Estadistica PARA Ingenieros

Apuntes de Estadstica para Ingenieros
Versin 1.3, junio de 2012
Prof. Dr. Antonio Jos Sez Castillo Dpto de Estadstica e Investigacin Operativa Universidad de Jan
Esta obra est bajo una licencia Reconocimiento-No comercial-Sin obras derivadas 3.0 Espaa de Creative Commons. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/es/ o envie una carta a Creative Commons, 171 Second Street, Suite 300, San Francisco, California 94105, USA.

Prof. Dr. Antonio Jos Sez Castillo Departamento de Estadstica e Investigacin Operativa Universidad de Jan
Versin 1.3 Junio de 2012
Dpto de Estadstica e I.O. Universidad de Jan
Prof. Dr. Antonio Jos Sez Castillo
ndice general
1. Introduccin
IFIF u signi( istdstic F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFPF v istdsti en el mito de l gieni y l sngenier F F F F F F F F F F F F F F F F F F F F F IFPFIF ijemplo de ls ps de xido de siliio F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFPF ijemplo de l omill de jo onsumo F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFQF ijemplo de los niveles de plomo F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFRF ijemplo de los ojinetes F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFSF ijemplo de l sorin de un ompuesto distints dosis y en distintos tiempos de sorin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFTF ijemplo de los identes lorles F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFPFUF ijemplo de l oertur de l nten de telefon mvil F F F F F F F F F F F F F F F F F IFPFVF ijemplo de l sel letori F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFQF he(niiones sis F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F
11
II IP IP IP IR IR IR IS IS IS IS
I Estadstica descriptiva
2. El tratamiento de los datos. Estadstica descriptiva
PFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFPF ipos de dtos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFQF wtodos gr(os y numrios pr desriir dtos ulittivos F F F F F F F F F F F F F F F F F F PFRF wtodos gr(os pr desriir dtos untittivos F F F F F F F F F F F F F F F F F F F F F F F F PFSF wtodos numrios pr desriir dtos untittivos F F F F F F F F F F F F F F F F F F F F F F PFSFIF wedids de tendeni entrl F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFIFIF wedi F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFIFPF wedin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFIFQF wod o intervlo modl F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFPF guntiles F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFQF wedids de vriin o dispersin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F Q
17
19
IW IW PH PI PS PS PS PT PT PU PV
PFSFQFIF rinz muestrl F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFQFPF hesviin tpi o estndr muestrl F F F F F F F F F F F F F F F F F F F F F F PFSFQFQF goe(iente de vriin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFSFRF wedids de formF goe(iente de simetr F F F F F F F F F F F F F F F F F F F F F F F F PFSFSF rmetros muestrles y prmetros polionles F F F F F F F F F F F F F F F F F F F F PFTF wtodos pr detetr dtos untittivos tpios o fuer de rngo F F F F F F F F F F F F F F PFTFIF wedinte l regl empri F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFTFPF wedinte los perentiles F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PFUF ore el ejemplo de ls ps de dixido de siliio F F F F F F F F F F F F F F F F F F F F F F F F F
PV PW QH QI QP QQ QQ QQ QR
II Clculo de Probabilidades
3. Probabilidad
QFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFPF ixperimentos letorios y experimentos determinstios F F F F F F F F F F F F F F F F F F F F F QFQF he(niin de proilidd F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFQFIF lger de onjuntos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFQFPF ispio muestrl F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFQFQF punin de proilidd F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFRF snterpretin freuentist de l proilidd F F F F F F F F F F F F F F F F F F F F F F F F F F F QFSF snterpretin sujetiv de l proilidd F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFTF ispio muestrl on resultdos equiprolesF prmul de vple F F F F F F F F F F F F F F QFUF roilidd ondiiondF sndependeni de suesos F F F F F F F F F F F F F F F F F F F F F F F QFVF eorem de l proilidd totl y eorem de fyes F F F F F F F F F F F F F F F F F F F F F F QFWF ws sore el eorem de fyes F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFWFIF ijemplo del juez F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFWFPF ijemplo de l mquin de detein de fllos F F F F F F F F F F F F F F F F F F F F F F F
37
39
QW RH RH RH RI RQ RS RS RT RT SI SS ST SU
4. Variable aleatoria. Modelos de distribuciones de probabilidad

RFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFPF rile letori disret F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFPFIF he(niin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFPFPF punin ms de proilidd F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFPFQF punin ms de proilidd empri F F F F F F F F F F F F F F F F F F F F F F F F F F RFPFRF wedi y vrinz de un vrile letori disret F F F F F F F F F F F F F F F F F F F F RFQF wodelos de distriuiones de proilidd pr vriles disrets F F F F F F F F F F F F F F F RFQFIF histriuin inomil F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F
61
TI TP TP TP TQ TQ TR TS
RFQFPF histriuin de oisson F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFQFQF histriuin geomtri F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFQFRF histriuin inomil negtiv F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRF rile letori ontinu F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFIF he(niin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFPF ristogrm F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFQF punin de densidd F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFRF punin de distriuin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFSF punin de distriuin empri F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFRFTF wedi y vrinz de un vFF ontinu F F F F F F F F F F F F F F F F F F F F F F F F F F F RFSF wodelos de distriuiones de proilidd pr vriles ontinus F F F F F F F F F F F F F F F RFSFIF histriuin uniforme @ontinuA F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFSFPF histriuin exponenil F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFSFQF histriuin qmm F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFSFRF histriuin norml F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFTF guntiles de un distriuinF epliiones F F F F F F F F F F F F F F F F F F F F F F F F F F F F RFTFIF v omill de jo onsumo mr exi F F F F F F F F F F F F F F F F F F F F F F F F RFTFPF vs visits l peditr de los pdres preoupdos F F F F F F F F F F F F F F F F F F F F F
TV UH UI UQ UQ UQ US UT UU UV VP VP VP VR VT WP WQ WR
5. Variables aleatorias con distribucin conjunta

SFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F SFPF histriuiones onjuntD mrginl y ondiiond F F F F F F F F F F F F F F F F F F F F F F F F F SFPFIF histriuin onjunt F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F
97
WU WW WW
SFPFPF histriuiones mrginles F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IHI SFPFQF histriuiones ondiionds F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IHQ SFQF sndependeni estdsti F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IHU SFRF wedisD vrinzs y ovrinzs soids un vetor letorio F F F F F F F F F F F F F F F F F III SFRFIF govrinz y oe(iente de orrelin linel F F F F F F F F F F F F F F F F F F F F F F F III SFRFPF etor de medis y mtriz de vrinzsEovrinzs de un vetor F F F F F F F F F F F F IIV SFSF histriuin norml multivrinte F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IIW
III Inferencia estadstica

6. Distribuciones en el muestreo
125
127
TFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IPU TFPF wuestreo letorio F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IPV TFQF histriuiones en el muestreo F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IPV TFRF histriuiones en el muestreo relionds on l distriuin norml F F F F F F F F F F F F F F IPW
7. Estimacin de parmetros de una distribucin
133
UFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IQQ UFPF istimin puntul F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IQR UFPFIF he(niin y propieddes deseles de los estimdores puntules F F F F F F F F F F F F F IQR UFPFPF istimin de l medi de un vFF v medi muestrl F F F F F F F F F F F F F F F F F F IQS UFPFQF istimin de l vrinz de un vFF rinz muestrl F F F F F F F F F F F F F F F F F IQS UFPFRF istimin de un proporin polionl F F F F F F F F F F F F F F F F F F F F F F F F F IQU UFPFSF ytenin de estimdores puntulesF wtodos de estimin F F F F F F F F F F F F F F F IQV UFPFSFIF wtodo de los momentos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IQV UFPFSFPF wtodo de mxim verosimilitud F F F F F F F F F F F F F F F F F F F F F F F F F IQW UFPFTF l resumen de los estimdores de los prmetros de ls distriuiones ms omunes IRP UFQF istimin por intervlos de on(nz F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IRP UFQFIF sntervlos de on(nz pr l medi F F F F F F F F F F F F F F F F F F F F F F F F F F F F IRR UFQFPF sntervlos de on(nz pr un proporin F F F F F F F F F F F F F F F F F F F F F F F F IRT UFQFQF sntervlos de on(nz pr l vrinz F F F F F F F F F F F F F F F F F F F F F F F F F F IRT UFQFRF ytros intervlos de on(nz F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IRU UFRF esoluin del ejemplo de los niveles de plomo F F F F F F F F F F F F F F F F F F F F F F F F F F IRV
8. Contrastes de hiptesis paramtricas
149
VFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IRW VFPF irrores en un ontrste de hiptesis F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISI VFQF pEvlor de un ontrste de hiptesis F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISQ VFQFIF he(niin de pEvlor F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISQ VFQFPF glulo del pEvlor F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISS VFRF gontrste pr l medi de un polin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IST VFRFIF gon muestrs grndes @n 30A F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IST VFRFPF gon muestrs peques @n < 30A F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISV VFSF gontrste pr l difereni de medis de poliones independientes F F F F F F F F F F F F F F ISW VFSFIF gon muestrs grndes @n1 , n2 30A F F F F F F F F F F F F F F F F F F F F F F F F F F F F ISW VFSFPF gon muestrs peques @n1 < 30 o n2 < 30A y vrinzs igules F F F F F F F F F F F F F ITH VFSFQF gon muestrs pequesD vrinzs distints y mismo tmo muestrl F F F F F F F F F ITI VFSFRF gon muestrs pequesD vrinzs distints y distinto tmo muestrl F F F F F F F F ITI VFTF gontrste pr l difereni de medis de poliones preds F F F F F F F F F F F F F F F F ITP VFTFIF gon muestrs grndes @n 30A F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ITP VFTFPF gon muestrs peques @n < 30A F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ITP VFUF gontrste pr l proporin en un polin F F F F F F F F F F F F F F F F F F F F F F F F F F ITR VFVF gontrste pr l difereni de proporiones F F F F F F F F F F F F F F F F F F F F F F F F F F F F ITT
VFWF gontrste pr l vrinz de un polin F F F F F F F F F F F F F F F F F F F F F F F F F F F F ITU VFIHF gontrste pr el oiente de vrinzs F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F ITU VFIIF gontrste pr ls medis de ms de dos poliones independientesF exye F F F F F F F F F ITV VFIPF il prolems de ls prues mltiplesF wtodo de fonferroni F F F F F F F F F F F F F F F F F F IUI VFIQF esoluin del ejemplo del del dimetro de los ojinetes F F F F F F F F F F F F F F F F F F F F F IUP
9. Contrastes de hiptesis no paramtricas
173
WFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IUQ WFPF gontrstes de ondd de juste F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IUQ WFPFIF est 2 de ondd de juste F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IUR WFPFPF est de uolmogorovEmirno' F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IUV WFQF gontrste de independeni 2 F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IUW WFRF esoluin del ejemplo de los identes lorles F F F F F F F F F F F F F F F F F F F F F F F F F IVQ
10.Regresin lineal simple
185
IHFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IVS IHFPF istimin de los oe(ientes del modelo por mnimos udrdos F F F F F F F F F F F F F F F F IVV IHFQF upuestos diionles pr los estimdores de mnimos udrdos F F F F F F F F F F F F F F F IWP IHFRF snferenis sore el modelo F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IWQ IHFRFIF snfereni sore l pendiente F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IWQ IHFRFPF snfereni sore l ordend en el origen F F F F F F F F F F F F F F F F F F F F F F F F F F IWU IHFSF il oe(iente de orrelin linel F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F IWW IHFTF piilidd de l ret de regresinF il oe(iente de determinin linel F F F F F F F F F F F F PHP IHFUF rediin y estimin prtir del modelo F F F F F F F F F F F F F F F F F F F F F F F F F F F F PHQ IHFVF hignosis del modelo F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PHT IHFVFIF xormlidd de los residuos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PHT IHFVFPF qr( de residuos frente vlores justdos F F F F F F F F F F F F F F F F F F F F F F F PHT
IV Procesos aleatorios
11.Procesos aleatorios
209
211
IIFIF sntroduin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PII IIFIFIF he(niin F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIP IIFIFPF ipos de proesos letorios F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIP IIFPF hesripin de un proeso letorio F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIS IIFPFIF hesripin estdsti medinte distriuiones multidimensionles F F F F F F F F F F F PIS IIFPFPF punin medi y funiones de utoorrelin y utoovrinz F F F F F F F F F F F F F PIS IIFQF ipos ms omunes de proesos letorios F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIU
IIFQFIF roesos independientes F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIU IIFQFPF roesos on inrementos independientes F F F F F F F F F F F F F F F F F F F F F F F F F PIV IIFQFQF roesos de wrkov F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIV IIFQFRF roesos dilmente estionrios F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PIW IIFQFSF roesos ergdios F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PPI IIFRF ijemplos de proesos letorios F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PPP IIFRFIF uidos lnos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PPP IIFRFPF roesos gussinos F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PPQ IIFRFQF roesos de oisson F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F PPR
Prlogo
il ojeto fundmentl de l ediin de este doumento es filitr los lumnos de ingenier de l isuel olitni uperior de vinres el desrrollo de los ontenidos terios de l signtur EstadsticaF hesde un punto de vist menos lolD espero que se tilD en lgun medidD todo quel que neesite onoimientos sios de ls tnis estdstis ms usules en el miente ient(oEtenolgioF e todos ellosD lumnos y letores en generlD quiero filitrles el privilegio de prender de quienes yo he prendidoD sugirindoles utro mnules que pr m hn sido referenis fundmentlesF e trtD en primer lugrD del mgn(o liro de heldon wF ossD
Introduccin a la EstadsticaF
in l puede enontrrse l
myor prte de lo que vmos estudir quD explido de form senill y lrD pero tmin omentrios histriosD reses iliogr(s sore mtemtios y estdstios relevntes y ejemplos muy propidosF in segundo lugrD reomiendo los trjos de illim xvidiD ty hevoreD
Estadstica para ingenieros y cientcosD
Probabilidad y estadstica para ingeniera y cienciasD
sore todo por l tulidd de muhos

Probabilidad
de sus ejemplos y por mo enftizn el rter plidoD prtioD de l istdsti en el mito de l gieni y l enologF pinlmenteD deo menionr tmin el liro de wendenhl 8 inihD
y Estadstica para Ingeniera y CienciasD
que inluyeD omo los dos nterioresD unos ejemplos y ejeriios
propuestos mgn(osF in el tul ontexto del ispio iuropeo de iduin uperiorD l signtur Estadstica tieneD en l myor prte de los grdos en ingenierD un rter sio y un dotin de T rditos igF es ourreD por ejemploD en ls rms de industriles o teleomuniiones que se imprten en l niversidd de tnF ytrs rmsD omo l de ingenier ivilGminerD hn optdo por inluirl omo signtur oligtoriD omprtid on un signtur de mpliin de mtemtis en l que se proponen Q rditos ig de estdstiF gon todoD reo que estos puntes pueden dptrse esos distintos ontextosD lrndo qu tems pueden ser ms deudos pr d titulinF in onretoX IF r ls distints espeiliddes de l rm de industriles sern oportunos los ptulos ID PD QD RD TD UD VD W y IHF il ptulo WD sore ontrstes no prmtrios puede drse modo de seminrioD si el desrrollo de l doeni s lo sugiereF in emrgoD el ptulo IHD sore regresin linel simpleD me pree impresindile en l formin de un futuro ingeniero industrilF PF in los grdos de l rm de teleomuniionesD reo que son neesrios los ptulos ID PD QD RD SD TD UD V y IIF esult s el temrio quiz ms exigenteD deido l neesidd de introduir un ptulo sore vetores letorios previo otro sore proesos estostiosF ued iniitiv del doente l posiilidd de reortr lgunos spetos en los tems trtdos en rs her ms liger l rg doenteF QF pinlmenteD en los grdos de l rm ivil y minerD donde l dotin de rditos es menorD reo que W
son deudos los ptulos ID PD QD RD TD UD V y IHD si ien eliminndo lgunos de sus prtdosD uestin st que dejoD de nuevoD juiio del doenteF min sugiero que se trjen los prolems sore estos ptulos diretmente en el ontexto de uns prtis on ordendorF lo me qued pedir disulps de ntemno por ls errts queD prolementeD ontienen ests pginsF ys ruego que me ls hgis llegr pr orregirls en posteriores ediionesF vinresD junio de PHIPF
10
Captulo 1
Introduccin
vlegr un d en el que el rzonmiento estdstio ser tn neesrio pr el iuddno omo hor lo es l hilidd de leer y esriir rFqF ells @IVTTEIWRTA
Resumen. il ptulo inluye un introduin del trmino Estadstica y present los oneptos ms sios
reltivos poliones y muestrsF
Palabras clave: estdstiD polinD polin tngileD polin oneptulD vrileD muestrD muestr
letori simpleF
1.1. Qu signica Estadstica?

i usmos en el hiionrio de l el edemi ispol de l vengu @heiA el volo preen tres epiones de dih IF plr1 X
Estadstica
Estudio de los datos cuantitativos de la poblacin, de los recursos naturales e industriales, del trco o de cualquier otra manifestacin de las sociedades humanas.
PF QF
Conjunto de estos datos. Rama de la matemtica que utiliza grandes conjuntos de datos numricos para obtener inferencias basadas en el clculo de probabilidades.
rolemente el ms omn de los signi(dos onoidos de l plr se el segundoD y por ello solemos ver en los medios de omuniin que ulquier reopilin de ifrs referentes lgn sunto es llmdo @de form muy reduionistA
estadstica
estadsticasF
in emrgoD el vlor rel de l omo

Estadstica DescriptivaD
Estadstica
omo ieni tiene que ver muho ms on l primer y l terer
epin del heiF gonretmenteD el primero de los signi(dos se orresponde on lo que vmos estudir donde l istdsti se utiliz pr resumirD desriir y explorr dtosD y el
Inferencia EstadsticaD
terero on lo que denominremos
donde lo que se pretende medinte l istdsti
1 http://buscon.rae.es/draeI/SrvltGUIBusUsual?LEMA=estad %C3 %ADstica
II
es utilizr dtos de un onjunto reduido de sos pr inferir rterstis de stos l onjunto de todos ellosF
1.2. La Estadstica en el mbito de la Ciencia y la Ingeniera

il ppel de l istdsti en l gieni y l sngenier hoy en d es ruilD fundmentlmente porque l nlizr dtos reopildos en experimentos de ulquier tipoD se oserv en l myor de ls osiones que dihos dtos estn sujetos lgn tipo de inertidumreF il investigdor o el profesionl dee tomr deisiones respeto de su ojeto de nlisis sndose en esos dtosD pr lo ul dee dotrse de herrmients deudsF e ontinuin vmos desriir un serie de prolems prtios en los que se plnten situiones de este tipoF mos ponerle un nomre espe(o porque iremos menionndolos lo lrgo del ursoD onforme semos pes de responder ls uestiones que d uno de ellos dejn iertsF
1.2.1. Ejemplo de las capas de xido de silicio

il rtulo irgin ersus eyled fers for purne uli(tionX ss the ixpense tusti(edc @F gzitrom y tF eeeD en Statistical
Case Studies for Industrial Process ImprovementD
ee y sewD IWWUXVUEIHRA desrie
un proeso pr el reimiento de un p delgd de dixido de siliio sore pls de siliio que se usn en l friin de semiondutoresF in l preen dtos reltivos ls mediiones del espesorD en ngstroms @AAD de l p de xido pr prues relizds en PR plsX en onretoD se relizron W mediiones en d un de ls PR plsF vs pls se friron en dos series distintsD IP pls en d serieF ists pls ern de distintos tipos y se proesron en distints posiiones en el hornoD y que entre otros spetosD el propsito de l reopilin de los dtos er determinr si el espesor de l p de xido est fetdo por el tipo de pl y por l posiin en el hornoF or el ontrrioD el experimento se dise de tl mner que no se esper ningun difereni sistemti entre ls dos seriesF vos dtos se muestrn en l l IFIF vo primero que slt l vist l mirr esos dtos es que es muy omplido herse un ide glol de los resultdosF reen estr en torno WH AD pero on vriiones importntes respeto de ese vlorF elguns de ess vriiones son espeilmente llmtivs @UUFSD IHTFUD FFFAX qu ps en ess plsc in sumD es evidente que se he neesri un mner sistemti de nlizr los dtosD trtndo de desriirlos de form preis y ojetivD respondiendo ls pregunts que suyen en el diseo del experimentoX son ls dos series de experimentos homognesc fet el tipo de plc fet l posiin en el hornoc FFF

1.2.2. Ejemplo de la bombilla de bajo consumo

in el envoltorio de l omill mr exi de IR se (rm literlmente Lmpara
Duracin 8 aos F ahorradora de energa.
heo reonoer de que tengo mis dudsF r empezrD es que los V osD de repenteD l lmpr se rompec or otr prteD reo que todos nosotros hemos experimentdo el heho de que sts lmprs que supuestmente tienen un durin myor que ls trdiionles lmprs inndesentes @segn el envoltorioD V vees myorAD sin emrgoD se rompen on filiddF vuegoD qu quiere deir extmente el envoltorio l (rmr que su durin es de V osc
12
erie I I I I I I I I I I I I P P P P P P P P P P P P
l I P Q R S T U V W IH II IP I P Q R S T U V W IH II IP
WHFHH WIFVH WHFQH WPFTH WIFIH UTFIH WPFRH WIFQH WTFUH WPFHH WRFIH WIFUH WQFHH WIFRH WIFWH WHFTH WQFIH WHFVH VVFHH VVFQH WRFPH IHIFSH WPFVH WPFIH
WPFPH WRFSH WIFIH WHFQH VWFVH WHFPH WIFUH WHFIH WQFUH WRFTH WIFSH WUFRH VWFWH WHFTH WIFVH WIFQH WIFVH WIFSH WIFVH WTFHH WPFPH IHQFIH WHFVH WQFRH
WRFWH WQFWH WQFQH WPFVH WIFSH WTFVH WIFTH WSFRH WQFWH WQFUH WSFQH WSFIH WQFTH WPFPH WPFVH WRFWH WRFTH WIFSH WHFSH WPFVH WSFVH IHQFPH WPFPH WRFHH
WPFUH UUFQH WQFSH WIFTH WIFSH VRFTH WIFIH VWFTH VUFWH WRFHH WPFVH WTFUH VWFHH WIFWH WTFRH VVFQH VVFWH WIFSH WHFRH WQFUH WPFSH IHQFSH WIFUH WRFUH
A WIFT WPFH VUFP WPFU WHFT WQFQ VVFH WHFU WHFR VWFQ WQFR UUFS WQFT WPFR WQFV VUFW WHFH WRFH WHFQ VWFT WIFH WTFI VWFH WHFV
VVFPH VWFWH VVFIH WIFUH WQFIH WSFUH WPFRH WSFVH WPFHH WHFIH WPFPH WIFRH WHFWH VUFTH VTFSH WPFPH WUFWH WIFHH WIFSH VWFTH WIFRH IHPFSH VVFSH WPFIH
WPFHH VUFWH WHFIH VWFQH VVFWH WHFWH VVFUH WIFUH WHFSH WIFQH VWFRH WHFSH VWFVH VVFWH WPFUH WHFUH WPFIH WPFIH VWFRH WHFPH WPFVH IHPFHH VUFSH WIFPH
WVFPH WPFVH WIFWH WSFSH WPFSH IHHFQH WPFWH WUFWH WSFPH WPFUH WRFSH WSFPH WPFRH WHFWH WHFWH WIFQH WIFTH WIFVH WQFPH WSFQH WQFTH IHTFUH WQFVH WPFQH
WTFHH WQFQH WRFSH WQFTH WPFRH WSFPH WPFTH WSFUH WRFQH WRFSH WSFRH WQFIH WQFHH WPFVH WPFVH WQFTH WVFRH WRFHH WQFWH WQFHH WIFHH IHSFRH WIFRH WIFIH
gudro IFIX htos del espesor de ls ps de xido de siliio
13
in reliddD nosotros deeremos prender nlizr este prolemD sumiendo que l durin de est omill no es un vlor (jo y onoidoD sino que est sujeto inertidumreF vo que hremos ser dotrnos de un modelo mtemtio que nos permit vlorr si es prole o no que un lmpr exi se romp ntes de un oD despus de tres osD etF
1.2.3. Ejemplo de los niveles de plomo

n rtulo pulido en
Journal of Environmental Engineering
en PHHPD tituldo vehte from vnd hisE
posed esidentil gonstrution steD present un estudio de l ontminin en sureros que ontienen desehos de onstruin y desperdiios de demoliionesF he un sitio de prue se tomron RP muestrs de lixidoD de ls ules PT ontienen niveles detetles de plomoF e pone s de mni(esto que slo un prte de los sureros est ontmind por plomoF v uestin es qu proporin supone est prte ontmind de l super(ie totl de los surerosc i un ingenier dese otener prtir de esos dtos un estimin de l proporin de los sureros que ontiene niveles detetles de plomo dee ser onsiente de dos uestionesX IF is imposile nlizr todos los rinones de todos los surerosF PF i se s slo en los dtos del rtuloD es estimin ser slo esoD un estimin sd en es muestrD que es de slo RP dtosF heerD por tnto otener tmin un estimin del error que est ometiendo l her l estiminF gon mos resultdosD l estimin en s y un unti(in del error que podr ometer on ellD inluso podr otener un rngo donde l verdder proporin se enuentrD on un lto nivel de on(nzF
1.2.4. Ejemplo de los cojinetes

n ingeniero industril es responsle de l produin de ojinetes de ols y tiene dos mquins distints pr elloF ve interes que los ojinetes produidos tengn dimetros similresD independientemente de l mquin que los produeD pero tiene sospehs de que est produiendo lgn prolem de flt de lirin entre ellsF r nlizr est uestinD extre un muestr de IPH ojinetes que se friron en l mquin eD y enuentr que l medi del dimetro es de SFHTV mm y que su desviin estndr es de HFHII mmF eliz el mismo experimento on l mquin f sore TS ojinetes y enuentr que l medi y l desviin estndr sonD respetivmenteD SFHUP mm y HFHHU mmF uede el ingeniero onluir que los ojinetes produidos por ls mquins tienen dimetros medios signi(tivmente diferentesc
1.2.5. Ejemplo de la absorcin de un compuesto a distintas dosis y en distintos tiempos de absorcin

n equipo de investigdores que trjn en seguridd en el trjo est trtndo de nlizr mo l piel sore un ierto omponente qumio peligrosoF r elloD olo diferentes volmenes del ompuesto qumio sore diferentes segmentos de piel durnte distintos intervlos de tiempoD midiendo l o de ese tiempo el porentje de volumen sorido del ompuestoF il diseo del experimento se h relizdo pr que l interin esperle entre el tiempo y el volumen no in)uy sore los resultdosF vos dtos se mostrrn en el ltimo temF
14
vo que los investigdores se uestionn es si l ntidd de ompuesto por un ldo y el tiempo de exposiin l que se somete por otroD in)uyen en el porentje que se soreF he ser sD ser interesnte estimr el porentje de sorin de persons que se sometn un exposiin de un determind ntiddD por ejemploD durnte V horsF
1.2.6. Ejemplo de los accidentes laborales

in un empres se sospeh que hy frnjs horris donde los identes lorles son ms freuentesF r estudir este fenmenoD ontilizn los identes lorles que sufren los trjdores segn frnjs horrisD durnte un oF vos resultdos preen en l tlF rors del d VEIH hF IHEIP hF IQEIS hF ISEIU hF xmero de identes RU SP SU TQ
gon es informinD los responsles de seguridd de l empres deen deidir si hy frnjs horris donde los identes son ms proles o siD por el ontrrioD stos ourren solutmente l zrF
1.2.7. Ejemplo de la cobertura de la antena de telefona mvil

eduiendo muho el prolemD supongmos que un nten de telefon mvil tiene un oertur que r ulquier mvil dentro de un rulo de rdio rF n ingeniero puede suponer que un telfono onreto puede estr situdo en
cualquier punto al azar
de ese ruloD pero mo plsmr esoc or ejemploD

igualmente probable c
si nos entrmos en l distni l ntenD ulquier distni es deir de ls oordends en un momento onreto del mvilc
qu podemos
1.2.8. Ejemplo de la seal aleatoria

in el ontexto de ls teleomuniionesD ulquier sel dee onsiderrse letoriD es deirD dee tenerse en uent que undo l oservmosD prte de ell es deid l inertidumre inherente ulquier proeso de omuniinF es queD por multitud de rzonesD ndie tiene grnts que l sel envid se extmente igul l sel reiidF n ingeniero dee tener en uent eso yD pesr de todoD ser pz de nlizr ls propieddes ms relevntes de ulquier sel y de estudir su omportmiento en ulquier momento del proeso de omuniinF or ejemploD hoy en d un sel sufre multitud de trnsformiones en el proeso de omuniinF gd un de ess trnsformiones se onsider el resultdo del pso de l sel por un sistemF il ingeniero dee ser pz de onoer ls rterstis ms relevntes de l sel lo lrgo de tods ess trnsformionesF
1.3. Deniciones bsicas

r (nlizr este primer tem de introduinD vmos ir (jndo ls de(niiones ms elementles que utilizremos lo lrgo del urso y que y hn sido motivds en l introduin de los ejemplos nterioresF
15
e denomin
poblacin un onjunto de individuos o sosD ojetivo de nuestro intersF
odemos distinguir entre poliones tngiles y poliones oneptulesF n polin es
tangible si onst de elementos fsios reles que formn un onjunto (nitoF
or ejemploD si estmos onsiderndo el estudio de l ltur de los lumnos de l isuelD el onjunto de estos lumnos es un polin tngileF n polin experimentoF or ejemploD undo plntemos ls prues sore pls de siliioD vemos que hy tntos sos omo prueE s puedn herseD lo que supone un onjunto in(nito de sosF in poliones oneptules es imposileD por tntoD onoer todos los sosD y tenemos que onformrnos on muestrs de los mismosF n
conceptual no tiene elementos relesD sino que sus sos se otienen por l repetiin de un
variable o dato es un rtersti onret de un polinF
or ejemploX i onsidermos l polin de todos los lumnos de l isuelD podemos (jrnos en l vrile alturaF i onsidermos el supuesto de ls prues sore pls de siliioD podemos onsiderr l vrile espesor
de la capa de xido de silicio generadaF
e denomin
muestra ulquier suonjunto de dtos seleiondos de un polinF representen l onjunto de todos los elementos de l polinF ist uestinD l aleatorias
il ojetivo de un muestrD y se en un polin tngile o en un polin oneptul es que los elementos de l muestr
onstruin de muestrs deudsD representtivsD es uno de los spetos ms delidos de l istdstiF xosotros vmos onsiderr en est signtur slo un tipo de muestrsD denominds muestras
simplesF
in un muestr letori simpleD todos los elementos de l polin deen tener ls misms
posiiliddes de slir en l muestr yD demsD los elementos de l muestr deen ser independientesX el que slg un resultdo en l muestr no dee fetr que ningn otro resultdo slg en l muestrF or ejemploD podrmos estr interesdos en l polin de todos los espoles on dereho voto @polin tngileD pero enormeAD de los que querrmos onoer un dto o vrileD su intenin de voto en ls prxims eleiones generlesF hdo que estmos hlndo de millones de personsD prolemente deeremos esoger un muestrD es deirD un suonjunto de espoles los que se les relizr un enuestF i queremos que es muestr se letori simpleD deeremos tener uiddo de que todos los espoles on dereho voto tengn ls misms posiiliddes de er en l muestr y de que l respuest de un entrevistdo no fete l de ningn otroF gomo not uriosD sed que l myor de ls enuests nionles se hen v telefniD lo ul es un peque violin de ls hiptesis de muestr letori simpleD y que hy espoles on dereho voto que no tienen telfonoD luego es imposile que slgn en l muestrF
16
Parte I
Estadstica descriptiva
IU
Captulo 2
El tratamiento de los datos. Estadstica descriptiva
is un error pitl el teorizr ntes de poseer dtosF snsensilemente uno omienz lterr los hehos pr enjrlos en ls teorsD en lugr enjr ls teors en los hehos herlok rolmes @eF gF hoyleAD en
Un escndalo en Bohemia
Resumen. in este ptulo prenderemos mtodos pr resumir y desriir onjuntos de dtos trvs de
distintos tipos de tlsD gr(os y medids estdstisF
Palabras clave:
dtos untittivosD dtos ulittivosD dtos disretosD dtos ontinuosD distriuin de
freuenisD digrm de rrsD digrm de setoresD histogrmD mediD medinD modD untilesD vrinzD desviin tpiD simetrD dtos tpiosF
2.1. Introduccin
ytenidos trvs de enuestsD experimentos o ulquier otro onjunto de medidsD los dtos estdstios suelen ser tn numerosos que resultn prtimente intiles si no son resumidos de form deudF r ello l istdsti utiliz tnto tnis gr(s omo numrisD lguns de ls ules desriimos en este ptuloF odemos deir que existe un lsi(inD un tnto rti(ilD de los dtosD segn se re(ern un polin tngileD en uyo so se onoern todos los sosD o un polin oneptulD en uyo so slo se onoer un muestr @letori simpleAF in emrgoD est lsi(in no tiene ningn efeto en lo reltivo lo que vmos estudir en este ptuloF
2.2. Tipos de datos

vos dtos @o vrilesA pueden ser de dos tiposX
cuantitativos y cualitativos.
IW
cuantitativos son los que representn un ntidd re)ejd en un esl numriF e su vezD pueden lsi(rse omo dtos cuantitativos discretos si se re(eren l onteo de lgun rterstiD o dtos cuantitativos continuos si se re(eren un medidF
vos dtos vos dtos
cualitativos o categricos se re(eren rterstis de l polin que no pueden soirse
ntiddes on signi(do numrioD sino rterstis que slo pueden lsi(rseF
Ejemplo. emos lgunos ejemplos de d uno de estos tipos de vrilesX

in el ejemplo del xido de siliioD l vrile in el ejemplo de los ojinetesD el
espesor
es untittiv ontinuF es un vrile untittiv ontinuF
dimetro de los cojinetes
in el ejemplo de los niveles de plomoD se est nlizndo si un muestr ontiene niveles detetE les o noF e trtD por tntoD de un vrile ulittiv on dos tegorsX
detectables s contiene niveles
no contiene niveles detectablesF de accidentes laborales
in el ejemplo de los identes lorlesD l vrile nmero
es untittiv
disretD mientrs que ls frnjs horris onstituyen un vrile ulittivF
2.3. Mtodos grcos y numricos para describir datos cualitativos

v form ms senill de desriir de form numri un vrile ulittiv es determinr su distriuin de freuenisF or su prteD est distriuin de freuenis determin su vez ls representiones gr(s ms usulesF upongmos que tenemos un vrile ulittivD que tom un serie de posiles vlores @tegorsAF il nmero de vees que se d d vlor es l nmero de vees nos (jmos en l proporin de veesD tenemos l
distribucin de frecuencias de l vrileF i en vez de dr el distribucin de frecuencias relativasF
vs representiones gr(s ms usules son los digrms de rrs y los digrms de setoresF vos diagramas vos
de barras son un representin de d un de ls tegors de l vrile medinte un
rr olod sore el eje y uy ltur se l freueni o l freueni reltiv de dihs tegorsF
diagramas de sectores son rulos divididos en tntos setores omo tegorsD setores uyo ngulo
dee ser proporionl l freueni de d tegorF
20
gtegor s flgi prni pinlndi elemni rolnd tpn uei uiz istdos nidos yev
preueni xmero de retores nuleres R PP P U I II Q I RU WV
preueni reltiv roporin HFHRI HFPPS HFHPH HFHUI HFHIH HFIIP HFHQI HFHIH HFRVH IFHHH
gudro PFIX l de freuenisF
Ejemplo.
ommos omo polin los WV retores nuleres ms grndes en todo el mundoF xos
(jmos en l vrile o dto referente l ps donde estn lolizdosF vos dtos sern
Blgica, Blgica, Blgica, Blgica, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Francia, Finlandia, Finlandia, Alemania, Alemania, Alemania, Alemania, Alemania, Alemania, Alemania, Holanda, Japn, Japn, Japn, Japn, Japn, Japn, Japn, Japn, Japn, Japn, Japn, Suecia, Suecia, Suecia, Suiza, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos, Estados Unidos.
vs distriuiones de freuenis y de freuenis reltivs podemos resumirls en un
cuencias omo l que pree en el gudro PFIF

pigur PFI y l pigur PFP respetivmenteF
tabla de fre-
or su prteD ls representiones medinte digrms de rrs y setores de estos dtos preen en l
2.4. Mtodos grcos para describir datos cuantitativos

i tenemos un vrile untittiv disret y st tom poos vloresD podemos trtrl omo si fuer un vrile ulittivD lulr su distriuin de freuenis y diujr un digrm de rrsF
Ejemplo.
in un empres on den de montje donde se empquetn piezs en js se reliz
un estudio sore l lidd de produinF vos dtos siguientes informn sore el nmero de piezs defetuoss enontrds en un muestr de js exmindsX HHHHHHIIIIIIIIIPPPPPPPPPPQQQQQQQRRRRRRRSSSSTTTTTUUUVVW
21
Reactores nucleares. Pas de origen
10
20
30
40
Alemania
Blgica
EEUU
Finlandia
Francia
Holanda
Japn
Suecia
Suiza
pigur PFIX higrm de rrsF

Reactores nucleares. Pas de origen
EEUU
Blgica
Alemania
Suiza Suecia
Finlandia
Japn
Holanda Francia
pigur PFPX higrm de setoresF
il digrm de rrs soido preen en l pigur PFQF in emrgoD l myor de vriles untittivs son de tipo ontinuoD de mner que tomn demsidos vlores omo pr que l representin de su distriuin de freuenis se til1 F or ello el mtodo gr(o ms omn y trdiionl pr dtos untittivos es el histogrmF il histograma es un vrinte del digrm de rrs donde se grupn los vlores de l vrile en intervlos pr que estos intervlos tengn freuenis myores que unoF r otener un histogrm de form mnul deen seguirse los siguientes psosX IF glulmos el nmeroD N D de intervlos que vmos utilizrF e reomiend que se proximdmente igul l rz udrd del nmero de dtosF in emrgoD los progrms estdstios suelen utilizr otro mtodoD llmdo
Mtodo de SturgesD
en el que N = log2 n + 1 D donde n es el nmero de dtos y
[] es l funin prte enterF

1 Si toma muchos valores, muy probablemente la mayor parte de ellos slo aparezca una vez, por lo que la distribucin de frecuencias ser casi siempre constante e igual a 1.
22
Nmero de piezas defectuosas

10 0 2 4 6 8
pigur PFQX higrm de rrsF PF glulmos el rngoD RD del histogrmD que ser ligermente ms mplio que el rngo de los dtosF il histogrm dee omenzr en un nmero @xm A ligermente por dejo del mnimo de los dtos y terminr en un nmero @xM A ligermente por enim del mximoF il rngo del histogrm serD por tntoD R = xM xm F QF glulmos l longitudD LD de los intervlosD omo el oiente entre el rngo del histogrm y el nmero de intervlosD es deirD L =
R NF
RF e onstruyen los N intervlosX
I1 = [xm , xm + L) I2 = [xm + L, xm + 2L) I3 = [xm + 2L, xm + 3L) ... IN = [xm + N L, xM ).

SF r d intervloD ontmos el nmero de dtos que hy en lD es deirD l freueni del intervloF TF il histogrm es un digrm de rrs donde en el eje se olon los intervlos y sore ellos se onstruyen rrs uy ltur se l freueni o l freueni reltiv del intervloF in este soD ls rrs deen diujrse sin espio entre ellsF in osionesD en vez de tomr l freueni reltiv omo ltur de ls rrsD se tom dih freueni reltiv omo re de ls rrsX en ese soD se hl de un histogrm en esl de densiddF
Nota. or uestiones que detllremos ms delnte es importnte destr que el porentje de dtos
que e dentro de un intervlo es proporionl l re de l rr que se onstruye sore ese intervloF or ejemploD si el re de un rr es el QH 7 del re totl del intervloD entones el QH 7 de los dtos estn en diho intervloF
23
Tiempos de procesado
9 Frecuencia 1 0.00 2 3 4 5 6 7 8
0.96
1.92
2.88
3.84
4.80
pigur PFRX ristogrmF
or otr prteD qu psr si tommos un nmero muy grnde de dtosc il nmero de intervlos del histogrm ser tmin muy grndeD y ls rrs sern muy estrehsD de mner que en vez de preer un digrm de rrsD preer l gr( de un funin rel de vrile relF rlremos de est funin y del re dejo de ell en reveF or iertoD mo se lul el re jo est funinc
Ejemplo. vos dtos siguientes orresponden l tiempo neesrio pr proesr PS trjos en un gF

IFIU HFIS HFWP IFTI PFRI HFUS IFIT HFUI PFSW IFQV HFHP QFHU QFSQ IFSW IFR IFPQ HFIW QFUT HFVP IFWR HFRU HFWT PFIT RFUS PFHI
mos lulr un histogrm pr esos dtosF IF hdo que
25 = 5D utilizremos S intervlosF
PF il mnimo de los dtos es HFHP y el mximo RFUSD de mner que podemos onsiderr omo rngo del histogrm el intervlo [0, 4.8]D uy longitud @rngo del histogrmA es RFV. QF v longitud de los intervlos esD en ese soD RF gonstruimos los intervlosX
4.8 5
= 0.96F
I1 = [0, 0.96) I2 = [0.96, 1.92) I3 = [1.92, 2.88) I4 = [2.88, 3.84) I5 = [3.84, 4.8)
24
SF glulmos l distriuin de freueni soid esos intervlosX iempo de proesdo preueni V V S Q I
[0, 0.96) [0.96, 1.92) [1.92, 2.88) [2.88, 3.84) [3.84, 4.8)
TF pinlmenteD representmos el digrm de rrs @pigur PFRAF
2.5. Mtodos numricos para describir datos cuantitativos

is ierto que un digrm de rrs o un histogrm nos yudn tener un imgen de mo son los dtosD pero normlmente es neesrio omplementr es imgen medinte medids queD de form ojetivD desrin ls rterstis generles del onjunto de dtosF mos ver en este prtdo tres tipos de medidsD que simente responden tres preguntsX
estn los datos por dnde qu
@medids de posiinAD
cmo de agrupados estn los datos
@medids de dispersinA y
forma tienen los datos
@medids de formAF
2.5.1. Medidas de tendencia central

vs
medidas de tendencia central son medids de posiin que trtn de estleer un vlor que pued
el centro
onsiderrse
de los dtos en lgn sentidoF
2.5.1.1. Media
e un onjunto de dtos de un vrile untittivD x1 , ..., xn F v
media de los dtos es
x =
n i=1
xi
ist medid es l ms omn dentro de ls de tendeni entrl y orresponde l dtosF
centro de gravedad
de los
is inmedito ompror que si se reliz un mio de origen y esl sore los dtosD del tipo y = ax + bD l medi sufre el mismo mioD es deirD y = ax + bF he igul formD si tenemos dtos de l sum de dos o ms vrilesD l medi de l sum es l sum de ls medis de d vrileF
25
2.5.1.2. Mediana
e un onjunto de dtos de un vrile untittivD x1 , ..., xn F yrdenemos l muestr de menor myorD
x(1) , ..., x(n) F

v
mediana es el vlor de l vrile que dej el mismo nmero de dtos ntes y despus que lD un vez
ordendos estosF
il lulo de l medin depender de si el nmero de dtosD nD es pr o imprX i n es imprD l medin es el vlor que oup l posiin
n+1 2
un vez que los dtos hn sido ordendos
@en orden reiente o dereienteAD porque ste es el vlor entrlF is deirX Me = x( n+1 ) F 2 i n es prD l medin es l medi ritmti de ls dos oserviones entrlesF gundo n es prD los dos x n +x n ( 2 ) ( 2 +1) n dtos que estn en el entro de l muestr oupn ls posiiones n y +1 F is deirX M = F e 2 2 2 v medin orresponde extmente on l ide de vlor entrl de los dtosF he hehoD puede ser un vlor ms representtivo de stos que l mediD y que es ms un ejemploF
robusta
que l mediF emos qu signi( esto en
Ejemplo. gonsideremos los dtos siguientesX

0012345
u medi es
0+0+1+2+3+4+5 7
= 2.1429D y su medin PF
ero imginemos que por error o por sulidd otenemos un nuevo dto enormemente grnde en relin l resto de dtosD VHF in ese soD l medi ser
0 + 0 + 1 + 2 + 3 + 4 + 5 + 80 = 11.875 8
y l medin PFSF is deirD un solo dto puede desplzr enormemente l mediD hst onvertirl en un medid poo representtivD pero slo desplzr ligermente l medinF ise es el motivo por el que se die que l medin es un medid
robustaF
2.5.1.3. Moda o intervalo modal

in prinipio l
moda se de(ne omo el vlor ms freuente de los dtosF vo que ourre es que si stos son intervalo modalD qul on myor freueni soidF
dtos de un vrile ontinu o disret on muhos vloresD puede que los dtos pens se repitnF in ese soD en el queD omo vimos en ls representiones gr(sD se dee grupr por intervlosD no dee drse un vlor omo modD sino un
26
2.5.2. Cuantiles
vos
cuantiles son medids de posiin pero no neesrimente ligdos l centro
de los dtosF v ide l
que responden es muy senill y muy prtiF e trt de vlorr de form reltiv mo es un dto respeto del onjunto glol de todos los dtosF iD por ejemploD un nio de R os pes IQ kilosD est desnutridoc est snoc v respuest dee ser que
dependeF
hnde vive el nioc is importnte porqueD por ejemploD en istdos nidos los nios son en generl
ms grndes queD por ejemploD en tpnF uiz ms que el peso nos interese ser qu posiin reltiv tiene el peso del nio dentro de l polin de l que form prteF or ejemploD si nos dien que el nio est entre el I 7 de los nios que menos pesnD prolemente tiene un prolem de reimientoF il
cuantil p @Qp A de unos dtos (0 p 1)D ser un vlor de l vrile situdo de modo que el 100p % de
los vlores sen menores o igules que l y el resto @100(1 p) %A myoresF
xo ostnteD en l prti vmos enontrr un prolem pr enontrr untilesD sore todo on poos dtosX lo ms hitul es que no exist el vlor exto que deje l izquierd el 100p % de los vlores y el resto l derehF or ese motivoD los progrms estdstios utilizn uns frmuls de interpolin pr otener el vlor del until entre los dos vlores de los dtos que lo ontienenF in nuestro soD l hor de otener untilesD l pliin de ess frmuls de interpolin orrespondiente de l siguiente formX IF i el 100p % de nD donde n es el nmero de dtosD es un enteroD k D entones Qp =
x(k) +x(k+1) . 2
a mano
hrn muy lentos y pesdos
los lulosD por lo que vmos plir un onvenio muho ms senilloX proximremos el vlor del until
PF i el 100p % de n no es un enteroD lo redondemos l entero siguienteD k D y entones Qp = x(k) F xo olvidemosD sin emrgoD que los progrms estdstios vn utilizr ls frmuls de interpolin pr lulr el vlor de los untilesD de mner que no dee extrr si se oservn peques diferenis l omprr nuestros resultdos
a mano
on los de estos progrmsF
ixisten diversos nomres pr referirse lgunos tipos de untilesF intre ellosX vos
percentiles
son los untiles que dividen l muestr en IHH prtesD es deirD son los untiles
HFHI @perentil IAD HFHP @perentil PAD FFFD HFWW @perentil WWAF i notmos por P l perentil D on
= 1, 2, 3, ..., 99D se tiene que P = Q/100 F in istdsti hesriptiv es ms freuente hlr de

perentiles que de untiles porque se re(eren ntiddes entre H y IHHD en tnto por ientoD que son ms hitules de vlorr por todo el mundoF vos
cuartiles
dividen l polin en utro prtes igulesD es deirD orresponden los untiles
HFPSD HFS @medinA y HFUSF
Ejemplo. gonsideremos de nuevo los dtos orrespondientes l tiempo de proesdo de PS tres en un

gF ehor los hemos ordendo de menor myor @en S (lsAX
27
HFHP HFIS HFIW HFRU HFUI
HFUS HFVP HFWP HFWT IFIT
IFIU IFPQ IFQV IFRH IFSW
IFTI IFWR PFHI PFIT PFRI
PFSW QFHU QFSQ QFUT RFUS
mos lulr distints medids de posiin y omentrlsF in primer lugrD l medi es IFTQF v medin oup el lugr IQ en l muestr ordendD y su vlor es IFQVF ysrvese que l medi es lgo myor que l medinX esto es deido l preseni de lgunos vlores signi(tivmente ms ltos que el restoD omo pudimos ver en el histogrmF or su prteD el P25 o until HFPS oup l posiin UD y que el PS 7 de PS es TFPSF or tntoD P25 = 0.82F he igul formD P75 = Q0.75 = 2.16D el vlor que oup l posiin IWF odemos verD por tntoD que los vlores ms jos estn muy grupdos l prinipioD y se vn dispersndo ms onforme se hen ms ltosF
2.5.3. Medidas de variacin o dispersin

vs
medidas de variacin o dispersin estn relionds on ls medids de tendeni entrlD y que
lo que pretenden es unti(r mo de onentrdos o dispersos estn los dtos respeto ests medidsF xosotros nos vmos limitr dr medids de dispersin soids l mediF v ide de ests medids es vlorr en qu medid los dtos estn grupdos en torno l mediF ist uestin tn simple es uno de los motivos ms surdos de l ml prens que tiene l istdsti en l soiedd en generlF v gente no se f de lo que ellos llmn
la Estadstica
entre otros motivosD porque pree que todo
el mundo ree que un medi tiene que ser un vlor vlido pr todosD y eso es mterilmente imposileF
Ejemplo. ensemos en l medi del slrio de los espolesF in PHHS fue de IVFUSH euros l oF ehor ienD
es medi inluye tnto ls regiones ms desrrollds omo ls ms desfvoreids yD evidentementeD l ifr generr muho mlestr en grn prte de l polin @on tod seguriddD ms del SH 7AD uyo slrio est por dejoF
Ejemplo. ixiste un frse muy onoid que die que la Estadstica es el arte por el cul si un espaol se
come un pollo y otro no se come ninguno, se ha comido medio pollo cada uno F
is frse se us en muhs
osiones pr ridiulizr l istdstiD undo en relidd deer servir pr desreditr quien l dieD por su ignorniF ry que deir que l istdsti no tiene l ulp de que l gente espere de un medi ms de lo que es pz de drD ni de que muy po gente onoz medids de dispersin soids l mediF
2.5.3.1. Varianza muestral

hdos unos dtos de un vrile untittivD x1 , ..., xn D l
varianza muestral2 de esos dtos es

2
s2 n1 =
n i=1
(xi x ) . n1
28
Nota. r lulr a mano l vrinz result ms modo desrrollr un poo su frmulD omo vmos
verX
s2 n1 = =
x )2 = n1 n 2 2 i=1 xi nx . n1
n i=1 (xi
n i=1
x i=1 xi + nx 2 x2 i 2 = n1
n i=1
xnx + nx 2 x2 i 2 n1
gunto myor se l vrinz de unos dtosD ms dispersosD heterogneos o vriles son esos dtosF gunto ms peque se un vrinz de unos dtosD ms grupdos u homogneos son dihos dtosF
Ejemplo. n muestr letori simple de l ltur de S persons rroj los siguientes resultdosX
1.76 1.72 1.80 1.73 1.79
glulemos su medi y su vrinz muestrlF vo nio que neesitmos es

5 i=1
xi = 8.8 y
5 i=1
x2 i = 15.493F e prtir de estos dtosD
x =
y
8.8 = 1.76 5
s2 n1 =
15.493 5 1.762 = 0.00125 4
in lo que respet l omportmiento de l vrinz muestrl frente mios de origen y eslD slo le
2 2 fetn los segundosF is deirD si tenemos que y = ax + bD se veri( que s2 y ;n1 = a sx;n1 F
pinlmenteD si ien hmos omentdo que en el so de l mediD si tenemos l sum de vris vrilesD l medi totl es l sum de ls medis de d vrileD no ourre s on l vrinz en generlF
2.5.3.2. Desviacin tpica o estandar muestral

il prinipl prolem de l vrinz es su unidd de medidF or mo se de(ne siD por ejemploD l vrile se expres en kilosD l medi tmin se expres en kilosD pero l vrinz se expres en kilos2 D lo que he que se difil vlorr si un vrinz es muy elevd o muy pequeF
is por ello que se de(ne l
desviacin tpica o estandar muestral
de los dtos omo sn1 =
s2 n1 D
uy unidd de medid es l mism que l de l mediF
29
Nota. v egl impri

i el histogrm soido unos dtos tiene l form de un mpn o de un joroD el onjunto de dtos tendr ls siguientes rterstisD lo que en lgunos liros se onoe omo
Regla EmpricaX
IF eproximdmente el TV 7 de los dtos estr en el intervlo ( x sn1 , x + sn1 ) . PF eproximdmente el WS 7 de los dtos estr en el intervlo ( x 2sn1 , x + 2sn1 ) . QF gsi todos los dtos estrn en el intervlo ( x 3sn1 , x + 3sn1 ) .
pigur PFSX epresentin gr( de l regl empriF
2.5.3.3. Coeciente de variacin

gomo mos de deirD deemos proporionr d medi junto on lgun medid de dispersinD prefeE rentemente l desviin tpiF n form de vlorr en trminos reltivos mo es de dispers un vrile es preismente proporionr el oiente entre l desviin tpi y l medi @en vlor solutoAD lo que se onoe omo
coeciente de variacin.
hdo un onjunto de dtos de medi x y desviin tpi sn1 D se de(ne su coeciente
de variacin omo
CV =
sn1 . |x |
v prinipl ventj del oe(iente de vriin es que no tiene uniddes de medidD lo que he ms fil su interpretinF
30
Ejemplo. r los dtos de tiempo de proesdo en un g de PS tresD l vrinz es IFRPD luego su

desviin estndr es IFIWD y el oe(iente de vriin
1.19 1.63
= 0.73F or tntoD l desviin estndr es
lgo ms del UH 7 de l mediF isto indi que los dtos no estn muy onentrdos en torno l mediD prolemente deido l preseni de los vlores ltos que hemos omentdo ntesF
Nota.
il oe(iente de vriinD tl y omo est de(nidoD slo tiene sentido pr onjuntos de dtos
on el mismo signoD es deirD todos positivos o todos negtivosF i huier dtos de distinto signoD l medi podr estr prxim ero o ser eroD imposiilitndo que prez en el denomindorF
NotaF uele ser freuente el error de pensr que el oe(iente de vriin no puede ser myor que ID lo
ul es rigurosmente flsoF i lo expresmos en porentjeD el oe(iente de vriin puede ser superior l IHH 7 sin ms que l desviin tpi se myor que l mediD os stnte freuenteD por iertoF
NotaF e l hor de interpretr el oe(iente de vriin inmeditmente surge l pregunt de cundo

podemos decir que es alto y cundo que es bajo?
elmenteD no existe un respuest preisD sino que
depende del ontexto de los dtos que estemos nlizndoF iD por ejemploD estmos nlizndo unos dtos que por su nturlez deen ser muy homogneosD un oe(iente de vriin del IH 7 ser enormeD pero si por el ontrrio estmos nlizndo dtos que por su nturlez son muy vrilesD un oe(iente de vriin del IH 7 ser muy pequeoF or todo elloD lo reomendle es nlizr el oe(iente de vriin entendiendo su signi(do numrioD es deirD entendiendo que se re(ere l omprin de l desviin tpi on l mediD e interpretndo su vlor en relin l ontexto en el que estemos trjndoF
2.5.4. Medidas de forma. Coeciente de asimetra

vs
medidas de forma omprn l form que tiene l representin gr(D ien se el histogrm o el
digrm de rrs de l distriuinD on un situin ideal en l que los dtos se reprten en igul medid l dereh y l izquierd de l mediF is situin en l que los dtos estn reprtidos de igul form uno y otro ldo de l medi se onoe omo medinD su mod y su medi oinidenF or ontrD se die que un distriuin es asimtrica
simetraD y se die en ese so que l distriuin de los dtos es simtriF in ese soD demsD su a la derecha si ls freuenis @soluts o reltivsA asimtrica a la izquierdaF
desienden ms lentmente por l dereh que por l izquierdF i ls freuenis desienden ms lentmente por l izquierd que por l dereh diremos que l distriuin es r vlorr l simetr de unos dtos se suele utilizr el
coeciente de asimetra de FisherX

.
n )3 i=1 (xi x
As =
n1
s3 n1
31
ysrvese que pr evitr el prolem de l unidd y her que l medid se eslr y por lo tnto reltivD dividimos por el uo de su desviin tpiF he est form podemos vlorr si unos dtos son ms o menos simtrios que otrosD unque no estn medidos en l mism unidd de medidF v interpretin de este oe(iente de simetr es l siguienteX nto myor se el oe(iente en vlor solutoD ms simtrios sern los dtosF il signo del oe(iente nos indi el sentido de l simetrX i es positivo indi que l simetr es l derehF i es negtivoD indi que l simetr es l izquierdF
pigur PFTX porms tpis de distriuiones de dtosF
Ejemplo. r los dtos de tiempo de proesdo en un g de PS tresD el oe(iente de simetr

de pisher es HFWID lo queD omo hmos visto y omentdo on nterioriddD pone de mni(esto que l distriuin es simtri l derehD deido l preseni de tiempos de proesdo stnte ltos en relin l restoF
2.5.5. Parmetros muestrales y parmetros poblacionales

gundo se trj on un muestr de un polinD y se st tngile o oneptulD ls distints medids de posiinD dispersin y formD se denominn
parmetros muestralesF
ry que tener en uent que
prtimente siempre se trj on muestrsD y que o ien trjmos on poliones oneptules o on poliones tngiles @(nitsD por tntoAD pero on muhsimos elementosF prente estos prmetros muestrles se enuentrn los prmetros nlogos referidos tod l polinF istos prmetrosD llmdos parmetros
poblacionalesD sonD en generlD imposiles de onoer3 F or ejemE
ploD l medi polionl se lulr igul que l medi muestrl de unos dtosD pero plid l frmul todos los elementos de l polinF gomo eso es prtimente imposile de poner en l prtiD veremos
3 Salvo
en el caso de poblaciones nitas con pocos elementos.

32
en ptulos posteriores que los prmetros muestrles se utilizn en l prti pr proximr o estimr los prmetros polionlesF
2.6. Mtodos para detectar datos cuantitativos atpicos o fuera de rango

ry osiones en que un onjunto de dtos ontiene un o ms oserviones inconsistentes en lgn sentidoF or ejemploD en los dtos de tiempo de proesdo en un g de PS tresD supongmos que tenemos un oservin msD igul VSD deido que l g se loque y huo que reiniirlF iste dtoD que prolemente no deseemos inluirD es un ejemplo de so de dto tpio o vlor fuer de rngoF in generlD un oservin que es inusulmente grnde o peque en relin on los dems vlores de un onjunto de dtos se denomin
dato atpico o fuera de rangoF
istos vlores son triuilesD por lo generlD un de ls siguientes ussX IF il vlor h sido introduido en l se de dtos inorretmenteF PF il vlor proviene de un polin distint l que estmos estudindoF QF il vlor es orreto pero represent un sueso muy poo omnF e ontinuin vmos proponer dos mners de determinr si un dto es un vlor fuer de rngoF
2.6.1. Mediante la regla emprica

iste mtodo es deudo si el histogrm de los dtos tiene form de mpnD en uyo so podemos plir l regl empri pr detetr qu dtos estn fuer de los rngos
atpicos los lgicos
segn est reglF

se considerarn datos
egn ellD el WWFS 7 de los dtos estn en el intervlo [ x 3sn1 , x + 3sn1 ]D luego
xi
que no pertenezcan al intervalo
[ x 3sn1 , x + 3sn1 ] .
2.6.2. Mediante los percentiles

upongmos que tenemos un onjunto de dtos x1 , ..., xn F il proedimiento es el siguienteX IF e luln los urtiles primero y tereroD es deirD los perentiles PS y USD P25 y P75 F e lul el llmdo
rango intercuartlico
@IR o
RI AD
IR = P75 P25 F
PF e onsidern
datos atpicos quellos inferiores P25 1.5IR o superiores P75 + 1.5IRF
33
erie I erie P
wedis WPFHI WPFUR
hesvF pi QFTP QFUQ
g PSFRH PRFVT
goefF esimetr EIFUW IFUI
gudro PFPX esumen desriptivo de los dtos de ls pls de siliio
Ejemplo. mos ver si hy lgn dto tpio entre los dtos de tiempo de proesdo en un g de
PS tresF hdo que el histogrm no ten form de mpnD el mtodo de l regl empri no es el mtodo ms deudo pr l detein de vlores tpiosF or su prteD P50 = 1.38D P25 = 0.82 y P75 = 2.16F or tntoD IR = 2.16 0.82 = 1.34D y el intervlo fuer del l onsidermos vlores fuer de rngo es [0.82 1.5 1.34, 2.16 + 1.5 1.34] = [1.19, 4.17]F he est formD el vlor RFUS es un vlor fuer de rngoF ry un versin gr( de este mtodo pr detetr vlores tpios medinte los perentilesX se llm
diagrama de caja o diagrama de cajas y bigotes o @en inglsA boxplotF iste digrm inluye en un
gr(oX IF il vlor de l medin @o segundo urtilD Q2 AX ese es el entro de l jF
PF il vlor de los perentiles PS y USD urtiles primero y terero respetivmente @Q1 y Q3 AX son los ldos inferior y superior de l jF QF il digrm no represent los lmites P25 1.5 IR y P75 + 1.5 IRF in su lugrD sel los ltimos puntos no tpios por dejo @Li A y por enim @Ls AD es deirD sel el ltimo dto por enim de
P25 1.5 IR y el ltimo dto por dejo de P75 + 1.5 IRD y los represent omo
de l jF RF xormlmente represent on rulos los dtos tpiosF
bigotes
que slen
2.7. Sobre el ejemplo de las capas de dixido de silicio

estmos en ondiiones de responder en prte ls uestiones que quedron ltentes en el tem de introduin sore el ejemplo de ls pls de siliioF mos omenzr relizndo un resumen desriptivo de los dtosD seprndo por seriesD proporionndo mediD desviin tpiD oe(iente de vriin y oe(iente de simetrF odos estos resultdos preen en l l PFPF in primer lugrD es ierto queD omo puntmos en el tem de introduinD los vlores estn en torno WH @l medi es WP ms o menosAF edemsD vemos que s que hy un vriilidd moderd de los dtosD on un g en torno l PS 7D lo que indi queD l preerD ls distints ondiiones en que d mediin se relizD fetron en lgun medid el resultdoX todo esto es muy preliminr porque no tenemos l informin omplet de en qu ondiiones se relizron d un de ls mediionesF or el ontrrioD podemos oservr lgo muy llmtivoF vos dtos de l primer serie son lrmente simtrios l izquierd @oe(iente de
34
pigur PFUX hesripin de un digrm de jF puenteX httpXGGesFwikipediForgGwikiGhigrmdej simetri de EIFUWAD mientrs que los de l segund serie son lrmente simtrios l dereh @oe(iente de simetr de IFUIAF hdo que no er esperle que surgiern diferenis entre ls dos seriesD deemos preguntrnos qu psF r trtr de nlizr ms profundmente los dtosD vmos proporionr tmin los dos digrms de j de ms seriesF epreen en l pigur PFVF gon ellsD vmos resumir hor ls deisiones que los utores tomron en vist de los resultdos y ls onlusiones ls que llegronF ysrvese que ls diferenis entre ls series no fetn sorprendentemente l onjunto de ls muestrsD sino slo los vlores tpios que se ven en mos digrms de jF iso probara queD en efetoD no hy ningun difereni sistemti entre ls seriesF v siguiente tre es l de inspeionr los dtos tpiosF i mirmos on tenin los dtosD vemos que ls V mediiones ms grndes de l segund serie ourrieron en l pl IHF el ver este hehoD los utores del trjo inspeionron est pl y desurieron que se h ontmindo on un residuo de l pelulD lo que osion ess mediiones tn grndes del espesorF he hehoD los ingenieros eliminron es pl y tod l serie enter por rzones tnisF in l primer serieD enontrron tmin que ls tres mediiones ms js se hn deido un lirdor ml on(gurdoD por lo que ls eliminronF xo se pudo determinr us lgun l existeni de los dos dtos tpios restntesD por lo que permneieron en el nlisisF or ltimoD ntese que despus de este proeso de depurin de los dtos que el nlisis medinte istdsti hesriptiv h motivdoD l distriuin de los dtos tiene un evidente form de mpnF
35
pigur PFVX higrms de j de los dtos del espesor de ls ps de dixido de siliio
36
Parte II
Clculo de Probabilidades
QU
Captulo 3
Probabilidad
emos que l teor de l proilidd en el fondo slo es sentido omn reduido luloY nos he preir on extitud lo que ls mentes rzonles tomn por un tipo de instintoD inluso sin ser pes de drse uentFFF is sorprendente que est ieniD que surgi del nlisis de los juegos de zrD llegr ser el ojeto ms importnte del onoimiento humnoFFF vs priniples uestiones de l vid sonD en grn medidD meros prolems de proiliddF ierre imonD wrqus de vple
Resumen. il ptulo proporion un trtmiento de los experimentos uyos resultdos no se pueden predeir
on ertez trvs del onepto de proiliddF e nlizn ls propieddes de l proilidd y se introdue tmin el onepto de proilidd ondiiondD que surge undo un sueso modi( l signin de proiliddes previF
Palabras clave: experimento letorioD experimento determinstioD espio muestrlD suesoD proiliddD
proilidd ondiiondD independeni de suesosF
3.1. Introduccin
onsiderndo
probables quellos eventos en los que tenemos un lto grdo de reeni en su ourreniF in est lneD Probabilidad es un onepto soido l medid del azarF min pensmos en el zr
vinuldoD fundmentlmenteD on los juegos de zrD pero desde es pti tn reduid se nos espn otros muhsimos ejemplos de fenmenos de l vid otidin o soidos disiplins de distints ienis donde el zr jueg un ppel fundmentlF or itr lgunosX u nmero de uniddes de produin slen d d de un den de montjec xo existe un nmero (jo que pued ser onoido prioriD sino un onjunto de posiles vlores que podrn drseD d uno de ellos on un ierto grdo de ertezF gul es el tmo de un pquete de informin que se trnsmite trvs de rc xo existe en relidd un nmero (joD sino que ste es desonoido prioriF QW
in nuestr vid otidin soimos usulmente el onepto de
Probabilidad su li(tivo probable,
gul es l posiin de un ojeto detetdo medinte qc hiho sistem otieneD relmenteD un estimin de dih posiinD pero existen mrgenes de error que determinn un regin del plno donde el ojeto se enuentr on lt proiliddF u ruido se dhiere un sel que se env desde un emisor un reeptorc hependiendo de ls rterstis del nlD diho ruido ser ms o menos relevnteD pero su preseni no podr ser onoid prioriD y deer ser diferenid de l sel primitivD sin que se onoz stD teniendo en uent que se trt de un ruido
aleatorioF
in todos estos ejemplos el zr es un ftor insoslyle pr onoer el omportmiento del fenmeno en estudioF
3.2. Experimentos aleatorios y experimentos determinsticos

in generlD un experimento del que se onoen todos sus posiles resultdos y queD repetido en ls misms ondiionesD no siempre proporion los mismos resultdos se onoe omo in ontrposiinD un se otengn los mismos resultdosF vo que el glulo de roiliddes us es enontrr un medid de l inertidumre o de l ertidumre que se tiene de todos los posiles resultdosD y que jms @o muy difilmenteA se podr onoer priori el resultdo de ulquier experimento donde el zr est presenteX est medid de l inertidumre l denominremos
probabilidad
experimento determinstico es quel donde ls misms ondiiones segurn que
experimento aleatorioF
1F
3.3. Denicin de probabilidad

enemosD por tntoD que proilidd es l signin que hemos del grdo de reeni que tenemos sore l ourreni de lgoF ist signinD sin emrgoD dee ser dee umplir ulquier reprto de proiliddesF
coherenteF
ist neesidd de que signemos

axiomasD
proiliddes deudmente se v plsmr en est sein en tres reglsD onoids omo
que
3.3.1. lgebra de conjuntos

i onsidermos un experimento letorioD podemos rterizr los posiles resultdos de diho experimento omo onjuntosF is de intersD por tntoD repsr los oneptos y propieddes sis del lger de onjuntosF in todo este prtdo no deemos olvidr que los onjuntos representn en nuestro so los posiles resultdos de un experimento letorioF n
conjunto es un olein de elementosF e die que B es un subconjunto de A si todos sus elementos lo son tmin de AD y se notr B AF
1 Es mejor que aceptemos desde el principio que la Estadstica no es la ciencia de la adivinacin: tan slo se ocupa de cuanticar cmo de incierto es un evento y, ocasionalmente, de proponer estrategias de prediccin basadas en dicha medida de la incertidumbre.
40
r d A se veri( A A . i C B y B AD entonesD C A. isto se onoe omo propiedd trnsitivF v
unin
de B y A es un onjunto uyos elementos son los elementos de A y B D y se not A B F ist
operin veri( l propiedd onmuttiv y soitivF i A B D entones A B = B. v
interseccin
de A y B es el onjunto formdo por los elementos omunes de A y B D y se not AB o
A B. ist operin veri( l propiedd onmuttivD soitiv y distriutiv respeto de l uninF

hos onjuntosD A y B D se dien es vD es deirD A B = . i dos onjuntos A y B son disjuntosD su unin suele notrse A + B F vos onjuntos A1 , ..., AN se dien n
mutuamente excluyentes, disjuntos o incompatibles si su intersein
particin
mutuamente excluyentes si Ai Aj = pr todo i = j.
es un olein de onjuntosD A1 , ..., AN tl queX
A A1 ... AN = A Ai Aj = pr todo i = j. il no perteneen AF e sigue por tntoD
Ac D est formdo por todos los elementos de que conjunto complementario de un onjunto AD A
= AA = AA (Ac ) = A = B Si B A A = B. Si A = B A
pinlmenteD menionemos ls llmds veyes de worgnX
c
B AB =A
B. AB =A
3.3.2. Espacio muestral

gonsideremos un experimento letorioF
41
muestralD y lo notremos hitulmente omo .

rlremos de
il onjunto formdo por todos los posiles resultdos del experimento letorio reie el nomre de espacio
gulquier suonjunto de un espio muestrl reie el nomre de
ensayo o realizacin
suceso o eventoF
si se oserv en diho ensyo ulquier
de un experimento letorio re(rindonos un ejeuin de diho
experimentoF esD diremos que en un ensyo resultdo inluido en el sueso AF
ocurre un suceso A
n oservin importnte es que el espio muestrl no tiene por qu ser nioD sino que depender de lo que deseemos oservr del experimento letorioF mos poner este heho de mni(esto en los siguientes ejemplosF
Ejemplo. i onsidermos el lnzmiento de un ddoD un espio muestrl ser a{IDPDQDRDSDT}F

vos suesos ms elementles posiles son {I}D {P}D {Q}D {R}D {S} y {T}F ytros suesos no elementles pueden ser {IDP}D {myor que P}D {pr}D FFF in emrgoD supongmos que estmos lnzndo un ddo porque no tenemos ningun moned mnoD y slo desemos ver si el resultdo es pr o imprF in ese soD el espio muestrl ser = {par, impar}F
Ejemplo. n experimento hitul en fiolog onsiste en extrerD por ejemploD pees de un roD hst
dr on un pez de un espeie que se dese estudirF il nmero de pees que hr que extrer hst onseguir el ejemplr desedo de l espeie en estudio formr el espio muestrlD = {1, 2, 3, ...}D si es que el investigdor dese oservr extmente el nmero de pees hst extrer ese ejemplr desedoF ysrvese que se trt de un onjunto no otdoD pero numerleF gomo ejemplos de posiles suesos de inters podrmos poner los eventos {IDPDQDRDS}D {myor o igul S}DFFF upongmos hor que el investigdor slo est interesdo en ompror si hen flt ms de S exE triones pr otener un ejemplr de l espeie en estudioF in ese soD el espio muestrl ser
= {> 5, 5}F
Ejemplo.
i onsidermos el experimento letorio onsistente en elegir un nmero solutmente l
zr entre H y ID un espio muestrl ser = [0, 1]F e difereni de los nteriores ejemplosD este espio muestrl no es (nitoD ni siquier numerleF gomo ejemplo de suesos posiles en este espio muestrl podemos destrD entre otrosD {menor que HFS} D {myor que HFPS}D {menor que HFUS} DFFF ytro espio muestrl podr ser oservr el vlor deiml myor ms ernoF or ejemploD si sle HFPSD me interes HFQF in ese so el espio muestrl ser = 0.1, 0.2, ...1F iste espio muestrl servirD por ejemploD pr sorter nmeros entre I y 10D sin ms que multiplir el resultdo otenido por IHF
42
in estos ltimos ejemplos podemos ver que hy dos grndes tipos de espios muestrles segn el nmero de suesos elementlesF n espio muestrl se die elementlesF or el ontrrioD un espio muestrl se die suesos elementlesF
discreto si est formdo por un onjunto (nito o in(nito numerle de suesos continuo
si est formdo por un onjunto no numerle de
3.3.3. Funcin de probabilidad

hdo un espio muestrl orrespondiente un experimento letorioD un veri(que
funcin de probabilidad
pr ese espio muestrl es ulquier funin que signe d sueso un nmero en el intervlo [0, 1] y que
P [A] 0, pr ulquier evento A. P [] = 1.

hd un olein de suesos A1 , A2 , ..., An mutumente exluyentesD es deirD tles que Ai Aj = pr todo i = j,
n
P [n i=1 Ai ] =
i=1
P [Ai ] .
Nota. ry que notr que se puede dr ms de un funin de proilidd soid l mismo espio
muestrlF or ejemploD soido l espio muestrl = {cara, cruz }, del lnzmiento de un monedD pueden drse un nmero in(nito no numerle de medids de l proiliddY onretmenteD soids d elein
P [cara] = p P [cruz ] = 1 p,
pr d p [0, 1] . eunque si l moned no est rgdD omo suede hitulmenteD se onsider el so en que p = 1 2.
Ejemplo. olviendo sore el lnzmiento del ddoD si ste no est rgdoD podemos de(nir l siguiente
funin de proiliddX
P [{i}] =
1 , i = 1, 2, ..., 6. 6
43
pigur QFIX giruito
in ese soD podemosD su vezD lulr lguns proiliddesF or ejemploD
P ({par}) = P [{2, 4, 6}] = P [{2}] + P [{4}] + P [{6}] 1 1 1 = + + = 0.5. 6 6 6

in este lulo se h tenido en uent l terer ondiin de l de(niin xiomtiF gomo onseueni de l de(niin se veri(nD entre otrsD ls siguientes propieddesD que dems filitn stnte los lulosX
P [] = 0. = 1 P [A] . e A un sueso ulquierF intonesD P A = P [A] P [A B ] . en A y B dos suesos ulesquierF intonesD P A B

en A y B dos suesos ulesquierF intonesD P [A B ] = P [A] + P [B ] P [A B ] .
Ejemplo. il iruito que pree en l pigur QFI est onstituido por dos interruptores @switches A en
prleloF v proilidd de que ulquier de ellos est errdo es de 1 2F r que pse orriente trvs del iruito st on que pse orriente por lguno de los dos interrupE toresD esto esD que l menos uno de ellos est errdoF or tntoD si notmos por
corriente a travs del circuito E
l sueso
que pase
Ei
l sueso
que el interruptor
est cerrado,
entonesD
P [E ] = P [E1 E2 ] = P [E1 ] + P [E2 ] P [E1 E2 ] 1 1 = + P [E1 E2 ] 1. 2 2

r onoer est proilidd de form ext neesitmos ser mo tn de form onjunt mos iruitosF
44
N de lanzamientos N de caras
N. de caras N. de lanzamientos
IH R HFR
IHH RT HFRT
PSH IPR HFRWT
SHH PRR HFRVV
USH QUW HFSHSQ
IHHH SHI HFSHI
gudro QFIX eproximin freuentist l proilidd de r en el lnzmiento de un monedF
3.4. Interpretacin frecuentista de la probabilidad

v interpretin ms omn l onepto de proilidd tiene que ver on los promedios de ourreni de los suesos del experimento en uestinF ensemos en el lnzmiento de un monedX si deimos que l proilidd de r es HFSD entendemos que si lnzmos l moned un grn nmero de vees y notmos el nmero de rsD sts sern ms o menos l mitdF qenerlizndo este proesoD podrmos deir que l proilidd de un evento AD P [A] , es
P [A] = l m
nA , n n
donde nA es el nmero de ourrenis de A en n ensyos del experimentoF ist interpretin se onoe omo
denicin frecuentista de la probabilidad.
e trt de un interpretin
de rter eminentemente prtio porque permite un proximin fsi l onepto de proiliddD pero se ve limitd por ls ompliiones que supone l de(niin en trminos de un lmite queD omo tlD slo se lnz
en el innitoF
edemsD desde un punto de vist relistD en qu osiones podremos repetir
el experimento un grn nmero de veesc
Ejemplo. e hn relizdo IHHH lnzmientos de un monedF in el gudro QFI pree un resumen de ese
proesoF uede oservrse omo unto myor es el nmero de lnzmientosD ms se proxim l freueni
1 reltiv l vlor 2 D de mner que podrmos pensr que l proilidd de r es igul que l proilidd
de ruz e igules ms
1 2D
unque esto slo es un suposiinD o un proximinD y que pr plir
estritmente l de(niin freuentist deermos ontinur hst el in(nitoD lo que result imposileF ist interpretin freuentist de l proilidd permite inferir lo que podemos llmr
radas. frecuencias espe-
i un evento A tiene signd un proilidd P [A]D entonesD si repetimos el experimento letorio

lo ms esperable
n veesD
es que el nmero de vees que se de el evento A ser n P [A] . ws delnte

lo ms esperable.
podremos mtizr on ms rigor qu nos referimos on
Ejemplo. iguiendo on el ejemplo de l monedD si l lnzmos QRV veesD lo esperle es que slgn
lrededor de 348 0.5 = 174 rsF
3.5. Interpretacin subjetiva de la probabilidad

i nos dien que l proilidd de que lluev mn es del QS 7D mo podemos interpretr eso en trminos freuentistsc xo tiene sentido pensr en que podemos repetir el experimento da
llovera en el 35 % de ellos c de maana
muhs vees y
ontr unts vees llueveF odrmos pensr si hubiera muchos das como el de maana, aproximadamente ero eso no tiene sentido porque el d de mn es nioF
45
v interpretin sujetiv de l proilidd tiene que ver on l vinulin de este onepto on el grdo de inertidumre que tenemos sore ls ossF i tenemos un experimento letorioD el resultdo de diho experimento es iniertoF v proilidd de un resultdo del experimento es el grdo de reeni que yo tengo en l ourreni de diho resultdoF ise grdo de reeni es personlD luego es sujetivoD pero lgimenteD deer estr orde on l informin que tenemos sore el experimentoF
3.6. Espacio muestral con resultados equiprobables. Frmula de Laplace

ytro punto de vist que permite ordr el proeso de signin de proilidd suesos es el siguienteX ontinundo on el ejemplo de l monedD en este experimento son dos los resultdos posilesD y no hy rzones pr pensr que uno de ellos es
ms probable
que otroD s que tiene sentido onsiderr que l proilidd
de r y l proilidd de ruz son ms del SH 7F in generlD si el espio muestrl est formdo por N resultdos posiles y todos ellos tienen l mism proilidd @equiprolesAD podrmos deir que l proilidd de un evento A, P [A] , es
P [A] =
NA , N
donde NA es el nmero de resultdos fvorles l ourreni de A. ist frmulD onoid omo permite deduir que
frmula de Laplace
tmin es fundmentlmente prtiF or ejemploD nos
P [cara] =
1 2
en el lnzmiento de un moned sin tener que lnzr l moned un grn nmero de veesF in emrgoD l de(niin tiene dos grndes inonvenientesX el onjunto de resultdos posilesD N D tiene que ser (nito yD demsD todos los resultdos posiles deen tener l mism proilidd @on lo ulD lo de(nido qued implitmente inmerso en l de(niinAF
3.7. Probabilidad condicionada. Independencia de sucesos

r introduir de mner intuitiv el onepto de proilidd ondiiond deemos pensr en l proE ilidd omo medid de l reeni en l ourreni de los suesosF ensemos en un experimento letorio y en un sueso de diho experimentoD AD en el queD en prinipioD tenemos un grdo de reeni P [A] ; pero supongmos que onoemos lgo del resultdo de diho experimentoY onretmenteD semos que h ourrido un sueso B F ree lgio pensr que es informin onoid sore el resultdo del ensyo modi(r nuestro grdo de reeni en AX llmemos este nuevo grdo de reeni P [A | B ]D
probabilidad de A conocida B o probabilidad de A condicionada a B F
Ejemplo. gonsideremos el sueso A : el d de hoy v llover y el sueso B

nuldo refuerz nuestr reeni en que lluevF
: el d de hoy est nuldoF
yvimenteD l proilidd P [A] ser menor que l proilidd P [A | B ] , y que el heho de que est
46
Ejemplo. gonsideremos el experimento letorio de extrer un rt de un rj espolF e el sueso

A : otener un sotD el sueso B1 : otener un (gur y el sueso B2 : otener un rt de opsF
vs distints proiliddesD ondiionds o noD jo l de(niin lsiD son ls siguientesX
4 sotas 1 = 40 cartas 10 4 sotas 1 P [A | B1 ] = = 12 f iguras 3 1 sota de copas 1 P [A | B2 ] = = . 10 copas 10 P [A] =

gomo puede verseD B1 modi( l proilidd prioriD pero no s B2 F uede deirse que B2 no ofree informin er de AD o que A y B2 son mos dr ontinuin un
independientesF de(niin de probabilidad condicionada
que responde est ide de
relulr l proilidd en funin de l informin existenteF v
probabilidad condicionada de un suceso A, conocido otro suceso B D denotd por P [A | B ]D se

P [A | B ] = P [A B ] , P [B ]
de(ne omo el oiente
siempre que P [B ] = 0. n funin de proilidd ondiiond P [/B ] es un funin de proilidd en tod reglX por tntoD umple ls misms propieddes que ulquier funin de proilidd sin ondiionrF gomo hemos omentdoD l ide de l proilidd ondiiond es utilizr l informin que nos d un sueso onoido sore l ourreni de otro suesoF eroD omo y hemos puesto de mni(esto en un ejemploD or tntoX hos suesos A y B se dien independientes si P [A | B ] = P [A] , o equivlentemente si P [B | A] = P [B ]D o equivlentemente si P [A B ] = P [A] P [B ] . no siempre un sueso d informin sore otroF in este so se die que mos suesos son independientesF
Ejemplo. gontinundo on el ijemplo QFQFQD lo ms lgio es pensr que los dos interruptores tn
de form independienteD en uyo so P [E1 E2 ] = P [E1 ] P [E2 ] y tenemos queD
P [E ] =
1 1 + P [E1 E1 ] 2 2 1 1 11 3 = + = . 2 2 22 4
Nota. is muy importnte no onfundir l proilidd ondiiond de un sueso otro on l proiliE

dd de l intersein de mos suesosF in l pigur QFP puede verse l difereni entre ls proiliddes ondiionds entre dos suesos y l proilidd de su interseinF in trminos oloquilesD podemos
47
nlizr ests proiliddes omo el oiente entre ondiiond ese

todo
una parte
un todoF
gundo l proilidd es
todo
es el sueso que ondiionF gundo l proilidd no es ondiiondD ese

parte
es todo el espio muestrlF in mos sos es
es l interseinF
pigur QFPX isquem er de l de(niin de proilidd ondiiondF
Nota. min suele ser stnte omn l onfusin entre suesos independientes y suesos inompE
tiles o mutumente exluyentesF in este sentidoD reordemos que dos suesos A y B son inomptiles o mutumente exluyentes si
A B = , en uyo so P [A B ] = 0F
or su prteD A y B sern independientes si P [A B ] = P [A] P [B ]F vs diferenis entre mos oneptos son ovisF
Ejemplo. v proilidd de que el produto no se elordo tiempo es HFHSF e soliitn tres pedidos
del produto on l su(iente seprin en el tiempo omo pr onsiderrlos eventos independientesF IF gul es l proilidd de que todos los pedidos se enven tiempoc in primer lugrD notemos Ei l sueso enviar
a tiempo el pedido i-simoF
in ese soD semos que
P [Ei ] = 0.95.
or su prteD nos piden
P [E1 E2 E3 ] = P [E1 ] P [E2 ] P [E3 ] = 0.953 ,

deido que los pedidos son independientesF PF gul es l proilidd de que extmente un pedido no se enve tiempoc
48
in este so el sueso que nos piden es ms omplejoX
1 E2 E3 E1 E 2 E3 E1 E2 E 3 P E
1 E2 E3 + P E1 E 2 E3 + P E1 E2 E 3 =P E
= 0.05 0.952 + 0.05 0.952 + 0.05 0.952 = 0.135, 1 E2 E3 , E1 E 2 E3 y E1 E2 E 3 son inomptilesF donde se h utilizdo que los suesos E
QF gul es l proilidd de que dos o ms pedidos no se enven tiempoc engmos en uent que y hemos luldo l proilidd de que todos se enven tiempo y de que todos menos uno se enven tiempoF intonesD
P [dos o ms pedidos no se enven tiempo]
= 1 P [todos se enven tiempo un pedido no se enve tiempo] = 1 (0.953 + 0.135).
Ejemplo.
gonsideremos un proeso industril omo el que se esquemtiz en l pigur QFQF in diho
esquem se pone de mni(esto que un unidd ser produidd on xito si ps en primer lugr un hequeo previo @eAY despus puede ser montd diretmente @fAD redimensiond @gA y despus montd @hA o dptd @iA y despus montd @pAY posteriormente dee ser pintd @qA y (nlmente emld @rAF gonsideremos que ls proiliddes de psr exitosmente d suproeso son tods ells igules HFWSD y que los suproesos tienen lugr de form independiente unos de otrosF mos lulr en ess ondiiones l proilidd de que un unidd se exitosmente produidF i nos dmos uentD eD q y r son ineludilesD mientrs que un unidd puede ser produid si ps por fD por g y h o por i y pF in notin de onjuntosD l unidd ser produid si se d
A (B C D E F ) G H.
gomo los proesos son independientes unos de otrosD no tenemos prolems on ls proiliddes de ls interseionesD pero tenemos que lulr l proilidd de un unin de tres onjuntosD B C D E F F in generlD
P [A1 A2 A3 ] = P [(A1 A2 ) A3 ] = P [A1 A2 ] + P [A3 ] P [(A1 A2 ) A3 ] = P [A1 ] + P [A2 ] P [A1 A2 ] + P [A3 ] P [A1 A3 A2 A3 ]
49
= P [A1 ] + P [A2 ] P [A1 A2 ] + P [A3 ] (P [A1 A3 ] + P [A2 A3 ] P [A1 A2 A3 ])
= P [A1 ] + P [A2 ] + P [A3 ] P [A1 A2 ] P [A1 A3 ] P [A2 A3 ] + P [ A1 A2 A3 ]

in nuestro soD
P [B C D E F ] = P [B ] + P [C D] + P [E F ] P [B C D] P [B E F ] P [C D E F ] + P [B C D E F ] = 0.95 + 2 0.952 20.953 0.954 + 0.955 = 0.9995247

estmos en ondiiones de otener l proilidd que se nos pideX
P [A (B C D E F ) G H ] = P [A] P [B C D E F ] P [G] P [H ] = 0.95 (0.9995247) 0.95 0.95 = 0.8569675.
in estos ejemplosD el lulo de l proilidd de ls interseiones h resultdo trivil porque los suesos son independientesF on emrgoD esto no siempre ourreF gmo podemosD en generlD otener l proilidd de l intersein de dos o ms suesos no neesrimente independientesc in el so de slo dos suesosD A y B D podemos deduir que
P [A B ] = P [A|B ] P [B ]
diretmente de l de(niin de proilidd ondiiondF e prtir de est frmulD por induinD se puede otener l llmd frmul produtoD que se enuni de l siguiente formX si A1 , A2 , ..., An son suesos de un espio muestrl no neesrimente independientesD se veri(
P [A1 A2 ... An ] = P [A1 ]P [A2 |A1 ]...P [An |A1 A2 ... An1 ]
50
pigur QFQX isquem del proeso industril del ejemplo
Ejemplo. n lote de SH rndels ontiene QH rndels uyo grosor exede ls espei(iones de diseoF
upong que se seleionn Q rndels l zr y sin reemplzo del loteF IF gul es l proilidd de que ls tres rndels seleionds sen ms gruess que ls espei(E iones de diseoc gomenzmos notndo los suesos Ai X l Esim rndel extrid es ms grues que ls espei(E iones de diseo, i = 1, 2, 3F intonesD nos piden
P [A1 A2 A3 ] = P [A1 ] P [A2 /A1 ] P [A3 /A1 A2 ] 30 29 28 = . 50 49 48

PF gul es l proilidd de que l terer rndel seleiond se ms grues que ls espei(E iones de diseo si ls dos primers fueron ms delgds que l espei(inc
P A3 /A 1 A 2 =
30 . 48
3.8. Teorema de la probabilidad total y Teorema de Bayes

vos siguientes dos resultdos se onoen omo
Teorema de la probabilidad total y Teorema de Bayes 51
respetivmenteD y juegn un importnte ppel l hor de lulr proiliddesF vos dos utilizn omo
prinipl herrmient el onepto de proilidd ondiiondF
Teorema de la Probabilidad TotalF
e P un funin de proilidd en un espio muestrlF e
{A1 , ..., AN } F un prtiin del espio muestrl y se B un sueso ulquierF intonesD P [B ] = P [B | A1 ] P [A1 ] + ... + P [B | AN ] P [AN ] .
Teorema de BayesF in ess misms ondiionesD si P [B ] = 0D

P [ Ai | B ] = P [B | Ai ] P [Ai ] . P [B | A1 ] P [A1 ] + ... + P [B | AN ] P [AN ]
Ejemplo.
upongmos que tenemos R js on omponentes eletrnis dentroF v j I ontiene
PHHH omponentesD on un S 7 de defetuossY l j P ontiene SHH omponentesD on un RH 7 de defetuossY ls js Q y R ontienen IHHH omponentesD on un IH 7 de defetuossF IF gul es l proilidd de esoger l zr un omponente defetuosc xotemos D : omponente defetuos y Ci : omponente de l j iEsimF intonesD se tiene que
P [C1 ] =
2000 2000 + 500 + 1000 + 1000 500 P [C2 ] = 2000 + 500 + 1000 + 1000 1000 P [C3 ] = 2000 + 500 + 1000 + 1000 1000 P [C4 ] = 2000 + 500 + 1000 + 1000
4 9 1 = 9 2 = 9 2 = 9 =
edemsD P [D | C1 ] = 0.05D P [D | C2 ] = 0.4D P [D | C3 ] = 0.1 y P [D | C4 ] = 0.1F tilizndo el eorem de l proilidd totlD
P [D] = P [D | C1 ] P [C1 ] + P [D | C2 ] P [C2 ] + P [D | C3 ] P [C3 ] + P [D | C4 ] P [C4 ] 4 1 2 2 = 0.05 + 0.4 + 0.1 + 0.1 = 0. 11111 9 9 9 9
PF i se esoge un omponente l zr y result ser defetuosD ul es l proilidd de que pertenez l j Ic
P [C1 | D] =
0.05 4 P [D | C1 ] P [C1 ] 9 = = 0.2 P [D ] 0.11111
52
F HFHI HFI IFH otl
xmero I PH SS UH IRS
en d P WS QS VH PIH
j Q PS US IRS PRS
otl IRH ITS PWS THH
gudro QFPX eumuldoresF
Ejemplo. e disponen tres js donde se lmenn umuldores segn pree en el gudro QFPF
e esoge l zr un j y de ellD su vezD un umuldorF IF gul es l proilidd de que se hy seleiondo un umuldor de HFHIF c xotemos 0.01F, 0.1F y 1.0F los suesos
caja 3D extraer un acumulador de
0.01F D 0.1F y 1.0F
respetivmenteF he igul formD notemos c1D c2 y c3 los suesos
elegir la caja 1, la caja 2 y la
respetivmenteF tilizndo el teorem de l proilidd totlD
P [0.01F ] = P [0.01F / c1] P [c1] + P [0.01F / c2] P [c2] + P [0.01F / c3] P [c3] 95 1 25 1 5903 20 1 + + = = 0.23078. = 145 3 210 3 245 3 25 578
PF i h sido seleiondo un umuldor de IFHF D ul es l proilidd de que proed de l j Ic tilizndo el teorem de fyesD
P [c1 / 1.0F ] =
or su prteD
P [1.0F / c1] P [c1] . P [1.0F ]
P [1.0F ] = P [1.0F / c1] P [c1] + P [1.0F / c2] P [c2] + P [1.0F / c3] P [c3] 70 1 80 1 145 1 6205 = + + = = 0.48518, 145 3 210 3 245 3 12 789
luego
70 1 145 3 6205 12 789
P [c1 / 1.0F ] =
2058 = 0.33167. 6205
Ejemplo. iguiendo on el ejemplo de ls rndels on grosor fuer de ls espei(iones de diseoD

ul es l proilidd de que l terer rndel seleiond se ms grues que ls espei(iones de diseoc
1 A2 ] P [A3 ] = P [A3 |A1 A2 ]P [A1 A2 ] + P [A3 |A 1 A2 ]P [A
2 ] + P [A3 |A 1 A 2 ] +P [A3 |A1 A 2 ]P [A1 A 1 A 2 ]P [A
53
1 ]P [A2 |A = P [A3 |A1 A2 ]P [A1 ]P [A2 |A1 ] + P [A3 |A 1 A2 ]P [A 1 ]
1 ]P [A 2 |A 2 |A ] + P [A3 |A +P [A3 |A1 A 1 ] 1 A 2 ]P [A 2 ]P [A1 ]P [A 1 28 30 29 29 20 30 + 48 50 49 48 50 49 29 30 20 30 20 19 + . 48 50 49 48 50 49
Ejemplo.
in el nl de omuniiones ternrio que se desrie en l pigur QFRD se h oservdo
que el dgito Q es envido tres vees ms freuentemente que ID y P dos vees ms freuentemente que IF glulemos l proilidd de que un dgito ulquier envido trvs del nl se reiido orretmenteF in primer lugrD si notmos P [X = 1] = pD entones P [X = 2] = 2p y P [X = 3] = 3pF or otr prteD omo
1 = P [X = 1] + P [X = 2] + P [X = 3] = 6p,
se tiene que
P [X = 1] =
1 1 1 , P [X = 2] = y P [X = 3] = . 6 3 2
ehorD utilizndo el teorem de l proilidd totlD
P [d gito OK ] = P [d gito OK / X = 1] P [X = 1] + P [d gito OK / X = 2] P [X = 2] + P [d gito OK / X = 3] P [X = 3] = P [Y = 1 / X = 1] P [X = 1] + P [Y = 2 / X = 2] P [X = 2] + P [Y = 3 / X = 3] P [X = 3] 1 1 1 = (1 ) + (1 ) + (1 ) = P. 6 3 2
EjemploF
gontinundo on el nteriorD si se reie un ID ul es l proilidd de que se huier
envido un Ic tilizndo el teorem de fyesD
P [X = 1 / Y = 1] =
P [Y = 1 / X = 1] P [X = 1] . P [Y = 1]
54
pigur QFRX gnl ternrio de omuniiones on proilidd de rue
or su prteD
P [Y = 1] = P [Y = 1 / X = 1] P [X = 1] + P [Y = 1 / X = 2] P [X = 2] + P [Y = 1 / X = 3] P [X = 3] =
luego
1 + + , 6 6 4
1 6 1 + 6 6
P [X = 1 / Y = 1] =
=2
1 + . 2 + 2 2 3
3.9. Ms sobre el Teorema de Bayes

v importni del eorem de fyes en istdsti v muho ms ll de su pliin omo frmul que filit proiliddes ondiiondsF v (losof que suye en l h ddo lugr tod un form de entender l istdstiD llmd por ello de est mner de entender el teoremF upongmos que hy un sueso A sore el que tenemos un serio desonoimiento er de si se d o no se dF nto es s que tenemos que determinr l proilidd de diho suesoD P [A]F is importnte entender que nosotros somos onsientes de que A h ourrido o no h ourridoX el prolem es preismente que no semos qu h psdoF heimos que es importnte porque P [A] no represent l
ocurraD probabilidad de que A Estadstica BayesianaF
mos trtr de explir los fundmentos
sino nuestro grdo de reeni en que h ourridoF

expertos en el temaD
is posile que no tengmosD en prinipioD dtos pr onoer de form ext ul es l proilidd de AF en sD podrmos trevernosD como e est proilidd iniil que dmos l vmos llmr
probabilidad a priori.
dr un estimin de dih proiliddD P [A]F
ehor ienD hemos ddo un proilidd priori P [A] sin ningun informin sore AF upongmos hor
55
que tenemos nuev informin que nos dr pists er de si A h ourrido o noD y que dih informin est reogid en un sueso que llmremos B1 F in ese soD podrmos y deermos actualizar la probabilidad de A sndonos en est nuev informinD proporionndo un nuev proilidd de A que teng en uent
B1 D es deirD P [A |B1 ]D que llmremos

in es
actualizacin de la probabilidad
probabilidad a posterioriF
es donde entr el eorem de fyesD y que nos die que
P [A |B1 ] =
P [B1 |A ] P [A] . P [B1 |A ] P [A] + P [B1 |A ] P A
ysrvese que l proilidd posteriori es proporionl l proilidd prioriF pinlmenteD es muy importnte ver que podemos extender est form de trjr plindo el teorem de un form reursivF hespus de onoer B1 D nuestr nuev proilidd pr A es P [A |B1 ]F eusndo de l notinD podemos deir que es es nuestr nuev proilidd priori y siD por ejemploD tenemos ms informin sore AD dd por otro sueso B2 D posteriori ser
informacin independiente de B1 D l nuev proilidd
P [A |B1 B2 ] = =
P [B2 |AB1 ] P [A |B1 ] |B P [B2 |AB1 ] P [A |B1 ] + P B2 |A B1 P A 1 P [B2 |A ] P [A |B1 ] |B . P [B2 |A ] P [A |B1 ] + P [B2 |A ] P A 1
is muy importnte oservr que en este oiente P [A |B1 ] oup el lugr que ntes oup l proilidd prioriF edemsD est segund proilidd posteriori podr onsiderrse omo l nuev proilidd priori pr un nuev pliin del teorem sd en el onoimiento de nuev informin dd por un sueso B3 F iste proeso de tulizin de ls proiliddes priori sd en l informin disponile puede relizrse unts vees se neesrioF mos ilustrr esto en un pr de ejemplosF
3.9.1. Ejemplo del juez

upongmos que un juez dee deidir si un sospehoso es inoente o ulpleF l se que dee ser uiddoso y grntist on los derehos del usdoD pero tmin por su experieni prte de un reeni en que el sospehoso puede ser ulple queD en ulquier soD estim por dejo de lo que relmente ree prD insistoD ser grntist on los derehos del usdoF ongmos que estim est proilidd en un IH 7F ehor empiez exminr ls pruesF v primer de ells es un prue de ehx en l que el usdo dio positivoX enontrron mteril gentio en el rm del rimen queD segn l prueD es suyoF is prue de ehx d positivo en el WWFS 7 de ls vees en que se omprn dos ehx9s idntiosD pero tmin d positivo @errnementeA en el HFHHS 7 de ls vees en que se pli dos ehx9s distintosF eniendo en uent est informinD el juez pli por primer vez el teorem de fyes on los siguientes dtosX
P [culpable] = 0.1D que es l proilidd priori que el juez onsiderF

v proilidd de que l prue de ehx de positivo si el usdo es ulple es
P [ADN + |culpable ] = 0.995.
56
v proilidd de que l prue de ehx de positivo si el usdo es inoente es
P [ADN + |inocente ] = 0.00005.

ehor y puede tulizr su grdo de reeni en l ulpilidd del sospehosoX
P [culpable |ADN + ] =
P [ADN + |culpable ] P [culpable] P [ADN + |culpable ] P [culpable] + P [ADN + |inocente ] P [inocente] 0.995 0.1 = = 0.999548 0.995 0.1 + 0.00005 0.9
is deirD hor piens que el sospehoso es ulple on un WWFWSRV 7 de ertezF pijmonos en que nuestr proilidd priori pree en los trminos HFI en el numerdor y HFI y HFW en el denomindorF isD HFID er l proilidd que tenmos
despus de la prueba es proilidd es HFWWWSRV de que se ulple @y HFHHHRSP de que se inoenteAF
antes de la prueba de que fuer ulple @y HFW de que fuer inoenteAY
in emrgoD el sospehoso insiste en su inoeniD y propone someterse un prue de un detetor de mentirsF vos expertos sen que un ulple es pz de engr est mquin en el IH 7 de ls veesD y que l mquin dir el I 7 de ls vees que un inoente mienteF xuestro sospehoso se somete l mquin y st die que es inoenteF gul ser hor l proilidd que el juez sign l ulpilidd del sospehosoc eniendo en uent queX
P [maquina |culpable ] = 0.1D P [maquina+ |inocente ] = 0.01D

dee plir de nuevo el eorem de fyesD onsiderndo hor que l proilidd priori de que se ulple es WWFWSRV 7X
P [culpable |maquina ] =
P [maquina |culpable ] P [culpable] P [maquina |culpable ] P [culpable] + P [maquina |inocente ] P [inocente] 0.1 0.999548 = 0.9955431. = 0.1 0.999548 + (1 0.01) (1 0.999548)
is deirD n on es prue negtivD el juez n tiene un WWFSSRQI 7 de ertidumre de que el sospehoso es ulpleF he nuevoD podemos resumir este pso diiendo que proilidd prioriAD mientrs que
antes de la segunda prueba
nuestr
proilidd de que fuer ulple er de HFWWWSRV @que pree en l frmul oupndo l posiin de l
despus de la segunda prueba es proilidd es HFWWSSRQIF
il proeso puede verse resumido en el gudro QFQF
3.9.2. Ejemplo de la mquina de deteccin de fallos

in un proeso industril de produin en serie de ps de oheD existe un mquin enrgd de detetr desperfetos que desehen un piez de pF is mquin est lird pr detetr un piez defetuos on un WH 7 de iertoD pero tmin detet omo defetuoss el S 7 de ls piezs no defetuossF il enrgdo de lidd estimD por estudios previosD que el porentje generl de piezs defetuoss es del S 7F iste enrgdoD onsiente de que l mquin puede dr por uens piezs que son defetuossD deide tur de l siguiente formX un piez que se detetd omo no defetuos psr otrs dos vees por l mism mquin detetor y slo ser delrd no defetuos undo en ningun de ess tres pruesD de defetuosF
57
1 prueba: ADN + 2 prueba: maquina

priori
Antes de la prueba
HFI HFWWWSRV
P [Culpable]
P [ADN +|culpable ]0.1 P [ADN +|culpable ]0.1+P [ADN +|inocente ](10.1) = 0.999548 P [maquina|culpable ]0.999548 P [maquina|culpable ]0.999548+P [maquina|inocente ](10.999548) = 0.9955431
Despus de la prueba
gudro QFQX isquem del proeso itertivo del teorem de fyes en el ejemplo del juezF v proilidd a @ntes de d prueA es l que se utiliz en l frmul pr otener l proilidd a posteriori @desps de d prueAF v proilidd a posteriori @despusA de un prue es l proilidd a priori @ntesA de l siguiente prueF upongmos que un piez ps ls tres vees y d no defetuosX ul es l proilidd de que relmente se no defetuosc mos empezr notndo deudmente los suesosF xotremos D l sueso ser defetuos y por + dr positivo omo defetuos en l prue de l mquinF emos queX
P [D] = 0.05D que es l proilidd prioriY P [+ |D ] = 0.9 y P [+ |D ] = 0.05F

v proilidd priori de que un piez se no defetuos es de HFWSD pero si es detetd omo defetuos un primer vezD dih proilidd ps ser
|+ P D =
|D P [+ ]P D P [+ |D ] P D + P [+ |D ] P [D ] 0.95 0.95 = = 0.9944904. 0.95 0.95 + 0.1 0.05
is proilidd ps ser l proilidd priori pr l segund vez que d no defetuosF or tntoD l proilidd de que se no defetuos si d negtivo por segund vez es
|+ P D + =
|D P [+ ] 0.9944904 |D ] (1 0.9944904) P [+ |D ] 0.9944904 + P [+ 0.95 0.9944904 = = 0.9994172. 0.95 0.9944904 + 0.1 (1 0.9944904)
pinlmenteD l proilidd de que se no defetuos si d negtivo por terer vez es
|+ P D + + =
|D P [+ ] 0.9994172 |D |D ] (1 0.9994172) P [+ ] 0.9994172 + P [+ 0.95 0.9994172 = = 0.9999386. 0.95 0.9994172 + 0.1 (1 0.9994172)
gomo podemos verD si un piez d no defetuos tres veesD l proilidd de que se relmente no defetuos es ltsimD del orden del WWFWW 7D s que el mtodo idedo por el responsle de lidd pree onsistenteF
58
1 prueba: + 2 prueba: + 3 prueba: +
Antes de la prueba
HFWS HFWWRRWHR HFWWWRIUP
P D
|D P [+ ]0.95 |D |D ](10.95) = 0.9944904 P [+ ]0.95+P [+ |D ]0 .9944904 P [+ |D ](10.9944904) = 0.9994172 |D P [+ ]0.9944904+P [+ |D P [+ ]0.9994172 |D |D ](10.9994172) = 0.9999386 P [+ ]0.9994172+P [+
Despus de la prueba
gudro QFRX isquem del proeso itertivo del teorem de fyes en el ejemplo de l mquin de detein de fllosF v proilidd a priori @ntes de d prueA es l que se utiliz en l frmul pr otener l proilidd a posteriori @desps de d prueAF v proilidd a posteriori @despusA de un prue es l proilidd a priori @ntesA de l siguiente prueF
59
60
Captulo 4
Variable aleatoria. Modelos de distribuciones de probabilidad
ws pesr de todo esoD unque l ml suerte existD muy poos reporteros veternos reen de verdd en ellF in l guerrD ls oss suelen disurrir ms ien segn l ley de ls proiliddesX tnto v el ntro l fuente que l (nl he ngF erturo rez everteD en
Territorio Comanche
Resumen. in este ptulo ontinumos on el estudio de l proiliddD utilizndo el onepto de vrile

letori pr referirnos experimentos donde el resultdo qued rterizdo por un vlor numrioF e presentn lgunos de los modelos ms hitules de signin de proiliddes y sus propieddes ms relevntesF
Palabras clave: vrile letoriD vrile disretD funin ms de proiliddD vrile ontinuD funin
de densidd de proiliddD funin de distriuinD mediD vrinzD distriuin inomilD distriuin de oissonD distriuin geomtriD distriuin uniformeD distriuin exponenilD distriuin qmmD distriuin normlF
4.1. Introduccin
in el tem nterior hemos visto que l istdsti se oup de experimentos letoriosF in generlD en gieni y enolog se suele nlizr ulquier experimento medinte un o vris medids del mismoF or ejemploD se nliz un ojeto segn su pesoD su volumenD su densiddD su ontenido de guFFFY o se nliz el tr(o de snternet segn el nmero de onexiones un servidorD el volumen totl de tr(o generdoD l veloiddFFF in estos senillos ejemplos oservmos que se h desrito un fenmeno fsioD omo puede ser un ojeto o el estdo de un red de omuniiones en un momento ddoD medinte uno o vrios nmeros o vrilesF gundo ese fenmeno es de tipo letorioD vmos llmr es signin de proilidd P [] . TI
variable aleatoria F
gonsideremos un experimento proilstio on un espio muestrl en el que se h de(nido un funin
variable aleatoria @ prtir de hor v.a.A es un nmero rel soido l resultdo de un experimento
letorioF e trtD por tntoD de un funin rel on dominio en el espio muestrlD X : R. odemos pensr en un vFF omo en un vrile soid un polin oneptulD y que slo podr oservrse undo se tomen muestrs suysF in l notin que vmos utilizr representremos ls vriles letoris omo funiones siempre en mysulsD y sus vlores onretos siempre en minsulF is deirD si queremos referirnos un vFF ntes de oservr su vlorD podemos notrl omo X, por ejemploY pero un vez que se oserv el vlor de dih vrile @y no esD por tntoD lgo letorioAD deemos notr ese vlor en minsulD por ejemploD omo xF or ejemploD podemos deir que l vrile letori X que orresponde l puntuin otenid l lnzr el ddo puede tomr los vlores x = 1, 2, 3, 4, 5, 6F odremos preguntrnos por l proilidd de que X tome el vlor x = 4 o de que X 6F i lnzmos el ddo y oservmos que h slido un TD diremos que x = 6F xo olvidemos que el ojeto de l istdsti on respeto l oservin de fenmenos letorios es medir l ertidumre o l inertidumre soid sus posiles resultdosF el desriir estos resultdos medinte vriles letorisD lo que tenemos son resultdos numrios sujetos inertidumreF il ojetivo hor es unti(r l proilidd de esos resultdos numrios de lgun formF
4.2. Variable aleatoria discreta

4.2.1. Denicin
e die que un vFF es
discreta
si el onjunto de todos los vlores que puede tomr es un onjuntoD lo
sumoD numerle @disretoAF
Ejemplo. on vriles disretsX

il nmero de identes lorles en un empres l oF il nmero de errores en un mensje trnsmitidoF il nmero de piezs defetuoss produids lo lrgo de un d en un den de produinF il nmero de ds de j de un trjdor l mesF
4.2.2. Funcin masa de probabilidad

hd un vFF disretD X D se de(ne su
funcin masa de probabilidad omo

f (x) = P [X = x] ,
pr d x R.
62
Nota. ysrvese que un funin ms de un vFF disret est de(nid en todos los puntos de l ret
relD pero slo vldr distinto de ero en un onjuntoD lo sumoD numerleD que orresponde on los nios vlores que pueden drse de l vrileF e X un vFF disret y f (x) su funin msF intonesX IF f (x) 0 pr todo x R. PF
xR
f (x) = 1.
QF in generlD pr ulquier onjunto B,
P [X B ] =
xi B
f ( xi ) ,
donde xi son vlores posiles de X.
4.2.3. Funcin masa de probabilidad emprica

in l prti ndie onoe l utnti funin ms de un vrile disretD pero podemos proximrl medinte l
funcin masa de probabilidad emprica
soid un muestr de resultdosF
i tenemos un olein de posiles resultdos de l vrile X D x1 , ..., xN , est funin sign l vlor x l freueni on l que diho vlor se d en l muestrD es deirD
femp (x) =
nu mero de valores xi iguales a x . N
i el tmoD N D de l muestr es grndeD est funin tiende l utntiD es deirD pr d x RF
l m femp (x) = f (x) .
Ejemplo. in l pigur RFI pree l funin ms empri orrespondiente l lnzmiento de un ddo

THH veesF ist funin empri pree representd en rrs vertilesD mientrs que l funin ms
tericaD
f ( x) = 1 6 D pr x = 1, 2, 3, 4, 5, 6 pree representd omo un lne horizontlF uede preirE
se mo proporionn proiliddes teris y empris stnte preidsF xo ostnteD deermos onluir l luz de estos THH dtos que el ddo no est rgdoc
4.2.4. Media y varianza de una variable aleatoria discreta

hd un vFF disretD X D on funin ms de proilidd f (x)D se de(ne su medi o espernz mtemti omo
EX =
x
x f (x).
63
pigur RFIX punin ms empri de un muestr de THH lnzmientos de un ddoF gomo en el so de l medi muestrl de unos dtosD l medi de un vFF se interpret omo el entro de grvedd de los vlores que puede tomr l vrileD on l difereni que en un medi muestrlD el d vlor lo d l freueni de diho vlor en los dtos y qu el por l funin msF hd un vFF disretD X D on funin ms de proilidd f (x)D se de(ne su vrinz omo
peso peso
de
lo determin l proiliddD dd
V arX =
x
(x EX )2 f (x).
v form ms mod de lulr en l prti l vrinz es desrrollndo previmente el udrdo que pree en su de(niinD y que
V arX =
x
(x EX )2 f (x) =
x
(x2 2xEX + EX 2 ) f (x) x f (x) + EX 2

x x
=
x
x2 f (x) 2EX
f (x)
=E [X 2 ] 2EX 2 + EX 2 = E [X 2 ] EX 2 .
el igul que ourre on l vrinz muestrl es onveniente de(nir l desviin tpi de un vFFD omo = V arX D que tiene ls misms uniddes que l medi y que se puede interpretr omo un medi del grdo de vriin del onjunto de vlores que puede tomr l vFF respeto del vlor de l mediF
4.3. Modelos de distribuciones de probabilidad para variables discretas

egn lo que hemos visto hst horD l form en que se sign proilidd los resultdos de un vrile letori disret viene dd por l funin ms de proiliddF e est mner de determinr l
64
proilidd soid los resultdos de l vrile l vmos llmr prtir de hor distribucin de probabilidad de un vFF hmonos uent queD omo mos de omentrD pr determinr l distriuin de proilidd de un vFF slo tenemos que dr su funin funin ms de proiliddF in emrgoD deemos tener en uent que en l vid rel ndie onoe ul es l utnti distriuin de proilidd de un vFFD porque ndie se priori ul es l funin ms de dih vrileF odo lo msD podemos lulr l funin ms empri prtir de los dtos de un muestrF en sD llegr el momento de
pasar al lmiteD
es deirD de induir un frmul teri que orrespond l distriuin de proilidd

paso al lmiteD
que proponemos y que se prez l distriuin empri de los dtos de l muestrF r yudr ese
babilidadF e trt de frmuls teris de funiones ms que pueden resultr deuds pr determinds
vriles letorisF ry un metfor que puede yudr entender mo se sign un distriuin de proilidd y sore l que undremos en lo suesivoX qu ourre undo queremos omprr unos pntlonesc in generl udimos un tiend de mod yX IF he entre un serie de modelosD elegimos el modelo que reemos que mejor nos vF PF fusmos l tll que he que mejor se juste nosotrosD segn nuestrs rterstisF ues ienD en el so de ls vFF
nuestras caractersticas
en istdsti se estudin
modelos tericos de distribuciones de pro-
son ls posiles oserviones que tenemos sore l vFF queD por ejemploD
pueden determinr un distriuin empri soid un muestrY

los modelos
de l tiendD entre los que elegimos el que ms nos gustD son los modelos terios que
vmos empezr estudir ontinuinY y

la talla
que he que los pntlones se justen nosotros deudmente son los prmetros de los
modelos teriosF in lo que rest de este ptulo vmos desriir lgunos de los modelos terios de proilidd ms hitules en el mito de ls sngeniersD omenzndo por el so de vFF disretsF
4.3.1. Distribucin binomial

que X sigue un distribucin es e X un vFF disret que tom los vlores x = 0, 1, ..., nD donde n es un nmero nturl onoidoF e die
binomial de parmetros n y p @y se not X B (n, p)A si su funin ms

n x
nx
f (x) = =
px (1 p)
n! nx px (1 p) , x = 0, 1, 2, ..., n. x! (n x)!
65
0.4 B(10,0.25) 0.3 0.2 0.1 0 0.4 B(10,0.5) 0.3 0.2 0.1 0 0.4 B(10,0.75) 0.3 0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
pigur RFPX puniones ms de distriuiones inomilesF e X B (n, p)F intones
EX = np V arX = np (1 p) .
Caracterizacin de la distribucin binomialF

sigue un B (n, p)F
upongmos que un determindo experimento letorio

xito,
se repite n vees de form independiente y que en ese experimento hy un sueso que denominmos
que ourre on proilidd onstnte pF in ese soD l vrile letori X que mide el nmero de xitos in est rterizin es importnte oservr que ls dos hiptesis fundmentles de est distriuin sonX los experimentos se repiten de form l proilidd de xito es
independiente y
constanteF
in l medid en que ests dos hiptesis no sen vlidsD l distriuin inomil no ser deud pr l vrile que uent el nmero de xitosF n ejemplo prtiulr de distriuin inomil lo onstituye l denomind e trt de un distriuin B (1, p)D on funin ms
distribucin de BernouilliF
f (x) =
1 p si x = 0 p si x = 1
66
x P [X = x]
4 0
I
0 4 4 1
P
1 3 4 2
Q
2 2 4 3
R
3 1 4 4
0.2 0.8 = 0.41
0.2 0.8 = 0.41
0.2 0.8 = 0.15
0.2 0.8 = 0.03
0.24 0.80 = 0.00
gudro RFIX punin ms de un B (4, 0.2)
Ejemplo.
gonsideremos omo vFF el nmero de ds l semn que un joven de hoy onsuE rolemente noD porque
me loholF odrmos pensr que se trt de un vFF on distriuin B (7, p)D donde p =
nu mero medio de d as de consumo c 7
IF uede drse el efecto resacaD es deirD si se onsume muho un dD huir del lohol l d siguienteY o el efeto inverso un clavo quita otro clavo Y o FFFY en de(nitivD irunstnis que rompn l hiptesis de independeni en el onsumo en ds distintosF PF ist lro que l proilidd de onsumir un mrtes no esD en generlD l mism que un sdoF mpoo todos los jvenes tienen l mism proilidd de onsumir lohol un d ulquierF
Ejemplo.
n ingeniero se ve oligdo trnsmitir dgitos inrios trvs de un sistem de omuE
niiones stnte imperfetoF or estudios previosD estim que l proilidd de que un dgito se trnsmit inorretmente es del PH 7F il ingeniero env un mensje de R dgitos y se pregunt untos se reiirn inorretmenteF hesde el punto de vist estdstio nosotros no podemos responder es preguntF in reliddD ndie puede responder es pregunt on ertezD porque existe inertidumre ltente en ellX el zr deterE minr untos dgitos se ruznF vo que s podemos her es filitrle el grdo de ertezD es deirD l proiliddD de d uno de los posiles resultdosF gonretmenteD si nlizmos l vrile X X
nmero de dgitos que se reciben incorrectamenteD
teniendo
en uent que el ensyo de d envo de d dgito se hr de form independiente y que nos h diho que l proilidd de que un dgito se rei inorretmente es HFPD podemos (rmr que un modelo de proilidd deudo pr dih vrile es un distriuin B (4, 0.2)F ist distriuin nos permite lulr l proilidd de que se ruen HD ID PD Q o R de los dgitosF vo esquemtizmos en l tl djuntF istos los resultdosD deemos deirle l ingeniero que es hrtmente improle que le fllen los R dgitosD pero que tiene un proilidd @ver gudro RFIA de
0.41 + 0.15 + 0.03 + 0.00 = 0.59

de que le flle el envo de l menos uno de ellosF
67
4.3.2. Distribucin de Poisson

e X un vFF disretD que puede tomr los vlores x = 0, 1, 2, ... e die que X sigue un
de Poisson de parmetro @y se not X P ()A si su funin ms es

f ( x ) = e x , x = 0, 1, 2, ... x!
distribucin
e X P ()F intones
EX = V arX = .
Caracterizacin de la distribucin de PoissonF

independienteF in ese so
gonsideremos el nmero de xitos en un periodo de
tiempo donde los xitos onteen rzn de vees por unidd de tiempo @en promedioA y de form
X : nu mero de ocurrencias del suceso por unidad de tiempo

es un vrile de
Poisson de parmetro , y se not X P () .
in est rterizinD ls hiptesis fundmentles hor sonX l
independencia de ls reliziones y constante de ourrenis por unidd de tiempoF
el promedio
Ejemplo. v distriuin de oisson suele utilizrse omo modelo pr el nmero de identes ourridos
en los individuos de un polin lo lrgo de un periodo de tiempoF vo que muh gente no termin de sumir es que her es suposiin equivle deir que todos esos individuos tienen el mismo riesgo de tener un idente y que el heho de que un individuo teng un idente no modi( pr nd l proilidd de sufrir un nuevo identeF is evidente que en muhs situiones de l vid rel eso no es iertoD s que el modelo no ser deudo en ellsF
Ejemplo. ytr pliin muy omn de l distriuin de oisson es l nmero de prtuls por unidd
de volumen en un )uido undo un disoluin est relmente ien disueltF in so de que los dtos indiquen que l distriuin de oisson no es deudD podrmos de heho inferir que l disoluin no est ien disueltF
Ejemplo.
in el ontexto de ls redes de teleomuniionesD el uso ms omn de l distriuin de
oisson es en el mito del nmero de soliitudes de serviio un servidorF or ejemploD se suele onsiderr que el n de llmds un entrlit o el n de onexiones un servidor sigue un distriuin de oissonF
68
in emrgoD hy que deir que unque este uso de l distriuin de oisson es muy omnD es evidente que l hiptesis de que el promedio dee ser onstnteD no se d en ests pliionesD y que uno de los fenmenos ms onoidos en teleomuniiones es el de la
hora cargada X
no es el mismo promedio de
algo
llmds el que se produe ls IP del mediod que ls Q de l mnF vo que se suele her es plir uno de los prinipios ms importntes unque menos esritos de l ingenierD l ley de wurphy @si
puede ir mal, preprate para ello, porque en algun momento ir mal AX
sD ls redes de teleomuniiones
suelen dimensionrse pr ser pes de funionr en el peor de los esenrios posilesD es deirD undo el promedio de soliitudes es el que se d en l hor rgdF
Aproximacin de la binomial. Ley de eventos raros.

y que en ese experimento hy un sueso que denominmos
upongmos queD omo en l rterizin que ourre on proilidd onstnte pF
de l distriuin inomilD un determindo experimento letorio se repite n vees de form independiente

xito,
ediionlmenteD supongmos que el experimento se repite un grn nmero de veesD es deirD n es grnde y que el xito es un sueso rroD es deirD p es pequeoD siendo el promedio de ourrenisD = npF in ese soD l vrile letori X que mide el nmero de xitos sigue @proximdmenteA un P ()F in est segund rterizin se suele onsiderr eptle l proximin si n > 20 y p < 0.05. i
n > 100D l proximin es generlmente exelente siempre y undo np < 10F ry que tener en uent que
pr esos vlores de los prmetrosD l distriuin inomil tendr stntes prolems pr ser omputdD y que se exigirD entre otros lulosD el lulo de n! pr un vlor de n ltoD por lo que l proximin es muy tilF
Ejemplo.
es de
1 1200 D
upongmos que un frinte de mquinri pesd tiene instldos en el mpo QVRH determinemos l proilidd de que
generdores de grn tmoF i l proilidd de que ulquier de ellos flle durnte el o en urso
a. b.
R generdores fllen durnte el o en ursoD ws I de un generdor flle durnte el o en ursoF
il promedio de motores que flln en el o es = np = (3840)(1/1200) = 3.2F e X l vrile que de(ne el nmero de motores que pueden fllr en el oD on vlores x =
0, 1, 2, 3, ...., 3840F
in prinipioD X B (3840, 1/1200) , pero ddo que n es muy grnde y p muy pequeoD podemos onsiderr que X P (3.2)F or tntoD
P [X = 4] =
or su prteD
e3.2 3.24 = 0.178 09 4! e3.2 3.20 e3.2 3.21 = 0.828 80 0! 1!
P [X > 1] = 1 P [X = 0, 1] = 1
69
0.4 P(1) 0.3 0.2 0.1 0 5 0.2 P(5) 0.15 0.1 0.05 0 5 0.2 P(10) 0.15 0.1 0.05 0 5 0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25
pigur RFQX puniones ms de distriuiones de oissonF
4.3.3. Distribucin geomtrica

e X un vFF disret que puede tomr los vlores x = 0, 1, 2, ... e die que sigue un
geomtrica de prmetro p @y se not X Geo (p)AD on 0 < p < 1D si su funin ms es

f (x) = p (1 p) , pr x = 0, 1, 2, ...
e X Geo (p)F intonesD
x
distribucin
1p p 1p V arX = . p2 EX =
Caracterizacin de la distribucin geomtricaF upongmos que un determindo experimento letorio

se repite suesivmente de form independiente y que en ese experimento hy un sueso que denominmos
xito,
que ourre on proilidd onstnte pF in ese soD l vrile letori X que uent el nmero de
frsos hst que ourre el primer xito sigue un Geo (p)F
70
0.4 Geo(0.25) 0.3 0.2 0.1 0 5 0.8 Geo(0.5) 0.6 0.4 0.2 0 5 0.8 Geo(0.75) 0.6 0.4 0.2 0 5 0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25
pigur RFRX puniones ms de distriuiones geomtrisF
Ejemplo. iguiendo on un ejemplo nteriorD sore el ingeniero que env dgitos trvs de un nl
imperfetoD hor se plnte untos dgitos se reiirn orretmente hst que uno se rueD siendo que l proilidd de que uno ulquier lo hg es de HFPF v vrile de inters hor es Y X n
de dgitos que se reciben bien hasta el primero que se cruzaF
ist
vrile tiene omo modelo de proilidd un distriuin Geo(0.2)F qris este modeloD podemos deirleD por ejemploD que l proilidd de que enve ien dos y que flle el terero es de
P [Y = 2] = 0.2 0.82 = 0.128.
4.3.4. Distribucin binomial negativa

binomial negativa de prmetros a y p @y se not X
ms es e un vFF disret que puede tomr los vlores x = 0, 1, 2, ... e die que X sigue un
distribucin
BN (a, p)AD on a > 0 y 0 < p < 1D si su funin
f (x) =
donde (x) =
(a + x) x pa (1 p) pr x = 0, 1, 2, ... (a) (x + 1)
sx1 es ds es l funin gmmF
ysrvese que l distriuin geomtri es un so prtiulr de l inomil negtivD undo a = 1F

71
e X BN (a, p)F intones
1p p 1p V arX = a 2 p EX = a
Caracterizacin de la distribucin binomial negativa. e un determindo experimento letorio que

se repite suesivmente de form independiente y donde hy un sueso que denominmos que ourre el enteroD
k-simo xito,
que ourre
on proilidd onstnte pF in ese soD l vrile letori X que uent el nmero de frsos hst xito sigue un BN (k, p)F in este soD demsD y ddo que (r) = (r 1)! si r es un
f ( x) = =
(k + x 1)! k x p (1 p) pr x = 0, 1, 2, ... (k 1)!x! k+x1 k1 pk (1 p)

x
pr x = 0, 1, 2, ...
Caracterizacin de la distribucin binomial negativaF en X1 , ..., Xn vFF independientesa on distriE

uin Geo (p)F in ese soD X = es un enteroF
a Podemos quedarnos por ahora con la idea de que v.a. independientes son aquellas tales que el resultado de cualquiera de ellas no afecta al resto.
n i=1
Xi sigue un BN (n, p)F he nuevo osrvese que el primer prmetro
Ejemplo.
gontinundo on el ejemplo de l trnsmisin de dgitos trvs de un sistem imperfeE
toD untos dgitos se trnsmitirn orretmente hst que dos lo hgn inorretmentec he nuevo tenemos que sumir que no hy un respuest pr estoD pero s podemos onsiderr un modelo de proilidd pr ello que nos yude tomr deisionesF e Z X
n de dgitos que se reciben bien hasta que dos se cruzanF
ist vFF sigue un distriuin
BN (2, 0.2)F qris este modeloD podemos deirle l ingenieroD por ejemploD que l proilidd de
que se le ruen P dgitos on IH o menos envos es
8
P [Z 8] =
z =0
P [Z = z ] =
(2 + z 1)! 2 z 0.2 0.8 = 0.62 (2 1)!z ! z =0
72
0.1 BN(2.5,0.25)
0.06 BN(5,0.25) 0.04
0.05 0.02 0 10 0.4 BN(2.5,0.5) 0.3 0.2 0.1 0 10 0.8 BN(2.5,0.75) 0.6 0.4 0.2 0 10 0 10 20 30 40 0.3 0.2 0.1 0 10 0 10 20 30 40 0 10 20 30 40 0.15 0.1 0.05 0 10 0.4 BN(5,0.75) 0 10 20 30 40 0 10 0.2 BN(5,0.5)
10
20
30
40
10
20
30
40
pigur RFSX puniones ms de distriuiones inomiles negtivsF
4.4. Variable aleatoria continua

4.4.1. Denicin
n vrile letori es
continua
si el onjunto de vlores que puede tomr slo puede enerrrse en
intervlosD formndoD por tntoD un onjunto on un nmero in(nito no numerle de elementosF
Ejemplo. on vriles letoris ontinusX

v tensin de frtur de un muestr de sfltoF il grosor de un lmin de luminioF il pr de un muestr de lluviF v durin de un llmd telefniF
4.4.2. Histograma
ry un difereni fundmentl entre ls vriles disrets y ls ontinusX en ls disrets podemosD l menosD numerr los posiles vlores y ontr el nmero de vees que sle d vlor posile en un muestrF in emrgoD por el rter que tienen los intervlos de nmeros relesD por muy grnde que fuer l muestr
73
Histograma con N=100 datos
Histograma con N=1000 datos
0.8
Densidad
0.6
Densidad 0 1 2 3 4 5 6
0.4
0.0
0.2
0.0 0
0.2
0.4
0.6
0.8
pigur RFTX ristogrmsF que tomrmos de un vrile ontinuD jms tendrmos ms de un vlor de lgunos puntos que puede tomr l vrile1 F or es rznD en un vrile ontinu no podemos de(nir un funin ms empriD preismente porque los vlores de un vrile ontinu no tienen ms de proiliddF in emrgoD omo semosD existe un representin nlog l funin ms empri que permite proximr ls proiliddes de los vlores de un vrile ontinuX el histogrmF mos onsiderr un senillo ejemplo pr ilustrr est uestinX medinte simulmos dos muestrs de un vrileD un on N = 100 vlores y otr on N = 1000F ristogrms soidos ests muestrsD on IH y QI intervlosD respetivmenteD preen en l pigur RFTF eniendo en uent que el re de ls rrs represent l freueni reltiv on que se dn los vlores de los suesivos intervlos en l muestrD en estos histogrms podemos ver que l vrile tom myoritrimente vlores ernos eroY tnto ms lejno l ero es un vlorD menos prole pree serF iste desenso de l proilidd es demsD muy usdoD si exponenilF or otr prteD osrvese que l psr de IHH dtos en l muestr IHHH dtosD el histogrm esoz l form de un funin rel de vrile relF in generlD unto myor es N ms se proximn los histogrms l form de un funin ontinuF mos ir viendo ul es l utilidd de es funin desde el punto de vist del glulo de roiliddesF i en el histogrm de l izquierd de l pigur RFT quisirmos lulr l proilidd en l muestr de lguno de los intervlos que de(nen el gr(oD l respuest ser el re de l rr sore diho intervloF i quisirmos l proilidd en l muestr de vrios intervlosD sumrmos ls res de ls rrsF il prolem es que pr que ls proiliddes en l muestr se prezn ls verdders proiliddes es neesrio que el tmo de l muestr se grndeD unto myorD mejorF in ese soD tendrmos un
1 Esto
sucedera siempre que tomemos un nmero suciente de decimales en cada valor.

74
histogrm ms preido l de l dereh de l pigur RFTF in lD de nuevoD si queremosD por ejemploD lulr
P [a < X < b] ,
deermos sumr ls res de ls rrs que formn el intervlo (a, b)D si es que hy intervlos que formnD extmenteD el intervlo (a, b) . ero si el tmo de l muestr es lo su(ientemente mplio pr poder
pasar al lmite
y enontrr un
funin rel de vrile rel f (x) que represente l lne que de(ne el histogrmD lulr un proilidd del tipo P [a < X < b] sumndo ls res de ls rrs de los intervlos in(nitesimles que formn el intervlo
(a, b) equivle integrr dih funin en el intervlo (a, b)D es deirD P [a < X < b ] =
a b
f (x) dx.
4.4.3. Funcin de densidad

hd un vFF ontinuD X D l
funcin de densidad de probabilidad

P [a < X < b ] =
a b
de X es quell funin f (x) tl
que pr ulesquier a, b R o a, b = D
f (x) dx
Nota.
hdo que efetos del lulo de integrles un punto no fet l resultdo de l integrlD si
a, b RD podemos deir que P [a < X < b ] = P [a X < b] = P [ a < X b] = P [ a X b] =

a a b a b a b b
f (x) , f (x) , f (x) , f (x) .
iste heho pone de mni(esto que los vlores onretos de un vrile letori ontinu no tienen ms de proiliddD y que
P [X = x0 ] =
x0
f (x) dx = 0,
x0
pero s tienen densidd de proiliddD f (x0 )F ist densidd de proilidd represent l proilidd de los intervlos in(nitesimles de vlores lrededor de x0 F esD unque P [X = x0 ] = 0D si f (x0 ) tom un vlor ltoD querr deir que los vlores lrededor de x0 son muy prolesF
hd un vFF ontinuD X on funin de densidd f (x)X

75
IF f (x) 0 pr todo x R. PF
f ( x) = 1 .
QF in generlD pr ulquier onjunto de nmeros relesD B D
P [X B ] =
B
f (x) dx.
4.4.4. Funcin de distribucin

e de(ne l
funcin de distribucin de probabilidad de una v.a. continua X

F (x) = P [X x] =
x
omo
f (t) dt.
i X es un vFF ontinu on funin de densidd f (x) y funin de distriuin F (x)D entones IF l mx F (x) = 0. PF l mx F (x) = 1. QF F es reienteF RF F es ontinuF SF f (x) = F (x) .
Ejemplo.
gonsidrese un vrile letori ontinuD X, on funin de densidd f (x) = cea|x| .
mos lulr l onstnte c, l funin de distriuin y P [X 0]F in primer lugrD
1=
f (x) dx =
f (x) dx +
0 0
f (x) dx 2c , a
c exp (ax) dx +
c exp (ax) dx =
luego es neesrio que c = a 2F or otr prteD
F (x) =
f (t) dt =
1 ax si x < 0 2e 1 1eax si x 2 + 2
or ltimoD P [X 0] =
f (x) dx = 1 2.
v funin de densidd y l de distriuinD pr a = 1D preen en l pigur RFUF
76
pigur RFUX punin de densidd @izquierdA y de distriuin @derehAF
Ejemplo. gonsideremos un vFF ontinu on funin de distriuin dd por

F (x) =
in ese soD l funin de densidd es
0 si x < 0 x si 0 x < 1 . 1 si x 1
f (x) = F (x) =
1 si 0 x 1 0 en otro so
qr(menteD ms funiones preen en l pigur RFVF in est vrileD todos los puntos tienen l mism densidd de proiliddD indindo que todos los intervlos de l mism longitudD dentro de
[0, 1] , tienen l mism proiliddF
4.4.5. Funcin de distribucin emprica

el igul que ourre on l funin ms empri on respeto l funin ms y l histogrm on respeto l funin de densiddD l funin de distriuinD indistintmente de que se trte de un vrile disret o ontinuD tmin tiene un
versin muestral.
gonretmenteD si tenemos un vrile letori X y un muestr suy de tmo N, (x1 , ..., xN ) , l funcin
de distribucin emprica se de(ne omo
SN (x) =
nu mero de valores x . N
ist funin se utiliz pr proximrse l funin de distriuinD y que pr un grn nmero de vloresD
77
pigur RFVX punin de densidd @izquierdA y de distriuin @derehAF l urv empri se preer stnte l funin de distriuinF hiho de otr formD
l m SN (x) = F (x) ,
pr d xF
Ejemplo. in el ejemplo nterior se hl de un vrile letori ontinu uy funin de distriE

uin es
F (x) =
0 si x < 0 x si x [0, 1] . 1 si x > 1
in l pigur RFW hemos representdo dos funiones de distriuin empris soids sends muestrs de tmo N = 10 @izquierdA y N = 100 @derehAF ysrvese que undo ument el tmo de l muestr @N AD l funin de distriuin empri se pree d vez ms l funin de distriuinF
4.4.6. Media y varianza de una v.a. continua

e X un vFF ontinu on funin de densidd f (x)F e de(ne su medi o espernz mtemti omo
EX =
x f (x)dxF
v interpretin de l medi de un vFF ontinu esD de nuevoD l de un vlor entrl lrededor del que se dn el onjunto de reliziones de l vFF ytr interpretin es l de
valor esperadoD en el sentido de que
78
pigur RFWX puniones de distriuin emprisF
es el vlor de l vrile letori en el que priori se tienen ms espernzsF
Ejemplo. e un vFF ontinu on funin de densidd

fX (x) =
glulemos su mediX
1 x 2 x 1
si x1 x x2
0 en otro so
EX =
x2
x
x1
1 dx x2 x1
x2
x2 1 x2 x1 2
=
x1
1 x2 x2 1 2 2 x2 x1
1 ( x2 x1 ) ( x2 + x1 ) 1 = (x1 + x2 ) , = 2 x2 x1 2
es deirD el punto medio del intervlo [x1 , x2 ]F
Ejemplo. e un vFF ontinu on funin de densidd

fX (x) = ex si x 0 0 en otro so .
79
glulemos su mediX
EX =
0
x ex dx u=x +
0
dv = ex dx = 1 = 0 + ex
0
x ex 1 = .
ex dx
mos introduir hor el onepto de vrinz de un vFF ontinuD que de nuevo se interpret omo un medid de l onentrin de los vlores de l vFF en torno su mediF
e un vFF X F e de(ne su
varianza omo V ar [X ] = E
(X EX )
is deirD es l medi de ls desviiones l udrdo de los vlores de l vrile respeto de su mediF
v rz udrd de l vrinzD =
V ar [X ] se onoe omo
desviacin tpicaF
gomo en el so de ls vFF disretsD existe un mtodo ms modo pr el lulo de ulquier vrinzF in onretoD
V ar [X ] = E (X EX )
= E X 2 2X EX + (EX )
2
2 2
= E X 2 2 EX EX + (EX ) = E X 2 (EX ) .
gomo se oment nteriormenteD l interpretin de l vrinz es l de un promedio que mide l distni de los vlores de l vrile l medi de stF i l vrinz es pequeD indi un lt onentrin de los vlores de l vrile en torno l mediY y vieversD si l vrinz es grndeD indi lt dispersin de los vlores de l vrile respeto de l mediF
Ejemplo. glulemos l vrinz de un vFF ontinu on funin de densidd

fX (x) =
1 x 2 x 1
si x1 x x2
0 en otro so
E X
2
x2
=
x1
x2
3 1 1 x3 2 x1 dx = x2 x1 3 x2 x1
x2 + x1 x2 + x2 1 = 2 . 3
80
enteriormente hmos demostrdo que
EX =
por tntoD
x1 + x2 , 2
V ar [X ] = E X 2 EX 2 =
2 ( x1 + x2 ) (x2 x1 ) x2 2 + x1 x2 + x1 = . 3 4 12 2 2
Nota. istimiones muestrles de medi y vrinz de un vFF

rolemente ls mentes ms despierts y se hyn plntedo qu relin hy entre l medi y l vrinz de un vFF @disret o ontinuA y l medi y l vrinz de unos dtosD de(nids en el ptulo de istdsti hesriptivF v respuest l veremos ms delnteD pero podemos ir vnzndo que l relin es preid l que se d entre los digrms de rrs y ls funiones ms o entre los histogrms y ls funiones de densiddF is deirD si tenemos unos dtos de un vrileD en otrs plrsD un muestr de un vrileD l medi y l vrinz de l muestr sern proximiones de l medi y l vrinz de l vrile letoriD proximiones que deen ser tnto mejores unto myor se el tmo de l muestrF
Nota. gomportmiento de l medi y l vrinz frente mios de origen y eslF

n mio de origen de un vrile onsiste en sumr o restr un determind ntidd los vlores de l vrileD mientrs que un mio de esl supone multiplir por un ftor dihos vlroesF in generlD si X es un vrile ulquierD un mio de origen y esl supone onsiderr aX + bF omentmos en el ptulo de istdsti hesriptiv el omportmiento de l medi y l vrinz muestrl frente estos mios de origen y eslF ehor nos referimos qu l omportmiento de sus homlogos polionlesF iste resultdo es muy til en l prti y es vlido tnto pr vriles ontinus omo pr disretsF gonretmenteD si X es un vFF y a, b RD entones
E [aX + b] = aE [X ] + b V ar [aX + b] = a2 V arX
Nota. i tenemos un olein de vriles letoris independientesD es deirD que son oservds sin
que ningun de ells pued in)uir sore ls otrsD es muy til plnterse en osiones por l medi y l vrinz de l sum de tods ellsF mos onsiderr ls vriles X1 , ..., Xn D que pueden ser disrets o ontinusF ues ienD se tiene que l medi de l sum es l sum de ls medis y que l vrinz de l sum es l sum de ls vrinzsY
81
es deirD
E [X1 + ... + Xn ] = EX1 + ... + EXn V ar [X1 + ... + Xn ] = V arX1 + ... + V arXn
4.5. Modelos de distribuciones de probabilidad para variables continuas

gomo en el so de ls vriles disretsD vmos desriir ontinuin los modelos de distriuiones de proilidd ms usules pr vriles ontinusF he nuevo tenemos que insistir que l utilidd de estos modelos rdi en que vn filitrnos l mner en que se reprte l proilidd de los vlores de l vrileF
4.5.1. Distribucin uniforme (continua)

uniforme entre x1 y x2
e die que un vFF ontinu X que slo puede tomr vlores en el intervlo (x1 , x2 ) sigue un distribucin @y se not X U (x1 , x2 )A si su funin de densidd es
f (x) =
1 x 2 x 1
si x1 < x < x2
0 en otro so
e X U (x1 , x2 )F intones
x1 + x2 2 2 (x2 x1 ) V arX = . 12 EX =
Caracterizacin de la distribucin uniformeF i X
es un vFF tl que dos intervlos ulesquier entre
x1 y x2 de l mism longitudD tienen l mism proiliddD entones X U (x1 , x2 ) .

il ejemplo ms hitul de est vrile es l vrile uniforme en el intervlo (0, 1) ; vlores simuldos de est vrile son los que se luln on l orden
RND de ulquier luldorF
4.5.2. Distribucin exponencial

ist distriuin suele ser modelo de quellos fenmenos letorios que miden el tiempo que trnsurre entre que ourren dos suesosF or ejemploD entre l puest en mrh de un iert omponente y su fllo o el tiempo que trnsurre entre dos llmds onseutivs un entrlitF
82
e X un vFF ontinu que puede tomr vlores x 0F e die que X sigue un distribucin
de parmetro @y se not X exp ()A si su funin de densidd

f (x) = ex si x 0 . 0 en otro so
exponencial
ysrvese que su funin de distriuin es
F (x) = P [X x] =
e X exp ()F intonesD
1 ex si x 0 . 0 en otro so
1 1 V arX = 2 . EX =
Caracterizacin de la distribucin exponencialF e X P () un vFF disret que uent el nmero

de xitos en un determindo periodo de tiempoF in ese soD el tiempo que ps entre dos xitos onseutivosD
T D es un vFF que sigue un exp ()F
Ejemplo. n elemento rditivo emite prtuls segn un vrile de oisson on un promedio de

IS prtuls por minutoF in ese soD el tiempoD T D que trnsurre entre l emisin de un prtul y l siguiente sigue un distriuin exponenil de prmetro = 15 prtuls por minutoF iste modelo nos permiteD por ejemploD lulr l proilidd de que entre prtul y prtul psen ms de IH segundosD ddo por
P [T > 10/60] =
15e15t dt = e15/6 .
1/6
Ejemplo.
eordemos que hmos omentdo que l distriuin de oisson se sol utilizr en el
ontexto de ls redes de omuniiones omo modelo pr el nmero de soliitudes un servidor por unidd de tiempoF egn est rterizin que mos de verD eso equivle deir que el tiempo que ps entre dos soliitudes un servidor sigue un distriuin exponenilF or ejemploD supongmos que el nmero de onexiones un servidor p sigue un distriuin de oisson de medi PFS onexiones l horF in ese soD podrmos preguntrnos ul es l proilidd de que psen ms de dos hors sin que se produz ningun onexinF eniendo en uent que el tiempo entre onexiones seguir un distriuin exponenil de prmetro PFSD es proilidd ser
P [T > 2] =
2
2.5e2.5x dx = e5
83
o ien
P [T > 2] = 1 P [T 2] = 1 FT (2) = 1 1 e2.52 = e5 .
ry un interesnte y urios propiedd de l distriuin exponenilD onoid omo

memoriaF
propiedad de no
i X es un vFF on distriuin exp() y t y s son dos nmeros positivosF intonesX
P [X > t + s|X > s] = P [X > t]

v form de demostrrlo es muy senillX
P [X > t + s|X > s] = =
P [X > t + s X > s] P [X > t + s] = P [X > s] P [X > s] e(s+t) = et = P [X > t] es
mos trtr de entender l trsendeni de est propiedd en el siguiente ejemploF
Ejemplo. il tiempo de vidD T D de un iruitoD sigue un distriuin exponenil de medi dos osF
glulemos l proilidd de que un iruito dure ms de tres osX
P [T > 3] = e 2 3
upongmos que un iruito llev S os funionndoD y que nos plntemos l proilidd de que n funione Q os msF egn l propiedd de no memoriD es proilidd es l mism que si el iruito r de omenzr funionrD es deirD
P [T > 3 + 5|T > 5] = P [T > 3] = e 2 3

hesde un punto de vist prtioD pree poo reileD porque entendemos que los S os previos de funionmiento deen her fetdo l (ilidd del iruitoD pero si reemos que l distriuin del tiempo de vid de ste es exponenilD tenemos que sumir est propieddF
4.5.3. Distribucin Gamma

e X un vFF ontinu que puede tomr vlores x 0F e die que X sigue un prmetros a y @y se not X Gamma (a, )A si su funin de densidd es
distribucin Gamma de
f (x) =
donde (x) =
(x) ex u (x) , (a)
a1
sx1 es ds es l funin gmmF
ysrvese que en el so en que a = 1 se tiene l distriuin exponenilF
84
1 exp(1)
0.5
0 0.2
10
12
14
16
18 exp(5)
20
0.15 0.1 0.05 0 0.1 exp(10) 0 2 4 6 8 10 12 14 16 18 20
0.05
10
12
14
16
18
20
pigur RFIHX puniones de densidd de distriuiones exponenilesF
in el ontexto de ls teleomuniionesD hy un so espeilmente interesnteF i a = nD nmero nturlD l distriuin se denomin del tiempo que ps entre n llmds telefnisD por ejemploF ytro so prtiulr lo onstituye l
Erlang. vo que l he interesnte es que est distriuin se utiliz omo modelo distribucin 2 con r grados de libertadD que no es ms que un
Gamma
r 1 2, 2
F ist distriuin se utilizD por ejemploD pr evlur l ondd del juste de un distriuin
teri unos dtosD omo veremos ms delnteF e X Gamma (a, )F intones
a a V arX = 2 . EX =
Caracterizacin de la distribucin GammaF e X P () un vFF disret que uent el nmero de

xitos en un determindo periodo de tiempoF in ese soD el tiempo que ps entre el k simo xito y el
k + rD T D es un vFF que sigue un Gamma (r, )F hdo que r es un enteroD en relidd es un Erlang (r, )F
Caracterizacin de la distribucin Gamma. en X1 , ..., Xn vFF independientes on distriuin exp ()F

in ese soD X =
n i=1
Xi sigue un Gamma (n, )F he nuevo osrvese que el primer prmetro es un enteroD
luego se trt de un irlngF

85
Gamma(2.5,1) 0.20
0.00 0.05 0.10 0.15 0.20
Gamma(5,1)
0.00
0.10
10
15
20
25
30
10
15
20
25
30
Gamma(2.5,0.2) 0.04
0.00 0.01 0.02 0.03 0.04
0.02
0.06
Gamma(5,0.2)
0.00
10
15
20
25
30
10
15
20
25
30
0.030
Gamma(2.5,0.1)
0.000 0.005 0.010 0.015
0.010
0.020
Gamma(5,0.1)
0.000
10
15
20
25
30
10
15
20
25
30
pigur RFIIX puniones de densidd de distriuiones qmm
4.5.4. Distribucin normal

e X un vFF ontinu que puede tomr ulquier vlor relF e die que X sigue un distribucin normal
o gaussiana, de parmetros y @y se not X N (, )A, si su funin de densidd es

f (x) = 1 2 2 exp (x ) 2 2
2
pr todo x R.
ysrvese que es l ni distriuin que hemos visto hst hor que tom todos los vlores entre y
+ F
e X N (, )F intones
EX = V arX = 2 .
il propio nomre de l distriuin normal indi su freuente uso en ulquier mito ient(o y tenolgioF iste uso tn extendido se justi( por l freueni o normlidd on l que iertos fenmenos tienden preerse en su omportmiento est distriuinD y que muhs vriles letoris ontinus presentn un funin de densidd uy gr( tiene form de mpnF istoD su vezD es deido que hy muhs vriles soids fenmenos nturles uys rterstis son omptiles on el modelo letorio que supone el modelo de l normlX grteres morfolgios de individuos @personsD nimlesD plntsD FFFA de un espeie @tllsD pesosD envergdursD dimetrosD permetrosD FFFAF
86
0.4 N(0,1) 0.3 0.2 0.1 0 10 0.4 N(1,1) 0.3 0.2 0.1 0 10 0.4 N(1,1) 0.3 0.2 0.1 0 10 5 0 5 10 5 0 5 10 5 0 5 10
0.1 N(0,4)
0.05
0 10 0.1
10 N(1,4)
0.05
0 10 0.1
10 N(1,4)
0.05
0 10
10
pigur RFIPX puniones de densidd de l distriuin norml grteres (siolgios @efeto de un mism dosis de un frmoD o de un mism ntidd de onoAF grteres soiolgios @onsumo de ierto produto por un mismo grupo de individuosD puntuiones de exmenFFFAF grteres psiolgios @oiente inteletulD grdo de dptin un medioD FFFAF irrores ometidos l medir ierts mgnitudesF lores estdstios muestrlesD omo por ejemplo l mediF ytrs distriuiones omo l inomil o l de oisson son proximds por l normlD FFF in generlD omo veremos enseguidD ulquier rtersti que se oteng omo sum de muhos ftores independientes enuentr en l distriuin norml un modelo deudoF ixiste otr rzn ms prgmti pr el uso tn extendido de l distriuin normlX sus propieddes mtemtis sonD omo iremos viendoD si inmejorlesF iso ondue que si siempre se trte de forzar l modelo norml omo modelo pr ulquier vrile letoriD lo ulD en osiones puede onduir errores importntes en ls pliiones prtisF vo ierto es que tmin son freuentes ls pliiones en ls que los dtos no siguen un distriuin normlF in ese so puede ser relevnte estudir qu ftores son los que provon l prdid de l normlidd yD en ulquier soD pueden plirse tnis estdstis que no requiern de es hiptesisF
87
Tipicacin de la distribucin normal.
e X N (, )F intonesD
Z=
propiedd que suele onoerse omo
X N (0, 1) ,
tipicacin de la normal.
ist onoid propiedd tiene un pliin prti muy usulF hds ls rterstis de l densidd gussinD no es posile lulr proiliddes soids l norml de form extD y que ls integrles del tipo
1 2 2
exp
(x ) 2 2
dx
no pueden ser expresds en trminos de ls funiones usulesD y slo pueden lulrse por mtodos nuE mriosF xo ostnteD existen tls donde preen multitud de vlores de l funin de distriuin de l distriuin N (0, 1) y prtir de ellos se pueden lulr otrs tnts proiliddesD utilizndo l propiedd de tipi(inF or ejemploD si queremos lulr l proilidd de que un vrile X N (, ) est en el intervlo [a, b]D tenemos
P [a X b] = P
a X b = FZ
FZ
donde FZ () es l funin de distriuin de un vrile Z N (0, 1)D que puede evlurse medinte el uso de tlsF mos verlo en un ejemploF
Ejemplo. in el rtulo ndies de relin pesoEtll omo indidores de ms musulr en el dulto del sexo msulino de l revist Revista Cubana Aliment. Nutr. @IWWVYIP@PAXWIESA pree un
oletivo de vrones on un peso uy medi y desviin estndr sonD respetivmenteD TSFT y IIFUF IF gmo podemosD medinte ls tls de l N (0, 1)D lulrD por ejemploD l proilidd de que uno de esos vrones pese ms de UTFPS kilosc
P [X > 76.25] = P
76.25 65.6 X 65.6 > 11.7 11.7
= P [Z > 0.91] = 1 P [Z < 0.91] = 1 0.819

PF l proilidd de que pese menos de TH kilosc
P [X < 60] = P
X 65.6 60 65.6 < 11.7 11.7
= P [Z < 0.48] = P [Z > 0.48] = 1 P [Z < 0.48] = 1 0.684

QF l proilidd de que pese entre TH y UTFPS kilosc
P [60 < X < 76.25] = P [X < 76.25] P [X < 60] = 0.819 (1 0.684)
88
pigur RFIQX fsqued de proiliddes en l tl de l N (0, 1)F lor de l proilidd l izquierd de HFWI
RF gunto pesr quel vrn tl que un S 7 de vrones de ese oletivo pesn ms que lc is deirD ul ser el vlor de x tl que P [X > x] = 0.05 oD equivlentementeD P [X < x] = 0.95F hdo que
P [ X < x] = P
x 65.6 x 65.6 X 65.6 < =P Z< 11.7 11.7 11.7

x65.6 11.7
tn slo tenemos que usr el vlor z = en uyo soD x = 65.6 + 11.7 1.645F
tl que P [Z < z ] = 0.95D IFTRS @proximdmenteAD
89
pigur RFIRX fsqued de vlores z en l tl de l N (0, 1)F lor de Z que dej l dereh un proilidd de HFWS
Teorema Central del LmiteF en X1 , ..., XN
vFF independientesD tods ells on l mism distriuin
de proiliddD distriuin de medi X y desviin tpi X F in ese soD l sum de ests vriles sigue proximdmente un distriuin norml undo N es elevdoD es deirD
N
Xi N N X , N X .
i=1
ipi(ndoD podemos reenunir el eorem gentrl del vmite diiendo que

N i=1
Xi N X N (0, 1) . N X
iste teorem es el que proporion un justi(in mtemti del porqu l distriuin gussin es un modelo deudo pr un grn nmero de fenmenos reles en donde l vFF oservd en un momento ddo es el resultdo de sumr un grn nmero de suesos letorios elementlesF
Ejemplo. gonsideremos X1 , ..., XN

entrl del lmiteD
N i=1
vriles independientes on distriuin U [0, 1]F egn el teorem

N 12
Xi N 0.5N,
F r poner este resultdo de mni(esto se h relizdo

N i=1
el siguiente experimentoX r N = 1, 2, 5 y 10D se h simuldo un muestr de IHHHH dtos de
Xi D diujndo su histogrm
90
140 N=1 120 100 80 60 40 20 0 0 0.2 0.4 0.6 0.8 1
250 N=2 200 150 100 50 0
0.5
1.5
300 N=5 250 200 150
350 N=10 300 250 200 150
100 50 0 0 1 2 3 4 5
100 50 0 0 2 4 6 8 10
pigur RFISX slustrin del eorem gentrl del vmiteF
en d soF istos histogrms preen en l pigur RFISF in ell se pone de mni(esto omo segn
N reeD el histogrm se v preiendo d vez ms un densidd gussinF
Ejemplo. upongmos que estmos relizndo un exmen de ISH preguntsD d un de ells on un

puntuin de I punto y que en funin de mo hemos estudidoD onsidermos que l proilidd de ontestr ertdmente un pregunt ulquier es de HFUF hmonos uent que el resultdo de un pregunt ulquier sigue un distriuin B (1, 0.7)D uy medi es 1 0.7 = 0.7 y uy vrinz es
1 0.7 (1 0.7) = 0.21F

or su prteD el resultdo (nl de l prue ser l sum de ls ISH puntuionesF odrmos ver este resultdo segn un B (150, 0.7)D pero los lulos sern muy tediosos deido los ftoriles de l funin ms de l distriuin inomilF in este soD meree l pen que utiliemos el eorem gentrl del vmiteD segn el ul el resultdo (nlD X D seguir proximdmente un distriuin
N 150 0.7, 150 0.21 ,

es deirD X N (105, 5.612) . esD si por ejemploD nos plntemos ul es l proilidd de prorD st ser
P [X > 75] = P [Z > 0.952] = 0.830.

ist pliin se onoeD en generlD omo
aproximacin normal de la binomial.
D de ls vriles X1 , ..., XN D podemos inunindo el eorem gentrl del vmite en trminos de l mediD X
deir que si N es grndeD
N (, / N ) X
91
Ejemplo. n ingeniero dise un prto de medid que reliz un proximin ms impreis que
el prto trdiionl pero muho ms rtF r reduir el mrgen de error de l medid relizdD el ingeniero propondr que se relien un nmero determindo de medids sore el mismo ojeto y que se onsidere l medi de ests medids omo vlor (nl de l medid del ojetoF sniilmenteD el ingeniero he un vlorin que le llev onluir que el prto est ien lirdoD es deirD que l medi de l medid del prto oinide on l medid relD y que l desviin tpi de ls medids del prto es igul HFUSF gunts medids dee proponer el ingeniero pr que el error de medid se inferior HFI on un WS 7 de proiliddc impeemos onsiderndo que d medidD Xi D tiene omo medi el verddero vlor de l medid del n = i=1 Xi D donde relmente nos ojetoD x0 D y desviin tpi HFUSF or su prteD l medid (nl ser X
n
interes onoer el vlor de nF r elloD tengmos en uent que se nos pide que
x0 < 0.1 0.95. X
.75 N x0 , 0 F or su prteD y queD onsiderndo el eorem gentrl del vmiteD X n
x0 < 0.1 = P x0 0.1 < X < x0 + 0.1 = P 0.1 n < Z < 0.1 n X 0.75 0.75 0.1 n . =12 1P Z < 0.75 x0 < 0.1 0.95D entones P Z < X
0.1 n 0.75
i queremos que P
0.975D de donde
0.1 n 0.75
1.96 y
entonesD n 216.09F gomo onlusinD ms le vle l ingeniero disminuir l desviin tpi del prto de medidF
4.6. Cuantiles de una distribucin. Aplicaciones

r r el tem vmos ver un de ls pliiones ms senills pero l vez ms tiles de los modelos de proiliddF heo deir que son numeross ls osiones que desde distintos mientes ient(os y de l sngenier he sesordo profesionles on respeto uestiones que tienen que ver on lo que est sein nlizF vos ejemplos que vmos onsiderr sonD gonretmenteD vmos omenzr de(niendo el
grosso modoD
sntesis de ellsF
cuantil
p @p [0, 1]A de un distriuin de proilidd
de un vFF X F e st disret o ontinuD denominemos f (x) su funin ms o de densiddF e de(ne el until pD Qp de su distriuin omo el primer vlorD xD de l vrile tl que P [X x] pX i l vrile es disretD Qp serD por tntoD el primer vlor tl que
f (x) p.
xi x
92
xtese queD l ser l vrile disretD puede que no logremos otener un iguldd del tipo
xi x
f (x) =
pF
i l vrile es ontinuD Qp s puede otenerse omo el vlor x tl que
f (t) dt = p,
o lo que es lo mismoD omo el vlor x tl que F (x) = pD siendo F l funin de distriuin de l vrileF is muy freuente que l proilidd p l que se soi un until se exprese en porentjeF in ese soD los untiles tmin se pueden llmr percentilesF or ejemploD el until HFS es el perentil SHD l medinF hesde luegoD lo ms importnte es que interpretemos qu signi( el until p de un vFF gomo en istdsti hesriptivD se re(ere l vlor de l vrile que dej por dejo de s un proporin p de vlores de l vrileF intonesD si un vlor onreto orresponde on un until ejemplosF
altoD
podemos deir que relmente es un vlor
alto
dentro de l distriuin de proilidd de l vrileD y vieversF mos trtr de lrrlo on lgunos
4.6.1. La bombilla de bajo consumo marca ANTE

in el ptulo de introduin omentmos ls espei(iones tnis que pren en el envoltorio de un omill de IR de l mr exiD entre ls que se de que ten un durin de V osF iso ontrdie nuestr sensin de que este tipo de lmprs durn muho menos yD en ulquier soD es un simpli(in indmisileD porque es evidente que l durin de l omill es un vrile sujet inertidumreD es deirD un vrile letoriF mos her un pr de sunionesF in primer lugrD es prole que lo que quisiern deir en el envoltorio es que l
duracin media
es de V os @lo ulD por iertoD tmin podr ser ojeto de ontroversiAF
in segundo lugrD ddo que tenemos que proponer un modelo de distriuin de proilidd pr l duE rin de l lmprD vmos onsiderr el ms senillo que suele emplerse en este tipo de pliionesX l distriuin exponenilF ist hiptesis tmin podr ser disutidD pero otros modelos ms omplejosD omo l distriuin eiullD omplirn stnte nuestros lulos queD por otr prteD tienen slo (nes ilustrtivosF or tntoD vmos suponer que l durin de l omill es un vrile letoriD DD on distriuin exponenil de medi V os yD por tntoD on prmetro = 1/8F ehor que y tenemos un modelo proilstio podemos plnternos muhs ossX is muy prole que l lmpr lne su vid medic
P [D > 8] =
8
1 x e 8 dx = e8/8 = 0.3678794. 8
ysrvese que eso es lgo que ourrir on ulquier exponenilX l proilidd de que se supere l medi es slo del QTFUW 7F hiho de otr formD l medi es el perentil TQ proximdmenteD lo que impli que slo el QU 7 proximdmente de ls lmprs supern su vid mediFFF sorprendentec
93
ul es el vlor que supern el SH 7 de ls lmprsc e trt de l medinD M e = F 1 (0.5) , donde F () es l funin de distriuinF or tntoD l medin es l soluin de l euin
1 eM e = 0.5,
que result ser M e =
log 0.5
= 8 log 2 = 5.545177. vuegoD visto de otr formD el SH 7 de ls lmprs
se rompen ntes de SFSRS osF r terminrD nimo los letores interesdos que usquen informin sore el mputo de l vid medi de este tipo de lmprsD sdo en l relizin de prues elerds sore un muestr @stnte reduidD por iertoA de lmprsF
4.6.2. Las visitas al pediatra de los padres preocupados

vos que tenemos hijos pequeos oservmos on iert nsiedd l evoluin de su peso y su lturF gundo vmos l peditrD ste pes y mide l e yD ovimenteD te die
cmo estF
ero el prolem es que no
st on que me dig unto pes y mide mi hijo o mi hijD sino que me dig unto pes y unto mide en relin on los nios o nis de su mism eddF in es uestin es dnde entrn los perentilesF in este so jugmos on l ventj de que se hn heho multitud de estudios previos que determinn que tnto el peso omo l ltur son vriles que siguen un distriuin normlF ws nD se hn determindo ls medis y ls desviiones tpis de nios y nis desde los H meses hst l edd dultF mos ponernos en un situin onretD entrndonos en el pesoF engo un hijo de tres meses que pes SFT kilosF v pregunt es se por estudios
est gordo? es bajito?
in ulquier soD
cmo de gordo o de bajitoF
il peditr
previos2
que el peso de nios de tres meses es un N (6, 1.2)F vo que se plnte es en qu
posiin se sit el peso de mi hijoD SFT kilosD dentro de es distriuinF i X es el pesoD ddo que
P [X 5.6] = 0.369,
el peditr me dir que mi hijo est en el perentil QUD lo que quiere deir que es un peln jo de pesoD pero dentro de niveles rzonlesF
2 Fuente:
http://www.familia.cl/salud/curvas_de_crecimiento/curvas_de_crecimiento.htm
94
pigur RFITX gurvs de reimiento de H PR mesesF
95
96
Captulo 5
Variables aleatorias con distribucin conjunta
il mtrimonio es l prinipl us de divorioF qrouho wrx
Resumen. in el estudio de ls vriles letoris hemos psdo por lto el heho de que un onjunto de
dos o ms vriles puede verse fetdo por un serie de reliones entre ellsF il nlisis desde el punto de vist estdstio de ests reliones es el ojetivo de este ptuloF gomo so espeilD desriiremos de form detlld el modelo que pr ests reliones proporion l distriuin norml multivrinte
Palabras clave: distriuin onjuntD distriuin mrginlD distriuin ondiiondD ovrinzD oe(E
iente de orrelinD norml multivrinteF
5.1. Introduccin
il mundo rel est repleto de reliones todos los nivelesF xosotrosD por rzones ovisD estremos intereE sdos priniplmente en ls reliones que fetn vriles que desrien fenmenos propios del miente ient(oEtenolgioF ists reliones pueden tener muy diverss tipologisF or ejemploD podrmos pensr en reliones usEefetoD omo l queD por ejemploD explir que un pgin e teng un tmo onE siderle
debido
que llev inrustdo vrios rhivos de vdeo y udioD o l que se estlee entre l edd
en os de un vestigio y su ontenido en rono IR1 F ero no slo tendremos reliones usEefetoX por ejemploD semos que el peso y l esttur de un ser humno son vriles muy reliondsD hst el punto que no podemos deir que un person este oes slo on ser su pesoD sino que deemos vlorrlo
relacin a en
su estturF
or otr prteD undo un fenmeno es determinstio y est ien estudidoD ls reliones entre vriles son leyes ms o menos senillsD peroD en ulquier soD son inmutlesF or ejemploD
densidad =
1 Relacin
masa . vol.
que, por cierto, sabemos que permite la datacin del vestigio.
WU
eroD qu ourre undo el fenmeno es letorioc vs vriles en ese so son letoris y ls reliones que se puedn dr entre ells no siempre tienen por qu oedeer un ley ojetiv e inmovileF or ejemploD todos somos onsientes de queD omo demosD existe un relin entre el peso y l ltur de un personD pero no existe un
razn de conversin evidente c
pz de lulr el peso exto de lguien prtir de su lturF is y de qu form es es relinc ems pregunts trtrn de ser
evidente que el tiempo de desrg de un pgin we estr reliondo on el tmo de los rhivos que l on(gurnD pero mo de ontestds lo lrgo de este ptuloF en X1 , ..., XN vriles letorisF il vetor ordendo
X1 F F F XN
es un
vector aleatorio de dimensin N F vectores aleatorios continuos o vectores aleatorios discretos undo d un de sus
vectores mixtosD
rlremos de
vriles sen ontinus o disretsD respetivmenteF odrn drse estdstio no nos interes por horF
pero su trtmiento
Ejemplo. gonsideremos el vlor de un sel nlgi que depende del tiempoD x (t)F in est notinD
entendemos que el vlor de l sel podr ser distinto en d instnte de tiempo tF is muy freuente que l sel se oserve relmente ontmind por un ruido letorio que tmin depender del tiempoD
N (t)F in ese soD si oservmos l sel en los instntes t1 , ..., tN D el vetor x (t1 ) + N (t1 ) F F F x (tn ) + N (tn )
es un vetor letorioF
Ejemplo. e estudi el tiempo que un usurio de snternet dedi ver un pgin if (T ) en relin
on vriles omo l ntidd de texto que ontiene (T x)D el nmero de imgenes (I ) y nimiones plsh (F ) de l pginF intonesD el vetor
Tx I F
98
Ejemplo. e ontiliz l durin de ls llmds telefnis un entrlitF r d onjunto de

n-usurios
de l entrlitD d uno de ellos oup un tiempo Ti en su llmdF in ese soD el vetor
T1 F F F Tn
5.2. Distribuciones conjunta, marginal y condicionada

il prinipl ojetivo ordr en el tem es mo medir l inertidumre soid los suesos que desrie un vetor letorioF vimos que en el so de un vrile letori se trt de herlo prtir de l funin ms o l funin de densiddF ehorD omo vmos verD es lgo ms omplejoF
5.2.1. Distribucin conjunta

v
distribucin conjunta de probabilidad
de un vetor letorio esD esenilmenteD l mner en que
se reprte l proilidd entre todos los posiles resultdos del vetorF r desriirl vmos de(nir los oneptos de funin de densidd o funin ms nlogos los soidos un vrile letoriF e (X1 , ..., XN ) un vetor letorio disretoF intonesD se de(ne su
funcin masa conjunta omo
fX1 ,...,XN (x1 , ..., xN ) = P [X = x1 , ..., XN = xN ] .
or su prteD si (X1 , ..., XN ) es un vetor letorio ontinuoD entonesD su es un funin tl que
funcin de densidad conjunta
P (X1 , ..., XN ) A RN =
ARN
... fX1 ,...,XN (x1 , ..., xN ) dx1 ...dxN
Ejemplo. gonsideremos un vetor letorio idimensionlD(X, Y ) D que tiene densidd onjunt

fX,Y (x, y ) = cexy si 0 < y < x 0 en otro so .
in primer lugrD podemos lulr l onstnte c teniendo en uent que
fX,Y (x, y ) dxdy = 1.

R2
99
or elloD
1=
0
ce
x y
dy dx =
0
cex 1 ex dx =
c , 2
de donde c = 2F in segundo lugrD por ejemploD lulemos
P [X + Y 1] = =
0 0
1y
2ex ey dxdy
1
2ey ey e(1y) dy 1 2e + e2 . e2
=
@ver pigur SFIA
pigur SFIX egin del plno donde se lul l proiliddF
Ejemplo. gonsideremos dos vrilesD X

fX,Y (x, y ) =
e Y D que tienen densidd onjunt

1 15
si 0 x 3, 0 y 5
0 en otro so
ist densidd onstnte en el retngulo de(nido indi que l distriuin de proilidd es uniforme en diho retnguloF mos lulr l proilidd de que Y se myor que X @ver pigur SFPA
P [Y > X ] =
0
x 3
1 dy dx 15
5x = dx 15 0 x x2 3 7 = | = . 3 30 0 10
100
pigur SFPX egin del plno donde se lul l proiliddF
5.2.2. Distribuciones marginales

n vez que somos pes de desriir l distriuin de proilidd de un vetor letorio medinte su funin ms o su funin de densidd onjuntD surge un nuevo prolemX qu ourre si desemos onoer l distriuin de proilidd de un o ms vriles del vetorD no del vetor en su onjuntoF is distriuin de un o ms vriles de un vetor se onoe omo
distribucin marginalF
e (X1 , ..., XN ) un vetor letorio y (Xi1 , ..., Xik ) un suvetor de vriles suyoF in ese soX i el vetor es ontinuoD
fXi1 ,...,Xik (xi1 , ..., xik ) =

i el vetor es disretoD
...
xj / (xi1 ,...,xik )
fX1 ,...XN (x1 , ..., xn )

xj / (xi1 ,...,xik )
dxj .
fXi1 ,...,Xik (xi1 , ..., xik ) =

xj / (xi1 ,...,xik )
fX1 ,...XN (x1 , ..., xn ) .
Ejemplo. e el vetor idimensionl (X, Y ) on funin de densidd onjunt fX,Y

pr x, y > 0F v funin de densidd mrginl de X D
(x, y ) = x ex(y+1)
fX (x) =
fX,Y (x, y ) dy =
0
xex(y+1) dy = ex
pr x > 0F enlogmenteD l funin de densidd mrginl de Y D
fY (y ) =
fX,Y (x, y ) dx =
0
xex(y+1) dx =
1 (1 + y )
2
pr y > 0F
101
Ejemplo. gonsideremos dos vriles disretsD Q y GD uy funin msD fQ,G (q, g) , viene dd por
fQ,G (q, g ) q=0 q=1
us mrginles respetivs sonX
g=0 0.06 0.04
g=1 0.18 0.12
g=2 0.24 0.16
g=3 0.12 . 0.08
fQ (q ) =
g
fQ,G (q, g ) 0.06 + 0.18 + 0.24 + 0.12 si q = 0 0.04 + 0.12 + 0.16 + 0.08 si q = 1 0.6 si q = 0 0.4 si q = 1
si g = 0 si g = 1 si g = 2 si g = 3
=
y
0.06 + 0.04 0.18 + 0.12 fG (g ) = 0.24 + 0.16 0.12 + 0.08
Ejemplo. in un ejemplo nterior onsidermos dos vriles X

fX,Y (x, y ) =
mos lulr sus densiddes mrginlesX
1 15
e Y que tienen densidd onjunt
si 0 x 3, 0 y 5
0 en otro so
fX (x) = =
fX,Y (x, y ) dy 5 1 dy si 0 x 0 15
1 3
0 en otro so
si 0 x 3
0 en otro so
102
fY (y ) = =
fX,Y (x, y ) dx 3 1 dx si 0 y 0 15
1 5
0 en otro so
si 0 y 5
0 en otro so
or tntoD ms mrginles orresponden sends densiddes uniformesF
Ejemplo. v densidd onjunt de X
e Y es
fX,Y (x, y ) =
glulemos ms mrginlesX
2x si 0 x 1, |y | < x2 0 en otro so
fX (x) =
fX,Y (x, y ) dy
x2
x2
2xdy si 0 x 1
0 en otro so 4x3 si 0 x 1 0 en otro so
fY ( y ) = =
fX,Y (x, y ) dx
1 |y |
2xdx si 1 y 1 0 en otro so
1 |y | si 1 y 1 0 en otro so
5.2.3. Distribuciones condicionadas

i tenemos un vetor X = (X1 , ..., XN ) , podemos onsiderr l distriuin de proilidd de un vetor formdo por un suonjunto de vriles de X D (Xi1 , ..., Xik ) , ondiiond l heho de que se hn ddo determindos vlores en otro suonjunto de vriles de X, Xj1 = xj1 , ..., Xjl = xjl .
103
ist distriuin vendr rterizd por su funin ms o su funin de densidd se el vetor disreto o ontinuoD y tendr l expresin
condicionadasD segn
fXi1 ,...,Xik |Xj1 =xj1 ,...,Xjl =xjl (xi1 , ..., xik ) =
fXi1 ,...,Xik ,Xj1 ,...,Xjl (xi1 , ..., xik , xj1 , ..., xjl ) fXj1 ,...,Xjl (xj1 , ..., xjl )
donde fXi1 ,...,Xik ,Xj1 ,...,Xjl (xi1 , ..., xik , xj1 , ..., xjl ) es l funin ms o l funin de densidd onjunt de ls vriles Xi1 , ..., Xik , Xj1 , ..., Xjl y fXj1 ,...,Xjl (xj1 , ..., xjl ) es l funin ms o l funin de densidd onjunt de ls vriles Xj1 , ..., Xjl F in el so ms hitul en el que el vetor teng dimensin dosD tenemos l densidd o l funin ms de
X ondiiond Y = y, fX |Y =y (x) = fX,Y (x, y ) fY (y )
o l densidd o l funin ms de Y ondiiond X = x,
fY |X =x (y ) =
fX,Y (x, y ) . fX (x)
Ejemplo. en ls vriles X
e Y on l funin ms onjunt siguienteX y\x H I P H QGPV QGIR IGPV I WGPV QGIR H P QGPV H H
vs mrginles son
fX (x) =
y
3 3 1 28 + 14 + 28 si x = 0 9 3 28 + 14 + 0 si x = 1 3 28 + 0 + 0 si x = 2 3 9 3 28 + 28 + 28 si y = 0 3 3 14 + 14 + 0 si y = 1 1 28 + 0 + 0 si y = 2
fY (y ) =
gomo ejemplos de ls ondiionds @hy T en totlA lulemos l funin ms de X ondiiond
Y = 1 y l de Y ondiiond X = 1.
3 14 6 14 3 14 6 14
si x = 0 si x = 1 . si x = 2 si y = 0 si x = 1 . si x = 2
fX |Y =1 (x) =
0
6 14
fY |X =1 (y ) =
9 28 15 28 3 14 15 28
0
15 28
104
gomo es evidenteD un vez que tenemos rterizd l distriuin ondiiond de un vrile letori l vlor de otrD ulquier rtersti de dih distriuinD omo l medi o l vrinzD puede lulrse prtir de su funin ms o su funin de densiddF
EjemploF l y omo plntemos l omienzo del ptuloD supongmos que l posiin (X, Y ) de un
telfono mvil que reie oertur de un nten de telefon se enuentr dentro de un rulo de rdio
r lrededor de es ntenD que supondremos sin prdid de generlidd que se enuentr en el origen
del plnoF mos suponer que es posiin es es evidente que
completamente al azar
dentro del ruloF iso equivle
onsiderr que l densidd onjunt dee ser onstnte en el ruloY pr que su integrl se l uniddD
fX,Y (x, y ) =
1 r2
si x2 + y 2 r2 y ero en ulquier punto fuer del ruloF mos ver qu podemos verigur sore ls oordends X e Y por seprdo @mrginlesA y sore mo fetn l un l otr @ondiiondsAF in primer lugrD
fX (x) =
r 2 x 2
r 2 x 2
2 r 2 x2 1 dy = r2 r2
si r < x < rF v mrginl de Y es nlogD
fY (y ) =
r2 y2 r2
densosD ms probablesD
si r < y < rF ist lro que pr d oordend por seprdoD los puntos ms son los ernos l origenD que es donde se d el mximo de ms funionesF
ehor supongmos que onoemos un de ls oordends y vemos qu podemos deir sore l otrX
fX |Y =y0 (x) =
si
2 <x< r 2 y0
fX,Y (x, y0 ) = fY (y0 ) 2
1 r2
2 y0
2 F enlogmenteD r 2 y0
fY |X =x0 (y ) =
si
fX,Y (x0 , y ) = fX (x0 ) 2
1 r 2 x2 0
r 2 x2 0 <y <
r 2 x2 0 F i nos dmos uentD ms son distriuiones uniformesD lo que equivle
deir que ser un oordend no me d ningun informin sore l otr oordendF
Ejemplo. e ls IP de l nohe de un d de l semn omienzn ser registrdos ls nuevs llmds

un swith de telefonF e X el instnte de llegd de l primer llmdD medid en segundos trnsurridos trs l medinoheF e Y el instnte de llegd de l segund llmdF in el modelo ms
105
hitul utilizdo en telefonD X e Y son vriles letoris ontinus on densidd onjunt dd por
fX,Y (x, y ) =
2 ey si 0 x < y 0 en otro so
donde es un onstnte positivF mos lulr ls distriuiones mrginles y ondiionds que pueden drseX wrginl de X X
fX (x) =
2 ey dy = ex si 0 x,
x
luego se trt de un distriuin exponenil de prmetro F wrginl de Y :
fY ( y ) =
0
2 ey dx = 2 yey si y 0F
i nos (jmosD est densidd es un Gamma (2, )D es deir un irlng de prmetros 2 y F gondiiond de Y los vlores de X :
fY /X =x (y ) =
fX,Y (x, y ) = e(yx) si y > x. fX (x)
in est expresin no dee olvidrse que x es un vlor (joD ddoF gondiiond de X los vlores de Y :
fX/Y =y (x) =
1 fX,Y (x, y ) = si 0 x < y. fY ( y ) y
is deirD onoido el instnte en que lleg l segund llmd (y )D no se se nd de undo lleg l primer llmdD y que l distriuin de X ondiiond Y = y es uniforme en (0, y )F
Ejemplo. gonsideremos que l vrile X represent el input de un nl de omuniinD on posiles

vlores +1 y 1 equiprolesD y se Y el dgito que lleg l destinoD on vlores tmin +1 y 1F il nl es un nl inrio simtrio on proilidd de rue del S 7F gon los dtos expuestos podemos rterizr medinte sus funiones ms ls distriuiones mrginles de X e Y D l distriuin onjunt de mos y ls dos distriuiones ondiionds posiles de d vrile respeto de l otrF v distriuin mrginl de X viene dd por
fX (x) =
1 2 si x = 1 1 2 si x = 1
106
v distriuin mrginl de Y viene dd por
P [Y = +1] = P [Y = +1 | X = +1] P [X = +1] + P [Y = +1 | X = 1] P [X = 1] = 0.95 0.5 + 0.05 0.5 = 0.5 P [Y = 1] = 0.5,

es deir
fY ( y ) =
1 2 si y = 1 1 2 si y = 1
v distriuin de Y ondiiond l sueso X = +1 viene dd por:
fY |X =+1 (y ) =
0.95 si y = 1 0.05 si y = 1
v distriuin de Y ondiiond l sueso X = 1 viene dd por:
fY |X =1 (y ) =
v distriuin onjunt de X e Y viene dd por
0.95 si y = 1 0.05 si y = 1
fX,Y (x, y ) = P [Y = y | X = x] P [X = x] 0.95 0.5 si x = +1, y = +1 0.05 0.5 si x = +1, y = 1 = 0.05 0.5 si x = 1, y = +1 0.95 0.5 si x = 1, y = 1 0 en otro caso
v distriuin de X ondiiond l sueso Y = +1 viene dd por
fX |Y =+1 (x) =
fX,Y (x, +1) = fY (+1)
0.95 si x = 1 . 0.05 si x = 1
v distriuin de X ondiiond l sueso Y = 1 viene dd por
fX |Y =1 (x) =
fX,Y (x, 1) = fY (1)
0.05 si x = 1 0.95 si x = 1
5.3. Independencia estadstica

in el ptulo referente proilidd hlmos de independeni de suesosF hemos entones que dos suesos A y B ern independientes si y slo si P [A B ] = P [A] P [B ] .
107
ist de(niin puede extenderse l so en que tengmos dos vriles letoris X e Y F
gonretmenteD diremos que X
e Y son estadsticamente independientes si y slo si

fX,Y (x, y ) = fX (x) fY (y ) ,
donde fX,Y ()D fX () y fY () son funin de densidd o funin msD dependiendo de si ls vriles son disrets o ontinusF v interpretin del heho de que dos vriles letoris sen estdstimente independientes es que el omportmiento de un no tiene ningn efeto sore l otr y vieversF ge preguntrse en ese soD qu sentido tiene un distriuin ondiiond de un vrile otr que no gurd ningun relin on ellF mos omprorlo lulndo ls distriuiones ondiionds de vriles letoris estdstimente independientesX
fX |Y =y (x) =
fX (x) fY (y ) fX,Y (x, y ) = = fX (x) ; fY ( y ) fY ( y )
es deirD el omportmiento letorio de un vrile letori ondiiond l vlor de otr que es estdsE timente independiente de ell @desrito medinte l funin fX |Y =y (x)A es ompletmente igul que si no se ondiion diho vlor @desrito por l funin fX (x)AF
Ejemplo. e el vetor (X, Y ) on funin de densidd onjunt

fX,Y (x, y ) =
v funin de densidd mrginl de X :
24xy si x, y 0 y x + y 1 0 en otro so
fX (x) =
0
1x
24xy dy = 12x (1 x) si 0 x 1
v funin de densidd mrginl de Y X
fY (y ) =
0
1y
24xy dx = 12y (1 y ) si 0 y 1.
gomo
fX,Y (x, y ) = fX (x) fY (y ) ,

ls vriles X e Y no son independientesF
Ejemplo. e hor el vetor (X, Y ) on funin de densidd onjunt

fX,Y (x, y ) = 4xy si 0 x, y y x, y 1 0 en otro so
108
v funin de densidd mrginl de X X
fX (x) =
0
4xy dy = 2x si 0 x 1
v funin de densidd mrginl de Y X
fY (y ) =
0
4xy dx = 2y si 0 y 1.
gomo
fX,Y (x, y ) = fX (x) fY (y ) ,

ls vriles letoris X e Y son independientesF
Ejemplo. upongmos que dos omponentes eletrnis tienen un durin uy distriuin de proE
ilidd puede onsiderrse exponenil de prmetro = 2 horas1 F vs omponentes funionn en prleloD por lo que podemos onsiderr que son independientesF or lo tntoD su funin de densidd onjunt ser
fX,Y (x, y ) = 2e2x 2e2y = 4e2(x+y)

si x, y > 0F gul ser l proilidd de que lgun de ls omponentes dure ms de dos horsc odemos plnterlo omo
P [X > 2 Y > 2] = P [X > 2] + P [Y > 2] P [X > 2 Y > 2] = P [X > 2] + P [Y > 2] P [X > 2] P [Y > 2] ,
donde se h utilizdo en l proilidd de l intersein el heho de que ls vriles son independientesF ehor slo str reordr que P [X > 2] = e22 y P [Y > 2] = e22 F gul ser l proilidd de que l durin totl de ms omponentes se inferior dos horsc v durin totl vendr dd por X + Y D luego se nos pregunt por
P [X + Y < 2] = = =
0 0 0
2x
4e2(x+y) dydx
2
2e2x 1 e2(2x)
2
dx
2e2x 2e4 dx
= 1 e4 2e4 2 = 1 5e4
he l interpretin que hemos ddo de vriles independientes se sigue de mner inmedit que si dos vriles letoris son independientesD esto esD no mntienen ningun relinD tmpoo lo hrn funiones
109
suysF iste heho se reoge en el siguiente resultdoF vo podemos enunir ms formlmente diiendo que si
X e Y son vriles letoris independientes y V = g (X ) y W = h (Y ) son funiones suysD entonesD V y W tmin son independientesF
in el mito de ls eleomuniiones se dn numeross situiones donde pree un vrile letori
W D sum de otrs dos vriles letoris @generlmente ontinusA estdstimente independientesD X

e Y, es deirD W = X + Y. or ejemploD se d undo un sel X se le dhiere un ruido que le es ompletmente jeno @independienteAD Y F in ese soD l sum represent l sel resultnte y querremos onoer su omportmiento letorio prtir del de X e Y F isto se onoe omo teorema
de convolucinF
gonretmenteD sen X e Y dos vriles letoris independientes y se W = X + Y F intonesX i X e Y son ontinusD
fW (w) =
fY (y ) fX (w y ) dy
= fX fY (w)
donde fX y fY son ls funiones de densidd de X e Y D respetivmenteF i X e Y son disretsD
fW (w) =
y
fY (y ) fX (w y )
= fX fY (w)
donde fX y fY son ls funiones ms de X e Y D respetivmenteF
Ejemplo.
n sistem oper on un omponente lve uy durinD T1 , sigue un distriuin exE
ponenil de prmetro F i est omponente fllD inmeditmente se pone en funionmiento un omponente extmente igul que hst entones h funiondo en standbyD uy durin notmos por
T2 D vrile letori independiente de T1 .

i pretendemos onoer l distriuin de proilidd de l durin totl del sistemD que vendr dd por l vrile letori T = T1 + T2 D podemos poner en prti el teorem de onvoluinF r elloD tengmos en uent que
fTi (x) = ex , i = 1, 2,
pr x > 0F or tntoD
fT (z ) =
0
ex e(zx) dx = 2 zez
pr z > 0F gomo vemosD se trt de un distriuin irlng de prmetros 2 y F i reordmosD est er un de ls rteriziones de l distriuin irlngD sum de exponeniles independientesF
in el so de que en vez de dos vriles letoris se teng un vetor X = (X1 , ..., XN ) D l mner nturl de extender el onepto de independeni es inmeditF
110
e die que el vetor est formdo por
componentes independientes si
fX1 ,...,XN (x1 , ..., xN ) = fX1 (x1 ) ... fXN (xN ) .
pinlmenteD si se tienen dos vetores letorios XN 1 e YM 1 D se die que son
independientes si
fX,Y (x1 , ..., xN , y1 , ..., yM ) = fX (x1 , ..., xN ) fY (y1 , ..., yM ) .
5.4. Medias, varianzas y covarianzas asociadas a un vector aleatorio

i tenemos un vetor letorio formdo por ls vriles letoris X1 , ..., XN y g () es un funin de ests vrilesD entonesD l
media o esperanza matemtica de est funin es
...
E [g (X1 , ..., XN )] =
g (x1 , ..., xN ) fX1 ,...,XN (x1 , ..., xN ) dxN ... dx1
donde fX1 ,...,XN (x1 , ..., xN ) es l funin de densidd o l funin ms del vetor letorio @entendiendo en este ltimo so l integrl omo un sumAF gomo onseueni inmedit de est de(niinD tenemos un primer e importnte propieddX este operdor espernz multivrinte tmin es linelD en el sentido que se reoge en el siguiente resultdoF gonretmenteD podemos formlizrlo diiendo que si tenemos un vetor letorio (X1 , ..., XN ) y 1 , ..., N eslres ulesquierD entones
E [1 X1 + ... + N XN ] = 1 E [X1 ] + ... + N E [XN ] ,

es deirD l medi de l sum ponderd es l sum ponderd de ls medisF odemos trtr de reordr este resultdo si pensmos que es extmente l mism propiedd que tiene el operdor integrlD que
las sumas y saca fuera los escalaresF parte
5.4.1. Covarianza y coeciente de correlacin lineal

enteriormente hemos omentdo que estudir vetores letorios desde un perspetiv estdsti tiene sentidoD sore todoD porque permite nlizr ls reliones que se dn entre ls vriles del vetorF or ejemploD vimos mo los vlores de un vrile pueden fetr en myor o menor medid l distriuin de proilidd de ls otrs vrilesF in emrgoD ser muy interesnte disponer de un medid numri senill de lulr y de interpretr pr unti(r l menos en prte ul es el grdo de relin existente entre dos vriles de un vetor letorioF
111
in este sentidoD ddo el vetor letorio (X, Y )D se de(ne l
correlacin entre X
e Y omo
RXY = m11 = E [XY ] ,

prtir de l ul se puede lulr l
covarianza entre
X e Y omo
Cov (X, Y ) = E [(X EX ) (Y EY )] = E [XY ] EX EY = RXY EX EY.

v ovrinz entre dos vriles2 es un medid de l soiin linel existente entre ellsF er positiv si l relin entre ms es diret @si ree un ree l otrA y negtiv si es invers @si ree un deree l otrAY demsD ser tnto myor en vlor soluto unto ms fuerte se l relin linel existenteF r poder vlorr est relin linel en trminos reltivos se estndriz l ovrinzD dndo lugr lo que se onoe omo
coeciente de correlacin linealX

=
Cov [X, Y ] V ar [X ] V ar [Y ]
mos detllr lrmente los posiles vlores de y su interpretinX iste oe(iente es siempre un nmero rel entre EI y IF i es eroD indi un useni totl de relin linel entre ls vrilesF i es uno o menos uno indi un relin linel totl entre ls vrilesD diret o invers segn lo indique el signo @esto lo veremos enseguidAF in l medid en que est ms lejos del ero indi un relin linel ms intens entre ls vrilesF
incorreladasF or su prteD si dos vriles letoris son tles que RXY
i dos vriles letoris tienen ovrinz ero o equivlentementeD si RXY = EX EY, se dien que son
= 0, se die que son
ortogonalesF
hos vriles letoris son inorrelds si reen de ulquier tipo de relin linelF or otr prteD de(niE mos nteriormente el onepto de independeni entre vrile letoriD que impli l useni de relin entre ellsF enemosD sD dos oneptosD independeni e inorrelinD que estn stnte reliondosF in onretoD dos vrile letori independientesD X e Y D son siempre inorreldsD es deirD X,Y = 0. v rzn es queD por ser independientesD
fX,Y (x, y ) = fX (x) fY (y ) ,

2 Si
se considera la covarianza de una variable aleatoria consigo misma,

Cov (X, X ) = E [(X EX ) (X EX )] = E (X EX )2 = V arX,
esta cantidad coincide con su varianza.
112
luego
RXY =
xy fX (x) fY (y ) dy dx yfY (y ) dy = EX EY, xfX (x) dx

en uyo so Cov [X, Y ] = 0. v pregunt ovi que surge l luz de este resultdo esX y l ontrrioc hos vrile letori inorrelds sern independientesc y equivlentementeD si dos vrile letori no tienen ningun relin de tipo linel @inorreldsAD ourrir que tmpoo tienen ningun relin de ningn tipo @independientesAc v respuest es que no en generlF
Ejemplo. e un vrile letori on distriuin uniforme en (0, 2)F en

X = cos Y = sin .
e tiene que
EX = EY = E [XY ] =
0 0 0
cos
2
1 d = 0 2 1 d = 0 2 1 d 2
sin
2
sin cos
0 2
1 = 2
sin 2d = 0,
por lo que X e Y son vriles inorreldsF in emrgoD puede demostrrse filmente que no son independientesF
Nota.
v relin ms fuerte de tipo linel que puede drse orresponde l so en que un vrile
letori Y es extmente un ominin linel de otrD X D es deirD Y = aX + bF in ese soD
XY = 1 signo (a) .
v demostrin es muy senillF engmos en uent que
E [XY ] = E [X (aX + b)] = aE X 2 + bE [X ] ,
113
luego
Cov (X, Y ) = E [XY ] EX EY = aE X 2 + bE [X ] EX (aEX + b) = a E X 2 EX 2 = aV arX V arY = E ((aX + b) (aEX + b)) = E (aX aEX ) = a2 E (X EX )
y
2 2 2
= E a2 (X EX ) = a2 V arX,
XY =
aV arX Cov (X, Y ) = = 1 signo (a) . V arX V arY V arXa2 V arX
Nota. is importnte insistir en que l ovrinz y su versin estndrizdD el oe(iente de orrelin linelD proporionn un medid de l relin linealD no de otro tipoF or ejemploD supongmos que l
pigur SFQ represent los vlores onjuntos de dos vriles X e Y F ist lro que ms gurdn un lrsim relin dd por un prolX de hehoD Y = X 2 F in emrgoD el oe(iente de orrelin linel entre ms ser muy joD y que en reliddD l relin que ls une no es linel en solutoD sino prliF in este soD lo reomendle serD l vist del gr(oD deir que s existe un fuerte relin linel entre X e Y F
pigur SFQX wuestr onjunt de vlores de dos vriles letorisF gundo se tienen muestrs de pres de vriles letorisD podemos lulr l versin muestrl del oe(E iente de orrelin linelF is versin muestrl dr un estimin del verddero vlor del oe(iente de orrelin @polionlAF ist uestin se ord on ms detlle en el ptulo de regresinF equ tn slo queremos plsmr on ejemplos mo se trdue el heho de que dos vriles tengn un myor o menor oe(iente de orrelinF in l pigur SFR oservmos representiones onjunts de muestrs de pres de vriles en unos ejes rtesinos @nues de puntosAF gd punto de d eje rtesino represent un vlor
114
ddo de l muestr del pr (X, Y )F epreen R (gursD orrespondientes R simuliones de pres de vriles
(X, Y ) on distintos oe(ientes de orrelinF
ro=1 8 6 4 2 2 0 2 4 4 2 0 2 4 1 0 1 4 2 6 5 4 3
ro=1
ro=0 4 3 2 1 0 1 2 3 4 2 0 2 4 2 4 4 2 0 6 4
ro=0.7075
pigur SFRX xues de puntos orrespondientes distintos posiles oe(ientes de orrelin linelF
Ejemplo. en X
e Y ls vrile letori que miden el tiempo que trnsurre hst l primer y l
segund llmdD respetivmenteD un entrlit telefniF v densidd onjunt de ests vriles es fX,Y (x, y ) = ey pr 0 < x < y F in un ejemplo nterior y vimos queD lgimenteD el tiempo hst l segund llmd depende del tiempo hst l primer llmdD pero en qu grdoc mos ordr este prolem lulndo el oe(iente de orrelin linel entre ms vrilesF
115
gomo X,Y =
Cov (X,Y ) V arXV arY
, tenemos que lulr Cov (X, Y )D V arX y V arY. E [XY ] = xyfX,Y (x, y ) dxdy y xyey dxdy = = =
0 0
yey
y y e dy = 3. 2
0 3
x2 2
dy
0
fX (x) =
luego
fX,Y (x, y ) dy =
x
ey dy = ex D pr x > 0,
EX = fY (y ) = fX,Y (x, y ) dx =
0
xfX (x) dx =
0
xex dx = 1.
ey dx = yey D pr y > 0,
luego
EY = yfY (y ) dy =
y 2 ey dy = 2.
0
or tntoD
Cov (X, Y ) = 3 1 2 = 1.
or su prteD
E X
2
x fX (x) dx =
0 2
x2 ex dx = 2
V arX = 2 12 = 1
y
E Y2 = y 2 fY (y ) dy = V arY = 6 22 = 2,
s queD (nlmenteD
y 3 ey dy = 6
X,Y =
1 = 0.707. 12
il resultdo indi queD en efetoD el grdo de relin linel es lto y diretoF
vs propieddes del operdor espernz son muy tiles en l prtiD por ejemploD undo se trt de onoer l vrinz de ominiones lineles de vris vrilesF emos lgn ejemplo l respeto y despus un resultdo generl que los engloe todosF
116
Ejemplo. glulemos l vrinz de X1 + X2 :

E (X1 + X2 )
2 2 2 2 2 = E X1 + X2 + 2X1 X2 = E X1 + E X2 + 2E [X1 X2 ]
V ar (X1 + X2 ) = E (X1 + X2 )
E [X1 + X2 ]
2 2
2 2 = E X1 + E X2 + 2E [X1 X2 ] (EX1 + EX2 )
2 2 2 2 + E X2 + 2E [X1 X2 ] EX1 = E X1 EX2 2EX1 EX2 2 2 2 2 = E X1 EX1 + E X2 EX2 + 2 (E [X1 X2 EX1 EX2 ])
= V arX1 + V arX2 + 2Cov (X1 , X2 ) .
Ejemplo. glulemos l vrinz de X1 X2 :

E (X1 X2 )
2 2 2 2 2 = E X1 + X2 2X1 X2 = E X1 + E X2 2E [X1 X2 ]
V ar (X1 X2 ) = E (X1 X2 )
E [X1 X2 ]
2 2
2 2 = E X1 + E X2 2E [X1 X2 ] (EX1 EX2 )
2 2 2 2 = E X1 + E X2 2E [X1 X2 ] EX1 EX2 + 2EX1 EX2 2 2 2 2 = E X1 EX1 + E X2 EX2 2 (E [X1 X2 EX1 EX2 ])
= V arX1 + V arX2 2Cov (X1 , X2 ) .
odemos generlizr estos ejemplos en el siguiente resultdoF e un sum de N vrilesD X = intonesD

N N
N i=1
i Xi .
V ar [X ] =
i=1 j =1
i j Cov (Xi , Xj ) ,
donde Cov (Xi , Xi ) = V ar (Xi )D pr i = 1, ..., N F

117
= v demostrin es ien senillF gomo X V ar [X ] = E =E

i=1 N N
N i=1 2
i EXi ,
X X
N
i i Xi X
i=1
i i Xi X j Xj X
=
i=1 j =1 N N
i j E
i Xi X
=
i=1 j =1
i j Cov (Xi , Xj )
pijmonos queD en el so en que ls vriles sen inorreldsD

N N N
V ar [X ] =
i=1 j =1
i j Cov (Xi , Xj ) =
i=1
2 i V ar [Xi ] ,
y que
Cov [X, Y ] =
0 si i = j V ar [Xi ] si i = j
5.4.2. Vector de medias y matriz de varianzas-covarianzas de un vector

hdo un vetor de N vrilesD X = (X1 , ..., XN ) , se de(ne su
vector de medias omo
E [X1 ] F , F = F E [XN ]
y su
matriz de varianzas-covarianzas omo

CX = (Ci,j )i,j =1,...,N ,
donde
Ci,j =
V ar (Xi ) si i = j Cov (Xi , Xj ) si i = j
ist mtriz ontiene ls vrinzs de d vrile del vetor en l digonl y en el elemento (i, j ) l ovrinz entre l isim y l j sim vrileF in form mtriilD l mtriz de ovrinzs puede de(nirse omo
CX N N = E (X X )N 1 (X X )1N .
or otr prteD
CX = E (X X ) (X X ) = E [XX ] X X ,
118
donde l mtriz E [XX ] se le suele denominr le not RX F
matriz de correlaciones o de autocorrelacionesD y se
ems mtriesD CX y RX D son mtries simtrisF v linelidd del operdor medi filit rpidmente l expresin del vetor de medis y l mtriz de vrinzsEovrinzs de ominiones lineles de vetoresD omo se reoge en el siguiente resultdoF gonreE tmenteD si tenemos el vetor letorio XN 1 on vetor de medis X y mtriz de vrinzs ovrinzs CX y el vetor YM 1 = AM N XN 1 + bM 1 D entonesD el vetor de medis y l mtriz de vrinzs ovrinzs de Y vienen dds por
Y = AX + b CY = ACX A .
Ejemplo.
mos ver que l pliin de este resultdo filit stnte determindos lulosF or
ejemploD si queremos lulr V ar (X1 + X2 )D podemos tener en uent que
X1 + X2 =
de mner que
X1 X2
V ar (X1 + X2 ) =
V arX1 Cov (X1 , X2 )
Cov (X1 , X2 ) V arX2
1 1
= V arX1 + V arX2 + 2Cov (X1 , X2 ) .

he igul formD si queremos lulr V ar (5X1 3X2 ) , ddo que
5X1 3X2 =
se tiene que
X1 X2
V ar (5X1 3X2 ) =
V arX1 Cov (X1 , X2 )
Cov (X1 , X2 ) V arX2
5 3
= 25V arX1 + 9V arX2 30Cov (X1 , X2 ) .
5.5. Distribucin normal multivariante

in el ontexto de los modelos de distriuiones de proilidd pr vriles letorisD l distriuin norml onstituye el ejemplo ms relevnteD tnto por l freueni de su pliin en sos reles omo por l grn verstilidd de sus propieddes mtemtiF in el ontexto de los vetores letorios que estmos trtndo en este ptuloD nos oupmos de l versin multivrinte de est distriuinF he nuevo podemos
119
estr seguros de que se trt del so ms interesnte por dos motivosX porque pree omo modelo deudo en un grn nmero de fenmenos de l nturlez y porque sus propieddes mtemtis on inmejorlesF n vetor formdo por N vriles letoris X = (X1 , ..., XN ) se die que sigue un distribucin
multivariante o distribucin conjuntamente normal o conjuntamente gaussiana,

1 (2 ) det (CX )
donde
N
normal
on vetor de
medis X y mtriz de vrinzsEovrinzs CX D si su funin de densidd onjunt es de l form
fX (x) =
1 1 exp (x X ) CX (x x ) , 2
CX = (Ci,j )i,j =1,...,N Cij = V ar [Xi ] si i = j Cov [Xi , Xj ] si i = j
x = (x1 , ..., xN ) X = (EX1 , ..., EXN )

y se not X NN (X ; CX ) . mos destr lguns de ls exelentes propieddes de l distriuin norml multivrinteF gonretE menteD nos entrremos en los siguientes resultdosX gulquier mrginl sigue tmin un distriuin normlF gulquier distriuin ondiiond sigue tmin un distriuin normlF gulquier ominin linel de un vetor norml es tmin normlF mos onretrlosF in primer lugrD si tenemos un vetor XN 1 = (X1 , ..., XN ) on distriuin onjunE tmente gussin de vetor de medis y mtriz de ovrinzs CX D en ese soD el suonjunto de vriles del vetorD (Xi1 , ..., XiM )D on M < N tmin sigue distriuin onjuntmente gussinD de prmetros
(i1 , ..., iM ) y mtriz de ovrinzs onstituid por ls (ls y ls olumns de CX orrespondientes ls

vriles Xi1 , ..., XiM F
Ejemplo. e un vetor (X1 , X2 , X3 )
gussinoD de vetor de medis ero y mtriz de ovrinzs
1 3 1
1 0
1 . 1
in pliin del resultdo nteriorD ls mrginles univrintes siguen ls distriuiones siguientesX
X1 N (0, 2) , X2 N (0, 3) , X3 N (0, 1)F
120
or su prteD ls mrginles ivrintes siguen ls distriuiones siguientesX
(X1 , X2 ) N2 (X1 , X3 ) N2 (X2 , X3 ) N2
0 0 0 0 0 0
2 1 2 0 3 1
1 3 0 1 1 1
in unto ls distriuiones ondiionlesD ulquier suonjunto de vriles de un vetor gussino ondiiondo los vlores de ulquier otro suonjunto de vriles del propio vetor sigue distriuin onjuntmente gussinF gonretmenteD l distriuin de XN 1 ondiiond YM 1 = yM 1 D siendo
(X, Y )(M +N )1 onjuntmente gussinoD es gussin de vetor de medis

1 E [X |Y=y ] = X N 1 + (CXY )N M CY M M
yM 1 Y M 1
y mtriz de vrinzsEovrinzs
1 V ar X |Y=y = CX CXY CY CXY ,
donde el elemento (i, j ) de CXY es Cov (Xi , Yj )F
Ejemplo. iguiendo on el ejemplo nteriorD vmos onsiderr l distriuin de X1

(X2 , X3 ) = (0.5, 0.25) .
egn el resultdoD st es gussinD de vetor de medis
ondiiond
E [X1 |X2 =0.5,
X3 =0.25 ]
=0+
3 1
1 1
0.5 0 0.25 0
= 0.125
y mtriz de ovrinzs @es deirD vrinzA
V ar (X1 |X2 =0.5,
X3 =0.25 )
=2
3 1
1 1
1 0
= 1.5
Ejemplo. gomo so prtiulrD vmos desriir on ms detlle el so ivrinteD tnto en lo que

respet su densidd omo ls distriuiones mrginles y ondiiondsF e por tnto un vetor (X, Y )21 D on distriuin onjuntmente gussin de vetor de medis
121
(X , Y ) y mtriz de ovrinzs C(X,Y ) =

donde =
Cov (X,Y ) X Y 2 X
X Y
2 Y
X Y
2 2 es el oe(iente de orrelin linelF intonesD det C(X,Y ) = X Y 1 2 y 1 2 X XY
1 C( X,Y ) =
1 1 2
XY
1 2 Y
or tntoD l funin de densidd onjunt es
fX,Y (x, y ) =
1 2X Y 1 2
2 2
exp
2 (x x ) (y Y ) (y Y ) (x X ) 1 + 2 2 2 (1 2 ) X X Y Y
1 , 2X Y 12
ist funin lnz su mximoD
en el punto (X , Y )F
2 2 F y N Y , Y ividentementeD ls distriuiones mrginles son N X , X
in lo que respet ls distriuiones ondiiondsD plindo el ltimo resultdo tenemos que
X | Y = y0 N Y | X = x0 N
X +
X 2 (y0 Y ) ; X 1 2 Y Y 2 (x0 X ) ; Y 1 2 Y + X
ysrvese queD uriosmenteD l vrinz ondiiond no depende del vlor que ondiionF isto tendr importntes reperusiones ms delnteF
gontinundo on ls propieddesD un de ls ms tiles es su invrinz frente trnsformiones linelesF gonretmenteD si tenemos un vetor letorio XN 1 = (X1 , ..., XN ) on distriuin gussinD vetor de medis X y mtriz de ovrinzs CX D entones un ominin linel suyD
YM 1 = AM N XN 1 + bM 1
tiene distriuin gussin de vetor de medis Y = A X + b y mtriz de ovrinzs CY = A CX A F
Ejemplo.
en dos vrile letori X1 y X2 on distriuin onjuntmente gussin on medis
2 2 eroD vrinzs X = 4 y X = 9 y ovrinzD cX1 ,X2 = 3F i ests vriles se trnsformn linelmente 1 2
122
pigur SFSX ijemplos de densiddes de l norml ivrintes on X = Y = 0D X = Y = 1 y = 0, 0.5D 0.5 y 0.9F @in httpXGGwwwFilriForgGsnfoervGepuGpulldosGvinerwixedwodelsGeppendixhFhtmAF
123
en ls vriles
Y1 = X1 2X2 Y2 = 3X1 + 4X2

ls nuevs vriles tienen distriuin onjuntmente gussinD on medis
(Y1 , Y2 ) =
y mtriz de ovrinzs
2 Y 1
1 3
2 4
0 0
0 0
cY1 ,Y2
2 Y 2
cY1 ,Y2
1 3
2 4
4 3
3 9
1 2
3 4
28 66
66 252
ytr de ls ms importntes propieddes es que se trt del nio so en el que independeni e inorrelin son equivlentesF is deirD si XN 1 es un vetor on distriuin onjuntmente gussinD entones sus omponentes son inorrelds si y slo si son independientesF v demostrin es senillF semos que si son independientes son inorrelds @inluso si l distriuin no es onjuntmente gussinAF or su prteD pr pror que si son inorrelds entones son independientes slo hy que tener en uent que si son inorreldsD l mtriz de ovrinzs es digonl y l densidd onjunt puede expresrse omo produto de ls mrginlesD y que
fX (x1 , ..., xN ) =
1 (2 ) det (CX )
N
1 1 exp (x X ) CX (x X ) 2
N
=
N
1
2 ... 2 (2 ) 1 N N
1 exp 2
i=1
xi i i
=
i=1
fXi (xi ) .
donde x = (x1 , ..., xN ) D X = (1 , ..., N ) y

2 1 F F = F 0
CX
... FF F ...
0 F F F . 2 N
124
Parte III
Inferencia estadstica
IPS
Captulo 6
Distribuciones en el muestreo
os oserviones y muho rzonmiento onduen l errorY muhs oserviones y poo rzonmientoD l verddF elexis grrel
Resumen.
in este ptulo se pretende llmr l tenin er de que los prmetros muestrles son
en relidd vriles letorisF e nliz s l distriuin de proilidd de l medi muestrl y de l vrinz muestrl en diverss situionesF
Palabras clave: distriuiones en el muestreoD t de tudentD p de nedeorF
6.1. Introduccin
el estudir el onepto de vrile letoriD dijimos que viene motivdo porque muhs de ls vriles que se oservn en l vid relD en el miente de ls sngeniers en prtiulrD estn sujets inertidumreF iso quiere deir que si nosotros otenemos lguns oserviones de ess vriles @muestrsAD los dtos no son igulesF is msD si otenemos otrs oservionesD ls dos muestrs tmpoo sern ni muho menos idntisF or tntoD l hlr de distriuiones teris de proiliddD lo que pretendmos er proponer un modelo que permitier lulr proiliddes soidsD no un muestr en prtiulr de dtosD sino tods ls posiles muestrsD on todos los posiles dtos de l vrileF eordemos el ejemplo que pusimosX ls distriuiones de proilidd son omo un trje que elegimos pr ponernos ulquier d durnte un periodo de tiempo mplioF in l medid que el trje de un vrileD su distriuinD
le quede bienD
los resultdos que otengmos medinte el lulo de proiliddes podrn un vrileD los resultdos teriosD otenidos prtir de un
plirse ulquier dto o onjunto de dtos de l vrileF ero igulmenteD si un trje @un distriuin de proilidd teriA
no le queda bien
funin ms o un funin de densidd terisD pueden no ser relists respeto los resultdos emprios que se otengn medinte muestrs de l vrileF u nos qued por her lo lrgo del ursoc hdo queD en generlD ls distriuiones teris de proilidd dependen de uno o ms prmetrosD lo que nos oupr grn prte del resto del urso es trtr de elegir IPU
deudmente esos prmetrosF in el ejemplo de los trjes podmos pensr que esto es omo prender esoger l tll del trjeF in este ptulo vmos omenzr on lguns uestiones teris er de lo que impli el proeso de muestreoD previo l elein de los prmetros yD posteriormenteD nos vmos entrr en resultdos que impli el muestreo de dtos de vriles que siguen un distriuin normlF
6.2. Muestreo aleatorio

in multitud de mitos de l vid rel es evidente que l mejor form de prender lgo es prtir de l experieniF iso quiere deir que solemos utilizr quello que vemos pr prender puts y onduts que luego generlizmosF in istdsti ps lgo muy similrX neesitmos srnos en muestrs de un vrile pr poder prender de ells y generlizrD inferirD spetos referentes ls muestrs tod l polinF in emrgoD omo en l vid relD en istdsti tmin deemos ser muy uiddosos on los dtos sore los que smos nuestro prendizjeF u psr si smos nuestro prendizje en experienis inorrets o poo signi(tivsc r que esto no ourr deemos srnos en muestrs donde todos los individuos de l polin puedn verse representdosF or otr prteD es evidente que unto myores sen ls muestrs ms (les deern ser nuestrs inferenisF il onepto lve en este plntemiento es el de
muestra aleatoria simpleF
upongmos que estmos oserE
vndo un vrile letoriD X D en un polin determindF dijimos que un muestr letori simple de X onsiste en l reopilin de dtos de l vrileD medinte l repetiin del experimento l que est soidD on dos ondiiones sisX IF ue todos los elementos de l polin tengn ls misms posiiliddes de slir en l muestrF PF ue ls distints oserviones de l muestr sen independientes entre sF in ese soD los vlores que tom l vrile en d un de ls oserviones de un muestr de tmo
nD X1 , ..., Xn D son en s mismosD vriles letoris independientes que siguen l mism distriuin de
proiliddD llmd distriuinF
distribucin poblacionalF
ist distriuin esD en prinipioD desonoidD por lo
que se intentr utilizr l muestr pr her infereni sore ell yD l menosD proximr l form de est
6.3. Distribuciones en el muestreo

upongmos que estmos oservndo un vrile letori X D y que otenemos un muestr letori
1 1 D y l desviin tpi de simple suyD x1 1 , ..., xn F gon esos dtos podemos lulr l medi de l muestrD x
l muestrD s1 D por ejemploF ero deemos ser onsientes de lo que signi( muestr
1 x1 1 , ..., xn
aleatoriaF
il heho de que hyn slido los vlores
2 es fruto del zrF he hehoD si otenemos otr muestrD x2 2 y 1 , ..., xn D otendremos otr mediD x
otr desviin tpi de l muestrD s2 F
128
siD suesivmenteD otenemos un y otr muestrD otendremos un y otr medi muestrlD y un y otr desviin tpi muestrlF or lo tntoD en reliddD lo que estmos viendo es que l medi y l vrinz muestrles @y en generlD ulquier prmetro de un muestr letori simpleA sonD en reliddD vriles letoris queD omo tlesD deen tener su distriuinD su mediD su vrinzFFF mos reordr dos de(niiones que y introdujimos l omienzo del ursoF n n
parmetro muestral
es un prmetro @mediD vrinzD FFFA referido un muestr de un vrile
letoriF
parmetro poblacional es un prmetro @mediD vrinzD FFFA referido l distriuin polionl de
un vrile letoriF ues ienD soidos estos dos oneptos tenemos hor ls siguientes de(niionesF v il
distribucin en el muestreo de un prmetro muestrl es su distriuin de proiliddF error estandar de un prmetro muestrl es l desviin tpi de su distriuin en el muestreoF
il prolem es queD en generlD es stnte difil onoer l distriuin en el muestreo de los prmetros muestrlesF in emrgoD el so en el que result ms senillo herlo es prolemente el ms importnteF gomo vmos verD si l vrile que oservmos sigue un distriuin normlD podremos onoer de form ext ls distriuiones en el muestreo de los dos prmetros ms importntesD l medi y l vrinzF si l vrile no es normlc i lo que pretendemos es estudir l medi y l vrinz muestrlesD reordemos que el eorem gentrl del vmite nos die que si un vrile es sum de otrs vrilesD su distriuin es proximdmente normlD y l medi es sum de ls vriles de l muestrF is deirD si l vrile no es normlD todv podemos tener on(nz de que lo que hgmos pr vriles normles puede ser vlidoF
6.4. Distribuciones en el muestreo relacionadas con la distribucin normal

in este prtdo simplemente vmos presentr un serie de resultdos er de l distriuin en el muestreoD es deirD er de ls distriuiones de proiliddD de lgunos prmetros muestrles que pueden otenerse soidos un vrile letori normlF elguns de ests distriuiones preen por primer vezD s que deemos de(nirls previmenteF or otr prteD sus funiones de densidd son stnte poo trtlesF isto no es ningn prolem hoy en dD gris l uso que podemos her de los ordendores pr ulquier luloF edemsD pr poder trjr on ells undo no tenemos un ordendor mnoD existen tls que pueden ser impress en ppel on muhos vlores de sus funiones de distriuinF
Nota. n de ls primers distriuiones en el muestreo ser l 2 F eordemos que un distriuin 2 on

n grdos de liertd es un distriuin qmm de prmetros
n 2
y 1 2F
129
i Z es un vrile letori norml estndr y S un 2 on n grdos de liertdD siendo ms indepenE dientesD entones
t=
sigue un distriuin llmd t
Z S/n
de student con n grados de libertadF
i S1 y S2 son vriles letoris on distriuin 2 on n1 y n2 grdos de liertd independientesD entones
F =
sigue un distriuin que se denomin F importntes soidos l normlX
S1 /n1 S2 /n2
con n1 y n2 grados de libertadF
gon ests de(niiones y podemos dr ls distriuiones en el muestreo de lgunos prmetros muestrles
e X1 , ..., Xn un muestr letori simple de un vrile N (, )F intonesD el prmetro muestrl
t=
X Sn1 / n
sigue un t de tudent on n 1 grdos de liertdF e un muestr X1 , ..., Xn un muestr letori simple de un vrile N (, )F intonesD el prE metro muestrl
2 =
sigue un 2 on n 1 grdos de liertdF
2 (n 1) Sn 1 2
en X1 , ..., Xn1 e Y1 , ..., Yn2 muestrs letoris simples de vriles independientes on distriuiones
N (1 , ) y N (2 , )F intonesD el prmetro muestrl t= Y (1 2 ) X Sp

donde
2 Sp = 1 n1
1 n2
1 2 (n1 1) Sn + (n2 1) Sn 1 1 n1 + n2 2
sigue un t de tudent on n1 + n2 2 grdos de liertdF en X1 , ..., Xn1 e Y1 , ..., Yn2 muestrs letoris simples de vriles independientes on distriuiones
N (1 , ) y N (2 , )F intonesD el prmetro muestrl 2 =

sigue un 2 n1 + n2 2 grdos de liertdF en X1 , ..., Xn1 e Y1 , ..., Yn2 muestrs letoris simples de vriles independientes on distriuiones
2 (n1 + n2 2) Sp , 2
130
N (1 , ) y N (2 , )F intonesD el prmetro muestrl F =

1 Sn 1 2 Sn 1 2 2 2 /1 2 /2
sigue un distriuin F on n1 1 y n2 1 grdos de liertdF
131
132
Captulo 7
Estimacin de parmetros de una distribucin
htosD dtosD dtos3 Egrit impientementeEF xo puedo her ldrillos sin rillF herlok rolmes @eF gF hoyleAD en
Las aventuras de los bombachos de cobre
Resumen.
e desrien ls tnis ms usules pr estimr l mediD l vrinz y otros prmetros
polionles medinte vlores isldos @estimin puntulA o medinte intervlos de on(nzF
Palabras clave: estimdor puntulD mtodo de los momentosD mtodo de mxim verosimilitudD intervlo
de on(nzD nivel de on(nzF
7.1. Introduccin
in istdsti hy tres forms de inferir un vlor un prmetro de un polinX istimndo el vlor onreto de ese prmetroF istimndo un regin de on(nz pr el vlor del prmetroF omndo un deisin sore un vlor hipottio del prmetroF
Ejemplo. il rendimiento de un equipo de trjo en un den de produin puede estr representdo

por el nmero medio de omponentes produidsF upongmos que un ingeniero pretende proporionr informin er de este promedio en su equipoF ixisten vris posiiliddesX odr simplemente trtr de estimr el promedio de omponentes produids trvs de un nio vlor estimdoF odr proporionr un intervlo de vlores en el que teng muh on(nz que se enuentr el vlor promedioF IQQ
odr omprr el vlor promedio de su equipo on un vlor hipottio prD por ejemploD demosE trr l empres que tiene un mejor rendimiento que el promedio generl de l empresF
in este ptulo nos entrremos en l primer y l segund formD que onsisten en proporionr un vlor que reemos que est er del prmetro @estimin puntulA o en proporionr un intervlo en el que on(mos que se enuentr el prmetro desonoido @estimin por intervlos de on(nzAF v terer posiilidd se estudir en el ptulo de ontrstes de hiptesisF
7.2. Estimacin puntual

7.2.1. Denicin y propiedades deseables de los estimadores puntuales
D es un regl que nos die mo lulr un estimin numri de un prmetro n estimador puntual,
polionl desonoidoD D prtir de los dtos de un muestrF il nmero onreto que result de un luloD pr un muestr ddD se denomin
estimacin puntualF
Ejemplo. i desemos otener estimiones de l medi de un vrile letoriD lo que pree ms lgio
ser utilizr omo estimdor l medi muestrlF gd medi muestrl de d muestr ser un estimin puntul de l medi polionlF u ser desele que le psr ulquier estimdorc u uens propieddes deer tener un uen estimdorc mos ver dos de ellsF in primer lugrD pree lgio pensr que si ien el estimdor no proporionr siempre el vlor exto del prmetroD l menos deer estleer estimiones que defetoF iste tipo de estimdores se denominn
se equivoquen
en igul medid por exeso que por
insesgados F
de un prmetro se die n estimdor
insesgado si
= . E
e denomin
sesgo de un estimador
. E
yservemos que pr ompror si un estimdor es insesgdoD en prinipio es neesrio onoer su distriuin en el muestreoD pr poder lulr su espernz mtemtiF edems de l flt de sesgoD nos gustr que l distriuin de muestreo de un estimdor tuvier po vrinzD es deirD que l dispersin de ls estimiones on respeto l vlor del prmetro polionlD fuer jF in este sentidoD se de(ne el error y se not
s.e.
estandar de un estimador omo l desviin tpi de diho estimdorD
134
il
que tiene l vrinz estimador insesgado de mnima varianza de un prmetro es el estimdor
ms peque de entre todos los estimdores insesgdosF ry que deir que no siempre es fil enontrr este estimdorD y que en osiones se dmite un ligero sesgo on tl que l vrinz del estimdor se mnimF
7.2.2. Estimacin de la media de una v.a. La media muestral

e un vFF X D y un muestr letori suyD X1 , ..., XN F intonesD l medi muestrlD
= X1 + ... + XN X N
es un estimdor insesgdo de E [X ] y su error estndr es
X ) = . s.e.(X N
il resultdo estlee lgo que pod herse intuido desde l de(niin de l medi o espernz mtemti de un distriuin de proiliddX si tenemos unos dtos @mas A de un vFFD un estimin deud de l medi de l vFF es l medi de los dtosF ry que tener muho uiddo on no onfundir l medi de l vFFD es deirD l medi polionlD on l medi de los dtos de l muestrD es deirD on l medi muestrlF or otr prteD el error estndr he refereni X D que es un prmetro polionl yD por lo tntoD desonoidoF vo que se suele her es onsiderr l desviin tpi muestrl omo un proximin de l polionl pr evlur este error estndrF
7.2.3. Estimacin de la varianza de una v.a. Varianza muestral

e un vFF X y un muestr letori simple suyD X1 , ..., XN F intonesD l vrinz muestrlD
2 SX,N 1 = N i=1
Xi X N 1
es un estimdor insesgdo de V ar [X ]F
Nota. el hilo del omentrio previo que hiimos sore l medi muestrl omo estimdor natural
in este sentidoD si onsidermos el estimdor
2 SX,N
de l
mediD hor quiz sorprend que en el denomindor de l vrinz muestrl prez N 1 y no N F
N i=1
Xi X N
135
se trtr de un estimdor no insesgdoF e este estimdor de l vrinz se le onoe hitulmente omo
cuasivarianza muestral. yjoD hy que dvertir que en lgunos liros l mner de nomrr l
vrinz y l usivrinz muestrles es justo l ontrrioF
Nota.
2 2 il que l vrinz muestrlD SN 1 D se un estimdor insesgdo de l vrinzD D no impli que l 2 SN 1 D se un estimdor insesgdo de D pero en este so s ourre sF
desviin tpi muestrlD SN 1 =
Ejemplo. wedinte hemos generdo un muestr letori simple de IHHH vlores de un distriuin
N (0, 1)F emosD por tntoD que l medi @polionlA de los dtos es H y que l vrinz @polionlA
es IF xo ostnteD vmos suponer que desonoemos de qu distriuin proeden los dtos y vmos trtr de
ajustar
un distriuin teri prtiendo de los vlores de l muestrX
x11000 = (0.9459, 0.9557, 0.2711, 0.2603, 1.014, ...)

r empezrD deemos pensr en un distriuin deudF r ello puede oservrse el histogrm de los dtos por si ste reuerd l form de lgun funin de densidd onoidF in este soD el histogrm de l muestr pree en l pigur UFID histogrm que reuerd lrmente l funin de densidd de un distriuin normlF v pregunt inmedit un vez que se opt por justr medinte un distriuin norml es qu normlc is deirD qu medi y qu vrinz se proponen pr l distriuin que queremos justr estos dtosc n respuest est pregunt l proporionn los estimdores insesgdos que hemos enontrdo pr estos prmetrosF gonretmenteD
x = 0.0133
y
s999 = 0.9813,
por lo que justrmos los dtos de l muestr x medinte un distriuin
N (0.0133, 0.9813) .
v densidd de est distriuin pree tmin en l pigur UFID en trzo ontinuoD y se oserv que just muy ien l form del histogrmF
136
Histograma de la muestra
0.5 Densidad 0.0 0.1 0.2 0.3 0.4
pigur UFIX ristogrm pr l muestr x11000 on QH intervlos y funin de densidd de l distriuin N (0.0133, 0.9813)F
7.2.4. Estimacin de una proporcin poblacional

upongmos que desemos estimr un proporin pD desonoidD que represent l proilidd de un sueso dentro de un espio muestrlF r elloD se relizn N experimentos soidos l espio muestrl y se uent el n de vees que ourre ese sueso del ul queremos estimr su proiliddD k F in ese soD l proporin muestrlD
p =
k , N
es un estimdor insesgdo de pF edemsD su error estndr es
s.e.( p) =
p(1 p) N
ore el error estndrD osrvese de nuevo queD ddo que p es desonoidoD en relidd l expresin de s.e.( p) no puede evlurseF in emrgoD es stnte omn que si el tmo de l muestrD N D es grndeD se utilie el vlor de l estiminD p D en lugr de p en es expresinF he tods formsD osrvese tmin que l funin f (p) = p(1 p) es menor que
1 4
si 0 p 1D luego
s.e.( p)
is por ello que siempre podemos dr est ntiddD
1 1 = . 4N 2 N
1 D 2 N
omo ot superior del error estndrF
Ejemplo. i el nmero de vrones en un muestr de IHHH individuos de un polin es SHUD podemos

proximr l verdder proporin de vrones en tod l polin medinte
p =
on un error estndr por dejo de
1 2 1000
507 = 0.507, 1000 = 0.01581139F v estimin del error estndr de l
137
estimin ser
0.507 0.493/1000 = 0.01580984X en este soD ls diferenis son inpreilesF
7.2.5. Obtencin de estimadores puntuales. Mtodos de estimacin

rst hor hemos puesto un ejemplo er de l estimin de l medi o l vrinz de un polin medinte l medi y l vrinz muestrlF in emrgoD nosotros hemos visto muhs distriuiones teris que no dependen diretmente de l medi o l vrinzF or ejemploD l inomil depende de pD l qmm de dos prmetrosD a y D FFF gmo otener estimdores de estos prmetrosc ixisten diversos mtodos de estimin de prmetrosF xosotros vmos ver dos de los ms senillosF
7.2.5.1. Mtodo de los momentos

mos explir el mtodo slo pr distriuiones de uno o dos prmetros polionlesD que son ls nis que hemos visto nosotrosF e x1 , ..., xn un muestr de un vrile letori X X IF i l distriuin de X depende de un slo prmetroD D l medi polionl de X, E [X ] = D ser se funin de , = f ()F in ese soD el estimdor medinte el mtodo de los momentos de , ,
F otiene despejndolo @si es posileA de l euin x =f

PF i l distriuin de X depende de dos prmetrosD 1 y 2 D l medi polionl de X, E [X ] = D ser funin de mos, = f (1 , 2 ) e igulmente l vrinz polionl estr expresd omo funin de estos prmetrosD V arX = 2 = g (1 , 2 )F in ese soD los estimdores medinte el mtodo de los 1 y 2 , se otienen despejndolos @si es posileA del sistem de euiones momentos de 1 y 2 ,
1 , 2 x =f s2 n1 = g 1 , 2 .
Ejemplo. in l distriuin inomil semos que EX = np, por lo que p =

p = x . n
EX n F
or tntoD dd un
muestr de tmo N de l vrileD el mtodo de los momentos propone omo estimdor de p
or iertoD este estimdor oinide on el que hmos onsiderdo en un prinipioD que er l proporin muestrlD es deirD p = k/N D pero puede her lgun onfusin en l notinF emos porquF e supone que tenemos un muestr de tmo N de dtos de un inomil de prmetro nD es deirD tenemos n experimentosD N veesD o seD un totl de n N experimentosD on efetoD
i
xi xitosF vuegoD en
p =
x i xi = , n nN
es deirD l proporin muestrlD oiente del n de xitos entre el n totl de experimentosF xo deemos onfundirnos on l expresin k/N que pusimos ntes porque N no signi( lo mismo en mos sosF
138
Ejemplo. in l distriuin geomtri semos que EX =

de los momentos propone omo estimdor
1 p
1D de donde p =
1 1+EX D
luego el mtodo
p =
1 . 1+x
Ejemplo. in el so de l inomil negtiv tenemos dos prmetrosF e se que

a (1 p) p a (1 p) V arX = p2 EX =
he est expresin deemos despejr a y pF hdo que
EX = p, V arX
se tiene que
EX p EX 2 = EX V arX = 1p V arX EX 1 VEX arX
a = EX
de donde se proponen omo estimdores
p = a =
x s2 X,N 1 x 2 s2 X,N 1 x .
7.2.5.2. Mtodo de mxima verosimilitud

iste mtodo oedee un prinipio muy lgioX dd un muestrD esojmos omo estimiones quellos vlores de los prmetros que hgn
ms creibles, ms verosmilesD
los dtos de l muestrF
r desrrollr el mtodo deemos tener en uent que si tenemos un muestr letori simple de un vrile X D x1 , ..., xn D y l funin ms o densidd de l vrile es p (x)D entones l funin ms o densidd de l muestr es
p (x1 , ..., xn ) = p (x1 ) ...p (xn ) .

ist funin ms o densidd represent en ierto modo l
credibilidad
de los dtos de l muestrF
hd un vrile letori X on funin ms o funin de densidd p (x) , que depende de uno o dos prmetrosD y un muestr letori simple de X D x1 , ..., xn D l verosimilitud de l muestr es l funin
L = p (x1 ) ...p (xn ) ,

funin que depender de los prmetros desonoidos de l vrileF
139
hd l verosimilitud de un muestrD LD si L depende de un slo prmetroD D entones el estimador mximo-verosmil de se otiene resolviendo el prolem de mximo siguienteX
= arg m ax L .
si L depende de dos prmetrosD 1 y 2 D entones
los estimadores mximo-verosmiles de
1 y 2 se otienen resolviendo el prolem de mximo siguienteX 1 , 2 = arg m ax L .

1 ,2
Nota.
hdo que el mximo de un funin oinide on el mximo de su logritmoD suele ser muy til
mximizr el logritmo de l funin de verosimilitud en vez de l funin de verosimilitudF
Ejemplo. mos lulr el estimdor mximo verosmil del prmetro p de un distriuin B (n, p)
sdo en un muestr x1 , ..., xN F in primer lugrD l funin de verosimilitud es
N
Lx1 ,...,xN (p) =

i=1 N
n xi nxi p (1 p) xi n xi p
N i=1
=
i=1
xi
(1 p)
nN
N i=1
xi
u logritmo result
N
ln Lx1 ,...,xN (p) = ln

i=1
n xi
+
i=1
xi
ln p +
nN
i=1
xi
ln (1 p) .
r mximizr est funin derivmos respeto p e igulmos eroX

N i=1
xi
p
de donde
nN i=1 xi = 0, 1p
x p x i=1 xi n = = = N 1p nx 1 nN i=1 xi
x n
vuego el estimdor es
p =
x . n
ysrvese que oinide on el estimdor que otuvimos por el mtodo de los momentosF
Ejemplo. mos lulr el estimdor mximo verosmil del prmetro de un distriuin exp ()
sdo en un muestr x1 , ..., xN F
140
punin de verosimilitudX
Lx1 ,...,xN () =
i=1
exi = N e
N i=1
xi
vogritmo de l funin de verosimilitudX

N
ln Lx1 ,...,xN () = N ln
i=1
xi .
r mximizr est funinD derivmos respeto e igulmos eroX
N xi = 0, i=1
de donde
N
N i=1
xi
1 . x
he nuevo el estimdor mximo verosmil oinide on el proporiondo por el mtodo de los momentosF
Ejemplo. in el so de l distriuin normlD tenemos dos prmetrosF emos mo proeder en est

situinF mos preouprnos por los estimdores de l medi y de l vrinzX v funin de verosimilitudX
N
Lx1 ,...,xN , 2 =
i=1
1 2 2
(xi )2
2 2
1 2 2
2 n i=1 (xi ) 2 2
u logritmoX
ln Lx1 ,...,xN , 2 =
vriles e igulmos eroX
N N ln (2 ) ln 2 2 2
N i=1
(xi ) . 2 2
heemos mximizr est funin omo funin de y 2 F r elloD derivmos respeto de ms
d ln Lx1 ,...,xN , 2 = d
N i=1
(xi ) =0 2
N i=1
d N 1 ln Lx1 ,...,xN , 2 = 2 + 2 d 2 2
he l primer euin se sigue
N N
(xi )
2
( 2 )
=0
(xi ) =
i=1 i=1
xi N = 0,
de donde
N i=1
xi
=x .
141
Modelo
B (n, p) P () Geo (p) BN (a, p) exp () Gamma (a, ) N (, )
Estimadores por el mtodo de los momentos

x p = n =x 1 p = 1+ x 2 , p = s2 x a = s2 x X,N 1 x X,N 1 = 1 x x 2 = 2x a = 2 , sn1 sn1
Estimadores por el mtodo de mxima verosimilitud

x p = n =x 1 p = 1+ x lo por mtodos numrios = 1
lo por mtodos numrios
=x , = sn1
=x , = sn
gudro UFIX istimdores por el mtodo de los momentos y de mxim verosimilitud de los prmetros de ls distriuiones ms usulesF
he l segundD sustituyendo en ell por x ,

N i=1
(xi x )
2 ( 2 )
N , 2
de donde
2 =
N i=1
( xi x ) = s2 n. N
Nota.
he nuevo hy que llmr l tenin sore el heho de que hemos usdo un estimdorD de
mxim verosimilitudD de 2 D no de F in emrgoD no es muy difil demostrr que el estimdor de mxim verosimilitud de en l distriuin norml es l usidesviin tpi muestrlD sn F
7.2.6. Tabla resumen de los estimadores de los parmetros de las distribuciones ms comunes
in tod est seinD supongmos que tenemos un muestr x1 , ..., xN de un vrile letori X F vos estimdores segn el mtodo de los momentos y de mxim verosimilitud de los prmetros segn ls distriE uiones que hemos desrito preen en el gudro UFIF
7.3. Estimacin por intervalos de conanza

e x1 , ..., xN un muestr de un determind vFF X uy distriuin depende de un prmetro desonoido
F n
intervalo de conanza pr on un nivel de signicacin D I (x1 , ..., xN ) , es un intervlo rel

P [ I (x1 , ..., xN )] = 1 .
que depende de l muestrD pero que no depende de tl que
el vlor 1 tmin se le llm
nivel de conanzaF
142
Confidence intervals based on z distribution
50
50
| | | | | | | | | |
| | | | | | | | | |
50
| | | | | | | | | |
40
40
| | | | | | | | | |
| | | | | | | | | |
40
| | | | | | | | | |
30
30
| | | | | | | | | |
| | | | | | | | | Index |
30
| | | | | | | | | |
Index
20
Index 20
| | | | | | | | | |
| | | | | | | | | |
20
| | | | | | | | | |
10
10
| | | | | | | | | |
| | | | | | | | | |
10
| | | | | | | | | |
0.4
0.2
0.0
0.2
0.4
0.6
0.6
0.4
0.2
0.0
0.2
0.4
0.6
0 1.0
0.5
0.0 Confidence Interval
0.5
1.0
Confidence Interval
Confidence Interval
pigur UFPX histintos intervlos de on(nz pr un medi un TV 7 @izquierdAD un WH 7 @entroA y un WW 7 @derehAF uede oservrse que umentr el nivel de on(nz he ms mplios los intervlosF min puede oservrse que no todos los intervlos ontienen l medi polionl @HAD pero que el n de stos malos intervlos disminuye onforme umentmos el nivel de on(nzF
ysrvese que l (losof de ulquier intervlo de on(nz es proporionrD sndonos en los dtosD un regin donde tengmos un determindo nivel de on(nz en que el prmetro se enuentrF gomo en el so de los estimdores puntulesD el intervlo de on(nz es letorioD y que depende de los dtos de un muestrF edemsD se d por heho que existe l posiilidd de que el
verdadero
prmetro no quede
enerrdo dentro del intervlo de on(nzD os que ourrir on proilidd F
Nota. el respeto de l interpretin del nivel de on(nzD tenemos que deir queD ddo que desde el
omienzo del urso hemos doptdo un interpretin freuentist de l proiliddD un intervlo de on(nz l WS 7D por ejemploD grntiz que si tommos IHH muestrs el prmetro polionl estr dentro del intervlo en proximdmente WS intervlos onstruidosF in emrgoD est interpretin es surd en l prtiD porque nosotros no tenemos IHH muestrsD sino slo unF xosotros tenemos los dtos de un muestrF gon ellos onstruimos un intervlo de on(nzF hor slo en dos posiiliddesX o el prmetro est dentro del intervlo o no lo estF il prmetro es onstnteD y el intervlo tminF xo podemos repetir el experimento3 is por ello que se hl de intervlos
conanza D de
interpretndo que tenemos un
conanza
del WS 7 en que el prmetro estr dentroF
143
7.3.1. Intervalos de conanza para la media

e X un vFF on distriuin norml de medi desonoid y vrinz 2 onoidF e un muestr
x = (x1 , ..., xN ) de X D y x l medi muestrl soidF intonesD ,x P x z1 + z1 2 2 N N

a es tl que F =1 donde z1 Z z1 2 D siendo Z N (0, 1) . 2 2
a El valor de z debe buscarse en la tabla de la normal o calcularse con ayuda del ordenador. 1
= 1 ,
is deirD l medi se enuentr en el intervlo
,x x z1 + z1 2 2 N N
on un (1 ) 7 de on(nzF xo ostnteD hy que reonoer que en l prti es poo prole que se desonoz el vlor de l medi y s se onoz el de l vrinzD de mner que l pliin de este teorem es muy limitdF il siguiente resultdo responde preismente l neesidd de extender el nterior undo se desonoe el vlor de l vrinzF e X un vFF on distriuin norml de medi y vrinz 2 , ms desonoidsF e un muestr
x = (x1 , ..., xN ) de X D l medi muestrl x y l vrinz muestrl s2 X,N 1 F intonesD s2 X,N 1 N s2 X,N 1 N = 1 ,
P x t1 2 ; N 1
,x + t1 2 ;N 1
grdos de liertd.
2
donde t;N a es el vlor tl que FTN (t;N ) = D siendo TN un vFF on distriuin de tudent on N
a El valor de t debe buscarse en la tabla de la t o calcularse con ayuda del ordenador 1
is deirD on(mos en un (1 ) 7 en que el intervlo
x t1 2 ;N 1
ontiene l mediD que es desonoidF
s2 X,N 1 N
,x + t1 2 ; N 1
s2 X,N 1 N
Ejemplo.
wedinte hmos simuldo IHHH vlores de un distriuin N (0, 1)F v medi y l
desviin tpi muestrles de esos IHHH vlores resultron ser x = 0.0133 y s999 = 0.9813F or tntoD el intervlo de on(nz que se estlee l WS 7 de on(nz pr l medi es
0.9813 0.0133 1.96 1000
= (0.074, 0.0475)
144
ysrvese queD en efetoD l verdder mediD = 0D est en el intervlo de on(nzF
vos dos resultdos que mos de enunir se sn en que se onoe l distriuin ext de l muestrD normlD lo que permite deduir que l medi muestrl sigue tminD y de form extD un distriuin norml de medi y vrinz
2 N F
in emrgoD gris l teorem entrl del lmite se se que se ul

2 N D
se l distriuin de ls vriles de l muestr letori simpleD l medi muestrl sigue proximdmente un distriuin norml de medi y vrinz y que se otiene omo sum de vFF independientes on
aproximado
l mism distriuinF or lo tntoD podemos otener un intervlo de on(nz medi de ulquier distriuinD omo se reoge en el siguiente resultdoF
pr ulquier
e X un vFF on distriuin ulquier de medi , desonoidD y on vrinzD 2 . e un muestr
x = (x1 , ..., xN ) de X y l medi muestrlD x . intonesD si N es su(ientemente elevdo @N > 30 es su(ienteAD + z1/2 P x z1/2 , x N N 1 .
in est expresinD si es desonoidD puede sustituirse por l desviin tpi muestrlD sn1 F
Ejemplo. r dimensionr el tmo del u'er de un modem ehv es neesrio estimr el promedio
de pquetes de dtos por milisegundo que reie el modemF e onsider que el tiempo @en milisegundosA que trnsurre entre pquete y pquete sigue un distriuE in exponenil de prmetro F ysrvese que l medi de est distriuin es =
1 D
tiempo medio
entre pquetesD por lo que es preismente el promedio de pquetes por milisegundo que reie el modemF or lo tntoD el ojetivo es estimr el prmetro D que es el que se utilizr pr dimensionr el modemF wedinte un sni'er opldo l modem pr pturr dtos del tr(oD se tomn dtos de los tiempos entre pquetes de IHHI pquetesD por lo que se tienen IHHH dtos de tiempos entre pquetesF v medi de estos tiempos result ser x = 2.025D siendo l desviin tpi muestrl de 1.921F in primer lugrD vmos lulr un intervlo de on(nz @l WS 7A pr l medi de l distriuinD
X sn1 sn1 + z0.975 x z0.975 , x n n

pinlmenteD ddo que =
1 ,
1.921 = 2.025 1.96 = (1.906, 2.144). 1000

1 1 2.144 , 1.906
el intervlo de on(nz l WS 7 de es
= (0.466, 0.525) .
e ttulo informtivoD el vlor que se onsider en el dimensionmiento del modem es un mltiplo @el doleD por ejemploA del extremo superior del intervloD en este so HFSPSF
145
7.3.2. Intervalos de conanza para una proporcin

e p l proilidd desonoid de un determindo eventoD que llmremos xitoD que puede ourrir en un determindo experimentoF upongmos que tenemos un muestr de N reliziones independientes del experimentoD y se p = @N > 30AD se tiene que
k N
l proporin de xitos en l muestrF intonesD si N es su(ientemente elevdo
P p
p z1/2
p (1 p ) ,p + z1/2 N
p (1 p ) N
1 .
Ejemplo. v tunt de endlu pretende implntr un progrm de yud fmilis on fmilires

dependientesF hdo que l myor prte de los erviios oiles son ompeteni de los muniipiosD l tunt proporionr los medios eonmiosD pero sern stos los enrgdos de ejeutr el progrmF vos erviios oiles de ulquier muniipio sumen queD por errores inevitlesD no tods ls fmilis ls que suvenionn reunen los requisitos exigidosD pero l tunt les responsiliz de que esto no ourr en ms del R 7 de ellsF i se super este porentjeD penlizr l muniipioF in un muniipio se muestren PHH fmilis y se detet que IP de ells @T 7A no umplen ls ondiiones exigidsF hee l tunt snionr l muniipioc i nos (jmos slo en el vlor de l estimin puntulD T 7D s deer herloD pero no ser justoX IP errores en un muestr de PHH pueden no ser un evideni su(iente de que el porentje superr el R 7F gonsideremos un un intervlo de on(nz pr l proporin de errores @S 7 de signi(inA on los dtos otenidosX
0.06 1.96
0.06(1 0.06) = (0.027, 0.093). 200
or tntoD no hy evidenis de que el porentje se superior l R 7 y no dee snionrse l muniipioF
7.3.3. Intervalos de conanza para la varianza

enlogmenteD pueden drse intervlos de on(nz pr l vrinz on l medi onoid o desonoidD pero slo undo l vFF oservd sigue un distriuin gussinF emos sos se reogen en el siguiente resultdoF e X un vFF on distriuin gussin de medi @desonoidA y vrinz 2 F e un muestr
x = (x1 , ..., xN ) de X y l medi muestrl x . intonesa X P

N 2 ) i=1 (Xi x 2 1 2 ; N 1
< 2 <
N i=1 (Xi 2 2 ;N 1
x )
= 1 .
a El valor de 2 2 y debe buscarse en las tablas de la distribucin 2 u obtenerse mediante el ordenador. /2;N 1 1/2;N 1
146

2 2 in est expresinD 2 ;N orresponde on quel vlor tl que F2 ;N = D donde sigue un distriuin
cuadrado con N grados de libertad. NotaF n intervlo de on(nz pr l desviin tpi puede otenerse trivilmente omo l riz udrd
del intervlo de on(nz pr l vrinzF
Ejemplo. in el ejemplo donde onsidermos IHHH vlores simuldos de un N (0, 1) tenmos que x =
0.0133 y s999 = 0.9813F or tntoD teniendo en uent que
N
(Xi x ) = 999 s2 999 ,

i=1
el intervlo de on(nz pr l vrinz l WS 7 que proporion el teorem es
961.9867 961.9867 , 1.0885 103 913.3010
= (0.8838, 1.0533) .
ysrvese que = 1 pertenee l intervlo de on(nz l WS 7F uede que lguno de vosotros est pensndo ul puede ser el inters de ls estimiones puntules yD sore todoD medinte intervlos de on(nz de l vrinzF rolemente todos tenemos muy lro qu es un mediD inluso un proporinD pero quiz se nos espe l importni prti del onepto de vrinzF in este sentidoD hy que deir que en el mito de l sngenier l vrinz se utiliz muhsimo en lo que se onoe omo
control de calidadF
vos jponeses sonD en estoD los pioneros y quiz los mejores expertosF e
ellos se les triuye un prinipio sio del ontrol de lidd en ulquier proeso sio de produinX
reduccin de la varianza es la clave del xito en la produccinF
la
ensemos en ulquier proeso de friin genrioF in l se trtr de otener un produto sujeto uns espei(iones onretsF in emrgoD el error inherente ulquier proeso experimentl provorX IF n umento o un disminuin estruturles del produto on respeto un vlor ojetivoF isto podr detetrse omo un sesgo en l medi de lo produido on respeto l vlor ojetivoF PF ns diferenis ms o menos importntes en los produtos resultntesD que podrn ser evluds medinte l vrinzF he ess dos posiles prolemtisD l ms omplejD sin dud es l segundF rolemente no es un grve prolem
calibrar
l mquin que produe pr que l medi se site en el vlor ojetivoD pero ser sin dud
ms omplejo modi(rl pr que produz de form ms homogneD reduiendo s l vrinzF
7.3.4. Otros intervalos de conanza

e pueden estleer intervlos de on(nz pr l difereni entre ls medis de dos vriles letorisD pr l difereni entre proporiones o pr el oiente de vrinzsD entre otros prmetros de intersF esimismoD se pueden otener intervlos de on(nz unilaterales pr ulquier de los prmetros que hemos meniondoD es deirD intervlos otdos slo un ldoD frente los intervlos quF
bilaterales
que hemos visto
147
xo ostnteD no vmos detllrlos quD unque su interpretin es nlog l de los intervlos de on(nz que hemos vistoF gulquier pquete de softwre estdstio puede filitr estos intervlos sin di(ultdF
7.4. Resolucin del ejemplo de los niveles de plomo

eordemos que l prinipio del urso plntemos un prolem que pree en un rtulo pulido en
Journal of Environmental Engineering
en PHHPD tituldo vehte from vnd hisposed esidentil gonsE

un sitio de prueba se tomaron 42 muestras
trution steD en el que se present un estudio de l ontminin en sureros que ontienen desehos de onstruin y desperdiios de demoliionesF hemos ll que De
de lixiado, de las cuales 26 contienen niveles detectables de plomo. Una ingeniera desea obtener a partir de esos datos una estimacin de la probabilidad de que una muestra de un basurero contenga niveles detectables de plomo. No obstante, es consciente de que esa estimacin estar basada en esa muestra, que es de slo 42 datos, luego querr tambin obtener una estimacin del error que est cometiendo al hacer la estimacin. Finalmente, se plantea si con la estimacin y el error de sta, podr obtener un rango donde la verdadera probabilidad se encuentre con un alto nivel de conanza.
ehor estmos en ondiiones de resolver este
prolemF in primer lugrD tenemos que otener un estimin de l proporin de muestrs @o proiliddA que ontienen niveles detetles de plomoF remos visto que un estimdor insesgdo de mnim vrinzD que dems oinide on el estimdor de mxim verosimilitudD de l proporin es l proporin muestrlF in nuestro soD por tntoD podemos estimr l proporin en p = error estndr de est estimin en s.e.( p) = error estndr ser inferior estndr inferior un UFUI 7F que el intervlo
1 2 42 0.6190(10.6190) 42 26 42
= 0.6190.F edemsD podemos estimr el
= 0.0749 yD en ulquier soD deir que este
= 0.0771F in resumenD tenemos un estimin del TIFWH 7 on un error
or ltimoD en funin de est estimin y de su error estndrD puede (rmr on un WS 7 de on(nz
0.6190 1.96 0.0749 = (0.4722, 0.7658)

ontendr l verdder proporin de muestrs on niveles detetles de plomoF ist ltim (rmin pone de mni(esto que dr un intervlo de on(nz on un nivel de signi(in eptlemente jo @S 7A ondue un intervlo muy mplioD lo que equivle deir que n hy stnte inertidumre on respeto l proporin que estmos estimndoF or elloD deermos reomendrle l ingenier que umente el tmo de l muestrF
148
Captulo 8
Contrastes de hiptesis paramtricas
v grn trgedi de l ieniX l destruin de un ell hiptesis por un ntiesttio onjunto de dtosF homs rF ruxleyF v istdsti puede pror todoD inluso l verddF xF woynihn
Resumen. in este ptulo explimos qu se entiende por ontrste de hiptesis estdsti y prendemos
relizr ontrstes de este tipo prtir de dtosD referidos lgn prmetro polionl desonoidoF
Palabras clave: ontrste de hiptesisD error tipo sD error tipo ssD estdstio de ontrsteD pEvlorD nivel de
signi(inD nivel de on(nzF
8.1. Introduccin
tesis se utilizn pr inferir deisiones que se re(eren un prmetro polionl sndose en muestrs de
l vrileF mos omenzr explir el funionmiento de un ontrste de hiptesis on un ejemploF gomo puntmos en l introduin del ptulo nteriorD ls llmds
pruebas o contrastes de hip-
Ejemplo. vos ient(os reomiendn que pr prever el lentmiento glolD l onentrin de gses
de efeto inverndero no dee exeder ls QSH prtes por millnF n orgnizin de protein del medio miente quiere determinr si el nivel medioD D de gses de efeto inverndero en un regin umple on ls puts requeridsD que estleen un lmite mximo de QSH prtes por millnF r ello tomr un muestr de mediiones diris de ire pr deidir si se super el lmiteD es deirD si > 350 o noF or tntoD l orgnizin dese enontrr poyo pr l hiptesis > 350D llmd
hiptesis alternativaD
oteniendo prues en l muestr que indiquen que l hiptesis ontrriD = 350 @o 350AD llmd
hiptesis nulaD es flsF

inocenciaD
hiho de otr formD l orgnizin v someter juiio l hiptesis nul 350F rtir de
su
suponiendo que es iertD es deirD suponiendo queD en prinipioD no se supern los lmites de IRW
preseni de gses de efeto invernderoD y slo l rehzr en fvor de H1 si hy prues evidentes en los dtos de l muestr pr elloF v deisin de rehzr o no l hiptesis nul en fvor de l lterntiv deer srse en l informin que d l muestrD trvs de lgun medid soid ellD que se denomin estadstico de contrasteF or ejemploD si se tomn QH leturs de ire y l medi muestrl es muho myor que QSHD lo lgio ser rehzr l hiptesis nul en fvor de > 350D pero si l medi muestrl es slo ligermente myor que QSH o menor que QSHD no hr prues su(ientes pr rehzr 350 en fvor de > 350F v uestin lve es en qu momento se deide rehzr l hiptesis nul en fvor de l lterntivF in nuestro ejemploD en qu momento podemos deir que l medi muestrl es su(ientemente myor que QSHF il onjunto de estos vlores del estdstio de ontrsteD que permiten rehzr = 350 en fvor de
> 350 se onoe omo
regin de rechazoF
e l luz de este ejemploD vmos trtr de de(nir de form generl los oneptos que mos de introduirF n contraste
de hiptesis es un prue que se s en los dtos de un muestr de un vrile letori medinte l ul podemos rehzr un hiptesis sore un prmetro de l polinD llmd hiptesis nula (H0 )D en fvor de un hiptesis ontrriD llmd hiptesis alternativa (H1 )F estadstico de
contrasteF
v prue se s en un trnsformin de los dtos de l muestrD lo que se denomin
e rehzr l hiptesis nul en fvor de l lterntiv undo el vlor del estdstio de ontrste se site en un determind reginD llmd
regin de rechazoF
v hiptesis H0 se suele expresr omo un iguldda D del tipo H0 : = 0 D donde es un prmetro de un polin y 0 es un vlor hipottio pr ese prmetroF or su prteD H1 puede tener tener dos formsX
H1 : > 0 , en uyo so se hl de contraste unilateral a la derecha o de una cola a la derecha o de un extremo a la derecha, o H1 : < 0 , en uyo so se hl de contraste unilateral a la izquierda o de una cola a la izquierda o de un extremo a la izquierda. H1 : = 0 , en uyo so se hl de contraste bilateral o de dos colas o de dos extremos.
a De todas formas, tambin es frecuente expresar H0 como negacin exacta de H1 , en cuyo caso s puede ser una desigualdad no estricta. Matemticamente no hay diferencias en estas dos posibilidades.
no de los spetos ms importntes y que se suele prestr myor onfusin se re(ere qu hiptesis onsiderr omo H0 y ul omo H1 F n regl prti pr herlo orretmente puede ser l siguienteX IF i estmos intentndo pror un hiptesisD st dee onsiderrse omo l hiptesis lterntivF PF or el ontrrioD si desemos desreditr un hiptesisD deemos inluir st omo hiptesis nulF
Ejemplo. r un determind edi(in se exige que los tuos de gu tengn un resisteni medi
l rupturD D por enim de QH kg por entmetroF
150
gomo primer situinD supongmos que un proveedor quiere filitr un nuevo tipo de tuo pr ser utilizdo en est edi(inF vo que deer her es poner trjr sus ingenierosD que deen relizr un prue pr deidir si esos tuos umplen on ls espei(iones requeridsF in ese soD deen proponer un ontrste que inluy omo hiptesis nul H0 : 30 frente l lterntiv H1 : > 30F i l relizr el ontrste de hiptesis se rehz H0 en fvor de H1 D el tuo podr ser utilizdoD pero si no se puede rehzr H0 en fvor de H1 D no se tienen su(ientes grnts sore l lidd del tuo y no ser utilizdoF gomo segund situinD un proveedor llev suministrndo su tipo de tuo desde he osD sin que se hyn detetdoD en prinipioD prolems on ellosF in emrgoD un ingeniero que trj pr el goierno ontrolndo l lidd en ls edi(iones viene teniendo sospehs de que ese tipo de tuo no umple on ls exigenis requeridsF in ese soD si quiere pror su hiptesisD el ingeniero deer onsiderr un ontrste de l hiptesis nul H0 : 30 frente H1 : < 30F hiho de otr formD slo podr ontrstr su hiptesis si enuentr dtos emprios que permitn rehzr es hiptesis nul en fvor de su lterntivD que demuestren on un lto nivel de (ilidd que el proveedor que est siendo eptdo hor no umple on los requisitosF
he hehoD es importntsimo que desde el prinipio tengmos lro qu tipo de deisiones puede proporioE nrnos un ontrste de hiptesisF eunque y ls hemos omentdoD vmos insistir en ellsF on ls dos siguientesX IF i el vlor del estdstio de ontrste pr los dtos de l muestr e en l regin de rehzoD podremos (rmr hiptesis nul en fvor de l lterntivF PF i el vlor del estdstio de ontrste pr los dtos de l muestr no e en l regin de rehzoD no podremos (rmr
con un determinado nivel de conanza que los dtos de l muestr permiten rehzr l
con el nivel de conanza exigido que los dtos de l muestr permiten rehzr
l hiptesis nul en fvor de l lterntivF v lve rdi en que entendmos desde el prinipio que l hiptesis nul ree de on(nzF is sumid slo omo punto de prtidD pero ser ndond undo los dtos emprios muestren evidenis lrs en su ontr y fvor de l lterntivF v rg de l prue de hiptesis rdi siempre en l hiptesis lterntivD que es l ni hiptesis en l que podremos grntizr un determindo nivel de on(nzF
8.2. Errores en un contraste de hiptesis

il ontrste de un hiptesis estdsti impliD por tntoD un tom de deisinD fvor de H0 o en ontr de H0 y en fvor de H1 F isto impli que podemos equivornos l tomr l deisin de dos formsF e llm
error tipo I o falso negativo rehzr l hiptesis nul undo es iertD y su proilidd se not por D llmdo nivel de signicacinF nivel de conanza l proilidd de eptr l hiptesis nul undo es iertD es deirD 1 . 151
e llm
Estado real Decisin en el contraste

H0 H1 H0 heisin orret irror tipo s H1 irror tipo ss heisin orret
gudro VFIX isquemtizin de los errorres tipo s y tipo ssF
e llm
error tipo II o falso positivo eptr l hiptesis nul undo es flsD y su proilidd se potencia l proilidd de rehzr l hiptesis nul undo es flsD es deirD 1 .
not por . e llm
gul de los dos errores es ms grvec rolemente eso depende de d ontrsteD pero en generlD lo que se pretende es otr el error tipo s y trtr de minimizr el error tipo ssD es deirD trtr de elegir ontrstes lo ms potentes posiles grntizndo que l proilidd del error tipo s es inferior un determindo nivelF
Ejemplo. n frinte de miniomputdors ree que puede vender ierto pquete de softwre ms
del PH 7 de quienes omprn sus omputdorsF e seleionron l zr IH posiles omprdores de l omputdor y se les pregunt si estn interesdos en el pquete de softwreF he ests personsD R indiron que pensn omprr el pqueteF roporion est muestr su(ientes prues de que ms del PH 7 de los omprdores de l omputdor dquirirn el pquete de softwrec i p es l verdder proporin de omprdores que dquirirn el pquete de softwreD ddo que desemos demostrr p > 0.2D tenemos que H0 : p = 0.2 y H1 : p > 0.2F e X : nmero de posiles omprdores de l muestrD en uyo soD X B (10, p)F tilizremos el vlor de X omo estdstio del ontrsteD rehzndo H0 si X es grndeF upongmos que estleemos omo regin de rehzo x 4F in ese soD ddo que en l muestr x = 4D rehzrmos H0 en fvor de H1 D llegndo l onlusin de que el frinte tiene rznF eroD ul es el nivel de on(nz de este ontrstec glulemos l proilidd de error tipo sF r elloD en el gudro VFP pree l distriuin de proilidd del estdstio de ontrste que hemos elegidoD suponiendo que H0 es iertD y que deemos lulr
= P [ehzr H0 |H0
es cierta ]
2
= P [X 4|p=0.2 ]
= 0.08808 + 2.6424 10
+ 5.505 103 + 7.8643 104
+ 7.3728 105 + 4.096 106 + 1.024 107 = 0.12087,

luego el nivel de on(nz del ontrste es del (1 0.12087) 100 % = 87.913 %F v onlusin ser que
a la luz de los datos podemos armar con un 87.913 % de conanza que p > 0.2F
si queremos un nivel de on(nz myorD es deirD un proilidd de error tipo s menorc heemos reduir l regin de rehzoF i ponemos omo regin de rehzo x 5D y no podremos rehzr H0 en
152
x H I P Q R S T U V W IH
P [X = x] 0.20 0.810 = 0.10737 0.21 0.89 = 0.26844 0.22 0.88 = 0.30199 0.23 0.87 = 0.20133 0.24 0.86 = 0.08808 10 5 5 2 5 0.2 0.8 = 2.6424 10 10 6 4 3 6 0.2 0.8 = 5.505 10 10 7 3 4 7 0.2 0.8 = 7.8643 10 10 8 2 5 8 0.2 0.8 = 7.3728 10 10 9 1 6 9 0.2 0.8 = 4.096 10 10 10 0 7 10 0.2 0.8 = 1.024 10
10 0 10 1 10 2 10 3 10 4
egin de eptin
egin de rehzo
gudro VFPX punin ms del estdstio de ontrste suponiendo iert H0 D es deirD suponiendo que p = 0.2F
fvor de H1 , y que x = 4F edemsD hor
= 2.6424 102 + 5.505 103 + 7.864 3 104 + 7.3728 105 + 4.096 106 + 1.024 107 = 3.2793 102 ,
luego el nivel de on(nz ser 1 3.2793 102 100 % = 96.721 %D y l onlusin ser que
luz de los datos no podemos armar que p > 0.2 con un 96.721 % de conanza.
a la
il estudio de es lgo ms omplido y no lo ordremosF
8.3. p-valor de un contraste de hiptesis

ristrimenteD l form ms omn de tur en un ontrste de hiptesis ps por elegir un nivel de signi(in @joAD que determin un lmite pr el error tipo s que estmos dispuestos sumirF ise nivel de signi(in determin tod l regin de rehzo yD exminndo si el vlor del estdstio e en ellD podemos onluir si rehzmos o no l hiptesis nul en fvor de l lterntiv on el nivel de on(nz requeridoF ixisteD sin emrgoD otr form de tur que h tenido un uge enorme desde que ls omputdors se hn onvertido en un herrmient l lne de ulquierF fjo est form de turD lulremos el vlor del estdstio de ontrste y vlorremos mo es de extremo este vlor jo l distriuin en el muestreo de l hiptesis nulF i es ms extremo que el nivel de signi(in desedoD se rehzr l hiptesis nul en fvor de l lterntivF ist medid de un extremo es el vlor del estdstio se llm
p-valorF
8.3.1. Denicin de p-valor

he form generlD supongmos que queremos ontrstr un hiptesis estdsti simple del tipo H0 : = 0 D frente lgun de ls lterntivs siguientesX H1 : = 0 , H1 : > 0 o H1 : < 0 F upongmos dems
153
que el ontrste se reliz medinte un estdstio que notremos S D y que el vlor del estdstio pr l muestr es sF il
p-valor soido l ontrste se de(ne omo el mnimo nivel de signi(in on el que l hiptesis nul
ser rehzd en fvor de l lterntivF
Ejemplo. in el ijemplo VFP hemos visto mo podemos rehzr l hiptesis nul on un 87.913 % de
on(nzD pero no on un 96.721 %F hiho de otr formD podemos rehzr l hiptesis nul on un nivel de signi(in del 12.087 %D pero no on un nivel de signi(in del 3.279 %F isto impli que el pEvlor estr justo entre estos dos ltimos vloresF
hdo que normlmente se elige omo nivel de signi(in mximo = 0.05D se tiene que l regl de deisin en un ontrste on ese nivel de signi(inD ddo el pEvlorD ser l siguienteX i p < 0.05D rehzmos H0 en fvor de H1 on ms de un WS 7 de on(nzF i p 0.05D no podemos rehzr H0 en fvor de H1 on l menos un WS 7 de on(nzF in emrgoD est regl de deisinD que es l ms hitulD es demsido reduionist si no se proporion el vlor exto del pEvlorF v rzn es que no es lo mismo rehzr un hiptesis on que eso permite d letor deidir por s mismoF in resumenD el pEvlor permite utilizr ulquier otro nivel de signi(inD y que si onsidermos un nivel de signi(in X i p < D rehzmos H0 en fvor de H1 on ms de un (1 ) % de on(nzF i p D no podemos rehzr H0 en fvor de H1 on l menos un (1 ) % de on(nzF gomo onlusinD siempre que hgmos un ontrste de hiptesisD deemos filitr el pEvlor soidoF gomo not (nl sore el onepto de pEvlorD es importnte selr queD l ontrrio de lo que errnemente se piens en demsids osionesD el pEvlor no es l proilidd de l hiptesis nulF wuh gente piens esto porque es ierto que undo el pEvlor es pequeo es undo se rehz l hiptesis nulF in emrgoD pr empezrD no tiene sentido plnternos l
probabilidad al menos
un WS 7 de
on(nz si el pEvlor es HFHRW que si es HFHHIF ry que proporionr siempre el pEvlor de un ontrsteD y
de l hiptesis nulD y que stD o es iertD o es
flsX desde un perspetiv lsi de l proiliddD se hl de l proilidd de un sueso porque vees ourre y vees noD pero en este so no podemos pensr sD y que l hiptesis nul o se d o no se dF in reliddD el pEvlor lo que d es un indiio de l ertidumre que tenemosD de l on(nz en que l hiptesis nul se verddD teniendo en uent los dtos de l muestrF ist interpretin tiene ms que ver on l interpretin sujetiv de l proilidd de l que hlmos l prinipio de ursoF ry que deir queD en relin est interpretin sujetiv de l proiliddD existe un visin de l istdstiD llmd istdsti fyesinD en l que el pEvlor s puede entenderse omo l proilidd de l hiptesis nulD pero entendiendo que medimos l proilidd de l hiptesis nulD no porque pued ourrir o no ourrir en funin del zrD sino porque tenemos inertidumre sore ellF
154
0.4
0.3
0.2
Regin de aceptacin
0.2
0.3
0.4
Regin de aceptacin
0.1
0.0
0.1
1
0.0
pigur VFIX egiones de rehzo en ontrstes unilterles l izquierd y l derehF
0.2
0.3
0.4
Regin de aceptacin
0.1
0.0
pigur VFPX egin de rehzo en un ontrste ilterlF
8.3.2. Clculo del p-valor

r omprender mo se lul el pEvlor de un ontrste es neesrio distinguir entre ontrstes unilterles o de un ol frente ontrstes ilterles o de dos olsF gomo y omentmosD los ontrstes del tipo H0 : = 0 D frente H1 : = 0 son
o de dos colasD y que el rehzo de l hiptesis nul en fvor de l lterntiv puede produirse porque el
estdstio de ontrste tom vlores muy ltos o muy josF or ontrD los ontrstes del tipo H0 : = 0 D frente H1 : > 0 o H1 : < 0 son ltos @undo H1 : > 0 , llmdo
contrastes bilaterales
y que el rehzo de l
contrastes unilaterales o de una colaD
hiptesis nul en fvor de l lterntiv puede produirse slo si el estdstio de ontrste tom vlores muy
contraste a la izquierdaAF
contraste a la derechaA o muy jos @undo H1
: < 0 D
llamado 155
or tntoD teniendo en uent l de(niin de pEvlorD su lulo se reliz de l siguiente formX i el ontrste es unilterl l izquierd @H1 : < 0 AD
p = P [S s/H0 ] .
i el ontrste es unilterl l dereh @H1 : > 0 AD
p = P [S > s/H0 ] .
i el ontrste es ilterl @H1 : = 0 AD
p = 2 m n {P [S s/H0 ] , P [S > s/H0 ]} .

ry que deir que el uso del pEvlor se h extendido hst onvertirse en el mtodo ms hitul de tom de ls deisiones desde que el uso de los ordendores y de los softwre de lulo estn disposiin de l myor de los usuriosF roy en d si ndie he istdsti a
manoD
y prtimente todos los progrms
estdstios proporionn el pEvlor omo dto pr l tom de ls deisionesF in lo que rest del tem lo que vmos her es enunir distintos ontrstes de hiptesis pr l mediD l vrinz o l proporin de un polin y pr omprr ls medisD ls vrinzs y ls proporiones en dos poliones distintsF xo nos vmos entrr en los detlles de mo se deduen sino slo en mo se utilizn en l prtiF he tods formsD es importnte her un lrinX undo los dtos proeden de un distriuin normlD es muy senillo otener l distriuin del estdstio del ontrsteD gris los resultdos que vimos en el ptulo de distriuiones en el muestreoF in emrgoD si los dtos no proeden de vriles normlesD est uestin es muhsimo ms difilF efortundmenteD si el tmo de l muestr es grndeD el eorem gentrl del vmite grntiz que los prmetros que se sn en sums sds en ls muestrs siguen proximdmente un distriuin normlF is por ello que en d tipo de ontrste que vmos desriir ontinuin se distinguen quellos que se sn en muestrs grndes y los que se sn en muestrs reduidsD que slo podrn ser utilizdos si l vrile es normlF in d soD vmos ompr el ontrste on un ejemplo que omentremos extensmenteF
8.4. Contraste para la media de una poblacin

mos suponer que tenemos un muestr x1 , ..., xn de un vrile letori on medi polionl F xotremos x l medi muestrl y s2 n1 l vrinz muestrlF
8.4.1. Con muestras grandes (n 30)

il gudro VFQ inluye un resumen del proedimiento pr el ontrsteF in lD zp es el vlor de un N (0, 1) tl que P [Z < zp ] = pF e modo de ejemploD podemos pensr en que los rquelogos utilizn el heho onoido de que los hmeros de los nimles de l mism espeie tienden tener proximdmente ls misms rzones longitudGnhur
156
ipo de prue riptesis istdstio ehzo pEvlor upuestos
e l izquierd H0 : = 0 H1 : < 0
z < z P [Z < z ]
filterl H0 : = 0 H1 : = 0 0 z = snx 1 / n |z | > z1/2 2P [Z > |z |] n 30
e l dereh H0 : = 0 H1 : > 0
z > z1 P [Z > z ]
gudro VFQX gontrste pr l medi on muestrs grndes WFPQ IPFSU VFRP WFSW IIFQU IHFQV VFUI UFVR VFTQ IHFHT WFUT WFIT WFIT UFRV VFHW UFSV IHFVH WFRH UFUS WFIW WFWW WFVT WFHQ VFWP IHFUW WFRT UFTI WFHH IPFVS WFVP IHFIV VFWV WFPS IIFHI WFQU WFHV IHFVI IHFQW VFIW WFTT UFHW WFHS VFSH UFRR WFUS WFPS WFQW WFSI IIFTT WFTT
gudro VFRX htos del ejemplo de ls espeies pr trtr de disernir si los hmeros fsiles que enuentrn en un yimiento orresponden o no un nuev espeieF upongmos que un espeie omn en l zon donde se enlv un yimientoD l
Bichus localisD
tiene un
rzn medi longitudGnhur de WF vos rquelogos enrgdos del yimiento hn hlldo SH hmeros fsilesD uyos dtos preen en el gudro VFRF ienen los rquelogos indiios su(ientes pr onluir que hn desuierto en el yimiento un espeie distint de l
Bichus localis c
in primer lugrD oservemos que no nos hn espei(do ningn nivel de signi(in en el enunidoF in este soD lo hitul es onsiderr = 0.05F in so de que l deisin se muy relevnteD elegirmos un nivel ms joF e ontinuin deemos plnter ls hiptesis del ontrsteF in prinipioD l zon de l exvin indi que l espeie del yimiento deer ser l espeie
Bichus localisD
slvo que demostremos lo ontrrioD es deirD
l hiptesis nul es H0 : = 9D donde por estmos notndo l medi de l rzn longitudGnhur del hmero de l espeie del yimientoF gomo hiptesis lterntiv nos plntemos que se trte de otr espeieD es deir H1 : = 9F e trtD por tntoD de un ontrste de dos olsF r relizrloD deemos lulr en primer lugr el estdstio de ontrsteF steD su vezD requiere del lulo de l medi y de l desviin tpi muestrl de los dtosF istos vlores sonD respetivmenteD WFRIR y IFPQWF or tntoD
z=
9.414 9 = 2.363. 1.239/ 50
ehor tenemos que plnternos si este vlor del estdstio nos permite rehzr l hiptesis nul en fvor de l lterntiv o noF odemos herlo de dos formsX IF yteniendo l regin de rehzoF hdo que z10.05/2 = 1.96D l regin de rehzo es |z | > 1.96F emos queD en efetoD 2.363 > 1.96D por lo que podemos rehzr l hiptesis nul en fvor de l lterntiv on un WS 7 de on(nzD onluyendo on ese nivel de on(nz que se trt de un nuev espeieF xos quedD sin emrgoD l dud de ser qu huier psdo de tomr un nivel de signi(in ms exigenteY por ejemploD = 0.01F
157
ipo de prue riptesis istdstio ehzo pEvlor upuestos
filterl e l dereh H0 : = 0 H0 : = 0 H1 : = 0 H1 : > 0 x 0 t = sn1 / n t < t;n1 |t| > t1/2;n1 t > t1;n1 P [Tn1 < t] 2P [Tn1 > |t|] P [Tn1 > t] histriuin de proilidd proximdmente norml
e l izquierd H0 : = 0 H1 : < 0
gudro VFSX gontrste pr l medi on muestrs peques PF wedinte el pEvlorF enemos que
p = 2 P [Z > |2.363|] = 0.018.

hdo que es inferior l S 7D podemos rehzr l hiptesis nul en fvor de l lterntiv on un WS 7 de on(nzD onluyendo on ese nivel de on(nz que l rzn medi longitudGnhur de los hmeros del yimiento es distint de l del un WW 7 de on(nz @I 7 de
Bichus localisD
pero no podrmos llegr her es (rmin on
signi(inA1 F
8.4.2. Con muestras pequeas (n < 30)

v prinipl difereni es queD l no poder utilizr el eorem gentrl del vmite por trtrse de muestrs pequesD deemos dir omo hiptesis l normlidd de los dtosF in ese soD l distriuin en el muestreo del estdstio y no es normlD sino tEstudentF il resumen pree en el gudro VFSF in ellD tp;v es el vlor de un t de tudent on v grdos de liertd tl que P [Tv < tp;v ] = pF mos plir el test en l siguiente situinF il dirio ur puli un notii el S de noviemre de PHHV donde se indi que
los niveles de concentracin de benceno, un tipo de hidrocarburo cancergeno que se encuentra como vapor a temperatura ambiente y es indisoluble en agua, no superan el mximo permitido por la Directiva Europea de Calidad del Aire, cinco microgramos por metro cbico. sta es la principal conclusin del estudio elaborado por un equipo de la Escuela Andaluza de Salud Pblica
en el gmpo de qirltrF v
notii slo indi que el estudio se s en un muestrD dndo el vlor medio muestrl en vris zons del gmpo de qirltrD pero no el tmo ni l desviin tpi muestrlF r relizr el ejemploD nosotros vmos imginr unos dtos orrespondientes un muestr de PH hogres donde se midi l onentrin de enenoD rrojndo un medi muestrl de SFI mirogrmos por metro io y un desviin tpi muestrl de IFUF istoy seguro de queD en ese soD el peridio hr sdo grndes titulres sore l ontminin por eneno en los hogres del gmpo de qirltr peroD podemos (rmr queD en efetoD se supern los lmites de l hiretiv iurope de glidd del eirec in primer lugrD de nuevo no nos indin un nivel de signi(in on el que relizr l prueF isogemosD en prinipioD = 0.05F enemos que tener uiddoD porque el plntemiento de l prueD tl y omo se nos h plntedoD ser ontrstr l hiptesis nul H0 : = 5 frente H1 : > 5D en uyo soD un error tipo s se trdue en onluir que se viol l normtiv undo en relidd no lo heD lo ul es grve porque gener lrm injusti(d en l polinD mientrs que el error tipo ssD el que no ontrolmos on el D es onluir que
1 Debe quedar claro que, estadsticamente, lo que hemos demostrado es que la razn media es distinta de 9. Son los arquelogos los que deciden que eso implica una nueva especie.
158
se umple l normtiv undo en relidd no lo heD lo ul es grvsimo pr l polin3 gon esto quiero inidir en un uestin importnte respeto lo que se nos pide que demostremosX se nos die que nos plnteemos si se supern los lmites de l normtivD en uyo so H1 dee ser > 5D pero en reliddD deermos plnternos l pregunt de si podemos estr seguros de que se est por dejo de los lmites mximos permitidosD es deirD deermos pror H1 : < 5F gentrndonos exlusivmente en lo que se nos pide en el enunidoD tenemos que H1 : > 5 determin que se trt de un prue unilterl l derehF il estdstio de ontrste es
t=
5.1 5 = 0.263. 1.7/ 20
IF i queremos onluir on l regin de rehzoD st est formd por los vlores t > t0.95;19 = 1.729D luegoD ddo que 0.263 < 1.729D no podemos (rmr on un WS 7 de on(nz que se est inumpliendo l normtivF PF il pEvlor es n ms informtivoF u vlor es p = P [T19 > 0.263] = 0.398D por lo que tendrmos que llegr hst si un RH 7 de signi(in pr rehzr l hiptesis nul en fvor de l lterntiv (rmndo que se inumple l normtivF or lo tntoD tl y omo est plntedo el prolemD no podemos (rmr que se est inumpliendo l normtiv @on un S 7 de signi(inAD por ms que un vlor muestrl de l mediD SFID prez indir que sF vo que yo reomendr los responsles del umplimiento l normtiv es que umentrn el tmo de l muestrD y queD por ejemploD si esos mismos dtos orrespondiern IHHH hogres en vez de PHD s se podr (rmr on un WS 7 de on(nz que se inumple l normtivF
8.5. Contraste para la diferencia de medias de poblaciones independientes

2 2 en dos muestrsD x1 , ..., xn1 e y1 , ..., yn2 D de vFF independientes on medis 1 y 2 y vrinzs 1 y 2 F
en x D y D s1 n1
y s2 n1
medis y vrinzs muestrlesF
8.5.1. Con muestras grandes (n1 , n2 30)

il resumen del proedimiento pr el ontrste pree en el gudro VFTF mos onsiderr un ejemplo donde plir el ontrsteF smginemos que un ingeniero invent un nuevo mtodo de produin on el que ree que pueden reduirse los tiempos de produinF r omprorloD produe SH uniddes on el nuevo proeso y QH on el ntiguoD ontilizndo el tiempo @en segundosA que se trd en produir d uniddF in el gudro VFU pree un resumen de los resultdosF roporionn ests muestrs prues su(ientes pr onluir que el promedio de tiempo de produin disminuye on el nuevo proesoc ruese on = 0.05F vlmemos 1 l tiempo medio de produin jo el nuevo proeso y 2 l tiempo medio de produin jo el ntiguo proesoF xos piden que ontrstemos H0 : 1 = 2 frente H1 : 1 < 2 oD lo que es lo mismoD
H1 : 1 2 < 0X se trtD por tntoD de un test unilterl l izquierdF

159
ipo de prue riptesis istdstio de ontrste egin de rehzo pEvlor upuestos
nilterl l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0
filterl
H0 : 1 2 = D0 H1 : 1 2 = D0 z=
( x y )D0
nilterl l dereh H0 : 1 2 = D0 H1 : 1 2 > D0

2
( s1 n1 )
n1
(s2 n1 )
n2
z < z
|z | > z1/2
z > z1
P [Z < z ] 2P [Z > |z |] P [Z > z ] n1 , n2 30F wuestreo independiente y letorio
gudro VFTX gontrste pr l difereni de medis on muestrs grndes roeso nuevo n1 = 50 y 1 = 1255 s1 = 215 roeso ntiguo n2 = 30 y 2 = 1330 s2 = 238
gudro VFUX htos del ejemplo del nuevo proeso de produin il estdstio es
z=
1255 1330
2152 50
= 1.41.
2382 30
r tomr l deisin podemos otener l regin rti o el pEvlorX IF v regin de rehzo es z < z0.05 = 1.65F hdo que z = 1.41 no e en est reginD no podemos rehzr l hiptesis nul en fvor de l lterntiv on = 0.05D es deirD no tenemos un WS 7 de on(nz en que el nuevo proeso hy disminuido el tiempo medio de produinF xo ostnteD est respuest dej iert l preguntD si no un WS 7 de on(nzD untcF PF hdo que el pEvlor es p = P [Z < 1.41] = 0.079 > 0.05D no podemos rehzr l hiptesis nul en fvor de l lterntiv on el nivel de signi(in = 0.05F ry que deir que no hemos podido pror lo que se sospehD que el nuevo proeso redu el tiempo medio de produinD pero los dtos puntn en est direinF hesde el punto de vist estdstioD deermos reomendr l ingeniero que umente el tmo de ls muestrs porque es posile que en ese so s pued pror es hiptesisF
8.5.2. Con muestras pequeas (n1 < 30 o n2 < 30) y varianzas iguales
il resumen pree en el gudro VFVF e propsito de l hiptesis de l iguldd de ls vrinzsD st dee srse en rzones no estdstisF vo hitul es que se supong que son igules porque el experto que est relizndo el ontrste tiene rzones experimentles pr herloD rzones jens l estdstiF mos onsiderr omo ejemplo el de un ingeniero que dese omprr dos equipos de trjo pr nlizr si se omportn de form homogneF r ello reliz un prue de destrez entre los trjdores de mos equiposX IQ del equipo I y IS del equipo PD uys puntuiones preen en el gudro VFWF ry indiios su(ientes de que existn diferenis entre ls puntuiones medis de los dos equiposc ( = 0.05)F
160
ipo riptesis istdstio de ontrste egin de ehzo pEvlor upuestos
e l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0
t=
( xy )D0 s2 p
1 n1 1 +n 2
filterl e l dereh H0 : 1 2 = D0 H0 : 1 2 = D0 H1 : 1 2 = D0 H1 : 1 2 > D0 2 2 1 (n1 1)(sn1 ) +(n2 1)(s2 n1 ) , s2 = p n1 +n2 2
t < t;n1 +n2 2
|t| > t1/2;n1 +n2 2
t > t1;n1 +n2 2
P [Tn1 +n2 2 < t] 2P [Tn1 +n2 2 > |t|] P [Tn1 +n2 2 > t] wuestreo independiente y letorioF riles normlesF 2 2 1 = 2
gudro VFVX gontrste pr l iguldd de medis on muestrs peques iquipo I iquipo P SW UI UQ TQ UR RH TI QR WP QV TH RV VR TH SR US UQ RU RU RI IHP RR US VT QQ SQ TV QW
gudro VFWX htos de ls puntuiones de los dos equipos de trjo xos piden que ontrstemos l iguldd de ls medis @H0 : 1 = 2 AD frente l lterntiv H1 : 1 = 2 D por lo que se trt de un ontrste ilterlF in primer lugrD otenemos los estdstios muestrles de mos equiposF vs medis sonD respetivmenteD TVFP y SQFVD mientrs que ls desviiones tpis muestrles son IVFT y ISFVF gon estos vlores podemos lulr s2 pX
s2 p =
12 18.6 + 14 15.8 = 294.09. 13 + 15 2
gon este vlor y podemos lulr el estdstio de ontrsteX
t=
68.2 53.8
1 294.09( 13 + 1 15 )
= 2.22.
eunque no hemos diho nd l respetoD vmos suponer que ls vrinzs son igulesF isto no pree deselldo si dmitimos que ls ondiiones en que trjn mos equipos determinn que no dee her diferenis en l vriilidd de sus puntuionesF ist hiptesis dee ser dmitid y propuest por el experto @en este soD el ingenieroA que mnej los dtosF r otener l onlusinD omo siempreD vmos otener l regin de rehzo y vlorr el pEvlorX IF v regin de rehzo es |t| > t0.975;26 = 2.055F hdo que t = 2.22 e en es reginD podemos rehzr l iguldd de ls medis on un WS 7 de on(nzF PF hdo que el pEvlorD p = 2P [T26 > 2.22] = 0.035 es inferior HFHSD podemos rehzr l iguldd de ls medis on un WS 7 de on(nzF he hehoD podrmos llegr un WTFS 7F
8.5.3. Con muestras pequeas, varianzas distintas y mismo tamao muestral

il resumen del ontrste se reoge en el gudro VFIH
8.5.4. Con muestras pequeas, varianzas distintas y distinto tamao muestral

il resumen pree en el gudro VFIID donde v se redonde l entero ms ernoF
161
nilterl l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0
filterl
H0 : 1 2 = D0 H1 : 1 2 = D0 t=
1 n
nilterl l dereh H0 : 1 2 = D0 H1 : 1 2 > D0

2
( xy )D0
2 (s1 n1 ) +(sn1 ) 2
t < t;2(n1)
|t| > t1/2;2(n1)
t > t1;2(n1)
P [T;2(n1) < t] 2P [T;2(n1) > |t|] P [T;2(n1) > t] vs dos muestrs se reogen de form independiente y letori ems vriles siguen distriuiones proximdmente normles vs muestrs tienen el mismo tmoD n1 = n2 = n
gudro VFIHX gontrste pr l iguldd de medis on muestrs peques vrinzs distints y mismo tmo muestrl ipo de prue riptesis istdstio de ontrste egin de rehzo pEvlor upuestos nilterl l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0 nilterl l dereh H0 : 1 2 = D0 H0 : 1 2 = D0 H1 : 1 2 = D0 H1 : 1 2 > D0 2 2 2 s2 (s1 ( n1 ) n1 ) + filterl
n1 n2 2
t=
( xy )D0
(s1 n1 )
n1
( s2 ) + n1
n2
,v =
2 2 s1 n1 n1
(s2 n1 )
n2
2 2
n1 1
n2 1
t < t;v
|t| > t1/2;v
t > t1;v
P [Tv < t] 2P [Tv > |t|] P [Tv > t] vs dos muestrs se reogen de form independiente y letori ems vriles siguen distriuiones proximdmente normles
gudro VFIIX gontrste pr l iguldd de medis on muestrs pequesD vrinzs distints y distinto tmo muestrl
8.6. Contraste para la diferencia de medias de poblaciones apareadas

enemos un mism polin en l que seleionmos un muestr de n individuosF in d uno de ellos oservmos dos vrilesD X e Y F ists vriles no son independientesX ls muestrs estn
apareadasD
(x1 , y1 ) , ..., (xn , yn )F r omprr ms vriles se onsider un nuev vrileD D = X Y F xotmos 2 l medi muestrl de x1 y1 , ..., xn yn y sd su vrinz muestrlF d n1
8.6.1. Con muestras grandes (n 30)

il resumen pree en el gudro VFIPF
8.6.2. Con muestras pequeas (n < 30)

il resumen pree en el gudro VFIQF emos un ejemploF n empres frmeti est investigndo un medimento que redue l preseni en sngre de un omE
162
ipo riptesis istdstio ehzo pEvlor upuestos
e l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0
filterl H0 : 1 2 = D0 H1 : 1 2 = D0 0 z = sddD / n
n1
e l dereh H0 : 1 2 = D0 H1 : 1 2 > D0
z < z P [Z < z ]
|z | > z1/2 2P [Z > |z |] n 30
z > z1 P [Z > z ]
gudro VFIPX gontrste pr l iguldd de medis en poliones preds on muestr grnde ipo riptesis istdstio ehzo pEvlor upuestos e l izquierd H0 : 1 2 = D0 H1 : 1 2 < D0 filterl H0 : 1 2 = D0 H1 : 1 2 = D0 0 t = sddD / n
n1
e l dereh H0 : 1 2 = D0 H1 : 1 2 > D0
t < t;n1 |t| > t1/2;n1 t > t1;n1 P [Tn1 < t] 2P [Tn1 > |t|] P [Tn1 > t] D = X Y D es proximdmente norml
gudro VFIQX gontrste pr l iguldd de medis en poliones preds y muestr peque ponente no desedo2 F entes de srlo l merdo neesit un estudio de sosEontroles que demuestre su e(iF il estudio de sos ontroles onsiste en enontrr un nmero determindo de prejs de persons on rterstis (siolgis preidsY en este soD l ms importnte de ests rterstis ser que ls prejs soEontrol tengn l iniio del estudio el mismo o muy preido nivel de preseni en sngre del omponente no desedoX en d un de ess prejsD un t omo soD tomndo l mediin en estudioD y l otr omo ontrolD tomndo un produto inouo llmdo pleoF xingun de ls dos personsD ni siquier el mdio o el frmetio que ontrol el proesoD se quin es el so y quin el ontrolF lo quien reopil y nliz los resultdosD sin ontto lguno on el pienteD tiene esos dtosF ist metodolog se onoe omo
doble ciego
y evit que el onoimiento de que se est dministrndo l mediin provoque un efeto
en s mismoF vos dtos preen en el gudro VFIRF n nlisis ostoEene(io de l empres frmeti muestr que ser ene(ioso sr l merdo el produto si l disminuin medi del omponente perjudiil es de l menos P puntosF eliemos un nuev prue pr yudr l omp tomr l deisin orretF vos dtos son l disminuin de preseni en sngre del omponente no desedo despus de tomr el medimento o el pleoF impeemos por l notinF mos llmr muestr I l del medimento y muestr P l del pleoF gon est notinD nos piden que ontrstemos H0 : 1 2 = 2 frente H1 : 1 > 2 +2D o equivlentementeD
H1 : 1 2 > 2F in ese soD el estdstio de ontrste es t= 3.21 2 = 3.375 1.134/ 10
y el pEvlor soido es p = P [T9 > 3.375] = 0.004F emos que l signi(in determin un pEvlor inferiorD por ejemploD = 0.05D por lo que podemos onluir on ese nivel de signi(in que l mejor es superiorD en mediD P puntos yD por tntoD el medimento es rentleF
2 Podra
ser colesterol, cido rico, ...
163
rej I P Q R S T U V W IH
wedimento QPFIH QTFIH QPFQH PWFSH QRFQH QIFWH QQFRH QRFTH QSFPH QPFUH
leo PUFIH QIFSH QHFRH PTFWH PWFWH PVFUH QHFPH QIFVH QQFTH PWFWH
hifereni SFHH RFTH IFWH PFTH RFRH QFPH QFPH PFVH IFTH PFVH
gudro VFIRX htos del ejemplo de l omp frmeti ipo de prue riptesis istdstio de ontrste pEvlor egin de rehzo upuestos nilterl l izquierd H0 : p = p0 H1 : p < p0 filterl nilterl l dereh H0 : p = p0 H1 : p > p0
H0 : p = p 0 H1 : p = p 0 z=
p p0 p0 (1p0 ) n
P [Z < z ] z < z
2P [Z > |z |] |z | > z1/2 np0 , n (1 p0 ) 10
P [Z > z ] z > z1
gudro VFISX gontrste pr un proporin
8.7. Contraste para la proporcin en una poblacin

in est osin tenemos un polin donde un proporin dd present un determind rterstiD que denominmos
xitoD
y uy proilidd es pF hesemos her infereni sore est proporinF r
ello seleionmos un muestr letori simple de tmo n y ontilizmos l proporin de xitos en l muestrD p F il resumen del ontrste pree en el gudro VFISF mos onsiderr un primer ejempo reltivo l relin entre el gnero y los identes de tr(oF e estim que el TH 7 de los ondutores son vronesF or otr prteD un estudio relizdo sore los dtos de IPH identes de tr(o muestr que en ellos el UH 7 de los identes fueron provodos por un vrn ondutorF odemosD on esos dtosD on(rmr que los homres son ms peligrosos l volntec i notmos por p l proporin de vrones usntes de identes de tr(oD l pregunt se responder (rmtivmente si logrmos ontrstr l hiptesis H1 : p > 0.6F il vlor del estdstio es
z=
0.7 0.6
0.60.4 120
= 2.236.
or su prteD l regin de rehzo ser |z | > 1.96 pr un = 0.05D luego en efetoD podemos onluir que l proporin de vrones usntes de identes es superior l proporin de vrones ondutores en generlF il pEvlorD de hehoD es HFHIQF mos nlizr on muho detlle otro ejemplo sore iguldd de proporionesF he tods formsD lo que quiero enftizros on el ejemplo no est reliondo en s on el heho de que se re(er un proporinF
Una marca de nueces arma que, como mximo, el 6 % de las nueces estn vacas. Se eligieron 300 nueces
164
al azar y se detectaron 21 vacas. Con un nivel de signicacin del 5 %, se puede aceptar la armacin de la marca?
in primer lugrD pedir un nivel de signi(in del S 7 es equivlente pedir un nivel de on(nz del WS 7 FFF sore quc xos preguntn si se puede eptr l (rmin de l mr
signicacin del 5 %, es decir, con un nivel de conanza del 95 %F iso impli que queremos
pror on mplis grnts que l mr no mienteD y l ni form de herlo es poner su hiptesis @p < 0.06A en l hiptesis lterntivF or tntoD tendrmos H0 : p 0.06 frente lo que (rm l mrD H1 : p < 0.06F
con un nivel de
ehor ienD (jmonos que l proporin muestrl de nuees vs es p = 21/300 = 0.07F is deirD nos piden que vemos si un proporin muestrl de HFHU d su(iente on(nz @WS 7 pr ser extosA de que p < 0.06FFF xo d ningun3 xi siquier he flt her el ontrste on nmerosF tms podremos rehzr l hiptesis nul en fvor de l hiptesis de l mrD es deirD en soluto podemos (rmr lo que die l mrD p < 0.06D on un WS 7 de on(nzF he tods formsD por si hy lgn inrduloD 0.070.06 el estdstio de ontrste ser z = = 0.729F v regin de rehzoD ddo que es un test l 0.060.94 izquierdD ser z < z0.05 = 1.645F gomo vemosD el vlor del estdstio de ontrste est en l ol de l dereh y l regin de rehzo en l de l izquierdF or eso de ntes que es imposile rehzr l hiptesis nul en fvor de l lterntivD independientemente del nivel de on(nz requeridoF rst hor hemos demostrdo que l mr no puede (rmr que l proporin de nuees vs es inferior l T 7 on un WS 7 de on(nzF he hehoD no lo puede (rmr on ningn nivel de on(nzD porque los dtos tomdos proporionn un estimin de HFHU que v justo en ontr de su hiptesisF ero vmos suponer que nos ponemos gllitos y deimosX es
la proporcin de nueces vacas superior al 6 % F ms, podra demostrar que hay eviden300
cias empricas que proporcionan un 95 % de conanza en que la compaa miente, siendo en realidad
ehor somos nosotros los que (rmmos otr osX
(rmmos p > 0.06 on un WS 7 de on(nzD lo que equivle deir que hemos plntedo un nuevo ontrste de hiptesis en el que H0 : p 0.06 frente H1 : p > 0.06F vs uents estn si hehsD y que el vlor del estdstio de ontrste es el mismoD z = 0.729D mientrs que l regin de rehzo es
z > z0.95 = 1.645F ehor el vlor del estdstioD es deirD l informin que nos dn los dtos @PI de
QHH nuees vsAD s es oherente on l hiptesis lterntivD de h que est en l mism ol que l regin de rehzoFFF pero no e en ell3F or lo tntoD no tenemos su(ientes evidenis en los dtos pr rehzr l hiptesis nul en fvor de l lterntiv on un WS 7 de on(nzD s que no podemos demostrr on ese nivel de on(nz que l mr mienteF in resumenD unque prez prdjioD no tenemos su(ientes evidenis en los dtos pr (rmr que l omp die l verddD pero tmpoo pr demostrr que mienteF v difereni entre ms hiptesis rdi en que no tenemos ningun on(nz en l (rmin de l ompD y s lgun on(nz en l (rmin ontrriF gunt on(nz tenemos en l (rmin ontrri p > 0.06c ise vlor viene ddo por el pEvlorD P [Z > 0.729] = 0.233D que determin que el nivel de on(nz en
p > 0.06 es (1 0.233) 100 % = 72.9 %F

pinlmenteD lguien podr pensrD y
entonces qu hacemos? F
hesde el punto de vist estdstio
lo nio que podemos reomendr es umentr el tmo de l muestrD es deirD romper ms de QHH nuees pr tomr l deisinF eprentementeD l informin reogid on QHH nuees pree indir
165
nilterl l izquierd H0 : p1 p2 = D0 H1 : p1 p2 < D0
filterl
H0 : p1 p2 = D0 H1 : p1 p2 = D0
p 1 p 2 D0 p (1p )
1 n1 1 +n 2
nilterl l dereh H0 : p1 p2 = D0 H1 : p1 p2 > D0
z= z < z P [Z < z ]
, p =
n1 p 1 +n2 p 2 n1 +n2
|z | > z1/2 2P [Z > |z |] el menos IH xitos y IH frsos
z > z1 P [Z > z ]
gudro VFITX gontrste pr l difereni de proporiones que l mr mienteF he hehoD si l proporin muestrl de HFHU provinier de un muestr de ITHH nuees en vez de QHHD s huirmos podido demostrr on un WS 7 de on(nz que l mr mienteF
8.8. Contraste para la diferencia de proporciones

in est osin prtimos de dos poliones dentro de ls ules hy proporiones p1 y p2 de individuos on l rtersti xitoF retendemos omprr ests proporiones medinte l tom de muestrs de tmo n1 y n2 F xotremos p 1 y p 2 ls proporiones de xitos en ls muestrsF upondremos de nuevo que ls muestrs son grndes pr poder plir el eorem gentrl del vmite l hor de trjr on el estdstio de ontrsteF il resumen del ontrste pree en el gudro VFITF mos onsiderr un estudio3 on dtos relesD unque lgo ntiudosD referente l relin entre los identes de tr(o y el onsumo de loholD relizdo por l hq en l gomunidd eutnom de xvrr en IWWIF e relizron prues de loholemi en PUR ondutores implidos en identes de tr(o on heridosD de los ulesD VV dieron positivoF or su prteD l qurdi givil de r(o reliz en l mism zon IHRR ontroles de loholemi l zrD de los ules IS dieron positivoF vo que l hq quiere demostrr es que el lohol es usnte de los identes de tr(oF in emrgoD desde el punto de vist estdstio slo podemos ontrstr l hiptesis de que l proporin de positivos en l prue de loholemi es myor en el grupo de ondutores implidos en identes de tr(oF xotemos por p1 y p2 ls verdders proporiones en el grupo de implidos en identes y en el grupo de ondutores no implidosF e nos pide ontrstr H0 : p1 = p2 frente H1 : p1 > p2 F il estdstio de ontrste es
z=
88+15 274+1044 (1
88 274
15 1044
= 904.29. +
1 1044 )
88+15 1 274+1044 )( 274
ist lro que el vlor del estdstio es estilD sin neesidd de vlorr l regin de rehzoD que ser
z > z0.95 = 1.645D luego podemos rehzr l hiptesis nul en fvor de l lterntiv onD l menosD el WS 7
de on(nzF il pEvlorD p = P [Z > 904.29] = 0 indi que l on(nz esD de hehoD stnte myorF xo puedo resistirme onluir el ejemplo sin reordr que lo que l hq relmente querr dr entender es que el lohol es el usnte de los identes de tr(oD pero que eso no puede ser demostrdo on el ontrsteF
3 http://www.dgt.es/educacionvial/imagenes/educacionvial/recursos/dgt/EduVial/50/40/index.htm
166
ipo de prue riptesis istdstio de ontrste ehzo pEvlor upuestos
nilterl l izquierd 2 H0 : 2 = 0 2 H1 : 2 < 0
filterl
2 H0 : 2 = 0 2 H1 : 2 = 0
nilterl l dereh 2 H0 : 2 = 0 2 H1 : 2 > 0
2 = 2 < 2 ;n1
(n1)s2 n1 2 0
2 < 2 /2;n1 o 2 > 2 1;n1 2 > 2 1/2;n1 2 2 2 2 2 2 2 P [n1 < ] 2min(P [n1 < ], P [n1 > ]) P [n1 > 2 ] histriuin de proilidd proximdmente norml
gudro VFIUX gontrste pr l vrinz
8.9. Contraste para la varianza de una poblacin

he nuevo onsideremos que tenemos un vrile letori X on vrinz 2 y que tommos un muestr de
2 tmo nD uy vrinz muestrl notmos por s2 n1 F mos trtr de her infereni sore F il prolem
es que hor no podemos plir el eorem gentrl del vmiteD por lo que slo utilizr los ontrstes undo
2 2 2 l vrile X es normlF 2 p;v es el vlor de un de v grdos de liertd tl que P < p;v = pF
vs empres idel (rm que su mquin de llendo riwe posee un desviin tpi en el llendo de ontenedores de SHHml de produto homogneo inferior HFV grF4 mos suponer que el supervisor de ontrol de lidd quiere relizr un omproin l respetoF eopil pr ello un muestr del llendo de SH ontenedoresD oteniendo un vrinz muestrl de HFT ist informin proporion prues su(ientes de que l desviin tpi de su proeso de llendo es relmente inferior HFVgrFc lntemosD en primer lugrD ls hiptesis del ontrsteF e nos pide que ontrstemos H0 : = 0.8 oD equivlentementeD H0 : 2 = 0.64 frente l lterntiv H1 : 2 < 0.64F e trtD por tntoD de un test unilterl l izquierdF il estdstio de ontrste es
2 =
49 0.6 = 45.938. 0.64
ehor onluimos trvs de l regin de rehzo @elegimos = 0.05A y del pEvlorX

2 2 IF hdo que 2 0.05;9 = 33.930D y = 45.938 > 0.05;9 = 33.930D no podemos onluir on l menos un
WS 7 de on(nz queD en efetoD l desviin tpi de l ntidd de llendo es inferior HFVgrF PF hdo que el pEvlor es p = P [2 49 < 45.938] = 0.4D stnte ltoD tenemos muy seris duds er de queD en efetoD l desviin tpi se relmente inferior HFVgrF
OjoX ntes de que l empres idel se enfde on nosotrosD no olvidemos que los dtos son imginriosX slo
son reles ls espei(iones tnis de < 0.8gr.
8.10. Contraste para el cociente de varianzas

2 enemos dos muestrsD x1 , ..., xn1 y y1 , ..., yn2 D de dos vriles letoris independientes on vrinzs 1 y 2 2 2 2 2 F xotremos (s1 n1 ) y (sn1 ) ls vrinzs muestrlesF he nuevo slo podremos onsiderr el ontrste
4 http://www.sidel.com/es/products/equipment/the-art-of-lling/hema-gw
167
ipo riptesis istdstio ehzo pEvlor upuestos
nilterl l izquierd
filterl
nilterl l dereh
H0 : H1 :
2 1 2 2 2 1 2 2
=1 <1
H0 : H1 : f=
2 1 2 = 1 2 2 1 2 = 1 2 2 (s1 n1 )
H0 : H1 :
2 1 2 2 2 1 2 2
=1 >1
f < f/2;n1 1,n2 1 o f > f1;n1 1,n2 1 f > f1/2;n1 1,n2 1 P [Fn1 1,n2 1 < f ] 2min(P [Fn1 1,n2 1 < f ], P [Fn1 1,n2 1 > f ]) P [Fn1 1,n2 1 > f ] vs dos muestrs se reogen de form independiente y letori ems vriles siguen distriuiones proximdmente normles f < f;n1 1,n2 1
gudro VFIVX gontrste pr el oiente de vrinzs
(s2 n1 )
si ms vriles son normlesF il resumen del ontrste pree en el gudro VFIVF in lD fp;v1 ,v2 es el vlor de un F de v1 y v2 grdos de liertd5 tl que P [F < fp;v1 ,v2 ] = pF r prtir sore el ontrsteD onsideremos que se hn relizdo PH mediiones de l durez en l esl ikers de ero on lto ontenido en romo y otrs PH mediiones independientes de l durez de un solddur produid sore ese metlF vs desviiones estndr de ls muestrs de durez del metl y de durez de l solddur sore ste fue de IPFHTHV y IIFRIHV D respetivmenteF odemos suponer que ls durezs orresponden vriles normles e independientesF odemos onluir que l durez del metl sio es ms vrile que l durez medid en l solddurc mos llmr l durez sore el eroD X D y l durez sore l solddurD Y F e nos pide que ontrstemos
2 2 2 2 H0 : X = Y frente l lterntiv H1 : X > Y oD equivlentementeD H1 : un prue unilterl l derehF il estdstio de ontrste es
2 X 2 Y
> 1F e trtD por tntoD de
f=
12.062 = 1.1172. 11.412
mos tomr un nivel de signi(in de = 0.05F v regin rti viene delimitd por el vlor f0.95;19,19 =
2.168F hdo que f = 1.1172 < f0.95;19,19 = 2.168D no podemos onluir l nivel de signi(in = 0.05 que
l durez del metl sio se ms vrile que l durez medid en l solddurF il pEvlorD por su prteD es p = P [F19,19 > 1.1172] = 0.4058F
8.11. Contraste para las medias de ms de dos poblaciones independientes. ANOVA

in lguns de ls seiones nteriores hemos onseguido ontrstes de hiptesis pr vlorr si existen diferenE is signi(tivs entre dos grupos independientesF vo que nos plntemos qu es extender estos ontrstes pr poder omprr no slo dos sino tres o ms gruposF e d por hehoD por tntoD que existe un que sepr los vlores de l vrile en vrios grupos @dos o msAF gonretmenteD supongmos m muestrs independientes uns de otrsD d un de ells on un tmo
factor
ni 6 F upongmos tmin que d un de ls muestrs provienen de poliones on distriuin norml

5 De 6 No
cara al uso de las tablas hay una propiedad bastante til: fp;v1 ,v2 = 1/f1p;v2 ,v1 es necesario, aunque s deseable, que todas las muestras tengan el mismo tamao.
168
de medis i y vrinzs tods igulesD 2 F vo que plntemos es ontrstr
H0 : 1 = ... = m
frente
H1 : no tods ls medis son igulesF

ysrvese que l lterntiv no die ells sen diferentesF
i henotemos por xi i y s2 1 , ..., xni l muestr isimD y x i,ni 1 su medi y su vrinz muestrlD on
que todas las medias sean distintas
sino tn slo que l menos dos de
i = 1, ..., mF
iste ontrste se denomin exye omo rnimo de ls poliones de ls que proeden ls muestrsF upongmos que
juntamos Analysis of VarianceD
y queD omo vmos verD se
s en nlizr qu se dee l vriilidd totl que presentn los dtosD si l zr o ls diferenis entre tods ls muestrsD oteniendo un ni muestr glol de tmo
m
N=
i=1
ni ,
y lulmos su mediD
x =
ehorD vmos preguntrnos por ls
m i=1
ni j =1
xi j
fuentes de variacin de los datos X
IF in primer lugrD los dtos vrn glolmente respeto l medi totlF n medid de est vriin es l
suma de los cuadrados totalesD
ni
SCT =
i=1 j =1
xi j x
PF or otro ldoD puede her diferenis entre ls medis de d grupo y l medi totlF odemos medir ests diferenis on l
suma de los cuadrados entre-gruposX

m
SCE =
i=1
ni ( xi x ) .
muestrales
i l hiptesis nul fuer iertD slo hr peques diferenis muestrD en uyo soD l
SCE
entre ls medis de d
ser pequeF i fuer flsD hr muhs diferenis entre ls medis

SCE
y on respeto l medi totlD en uyo so
ser grndeF
QF or ltimoD deido l vriilidd inherente tod muestrD los dtos de d muestr vn vE rir respeto su medi prtiulrF gomo medid de est vriin onsidermos l
cuadrados dentro de los grupos o intra-grupos:

m ni
suma de los
SCD =
i=1 j =1
xi i j x
=
i=1
(ni 1) s2 i,ni 1 .
169
v lve en ests onsideriones lo onstituye l siguiente igulddD onoid omo
de la varianzaX
teorema de particin
SCT = SCE + SCD.

eniendo en uent este resultdoD el exye onsiste en ver si de
SCDF SCE
es signi(tivmente grnde respeto
r ello st onsiderr queD suponiendo que l hiptesis nul es iertX sigue un 2 on N 1 grdos de liertdF sigue un 2 on m 1 grdos de liertdF sigue un 2 on N m grdos de liertdF
SCT 2 SCE 2 SCD 2
esD el estdstio de ontrste del test es
F =
SCE m 1 SCD N m
queD suponiendo que l hiptesis nul es iertD sigue un F de nedeor on m 1 y N m grdos de liertdF or lo tntoD el test podemos resumirlo de l siguiente formX IF glulmos
m i=1 ni j =1
x =
y on ell
m
xi j
N
m 2
SCE =
i=1
ni ( xi x ) =
i=1
ni x 2 2 . i Nx
PF glulmos
ni
SCD =
i=1 j =1
xi i j x
=
i=1
(ni 1) s2 i,ni 1 .
QF glulmos el estdstio del testX
F =
RF ommos l deisinX
aA
SCE m1 SCD N m
i F Fm1,N m;1 D no rehzmos l hiptesis nul en fvor de l lterntiv on un nivel de signi(in F i F > Fm1,N m;1 D rehzmos l hiptesis nul en fvor de l lterntiv on un nivel de signi(in F
bA
Ejemplo. in un experimento se preprron )ujos de solddur on R omposiiones qumis diferentesF

e hiieron S solddurs on d omposiin sore l mism se de eroD midiendo l durez en l esl de frinellF il gudro VFIW siguiente resume los resultdosF mos ontrstr si existen diferenis signi(tivs entre ls durezsD suponiendo que ests siguen distriuiones normles tods ells on l mism vrinzF
170
gomposiin e f g h
wedi muestrl PSQFV PTQFP PUIFH PTPFH
hesviin tpi muestrl WFUSUH SFRHQU VFUIUV UFRRWV
gudro VFIWX htos del ejemplo de exye
in primer lugrD oservemos que los tmos muestrles son igulesX n1 = ... = n4 = 5F or otr prteD tenemosX
x =
5 253.8 + 5 263.2 + 5 271.0 + 5 262.0 = 262.5 20
SCE = 5 (253.8 262.5) + ... + 5 (262.0 262.5) = 743.4
SCD = (5 1) 9.75702 + ... + (5 1) 7.44982 = 1023.6.

or tntoD
743.4 41 1023.6 204
F =
= 3.8734.
or su prteD el vlor de F3,16;0.95 es QFPQVWD de mner que podemos (rmr que existen diferenis signi(tivs entre ls durezs de los R ompuestosD on un WS 7 de on(nzF
8.12. El problemas de las pruebas mltiples. Mtodo de Bonferroni

u ourre si en un estudio tenemos que relizr ms de un prue de hiptesisc gd prue llev onsigo un determindo nivel de on(nz yD por tntoD un proilidd de equivornos rehzndo un hiptesis nul que es iert @error tipo sAF gunts ms prues hgmosD ms proiliddes tenemos de ometer un error en l deisin rehzndo un hiptesis nul iert oD diho de otr formD menor on(nz tendremosF il mtodo de fonferroni es uno de los mtodos ms simples pr trtr de orregir este prolem soido ls prues mltiplesF e trt de orregir los pEvlores de tods ls prues que se estn relizndo simultnementeD multiplindolos por el n totl de pruesD ntes de tomr l deisinF
Ejemplo. in fiolog woleulr se estudi l relin que puede tener el nivel de expresin de un gen
on l posiilidd de pdeer un tipo de nerF n investigdor onsigue nlizr el nivel de expresin de IH genes en un muestr de pientes y reliz IH ontrstes de hiptesis donde l hiptesis lterntiv de d uno de ellos die que un gen est reliondo on l posiilidd de pdeer ese nerF vos pEvlores otenidos son los siguientesX
(0.1, 0.01, 0.21, 0.06, 0.32, 0.24, 0.45, 0.7, 0.08, 0.0003)
171
in prinipioD tendrmos evidenis de que el P y el ltimo gen estn signi(tivmente reliondos on ese tipo de nerF in emrgoD deemos orregir el efeto de l relizin de ls IH prues simultnesF eplindo el mtodo de fonferroniD deemos multiplir por IH los pEvloresF in ese soD el segundo gen y no puede ser onsiderdo estdstimente signi(tivo pr el riesgo de pdeer el ner (0.01
10 > 0.05)Y por el ontrrioD ddo que 0.0003 10 < 0.05D el ltimo gen sigue siendo onsiderdo
signi(tivmente reliondo on el nerF
8.13. Resolucin del ejemplo del del dimetro de los cojinetes

eordemos el plntemientoX
Un ingeniero industrial es responsable de la produccin de cojinetes de bolas y tiene dos mquinas distintas para ello. Le interesa que los cojinetes producidos tengan dimetros similares, independientemente de la mquina que los produce, pero tiene sospechas de que est produciendo algn problema de falta de calibracin entre ellas. Para analizar esta cuestin, extrae una muestra de 120 cojinetes que se fabricaron en la mquina A, y encuentra que la media del dimetro es de 5.068 mm y que su desviacin estndar es de 0.011 mm. Realiza el mismo experimento con la mquina B sobre 65 cojinetes y encuentra que la media y la desviacin estndar son, respectivamente, 5.072 mm y 0.007 mm. Puede el ingeniero concluir que los cojinetes producidos por las mquinas tienen dimetros medios signicativamente diferentes?
in este soD fortundmente tenemos un tmo muestrl que v permitir ovir l hiptesis de normliE ddF emos que se plnte un supuesto que puede ser nlizdo trvs de l mediD en onretoD omprndo l medi de ms mquinsF i llmmos X l dimetro de l mquin e e Y l dimetro de l mquin fD tenemos que ontrstr H0 : X = Y frente H1 : X = Y F il estdstio de ontrste es
z=
5.068 5.072
0.0112 120
= 3.013.
0.0072 65
il pEvlor soido es 2 P [Z < 3.361] = 0.002D luego tenemos evidenis de queD en efetoD el dimetro medio de ms mquins es distintoF
172
Captulo 9
Contrastes de hiptesis no paramtricas
odos prendemos de l experieniD y l lein en est osin es que nun se dee perder de vist l lterntivF herlok rolmes @eF gF hoyleAD en vs eventurs de flk eter
Resumen. gontinundo on los ontrste de hiptesisD presentmos en este ptulo nuevos ontrstes que
permitirn deidir si un juste medinte un distriuin teri es vlido y vlorr si existe relin entre vriles ulittivsF
Palabras clave: ondd de justeD test 2

mirno'D test 2 de independeniF
de ondd de justeD test de ondd de juste de uolmogorovE
9.1. Introduccin
odos los ontrstes que hemos desrito en el ptulo nterior se snD diret o indiretmente @ trvs del teorem entrl del lmiteA en que los dtos se justn l distriuin normlD hiendo infereni de un u otr form sore sus prmetrosF in este ptulo vmos onsiderr ontrstes que no neesitn de tl hiptesisD por lo que no se enunin omo ontrstes sore lgn prmetro desonoidoX de h que formen prte de los llmdos contrastes
no paramtricos o contrastes de hiptesis no paramtricasF
9.2. Contrastes de bondad de ajuste

qris lo estudido en el prtdo orrespondiente l estimin puntul de prmetros hor somos pes de justr un distriuin unos dtos medinte lgn mtodo de estimin @momentosD mxim verosimilitudD FFFAF in emrgoD hst hor no disponemos de ningun herrmient pz de iert est uestinD y que slo pudimos vlorr est
bondad del ajuste juzgar
si ese
juste es ueno o mloD o mo de ueno esF he hehoD en l relin de prolems orrespondiente dejmos medinte representiones gr(sD lo que slo nos dio un visin pril del prolemD que puede ser muy sujetivF vos dos ontrstes de hiptesis que vmos desriir hor vn permitir ontrstr omo hiptesis nul
H0 : l distriuin se just deudmente los dtosD

IUQ
esultdo I P Q R S T otl
yservdos IHS IHU VW IHQ III VS THH
isperdos IHH IHH IHH IHH IHH IHH THH
gudro WFIX preuenis oservds y esperds en THH lnzmientos del ddoF frente l lterntiv
H1 : l distriuin no se just deudmente los dtosD

filitndo dems un pEvlor que permitirD demsD omprr l ondd de distintos justesF heirD por ltimoD que unque estos dos ontrstes de hiptesis pueden plirse ulquier tipo de vriles estn espeilmente indidos pr vriles de tipo disreto o ulittivo en el so del primero de ellos @test
2 de ondd de justeA y pr vriles de tipo ontinuo en el segundo @test de uolmogorovEmirnovAF
9.2.1. Test 2 de bondad de ajuste

Ejemplo. upongmos que un thur del wissisipi quiere pror un ddo pr ver si es deudo pr
jugr honestmente on lF in ese soD si notmos por pi l proilidd de que en el lnzmiento del ddo resulte el vlor i = 1, 2, ..., 6D el thur quiere pror l hiptesis
H0 : p1 = ... = p6 =
frente l lterntiv de H1 que lgn pi se distint de 1 6F
1 6
r relizr l prueD lnzr el ddo THH veesD notndo el nmero de vees que se d d resultdoF ists ntiddes se denominn
frecuencias observadasF
or otr prteD si el ddo fuer justo @hiptesis H0 AD en THH lnzmientos deern drse proximdmente IHH de d resultdo posileF sts freuenis se denominn
frecuencias esperadasF
il thur tomr l deisin on respeto l ddo prtir de l omprin de ls freuenis oservds y ls esperds @ver gudro WFIAF u deidirs t l luz de esos dtosc
e ontinuinD vmos desriir el test 2 D que permite relizr prues de este tipoF gomo hemos omentdo en l introduinD on ell podremos
juzgar
justes de los que hemos logrdo en el ptulo de estimin
puntulD pero tmin podremos utilizrl en ejemplos omo el que mos de verD en el que el experto est interesdo en ontrstr dtos experimentles on respeto un distriuin teri que le result de intersF in primer lugr y de form ms generlD supongmos que tenemos un muestr de tmo N de un vFF disret o ulittivD X D justd un modelo ddo por un distriuinF
174
gonsideremos un prtiin del onjunto de vlores que puede tomr l vrileX S1 , ..., Sr F in prinipioD est prtiin podrn ser simplemente todos y d uno de los vlores que tom l vrile X D peroD omo veremosD es posile que tengmos que grupr lgunos de ellosF eguidmenteD onsideremos l proiliddD segn l distriuin dd por el juste que queremos evlurD de d un de ests prtesD
pi = P [X Si /H0 ] > 0.
he igul formD lulemos Oi D el nmero de oserviones de l muestr que en en d onjunto Si . v ide del test es omprr el nmero de oserviones Oi que en relmente en d onjunto Si on el nmero esperdo de oserviones que deern er en Si si el juste es el ddo por nuestro modeloD que ser N pi F r elloD un medid que ompr ests dos ntiddes viene dd por
r
D=
i=1
(Oi N pi ) . N pi
no cuadran
iD pr un muestr ddD est vFF tom un vlor d muy ltoD indi que los vlores oservdos
on el juste que hemos propuesto @on lo ul se rehzr l hiptesis nul en fvor de l lterntivAY siD por el ontrrioD tom un vlor d joD indi que nuestro juste orresponde ien on los dtos de l muestrD por lo que es
aceptable
l hiptesis nulF
il prolem (nl es deidir undo el vlor de l vFF D, dD es lo su(ientemente lto omo pr que nos resulte ineptle el justeF r deidirlo hy que tener en uent que undo N es rzonlemente lto y l hiptesis H 0 es iertD l distriuin de proilidd de D es 2 on r k 1 grdos de liertdD es deirD
D/H0 2 r k1 ,
donde k es el nmero de prmetros que hn sido estimdos en el justeF eniendo en uent este resultdoD se lul jo est distriuin l proilidd de que se de un vlor todv ms lto que d @el pEvlorD por tntoAD
N >>
p = P [D > d/H0 ] .
i est proilidd es inferior l S 7D se rehz l hiptesis nul en fvor de l lterntiv on un WS 7 de on(nzF hiho de otr formD se ept l hiptesis nul slo si el vlor de D entr dentro del WS 7 de resultdos ms fvorles ellF isquemtimenteD el proeso es el siguienteX IF e enuni el testX
H0 : los dtos siguen l distriuin dd por nuestro juste H1 : los dtos no siguen l distriuin dd por nuestro juste
PF i en l muestr se dn los vlores x1 , ..., xm D se luln ls freuenis esperds segn el juste propuesto de d vlor xi D N P [X = xi ]D i = 1, ..., mF i lgun de ests freuenis es inferior SD se grup on lgun de l ms ern hst que sumen un freueni myor o igul SF e onstruye s l prtiin del onjunto de vlores posiles pr X D S1 , ...Sr D uys freuenis esperds
175
xi preF osF
H RP
I PV
P IQ
Q S
R U
S Q
T P
gudro WFPX preuenis oservds en l muestr de tiempos entre llegdsF son tods myores o igules SF in reliddD esto es slo un reomendin que puede reljrseX si lgun freueni esperd es slo ligermente inferior SD no es espeilmente grveF QF e luln ls freuenis oservds de d Si D y lo notmos omo Oi F RF e lul el estdstio del test en l muestr
r
d=
i=1
(Oi N pi ) . N pi
SF e lul el pEvlor soido l vlor del estdstioD
p = P [D > d/H0 ] ,
segn un distriuin 2 on r k 1 grdos de liertdF TF e tom l deisin @pr un nivel de on(nz del 95 %AX
aA bA
i p < 0.05D se rehz l hiptesis nul en fvor de l lterntivD on un 95 % de on(nzF i p 0.05D se onluye que no hy evidenis en ontr de (rmr que los dtos se justn l distriuin ddF
Ejemplo.
vos dtos que se presentn en el gudro WFP onstituyen un muestr letori simple del
tiempo en msF que trnsurre entre l llegd de pquetes trnsmitidos por un determindo protooloF in l tl preen los vlores junto l nmero de vees que hn sido oservdos en l muestrF e sospeh que un distriuin geomtri puede justr ien esos dtosF mos relizr ese juste y ontrstr si es eptle medinte el test de l hiEudrdoF in primer lugrD pr justr un distriuin geomtri deemos estimr el prmetro de l mismF mos herlo de form senill por el mtodo de los momentosF il vlor de l medi de l distriuin es 6ia de donde p =
1 1+EX .
or tntoD nuestro estimdor ser
p =
1 . 1+x
or su prteD
x =
luego 6
0 42 + 1 28 + 2 13 + 3 5 + 4 7 + 5 3 + 6 2 = 1.24, 100
176
es puesD desemos ontrstr en qu medid el juste de un Geo (0.4464) es vlido pr los dtos de l muestrF is deirD desemos ontrstr H0 : X Geo (0.4464) frente l lterntiv H1 : X
Geo (0.4464) .
mos lulr ules son ls proiliddes teris segn es distriuin de los vlores oservdos en l muestrX
P [X = 0] = 0.4464 (1 0.4464) = 0.4464
P [X = 1] = 0.4464 (1 0.4464) = 0.2471
P [X = 2] = 0.4464 (1 0.4464) = 0.1368
P [X = 3] = 0.4464 (1 0.4464) = 0.0757
P [X = 4] = 0.4464 (1 0.4464) = 0.0419
P [X = 5] = 0.4464 (1 0.4464) = 0.0232
P [X = 6] = 0.4464 (1 0.4464) = 0.0128
P [X > 6] = 1 (0.4464 + 0.2471 + 0.1368 + 0.0757 + 0.0419 + 0.0232 + 0.0128) = 0.0159

ehor tenemos que onstruir l prtiin de los vlores de l vrile queD omo semosD son HDIDFFF ry que tener en uent que deemos prourr que ls freuenis esperds sen superiores o igules SF gomo hy IHH oservionesD ser neesrio grupr los vlores R en delnte en un solo onjuntoF mos resumir este plntemiento en el gudro WFQ dondeD demsD preen los residuos l udrdo entre ls freuenis oservds y esperdsD neesrios pr lulr el estdstio del testF il vlor de ste se lul prtir de los resultdos de l tl de l siguiente mnerX
d=
6.9696 0.0841 0.4624 6.6049 6.8644 + + + + = 1.7973. 44.64 27.71 13.68 7.57 9.38
pinlmenteD el pEvlor se lul omo P [D > 1.7973] , donde D sigue un 2 511 D es deirD un Gamma de prmetros (5 1 1)/2 y 1/2F or tntoD
p valor =
1 2
1 2x
3 2 1
e 2 x
1.7973
3 2
dx = 0.61552.
el ser superior @muy superiorD de hehoA HFHSD podemos (rmr que no hy evidenis en los dtos de l muestr en ontr de que stos sign un distriuin Geo (0.4464)F
177

2
xi 0 1 2 3 4
Oi 42 28 13 5 12
N pi 44.64 27.71 13.68 7.57 9.38
(Oi N pi )
2
(42 44.64) = 6.969 6 2 (28 27.71) = 0 .0841 2 (13 13.68) = 0.462 4 2 (5 7.57) = 6.604 9 2 (12 9.38) = 6.864 4
gudro WFQX preuenis oservdsD freuenis esperds y residuosF
9.2.2. Test de Kolmogorov-Smirno

in este so el test es plile sore todo vriles de tipo ontinuoF e s en l omprin de l funin de distriuin teri propuest por el modelo uyo juste estmos evlundo on l funin de distriuin empri de los dtosF gonretmenteD si tenemos X1 , ..., XN un muestr de un vFF X D si notmos por F (x) l funin de distriuin del modelo propuesto y por SN (x) l funin de distriuin empri soid l muestrD el estdstio que se utiliz pr este ontrste viene ddo por
DN = Sup |F (x) SN (x)| .

x
e l hor de lulr este mximo deemos tener en uent que l vrile x es de tipo ontinuoF v hiptesis nul ontrstr es
H0 : los dtos de l muestr se justn l distriuin dd por F (x) ,

frente l hiptesis lterntiv
H1 : los dtos de l muestr no se justn l distriuin dd por F (x) .

e rehzr l hiptesis nul en fvor de l lterntiv undo el pEvlor soido l vlor que tome DN se inferior HFHSF isquemtimenteD el proeso en el desrrollo del test puede resumirse en los siguientes psosX IF yrdenmos los vlores de l muestr de menor myorX x(1) , ..., x(N ) . PF gonstruimos l funin de distriuin empriD que en d vlor de l muestr viene ddo por
i NF
SN x(i) =
QF il vlor del estdstio se lul omo
dN = m ax
1iN
m ax
F x(i) SN x(i)
, F x(i) SN x(i1)
RF e rehzr l hiptesis nul en fvor de l lterntiv si p = P [DN > dN ] < 0.05D on un (1 p)
100 % de on(nzF
v distriuin de proilidd de DN D neesri pr lulr el pEvlorD no es muy onoidF edemsD pr evlur est proilidd hy que tener en uent el nmero de prmetros de l distriuin en el
178
justeF n metodolog deud pr ello es onoid omo wtodos de wonte grloD unque exede los ontenidos de estos puntesF heo dvertir que muhos de los pquetes estdstios ms hitules pueden induir error en el lulo de este pEvlorD y que proporionn por defeto qul orrespondiente un juste en el que no se estime ningn prmetro en l distriuin jo l hiptesis nulD dndo lugr un soreestimin de diho pEvlorF IFRTRU HFPQQQ HFRWWS HFHVIR HFUPIT HFQHQS HFIISI IFUQSV HFPUIU HFWHPI HFUVRP HFHTTU QFWVWV HFHVTV HFIWTU HFVWHW HFVIHQ HFIIPR HFRVSR HFHSIP
gudro WFRX htos de l muestrF
Ejemplo. vos dtos que preen en el gudro WFR orresponden l tiempo en seF entre onexiones
un servidorF xos plntemos si un distriuin exponenil es deud pr su justeF in primer lugr hemos de deidir ul es el juste propuestoF il estimdor mximo verosmil del prE = 1 F in este metro de un exponenil oinide on el estimdor del mtodo de los momentosD
m1
= 1/0.6902 = 1. 448 9. soD

r lulr el vlor del estdstio del ontrsteD deemos evlur l funin de distriuin de un
exp (1.4489)D F (x) = 1 e1.4489x , x 0

on l funin de distriuin empriF il gudro WFS muestr ms funiones de distriuinF he ell se dedue que el vlor del estdstio de ontrste es 0.172 72F il pEvlor soido @luldo por wtodos de wonte grlo on A tom el vlor
P [D20 > 0.172 72] = 0.5707.

or tntoD no hy en los dtos evideni en ontr de sumir que siguen un distriuin exp (1.4489)F v pigur WFI muestr en un vertiente gr( l ondd del juste y el punto donde se lnz l distni mxim entre ls funin de distriuin teri y empriF
x(i) 0.0512 0.0667 0.0814 0.0868 0.1124 0.1151 0.1967 0.2333 0.2717 0.3035
F x(i) 7.1499 102 9.2119 102 0.11125 0.11818 0.15029 0.1536 0.24798 0.28682 0.32542 0.3558
i 20
i1 20
0.05 0.1 0.15 0.2 0.25 0.3 0.25 0.4 0.45 0.5
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
x(i) 0.4854 0.4995 0.7216 0.7842 0.8103 0.8909 0.9021 1.4647 1.7358 3.9898
F x(i) 0.50505 0.51506 0.64849 0.67897 0.69089 0.72496 0.72938 0.88023 0.91914 0.99691
i 20
i1 20
0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95
gudro WFSX l soid l est de uolmogorovEmirnovF
179
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.5
1.5
2.5
3.5
pigur WFIX puniones de distriuin teri y empriF lor donde se d el estdstio de uolmogorovE mirnofF
9.3. Contraste de independencia 2

i nos dmos uentD desde el ptulo de estdsti desriptiv nos hemos entrdo exlusivmente en vriles de tipo untittivoF in emrgoD en numeross osiones el ojeto de estudio viene determindoD no por un ntiddD sino por un ulidd o un estdo no unti(leF is por ello que vmos onsiderr un ontrste reltivo vriles de tipo ulittivoD onretmenteD pr vlorr si dos de ests vriles estn o no signi(tivmente reliondsF
Ejemplo.
ist reliond l ideolog polti on el gnero del votntec is deirD nos plntemos si
el que un person se delre de izquierds o de derehs depende de si es vrn o mujerF ixisten dos vriles ulittivs o rterstis que dividen l polinF vo que nos interes es si es divisin est o no reliondF ern ms onservdors ls mujeresc
gonsideremos en generl un polin en l que d individuo se lsi( de uerdo on dos rterstisD designds omo X e Y F upongmos que los posiles vlores de X son x1 , ..., xr y los posiles vlores de Y son y1 , ..., ys F henotemos por pij l proporin de individuos de l polin uys rterstis son simultnemente
xi e yj F henotemos demsD omo pi. l proporin de individuos on rtersti xi y p.j l proporin

de individuos on rtersti yj F in trminos de proiliddesD tendremos que si se elige un individuo l zrD
P [X = xi , Y = yj ] = pij
s
P [X = xi ] = pi. =
j =1
pij
180
P [Y = yj ] = p.j =
i=1
pij .
vo que pretendemos ontrstr es si ls dos rterstis son independientesD es deirD si pr todo i y pr todo j D
P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ] ,
es deirD si
pij = pi. p.j .

es puesD podemos enunir el ontrste omo
H0 : pij = pi. p.j pr todo i = 1, ..., r; j = 1, ..., s

frente
H1 : pij = pi. p.j pr lgn vlor de i y j F

r llevr o el ontrste tomremos un muestr de l polin de tmo nF henotemos por nij los individuos de es muestr que tomn simultnemente el vlor xi y el vlor yj @frecuencias
observadasA,
ni. = yj .
s j =1
nij los individuos de l muestr que tomn el vlor xi y n.j =
r i=1
nij los que tomn el vlor
he est formD
p ij =
ser un estimdor sdo en l muestr de pij D
nij n
p i. =
ser un estimdor sdo en l muestr de pi. y
ni. n
p .j =
ser un estimdor sdo en l muestr de p.j .
n.j n
or otr prteD si l hiptesis nul fuer iertD el nmero de individuos en l muestrD de tmo nD que tomn simultnemente los vlores xi y yj ser
eij = n pi . p.j .
fsdo en l muestrD los vlores
e ij = n p i. p .j ni. n.j = n
@frecuencias
esperadasA sern sus estimdoresF
pinlmenteD el estdstio del ontrste se s en omprr los vlores reles en l muestr de nij on los vlores e ij que se drn si l hiptesis nul fuer iertD es deirD si ls rterstis X e Y fuern
181
independientesF il vlor del estdstio es

r s
d=
i=1 j =1
(nij e ij ) . e ij
uponiendo que l hiptesis nul es iertD l distriuin del estdstio del ontrste es 2 on (r 1) (s 1) grdos de liertdD por lo que deidiremos en funin del pEvlor soidoD
p = P [D > d/H0 ] ,
donde D 2 (r 1)(s1) o ienX ehzremos H0 on nivel de signi(in si d > 2 (r 1)(s1);1 . xo rehzremos H0 on nivel de signi(in si d < 2 (r 1)(s1);1 . ry que her un ltim oservinX pr que en efeto D 2 on (r 1) (s 1) es neesrio que tods @o si todsA ls freuenis esperds e ij sen myores o igules SF i lgun o lguns de ells no lo sonD l distriuin 2 podr no ser deud y el resultdo del test inorretoF r que esto no ourr es reomendle que el tmo de l muestr se grndeF
Ejemplo. e tom un muestr de QHH personsD preguntndoles si se onsidern ms de derehsD ms

de izquierds o de entro y notndo su gneroF il resultdo se resume en l siguiente tlX szquierd wujeres romres otl iste tipo de tls se onoen omo TV SP IPH hereh ST UP IPV gentro QP PH SP otl IST IRR QHH
tablas de contingenciaF gontiene los vlores que hemos notdo
nij yD en los mrgenes inferior y lterl derehoD los vlores ni. y n.j .
mos ver si el gnero est reliondo on l ideologF i no fuer sD si l ideolog fuer independiente del gneroD se tendr en un muestr de QHH individuos ls freuenis esperds sern szquierd wujeres romres otl
156 300 300 144 300 300 120 300 120 300
hereh
156 300 300 144 300 300 128 300 128 300
gentro
156 300 300 144 300 300 52 300 52 300
otl IST IRR QHH otl IST IRR QHH
IPH szquierd
IPV hereh TTFST TIFRR IPV
SP gentro PUFHR PRFWT SP
wujeres romres otl
TPFRH SUFTH IPH
182
il vlor del estdstio de ontrste esD por tntoD
D=
(68 62.40) (56 66.56) (32 27.04) + + + 62.40 66.56 27.04 2 2 2 (52 57.60) (72 61.44) (20 24.96) + + + = 6.433. 57.60 61.44 24.96
or su prteD 2 (21)(31);0.95 = 5.991D de mner que podemos rehzr l hiptesis nul en fvor de l lterntivD (rmndo on un WS 7 de on(nz que el genero est reliondo on l ideologF in qu sentido lo estrc i nos entrmos slo en los de izquierdsD tenemos que el porentje de homres y mujeres es de
68 120
100 % = 56.667 % y de
52 120
100 % = 43.333 %D respetivmenteF
i nos entrmos slo en los de derehsD tenemos que el porentje de homres y mujeres es de
56 128
100 % = 43.75 % y de
72 128
100 % = 56.25 %D respetivmenteF
pinlmenteD si nos entrmos slo en los de entroD tenemos que el porentje de homres y mujeres es de
32 52
100 = 61.538 % y de
20 52
100 = 38.462 %D respetivmenteF
vo que pree que ourre es que ls mujeres tienen myor prefereni por l derehF in emrgoD est (rmin no se h ontrstdoD sino que se s simplemente en dtos desriptivos1 F
9.4. Resolucin del ejemplo de los accidentes laborales

edordemos el plntemientoX
En una empresa se sospecha que hay franjas horarias donde los accidentes laborales son ms frecuentes. Para estudiar este fenmeno, contabilizan los accidentes laborales que sufren los trabajadores segn franjas horarias, durante un ao. Los resultados aparecen en la tabla.
rors del d VEIH hF IHEIP hF IQEIS hF ISEIU hF
xmero de identes RU SP SU TQ
Con esa informacin, los responsables de seguridad de la empresa deben decidir si hay franjas horarias donde los accidentes son ms probables o si, por el contrario, stos ocurren absolutamente al azar.
in primer lugr deemos plnternos l hiptesis que queremos ontrstrF il heho de que ourrn los identes solutmente l zr vendr deir que l proilidd de ourreni es l mism en d frnj horri @puesto que tods ells tienen l mism mplitudAF or elloD si notmos pi l proilidd de que ourr un idente en l iEsim frnj horriD nos plntemos omo hiptesis nul H0 : p1 = ... = p4 = frente l lterntiv de que no tods ls proiliddes sen igulesF r relizr el ontrste podemos onsiderr un ontrste de ondd de juste en el que l distriuin de proilidd se un uniforme disretD que no tiene prmetrosF
1 4
183
in este soD el estdstio de ontrste es muy senilloX
2 =
(47 219 (1/4))2 (52 219 (1/4))2 (57 219 (1/4))2 (63 219 (1/4))2 + + + = 2.571. 219 (1/4) 219 (1/4) 219 (1/4) 219 (1/4)
or su prteD el pEvlor es p = P [2 401 > 2.571] = 0.462D por lo que no tenemos evidenis en estos dtos que hgn pensr en que hy frnjs horris ms propiis los identesF
184
Captulo 10
Regresin lineal simple
n poltio dee ser pz de predeir lo que psr mnD y l semnD el mes y el o prximosF tmin dee ser pz de explir por qu no ertF inston ghurhill
Resumen. in este ptulo se desrie el modelo de regresin linel simpleD que sume que entre dos vriles
dds existe un relin de tipo linel ontmind por un error letorioF eprenderemos estimr diho modelo yD prtir de ests estimiones y jo determinds hiptesisD podremos extrer prediiones del modelo e inferir l fortlez de dih relin linelF
Palabras clave: regresin linel simpleD vrile dependienteD vrile independienteD error letorioD nue
de puntosD prinipio de mnimos udrdosD oe(iente de orrelin linelD oe(iente de determinin linelD ondd del justeD prediinD estiminF
10.1. Introduccin
no de los spetos ms relevntes que ord l istdsti se re(ere l nlisis de ls reliones que se dn entre dos vriles letorisF il nlisis de ests reliones est muy freuentemente ligdo l nlisis de un vrileD llmd variable
dependiente (Y ) , y del efeto que sore ell tiene otr @u otrsA vrile@sAD llmd@sA variable(s) independiente(s) (X )D y permite responder dos uestiones sisX
is signi(tiv l in)ueni que tiene l vrile independiente sore l vrile dependientec
iD en efetoD es relin es signi(tivD mo esc y podemos provehr es relin pr predeir vlores de l vrile dependiente prtir de vlores oservdos de l vrile independientec ws nD podemos inferir rterstis sore es relin y on el fenmeno que suye ellc
Ejemplo. n equipo de investigdores que trjn en seguridd en el trjo est trtndo de nlizr
mo l piel sore un ierto omponente qumio peligrosoF r elloD olo diferentes volmenes del ompuesto qumio sore diferentes segmentos de piel durnte distintos intervlos de tiempoD midiendo l o de ese tiempo el porentje de volumen sorido del ompuestoF il diseo del experimento se h IVS
relizdo pr que l interin esperle entre el tiempo y el volumen no in)uy sore los resultdosF vos dtos preen en el gudro IHFI vo que los investigdores se uestionn es si l ntidd de ompuesto por un ldo y el tiempo de exposiin l que se somete por otroD in)uyen en el porentje que se soreF he ser sD ser interesnte estimr el porentje de sorin de persons que se sometn un exposiin de un determind ntiddD por ejemploD durnte V horsF in un primer proximin l prolemD podemos oservr un representin gr( de los dtos en los digrms de dispersin o nues de puntos de l pigur IHFIF u (rmrmosc ree que s hy un relin linel ms o menos lr @pero no de(nitivA entre el tiempo de exposiin y el porentje de sorinD pero l hy entre el volumen y el porentje de sorinc
ixperimento I P Q R S T U V W
olumen HFHS HFHS HFHS PFHH PFHH PFHH SFHH SFHH SFHH
iempo P IH PR P IH PR P IH PR
orentje esorido SHFVV RWFWT VQFTT SRFHW TVFPU VSFTS RVFQW TRFVV VVFHI
gudro IHFIX htos sore el experimento de l sorin del ompuesto
@variable
n modelo de regresin lineal simple pr un vrileD Y @variable dependienteAD dd otr vrileD X
independienteAD es un modelo mtemtio que permite otener un frmul pz de relionr

Y = 0 + 1 X + .
Y on X sd slo en reliones linelesD del tipo
in est expresinX
Y represent l vrile dependienteD es deirD quell vrile que desemos estudir en relin
on otrsF
X represent l vrile independienteD es deirD quells que reemos que puede fetr en lgun
medid l vrile dependienteF v estmos notndo en mysulD indindo que podr ser un vrile letoriD pero hitulmente se onsider que es un onstnte que el investigdor puede (jr su ntojo en distintos vloresF
represent el error
aleatorioD es deirD quell ntidd @letoriA que provo que l relin entre
l vrile dependiente y l vrile independiente no se perfetD sino que est sujet inertidumreF
186
Porcentaje.Absorbido
Porcentaje.Absorbido 5 15 Tiempo
80
70
60
50
50 0
60
70
80
Volumen
pigur IHFIX xue de puntos ry que tener en uent que el vlor de ser siempre desonoido hst que se oserven los vlores de X e
Y D de mner que el modelo de prediin ser relmente = 0 + 1 X. Y

vo que en primer lugr resultr desele de un modelo de regresin es que estos errores letorios ourrn en l mism medid por exeso que por defetoD se ul se el vlor de X D de mner que E [/X =x ] = E [] = 0 yD por tntoD
E [Y /X =x ] = 0 + 1 x + E [/X =x ] = 0 + 1 x.
is deirD ls medis de los vlores de Y pr un vlor de X ddo son un retF v pigur IHFP represent un nue de puntos y l ret de regresin que los just de unos dtos genriosF odemos ver el vlor onreto de = y E [Y /X =x ] pr un dtoD supuesto que hemos otenido un modelo de regresinF in ell se puede ver tmin l interpretin de los oe(ientes del modeloX
0 es
la ordenada al origen del modeloD es deirD el punto donde l ret interept o ort l eje yF la pendiente
de l lne yD por tntoD puede interpretrse omo el inremento de l
1 represent
vrile dependiente por d inremento en un unidd de l vrile independienteF
187
100
105
yi
95 y
0 + 1xi
85
90
xi
50 60 70 x 80 90 100
pigur IHFPX higrm de dispersin y lne de ls medis hipottisF
Nota. is evidente que l utilidd de un modelo de regresin linel tiene sentido siempre que l relin
hipotti entre X e Y se de tipo linelD pero qu ourre si en vez de ser de este tipo es de otro tipo @exponenilD logrtmioD hiperlioFFFAc in primer lugrD es solutmente onveniente diujr el digrm de dispersin ntes de omenzr trtr de otener un modelo de regresin linelD y que si l form de este digrm sugiere un per(l distinto l de un ret quiz deermos plnternos otro tipo de modeloF D por otr prteD si se oserv que el digrm de dispersin es de otro tipo onoidoD puede optrse por relizr un mio de vrile pr onsiderr un modelo linelF ixisten tnis muy senills pr est uestinD pero no ls veremos quF
10.2. Estimacin de los coecientes del modelo por mnimos cuadrados

i queremos otener el modelo de regresin linel un nuevo mtodo de estiminD onoido omo estimdores mximoEverosmiles de 0 y 1 . il rzonmiento que motiv el mtodo de mnimos udrdos es el siguienteX si tenemos un muestr de
que mejor se ajuste a los datos de la muestraD
deeremos
estimr los oe(ientes 0 y 1 del modeloF r otener estimdores de estos oe(ientes vmos onsiderr
mtodo de mnimos cuadradosF
ry que deir que
jo determindos supuestos que veremos en reveD los estimdores de mnimos udrdos oiniden on los
188
vlores de ls vriles independiente y dependienteD
(x1 , y1 ) , ..., (xn , yn ) , 0 y 1 , de mner que en el modelo justdoD usremos vlores estimdos de 0 y 1 , que notremos por 0 + 1 x y x =
minimie l sum de los udrdos de los errores oservdosF eordemos que
E [Y /X =x ] = 0 + 1 x,
luego y x puede interpretrse de dos formsX IF gomo un prediin del vlor que tomr Y si X = x.
PF gomo un estimin del vlor medio de Y undo X = xF gonretndoD lo que usmos es minimizr l
suma de los cuadrados de los errores

n
SSE =
i=1
0 + 1 xi ) yi (
es deir usmos
0 , 1 = arg m n SSE .
0 ,1
dada X
e llm
recta de regresin por mnimos cuadrados (o simplemente recta de regresin) de

l lne que tiene l SSE ms peque de entre todos los modelos linelesF
0 v soluin de ese prolem de mnimo se otiene por el menismo hitulX se deriv SSE respeto de SS xy 1 , se igul ero y se despejn estosF v soluin es 1 = 1 x , donde y SSxx y 0 = y
n n
SSxy =
i=1 n
( xi x ) (yi y ) =
i=1 n
xi yi nx y
SSxx =
i=1
( xi x ) =
i=1
x2 2 . i nx
gon est notinD es fil demostrr que

n
SSE =
i=1
0 + 1 xi ) yi (
2 SSxx SSyy SSxy SSxx
=SSyy
SSxy 2 1 . = SSyy SSxy SSxx
189
in este sentidoD se de(ne omo medid de l lidd del juste de l ret de regresin el juste omo
error estandar del
se = =
SSE = n2
0 + 1 x yi n2
1 SSxy SSyy . n2
gunto myor se est ntiddD peor son ls prediiones de l ret de regresinF
Ejemplo. r los dtos sore el ejemplo de l sorin del ompuestoD vmos lulr e interpretr
ls dos rets de regresin posilesF in primer lugrD vmos onsiderr l ret de regresin pr explir el porentje de sorin @y ) onoido el volumen de sustni @xAX
SSxy = 36.24, SSx = 37.31

luego
1 = SSxy = 0.97 SSxx 0 = y 1 x = 63.69,

s que l ret de regresin justd es
y x = 63.69 + 0.97 x. 1 = 0.97 es que el porentje de sorinD Y D ument en promedio HFWU por d v interpretin de 0 = 63.69 ser l del vlor inremento de I unidd de volumen de ompuestoF v interpretin de
promedio de Y undo x = 0D pero es que en este so este supuesto no tiene sentidoD s que no dee tenerse en uentF mos on l ret de regresin pr explir el porentje de sorin @y A en funin del tiempo de exposiin @xAX
SSxy = 1187.96, SSxx = 744

luego
1 = SSxy = 1.60 SSxx 0 = y 1 x = 46.82,
190
pigur IHFQX xues de puntos y rets de regresin justds en el ejemplo de l sorin
s que l ret de regresin justd es
y x = 46.82 + 1.60 x.
or d inremento de un unidd del tiempo de exposiinD el porentje de sorin ument en medi IFTHF ehor vmos representr ls nues de puntos de nuevo on sus rets de regresin justdsF he es mner podremos ompror de un form gr( mo de uens son ls rets en unto su pidd de juste de los dtosF vos resultdos preen en l pigur IHFQF odemos ver que el juste es muho mejor undo l vrile explitiv es el tiempo de sorinD mientrs que si l vrile explitiv es el volumenD l ret no puede psr er de los dtosF
Nota. ry que her un oservin importnte que suele onduir freuentes erroresF v ret de
regresin pr l vrile dependiente Y D dd l vrile independiente X no es l mism que l ret de regresin de X dd Y F v rzn es muy senillX pr otener l ret de regresin de Y ddo X deemos minimizr
n
0 + 1 xi yi
i=1
191
mientrs que pr otener l ret de regresin de X ddo Y deermos minimizr

n
0 + 1 yi xi
i=1
en uyo so otendrmos omo soluin
1 = SSxy SSyy 0 = x 1 y , 0 + 1 y F siendo l ret de regresinD x =

il error que suele ometerse on freueni es pensr que si tenemosD por ejemploD l ret de Y ddo
X D l de X ddo Y puede otenerse
despejandoF
0 y 1 son slo estimiones de 0 y 1 D is importnte queD pr terminr este prtdoD reordemos que
estimiones sds en los dtos que se hn otenido en l muestrF n form de hernos onsientes de que se trt de estimiones y no de vlores extos @es imposile onoer el vlor exto de ningn prmetro polionlA es proporionr ls estimiones de los errores estndr de ls estimiones de 0 y 1 F e onoe que dihs estimiones sonX
1 = s.e. 0 = s.e.
s2 e SSxx s2 e x 2 1 + n SSxx
Ejemplo.
in el ejemplo de los dtos de sorin hemos estimdo los oe(ientes de ls dos rets
de regresin del porentje de sorin en funin del volumen y del tiempo de sorinF mos ompletr ese nlisis on el lulo de los errores estndres de ess estimionesF vos resultdos preen resumidos en l siguiente tlX wodelo
0
TQFTW RTFVP
0 s.e.
VFVH QFIT
1
HFWU IFTH
1 s.e.
PFVQ HFPI
% absorcio n = 0 + 1 V olumen % absorcio n = 0 + 1 T iempo
ysrvese que los errores estndr en el modelo en funin del volumen son myores proporionlmente que en el modelo en funin del tiempo de sorinF
10.3. Supuestos adicionales para los estimadores de mnimos cuadrados

rst hor lo nio que le hemos exigido l ret de regresin esX
192
IF ue ls medis de Y pr d vlor de x se justen
ms o menos
un lne retD lgo filmente
omprole on un nue de puntosF i el speto de est nue no reuerd un lne ret sino otro tipo de funinD lgimente no hremos regresin linelF PF ue los errores tengn medi eroD independientemente del vlor de xD lo queD por otr prteD no es un hiptesis sino ms ien un requerimiento lgio l modeloF vo que hor vmos her es dir lgunos supuestos l modelo de mner que undo stos se umplnD ls propieddes de los estimdores de los oe(ientes del modelo sen muy uensF isto nos v permitir her infereni sore estos oe(ientes y sore ls estimiones que pueden drse de los vlores de l vrile dependienteF vos supuestos que podemos dir se re(eren l error del modeloD l vrile F
Supuesto 1. l y omo y hemos dihoD E [ Supuesto 2. v vrinz de

pr todo xF
/X =x ] = E [ ] = 0D lo que impli que E [Y /X =x ] = 0 + 1 xF
tmin es onstnte pr ulquier vlor de x ddoD es deirD V ar ( /X =x ) = 2
Supuesto 3. v distriuin de proilidd de Supuesto 4. vos errores
es normlF
son independientes unos de otrosD es deirD l mgnitud de un error no in)uye en
soluto en l mgnitud de otros erroresF in resumenD todos los supuestos pueden resumirse diiendo que |X =x N (0, 2 ) y son independientes entre sF istos supuestos son restritivosD por lo que deen omprorse undo se pli l tniF i el tmo de l muestr es grndeD l hiptesis de normlidd de los residuos estr stnte grntizd por el teorem entrl del lmiteF in unto l vrinz onstnte respeto los vlores de xD un inumplimiento moderdo no es grveD pero s si ls diferenis son evidentesF ixisten tnis espe(s pr evlur en qu medid se umplen ests hiptesisF min existen proE edimientos pr orregir el inumplimiento de estos supuestosF istos spetos sern trtdos l (nl del temF
10.4. Inferencias sobre el modelo

10.4.1. Inferencia sobre la pendiente
el omienzo del ptulo nos plntemos omo uno de los ojetivos de l regresin el deidir si el efeto de l vrile independiente es o no signi(tivo pr l vrile dependienteF i nos (jmosD esto es equivlente ontrstr si el oe(iente 1 es o no signi(tivmente distinto de eroF mos profundizr en porqu es sF yservemos l pigur IHFRF in l nue de puntos y l ret de regresin justd de l izquierdD oservmos un relin linel
buena
entre x e y on un uen juste de l ret de regresinc gr pensr que sD pero
193
pigur IHFRX xues de puntos y rets de regresin que ls justn estrmos equivodosX si l ret de regresin trt de explir y en funin de xD unto vr y onforme vr xc hdo que l pendiente de es ret es ero o prtimente eroD por muho que mies xD eso no fet l vlor de y D es deirD x
no inuye nada sobre y!
in emrgoD en l nue de puntos de l
derehD pesr de que prentemente el juste es peorD l ret justd s tiene pendiente distint de eroD luego el heho de que y vre viene ddo en uen prte por el heho de que x vrD y ello ourre porque l pendiente de es ret es distint de eroF es puesD no lo olvidemosX deir que dos vriles estn relionds linelmente equivle deir que l pendiente de l ret de regresin que just un en funin de l otr es distint de eroF ues ienD ddos los supuestos desritos en l sein nteriorD es posile otener un ontrste de este tipoD tl y omo se resumen en el gudro IHFPF in ellD siD en efetoD lo que desemos es ontrstr si el efeto de l vrile independiente es o no signi(tivo pr l vrile dependienteD el vlor de b1 ser eroF
Ejemplo. r los dtos del ejemplo sore l sorinD prtmos del deseo de ompror si l volumen
yGo el tiempo de exposiin in)un sore el porentje de sorinF vs nues de puntos y el juste de l ret y nos dieron pistsX d l impresin de que el tiempo de sorin s in)u en el porentje de sorinD pero no qued tn lro si el volumen lo hF is el momento de omprorloF xos plntemos en primer lugr si el tiempo de exposiin in)uye o no sore el porentje de sorinD es deirD nos plntemos si en el modelo linel
P orcentaje de absorcio n = 0 + 1 T iempo de exposicio n +
194
nilterl l izquierd H 0 : 1 = b1 H1 : 1 < b1

1 b1 t = 2
filterl
H0 : 1 = b1 H1 : 1 = b1 , s2 e =
nilterl l dereh H0 : 1 = b1 H1 : 1 > b1
se /SSxx
1 SSxy SSyy n2
SSE n2
t < t;n2
|t| > t1/2;n2
t > t1;n2
P [Tn2 < t] 2P [Tn2 > |t|] P [T > t] vos ddos en l ein IHFQ
gudro IHFPX gontrste sore 1
el oe(iente 1 es o no eroF pormlmenteD nos plntemos H0 : 1 = 0 frente H1 : 1 = 0X
1 = 1.6 s2 e = 1 SSxy SSyy = 32.82 n2
t0.975;92 = 2.364624, t0.025;302 = 2.364624 1.6 0 t= = 7.60, 32.82/744

luegoD omo esperrD podemos (rmr l luz de los dtos y on un WS 7 de on(nz que el efeto del tiempo de exposiin sore el porentje de sorin es signi(tivoF il pEvlorD de hehoD es
p = 2P [T7 > 7.60] = 0.000126F

mos hor nlizr si el efeto linel del volumen sore el porentje de sorin es signi(tivoF is deirD hor nos plntemos si en el modelo linel
P orcentaje de absorcio n = 0 + 1 V olumen +

el oe(iente 1 es o no eroD es deirD plntemos el ontrste de H0 : 1 = 0 frente H1 : 1 = 0X
1 = 0.97 s2 e = 1 SSxy SSyy = 298.77 n2
t0.975;92 = 2.364624, t0.025;302 = 2.364624 0.97 0 t= = 0.34, 298.77/37.31

luegoD omo esperrD no podemos (rmr l luz de los dtos y on un WS 7 de on(nz que el efeto del volumen sore el porentje de sorin se signi(tivoF il pEvlorD de hehoD es p = 2P [T7 >
0.34] = 0.741F
in vist de los resultdosD prtir de hor dejremos de onsiderr el efeto del volumen sore el porentje de sorinD y slo tendremos en uent el efeto del tiempo de exposiinF
195
Ejemplo. n ingeniero qumio est lirndo un espetrmetro pr medir l onentrin de gy

en muestrs de ireF ist lirin impli que dee ompror que no hy diferenis
signicativas
entre l onentrin verdder de gy @xA y l onentrin medid por el espetrmetro @y AF r ello tom II muestrs de ire en ls que onoe su verdder onentrin de gy y ls ompr on l onentrin medid por el espetrmetroF vos dtos son los siguientes @ls uniddes son ppmAX
x y
H I
IH IP
PH PH
QH PW
RH QV
SH RV
TH TI
UH TV
VH UW
WH WI
IHH WU
vo idelD lo desedoD ser que y = xD es deirD que el modelo linel que expli y en funin de x tuvier oe(ientes 0 = 0 y 1 = 1F or hor vmos entrrnos en el primer pso en l omproin de que el espetrmetro est ien lirdoD que impli ontrstr que 1 = 1F r elloD
SSxx = 11000; SSyy = 10506.73; SSxy = 10740 1 = 10460 = 0.976 11000 SS yy 1 SSxy s2 = 2.286 e = n2
por lo tntoD
t=
0.976 1 1.964/11000
= 1.639.
05 hdo que t1 0.2 ;112 = t0.975;9 = 2.262 y |1.639| < 2.262, no hy rzones pr onluir que 1 = 1F
es puesD el modelo podr ser
y = 0 + x,
unque lo desedoD insistmosD ser que fuer
y = x,
es deirD que lo que mid el espetrmetro oinid on l ntidd rel de gy en el ireF gomo hemos dihoD eso ourrir si 0 = 0D lo que equivle deir que en useni de gyD el espetrmetro est eroF
edems del ontrste de hiptesisD es trivil proporionr un intervlo de on(nz pr l pendienteD y que onoemos su estiminD su error estndr y l distriuin en el muestreo @tEstudentD omo pree en el ontrsteAF gonretmenteD
1 t1 ;n2 s.e. 1 , 1 1 + t1 ;n2 s.e. P 1 2 2
= 1 .
Ejemplo.
in el ejemplo que mos de ver sore l lirin del espetrmetroD el intervlo de
on(nz pr 1 es (0.94, 1.01)F gomo podemos verD el vlor 1 = 1 es un vlor on(le del intervloD luego rti(mos que no podemos (rmr que el espetrmetro est ml lirdoF
196
nilterl l izquierd H 0 : 0 = b0 H1 : 0 < b0
filterl
H0 : 0 = b0 H1 : 0 = b0 , s2 e =
nilterl l dereh H0 : 0 = b0 H1 : 0 > b0
t=
s2 e
0 b0
1 x 2 n + SSxx
1 SSxy SSyy n2
SSE n2
t < t;n2
|t| > t1/2;n2
t > t1;n2
P [Tn2 < t] 2P [Tn2 > |t|] P [T > t] vos ddos en l ein IHFQ
gudro IHFQX gontrste sore 0
10.4.2. Inferencia sobre la ordenada en el origen

iste ltimo ejemplo pone de mni(esto que tmin puede tener inters relizr ontrstes sore el vlor de
0 F r elloD el gudro IHFQ desrie el proedimiento de un ontrste de este tipoF

pinlmenteD tengmos en uent que podr ser de inters un ontrste onjunto sore 0 y 1 D por ejemploD del tipo 0 = 0D 1 = 1F ry que deir que este tipo de ontrstes mltiples supern los ontenidos de est signturF vo nio que podrmos her en un ontexto omo el nuestro es relizr sendos ontrstes sore
0 y 1 por seprdoD teniendo en uent el nivel de signi(in de mos ontrstesF
Ejemplo. in el ejemplo nteriorD vmos ontrstr siD en efetoD 0 = 0D lo que equivldr onluir
que no hy rzones pr pensr que el espetrmetro est ml lirdoF r elloD
0 = y 1 x = 0.636
por lo tntoD
t=
0.636 0 2.286
1 11
= 0.746.
502 11000
gomoquier que 0.746 < t0.975;9 = 2.261D tmpoo tenemos rzones pr pensr que 0 = 0 on un WS 7 de on(nzD luegoD en resumenD no existen rzones pr pensr que el espetrmetro est ml lirdoF
Ejemplo.
smginemos que desemos ompror experimentlmente queD tl y omo predie l ley de
yhmD l tensin @V A entre los extremos de un resisteni y l intensidd de orriente @I A que irul por ell se relionn siguiendo l ley
V = R I,
donde R es el vlor de l resisteniF xosotros vmos relizr l omproin on un mism resisteniD vrindo los vlores de l intensiddD por lo que l euin equivle
V = 0 + 1 I,
siendo 0 = 0 y 1 = RF vos dtos son los que preen en el gudro IHFRF enemos que relizr un ontrsteD H0 : 0 = 0 frente H1 : 0 = 0 que equivle ontrstr en relidd
197
yservin I P Q R S T U V W IH II
s @meA HFIT TFSR IPFUT IWFPT PSFTQ QIFVI QVFPI RUFRH SRFHH THFVH TVFHH
@A HFPT IFHR PFHP QFHS RFHT SFHQ TFHQ UFHQ VFHT VFWW IHFHI
gudro IHFRX htos pr l omproin de l vey de yhm
que nuestros prtos de medid estn ien lirdosD puesto que l ley de yhm olig que 0 = 0F mos llX
SSxx = 5105.90 SSyy = 107.25 SSxy = 739.49 1 = 0.14 0 = 0.25 s2 e = 0.022

es puesD
t=
0.25 0 0.022
1 11
= 3.531.
33.142 5105.90
Ohm! vo que este nlisis pone de mni(esto es que tenemos lgn prolem en nuestrs mediionesF
hdo que t0.975,9 = 2.262D tenemos que rehzr l hiptesis H0 : 0 = 0D lo que
contradice la ley de
hejemos un poo de ldo este ltimo resultdoF i queremos estimr el vlor de l resisteniD un 1 = 0.14D y un intervlo de on(nz l WS 7 de on(nz = estimin puntul esD omo hemos vistoD R @omitimos los detlles de los lulosA result ser (0.141, 0.149)F pinlmenteD podemos tmin proporionr un intervlo de on(nz pr l ordend en el origenD ddo por
0 t1 ;n2 s.e. 0 , 0 + t1 ;n2 s.e. 0 P 0 2 2
= 1 .
Ejemplo.
in el ejemplo del espetrmetroD el intervlo de on(nz pr l ordend en el origen es
(1.29, 2.57)D luego es on(le pensr que 0 = 0F in sumD hemos omprodo que es posile 1 = 1 y 0 = 0D luego hemos omprodo que l euin y = x no puede ser rehzd on los dtos disponilesD
es deirD que no hy rzones pr pensr que el espetrmetro est ml lirdoF
198
Ejemplo. in el ejemplo de l omproin de l vey de yhmD el intervlo de on(nz l WS 7 pr l

ordend en el origen es (0.09, 0.41)F hdo que ese intervlo no inluye l eroD podemos (rmr on un WS 7 de on(nz que l ret de regresin no ps por el origenD lo que ontrdie l vey de yhmF
10.5. El coeciente de correlacin lineal

1 mide en ierto modo l relin que existe entre l vrile dependiente y l vrile independienteD y
que se interpret omo el inremento que sufre Y por d inremento unitrio de X F in emrgoD es un s medid sujet l esl de ls vriles X e Y D de mner que se he difil poder omprr distintos
1
entre sF
coeciente de correlacin linealD que ofree un medid 1 D es untittiv de l fortlez de l relin linel entre X e Y en l muestrD pero que difereni de
in est sein vmos de(nir el llmdo dimensionlD y que sus vlores siempre estn entre 1 y 1D sen ules sen ls uniddes de medid de ls vrilesF hd un muestr de vlores de dos vriles (x1 , y1 ) , ..., (xn , yn )D el
muestral r se de(ne omo
coeciente de correlacin lineal
r=
SSxy = SSxx SSyy
SSxx 1 . SSyy
gomo omentmosD l interpretin del vlor de r es l siguienteX
r erno o igul H impli po o ningun relin linel entre X e Y.

gunto ms se erque I EID ms fuerte ser l relin linel entre X e Y F i r = 1D todos los puntos ern extmente en l ret de regresinF n vlor positivo de r impli que Y tiende umentr undo X umentD y es tendeni es ms usd unto ms erno est r de IF n vlor negtivo de r impli que Y disminuye undo X umentD y es tendeni es ms usd unto ms erno est r de EIF
Nota.
in l pigur IHFS preen lgunos de los supuestos que mos de enunir respeto los
distintos vlores de rF ry que her hinpi en que r slo es pz de desurir l preseni de relin de tipo linelF iD omo en el ltimo gr(o l dereh de est (gurD l relin entre X e Y no es de tipo linelD r no es deudo omo indidor de l fuerz de es relinF
Nota. in l pigur IHFT pree un vlor tpio entre un onjunto de dtos on un relin linel ms
que evidenteF or ulp de este dtoD el oe(iente de orrelin linel ser joF u dee herse en
199
100
20
60 40 20
80
60
10
40
10
100
30
20
60
100
20
60
100
20
60
100
0 0
2000
20
20
6000
10000
20
60
100
Correlacin lineal positiva fuerte
Correlacin lineal negativa fuerte
Ausencia de correlacin lineal
Correlacin parablica
pigur IHFSX lores de r y sus impliionesF
este soc in generlD no se deen eliminr dtos de un muestrD pero podr ourrir que dtos tpios orrespondn errores en l tom de ls muestrsD en el registro de los dtos oD inlusoD que relmente no proedn de l mism polin que el resto de los dtosX en ese soD eliminrlos podr estr justi(do de r nlizr de un form ms preis l relin linel entre los dtosF
Nota.
gorrelin frente usliddF ry que her un dverteni importnte er de ls interE
pretiones del oe(iente de orrelin linelF is muy freuente que se utilie pr justi(r reliones usEefetoD y eso es un grve errorF r slo indi preseni de relin entre ls vrilesD pero eso no permite inferirD por ejemploD que un inremento de X se l us de un inremento o un disminuin de Y F
Ejemplo. r los dtos del ejemplo sore l sorinD lulemos r e interpretmosloF

in el so del porentje de sorin en funin del volumen de ompuestoD
r=
36.24 = 0.129; 37.30 2126.61
vemos que l relin es muy pequeY de hehoD ompromos medinte un ontrste de hiptesis sore
1 que er no signi(tivF
in el so del porentje de sorin en funin del tiempo de sorinD
r=
36.24 = 0.944. 744 2126.61
ist relin s result ser muy fuerte y en sentido diretoF or eso l relizr el test sore 1 D ste s result ser signi(tivoF xo podemos olvidr que el oe(iente de orrelin linel muestrlD rD mide l orrelin entre los vlores
200
r = 0.27 r^2 = 0.07 Slope = 0.26 Intercept = 3.56

End 10
LS Line
Add Point 4
Delete Point
4 x
10
Move Point
pigur IHFTX n dto tpio entre dtos reliondos linelmenteF
de X y de Y en l muestrF ixiste un oe(iente de orrelin linel similr pero que se re(ere todos los posiles vlores de l vrileF ividentementeD r es un estimdor de este oe(iente polionlF
hds dos vriles X e Y D el
coeciente de correlacin lineal poblacional, D se de(ne omoa

E [(X EX ) (Y EY )] V arX = = 1 . V arXV arY V arY
a Este concepto se estudia tambin en el captulo de vectores aleatorios.
snmeditmente surge l uestin de ls inferenisF odemos y deemos utilizr r pr her inferenis sore F he tods formsD en relidd ests inferenis son equivlentes ls que hemos sore 1 D y que l relin entre 1 y provo que l hiptesis H0 : 1 = 0 se equivlente l hiptesis H0 : = 0F odemosD por lo tntoD utilizr el ontrste resumido en el gudro IHFP pr b1 = 0 y teniendo en uent que
r n2 t= . 1 r2
Ejemplo. mos ontrstr H0

il estdstio de ontrste es t =
H0 : 1 = 0D frente H1 : 1 = 0F emos queD en efetoD es el mismo ontrsteF
0 .944 92 10.9442
: = 0 frente H1 : = 0 de nuevo en el ejemplo de l sorinF = 7.60D que oinide on el vlor de t undo ontrstmos
201
10.6. Fiabilidad de la recta de regresin. El coeciente de determinacin lineal

gomo hemos vistoD el oe(iente de orrelin linel puede interpretrse omo un medid de l ontriuin de un vrile l prediin de l otr medinte l ret de regresinF in est sein vmos ver un medid ms deud pr vlorr hst qu punto l vrile independiente ontriuye predeir l vrile dependienteF eordemos lo que hmos oservdo en l pigur IHFRF ell tenmos un retD l de l izquierdD que prentemente er buenaD mientrs que l de l dereh prentemente er peorF in emrgoD y dijimos que eso er inextoF in relidd nosotros no desemos ompror extmente si los puntos estn o no en torno l ret de regresinD sino en qu medid l ret de regresin expli Y en funin de X F mos entrr en detllesF xeesitmos que l ret explique Y en funin de X porque Y tiene dtos que presentn un iert vriiliddX unt vriiliddc gundo de(nimos l vrinzD es vriilidd l medimos omo
n
SSyy =
i=1
(yi y ) ,
de tl mner que unto ms vren los dtos de Y myor ser SSyy F or otr prteD undo justmos por 0 + 1 xD medimos el error que ometemos en el juste on l ret de regresin y x =
n
SSE =
i=1
(yi y x ) .
mos ponernos en ls dos situiones lmite que pueden drse en unto l preisin de un ret de regresinX i X no tiene ningn tipo de relin linel on Y D entones = 0D en uyo so 1 = l ret es simplemente
V arY V arX
=0y
y i = 0 + 1 xi =y .
is deirD si X no tiene ningn tipo de relin linel on Y D entones l mejor prediin que podemos dr por el mtodo de mnimos udrdos es l mediF edemsD en ese so
n
SSE =
i=1 n
(yi y i )
=
i=1
(yi y ) = SSyy ,
es deirD SSE es el totl de l vriin de los vlores de Y F ist lro que est es l peor de ls situiones posiles de r l preisinF i l relin linel entre X e Y es totlD entones = 1, en uyo so 1 =
V arY F V arX
edemsD si l
202
relin linel es totlD y = y x D de mner que

n
SSE =
i=1
(yi y i ) = 0.
istD desde luegoD es l mejor de ls situiones posilesF v ide de l medid que vmos utilizr es unti(r en qu medid estmos ms er o ms lejos de ests dos situionesF hdo que SSE D que es l medid del error de l ret de regresinD puede ir de 0 @mejor situin posileA SSyy @peor situin posileAD tn slo tenemos que reltivizr en un esl mod un medid de este errorF e de(ne el
coeciente de determinacin lineal omo

r2 = 1 SSE . SSyy
xtese que l notin es r l udrdoD y queD en efetoD en un regresin linel simple oinide on el oe(iente de orrelin linel l udrdoF or lo tntoD l interpretin de r2 es l medid en que X ontriuye l expliin de Y en un esl de H ID donde el H indi que el error es el totl de l vriin de los vlores de Y y el I es l preisin totlD el error HF v medid suele drse en porentjeF hiho de otr formX
Aproximadamente 100 r2 % de la variacin total de los valores de pueden ser explicada mediante la recta de regresin de Y dada X F
respecto de su media
Ejemplo. in el ejemplo de l sorin explid por el tiempo de exposiinD r2 = 0.892D de mner

que podemos deir que el VW 7 de l vriin totl de los vlores del porentje de sorin puede ser explid medinte l ret de mnimos udrdos ddo el tiempo de exposiinF is evidente que es un porentje importnteD que proporionr prediiones reltivmente (lesF
10.7. Prediccin y estimacin a partir del modelo

eordemos que en el modelo justdo de l ret de regresinD
0 + 1 x y x =
yD por otro ldoD
E [Y /X =x ] = 0 + 1 x,
luego y x puede interpretrse de dos formsX IF gomo
prediccin del vlor que tomr Y
undo X = xF
203
PF gomo
estimacin del vlor medio de Y
pr el vlor X = x, es deirD de E [Y /X =x ]F
ems ntiddes estn sujets inertidumreD que ser tnto myor unto ms vriilidd teng Y, yGo peor se el juste medinte l ret de regresinF vo que vmos ver en est sein pr onluir el tem es mo estleer
regiones de conanza
pr ests
prediiones de los vlores de Y y pr ls estimiones de los vlores medios de Y ddos vlores de X F istos resultdos requieren que se veri(quen los supuestos diionles sore los errores ddos en l sein IHFQF odemos grntizr on un (1 ) 100 % de on(nz que undo X = xD el vlor medio de Y se enuentr en el intervlo
y x t1/2;n2 se
es deirD podemos grntizr que
1 (x x ) + ,y x + t1/2;n2 se n SSxx
1 (x x ) + , n SSxx
P E [Y /X =x ] y x t1/2;n2 se
(x x )2 1 + |X =x = 1 . n SSxx
esimismoD podemos grntizr on un (1 ) 100 % de on(nz que undo X = xD el vlor Y se enuentr en el intervlo
y x t1/2;n2 se
es deirD podemos grntizr que
1 (x x ) 1+ + ,y x + t1/2;n2 se n SSxx
2 1 (x x ) 1+ + , n SSxx
P Y y x t1/2;n2 se
1 (x x )2 1+ + |X =x = 1 n SSxx
Nota. xo deemos olvidr que los modelos de regresin que podemos estimr lo son prtir de los dtos
de un muestr de vlores de X e Y F e prtir de estos modelos podemos otenerD omo mos de reordrD prediiones y estimiones pr vlores ddos de X. hdo que el modelo se s preismente en
esos valores de la muestraD no es onveniente her prediiones y estimiones pr vlores de X
que se enuentren fuer del rngo de vlores de X en l muestrF
Ejemplo. in l pigur IHFU pree l ret de regresin pr los dtos del ejemplo sore l sorin
del ompuesto junto on lnes que ontienen los intervlos de on(nz l WS 7 pr ls prediiones y ls estimiones soids los distintos vlores de X F
204
110
105
100
Resistencia
95
observed fit conf int pred int
90
85
80
50
60
70
80
90
100
Velocidad
pigur IHFUX et de regresin on intervlos de on(nz l WS 7 pr ls prediiones @frnjs ms exteE rioresA y pr ls estimiones @frnjs interioresA en el ejemplo de l sorinF
ysrvese que l mplitud de los intervlos se he myor en los vlores ms extremos de X F is deirD los errores en ls estimiones y en ls prediiones son myores en estos vlores ms extremosF isto dee ser un motivo dir l omentrio nterior pr no her estimiones ni prediiones fuer del rngo de vlores de X en l muestrF or otr prteD nos plntemos l omienzo de ptulo que ser de inters estimr el porentje de sorin que tendr lguien que se somet un tiempo de exposiin l ompuesto de V horsF iso es un prediinD s que omo estimin puntul dremos
y 8 = 46.82 + 1.60 8 = 59.59

y omo intervlo de prediin l WS 7D
y x t1/2;n2 se
1 (x x )2 1+ + = 59.59 2.36 5.73 n SSxx
2 1 (8 12) 1+ + = (45.17, 74.00) . 9 744
or el ontrrioD imginemos que los trjdores de un empres vn estr sometidos todos ellos un tiempo de exposiin de V horsF in ese soD no tiene sentido que nos plnteemos un prediin pr ser ul v ser su porentje de sorinD y que d uno de ellos tendr un porentje distintoY lo que s tiene sentido es que nos plnteemos ul v ser el porentje medio de sorin de los trjdores sometidos V hors de exposiin l ompuestoF isto es un ejemplo de l estimin de un vlor promedioF v estimin puntul es l mism que en l prediinD es deirD SWFSWD pero el intervlo de on(nz l WS 7 es
y x t1/2;n2 se
1 (x = 59.59 2.36 5.73 + n SSxx
x )2
1 (8 12) = (54.66, 64.52) . + 9 744
205
10.8. Diagnosis del modelo

odo lo reliondo on infereni sore el modelo de regresin se h sdo en el umplimiento de los supuestos desritos en el prtdo IHFQF gomo y omentmosD en l medid en que todos o lgunos de estos supuestos no se denD ls onlusiones que se extrign en l infereni sore el modelo podrn no ser vlidsF is por ello que es neesrio ompror estos supuestos medinte herrmients de dignstioF equ vmos ver slo ls ms sisD vinulds l nlisis de los residuos y l gr( de residuos frente los vlores justdosF
10.8.1. Normalidad de los residuos

intre los supuestos del modelo onsidermos que los residuosD es deirD
i
= yi y i
siguen un distriuin normlF xi que deir tiene que ompror est hiptesis en trivilX str on lulr los residuosD justrles un distriuin norml y relizr un ontrste de ondd de juste medinteD por ejemploD el test de uolmogorovE mirno'F
10.8.2. Grca de residuos frente a valores ajustados

il resto de supuestos se re(eren l vrinz onstnte de los residuosD su medi ero y su independeniF n de ls herrmients dignstis ms simples pr ests hiptesis es l llmd grca
a valores ajustadosF de residuos frente
e trt de representr en unos ejes rtesinosX
IF in el eje D los vlores y i de l muestrF PF in el eje D los residuosD

i
= yi y i F
ritulmenteD se le de est gr( l ret de regresin de l nue de puntos resultnteF mos ir viendo mo dee ser est gr( en el so de que se umpln d uno de los supuestosX IF i l medi de los residuos es eroD l nue de puntos de l gr( dee hernos pensr en un ret de regresin horizontl situd en el eroD indindo que se ul se el vlor y i D l medi de los residuos es eroF PF i los errores son independientesD no dee oservrse ningn patrn en l gr(D es deirD ningn efeto en ell que hg pensr en lgn tipo de relin entre y i y
iF
QF i los errores tienen un vrinz onstnte @se hl entones de
homocedasticidadAD l dispersin
vertil de los puntos de l gr( no dee vrir segn vre el eje F in so ontrrioD se hl de
heterocedasticidadF
n ltim oservinX si se dn tods ls ondiiones que mos de menionr sore l gr( de residuos frente vlores justdosD entones es del modelo sen iertosF
probableD
pero no se tiene l seguriddD de que los supuestos
206
Residuals vs Fitted 5
5 4
Residuals
15 10
50
55
60
65
70
75
80
85
Fitted values lm(Porcentaje.Absorbido ~ Tiempo)

pigur IHFVX qr( de vlores justdos vs residuos en el ejemplo de l sorin
Ejemplo.
requeridsX
or ltim vez vmos onsiderr el ejemplo de l sorinF in l pigur IHFV pree el
gr(o de residuos vs vlores justdos y podemos ver que primer vist pree que se dn ls ondiiones
IF vos puntos se sitn en torno l eje Y = 0D indindo que l medi de los residuos pree ser eroF PF xo se oservn ptrones en los residuosF QF xo se oserv myor vriilidd en lguns prtes del gr(oF ry que tener en uent que son muy poos dtos pr sr onlusionesF
207
208
Parte IV
Procesos aleatorios
PHW
Captulo 11
Procesos aleatorios
he est mteril model of t is notherD or preferly the smeD tF xorert ienerD

Philosophy of Science
@IWRSA @with eF osenluethA
Resumen.
vos proesos letorios suponen el ltimo pso en l utilizin de modelos mtemtios pr
desriir fenmenos reles no determinstiosX onretmenteD se trt de fenmenos letorios que dependen del tiempoF e desrien priniplmente en trminos de sus medis y sus ovrinzsF in este ptulo se inluyen dems lgunos de los ejemplos ms omunes de tipos de proesos y su omportmiento undo se trnsmiten trvs de sistems lineles invrintes en el tiempoF
Palabras clave.
poteniF
roesos letoriosD funin mediD funin de utoorrelinD funin de utoovrinE
zD proesos estionriosD proesos gussinosD proeso de oissonD sistems linelesD densidd espetrl de
11.1. Introduccin
in muhos experimentos de tipo letorio el resultdo es un funin del tiempo @o del espioAF or ejemploD en sistems de reonoimiento de voz ls deisiones se tomn sore l se de un ond que reprodue ls rterstis de l voz del interloutorD pero l form en que el mismo interloutor die un mism plr sufre ligers vriiones d vez que lo heY en un sistem de olD por ejemploD en un servidor de teleomuniionesD el nmero de lientes en el sistem l esper de ser tendidos evoluion on el tiempo y est sujeto ondiiones tles que su omportmiento es
impredecible Y
en un sistem de omuniin tpioD l sel de entrd es un ond que evoluion on el tiempo y que se introdue en un nl donde es ontmind por un ruido letorioD de tl mner que es imposile seprr ul es el mensje originl on solut FFF PII
certezaF
hesde un punto de vist mtemtioD todos estos ejemplos tienen en omn que el fenmeno puede ser visto omo uns funiones que dependen del tiempoD pero que son desonoids prioriD porque dependen del
azarF
in este ontexto vmos de(nir el onepto de proeso letorioF xuestro ojetivoD omo en ptulos
nteriores dedidos vriles y vetores letoriosD es desriir desde un punto de vist estdstio el fenmenoD proporionndo medids de posiinD medids sore l vriiliddD etF
11.1.1. Denicin
gonsideremos un experimento letorio sore un espio muestrl . upongmos que pr d resultdo posileD A, tenemos un oservin del fenmeno dd por un funin rel de vrile relD x (t, A)D on
t I RF ritulmenteD t represent l tiempoD pero tmin puede referirse otrs mgnitudes fsisF
r d A vmos denominr x (t, A)
realizacin o funcin muestralF
ysrvese que pr d t0 I D X (t, ) es un vrile letoriF ues ienD l onjunto
{X (t, A) : t I, A }
lo denominmos
proceso aleatorio (en adelante p.a.) o estocsticoF
i reordmos ls de(niiones de vrile letori y vetor letorioD podemos ver en qu sentido estn reliondos los oneptos de vrileD vetor y proeso letorioF gonretmenteD si es un espio muestrlD un vrile letori es un funin
X:R
que d sueso posile le sign funin
un nmero realF or su prteD un vetor letorio es simente un

X : RN
que d sueso posile le sign funin
un vector realF
pinlmenteD un proeso letorio es simente un
X : {funiones reles de vle rel}

que d sueso posile le sign
una funcin realF
he r esriir de hor en delnte un pFFD lo notremos normlmenteD por ejemploD omo X (t)D ovindo s l vrile que he refereni l elemento del espio muestrl l que v soid l funin muestrlF iste onvenio es el mismo que nos llev esriir X re(rindonos un vFF o un vetorF
11.1.2. Tipos de procesos aleatorios

il tiempo es un mgnitud fsi intrnsemente ontinuD es deirD que puede tomr ulquier vlor de los nmeros relesF in emrgoD no siempre es posile oservr ls oss el proeso es oservdo
en cada instante en cada instante del tiempoF
or esoD
en el mito de los proesos @no slo estostiosA es importnte preguntrse si el fenmeno que represent o slo
en momentos concretos del tiempoF
212
pigur IIFIX epresentin de un proeso letorioF
hdo un espio muestrl y un pFF de(nido en lD
{X (t, A) : t I, A } ,
se die que el proeso es un
p.a. en tiempo discreto si I
es un onjunto numerleF
in el so de proesos en tiempo disreto se suele esriir Xn o X [n] re(rindonos l notin ms generl
X (n)F or otr prteD el onjunto I normlmente es el onjunto de los enteros o de los enteros positivosD
unque tmin puede ser un suonjunto de stosF in lgunos liros los proesos en tiempo disreto tmin son denomindos hdo un espio muestrl y un pFF de(nido en lD
secuencias aleatoriasF
{X (t, A) : t I, A } ,
se die que el proeso es un junto de stosF i nos dmos uentD est primer lsi(in de los pFF l hemos heho en funin del rter disreto o ontinuo del tiempoD es deirD del onjunto I F ixiste otr lsi(in posile en funin de mo son ls vriles letoris del proesoD disrets o ontinusF in emrgoD mos tipos de proesosD on vriles disrets o on vriles ontinusD pueden estudirse si siempre de form onjuntF or ello slo distinE
p.a. en tiempo continuo si I
es un intervloF
in el so de proesos en tiempo ontinuoD I es normlmente el onjunto de los reles positivos o un suonE
213
pigur IIFPX histints funiones muestrles de un proeso letorioF
pigur IIFQX histints funiones muestrles de un proesoF guiremos pFF on vriles disrets y pFF on vriles ontinus si es neesrioF in este sentidoD undo nos re(rmos l funin ms @si el pFF es de vriles disretsA o l funin de densidd @si el pFF es de vriles ontinusAD hlremos en generl de funin de densiddF
Ejemplo.
e un vrile letori uniforme en (1, 1)F he(nimos el proeso en tiempo ontinuo
X (t, ) omo X (t, ) = cos (2t) .

us funiones muestrles son onds sinusoidles de mplitud letori en (1, 1) @pigur IIFPA.
Ejemplo.
e un vrile letori uniforme en (, )F he(nimos el proeso en tiempo ontinuo
X (t, ) omo X (t, ) = cos (2t + ) .

us funiones muestrles son versiones desplzds letorimente de cos (2t) @pigur IIFQAF
214
11.2. Descripcin de un proceso aleatorio

11.2.1. Descripcin estadstica mediante distribuciones multidimensionales
in generlD pr espei(r mo es un pFF de form preis es neesrio rterizr l distriuin de proilidd de ulquier suonjunto de vriles del proesoF is deirD si X (t) es un pFFD es neesrio onoer ul es l distriuin de ulquier vetor del tipo
(X (t1 ) , ..., X (tk )) ,

pr todo k > 0, (t1 , ..., tk ) I D medinte su funin de distriuin onjunt
FX (t1 ),...,X (tk ) (x1 , ..., xk )

o medinte su funin de densidd @o msA onjunt
fX (t1 ),...,X (tk ) (x1 , ..., xk ) .

in emrgoD no siempre es fil onoer tods ls posiles distriuiones de todos los posiles vetores de vriles del proesoF or elloD pr tener un desripin ms senill unque puede que inomplet del proesoD se ude ls medisD ls vrinzs y ls ovrinzs de sus vrilesF
11.2.2. Funcin media y funciones de autocorrelacin y autocovarianza

e un pFF X (t)F e de(ne l
funcin media o simplemente l medi de X (t) omo

(t) = x X (t) = E [X (t)] =

xfX (t) (x) dx,
pr d t I. xtese queD omo su nomre indiD se trt de un funin determinstiF xo tiene ningun omponente letoriF xtese tmin que unque se est esriiendo el smolo integrlD podrmos estr re(rindonos un vrile disretD en uyo so se trtr de un sumF
e de(ne l
funcin de autocovarianza
o simplemente l
autocovarianza de X (t) omo
CX (t, s) = Cov [X (t) , X (s)] = E [(X (t) mX (t)) (X (s) mX (s))] = (x1 x (t)) (x2 x (s)) fX (t),X (s) (x1 , x2 ) dx2 dx1

215
e de(ne l
funcin de autocorrelacin
o simplemente l
autocorrelacin de X (t) omo
RX (t, s) = E [X (t) X (s)] =
x1 x2 fX (t),X (s) (x1 , x2 ) dx2 dx1

xteseD de r l luloD que l difereni entre ms funiones tn slo es el produto de ls medis1 F
CX (t, s) = RX (t, s) mX (t) mX (s) .

he hehoD si el proeso est funiones oinidenF or otr prteD l vrinz de ls vriles del proeso puede otenerse omo
centrado en mediaD
es deirD si su medi es onstntemente eroD ms
V ar (X (t)) = CX (t, t) F
v interpretin de l funin de utoovrinz CX (t, s) es l de un funin que proporion un medid de l interdependeni linel entre dos vFF del proesoD X (t) y X (s)D que distn = s t uniddes de tiempoF he hehoD y semos que podrmos nlizr est relin medinte el oe(iente de orrelin linel
X (t, s) =
CX (t, s) CX (t, t) CX (s, s)
eprentemente es esperle que tnto ms rpidmente mie el proesoD ms derez l utoorrelin onforme ument D unque por ejemploD los proesos peridios no umplen es propieddF in el mpo de l teor de l sel lettoriD prtir de l funin de utoorrelin se puede distinguir un sel uyos vlores min muy rpidmente frente un sel on vriiones ms suvesF in el primer soD l funin de utoorrelin y de utoovrinz en instntes t y t + dereern lentmente on D mientrs que en el segundoD ese desenso ser muho ms rpidoF in otrs plrsD undo l utoorrelin @o l utoovrinzA es ltD entre dos instntes ernos del proeso tendremos vlorer similresD pero undo es jD podremos tener fuertes diferenis entre vlores ernos en el tiempoF v grn importni de ests funiones soids un proesoD medi y utoovrinz @o utoorrelinAD es por tnto que portn tod l informin er de l relin linel que existe entre dos vFF ulesquier del proesoF gomo hemos dihoD en l prtiD result extremdmente omplido onoer ompletmente l distriuin de un proeso yD undo esto ourreD no siempre es senillo utilizr ls tnis del lulo de proiliddes pr el trtmiento de estos proesosF in emrgoD tn slo on l informin dd por l funin medi y l funin de utoorrelin pueden ofreerse resultdos muy relevntes er de los proesosD tl y omo hemos visto en el so de vriles y vetores letoriosF
Ejemplo. v sel reiid por un reeptor ew de rdio es un sel sinusoidl on fse letoriD dd
por X (t) = A cos (2fc t + ) , donde A y fc son onstntes y es un vFF uniforme en (, ) .
1 Esta
el producto de las medias.
frmula es la misma que cuando veamos la covarianza entre dos variables, calculable como la media del producto menos
216
in ese soD
E [X (t)] =
A cos (2fc t + )
1 A = d = [sin (2fc t + )]= 2 2
A (sin (2fc t) cos ( ) + cos (2fc t) sin ( ) sin (2fc t) cos ( ) cos (2fc t) sin ( )) 2 A = [0 + 0] = 0. 2
RX (t, t + ) = E [X (t + ) X (t)] = E A2 cos (2fc t + 2fc + ) cos (2fc t + ) = A2 A2 E [cos (4fc t + 2fc + 2)] + E [cos (2fc )] 2 2
A2 = 2
1 A2 cos (4fc t + 2fc + 2 ) d + cos (2fc ) 2 2
A2 A2 A2 = 0+ cos (2fc ) = cos (2fc ) . 2 2 2

or tntoD
CX (t, t + ) = RX (t, t + ) mX (t) mX (t + ) =
A2 cos (2fc ) . 2
11.3. Tipos ms comunes de procesos aleatorios

in este prtdo de(nimos propieddes que pueden ser veri(ds por lgunos proesos letorios y que les on(eren rterstis espeiles en ls pliiones prtisF
11.3.1. Procesos independientes

e un pFF X (t)F i pr d n instntes de tiempoD t1 , ..., tn , ls vFF del proeso en esos instntes son independientesD es deirD
fX (t1 ),...,X (tn ) (x1 , ..., xn ) = fX (t1 ) (x1 ) ... fX (tn ) (xn ) ,
se die que el proeso es
independiente.
v interpretin de este tipo de proesos es l de quellos en donde el vlor de l vFF que es el proeso en un momento ddo no tiene nd que ver on el vlor del proeso en ulquier otro instnteF hesde un punto de vist fsio estos proesos son muy
caticos
y se soin en l prti ruidos que no gurdn en un
momento ddo ningun relin onsigo mismos en momentos dyentesF

217
10
pigur IIFRX punin muestrl de un proeso independiente formdo por vF gussins de medi ero y vrinz unoF
11.3.2. Procesos con incrementos independientes

e un pFF X (t)F e die que tiene inrementos independientes si ulquier onjunto de N vFF del proesoD
X (t1 ) , X (t2 ) , ..., X (tN )D on t1 < t2 < ... < tN son tles que los inrementos X (t1 ) , X (t2 ) X (t1 ) , ..., X (tN ) X (tN 1 )
son independientes entre sF
11.3.3. Procesos de Markov

xo deemos perder de vist l omplejidd que impli l desripin estdsti de un proeso letorioF ensemos por ejemplo que un proeso h evoluiondo hst un instnte t y se onoe es evoluinY es deirD se onoe el vlor X (s) = xs pr todo s tF i se dese desriir l posiin del proeso en un instnte posterior tD t + D ser neesrio lulr l distriuin ondiiond
X (t + ) | {X (s) = xs pr todo s t} .
istoD en generlD es stnte omplejoF edemsD tiene sentido pensr que l evoluin del proeso en el instnte t + se ve fetd por tod l histori del proesoD desde el instnte iniil s = 0 hst el ltimo instnte de es histori s = tc ree lgio pensr que l evoluin del proeso teng en uent l histori ms reiente de steD pero no tod l historiF ist hipotesis se ve vld por los per(les ms hitules de ls funiones de utoorrelinD donde oservmos que l relin entre vriles del proeso suele dereer en l myor de ls osiones onforme ument l distni en el tiempo entre ls mismsF vos proesos de wrkov son un so donde esto ourreF e trt de proesos que evoluionn de mner que en d instnte
olvidan
todo su psdo y slo tienen en uent pr su evoluin futur el instnte ms

218
reienteD ms tulF in el siguiente sentidoX n proeso X (t) se die
markoviano o de Markov
si pr ulesquier t1 < ... < tn < tn+1 instntes
onseutivos de tiempo se veri(
fX (tn+1 )|X (t1 )=x1 ,...,X (tn )=xn (xn+1 ) = fX (tn+1 )|X (tn )=xn (xn+1 ) .
ist de(niin se suele enunir oloquilmente diiendo que un proeso de wrkov es
depende del pasado sino tan slo del presenteF
aquel cuyo futuro no
11.3.4. Procesos dbilmente estacionarios

n de ls propieddes ms usules en los proesos estostios onsiste en un iert estilidd en sus medis y en sus ovrnzsD en el sentido en que vmos desriir ontinuinF
X (t) es un proeso
dbilmente estacionario si
mX (t) es independiente de t y C (t, s) @o R (t, s)A depende tn slo de s tD en uyo so se not C (s t) @ R (s t)AF
is importnte destr que l primer de ls ondiiones es irrelevnteD y que siempre se puede entrr en medi un proeso pr que st se eroD onstnteF is deirD en l prti es indiferente estudir un proeso
X (t) on funin medi X (t) que estudir el proeso Y (t) = X (t) X (t)D on medi eroF
v propiedd ms exigente y relmente importnte es l segundF iene deir que l relin entre vriles letoris del proeso slo depende de l distni en el tiempo que ls seprF
Nota.
mos her un puntulizin muy importnte respeto l notin que empleremos en
delnteF emos de ver que si un proeso es dilmente estionrioD sus funiones de utoovrinz y de utoorrelinD C (s, t) y R (s, t) no dependen en relidd de s y de tD sino tn slo de t sF or eso introduimos l notin
C (t, s) C (s t) R (t, s) = R (s t) .
or lo tntoD qu queremos deir si esriimos diretmente C ( ) o R ( )c ue tenemos un pFF dilE mente estionrio y que hlmos de
C ( ) = C (t, t + ) R ( ) = R (t, t + ) .
n medid importnte soid un proeso dilmente estionrio es l oservremos on detenimiento est medidF
potencia promedioD
2
de(niE
d omo l medi del udrdo de ste en d instnte t, es deir RX (0) = E |X (t)|
. ws delnte
219
or otr prteD l peuliridd que de(ne los proesos dilmente estionrios le on(ere su funin de utoorrelin y utoovrinz dos propieddes interesntesX se X (t) un proeso estionrio @dilAF intonesD si notmos RX ( ) = E [X (t) X (t + )] pr todo t, su funin de utoorrelin y por CX ( ) su funin de utoovrinzX
IF ems son funiones presD es deirD RX ( ) = RX ( ) y CX ( ) = CX ( )F
PF |RX ( )| RX (0) y |CX ( )| CX (0) = 2 pr todo .
Ejemplo. in el ejemplo del osildor vimos que l sel reiid por un reeptor ew de rdio es un
sel sinusoidl on fse letoriD dd por X (t) = A cos (2fc t + ) , donde A y fc son onstntes y
es un vFF uniforme en (, ) tiene por funin medi E [X (t)] = 0

y por funin de utoorrelin
RX (t, t + ) =
A2 cos (2fc ) . 2
he est formD podemos ver que el proeso es dilmente estionrioF
Ejemplo. n proeso inomil es un proeso on funin de utoovrinz

C (m, n) = m n (m, n) p (1 p) ,
que no depende slo de m nF or lo tnto no es dilmente estionrioF
Ejemplo.
mos onsiderr un proeso en tiempo disreto e independienteD Xn D on medi ero y
vrinz onstnte e igul 2 F mos onsiderr tmin otro proeso que en d instnte de tiempo onsider l medi de X en ese instnte y el nteriorD es deirD
Yn =
Xn + Xn1 . 2
in primer lugrD ddo que E [Xn ] = 0 pr todo nD lo mismo ourre on Yn D es deirD
E [Yn ] = E
Xn + Xn1 = 0. 2
220
or otr prteD
CY (n, n + m) = RY (n, n + m) 0 = E [Y (n) Y (n + m)] =E = Xn + Xn1 Xn+m + Xn+m1 2 2
1 E [(Xn + Xn1 ) (Xn+m + Xn+m1 )] 4 1 = (E [Xn Xn+m ] + E [Xn Xn+m1 ] + E [Xn1 Xn+m ] + E [Xn1 Xn+m1 ]) 4
ehor deemos tener en uent que
CX (n, m) = RX (n, m) =
y que Xn es un proeso independienteF or lo tntoD
0 2
si n = m si n = m
1 2 2 4 +0+0+ 1 0 + 2 + 0 + 0 CY (n, n + m) = 4 1 2 4 0+0+ +0 0 1 2 2 si m = 0 2 = 1 si m = 1 4 0 en otro so
si m = 0 si m = 1 si m = 1 en otro so
odemos deirD por tntoD que el proeso Yn tmin es dilmente estionrioD porque su medi es onstnte @eroA y CY (n, n + m) no depende de n sino tn slo de mF
11.3.5. Procesos ergdicos

i nos dmos uentD estmos desriiendo los proesos letorios prtir de promedios estdstiosD prinE iplmente prtir de l medi de d un de sus vriles y de sus orrelionesF mos entrrnos en proesos dilmente estionriosF in ese soD los promedios estdstios ms relevntes sern l mediD
E [X (t)] = mX (t) = mX =
xfX (t) (x) dx
y l utoorrelin entre dos vriles que disten uniddes de tiempoD
RX ( ) = E [X (t) X (t + )] =
x1 x2 fX (t)X (t+ ) (x1 , x2 ) dx1 dx2 .
rst hor quiz no lo hmos pensdoD pero ms ll de los tpios ejemplosD mo podrmos trtr de lulr o estimr l menos ests ntiddesc i plimos lo que hemos prendido hst horD estimrmosD por ejemploD l medi on l medi muestrlD pero pr ello neesitrmos un muestr muy grnde de
221
funiones muestrles del proesoD y eso no siempre ourreF he hehoD no es nd rr l situin en l queD en reliddD slo es posile oservr un ni funin muestrl del proesoF ehor ienD dd un ni funin muestrl de un proesoD x (t)D en es funin hy muhos dtosD tntos omo instntes de tiempo t hymos sido pes de oservrF xo podr ourrir que utilizrmos todos esos dtos que hy en x (t)pr estimr ls medis y ls utoorrelionesc or ejemploD si tenemos oservd l sel x (t) en un montn de vlores t1 , ...tn D qu tendr que ver
x (t1 ) + ...x (tn ) n

on l medi del proeso mX c he hehoD si n es muy grnde y orresponde un intervlo de oservin
[T, T ]D tendrmos que x (t1 ) + ... + x (tn ) n

ehor no es un integrl sore los vlores de x @integrl
1 2T
x (t) dt.
T
estadstica A
sino sore el tiempoF
in el so de l utoorrelin psr igulD tendrmos que podrmos oservr un montn de pres de vlores de l sel en los instntes t1 , ..., tn y t1 + , ..., tn + en el intervlo [T, T ] y on ellos podrmos estimr
1 2T
x (t) x (t + ) dt
T
x (t1 ) x (t1 + ) + ... + x (tn ) x (tn + ) . n
vo que no semosD en generlD es si es integrl tiene lgo que ver on RX ( )D que es un integrl estadsticaF ues ienD se die que un proeso estionrio es
ergdico undo ls funiones que entrn vlores espeE

estadsticos A
rdos lo lrgo de ls reliziones @integrles o promedios
pueden otenerse tmin prtir
de un sol funin muestrl x (t)F is deirD que un sol relizin es representtiv de todo el proesoF ws onretmenteD un proeso ser ergdio en medi y en utoorrelin si
limT
y
1 2T
x (t) dt = mX
T
1 limT 2T
x (t) x (t + ) dt = RX ( ) .
T
11.4. Ejemplos de procesos aleatorios

11.4.1. Ruidos blancos
in teleomuniiones los ruidos son seles que se dhieren l sel envid en ulquier proeso de omuniinD de tl mner que uno de los ojetivos fundmentles en este tipo de proesos esD dd l sel resultnte de sumr l sel envidD X (t)D y el ruido del nlD N (t)D es deirD dd Y (t) = X (t)+N (t)D ser
ltrar
est sel pr estimr ul es el verddero vlor de X (t)F
in este prtdo nos referimos revemente un modelo gstnte omn pr los fenmenos de ruidoD llmdo ruido lnoF
222
ruido blanco es un proeso N (t) entrdoD dilmente estionrio e inorreldo on vrinz

N0
2
N0 2 F
or
tntoD su funin de utoovrinz @y utoorrelinA ser si = 0 en otro so
CN (t, t + ) =
tilizndo l llmd funin impulsoD dd por
1 si t = 0 (t) = , 0 en otro so
est funin de utoovrinz puede esriirse omo
CN ( ) =
N0 ( ) . 2
v justi(in de que este se un modelo hitul pr los ruidosD onsiderndo que los vlores del ruido estn inorreldos unos on otrosD es que suelen ser deidos fenmenos ompletmente letorios y tiosD por lo que no es esperle que exist relin entre vlores del ruidoD ni siquier undo stos son muy ernos en el tiempoF
11.4.2. Procesos gaussianos

rst hor hemos de(nido y estudido fmilis muy genris de proesos @independientesD estionriosD FFFAF in est sein vmos onsiderr ms onretmente l onoid omo fmili de proesos letorios gussinosD que onstituyeD sin dudD l ms importnte de entre ls que se utilizn en eleomuniiones y en ulquier otro mito de pliin de l istdstiF n pFF X (t) se die
proceso gaussiano si ulquier olein de vriles del proeso tiene distriuin

1 exp (x ) C 1 (x ) , 2 (2 ) det (C )
n
onjuntmente gussinF is deirD si ulquier olein X (t1 ) , ..., X (tn ) tiene funin de densidd onjunt
fX (t1 ),...,X (tn ) (x1 , ..., xn ) =

donde
x = (x1 , ..., xn ) , = (E [X (t1 )] , ..., E [X (tn )]) , C = (Ci,j )i,j =1,..,n , Cij = Cov [X (ti ) , X (tj )] .
xtese que un proeso gussino est ompletmente desrito un vez que se onoen su funin medi y su utoovrinz o su utoorrelinF
223
ixisten dos rzones fundmentles por ls queD omo hemos omentdoD los proesos gussinos son l fmili de proesos ms relevnteX or un prteD ls propieddes nltis que veri(n los hen filmente mnejlesD omo veremos ontinuinF or otr prteD estos proesos hn demostrdo ser un exelente modelo mtemtio pr grn nmero de experimentos o fenmenos reles @resultdo mprdo en el eorem gentrl del vmiteAF
Ejemplo. is muy hitul onsiderr que los ruidos lnos son gussinosF in ese soD si onsidermos
ruidos lnos gussinosD sus vriles no slo son inorreldsD sino que tmin son independientesF
Ejemplo.
e un proeso gussino X (t) dilmente estionrio on E [X (t)] = 4 y utoorrelin
RX ( ) = 25e3| | + 16. ysrvese que l utoorrelin @y l utoovrinzA deree rpidmente on

el pso del tiempoF i desemos rterizr l distriuin de proilidd de tres vFF del proesoD oservds en los instntes t0 , t1 = t0 +
1 2
y t2 = t1 +
1 2
= t0 + 1, neesitmos ls medisD E [X (ti )] = 4 y l mtriz de
ovrinzsD dd prtir de CX ( ) = 25e3| | F
25 25e6/2
25e3/2 25 25e3/2
25e6/2
CX (t0 ),X (t1 ),X (t2 ) = 25e3/2
25e3/2 . 25
elguns propieddes de inters de los proesos gussinosX n proeso gussino es independiente si y slo si C (ti , tj ) = 0 pr todo i = j. e X (t) un proeso gussinoF iste proeso es mrkovino si y slo si
CX (t1 , t3 ) =
pr ulesquier t1 < t2 < t3 F
CX (t1 , t2 ) CX (t2 , t3 ) , CX (t2 , t2 )
n proeso X (t) gussinoD entrdoD on inrementos independientes y estionrios es de wrkovF
11.4.3. Procesos de Poisson

il proeso de oisson es un modelo pr proesos de l vid rel que uentn ourrenis de un sueso lo lrgo del tiempoD denomindos por ello
procesos de recuentoF
elgunos de los ejemplos ms omunes en el mpo de ls eleomuniiones son el proeso que uent el nmero de llmds reiids en un entrlit telefni o el que uent el nmero de visits un pgin ifF in otros mitosD omo l psiD estos proesos pueden servirD por ejemploD pr ontilizr el nmero de prtuls emitids por un uerpoF
224
in tods ests pliionesD el proeso tendr l expresin
N (t) =
n=1
u (t T [n]) ,
donde T [n] es un proeso en tiempo disreto que represent el momento de l nsim llegd que uent el proeso y
0 si t < t 0 u (t t0 ) = 1 si t t 0
es l funin umrlF il
proceso de Poisson de parmetro es el proeso N (t) =
n=1
u (t T [n]) pr el ul l vFF T [n]
es un sum de n exponeniles independientes del mismo prmetro , lo que gener un distriuin de irlng de prmetros n y , on funin de densidd
fT [n] (t) =
elterntivmenteD puede deirse que
(t) et u (t) . (n 1)!
n1
llegadas,
el proceso de Poisson es aqul en el que los tiempos entre

[n] = T [n] T [n 1] ,
siguen siempre distribuciones exponenciales independientesa del mismo parmetro, esto es

f[n] (t) = et u (t) .
a Obsrvese por tanto que el proceso T [n] tiene incrementos independientes.
Ejemplo.
in l pigur IIFT se muestrn funiones muestrles de un proeso de oisson de prmetro
= 1F mos interpretr l funin muestrl de l izquierd pensndoD por ejemploD que represent
el nmero de visits un pgin ifX se oserv que poo depus de los tres minutos se hn ddo Q visitsY despus psn si S minutos sin ningun visitY ontinuin se produen un uen nmero de visits en poo tiempoY FFF i oservmos tn slo el eje del tiempoD podrmos selr los instntes en que se produen ls llegdsF emos que esos inrementos en el tiempo desde que se produe un llegd hst l siguiente siguen un distriuin exponenilD en este so de prmetro IF mos desriir lguns de ls propieddes ms interesntes de los proesos de oissonX e N (t) un proeso de oisson de prmetro F intonesD pr todo t se tiene que N (t) P (t)F v medi de un proeso de oisson de prmetro es N (t) = t. or tntoD el proeso de oisson no es estionrioF e N (t) un proeso de oisson de prmetro F intonesD el proeso tiene inrementos independientes
225
pigur IIFSX epresentin gr( de un funin muestrl de un pFF de oissonF y pr ulesquier t1 < t2 D el inremento N (t2 ) N (t1 ) sigue un distriuin de oisson de prmetro
(t2 t1 )F
e N (t) un proeso de oisson de prmetro . intones
CN (t1 , t2 ) = m n (t1 , t2 ) .
e N (t) un proeso de oisson de prmetro F intonesD pr ulesquier t1 < ... < tk D
fN (t1 ),...,N (tk ) (n1 , ..., nk ) nk nk1 n2 n1 1 1 n 2 2 k 2 1 e e ... e n1 ! (n2 n1 )! (nk nk1 )! si n1 ... nk , = 0 en otro so
donde i = (ti ti1 ) . il proeso de oisson es de wrkovF en N1 (t) pFF de oisson de prmetro 1 , N2 (t) pFF de oisson de prmetro 2 , mos indepenE dientesF intonesD N1 (t) + N2 (t) es un pFF de oisson de prmetro 1 + 2 F ist propiedd se onoe omo
propiedad aditivaF
e N (t) un pFF de oisson de prmetro F upongmos que de todos los eventos que uent el proesoD slo onsidermos un prte de ellosY onretmente los que presentn un rtersti que tiene proilidd p entre todos los eventosF in ese soD si notmos por Np (t) l proeso que uent
226
pigur IIFTX puniones muestrles de un proeso de oisson de prmetro IF los eventos on l rtersti ddD diho proeso es de oisson de prmetro p. ist propiedd se onoe omo
propiedad de descomposicinF
il tiempo W que trnsurre desde un instnte ritrrio t0 hst l siguiente disontinuidd de un proeso de oisson de prmetro es un vrile letori exponenil de prmetro D indepenE dientemente de l elein del punto t0 F ist propiedd prentemente prdji se onoe omo
propiedad de no memoria del proeso de oissonF ysrvese queD en reliddD est propiedd de no
memori lo es de l distriuin exponenilF
Ejemplo.
segundoF
is freuente onsiderr que el proeso que uent el nmero de prtuls emitids por un
mteril rditivo es un proeso de oissonF mos suponer por tntoD que estmos oservndo el omportmiento de un determindo mteril del que se onoe que emite rzn de prtuls por upongmos que se oserv el proeso que uent el nmero de prtuls emitids desde un instnte
t hst el instnte t + T0 F i en ese intervlo de tiempo se super un umrl de N0 prtulsD deer

sonr un sel de lrmF in ese soD l proilidd de que l lrm suene es
P [N (t + T0 ) N (t) > N0 ] =
k=N0 +1
eT0
(T0 ) =1 k!
N0
eT0
k=0
(T0 ) , k!
y que N (t + T0 ) N (t) P (T0 )F
Ejemplo.
il nmero de visits l pgin if de un empres que dese vender sus produtos
trvs de sxixi es deudmente desrito medinte un proeso de oissonF iendo que durnte un hor se reien un promedio de S visitsD
227
IF ul es l proilidd de que no se rei ningun visit en medi horc
P [N (0.5) = 0] = e50.5
pens un V 7 de proiliddF
(5 0.5) = 8.2085 102 , 0!
PF gul es el promedio de visits en S hors l ifc E [N (5)] = 5 5 = 25 visitas. QF v empres sore otr empres del setor y opt por estleer un enle diretmente desde l pgin de su (lil l propiD grntizndose que todos los lientes de l (lil visitn su pginF i el promedio de lientes que visitn l pgin de l (lil er de P lientes l horD ul es l proilidd de que trs l fusin no se rei ningun visit en IH minutosc el herse on los lientes de l otr empres @notemos por M (t) l proeso de oisson que ont sus visitsD de prmetro = 2 visitas/horaAD lo que h ourrido es que hor el nmero de visits l if de l empres es l sum de mos proesosX T (t) = N (t) + M (t) . uponiendo que los proesos de oisson que ontn ls visits ms empress fuern indeE pendientesD se tiene que T (t)D en virtud de l propiedd ditiv del proeso de oissonD es tmin un proeso de oissonD de prmetro = 5 + 2 = 7 visitas/horaF or tntoD
P T
un proilidd del QI 7F
1 6
=0 =e
7 1 6
1 7 6 0!
= 0.3114,
228
Bibliografa
gnvosD qF gF @IWVVA gnvosD qF gF @IWVVAF roilidd y istdstiF epliiones y wtodosF wqrwErillF heoreD tF vF @PHHRA heoreD tF vF @PHHRAF roilidd y estdsti pr ingenier y ienis @T ediinAF homsonF tohnsonD F eF @IWWUA tohnsonD F eF @IWWUAF roilidd y estdsti pr sngenieros @S ediinAF renE tie rllF veonEqriD eF veonEqriD eF @IWWRAF roility nd ndom roesses for iletril ingineering @Pnd editionAF eddisonEesleyF vipshutzD F 8 hillerD tF @PHHHA vipshutzD F 8 hillerD tF @PHHHAF sntroduin l roilidd y l istdstiF wqrwErillF wendenhlD 8 inihD F @IWWUA wendenhlD 8 inihD F @IWWUAF roilidd y istdsti pr sngenier y gienis @R ediinAF rentie rllF wontgomeryD hF gF 8 ungerD qF gF @PHHPA wontgomeryD hF gF 8 ungerD qF gF @PHHPAF roilidd y estdsti plids l sngenier @P ediinAF ileyF xvidiD F @PHHTA xvidiD F @PHHTAF istdsti pr ingenieros y ient(osF wqrwErillF ossD F wF @PHHSA ossD F wF @PHHSAF sntroduin l istdstiF iditoril evertF piegel et lF @PHIHA piegelD wF FD hillerD tF y rinivsnD F eF @PHIHAF roilidd y estdsti @Q ediinAD serie humF wqrwErillF lpoleD F i
et al
@IWWVA lpoleD F iFD wyersD F rF 8 wyersD F vF @IWWVAF roilidd y istdsti
pr sngenieros @T ediinAF rentie rllF
PPW
ndice alfabtico
exyeD ITV!IUH fonferroniD mtodo deD IUID IUP goe(iente de simetrD QI goe(iente de orrelin linelD IIPD IWS!IWWD PIP goe(iente de vriinD QHD QUD QV gontrste de hiptesisD IQRD IRW!ISP gontrste pr el oiente de vrinzsD ITU histriuin normlD VT histriuin norml multivrinteD IPHD PIW histriuin t de tudentD IQHD ISVD ITI!ITRD IWRD IWSD PHHD PHI histriuin uniformeD VP histriuiones ondiiondsD IHR irror tipo sD ISI!ISQD ISVD IUI
irror tipo ssD ISPD ISV gontrste pr l difereni de medisD ISWD ITHD ITP ispio muestrlD RQ!RSD RVD SHD SQD TID TPD IQU gontrste pr l difereni de proporionesD ITT istdstio de ontrsteD ISH!ISQD ISSD ISUD ISWD ITID gontrste pr l mediD ISTD ISV ITRD ITT!ITVD IUHD IUQD IVID IVRD IVSD IWV gontrste pr l vrinzD ITU gontrste pr proporinD ITR govrinzD IIP guntilD PUD WPD WQ htos ulittivosD PH htos untittivosD PID PPD PSD QR de ol pesdD QP istimdor puntulD IQRD IUSD IUT punin de utoorrelinD PIPD PIS punin de utoovrinzD PIID PIS punin de densiddD US!UVD VI!VRD VTD VVD WID WPD IPUD IPWD IQTD IQUD IQW punin de densidd onjuntD WW punin de distriuinD UT!UVD VQD VVD WQD IUW!IVI
hesviin tpi o estndrD PW!QID QUD TRD VHD VVD punin ms onjuntD WW IPVD IPWD IRSD ISU punin ms de proiliddD TPD TQD TVD UHD UID URD higrm de rrsD PPD PQD PSD QI VID WPD IPUD IQW higrm de js y igotesD QSD QTD QV higrm de setoresD PHD PI higrms de rrsD PH!PR histriuin inomilD TSD TTD TWD VUD WID IQV histriuin inomil negtivD UID UPD IQW histriuin 2 D IPW histriuin 2 D VSD IQHD IRTD ITUD IUHD IUUD IUVD IVRD IVS histriuin de oissonD TVD VQD VUD PPP histriuin exponenilD VP!VRD IRSD IVID PPID PPQ histriuin p de nedeorD IQHD IQID IUH histriuin qmmD VRD VSD IPWD IQVD IUWD PPI histriuin geomtriD UHD UID IQWD IUV histriuin mrginlD IHI PQH punin mediD PII punin muestrlD PHV ristogrmD PP!PSD PVD QHD QID QR!QUD UQ!USD UUD WHD WID IQTD IQU snorrelinD IIP sndependeni de suesosD RV!SHD SPD SQD TVD IVI sndependeni estdstiD PIQD PIR snsesgdezD IQR!IQUD IRV sntervlos de on(nzD IQRD IRP!IRVD PHH wtodo de los momentosD IQV!IRPD IUSD IUVD IVI wtodo de mxim verosimilitudD IQW!IRPD IRVD IUSD IVID IWH
wtriz de orrelionesD IIV wtriz de vrinzsEovrinzsD IIV wediD PSD TRD IQSD IST
rile letoriD TID TPD TSD VUD IPU!IPWD IQVD IQWD IRPD ISHD IVW rile letori ontinuD UQD UTD UV
wedi muestrlD PSD PTD PV!QID QRD TRD VID VUD IPVD rile letori disretD TP!TR rinz muestrlD PVD PWD TRD VID IPWD IQSD IQTD IRRD IPWD IQSD IRR!IRTD ISHD ISTD ITWD PIU wedi polionlD QRD TQD TRD UVD VHD VID WHD WID IPWD IQSD IRR!IRUD ISHD ISTD IWPD IWWD PHP wedinD PTD PVD QID QS wodD PTD QI ISTD ITPD ITUD ITW rinz polionlD TQD TRD UVD VHD VID IPWD IQR!IQTD IQVD IRR!IRVD ISTD ITUD IUHD IWQD PHPD PIP etor letorioD WV etor de medisD IIV
muestraD IS
wuestr letori simpleD PHD PWD QQD QTD QUD TQD TSD URD IVQD IWTD IWU xivel de on(nzD IRP!IRRD IRVD ISI!ISRD ISUD ISVD ITHD ITID IUID IUUD IUVD IVHD IVRD IWRD PHH yrtogonliddD IIP pEvlorD ISQD ISRD ISTD ISV!ITID ITRD ITT!ITVD IUI! IUQD IUT!IVID IVQD IVSD IWR erentilD PUD QRD QSD QUD QVD WP!WR roiliddD RID RPD RSD RUD RV roilidd ondiiondD RV!SH roeso letorioD PHV roeso letorio en tiempo ontinuoD PHW roeso letorio en tiempo disretoD PHW roeso dilmente estionrioD PIS roeso de wrkovD PISD PPH roeso de oissonD PPI roeso ergdioD PIV roeso gussinoD PIW roesos independientesD PIQ et de regresinD IWI uido lnoD PIW l de freuenisD PI eorem de fyesD SQ!SS eorem de l proilidd totlD SQ!SS est chi2 de ondd de justeD IUTD IUV est chi2 de independeniD IVI est de uolmogorovEmirno'D IUWD IWID IWPD IWTD IWV! PHP lores z D QRD WH
231

Estadistica PARA Ingenieros

Cargado por

Información del documento

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

Estadistica PARA Ingenieros

Cargado por

Copyright:

Formatos disponibles

Apuntes de Estadstica para Ingenieros

Versin 1.3, junio de 2012

Apuntes de Estadstica para Ingenieros

Versin 1.3 Junio de 2012

Dpto de Estadstica e I.O. Universidad de Jan

Prof. Dr. Antonio Jos Sez Castillo

Dpto de Estadstica e I.O. Universidad de Jan

4. Variable aleatoria. Modelos de distribuciones de probabilidad

Prof. Dr. Antonio Jos Sez Castillo

Apuntes de Estadstica para Ingenieros

5. Variables aleatorias con distribucin conjunta

III Inferencia estadstica

Dpto de Estadstica e I.O. Universidad de Jan

7. Estimacin de parmetros de una distribucin

8. Contrastes de hiptesis paramtricas

Prof. Dr. Antonio Jos Sez Castillo

Apuntes de Estadstica para Ingenieros

9. Contrastes de hiptesis no paramtricas

10.Regresin lineal simple

Dpto de Estadstica e I.O. Universidad de Jan

Prof. Dr. Antonio Jos Sez Castillo

Probabilidad y estadstica para ingeniera y cienciasD

sore todo por l tulidd de muhos

que inluyeD omo los dos nterioresD unos ejemplos y ejeriios

Dpto de Estadstica e I.O. Universidad de Jan

Prof. Dr. Antonio Jos Sez Castillo

1.1. Qu signica Estadstica?

in emrgoD el vlor rel de l omo

omo ieni tiene que ver muho ms on l primer y l terer

terero on lo que denominremos

donde lo que se pretende medinte l istdsti

1 http://buscon.rae.es/draeI/SrvltGUIBusUsual?LEMA=estad %C3 %ADstica

Dpto de Estadstica e I.O. Universidad de Jan

1.2. La Estadstica en el mbito de la Ciencia y la Ingeniera

1.2.1. Ejemplo de las capas de xido de silicio

ee y sewD IWWUXVUEIHRA desrie

1.2.2. Ejemplo de la bombilla de bajo consumo

Prof. Dr. Antonio Jos Sez Castillo

Apuntes de Estadstica para Ingenieros

gudro IFIX htos del espesor de ls ps de xido de siliio

Prof. Dr. Antonio Jos Sez Castillo

Dpto de Estadstica e I.O. Universidad de Jan

1.2.3. Ejemplo de los niveles de plomo

en PHHPD tituldo vehte from vnd hisE

1.2.4. Ejemplo de los cojinetes

1.2.5. Ejemplo de la absorcin de un compuesto a distintas dosis y en distintos tiempos de absorcin

Prof. Dr. Antonio Jos Sez Castillo

Apuntes de Estadstica para Ingenieros

1.2.6. Ejemplo de los accidentes laborales

1.2.7. Ejemplo de la cobertura de la antena de telefona mvil

de ese ruloD pero mo plsmr esoc or ejemploD

1.2.8. Ejemplo de la seal aleatoria

1.3. Deniciones bsicas

Dpto de Estadstica e I.O. Universidad de Jan

poblacin un onjunto de individuos o sosD ojetivo de nuestro intersF

odemos distinguir entre poliones tngiles y poliones oneptulesF n polin es

tangible si onst de elementos fsios reles que formn un onjunto (nitoF

variable o dato es un rtersti onret de un polinF

Prof. Dr. Antonio Jos Sez Castillo

dtos untittivosD dtos ulittivosD dtos disretosD dtos ontinuosD distriuin de

2.2. Tipos de datos

Dpto de Estadstica e I.O. Universidad de Jan

cualitativos o categricos se re(eren rterstis de l polin que no pueden soirse

ntiddes on signi(do numrioD sino rterstis que slo pueden lsi(rseF

1.1. Qu signica Estadstica?

en PHHPD tituldo vehte from vnd hisE

1.3. Deniciones bsicas

2.3. Mtodos grcos y numricos para describir datos cualitativos

2.4. Mtodos grcos para describir datos cuantitativos