las decisiones que hemos tomado al 95 % y al 99 %
de conanza.
Cualquier programa de estadstica que permita llevar a cabo un contraste de
hipotesis no solicita del usuario que especique la conanza, sino que directamente
le proporciona el p-valor, dejando en sus manos la decision de rechazar o aceptar
H
0
. En general se suele considerar que un p-valor menor de 0.1 nos lleva a rechazar
H
0
aunque el estandar correspondera realmente a un p-valor menor que 0,05. Si el
p-valor es mayor de 0.2, se admite H
0
. Si el p-valor esta comprendido entre 0.1 y
0.2, no permite concluir de manera muy segura y deberamos intentar colectar mas
datos.
VII.5. Potencia del test
VII.5.1. Denicion
Hemos visto que, a la hora de construir un contraste de hipotesis, lo mas facil es
controlar la probabilidad de error de tipo I, puesto que la region de rechazo se dene
para que esta probabilidad coincida con el valor jado de . Sin embargo, tambien
es importante saber que, si H
0
es falsa, nuestro contraste lo detectara con bastante
probabilidad, es decir que nos llevara a concluir de manera correcta que H
0
es falsa.
Denicion VII.5.1 Consideremos H
1
la hipotesis alternativa, y
1
un valor con-
creto de incluido en los valores contemplados en H
1
.
La potencia de un test (contraste de hip otesis) contra la alternativa =
1
, es
la probabilidad de rechazar H
0
cuando esta es falsa y en realidad =
1
. Es decir
Pot(
1
) = P
=
1
(Rechazar H
0
).
VII.5 Potencia del test 123
Cuanto mayor sera la potencia, mejor sera el contraste. Se suele considerar suciente
una potencia de al menos 0.8
Recordar que el error de tipo II consiste en aceptar H
0
cuando en realidad esta
es falsa, la relacion entre la probabilidad de error de tipo II y la potencia es por
lo tanto
= 1 Pot(
1
).
VII.5.2. Calculo de la potencia
Queremos plantear un contraste sobre la media, por ejemplo en su version bila-
teral,
_
H
0
: =
0
,
H
1
: ,=
0
,
,
con un cierto nivel de conanza, y planicamos tomar una muestra de n observacio-
nes.
Para calcular la potencia de este contraste contra la alternativa =
1
, seguimos
los pasos de la realizacion del contraste hasta la denicion de la region de rechazo
R incluida:
Por ejemplo
_
H
0
: =
0
,
H
1
: ,=
0
,
,
pero podra ser con hipotesis alternativa unilateral tambien.
Nos jamos .
El estadstico de prueba es Z
0
=

X
0
/
n
, que sigue una distribucion Normal
estandar si H
0
es cierta.
Construimos la region de rechazo seg un el tipo de hipotesis alternativa que nos
hemos planteado. Por ejemplo si es bilateral, la region es
A partir de aqu, podemos pasar al calculo de la potencia: sabemos que
Pot(
1
) = P
=
1
(Rechazar H
0
),
es decir que
Pot(
1
) = P
=
1
(Z
0
R). (VII.1)
En el caso de una hipotesis alternativa bilateral, esta probabilidad es
Pot(
1
) = P
=
1
((Z
0
z
1/2
) (Z
0
z
1/2
)).
Para calcular la potencia necesitamos por lo tanto conocer la distribucion de Z
0
cuando H
0
no es cierta, sino =
1
. Para ello, utilizamos la relacion siguiente
Z
0
=
X
0
/
n
=
X
1
/
n
+

1

0
/
n
.
Si =
1
, la variable

X
1
/
n
sigue una distribucion Normal estandar. Deducimos
por lo tanto que
Si =
1
, Z
0
A(, 1),
donde se llama el parametro de no-centralidad y se dene como
=

1

0
/
n
.
Esta es la distribucion que utilizaremos para calcular la potencia a partir de la

expresion en (VII.1). Para ello bastara con tipicar la variable Z
0
para expresar
la probabilidad buscada en terminos de .
VII.5.3. Ejemplo de calculo de la potencia
Volvamos al ejemplo del apartado VII.3.3.1, en el que estudiamos la longitud
media de los artculos producidos. La v.a introducida es X=longitud de un artculo
producido y hemos supuesto que X A(,
2
), con = 1.
Queremos comprobar que la longitud media de los artculos producidos no es
signicativamente distinta de 50mm. Para ello, planicamos llevar a cabo el contraste
_
H
0
: = 50,
H
1
: ,= 50,
,
cogiendo una muestra de 10 piezas, y jando una conanza del 95 %.
Cual es la probabilidad de que, si en realidad = 50,5, y por lo tanto H
0
es
falsa, el contraste que hemos planeado nos permita detectar que H
0
es falsa, es decir
que nos lleve a rechazar H
0
.
Queremos calcular Pot(50,5). Desarrollamos el contraste hasta la determinacion
de R.
_
H
0
: = 50,
H
1
: ,= 50,
Nos jamos = 0,05.
El estadstico Z
0
=

X
0
/
n
sigue una distribucion Normal estandar si H
0
es
cierta.
VII.6 Inferencia para la media 125
La region de rechazo es R = z : z < z
1/2
o z > z
1/2
es decir
R = z : z < 1,96 o z > 1,96.
Ahora
Pot(50,5) = P
=
1
(Z
0
R) = P
=
1
((Z
0
1,96) (Z
0
1,96)).
Sabemos que, si =
1
, Z
0
A(, 1). Calculemos :
=

1

0
/
n
=
50,5 50
1/
10
1,58.
Deducimos tipicando que
Pot(50,5) = P
=
1
(Z
0
1,96) +P
=
1
(Z
0
1,96)
= P
=
1
(
Z
0

1

1,96
1
) +P
=
1
(
Z
0

1

1,96
1
)
= P(Z 3,54) +P(Z 0,38)
= (3,54) + (1 (0,38)) = 1 (3,54) (1 (0,38)) 0,35.
Esta potencia es insuciente, para mejorarla, tendremos que planicar un experi-
mento con mas observaciones.
VII.5.4. Factores que inuyen la potencia
Cuanto mayor sea n, mayor sera la potencia.
Cuanto menor sea , mayor sera la potencia.
Cuanto mayor sea el nivel de conanza, menor sera la potencia: si exigimos
mas conanza, pagamos un precio...
Cuanto mas diferencia haya entre
1
y
0
, mas facil sera detectar cuando no
es igual a
0
sino a
1
, por lo tanto, mayor sera la potencia.
VII.6. Inferencia para la media
En la presentacion del contraste de hipotesis, hemos considerado el caso en que
el modelo es normal con varianza conocida. En el caso mas realista en que no se
especica el valor de la varianza como parte del modelo, lo estimaremos a partir de
la muestra. A continuacion construimos contrastes de hipotesis para la media de una
distribucion Normal con varianza desconocida.
VII.6.1. Contraste de hip otesis para la media de una distribuci on
Normal con varianza desconocida
VII.6.1.1. Construccion
Seguimos los mismos pasos que en el caso en que la varianza es conocida.
Planteamos las hipotesis. Por ejemplo para una hipotesis alternativa bilateral:
_
H
0
: =
0
,
H
1
: ,=
0
,
donde
0
representa el valor concreto con el que queremos comparar .
Nos jamos el valor de .
El estadstico de prueba es
T
0
=
X
0
S/
n
t
n1
si H
0
es cierto.
Podemos ahora especicar la region de rechazo.
La region R esta formada por los valores menores que t
n1,1/2
o mayores
que t
n1,1/2
.
Nos queda calcular, para nuestra muestra, el valor concreto del estadstico de
prueba T
0
. Si pertenece a R, rechazaremos H
0
y armaremos H
1
, mientras que
si no pertenece a R, admitiremos H
1
.
En el caso en que la hipotesis alternativa es unilateral lo unico que cambia es la
region de rechazo:
_
H
0
: =
0
,
H
1
: <
0
,
_
H
0
: =
0
,
H
1
: >
0
,
VII.7 Inferencia para dos medias 127
VII.6.1.2. Ejemplo
Volvamos al ejemplo de las mediciones visto en la seccion anterior, queremos
contrastar si el centro de los valores proporcionados por el aparato es mayor que
10.2, basandonos en las mismas tres mediciones.
Planteamos las hipotesis
_
H
0
: = 10,2,
H
1
: > 10,2,
Nos jamos = 0,05, suponiendo que trabajamos con 95 % de conanza. El esta-
dstico de prueba es
T
0
=
X
0
S/
n
t
n1
si H
0
es cierto.
La region de rechazo es unilateral : R = t : t > t
n1,1
, la frontera siendo
t
2,0,95
= 2,92.
Para la muestra escogida, el valor del estadstico de prueba es
t
0
=
X
0
S/
n
=
10,24333 10,2
0,0002333/
3
4,913.
Este valor pertenece a la region de rechazo por lo que deducimos que al 95 % de
conanza rechazamos H
0
.
Notar en particular que deducimos en particular, puesto que hemos rechazado
H
0
al 95 % de conanza, que el p-valor es menor que 0.05. En realidad, al igual que
en el tema 7, caracterizamos el p-valor como
0
= P(t > 4,913),
donde t es una distribucion t de Student con 2 grados de libertad. Podemos utilizar
una calculadora estadstica para calcular
0
de manera precisa. Si solo tenemos una
tabla a mano, podemos ir probando con distintos niveles de conanza para obtener
cuotas razonablemente precisas de
0
.
Por ejemplo, de la tabla de los cuantiles de la distribucion t que se encuentra
en el apendice, deduzco que el valor del estadstico de prueba, T
0
= 4,913 es mayor
que t
2,0,975
pero menor que t
2,0,99
. Deduzco que rechazara H
0
al 97.5 % de conanza
pero la aceptara al 99 % de conanza: el p-valor
0
esta comprendido entre 0,025 y
0,01.
VII.7. Inferencia para dos medias
Consideramos ahora situaciones en las que modelizamos dos variables X
1
y X
2
y
nos interesa posiblemente comparar sus dos medias, que denotamos respectivamente
por
1
y
2
.
Extraeremos dos muestras: una correspondiente a la primera variable X
1
y otra
correspondiente a X
2
. Utilizamos la notacion siguiente para designar los valores de
estas muestras:
Muestra 1: x
11
, x
12
, . . . , x
1,n
1
Muestra 2: x
11
, x
12
, . . . , x
1,n
2
En particular, hemos supuesto que el tama no de la muestra 1 es n
1
, mientras que el
tama no de la muestra 2 es n
2
.
Supondremos que hemos modelizado tanto la distribucion de X
1
como la distri-
bucion de X
2
por Normales,
X
1
A(
1
,
2
1
), X
2
A(
2
,
2
2
).
VII.7.1. Estadsticos muestrales
Al pretender comparar
1
y
2
, nos basaremos en la cantidad
1

2
. El es-
tadstico que utilizaremos para estimar esta cantidad es X
1
X
2
, donde X
1
y X
2
denotan la media de la primera y de la segunda muestra respectivamente. Introdu-
cimos tambien la notacion S
2
1
y S
2
2
para designar las varianzas respectivas de las dos
muestras.
Pasamos ahora a presentar distintos estadsticos relacionados con X
1
X
2
entre
los que tendremos que escoger seg un la situacion de modelizacion en la que nos
encontremos: conocemos
2
1
y
2
2
?, las desconocemos pero las suponemos iguales?
etc...
VII.7.1.1. Caso de varianzas conocidas
Se cumple
X
1
X
2
(
1

2
)
_
2
1
n
1
+

2
2
n
2
A(0, 1).
VII.7.1.2. Caso de varianzas desconocidas
a) Si se suponen las varianzas iguales
Si a la hora de la modelizacion hemos supuesto
2
1
=
2
2
, podemos estimar la
varianza com un
2
utilizando las dos muestras. Introducimos
S
2
0
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+n
2
2
Utilizaremos la distribucion
X
1
X
2
(
1

2
)
_
S
2
0
(
1
n
1
+
1
n
2
)
t
n
1
+n
2
2
.
b) Si NO se suponen iguales
En este caso, no se conoce de manera exacta la distribucion muestral del esta-
dstico natural
X
1
X
2
(
1
2
)
S
2
1
n
1
+
S
2
2
n
2
. Sin embargo, se puede utilizar la aproximacion
siguiente:
X
1
X
2
(
1

2
)
_
S
2
1
n
1
+
S
2
2
n
2
t
k
, donde k =nf(n
1
1, n
2
1).
VII.7.2. Intervalos y contrastes
La construccion de los intervalos y contrastes para
1

2
se realiza siguiendo
los mismos principios que para el caso de una media solo.
Para ilustrar esta construccion, nos limitamos por lo tanto a tratar dos ejemplos
extraidos de problemas de examenes
a). Ejemplo I. Dos disciplinas de cola para servicio de CPU han sido propuestas
por dos dise nadores de sistemas operativos. Para compararlas se instalaron en dos
maquinas test iguales y se midieron los tiempos de espera en cada una de ellas de 8
tareas aleatoriamente elegidas:
A 2.41 6.50 3.29 1.22 2.59 2.81 5.35 1.78
B 2.30 5.86 3.71 1.10 2.34 2.24 5.00 1.95
Suponiendo que la distribucion que sigue cada variable se puede aproximar por
una Normal, calcular el intervalo de conanza para la diferencia entre el tiempo pro-
medio de espera con la disciplina A y el tiempo promedio de espera con la disciplina
B.
Solucion.Introduzcamos las variables
X
A
: tiempo de espera de una tarea escogida al azar, procesada por la disciplina A
X
B
: tiempo de espera de una tarea escogida al azar, procesada por la disciplina B
La hipotesis de modelizacion sobre las distribuciones de X
A
y X
B
es
X
A
A(
A
,
2
A
), X
B
A(
B
,
2
B
).
y que son independientes.
Queremos construir un intervalo de conanza para
A

B
.
Nos jamos el nivel de riesgo = 0,05, es decir una conanza de 95 %.
El estadstico de prueba, puesto que desconocemos las dos varianzas de X
A
y
X
B
es el descrito en el apartado VII.7.1.2 b)
X
A
X
B
(
A

B
)
_
S
2
A
n
A
+
S
2
B
n
B
t
k
, donde k =nf(n
A
1, n
B
1).
Dibujamos una region central con area 1 en la representacion de la densidad
del estadstico:
t
k,1 2
t
k,1 2
Deducimos que
P(t
k,1/2

X
A
X
B
(
A

B
)
_
S
2
A
n
A
+
S
2
B
n
B
t
k,1/2
) = 1 .
Despejamos
A

B
y obtenemos
A

B
= X
A
X
B
t
k,1/2
S
2
A
n
A
+
S
2
B
n
B
.
Por otra parte, calculamos
X
A
= 3,24375 S
2
A
= 3,227
X
B
= 3,0625 S
2
B
= 2,695
Tenemos n
A
= n
B
= 8, y nalmente necesitamos t
k/2
= t
7,0,975
= 2,365
Al sustituir obtenemos
A

B
= 0,18125 2,0349.
b). Ejemplo II. Una determinada empresa de material fungible puede adquirir
los cartuchos de toner de impresora de dos proveedores distintos. Con el n de
determinar a que proveedor comprar se toma una muestra de tama no 12 de cada uno
de los proveedores obteniendo los siguientes resultados (n umero de hojas impresas):
Media muestral varianza muestral
Proveedor A 5459 111736
Proveedor B 5162 145258
Si suponemos que las poblaciones son normales con varianzas iguales:
(a) Construir un intervalo de conanza para la diferencia entre el n umero medio
de hojas que imprime el cartucho de cada proveedor. (tomar = 0,05).
Solucion: Introducimos las variables
X
A
: duracion de un cartucho de toner del proveedor A.
X
B
: duracion de un cartucho de toner del proveedor B
Del enunciado sabemos que
X
A
A(
A
,
2
), X
B
A(
B
,
2
),
es decir que las dos variables son Normales con varianzas desconocidas pero
igules.
Para construir el intervalo de conanza al 95 %, seguimos los mismos pasos
que en el ejemplo anterior, pero ahora el estadstico es
X
A
X
B
(
A

B
)
_
S
2
0
(
1
n
A
+
1
n
B
t
n
A
+n
B
2
,
con S
2
0
=
(n
A
1)S
2
A
+(n
B
1)S
2
B
n
A
+n
B
2
. Obtenemos por lo tanto que el intervalo de con-
anza para
A

B
es
A

B
= X
A
X
B
t
n
A
+n
B
2,1/2
_
S
2
0
(
1
n
A
+
1
n
B
).
Necesitamos calcular S
2
0
:
S
2
0
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+n
2
2
=
(11)111736 + 11 145258
22
128497
Deducimos sustituyendo que el intervalo al 95 % de conanza es
A

B
= 297 302,9.
(b) Razonar que tipo de contraste se debe de realizar con el n de decidir si
la duracion media de los cartuchos del proveedor A es mayor que la de los
cartuchos del proveedor B. Realizar este contraste. (tomar = 0,05).
Solucion:Queremos plantear el contraste
_
H
0
:
A
=
B
,
H
1
:
A
>
B
,
es decir
_
H
0
:
A

B
= 0,
H
1
:
A

B
> 0,
Nos jamos = 0,05, el estadstico de contraste es
X
A
X
B
(
A

B
)
_
S
2
0
(
1
n
A
+
1
n
B
,
bajo H
0
,
A

B
= 0, y este estadstico se simplica:
T
0
=
X
A
X
B
_
S
2
0
(
1
n
A
+
1
n
B
t
n
A
+n
B
2
, si H
0
es cierta.
La region de rechazo es unilateral y es de la forma
Su frontera es t
n
A
+n
B
2,1/2
= t
22,0,95
= 1,717. Nos falta calcular el valor
concreto del estadstico de contraste
T
0
=
X
A
X
B
_
S
2
0
(
1
n
A
+
1
n
B
=
5459 5162
_
128497(
1
12
+
1
12
)
= 2,0295.
El valor de T
0
pertenece a la region de rechazo, deducimos que podemos recha-
zar H
0
al 95 % de conanza: armamos que la duracion media de los cartuchos
del proveedor A es signicativamente mayor que la de los cartuchos del pro-
veedor B.
Apendice
Distribucion t de Student
Valores de los cuantiles de la distribucion t de Student con k grados de libertad:
para un 0 p 1, el valor t
k,p
satisface P(t t
k,p
) = p.
k t
k,0,995
t
k,0,99
t
k,0,975
t
k,0,95
t
k,0,90
t
k,0,80
t
k,0,70
t
k,0,60
t
k,0,50
1 63,657 31,821 12,706 6,314 3,078 1,376 0,727 0,325 0,158
2 9,925 6,965 4,303 2,92 1,886 1,061 0,617 0,289 0,142
3 5,841 4,541 3,182 2,353 1,638 0,978 0,584 0,277 0,137
4 4,604 3,747 2,776 2,132 1,533 0,941 0,569 0,271 0,134
5 4,032 3,365 2,571 2,015 1,476 0,92 0,559 0,267 0,132
6 3,707 3,143 2,447 1,943 1,44 0,906 0,553 0,265 0,131
7 3,499 2,998 2,365 1,895 1,415 0,896 0,549 0,263 0,13
8 3,355 2,896 2,306 1,86 1,397 0,889 0,546 0,262 0,13
9 3,25 2,821 2,262 1,833 1,383 0,883 0,543 0,261 0,129
10 3,169 2,764 2,228 1,812 1,372 0,879 0,542 0,26 0,129
11 3,106 2,718 2,201 1,796 1,363 0,876 0,54 0,26 0,129
12 3,055 2,681 2,179 1,782 1,356 0,873 0,539 0,259 0,128
13 3,012 2,65 2,16 1,771 1,35 0,87 0,538 0,259 0,128
14 2,977 2,624 2,145 1,761 1,345 0,868 0,537 0,258 0,128
15 2,947 2,602 2,131 1,753 1,341 0,866 0,536 0,258 0,128
16 2,921 2,583 2,12 1,746 1,337 0,865 0,535 0,258 0,128
17 2,898 2,567 2,11 1,74 1,333 0,863 0,534 0,257 0,128
18 2,878 2,552 2,101 1,734 1,33 0,862 0,534 0,257 0,127
19 2,861 2,539 2,093 1,729 1,328 0,861 0,533 0,257 0,127
20 2,845 2,528 2,086 1,725 1,325 0,86 0,533 0,257 0,127
21 2,831 2,518 2,08 1,721 1,323 0,859 0,532 0,257 0,127
22 2,819 2,508 2,074 1,717 1,321 0,858 0,532 0,256 0,127
23 2,807 2,5 2,069 1,714 1,319 0,858 0,532 0,256 0,127
24 2,797 2,492 2,064 1,711 1,318 0,857 0,531 0,256 0,127
25 2,787 2,485 2,06 1,708 1,316 0,856 0,531 0,256 0,127
26 2,779 2,479 2,056 1,706 1,315 0,856 0,531 0,256 0,127
27 2,771 2,473 2,052 1,703 1,314 0,855 0,531 0,256 0,127
28 2,763 2,467 2,048 1,701 1,313 0,855 0,53 0,256 0,127
29 2,756 2,462 2,045 1,699 1,311 0,854 0,53 0,256 0,127
30 2,75 2,457 2,042 1,697 1,31 0,854 0,53 0,256 0,127
40 2,704 2,423 2,021 1,684 1,303 0,851 0,529 0,255 0,126
60 2,66 2,39 2 1,671 1,296 0,848 0,527 0,254 0,126
120 2,617 2,358 1,98 1,658 1,289 0,845 0,526 0,254 0,126
> 120 2.576 2.326 1.960 1.645 1.282 0.842 0.524 0.253 0.126

Métodos Estadísticos de La Ingeniería: Mathieu Kessler

Cargado por

Copyright:

Formatos disponibles

Métodos Estadísticos de La Ingeniería: Mathieu Kessler

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Métodos Estadísticos de La Ingeniería: Mathieu Kessler

Cargado por

Copyright:

Formatos disponibles

Mtodos

de que minimiza la suma de cuadrados, introduzcamos unos cuantos terminos:

, x) se llama la curva ajustada.

h, Y = t, y buscaremos ajustar una recta y = ax.

Si introducimos las variables transformadas Y

2. Ajustamos una recta a las variables transformadas, encontramos y

= ln(Y ) 1.07 1.31 1.82 1.85

+0,682, es decir que ln(y) = 0,148x+0,682, lo que

Introducimos las variables transformadas Y

= ln(X), estas satisfacen

. Seguimos los mismos pasos que en el apartado

= ln(Y ) 2.3 2.6 2.9 3.2

+ 2,006, es decir que ln(y) = 0,298 ln(x) + 2,006,

si y solo si No Ocurre A. En nuestro ejemplo, A

Finalmente, la desviacion tpica se dene como la raz cuadrada de la varianza

), o que es mucho menos probable

III.4 Variable continua 59

sigue una distribucion Normal con media 0 y varianza 1.

A(0, 1) se llama tipicar la variable X,

n, es decir 8/2 = 4. En particular si es efectivamente

n, en nuestro caso, 60.4.

n, en nuestro caso, 49.6.

n se llama termino de error.

n] es un intervalo aleatorio, puesto

n], me equivoque. Sin embargo, esta probabilidad , el

X, es facil comprobar que

n 0,3, sabiendo que = 0,5, y = 0,05. Obtengo

Esta es la distribucion que utilizaremos para calcular la potencia a partir de la

También podría gustarte