NTC 2062-1 2008

NORMA TCNICA NTC
COLOMBIANA 2062-1

2008-05-28

ESTADSTICA.
VOCABULARIO Y SMBOLOS.
PARTE 1: TRMINOS ESTADSTICOS GENERALES Y
TRMINOS UTILIZADOS EN EL CLCULO DE
PROBABILIDADES

E: STATISTICS. VOCABULARY AND SYMBOLS. PART 1:
GENERAL STATISTIC TERMS AND TERMS USED IN
PROBABILITY.

CORRESPONDENCIA: esta norma es idntica por traduccin
(IDT) de la ISO 3534-1:2006.

DESCRIPTORES: estadstica - vocabulario; estadstica -
terminologa; estadstica - probabilidad.

I.C.S.: 03.120.30

Editada por el Instituto Colombiano de Normas Tcnicas y Certificacin (ICONTEC)
Apartado 14237 Bogot, D.C. - Tel. (571) 6078888 - Fax (571) 2221435

Prohibida su reproduccin Segunda actualizacin
Editada 2008-06-10

PRLOGO

El Instituto Colombiano de Normas Tcnicas y Certificacin, ICONTEC, es el organismo
nacional de normalizacin, segn el Decreto 2269 de 1993.

ICONTEC es una entidad de carcter privado, sin nimo de lucro, cuya Misin es fundamental
para brindar soporte y desarrollo al productor y proteccin al consumidor. Colabora con el
sector gubernamental y apoya al sector privado del pas, para lograr ventajas competitivas en
los mercados interno y externo.

La representacin de todos los sectores involucrados en el proceso de Normalizacin Tcnica
est garantizada por los Comits Tcnicos y el perodo de Consulta Pblica, este ltimo
caracterizado por la participacin del pblico en general.

La NTC 2062-1 (Segunda actualizacin) fue ratificada por el Consejo Directivo de 2008-05-28.

Esta norma est sujeta a ser actualizada permanentemente con el objeto de que responda en
todo momento a las necesidades y exigencias actuales.

A continuacin se relacionan las empresas que colaboraron en el estudio de esta norma a
travs de su participacin en el Comit Tcnico 4 Aplicacin de mtodos estadsticos.

CHALLENGER S.A.
COMPAA COLOMBIANA DE CERMICAS
S.A. -COLCERMICA-
COMPAA NACIONAL DE CHOCOLATES S.A.
GLOBAL PLASTIK S.A.
INDUSTRIA DE ALIMENTOS ZEN S.A.
INDUSTRIAS HUMCAR LTDA.
SIKA COLOMBIA S.A.
UNIVERSIDAD PEDAGGICA NACIONAL

Adems de las anteriores, en Consulta Pblica el Proyecto se puso a consideracin de las
siguientes empresas:

ACERAS DE CALDAS S.A. -ACASA-
ACERAS PAZ DEL RO S.A.
ALPINA PRODUCTOS ALIMENTICIOS S.A.
ALMACENAMIENTO Y TRANSPORTE
ESPECIALIZADO LTDA. -ALTE LTDA-
ANHDRIDOS Y DERIVADOS DE COLOMBIA
S.A. -ANDERCOL-
ASEO TCNICO S.A.
ASOCOLCAUCHOS
ASOCRETO
ATLANTIC MINERALS AND PRODUCTS
CORPORATION
ATOFINA COLOMBIA S.A.
BAVARIA S.A.
CABLES DE ENERGA Y DE
TELECOMUNICACIONES S.A. -CENTELSA-
CALZADO ATLAS S.A.
CARBOQUMICA S.A.
CENTRO TECNOLGICO PARA LAS
INDUSTRIAS DEL CALZADO, CUERO Y
AFINES -CEINNOVA-
CEMENTOS DEL VALLE S.A.
CODENSA S.A. ESP
COLOMBIANA DE AUTO PARTES S.A.
COLOMBIANA DE EXTRUSIN S.A.
-EXTRUCOL-
COMPAA COLOMBIANA DE TABACO S.A.
-COLTABACO-
COMPAA DE GALLETAS NOEL S.A.
COMPAA NACIONAL DE LEVADURAS
-LEVAPN S.A.-
CONCONCRETO S.A.
CORPACERO- CORPORACIN DE ACERO
COTECMAR - CORPORACIN DE CIENCIA Y
TECNOLOGA PARA EL DESARROLLO DE LA
INDUSTRIA NAVAL, MARTIMA Y FLUVIAL

CRISTALERA PELDAR S.A.
CYGA
DOCTOR CALDERN ASISTENCIA TCNICA
AGRCOLA LTDA.
EMPRESA COLOMBIANA DE PETRLEOS
S.A.-ECOPETROL-
ECSI S.A.
EDITORIAL VOLUNTAD S.A.
ELECTROMANUFACTURAS S.A.
ELGMA SISTEMAS DE COLOMBIA LTDA-
EMPRESA DE ACUEDUCTO Y
ALCANTARILLADO DE BOGOT ESP
EMPRESAS PBLICAS DE MEDELLN
S.A. ESP
ENZIPAN DE COLOMBIA LTDA.
ESCOBAR Y MARTNEZ S.A.
ESCUELA COLOMBIANA DE INGENIERA
ETERNA S.A.
EXXON MBIL DE COLOMBIA S.A.
FINCA S.A.
FRIGORFICO GUADALUPE S.A.
FRIGORFICO SUIZO S.A.
FUNDACIN CENTRO DE CALIDAD Y
METROLOGA
GAS NATURAL S.A. ESP
INALCEC - CORPORACIN INSTITUTO
NACIONAL DE CONSULTORA EN CALIDAD
INDEPENDIENTE FERNANDO NGEL
INDEPENDIENTE HERNN DARO LZATE
INDEPENDIENTE JAIRO NGEL
INDEPENDIENTE JULIO GARCA SAMPEDRO
INDUSTRIA COLOMBIANA DE
ELECTRNICOS Y ELECTRODOMSTICOS
S.A. -INCELT S.A.-
INDUSTRIA COLOMBIANA DE LLANTAS
S.A. -ICOLLANTAS-
INDUSTRIA FARMACUTICA SYNTOFARMA
S.A.
INDUSTRIAS ALIADAS S.A.
INGENIERA DE DESARROLLO Y
TECNOLOGA -IDT LTDA-
INGENIO PICHICH S.A.
INSTITUTO COLOMBIANO AGROPECUARIO
-ICA-
INSTITUTO COLOMBIANO DE
PRODUCTORES DE CEMENTO -ICPC-
INSTITUTO NACIONAL DE SALUD -INS-
INVESA S.A.
IVONNE BERNIER LABORATORIO LTDA

LARKIN LTDA.
LHAURAVET LTDA.
MATRICES, TROQUELES Y MOLDES CA
LTDA.
MERCADEO DE ALIMENTOS DE
COLOMBIA S.A. -MEALS S.A.-
METALRGICA CONSTRUCEL COLOMBIA
S.A. -METACOL-
MINERALES INDUSTRIALES S.A.
MOLINO EL LOBO LTDA
MONMEROS COLOMBO VENEZOLANOS
E.M.A.
NUTRIANLISIS LTDA.
PAPELERA MNACO LTDA.
PARABOR COLOMBIA LTDA.
PETROQUMICA COLOMBIANA S.A.
POSTOBN S.A.
PRODUCTORES DE ENVASES
FARMACUTICOS S.A. -PROENFAR-
PROFICOL S.A.
QUIMIA LTDA.
RAZA S.A.
RENTASISTEMAS LTDA.
RONELLY S.A.
SCHNEIDER ELECTRIC DE COLOMBIA S.A.
SENA CENTRO NACIONAL TEXTIL
SENA CENTRO NACIONAL DE LA MADERA
SENA REGIONAL BOGOT
SIEMENS S.A.
SOCIEDAD DE ACUEDUCTO
ALCANTARILLADO Y ASEO DE B/QUILLA
E.S.P. - TRIPLE A
SYNGENTA S.A.
TECNOLOGA EMPRESARIAL DE
ALIMENTOS S.A.
THOMAS GREG & SONS DE COLOMBIA
S.A. IMPRESOR DE VALORES
TRANSPORTES VIGA S.A.
UNIVERSIDAD DE ANTIOQUIA
UNIVERSIDAD DE BOYAC -UNIBOYAC-
UNIVERSIDAD DEL VALLE
UNIVERSIDAD JORGE TADEO LOZANO
UNIVERSIDAD MANUELA BELTRN
UNIVERSIDAD NACIONAL DE COLOMBIA
SEDE-MEDELLIN
UNIVERSIDAD NACIONAL DE COLOMBIA,
BOGOT - REVISTA COLOMBIANA DE
ESTADSTICA

ICONTEC cuenta con un Centro de Informacin que pone a disposicin de los interesados
normas internacionales, regionales y nacionales y otros documentos relacionados.

DIRECCIN DE NORMALIZACIN

NORMA TCNICA COLOMBIANA NTC 2062-1 (Segunda actualizacin)

CONTENIDO

Pgina

0. INTRODUCCIN..........................................................................................................1

1. OBJETO.......................................................................................................................2

2. TRMINOS ESTADSTICOS GENERALES................................................................2

3. TRMINOS USADOS EN PROBABILIDAD..............................................................20

DOCUMENTO DE REFERENCIA..........................................................................................60

ANEXOS

ANEXO A (Informativo)
SMBOLOS.............................................................................................................................45

ANEXO B (Informativo)
DIAGRAMA DE CONCEPTOS ESTADSTICOS...................................................................46

ANEXO C (Informativo)
DIAGRAMA DE CONCEPTOS DE PROBABILIDAD............................................................52

ANEXO D (Informativo)
METODOLOGA USADA EN EL DESARROLLO DEL VOCABULARIO.............................56

TABLAS

Tabla 1. Resultados para el ejemplo 1..................................................................................9

Tabla 2. Ejemplo de distribucin binomial.........................................................................26

Tabla 3. Ejemplo de distribucin normal estandarizada...................................................26

Tabla 4. Ejemplo de distribucin hipergeomtrica............................................................37


1 de 60

ESTADSTICA.
VOCABULARIO Y SMBOLOS.
PARTE 1: TRMINOS ESTADSTICOS GENERALES Y TRMINOS
UTILIZADOS EN EL CLCULO DE PROBABILIDADES

0. INTRODUCCIN

Las versiones vigentes de la NTC 2062-1 (ISO 3534-1) y de la NTC 2062-2 (ISO 3534-2) estn
propuestas para ser compatibles. Ellas comparten el objetivo comn de restringir sus niveles
matemticos respectivos a los mnimos necesarios para alcanzar definiciones concisas,
coherentes y correctas. La Parte 1 sobre los trminos usados en probabilidad y estadstica es
fundamental, tambin por necesidad, que est presentada en un nivel matemtico un poco
complejo. Reconociendo que los usuarios de la NTC 2062-2 (ISO 3534-2) o de otras
normas de estadstica aplicada pueden consultar ocasionalmente esta primera parte de la
NTC 2062 (ISO 3534) para la definicin de ciertos trminos, algunos de stos son descritos de
una manera menos tcnica en las notas y son ilustrados con ejemplos. Aunque estas
descripciones informales no substituyen las definiciones formales, pueden suministrar una
definicin tcnica de conceptos para un principiante, sirviendo a las necesidades de los
mltiples usuarios de estas normas de terminologa. Para hacer esta primera parte de la
NTC 2062 (ISO 3534) ms accesible al usuario aplicado, quien normalmente estara
involucrado con normas tales como la NTC 2062-2 (ISO 3534-2) o la serie NTC 3529 (ISO 5725), se
ofrecen, por ejemplo, notas y ejemplos adicionales.

Para el desarrollo y uso efectivo de normas de estadstica es esencial una serie bien definida y
razonablemente completa de trminos de probabilidad y estadstica. Las definiciones
suministradas aqu deben ser suficientemente precisas y de complejidad matemtica para que
los desarrolladores de normas de estadstica sean capaces de evitar ambigedades. De hecho,
se pueden encontrar en libros de texto de estadstica y de probabilidad explicaciones ms
detalladas de conceptos, de sus contextos y de sus campos de aplicacin.

En un anexo informativo se suministran los diagramas de concepto para cada grupo de trminos: 1)
trminos estadsticos generales (en el Anexo B), y 2) trminos usados en probabilidad (en el Anexo C).
Hay seis diagramas de concepto para trminos estadsticos y cuatro diagramas de concepto para
trminos relacionados con probabilidad. Algunos trminos aparecen en diagramas mltiples que
suministran una relacin entre una serie y otra de conceptos. El Anexo D suministra una introduccin
breve sobre los Diagramas de Concepto y su interpretacin.

Estos diagramas fueron herramientas en la construccin de esta revisin ya que ayudaron en el
delineamiento de las interrelaciones de varios trminos. Estos diagramas son tambin tiles en
la traduccin de la norma a otros idiomas.


2
Como comentario general con respecto a gran parte de la norma, a menos que se indique de
otra manera, las definiciones relacionan el caso unidimensional (de una variable). Se admite
esta disposicin para eliminar la necesidad de mencionar repetitivamente el objeto
unidimensional para la mayora de las definiciones.

1. OBJETO

Esta norma define trminos estadsticos generales y trminos usados en el clculo de
probabilidades, que se pueden usar para la redaccin de otras normas. Adems, define los
smbolos para un nmero limitado de estos trminos.

Los trminos estn clasificados bajo los siguientes ttulos:

- Trminos estadsticos generales (vase el numeral 2).

- Trminos usados en clculo de probabilidades (vase el numeral 3).

El Anexo A suministra una lista de smbolos y abreviaturas recomendados para uso con esta
norma.

Las entradas de esta primera parte de la NTC 2062 (ISO 3534) estn organizadas en asociacin
con los diagramas de conceptos presentados en los Anexos B y C.

2. TRMINOS ESTADSTICOS GENERALES

2.1 Poblacin (Population). Totalidad de los elementos bajo consideracin.

NOTA 1 Una poblacin puede ser real y finita, real e infinita o completamente hipottica. Algunas veces el trmino
"poblacin finita", especialmente en muestreo de muestreo por encuestas. Igualmente, el trmino "poblacin infinita"
se usa en el contexto de muestreo continuo. En el numeral 2 la poblacin se considerar en un contexto
probabilstico como el espacio muestral (vase el numeral 3.1).

NOTA 2 Una poblacin hipottica permite imaginar la naturaleza de datos futuros con base en diferentes hiptesis.
En consecuencia, las poblaciones hipotticas son tiles en la etapa de diseo de las investigaciones estadsticas,
particularmente para determinar tamaos de muestra apropiados. Una poblacin hipottica puede tener un nmero
finito o infinito. Es un concepto particularmente til en estadstica inferencial para ayudar a evaluar la solidez de la
evidencia en una investigacin estadstica.

NOTA 3 El contexto de una investigacin puede determinar la naturaleza de la poblacin. Por ejemplo, si se
seleccionan tres poblaciones para un estudio demogrfico o de salud, entonces la poblacin consiste en los
residentes de estos poblaciones en particular. Como alternativa, si las tres poblaciones fueron seleccionadas
aleatoriamente de los poblaciones de una regin especfica, entonces la poblacin estara compuesta de todos los
residentes de la regin.

2.2 Unidad de muestreo (Sampling Unit). Una de las partes individuales en las que est
dividida una poblacin (vase el numeral 2.1).

NOTA Dependiendo de las circunstancias, la parte de inters ms pequea puede ser un individuo, una familia, un
distrito escolar, una unidad administrativa, etc.

2.3 Muestra (Sample). Subconjunto de una poblacin (vase el numeral 2.1) compuesto de
una o ms unidades de muestreo (vase el numeral 2.2).

NOTA 1 Las unidades de muestreo pueden ser elementos, valores numricos o incluso entidades abstractas que
dependen de la poblacin de inters.


3
NOTA 2 La definicin de muestra de la NTC 2062-2 (ISO 3534-2) incluye un ejemplo de base de muestreo que es
esencial al tomar una muestra aleatoria de una poblacin finita.

2.4 Valor observado (Observed Value). Valor obtenido de una propiedad asociada con un
elemento de una muestra (vase el numeral 2.3).

NOTA 1 Los sinnimos comunes son "resultado" y "dato".

NOTA 2 La definicin no especifica el origen ni la forma en la que se ha obtenido este valor. El valor puede
representar un resultado de una variable aleatoria (vase el numeral 2.10), pero no de manera exclusiva. Puede
ser uno de varios de estos valores que sern sometidos posteriormente a anlisis estadstico. Aunque las inferencias
apropiadas requieren alguna sustentacin estadstica, no hay nada que impida elaborar resmenes o descripciones
grficas de los valores observados. Slo en el caso de aspectos concomitantes, tales como la determinacin de la
probabilidad de observar un conjunto especfico de realizaciones, los mecanismos estadsticos llegan a ser tanto
pertinentes como esenciales. La etapa preliminar de un anlisis de valores observados se denomina comnmente
anlisis de datos.

2.5 Estadstica descriptiva (Descriptive Statistics). Descripcin grfica, numrica u otro
anlisis de sntesis de los valores observados (vase el numeral 2.4).

EJEMPLO 1 Los resmenes numricos incluyen el promedio (vase el numeral 2.15), rango (vase el numeral 2.10),
desviacin estndar de la muestra (vase el numeral 2.17), entre otros.

EJEMPLO 2 Los ejemplos de resmenes grficos incluyen grficos de cajas, diagramas, grficos Q-Q, diagramas
de cuantila normal, diagramas de dispersin mltiple e histogramas.

2.6 Muestra aleatoria (Random Sample). Muestra (vase el numeral 2.3) que ha sido seleccionada
usando un mtodo de seleccin aleatoria.

NOTA 1 Esta definicin es menos limitante que la presentada en la NTC 2062-2 (ISO 3534-2) y prev poblaciones
infinitas.

NOTA 2 Cuando la muestra de n unidades de muestreo se selecciona de un espacio muestral (vase el numeral 2.1)
finito, cada uno de cuyas combinaciones posibles de n unidades de muestreo tendr una probabilidad particular (vase el
numeral 3.5) de ser tomada. Para los planes de muestreo por encuesta, la probabilidad particular para cada combinacin
posible se puede calcular por adelantado.

NOTA 3 Para muestreo por encuesta de un espacio muestral finito, se puede seleccionar una muestra aleatoria
mediante diferentes planes de muestreo tales como muestreo aleatorio estratificado, muestreo aleatorio sistemtico,
muestreo por etapas mltiples, muestreo con probabilidad de muestreo proporcional al tamao de una variable
auxiliar y muchas otras posibilidades.

NOTA 4 La definicin generalmente hace referencia a valores observados reales (vase el numeral 2.4). Estos
valores observados se consideran como resultados de variables aleatorias (vase el numeral 2.10), en donde cada
valor observado corresponde a una variable aleatoria. Cuando los estimadores (vase el numeral 2.12), las
estadsticas de ensayo para pruebas estadsticas (vase el numeral 2.48) o intervalos de confianza (vase el
numeral 2.28) se obtienen de una muestra aleatoria, la definicin hace referencia a las variables aleatorias que
surgen de entidades abstractas en la muestra, y no a los valores reales observados de estas variables aleatorias.

NOTA 5 Las muestras aleatorias de poblaciones infinitas se generan con frecuencia mediante tomas repetidas del
espacio muestral, lo que conduce a una muestra compuesta de variables aleatorias distribuidas en forma idntica
usando la interpretacin de esta definicin mencionada en la Nota 4.

2.7 Muestra aleatoria simple (Simple Random Sample). <Poblacin finita> muestra aleatoria
(vase el numeral 2.6), tal que cada subconjunto de un tamao dado tiene la misma probabilidad
de seleccin.

NOTA Esta definicin concuerda con la definicin dada en la NTC 2062-2 (ISO 3534-2), aunque la redaccin aqu
es ligeramente diferente.


4
2.8 Estadstico (Statistic). Funcin completamente especificada de variables aleatorias
(vase el numeral 3.10).

NOTA 1 Un estadstico es una funcin con variables aleatorias en una muestra aleatoria (vase el numeral 2.6),
en el sentido indicado en la Nota 4 del numeral 2.6.

NOTA 2 Con referencia a la Nota 1, si {X
1
, X
2
, ..., X
n
} es una muestra aleatoria de una distribucin normal (vase
el numeral 3.50) con una media desconocida (vase el numeral 3.35) y la desviacin estndar desconocida
(vase el numeral 3.37) , entonces la expresin (X
1
+, X
2
+ ... + X
n
)/n es una funcin estadstica, la media de la
muestra (vase el numeral 2.15), mientras que [(X
1
+ X
2
, .+.., X
n
)/n] - no es un estadstico, ya que involucra el valor
desconocido del parmetro (vase el numeral 3.9) .

NOTA 3 La definicin dada aqu es tcnica, corresponde al tratamiento encontrado en estadstica matemtica.
En aplicaciones, la palabra estadstica puede hacer referencia a la disciplina tcnica que involucra las actividades de
anlisis descritas en las normas internacionales del comit ISO/TC 69.

2.9 Estadstico de orden (Order Statistic). Estadstico (vase el numeral 2.8) determinado por su
jerarquizacin en un orden no decreciente de variables aleatorias (vase el numeral 3.10).

EJEMPLO Sean los valores observados de una muestra 9, 13, 7, 6, 13, 7, 19, 6, 10 y 7. Los valores observados del
estadstico de orden son 6, 6, 7, 7, 7, 9, 10, 13, 13, 19. Estos valores constituyen resultados de X
(1)
a X
(10)
.

NOTA 1 Sean los valores observados (vase el numeral 2.4) de una muestra aleatoria (vase el numeral 2.6) {X
1
,
X
2
, ..., X
n
}, clasificados en un orden no decreciente designado como x
(1)
... x
(k)
... x(n). Entonces (x
(1)
, x
(k), ...
x(
n)
)

es el
valor observado del estadstico de orden (X
(1)
, ... X
(k), ...,
X
(nk)
) y x
(k
) es el valor observado de la estadstica de orden (X
(1), ... ,
X
(k)
, ..., X
(n)
y x
(k)
es el valor observado del estadstico de orden k
simo.

NOTA 2 En trminos prcticos, el estadstico de orden para un conjunto de datos se obtiene ordenando los datos
como se describe formalmente en la Nota 1. La forma ordenada del conjunto de datos permite obtener estadsticas
resumidas tiles como se describe en las siguientes definiciones.

NOTA 3 Los estadsticos de orden involucran valores de muestra identificados por su posicin despus de
jerarquizar en orden no decreciente. Como en el ejemplo, es ms fcil entender la clasificacin de los valores de
muestra (resultados de variables aleatorias) que la clasificacin de las variables aleatorias no observadas. Sin
embargo, es posible concebir variables aleatorias de una muestra aleatoria (vase el numeral 2.6), dispuestas en
un orden no decreciente. Por ejemplo, el mximo de n variables aleatorias se puede estudiar antes de su valor
resultante.

NOTA 4 Un estadstico de orden individual es un estadstico que es una funcin completamente especificada de
una variable aleatoria. Esta funcin es simplemente la funcin de identidad con la identificacin de la posicin o
rango en el conjunto ordenado de variables aleatorias.

NOTA 5 Los valores ligados presentan un problema potencial, especialmente para variables discretas aleatorias y
para resultados que se expresan con una resolucin baja. La palabra "no decreciente" se usa en vez de
"ascendente" como un enfoque sutil del problema. Se debe enfatizar que los valores ligados se conservan y no se
agrupan en un solo valor ligado. En el ejemplo anterior, los dos resultados de 6 y 6 son valores ligados.

NOTA 6 El ordenamiento ocurre con referencia a la lnea real y no a los valores absolutos de las variables
aleatorias.

NOTA 7 El conjunto completo de estadsticos de orden consta de una variable aleatoria dimensional n, en donde n
es el nmero de observaciones en la muestra.

NOTA 8 Los componentes del estadstico de orden tambin se designan como estadsticos de orden, pero con un
calificativo que da el nmero de la secuencia de los valores ordenados de la muestra.

NOTA 9 El tamao mnimo de muestra, el mximo, y para los tamaos de muestra impares, la mediana de la
muestra (vase el numeral 2.13), son casos especiales de estadsticos de orden. Por ejemplo, para un tamao de
muestra 11, X
(1)
es el mnimo, X
(11)
es el mximo y X
(6)
es la mediana de la muestra.

2.10 Rango de la muestra (Sample Range). El mayor estadstico de orden (vase el numeral 2.9)
menos el estadstico de menor orden.

EJEMPLO Retomando el ejemplo del numeral 2.9, el rango de la muestra observado es 19 - 6 = 13.


5
NOTA En control estadstico de procesos, el rango de la muestra se usa con frecuencia para monitorear la
dispersin durante el tiempo de un proceso, particularmente cuando los tamaos de muestra son relativamente
pequeos.

2.11 Rango medio (Mid-Range). Promedio (vase el numeral 2.15) de los estadsticos de
orden (vase el numeral 2.9) menor y mayor.

EJEMPLO El rango medio observado para los valores del ejemplo en 2.9 es (6 + 19)/2 = 12,5.

NOTA El rango medio brinda una evaluacin rpida y simple de la mitad de un pequeo conjunto de datos.
2.12 Estimador (Estimator)
. Estadstico (vase el numeral 2.8) usado en la estimacin

(vase el numeral 2.36) del parmetro .

NOTA 1 Un estimador puede ser la media de la muestra (vase el numeral 2.15) prevista para estimar la media
de la poblacin (vase el numeral 3.35), que se puede denotar mediante . Para una distribucin (vase el numeral 2.11)
tal como la distribucin normal (vase el numeral 2.50), el estimador "natural" de la media de la poblacin es la media
de la muestra.

NOTA 2 Para estimar una propiedad de la poblacin [por ejemplo, la moda (vase el numeral 2.27) para una
distribucin con una variable (vase el numeral 2.16)], un estimador apropiado puede estar en funcin del (los)
estimador(es) del (los) parmetro(s) de una distribucin o pueden ser una funcin compleja de una muestra
aleatoria (vase el numeral 2.6).

NOTA 3 El trmino "estimador" se usa aqu en un sentido amplio. Incluye el estimador puntual de un parmetro, al
igual que el estimador por intervalos, utilizado eventualmente para prediccin (algunas veces se denomina
predictor). El estimador tambin puede incluir funciones tales como los estimadores tipo ncleo y otras funciones
estadsticas con propsito especial. En las notas del numeral 2.36 se suministran comentarios adicionales.

2.13 Mediana de la muestra (Sample Median). Estadstico de orden [(n+1)/2]-simo (vase el
numeral 2.9) si el tamao de la muestra (vase la NTC 2062-2 (ISO 3534-2), numeral 2.2.26) n es
impar; la suma del estadstico de orden (n/2)-simo y [(n/2) + 1]-simo dividido por 2, si el tamao de
la muestra n es par.

EJEMPLO Continuando con el ejemplo del numeral 2.9, el valor de 8 es el resultado de la mediana de la muestra.
En este caso (tamao de muestra par de 10), los valores quinto y sexto fueron 7 y 9, cuyo promedio es igual a 8. En
la prctica, esto se reportara como "la mediana de la muestra es 8", aunque estrictamente hablando, la mediana de
la muestra se define como una variable aleatoria.

NOTA 1 Para una muestra aleatoria (vase el numeral 2.6) de tamao de muestra n cuyas variables aleatorias
(numeral 2.10) estn dispuestas en orden no descendente desde 1 hasta n, la mediana de la muestra es la variable
aleatoria (n+1)/2-sima si el tamao de la muestra es impar. Si el tamao de la muestra n es par, entonces la
mediana de la muestra es el promedio de las variables aleatorias (n/2)-sima y (n+1)/2-sima.

NOTA 2 Conceptualmente, puede parecer imposible realizar un ordenamiento de variables aleatorias que no han
sido observadas an. No obstante, la estructura para comprender los estadsticos de orden se puede establecer de
manera que al llevar a cabo la observacin es posible realizar el anlisis. En la prctica se obtienen los valores
observados y mediante la clasificacin de los valores se obtienen los resultados del estadstico de orden. Estos
resultados se pueden interpretar entonces a partir de la estructura de los estadsticos de orden de una muestra
aleatoria.

NOTA 3 La mediana de la muestra suministra un estimador de la mitad de una distribucin, con la mitad de la
muestra a cada lado de ella.

NOTA 4 En la prctica, la mediana de la muestra es til para brindar un estimador que sea insensible a valores
muy extremos en un conjunto de datos. Por ejemplo, los ingresos medianos y los precios medianos de las viviendas
se reportan con frecuencia como valores resumidos.

2.14 Momento de la muestra de orden k (Sample Moment of Order k). E(X
k
). Suma de la
potencia k
sima
de las variables aleatorias (vase el numeral 2.10) en una muestra aleatoria
(vase el numeral 2.6) dividida por el nmero de observaciones en la muestra (vase el
numeral 2.3).


6
NOTA 1 Para una muestra aleatoria del tamao de la muestra n, es decir, {X
1
, X
2
,... X
n
}, el momento de la muestra
de orden k, E(X
k
) es

=
n
i
K
i
X
n
1
1

NOTA 2 Adems, este concepto se puede describir como el momento de la muestra de orden k en relacin con
cero.

NOTA 3 El momento de la muestra de orden 1 se ver en la definicin siguiente como la media de la muestra

NOTA 4 Aunque la definicin se da para k arbitrario, los ejemplos usados comnmente en la prctica involucran a
k = 1 [media de la muestra (vase el numeral 2.15)], k= 2 [asociado con la varianza de la muestra] (vase el
numeral 2.16) y la desviacin estndar de la muestra (vase el numeral 2.17)], k= 3 (relacionado con el
coeficiente de asimetra de la muestra (vase el numeral 2.20)] y k = 4 [relacionado con el coeficiente de
curtosis de la muestra (vase el numeral 2.21)].

NOTA 5 La "E" en E (X
k
) proviene del "valor esperado" o "expectativa" de la variable aleatoria X.

2.15 Media de la muestra, promedio, media aritmtica (Sample Mean, Average, Arithmetic
Mean). Suma de las variables aleatorias (vase el numeral 3.10) en una muestra aleatoria
(vase el numeral 2.6), dividida por el nmero de trminos de la suma.

EJEMPLO Continuando con el ejemplo del numeral 2.9, el resultado de la media de la muestra es 9,7 ya que la
suma de los valores observados es 97 y el tamao de la muestra es 10.

NOTA 1 Considerada como un estadstico, la media de la muestra es una funcin de las variables aleatorias de
una muestra aleatoria en el sentido dado en la Nota 3 del numeral 2.8. Se debe diferenciar este estimador del valor
numrico de la media de la muestra calculada de los valores observados (vase el numeral 2.4) en la muestra
aleatoria.

NOTA 2 La media de la muestra considerada como un estadstico se usa con frecuencia como un estimador de la
media (vase el numeral 3.35) de la poblacin. Un sinnimo comn es media aritmtica.

NOTA 3 Para una muestra aleatoria de un tamao de muestra n, es decir, {X
1
, X
2
,..., X
n
}, la media de la muestra es:

=
n
i
K
i
X
n
X
1
1

NOTA 4 La media de la muestra se puede reconocer como el momento de la muestra de orden 1.

NOTA 5 Para un tamao de muestra 2, la media de la muestra, la mediana de la muestra (vase el numeral 2.13) y el
rango medio (vase el numeral 2.11) son los mismos.

2.16 Varianza de la muestra (Sample Variance), S
2
. Suma de las desviaciones al cuadrado de
variables aleatorias (vase el numeral 3.10) en una muestra aleatoria (vase el numeral 2.6)
respecto a su media de la muestra (vase el numeral 2.15), dividida por el nmero de trminos en
la suma, menos uno.

EJEMPLO Continuando con el ejemplo numrico del numeral 2.9, la varianza de la muestra se puede calcular
como 17,57. La suma de los cuadrados en relacin con la media de la muestra observada es 158,10 y el tamao de
la muestra 10 menos 1 es 9, lo que da un denominador apropiado.

NOTA 1 Considerada como un estadstico (vase el numeral 2.8), la varianza de la muestra S
2
es una funcin de las variables
aleatorias de una muestra aleatoria. Es necesario diferenciar este estimador (vase el numeral 2.12) del valor numrico de la
varianza de la muestra calculada de los valores observados (vase el numeral 2.4) en la muestra aleatoria. El valor numrico se
denomina varianza emprica de la muestra o varianza observada de la muestra y se designa usualmente por s
2
.

NOTA 2 Para una muestra aleatoria de tamao de muestra, n, es decir, {X
1
, X
2
, ..., X
n
,) con la media de la muestra
X , la
varianza de la muestra es:


7

=
n
i
i
X X
n
S
1
2 2
) (
1
1

NOTA 3 La varianza de la muestra es una funcin estadstica que es "casi" el promedio de los cuadrados de las
desviaciones de las variables aleatorias (vase el numeral 3.10) respecto a su media de muestra (solo "casi", ya
que n - 1 se usa en vez de n en el denominador). Al utilizar n - 1 se obtiene un estimador sin sesgo (vase el
numeral 2.34) de la varianza de la poblacin (vase el numeral 3.36).

NOTA 4 La cantidad n - 1 se conoce como los grados de libertad (vase el numeral 3.54).

NOTA 5 La varianza de la muestra se puede reconocer como el segundo momento de la muestra de las variables
aleatorias normalizadas de la muestra (vase el numeral 2.19).

2.17 Desviacin estndar de la muestra, S. (Sample Standard Deviation, S). Raz cuadrada
no negativa de la varianza de la muestra (vase el numeral 2.16).

EJEMPLO Continuando con el ejemplo numrico del numeral 2.9, la desviacin estndar de la muestra observada
es 4,192, ya que la varianza de la muestra observada es 17,57.

NOTA 1 En la prctica, la desviacin estndar de la muestra se usa para estimar la desviacin estndar
(vase el numeral 3.37). De nuevo, es conveniente hacer nfasis en que S tambin es una variable aleatoria (vase
el numeral 3.10) y no un resultado de una muestra aleatoria (vase el numeral 2.6).

NOTA 2 La desviacin estndar de la muestra es una medida de la dispersin de una distribucin (vase el
numeral 3.11).

2.18 Coeficiente de variacin de la muestra (Sample Coefficient of Variation). Desviacin
estndar de la muestra (vase el numeral 2.17) dividida por la media de la muestra (vase el
numeral 2.15).

NOTA Al igual que con el coeficiente de variacin (vase el numeral 3.38), la utilidad de esta funcin
estadstica est limitada a poblaciones que se valoran positivamente. El coeficiente de variacin se reporta
comnmente como un porcentaje.

2.19 Variable aleatoria normalizada de la muestra (Standardized Sample Random Variable).
Variable aleatoria (vase el numeral 3.10) menos su media de la muestra (vase el
numeral 2.15), dividida por la desviacin estndar de la muestra (vase el numeral 2.17).

EJEMPLO Para el ejemplo del numeral 2.9, la media de la muestra observada es 9,7 y la desviacin estndar de la
muestra observada es 4,192. En consecuencia, las variables aleatorias normalizadas (a dos lugares decimales) son:
-0,17; 0,79; -0,64; -0,88; 0,79; -0,64; 2,22; - 0,88; 0,07; - 0,62.

NOTA 1 La variable aleatoria normalizada de la muestra se diferencia de su contraparte terica la variable
aleatoria normalizada (vase el numeral 3.33). La intencin de la normalizacin es transformar variables aleatorias
con el fin de obtener medias iguales a cero y desviaciones estndar unitarias, y facilitar la interpretacin y la
comparacin.

NOTA 2 Los valores observados normalizados tienen una media observada de cero y una desviacin estndar
observada de 1.

2.20 Coeficiente de asimetra de la muestra (Sample Coefficient of Skewness). Media
aritmtica de la tercera potencia de las variables aleatorias normalizadas de la muestra
(vase el numeral 2.19) de una muestra aleatoria (vase el numeral 2.6).

EJEMPLO Continuando con el ejemplo del numeral 2.9, el coeficiente de asimetra observado de la muestra se
puede calcular como 0,971 88. Para un tamao de muestra de 10 en este ejemplo, el coeficiente de asimetra de la
muestra es considerablemente variable, de manera que se debe usar con precaucin. Al usar la frmula alternativa
de la Nota 1, el valor calculado es 1,349 83.


8
NOTA 1 La frmula correspondiente a la definicin es

3
1
1
n
i
i
S
X X
n

Algunos paquetes estadsticos utilizan la siguiente frmula para el coeficiente de asimetra de
la muestra para corregir el sesgo (vase el numeral 2.33):

=

n
i
i
Z
n n
n
1
3
) 2 ( ) 1 (

en donde

S
X Xi
Z
i
=

Para una muestra tamao grande, la diferencia entre los dos estimados es insignificante. La
relacin del estimado sin sesgo al estimado con sesgo es 1,389 para n = 10, 1,031 para n = 100 y
1,003 para n = 1 000.

NOTA 2 Asimetra designa la falta de simetra. Los valores de esta funcin estadstica cercanos a cero sugieren
que la distribucin subyacente es aproximadamente simtrica, mientras que los valores diferentes de cero
corresponderan a una distribucin con valores extremos ocasionales a un lado del centro de la distribucin. Los
datos asimtricos tambin se reflejaran en valores de la media de la muestra (vase el numeral 2.15) y la mediana
de la muestra (vase el numeral 2.13) que son distintos. Los datos con asimetra positiva (asimetra hacia la
derecha) indican la presencia posible de algunos valores extremos altos. En forma similar, los datos con asimetra
negativa (asimetra a la izquierda) indican la presencia posible de algunos valores extremos bajos.

NOTA 3 El coeficiente de asimetra de la muestra se puede reconocer como el tercer momento de la muestra de
las variables aleatorias normalizadas de la muestra (vase el numeral 2.19).

2.21 Coeficiente de curtosis de la muestra (Sample Coefficient of Kurtosis). La media
aritmtica de la cuarta potencia de las variables aleatorias normalizadas de la muestra
(vase el numeral 2.19) de una muestra aleatoria (vase el numeral 2.6).

EJEMPLO Continuando con el ejemplo del numeral 2.9, el coeficiente de curtosis observado de la muestra se
puede calcular como 2,674 19. Para un tamao de muestra de 10 en este ejemplo, el coeficiente de curtosis de la
muestra es considerablemente variable, de manera que se debe usar con precaucin. Los paquetes estadsticos
usan diversos ajustes para calcular el coeficiente de curtosis de la muestra (vase la Nota 3 del numeral 3.40).
Usando la frmula alterna dada en la Nota 1, el valor calculado es 0,436 05. Los dos valores 2,674 19 y 0,436 05 no
son comparables directamente. Para hacerlo, tome 2,674 19 - 3 (para relacionarlo con la curtosis de la distribucin
normal, que es 3) que es igual a -0,325 81 y ahora se puede comparar apropiadamente con 0,436 05.

NOTA 1 La frmula correspondiente a la definicin es:

4
1
1
n
i
i
S
X X
n

Algunos paquetes estadsticos usan la frmula siguiente para el coeficiente de curtosis de la
muestra para hacer la correccin de sesgo (vase el numeral 2.33) y para indicar la desviacin
de la curtosis en relacin con la distribucin normal (que es igual a 3):


9
) 3 ( ) 2 (
) 1 ( 3
) 3 ( ) 2 ( ) 1 (
) 1 (
2
1
4

=
n n
n
Z
n n n
n n
n
i
i

en donde

S
X X
Z
i
i
=

El segundo trmino de la expresin es aproximadamente 3 para un n grande. Algunas veces la
curtosis es reportada como un valor tal como se define en el numeral 3.40, menos 3, para
hacer nfasis en las comparaciones con la distribucin normal. Obviamente, el profesional
necesita conocer estos ajustes, si los hay, en los clculos de paquetes estadsticos.

NOTA 2 La curtosis designa la mayor ponderacin de las colas de una distribucin (unimodal). Para la
distribucin normal (vase el numeral 3.50), el coeficiente de curtosis es aproximadamente 3, sujeto a la
variabilidad de la muestra. En la prctica, la curtosis de la distribucin normal brinda un valor de referencia. Las
distribuciones (vase el numeral 3.11) con valores menores de 3 tienen colas con menor ponderacin que la
distribucin normal; las distribuciones con valores mayores de 3 tienen ponderaciones mayores que la distribucin
normal.

NOTA 3 Para los valores de curtosis observados mucho mayores de 3, existe la posibilidad de que la distribucin
subyacente tenga colas con ponderacin mayor que la distribucin normal. Otra posibilidad por investigar es la
presencia de datos atpicos potenciales.

NOTA 4 El coeficiente de curtosis de la muestra se puede reconocer como el cuarto momento de la muestra de las
variables aleatorias centradas de la muestra reducida.

2.22 Covarianza de la muestra, S
XY
. (Sample Covariance, S
XY
.). Suma de los productos de las
desviaciones de pares de variables aleatorias (vase el numeral 3.10) en una muestra
aleatoria (vase el numeral 2.6) respecto a su media de la muestra (vase el numeral 2.15),
dividida por el nmero de trminos en la suma, menos uno.

EJEMPLO 1 Sea la representacin numrica siguiente utilizando 10 valores observados en tres tripletas de valores.
Para este ejemplo considere solamente x y y.

Tabla 1. Resultados para el Ejemplo 1

i 1 2 3 4 5 6 7 8 9 10
x 38 41 24 60 41 51 58 50 65 33
y 73 74 43 107 65 73 99 72 100 48
z 34 31 40 28 35 28 32 27 27 31

La media de la muestra observada para X es 46,1 y para Y es 75,4. La covarianza de la
muestra es igual a:

[(38 - 46,1) x (73 - 75,4) + (41 - 46,1) x (74 - 75,4) + ...+ (33 - 46,1) x (48 - 75,4)]/9 = 257,178

EJEMPLO 2 En la tabla del ejemplo anterior, considere solamente y y z. La media de la muestra observada para Z
es 31,3. La covarianza de la muestra es igual a:

[(73 - 75,4) x (34 - 31,3) + (74 - 75,4) x (74 - 31,3) + (48 - 75,4) x (31-31,3)]/9 = 54,356

NOTA 1 Considerado como un estadstico (vase el numeral 2.8), la covarianza de la muestra es una funcin de
pares de variables aleatorias [(X
1
, Y
1
), (X
2
, Y
2
), ..., (X
n
, Y
n
)] de una muestra aleatoria de tamao n en el sentido dado
en la Nota 3 del numeral 2.6. Este estimador (2.12) necesita diferenciarse del valor numrico de la covarianza de la
muestra calculada de los pares de valores observados de las unidades de muestra (vase el numeral 2.2) [(x
1
, y
1
),
(x
2
, y
2
), ... , (x
n
, y
n
)] en la muestra aleatoria. Este valor numrico se denomina covarianza de la muestra emprica o
covarianza de la muestra observada.


10
NOTA 2 La covarianza de la muestra S
XY
est dada como:

=

n
i
i i
Y Y X X
n
1
) ( ) (
1

NOTA 3 La utilizacin de n - 1 proporciona un estimador sin sesgo (vase el numeral 2.34) de la covarianza de
la poblacin (vase el numeral 3.43).

NOTA 4 El ejemplo de la Tabla 1 consta de tres variables, en donde la definicin hace referencia a un par de
variables. En la prctica, es comn encontrar situaciones con mltiples variables.

2.23 Coeficiente de correlacin de la muestra r
xy
. (Sample Correlation Coefficient, r
xy
).
Covarianza de la muestra (vase el numeral 2.22) dividida por el producto de las
desviaciones estndar de la muestra (vase el numeral 2.17) correspondientes.

EJEMPLO 1 Continuando con el Ejemplo 1 del numeral 2.22, la desviacin estndar observada es 12,495 para X y
21,329 para Y. En consecuencia, el coeficiente de correlacin de la muestra observada (para X y Y) est dado por:

257,118/(12,948 x 21,329) = 0,931 2

EJEMPLO 2 Continuando con el Ejemplo 2 del numeral 2.22, la desviacin estndar observada es 21,329 para Y
y 4,165 para Z. En consecuencia, el coeficiente de correlacin de la muestra observada (para Y y Z) est dado por:

-54,356/(21,329 x 4,165) = -0,612

NOTA 1 En trminos de notacin, el coeficiente de correlacin de la muestra se calcula como:

= =

=

n
i
n
i
i i
n
i
i i
Y Y X X
Y Y X X
1 1
2 2
1

Esta expresin es equivalente a la relacin de la covarianza de la muestra con la raz cuadrada
del producto de las desviaciones estndar. Algunas veces el smbolo r
xy
se usa para designar
el coeficiente de correlacin de la muestra. El coeficiente de correlacin de la muestra
observada se basa en los datos (x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
).

NOTA 2 El coeficiente de correlacin de la muestra observada puede tomar valores dentro de [-1, 1], en donde los
valores cercanos a 1 indican una correlacin positiva fuerte y los valores cercanos a -1 indican una correlacin
negativa fuerte. Los valores cercanos a 1 -1 indican que los puntos estn prcticamente alineados.

2.24 Error estndar,

(Standard Error,

). Desviacin estndar (vase el numeral 2.37)
de un estimador, (vase el numeral 2.12).

EJEMPLO Si la media de la muestra (vase el numeral 2.15) es el estimador de la media de la poblacin (vase
el numera 3.35) y la desviacin estndar de una variable aleatoria simple (vase el numeral 3.10) es entonces el error
estndar de la media de la muestra es n / , donde n es el nmero de observaciones en la muestra. Un estimador del
error estndar es n S / , donde S es la desviacin estndar de la muestra (vase el numeral 2.17)

NOTA 1 En la prctica, el error estndar proporciona un estimado natural de la desviacin estndar de un
estimador.

NOTA 2 No hay un trmino complementario (apropiado) para "error no estndar". El error estndar se puede
considerar como una abreviatura de la expresin "desviacin estndar de un estimador" Comnmente, en la prctica
error estndar hace referencia implcitamente a la desviacin estndar de la media de la muestra. La notacin para
el error estndar de la media de la muestra es
X
)


11
2.25 Estimador por intervalos (Interval Estimator). Intervalo cuyos lmites son una funcin
estadstica con lmite superior (vase el numeral 2.8) y una funcin estadstico con lmite inferior.

NOTA 1 Uno de los puntos extremos puede ser +, - un lmite natural del valor de un parmetro. Por
ejemplo, 0 es un lmite inferior natural para un estimador por intervalos de la varianza de la poblacin (vase el
numeral 3.36). En estos casos, los intervalos se designan comnmente como intervalos unilaterales.

NOTA 2 Un estimador por intervalos se puede suministrar junto con una estimacin (vase el numeral 2.36) de un
parmetro (vase el numeral 3.9). Se supone que el estimador por intervalos contiene un parmetro en una proporcin
declarada de situaciones, bajo condiciones de muestreo repetido, o en algn otro sentido probabilstico.

NOTA 3 Tres tipos comunes de estimadores por intervalos incluyen intervalos de confianza (vase el numeral
2.28) para parmetro(s), intervalos de prediccin (vase el numeral 2.30) para observaciones futuras, e intervalos
estadsticos de tolerancia (vase el numeral 2.26) para la proporcin de una distribucin (vase el numeral 3.11)
contenida.

2.26 Intervalo de tolerancia estadstica (Statistical Tolerance Interval). Intervalo
determinado a partir de una muestra aleatoria (vase el numeral 2.6) de manera que puede
existir un nivel determinado de confianza en que el intervalo cubre al menos una proporcin
especificada de la poblacin sometida a muestreo (vase el numeral 2.1).

NOTA La confianza en este contexto es la proporcin a largo plazo de intervalos construidos de esta manera, que
incluirn al menos la proporcin especificada de la poblacin sometida a muestreo.

2.27 Lmite de tolerancia estadstica (Statistical Tolerance Limit). Estadstica (vase el
numeral 2.8) que representa un punto final externo de un intervalo estadstico de tolerancia

NOTA Los intervalos estadsticos de tolerancia pueden ser:

- Unilaterales (con uno de sus lmites fijos al lmite natural de la variable aleatoria), en cuyo caso tienen un
lmite estadstico de tolerancia superior e inferior, o

- Bilaterales, en cuyo caso tienen ambos.

Un lmite natural de la variable aleatoria puede brindar un lmite para un lmite unilateral.

2.28 Intervalo de confianza (Confidence Interval). Estimador por intervalos (vase el
numeral 2.25) (T
0
, T
1
) para el parmetro (vase el numeral 3.9) T
0
y

T
1
con las funciones
estadsticas (vase el numeral 2.8) T
0
y T
1
como lmites de intervalos y para los cuales se
estipula que:

[ ] < < 1
1 0
T T P

NOTA 1 La confianza refleja la proporcin de casos en donde el intervalo de confianza contendra el valor
verdadero del parmetro en una serie grande larga de muestras aleatorias repetidas (vase el numeral 2.6) bajo
condiciones idnticas. Un intervalo de confianza no refleja la probabilidad (vase el numeral 3.5) de que el intervalo
observado contenga el valor real del parmetro (que lo contenga o no).

NOTA 2 Este intervalo de confianza est asociado con la caracterstica de desempeo correspondiente
correspondiente 100 (1-)%, en donde es generalmente un nmero pequeo. La caracterstica de desempeo,
que se denomina coeficiente de confianza o nivel de confianza, es con frecuencia del 95 % 99 %. La desigualdad
P [T
O
< < T
1
) 1 - se aplica a cualquier valor de poblacin especfico pero desconocido de .

2.29 Intervalo de confianza unilateral (One-Sided Confidence Interval). Intervalo de
confianza (vase el numeral 2.28) con uno de sus extremos en + , -, o un lmite fijado
naturalmente.


12
NOTA 1 La definicin del numeral 2.28 se aplica a T
0
fijado en -, T
1
fijado en + Los intervalos de confianza
unilaterales surgen en situaciones en las que el inters se enfoca estrictamente en una sola direccin. Por ejemplo,
en una prueba de seguridad sobre volumen de audio en telfonos celulares, un lmite de confianza superior sera el
inters que indica un lmite superior para el volumen producido en condiciones de seguridad supuestas. Para los
ensayos mecnicos estructurales, sera de inters un lmite de confianza inferior sobre la fuerza a la cual el
dispositivo falla.

NOTA 2 Otro ejemplo de intervalos de confianza unilaterales se presenta en situaciones en las que un parmetro
tiene un lmite natural, como por ejemplo cero. Para una distribucin de Poisson (vase el numeral 3.47)
involucrada en el modelado de quejas de los clientes, cero es un lmite inferior. Otro ejemplo: un intervalo de
confianza para la fiabilidad de un componente electrnico puede ser (0, 98, 1) en donde 1 es el lmite superior
natural.

2.30 Intervalo de prediccin (Prediction Interval). Rango de valores de una variable
obtenidos de una muestra aleatoria (vase el numeral 2.6) de valores de una poblacin
continua, dentro del cual se puede asegurar con una confianza dada que fallar no menos de
un nmero dado de valores en una muestra aleatoria ulterior posterior de la misma poblacin

NOTA Generalmente, el inters se enfoca en una sola observacin ulterior que surge de la misma situacin que
las observaciones que son la base del intervalo de prediccin. Otro contexto prctico es el anlisis de regresin, en
el cual un intervalo de prediccin se construye para un espectro de valores independientes.

2.31 Estimado (Estimate). Valor observado (vase el numeral 2.4) de un estimador (vase
el numeral 2.12).

NOTA Un estimado hace referencia a un valor numrico obtenido a partir de valores observados. Con respecto a
la estimacin (vase el numera 2.36) de un parmetro (vase el numeral 3.9) a partir de una distribucin de
probabilidad (vase el numeral 3.11) supuesta, el estimador hace referencia a la funcin estadstica (vase el
numeral 2.8) destinado a estimar el parmetro, y el estimado hace referencia al resultado obtenido con los valores
observados. Algunas veces al estimado se le coloca el adjetivo "puntual", para hacer nfasis en que se produce un
solo valor, no un intervalo de valores. En forma similar, la expresin "por intervalos" se coloca antes de "estimado",
cuando se realiza una estimacin por intervalos.

2.32 Error de estimacin (Error of Estimation). Estimado (vase el numeral 2.31) menos el
parmetro (vase el numeral 3.9) o propiedad de la poblacin que se prev estimar.

NOTA 1 La propiedad de la poblacin puede ser una funcin del parmetro o parmetros u otra cantidad
relacionada con la distribucin de probabilidad (vase el numeral 3.11).

NOTA 2 El error del estimador se puede deber al muestreo, a la incertidumbre de la medicin, al redondeo o a
otras fuentes. En efecto, el error del estimador representa para los usuarios el desempeo de base de inters. La
determinacin de las principales contribuciones al error del estimador es un elemento crtico en los esfuerzos de
mejora de la calidad.

2.33 Sesgo (Bias). Valor esperado (vase el numeral 3.12) de un error de estimacin (vase
el numeral 2.32).

NOTA 1 Esta definicin es diferente de las que se encuentran en la NTC 2062-2 (en el numeral 3.3.2 de la norma
ISO 3534-2) y en el VIM:1993 (vense los numerales 5.25 y 5.28 del VIM). Sesgo se usa aqu en un sentido
genrico, como se indica en la Nota 1 del numeral 2.34.

NOTA 2 La existencia de sesgo puede conducir a consecuencias desafortunadas en la prctica. Por ejemplo,
subestimar la resistencia de materiales debido al sesgo puede conducir a fallas inesperadas en un dispositivo. En
muestreo por encuesta, el sesgo puede conducir a decisiones incorrectas a partir de un sondeo poltico.

2.34 Estimador sin sesgo (Unbiased Estimator). Estimador (vase el numeral 2.12) que
tiene un sesgo (vase el numeral 2.33) igual a cero.

EJEMPLO 1 Para una muestra aleatoria (vase el numeral 2.6) de n variables aleatorias independientes (vase el
numeral 3.10), cada una con la misma distribucin normal (vase el numeral 3.50) con media (vase el numeral 3.35) y
desviacin estndar (vase el numeral 3.37) , la media de la muestra X (vase el numeral 2.15) y la varianza de la


13
muestra (vase el numeral 2.16) S
2
son estimadores sin sesgo para la media y la varianza (vase el numeral 2.36)
2
,
respectivamente.

EJEMPLO 2 Como se mencion en la Nota 1 del numeral 2.37, el estimador del mximo de verosimilitud (vase
el numeral 2.35) de la varianza
2
usa el denominador n en lugar de n - 1, y de esta manera es un estimador con
sesgo. En la prctica, la desviacin estndar de la muestra (vase el numeral 2.17) se usa considerablemente,
pero es importante observar que la raz cuadrada de la varianza de la muestra utilizando n -1 es un estimador con
sesgo de la desviacin estndar de la poblacin (vase el numeral 3.37).

EJEMPLO 3 Para una muestra aleatoria de n pares independientes de variables aleatorias, cada par con la misma
distribucin normal con dos variables (vase el numeral 3.65) con covarianza (vase el numeral 3.43) igual a
XY
, la covarianza de la muestra (vase el numeral 2.22) es un estimador sin sesgo para la covarianza de la
poblacin. El estimador del mximo de verosimilitud usa n en lugar de n - 1 en el denominador, y de esta manera
tiene sesgo.

NOTA Los estimadores sin sesgo son tiles, ya que en promedio dan un valor correcto. Sin duda, los
estimadores sin sesgo brindan un punto de partida til en la bsqueda de estimadores "ptimos" de los parmetros
de poblacin. La definicin dada aqu es de naturaleza estadstica.

En la prctica cotidiana, los usuarios intentan evitar la introduccin de sesgo en un estudio asegurndose, por
ejemplo, de que la muestra aleatoria sea representativa de la poblacin de inters.

2.35 Estimador del mximo de verosimilitud (Maximum Likelihood Estimator). Estimador
(vase el numeral 2.12) que asigna el valor del parmetro (vase el numeral 3.9), en donde la
funcin de verosimilitud (vase el numeral 2.38) alcanza o se aproxima a su mayor valor.

NOTA 1 La estimacin del mximo de verosimilitud es un mtodo bien establecido para obtener estimados de
parmetros cuando se ha especificado una distribucin (vase el numeral 3.11) [por ejemplo, normal (vase el
numeral 3.50), gamma (vase el numeral 3.56), Weibull (vase el numeral 3.63), etc.] Estos estimadores tienen
propiedades estadsticas tiles (por ejemplo, invariancia en transformacin montona) y en muchas situaciones
proporcionan el mtodo de seleccin. En casos en que el estimador del mximo de verosimilitud tiene sesgo, puede
tener lugar una correccin simple del sesgo (vase el numeral 2.33). Como se mencion en el ejemplo 2 del
numeral 2.34, el estimador del mximo de verosimilitud para la varianza (vase el numeral 3.36) de la distribucin
normal tiene sesgo pero se puede corregir usando n - 1 en vez de n. El alcance del sesgo en estos casos se reduce
cuando se incrementa el tamao de la muestra.

NOTA 2 La abreviatura EMV se usa comnmente para estimador del mximo de verosimilitud y para estimacin
del mximo de verosimilitud, en donde el contexto indica la opcin apropiada.

2.36 Estimacin (Estimation). Procedimiento para obtener una representacin estadstica de
una poblacin (vase el numeral 2.1) a partir de una muestra aleatoria (vase el numeral 2.6)
tomada de esta poblacin.

NOTA 1 En particular, el procedimiento involucrado al pasar de un estimador (vase el numeral 2.12) a un
estimado especfico constituye la estimacin.

NOTA 2 La estimacin se entiende en un contexto bastante amplio para incluir estimacin puntual, estimacin por
intervalos o estimacin de las propiedades de las poblaciones.

NOTA 3 Con frecuencia, una representacin estadstica hace referencia a la estimacin de un parmetro (vase
el numeral 3.9) o parmetros, o de una funcin de estos a partir de un modelo asumido. De manera ms general, la
representacin de la poblacin puede ser menos especfica, tales como las funciones estadsticas relativas a los
impactos de desastres naturales (vctimas, lesiones, prdidas de propiedades y prdidas en la agricultura, todas las
que el responsable de las emergencias podra querer estimar).

NOTA 4 La consideracin de una funcin estadstica descriptiva (vase el numeral 2.5) puede sugerir que un
modelo supuesto brinda una representacin inadecuada de los datos, como se indica por una medida del ajuste del
modelo a los datos. En estos casos, se pueden considerar otros modelos y continuar el proceso de estimacin.


14
2.37 Estimacin del mximo de verosimilitud (Maximum Likelihood Estimation).
Estimacin (vase el numeral 2.36) basada en el estimador del mximo de verosimilitud

NOTA 1 Para la distribucin normal (vase el numeral 3.50), la media de la muestra (vase el numeral 2.15) es
el estimador del mximo de verosimilitud (vase el numeral 2.35) del parmetro (vase el numeral 3.9) ,
mientras que la varianza de la muestra (vase el numeral 2.16), usando el denominador n en vez de n - 1,
proporciona el estimador del mximo de verosimilitud de
2
. El denominador n -1 se usa habitualmente, ya que este
valor proporciona un estimador sin sesgo (vase el numeral 2.34).

NOTA 2 La estimacin del mximo de verosimilitud se usa algunas veces para describir la obtencin de un
estimador (vase el numeral 2.12) a partir de la funcin de verosimilitud.

NOTA 3 Aunque en algunos casos el uso de la estimacin del mximo de verosimilitud da lugar a una expresin
analtica, existen otras situaciones en las que el estimador del mximo de verosimilitud requiere una solucin
iterativa a un conjunto de ecuaciones.

NOTA 4 La abreviatura EMV se usa comnmente para estimador del mximo de verosimilitud y para estimacin
del mximo de verosimilitud, dependiendo del contexto.

2.38 Funcin de verosimilitud (Likelihood Function). Funcin de densidad de probabilidad
(vase el numeral 3.26) evaluada a los valores observados (vase el numeral 2.4) y
considerada como una funcin de los parmetros (vase el numeral 3.9) de la familia de
distribuciones (vase el numeral 3.8).

EJEMPLO 1 Considere una situacin en la cual se seleccionan aleatoriamente 10 elementos de una poblacin muy
grande (vase el numeral 2.1) y se encuentra que 3 elementos tienen una caracterstica especfica. De esta
muestra, 0,3 (3 de 10) es un estimado (vase el numeral 2.31) intuitivo de la proporcin de poblacin que tiene la
caracterstica. Dentro de un modelo de distribucin binomial (vase el numeral 3.46), la funcin de verosimilitud
(funcin de masa de probabilidad como una funcin de p con n fijado en 10 y x en 3) logra su mximo en p = 0,3, que
concuerda con la intuicin.

[Esto se puede verificar posteriormente graficando la funcin de masa de probabilidad de la
distribucin binomial (vase el numeral 3.46) 120 p
3
(1 - p)
7
con relacin a p].

EJEMPLO 2 Para la distribucin normal (vase el numeral 3.50) con una desviacin estndar (vase el
numeral 3.37) conocida, se puede demostrar en general que la funcin de verosimilitud alcanza su mximo cuando
es igual a la media de la muestra.

2.39 Funcin de verosimilitud parcial (Profile Likelihood Function). Funcin de
verosimilitud (vase el numeral 2.38) considerada con base en un solo parmetro (vase el
numeral 3.9), con todos los dems parmetros fijados para maximizarla.

2.40 Hiptesis, H (Hypothesis, H). Declaracin acerca de una poblacin (vase el numeral 2.1).

NOTA Comnmente, la declaracin acerca de la poblacin concierne a uno o ms parmetros (vase el numeral 3.9)
en una familia de distribuciones (vase el numeral 3.8) o acerca de la familia de distribuciones.

2.41 Hiptesis nula, H
0
(Null Hiptesis, H
0
). Hiptesis (vase el numeral 2.40) que se debe
poner a prueba por medio de una prueba estadstica (vase el numeral 2.48).

EJEMPLO 1 En una muestra aleatoria (vase el numeral 2.6) de variables aleatorias independientes (vase el
numeral 3.10) que tienen la misma distribucin normal (vase el numeral 3.50), con una media desconocida
(vase el numeral 3.35) y una desviacin estndar desconocida (vase el numeral 3.37), una hiptesis nula para
una media puede ser que la media es menor o igual a un valor dado
0
y esto se escribe usualmente de la
siguiente forma; H
0
:
0.

EJEMPLO 2 Una hiptesis nula puede ser que el modelo estadstico para una poblacin (vase el numeral 2.1) es
una distribucin normal. Para este tipo de hiptesis nula no se especifican la media y la desviacin estndar.


15
EJEMPLO 3 Una hiptesis nula puede ser que el modelo estadstico para una poblacin sea una distribucin
simtrica. Para este tipo de hiptesis nula no se especifica la forma de la distribucin.

NOTA 1 Explcitamente, la hiptesis nula puede consistir en un subconjunto de un conjunto de distribuciones de
probabilidades posibles.

NOTA 2 Esta definicin no se debera considerar independientemente de la hiptesis alternativa (vase el
numeral 2.42) y la prueba estadstica (vase el numeral 2.48), ya que la aplicacin apropiada de la puesta a prueba
requiere todos estos componentes.

NOTA 3 En la prctica jams se demuestra una hiptesis nula, sino que la evaluacin en una situacin dada
puede ser inadecuada para rechazar la hiptesis nula. La motivacin original para poner a prueba la hiptesis
probablemente ha sido que el resultado de la esperanza matemtica de que el resultado favorezca una hiptesis
alternativa especfica para el problema en cuestin.

NOTA 4 La decisin de no rechazar la hiptesis nula no es una prueba de su validez, sino puede ser ms bien una
indicacin de que hay evidencia insuficiente para rechazarla. La hiptesis nula (o una cercana a ella) puede ser
verdadera, o el tamao de la muestra es insuficiente para detectar una diferencia con relacin a sta.

NOTA 5 En algunas situaciones, el inters inicial est enfocado hacia la hiptesis nula, pero la posibilidad de una
desviacin puede ser de inters. La consideracin apropiada del tamao de la muestra y su capacidad para detectar
una desviacin o alternativa especfica puede conducir a la construccin de un procedimiento de ensayo para
evaluar apropiadamente la hiptesis nula.

NOTA 6 La aceptacin de la hiptesis alternativa, contrariamente a la decisin de no rechazar la hiptesis nula, es
un resultado positivo en el sentido en que apoya la conjetura de inters. El rechazo de la hiptesis nula a favor de la
alternativa es un resultado con menos ambigedad que un resultado de "no se rechaza la hiptesis nula esta vez".

NOTA 7 La hiptesis nula es la base para construir el estadstico de prueba (vase el numeral 2.52)
correspondiente usada para evaluar la hiptesis nula.

NOTA 8 La hiptesis nula se denota con frecuencia H
0
(H con subndice 0).

NOTA 9 El subconjunto que identifica la hiptesis nula de ser posible debera seleccionarse de manera que la
declaracin sea incompatible con la conjetura por estudiar. Vase la Nota 2 del numeral 2.48 y el ejemplo del
numeral 2.49.

2.42 Hiptesis alternativa, H
A
, H
1
(Alternative Hypotesis, H
A
, H
1
). Declaracin que selecciona un
conjunto o subconjunto de todas las posibles distribuciones de probabilidad (vase el numeral 3.11)
admisibles posibles que no pertenecen a la hiptesis nula (vase el numeral 2.41).

EJEMPLO 1 La hiptesis alternativa a la hiptesis nula dada en el ejemplo 1 del numeral 2.41 es que la media
(vase el numeral 3.35) es mayor que el valor especificado, que se expresa as: H
A
: >
0
.

EJEMPLO 2 La hiptesis alternativa a la hiptesis nula presentada en el ejemplo 2 del numeral 2.41 es que el
modelo estadstico de la poblacin no es una distribucin normal (vase el numeral 3.50).

EJEMPLO 3 La hiptesis alternativa a la hiptesis nula dada en el Ejemplo 3 del numeral 2.41 es que el modelo
estadstico de la poblacin es una distribucin asimtrica. Para esta hiptesis alternativa no se establece la forma
especfica de la asimetra.

NOTA 1 La hiptesis alternativa es el complemento de la hiptesis nula.

NOTA 2 La hiptesis alternativa tambin se puede designar como H
1
o H
A
sin preferencia clara en tanto que el
simbolismo sea paralelo a la notacin de la hiptesis nula.

NOTA 3 La hiptesis alternativa es una declaracin que contradice la hiptesis nula. El estadstico de prueba
(vase el numeral 2.52) correspondiente se usa para decidir entre las hiptesis cero y la alternativa.

NOTA 4 La hiptesis alternativa no se debera considerar aislada de la hiptesis nula ni del estadstico de prueba

NOTA 5 La aceptacin de la hiptesis alternativa, contrariamente a la decisin de no rechazar la hiptesis nula, es
un resultado positivo en el sentido en que apoya la conjetura de inters.


16
2.43 Hiptesis simple (Simple Hypothesis). Hiptesis (vase el numeral 2.40) que
especifica una sola distribucin en una familia de distribuciones (vase el numeral 3.8).

NOTA 1 Una hiptesis simple es una hiptesis nula (vase el numeral 2.41) o una hiptesis alternativa (vase
el numeral 2.42) para la cual el conjunto seleccionado consta de una distribucin de probabilidad simple (vase el
numeral 3.11).

NOTA 2 En una muestra aleatoria (vase el numeral 2.6) de variables aleatorias independientes (vase el
numeral 3.10) con la misma distribucin normal (vase el numeral 3.50) con una media desconocida (vase el
numeral 3.35) y una desviacin estndar conocida (vase el numeral 3.37) , una hiptesis simple para la media
es que la media es igual a un valor dado
'0
y esto se escribe usualmente de la siguiente forma: H
0
: =
0
.

NOTA 3 Una hiptesis simple especifica completamente la distribucin de probabilidad (vase el numeral 3.11).

2.44 Hiptesis compuesta (Composite Hypothesis). Hiptesis (vase el numeral 2.40) que
especifica ms de una distribucin (vase el numeral 3.11) en una familia de distribuciones

EJEMPLO 1 La hiptesis nula (vase el numeral 2.41) y las hiptesis alternativas (vase el numeral 2.42) dadas
en los ejemplos de los numerales 2.41 y 2.42 son todos ejemplos de hiptesis compuestas.

EJEMPLO 2 En el numeral 2.48, la hiptesis nula en el Caso 3 del Ejemplo 3 es una hiptesis simple. La hiptesis
nula del Ejemplo 4 tambin es una hiptesis simple. Las otras hiptesis del numeral 2.48 son compuestas.

NOTA Una hiptesis compuesta es una hiptesis nula o una hiptesis alternativa para la cual el subconjunto
seleccionado consta de ms de una distribucin de probabilidad simple.

2.45 Nivel de significacin, (Significance Level, ). <ensayo estadstico>. Probabilidad
mxima (vase el numeral 3.5) de rechazar la hiptesis nula (vase el numeral 2.41) cuando
en realidad es verdadera.

NOTA Si la hiptesis nula es una hiptesis simple (vase el numeral 2.43), entonces la probabilidad de rechazar
la hiptesis nula si fuera verdadera, llega a ser un valor simple.

2.46 Error Tipo I (Type I Error). Rechazo de la hiptesis nula (vase el numeral 2.41) cuando
en realidad es verdadera.

NOTA 1 De hecho, un error Tipo I es una decisin incorrecta. En consecuencia, se desea mantener la menor
probabilidad posible (vase el numeral 3.5) de tomar una decisin incorrecta. Para obtener una probabilidad cero
de un error Tipo I, nunca se rechazara la hiptesis nula. En otras palabras, independientemente de la evidencia, se
toma la misma decisin.

NOTA 2 En algunas situaciones (por ejemplo, en el ensayo del parmetro binomial p) es posible que no se pueda
alcanzar un nivel de significacin especificado tal como 0,05, debido a la discontinuidad de los resultados.

2.47 Error tipo II (Type II Error). Decisin de no rechazar la hiptesis nula (vase el numeral 2.41)
cuando en realidad sta no es verdadera.

NOTA De hecho, el error Tipo II es una decisin incorrecta. En consecuencia, se desea mantener la menor
probabilidad posible (vase el numeral 3.5) de tomar una decisin incorrecta. Los errores Tipo II ocurren
comnmente en situaciones en las que el tamao de la muestra es insuficiente para revelar una desviacin de la
hiptesis nula.

2.48 Prueba estadstica, prueba de significacin (Statistical Test, Significance Test).
Procedimiento para decidir si una hiptesis nula (vase el numeral 2.41) debe ser rechazada
a favor de una hiptesis alternativa (vase el numeral 2.42).

EJEMPLO 1 A manera de ejemplo, si una variable aleatoria continua (vase el numeral 3.29) real puede tomar
valores entre - y + y se sospecha que la distribucin de probabilidad verdadera no es una distribucin normal
(vase el numeral 3.50), entonces se formularn las siguientes hiptesis:


17
- El alcance de la situacin son todas las distribuciones de probabilidad continuas (vase el numeral 3.23) que
pueden tomar valores entre - y + .

- La conjetura es que la distribucin de probabilidad verdadera no es una distribucin normal.

- La hiptesis nula es que la distribucin de probabilidad es una distribucin normal.

- La hiptesis alternativa es que la distribucin de probabilidad no es una distribucin normal.

EJEMPLO 2 Si la variable aleatoria sigue una distribucin normal con una desviacin estndar conocida (vase
el numeral 3.37) y se sospecha que su valor esperado se desva de un valor dado
0
, entonces las hiptesis se
formularn de acuerdo con el Caso 3 en el siguiente ejemplo.

EJEMPLO 3 Este ejemplo considera tres posibilidades en el ensayo estadstico.

Caso 1. Se supone que la media del proceso es mayor que la media objetivo de
0
. Esta conjetura conduce a las
siguientes hiptesis.

Hiptesis nula: H
0
:
0

Hiptesis alternativa: H
1
:
0

Caso 2. Se supone que la media del proceso es inferior a la media objetivo de
0
. Esta conjetura conduce a las
siguientes hiptesis.

Hiptesis nula: H
0
:
0

1
:
0

Caso 3. Se supone que la media del proceso no es compatible con la media del proceso, pero no se especifica la
direccin. Esta conjetura conduce a las siguientes hiptesis.

Hiptesis nula: H
0
: =
0

1
:
0

En todos los tres casos, la formulacin de las hiptesis se basa en una conjetura concerniente a la hiptesis
alternativa y a su desviacin de su condicin de referencia.

EJEMPLO 4 Este ejemplo considera como su alcance todas las proporciones p
1
y p
2
entre cero y una proporcin de
defectuosos en los lotes 1 y 2. Se podra sospechar que los dos lotes son diferentes, y por tanto, suponer que las
proporciones de defectos en los dos lotes son diferentes. Esta conjetura conduce a las siguientes hiptesis:

Hiptesis nula: H
0
: p
1
= p
2

1
: p
1
p
2

NOTA 1 Una prueba estadstica es un procedimiento que es vlido bajo condiciones especificadas, para decidir,
por medio de observaciones de una muestra, si la distribucin de probabilidad verdadera pertenece a la hiptesis
nula o a la hiptesis alternativa.

NOTA 2 Antes de llevar a cabo una prueba estadstica, se determina primero el conjunto posible de distribuciones
de probabilidad con base en la informacin disponible. Posteriormente se identifican las distribuciones de
probabilidad que pueden ser verdaderas con base en la conjetura por estudiar, para elaborar la hiptesis alternativa.
Finalmente, la hiptesis nula se formula como complemento a la hiptesis alternativa. En muchos casos, el conjunto
posible de distribuciones de probabilidad, y en consecuencia tambin la hiptesis nula y la hiptesis alternativa se
pueden determinar por referencia a conjuntos de valores de parmetros pertinentes.

NOTA 3 Cuando la decisin se toma con base en observaciones de una muestra, existe el riesgo de cometer un
error Tipo I (vase el numeral 2.46), rechazar la hiptesis nula cuando de hecho es correcta, o un error Tipo II
(vase el numeral 2.47), decidir no rechazar la hiptesis nula a favor de la hiptesis alternativa, cuando esta ltima
es verdadera.

NOTA 4 El Caso 1 y 2 del Ejemplo 3 anterior son casos de pruebas unilaterales. El Caso 3 es un ejemplo de una
prueba bilateral. En todos los tres casos, la seleccin entre unilateral contra bilateral se determina considerando la
regin del parmetro correspondiente a la hiptesis alternativa. Ms generalmente, las ensayos unilaterales y
bilaterales pueden ser controlados por la regin para rechazo de la hiptesis nula, correspondiente a la funcin
estadstica de ensayo escogida. Es decir, la funcin estadstica de ensayo tiene una regin crtica asociada que
favorece la hiptesis alternativa, pero es posible que no est relacionada directamente con una simple descripcin


18
del espacio del parmetro, como en los Casos 1, 2 y 3.

NOTA 5 Se debera prestar mucha atencin a las suposiciones subyacentes, o la aplicacin de las pruebas
estadsticas no tendr fundamento. Las pruebas estadsticas que conducen a inferencias estables incluso en el caso
de posibles especificaciones defectuosas de las suposiciones subyacentes se denominan robustos. El ensayo t de
una muestra para la media es un ejemplo de una prueba considerada muy robusta en condiciones no normales. El
ensayo de Bartlett para homogeneidad de las varianzas es un ejemplo de un procedimiento no robusto que
posiblemente conduce al rechazo excesivo de la igualdad de varianzas en casos de distribucin para las cuales las
varianzas fueron en realidad idnticas.

2.49 Valor p (p-value). Probabilidad (vase el numeral 3.5) de observar el valor del estadstico
de prueba (vase el numeral 2.52) observado o cualquier otro valor desfavorable para la
hiptesis nula (vase el numeral 2.41).

EJEMPLO Considere el ejemplo numrico introducido originalmente en el numeral 2.9. Suponga, a manera de
ilustracin, que estos valores son observaciones de un proceso que se espera nominalmente que tenga una media
de 12,5 y que con base en su experiencia previa el ingeniero asociado con el proceso considere que ste era
constantemente ms bajo que el valor nominal. Se realiz un estudio y se recolect una muestra aleatoria de
tamao 10, con los resultados numricos de del numeral 2.9. Las hiptesis apropiadas son:

Hiptesis nula: H
0
: 12,5
1
: < 12,5

La media de la muestra es 9,7, que parece concordar con la conjetura, pero, est lo
suficientemente alejada de 12,5 para apoyar la conjetura? Para este ejemplo, el estadstico de
prueba (vase el numeral 2.52) es -1,976 4 con su correspondiente valor p de 0,040. Esto
significa que hay menos de 4 oportunidades en cien de observar un valor de funcin estadstica
de -1,976 4 inferior, si de hecho la media del proceso verdadero es 12,5. Si el nivel de
significacin pre-especificada original hubiera sido 0,05, entonces habitualmente se rechazara
la hiptesis nula a favor de la hiptesis alternativa.

Como alternativa, suponga que el problema fuera formulado en una forma un poco diferente.
Imagine que el problema fuera que el proceso est alejado de la meta de 12,5 pero la direccin
no se ha especificado. Esto conduce a las siguientes hiptesis:

Hiptesis nula: H
0
: = 12,5
1
: 12,5

Dados los mismos datos recolectados de una muestra aleatoria, la funcin estadstica de
ensayo es el mismo, -1,976 4. Para esta hiptesis alternativa, una pregunta importante es
"cul es la probabilidad de observar un valor as de extremo u otro ms extremo?" En este
caso hay dos regiones pertinentes: valores menores o iguales a -1,9764, o valores mayores o
iguales a 1,9764. La probabilidad de que ocurra una funcin estadstica de ensayo t en una de
estas regiones es 0,080 (el doble del valor unilateral). Hay ocho oportunidades en 100 de
observar un valor de una funcin estadstica de ensayo as de extremo o todava ms. As, la
hiptesis nula no es rechazada al nivel de significacin de 0,05.

NOTA 1 Por ejemplo, si el valor p resulta ser 0,029, entonces hay menos de tres oportunidades en cien de que
este valor extremo de la funcin estadstica de ensayo, o uno ms extremo, ocurra bajo la hiptesis nula. Con base
en esta informacin es posible tener que rechazar la hiptesis nula, ya que este es un valor p bastante pequeo.
Ms formalmente, si el nivel de significacin se hubiera establecido en 0,05, entonces definitivamente el valor p de
0,029, al ser inferior a 0,05 conducira al rechazo de la hiptesis nula.

NOTA 2 El valor p del trmino algunas veces se denomina probabilidad de significacin, que no se debera
confundir con el nivel de significacin (vase el numeral 2.45) que es una constante especificada en una
aplicacin.

2.50 Potencia de una prueba (Power of a Test). Uno menos la probabilidad (vase el
numeral 3.5) del error Tipo II (vase el numeral 2.47).


19
NOTA 1 La eficiencia de una prueba para un valor especificado de un parmetro desconocido (vase el numeral 3.9) en
una familia de distribuciones (vase el numeral 3.8) es igual a la probabilidad de rechazar la hiptesis nula (vase el
numeral 2.41) para el valor del parmetro.

NOTA 2 En la mayora de casos de inters prctico, al incrementar el tamao de la muestra se incrementar la
eficiencia de la prueba. En otras palabras, la probabilidad de rechazar la hiptesis nula cuando la hiptesis
alternativa (vase el numeral 2.42) es verdadera aumenta al incrementarse el tamao de la muestra, reduciendo de
esta manera la probabilidad de un error Tipo II.

NOTA 3 En situaciones de ensayo es recomendable que cuando la muestra de ensayo es extremadamente
grande, deberan detectarse incluso desviaciones pequeas de la hiptesis nula, lo que conduce al rechazo de la
hiptesis nula. En otras palabras, la eficiencia de la prueba se debera aproximar a 1 para cualquier alternativa a la
hiptesis nula cuando el tamao de la muestra llega a ser infinitamente grande. Estos ensayos se denominan
consistentes. Al comparar dos pruebas con respecto a su eficiencia potencia, la prueba con la mayor eficiencia
potencia se considera la ms eficiente, siempre y cuando los niveles de significacin sean idnticos, al igual que las
hiptesis nulas y alternativas particulares. Hay descripciones matemticas ms formales de los trminos
"consistencia" y "eficiencia" que se encuentran fuera del alcance de esta norma. (Consulte las diferentes
enciclopedias de estadstica o libros de estadstica matemtica).

2.51 Curva de potencia (Power Curve). Conjunto de valores de la eficiencia de una prueba
(vase el numeral 2.50) en funcin del parmetro de la poblacin (vase el numeral 3.9) de una
familia de distribuciones (vase el numeral 3.8).

NOTA La funcin de eficiencia es igual a uno menos la curva caracterstica de operacin.

2.52 Estadstico de prueba, estadstico de contraste (Test Statistic). Estadstico (vase el
numeral 2.8) usado conjuntamente con una prueba estadstica (vase el numeral 2.48).

NOTA La funcin estadstica de ensayo se usa para evaluar si la distribucin de probabilidad (vase el numeral 3.11)
considerada es coherente con la hiptesis nula (vase el numeral 2.41) o la hiptesis alternativa (vase el numeral 2.42).

2.53 Funcin estadstica descriptiva grfica (Graphical Descriptive Statistics). Estadstica
descriptiva (vase el numeral 2.5) representada en forma grfica.

NOTA Generalmente, la intencin de la funcin estadstica descriptiva es reducir un gran nmero de valores a
algunos valores fciles de manejar, o presentar los valores de manera que se facilite su visualizacin. Los ejemplos
de resmenes grficos incluyen grficos de cajas, grficos de probabilidad, grficos Q-Q, diagramas de cuantila
normal, grficos de dispersin (nube de puntos), grficos de dispersin mltiple (nube de puntos mltiple), e
histogramas (vase el numeral 2.61).

2.54 Funcin estadstica descriptiva numrica (Numerical Descriptive Statistics). Funcin
Estadstica descriptiva (vase el numeral 2.5) en forma numrica.

NOTA La estadstica descriptiva numrica incluye el promedio (vase el numeral 2.15), el rango de la muestra
(vase el numeral 2.10), la desviacin estndar de la muestra (vase el numeral 2.17), el rango intercuartila, etc.

2.55 Clases (Classes)

NOTA Se supone que las clases son mutuamente exclusivas y exhaustivas. La lnea real son todos los nmeros
reales entre - y + .

2.55.1 Clase (Class). <Caracterstica cualitativa> Subconjunto de elementos de una muestra

2.55.2 Clase (Class). <Caracterstica ordinal> Conjunto de una o ms categoras adyacentes
en una escala ordinal.

2.55.3 Clase (Class). <Caracterstica cuantitativa> Intervalo de la lnea real.


20
2.56 Lmites de clase (Class limits, Class boundaries). <Caracterstica cuantitativa) Valores
que definen los lmites superior e inferior de una clase (vase el numeral 2.55).

NOTA Esta definicin hace referencia a los lmites de clase asociados con las caractersticas cuantitativas.

2.57 Punto medio de la clase (Mid-Point of Class). <Caracterstica cuantitativa> Promedio
(vase el numeral 2.15) de los lmites de la clase superior e inferior (vase el numeral 2.56).

2.58 Ancho de la clase (Class Width). <Caracterstica cuantitativa> lmite superior de una
clase menos el lmite inferior de una clase (vase el numeral 2.55).

2.59 Frecuencia (Frequency). Nmero de ocurrencias o valores observados (vase el
numeral 2.4) en una clase especificada (vase el numeral 2.55).

2.60 Distribucin de frecuencia (Frequency Distribution). Relacin emprica entre clases
(vase el numeral 2.55) y su nmero de ocurrencias o valores observados (vase el numeral 2.4).

2.61 Histograma (Histogram). Representacin grfica de una distribucin de frecuencia
(vase el numeral 2.60) compuesta por rectngulos contiguos, cada uno de ellos con un ancho de
base igual al ancho de la clase (vase el numeral 2.58) y rea proporcional a la frecuencia de la
clase.

NOTA Se debe prestar atencin a situaciones en las que los datos se producen en clases que tienen anchos de
clase desiguales.

2.62 Grfico de barras. (Bar Chart). Representacin grfica de una distribucin de
frecuencia (vase el numeral 2.60) de una propiedad nominal, compuesta de un conjunto de
rectngulos de ancho uniforme con altura proporcional a la frecuencia (vase el numeral 2.59).

NOTA 1 Los rectngulos se describen algunas veces como imgenes tridimensionales con propsitos
aparentemente estticos, aunque esto no agrega informacin adicional y no es una presentacin recomendada. En
un grfico de barras no es necesario que los rectngulos sean contiguos.

NOTA 2 Los software disponibles no siempre siguen las definiciones establecidas aqu, debido a que la diferencia
entre histogramas y grficos de barras no es muy clara, ya que el software disponible no siempre sigue las
definiciones establecidas aqu.

2.63 Frecuencia acumulativa (Cumulativa Frequency). Frecuencia (vase el numeral 2.59)
para clases hasta un lmite especificado, inclusive.

NOTA Esta definicin solamente es aplicable a valores especificados que corresponden a los lmites de clase

2.64 Frecuencia Relativa (Relative Frequency). Frecuencia (vase el numeral 2.59) dividida
por el nmero total de ocurrencias o valores observados (vase el numeral 2.4).

2.65 Frecuencia relativa acumulativa (Cumulative Relative Frequency). Frecuencia
acumulativa (vase el numeral 2.63) dividida por el nmero total de ocurrencias o valores
observados (vase el numeral 2.4).

3. TRMINOS USADOS EN PROBABILIDAD

3.1 Espacio muestral, (Sample Space, ). Conjunto de todos los resultados posibles.

EJEMPLO 1 Considere los tiempos de falla de las bateras compradas por un consumidor. Si la batera no tiene
potencia al usarla la primera vez, su tiempo de falla es 0. Si la batera funciona durante un momento, tiene un tiempo


21
de falla de algunas horas. Por tanto, el espacio muestral est compuesto de los resultados {la batera falla en el
intento inicial} y {la batera falla despus de x horas, en donde x es mayor que cero horas}. Este ejemplo se usar en
todo el numeral. En particular, en el numeral 3.68 se presenta un explicacin amplia de este ejemplo.

EJEMPLO 2 Una caja contiene 10 resistencias etiquetadas 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. Si se hiciera un muestreo
aleatorio de 2 resistencias de este conjunto de resistencias, sin reemplazarlas, el espacio muestral constara de los
siguientes resultados: (1,2), (1,3), (1,4), (1,5) (1,6), (1,7), (1,8), (1,9), (1,10), (2,3), (2,4), (2,5) (2,6), (2,7), (2,8), (2,9),
(2,10), (3,4), (3,5) (3,6), (3,7), (3,8), (3,9), (3,10), (4,5) (4,6), (4,7), (4,8), (4,9), (4,10), (5,6), (5,7), (5,8), (5,9), (5,10),
(6,7), (6,8), (6,9), (6,10), (7,8), (7,9), (7,10), (8,9), (8,10), (9,10). El evento (1,2) se considera idntico a (2.1), de
manera que el orden de muestreo de las resistencias no importa. Por el contrario, si el orden tiene significacin, de
manera que (1,2) se considera diferente de (2,1), entonces hay un total de 90 resultados en el espacio muestral.

EJEMPLO 3 Si en el ejemplo anterior el muestreo se ha realizado con reemplazo, entonces sera necesario incluir
los eventos adicionales (1,1), (2,2), (3,3), (4,4), (5,5), (6,6), (7,7), (8,8), (9,9) y (10,10). En el caso en que el orden no
es de importancia, habra 55 resultados en el espacio muestral. En la situacin en la que el orden es importante,
habra 100 resultados en el espacio de la muestra.

NOTA 1 Los resultados posibles pueden provenir de un experimento real o de uno completamente hipottico. Este
conjunto puede ser, por ejemplo, una lista explcita, un conjunto contable, tal como los enteros positivos, {1, 2, 3,...},
o la lnea real.

NOTA 2 El espacio muestral es el primer componente de un espacio de probabilidad (vase el numeral 3.68).

3.2 Evento, A (Event, A). Subconjunto del espacio muestral (vase el numeral 3.1).

EJEMPLO 1 Continuando con el ejemplo 1 del numeral 3.1, los siguientes son ejemplos de los eventos {0}, (0,2), {5, 7}
[7, + ), correspondiente a una batera que fall inicialmente, una batera que trabaja al comienzo pero falla a las dos horas,
una batera que falla exactamente a las 5,7 h, y una batera que no ha fallado a las 7 h. El {0} y el {5, 7} son cada uno
conjuntos que contienen un solo valor; (0, 2) es un intervalo abierto de la lnea real; [7, + ] es un intervalo infinito cerrado a la
izquierda, de la lnea real.

EJEMPLO 2 Continuando con el ejemplo 2 de 3.1, el inters se limita a la seleccin sin reemplazo y sin registrar el
orden de la seleccin. Un evento posible es A definido por {al menos una de las resistencias 1 2 est incluida en la
muestra}. Este evento contiene 17 resultados (1,2), (1,3), (1,4), (1,5), (1,6), (1,7), (1,8), (1,9), (1,10), (2,3), (2,4),
(2,5), (2,6), (2,7), (2,8), (2,9) y (2,10). Otro evento posible B es {ninguna de las resistencias 8, 9 10 est incluida en
la muestra}. Este evento contiene los 21 resultados (1,2), (1,3), (1,4), (1,5), (1,6), (1,7), (2,3), (2,4) (2,5), (2,6), (2,7),
(3,4), (3,5), (3,6), (3,7), (4,5), (4,6), (4,7), (5,6), (5,7), (6,7).

EJEMPLO 3 Continuando con el ejemplo 2, la interseccin de eventos A y B (es decir, que al menos una de las
resistencias 1 y 2 est incluida en la muestra, pero ninguna de las resistencias 8, 9 y 10) contiene los
siguientes 11 resultados (1,2), (1,3), (1,4), (1,5), (1,6), (1,7), (2,3), (2,4), (2,5), (2,6), (2,7).

Incidentalmente, el nmero de resultados en la unin de los eventos A, y B (es decir, que al menos una de las
resistencias 1 y 2, ninguna de las resistencias 8, 9 y 10 est incluida en la muestra) es 27, que tambin es igual a
17 + 21 - 11, a saber, el nmero de resultados en A ms el nmero de resultados en B, menos el nmero de
resultados en la interseccin es igual al nmero de resultados en la unin de los eventos.

NOTA Dado un evento y un resultado de un experimento, se dice que el evento ocurri si el resultado pertenece al
evento. Los eventos de inters prctico pertenecern a la suma algebrica de eventos (vase el numeral 3.69), el
segundo componente del espacio de probabilidad (vase el numeral 3.68). Los eventos ocurren naturalmente en
contextos de juego (pquer, ruleta, etc.) en donde la determinacin del nmero de resultados que pertenecen a un
evento determina las probabilidades de pares.

3.3 Evento complementario, A
c
(Complementary Event, A
c
)
.

Espacio muestral (vase el
numeral 3.1), exceptuando el evento dado (vase el numeral 3.2).

EJEMPLO 1 Continuando con el ejemplo 1 del numeral 3.1 sobre la batera, el complemento del evento {0} es el evento
(0, + ), que es equivalente al complemento del evento en el cual la batera no funcion inicialmente, es el evento en que
la batera funcion inicialmente. En forma similar, el evento [0,3) corresponde a los casos en que la batera no estaba
funcionando inicialmente o funcion menos de tres horas. El complemento de este evento es [3, ), que corresponde al
caso en que la batera funcion durante 3 h y su tiempo de falla es mayor que este valor.

EJEMPLO 2 Continuando con el ejemplo 2 del numeral 3.2, el nmero de resultados en B se puede encontrar
fcilmente considerando el evento complemento a B = {la muestra contiene al menos una de las resistencias 8, 9 y
10}. Este evento contiene los 7 + 8 + 9 = 24 resultados (1,8), (2,8), (3.8), (4,8), (5,8), (6,8), (7,8), (1,9), (2,9), (3,9),


22
(4,9), (5,9), (6,9), (7.9), (8,9), (1,10), (2,10), (3,10), (4,10), (5,10), (6,10), (7,10), (8,10), (9,10). Ya que todo el espacio
muestral contiene 45 resultados en este caso, el evento B contiene 45 - 24 = 21 resultados [a saber: (1,2), (1,3),
(1,4), (1,5), (1,6), (1,7), (2,3), (2,4), (2,5), (2,6), (2,7), (3,4), (3,5), (3,6), (3,7), (4,5),(4.6), (4,7), (5,6), (5,7), (6,7)].

NOTA 1 El evento complemento es el suplemento del evento en el espacio muestral.

NOTA 2 El evento complementario tambin es un evento.

NOTA 3 Para un evento A, el evento complementario a A se designa usualmente por el smbolo A
C
.

NOTA 4 En muchas situaciones puede ser ms fcil calcular la probabilidad del complemento de un evento que la
probabilidad del evento. Por ejemplo, el evento definido por "al menos ocurre un defecto en una muestra de 10
elementos escogidos aleatoriamente de una poblacin de 1 000 elementos, con un porcentaje supuesto de
elementos defectuosos" tiene un nmero considerable de resultados por enumerar. El complemento de este evento
(no se encuentra ningn defecto) es mucho ms fcil de abordar.

3.4 Eventos independientes (Independent Events). Par de eventos (vase el numeral 3.2),
tal que la probabilidad (vase el numeral 3.5) de la interseccin de dos eventos es el producto
de las probabilidades individuales.

EJEMPLO 1 Considere una situacin en la que se lanzan dos dados, uno de ellos rojo y el otro blanco, para
diferenciar los 36 posibles resultados con probabilidad de 1/36 asignada a cada uno. D
1
se define como el evento en
donde la suma de los puntos en el dado rojo y en el blanco es i. W se define como el evento en que el dado blanco
muestra un punto. Los eventos D
7
y W son independientes, mientras que los eventos D
i
y W no son independientes
para i = 2, 3, 4, 5 6. Los eventos que no son independientes se denominan eventos dependientes.

EJEMPLO 2 Los eventos independientes y dependientes surgen naturalmente en las aplicaciones. En casos en
donde los eventos o circunstancias son dependientes, es bastante til conocer el resultado de un evento
relacionado. Por ejemplo, un individuo que debe ser sometido a una ciruga del corazn puede tener posibilidades
de xito muy diferentes, si el individuo tiene historia de fumador u otros factores de riesgo. As, el tabaco y el riesgo
de muerte por procedimientos invasivos pueden ser dependientes. En contraste, es probable que la muerte sea
independiente del da de la semana en que la persona naci. En el contexto de confiabilidad, los componentes que
tienen una causa de falla comn no tienen tiempos de falla independientes. Las barras de combustible de un reactor
tienen una probabilidad presumiblemente baja de que presenten grietas, pero si una barra de combustible se agrieta,
la probabilidad de agrietamiento de la barra adyacente se puede incrementar sustancialmente.

EJEMPLO 3 Continuando con el ejemplo 2 del numeral 3.2, suponga que el muestreo se ha llevado a cabo
mediante muestreo aleatorio simple, de manera que todos los resultados tienen la misma probabilidad 1/45.
Entonces P(A) = 17/45 = 0,377 8, P(B) = 25/45 = 0,4667 y P(A y B) = 11/45 = 0,244 4. Sin embargo, el producto P(A)
x P(B) = (17(45) x (21/45) = 0,176 3 es diferente de 0,244 4, de manera que los eventos A y B no son
independientes.

NOTA Esta definicin se aplica en el contexto de dos eventos, pero se puede ampliar. Para los eventos A y B la
condicin de independencia es P(A B) = P (A) P(B). Para que tres eventos, A, B y C, sean independientes, se
requiere que:

) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) ( ) (
C P B P C B P
y C P A P C A P
B P A P B A P
C P B P A P C B A P
=
=
=
=

En general, para ms de dos eventos, A
1
, A
2
, ... A
n
son independientes si la probabilidad de la
interseccin de cualquier subconjunto dado de eventos es igual al producto de los eventos
individuales. Esta condicin se aplica a todos los subconjuntos. Es posible construir un ejemplo
en el cual cada par de eventos sea independiente, pero los tres eventos no son independientes
(es decir, independencia por pares, pero no completa).

3.5 Probabilidad de un evento A, P(A) (Probability of an Event A, P(A)). Nmero real en el
intervalo cerrado [0,1] asignado a un evento (vase el numeral 3.2).

EJEMPLO Continuando con el ejemplo 2 del numeral 3.1, la probabilidad para un evento se puede encontrar
sumando las probabilidades de todos los resultados que componen el evento. Si todos los 45 resultados tienen la


23
misma probabilidad, cada uno de ellos tendr una probabilidad 1/45. La probabilidad de un evento se puede
encontrar contando el nmero de resultados y dividiendo este nmero por 45.

NOTA 1 La medida de la probabilidad (vase el numeral 3.70) suministra la atribucin de nmeros reales a cada
evento de inters en el espacio muestral. Si consideramos un evento individual, la atribucin dada por la medida de
probabilidad da la probabilidad asociada con el evento. En otras palabras, la medida de la probabilidad da el
conjunto completo de atribuciones para todos los eventos, mientras que la probabilidad representa una atribucin
especfica para un evento individual.

NOTA 2 Esta definicin se refiere a la probabilidad como probabilidad de un evento especfico. La probabilidad
puede estar relacionada con una frecuencia relativa de ocurrencias a largo plazo, o con un grado de creencia en la
ocurrencia probable de un evento. Habitualmente, la probabilidad de un evento A se designa por P(A). La notacin
(A) usando la letra se usa en contextos en donde existe la necesidad de considerar explcitamente la formalidad
de un espacio de probabilidad (vase el numeral 3.68).

3.6 Probabilidad condicional, P(A|B) (Conditional Probability, P(A|B)). Probabilidad de un
evento (vase el numeral 3.5) de la interseccin de A y B dividida por la probabilidad de B.

EJEMPLO 1 Continuando con el ejemplo de la batera del numeral 3.1, considere el evento A (vase el numeral
3.2) definido como {la batera sobrevive al menos 3 h}, a saber [3, ). Sea el evento B definido como {la batera que
funcion inicialmente}, a saber (0, ). La probabilidad condicional de A dado B tiene en cuenta que uno tiene que ver
con las bateras que funcionaron inicialmente.

EJEMPLO 2 Continuando con el ejemplo 2 del numeral 3.1, si la seleccin es sin reemplazo, la probabilidad de
seleccionar la resistencia 2 en la segunda extraccin es igual a 0, dado que no fue seleccionada en la primer
extraccin. Si las probabilidades son iguales para todas las resistencias por seleccionar, la probabilidad de
seleccionar la resistencia 2 en la segunda extraccin es igual a 0,111 1, dado que no ha sido seleccionada en la
primera extraccin.

EJEMPLO 3 Continuando con el ejemplo 2 del numeral 3.1, si la seleccin se hace con reemplazo, y las
probabilidades son las mismas para todas las resistencias que van a ser seleccionadas dentro de cada extraccin,
entonces la probabilidad de seleccionar la resistencia 2 en la segunda extraccin ser de 0,1 si la resistencia 2 ha
sido seleccionada o no en la primera extraccin. As, los resultados de la primera y segunda extraccin son eventos
independientes.

NOTA 1 Se requiere que la probabilidad del evento B sea mayor de cero.

NOTA 2 "A dado B" se puede formular en forma ms completa como "el evento A dado que el evento B ha
ocurrido". La barra vertical en el smbolo para probabilidad condicional se lee "dado".

NOTA 3 Si la probabilidad condicional del evento A dado que el evento B ocurri es igual a la probabilidad de que
ocurra A, los eventos A y B son independientes. En otras palabras, el conocimiento de la ocurrencia de B no sugiere
ajustes a la probabilidad de A.

3.7 Funcin de distribucin de una variable aleatoria X, F(x). (Distribution Function of a
Random Variable X, F(x)) Funcin de x dada la probabilidad (vase el numeral 3.5) del
evento (vase el numeral 3.2) (-, x]

NOTA 1 El intervalo (-, x] es el conjunto de todos los valores hasta x inclusive.

NOTA 2 La funcin de distribucin describe completamente la distribucin de probabilidad (vase el numeral 3.11) de
la variable aleatoria (vase el numeral 3.10). Las clasificaciones de las distribuciones, al igual que las clasificaciones de
las variables aleatorias en clases discretas o continuas se basan en clasificaciones de las funciones de distribucin.

NOTA 3 Ya que las variables aleatorias toman valores que son nmeros reales o k-uplas ordenadas de nmeros
reales, est implcito en la definicin que x es tambin un nmero real o una k-upla ordenada de nmeros reales. La
funcin de distribucin para una distribucin con mltiples variables (vase el numeral 3.17) da la probabilidad
de un evento (vase el numeral 3.5) de que cada una de las variables aleatorias de la distribucin con mltiples
variables sea menor o igual a un valor especificado. En trminos de notacin, una funcin de distribucin con
variables mltiples est dada por F(x
1
, x
2
, ..., x
n
) = P[X
1
x
1
, X
2
x
2
, ..., X
n
x
n
]. Adems, una funcin de distribucin es
no decreciente. En una posicin con una sola variable, la funcin de distribucin est dada por F(x) = P[X x], que
da la probabilidad del evento de que la variable aleatoria X asuma un valor menor o igual a x.


24
NOTA 4 Comnmente las funciones de distribucin se clasifican en funciones de distribucin discreta (vase el
numeral 3.22) y distribucin continua (vase el numeral 3.23) pero existen otras posibilidades. Tomando
nuevamente el ejemplo de la batera del numeral 3.1, una posible funcin de distribucin es:

[ ]
> +
=
<
=
0 ) ( exp 1 9 , 0 1 , 0
0 1 , 0
0 0
) (
x si x
x si
x si
x F

Sobre la base de esta especificacin de la funcin de distribucin, la vida de la batera es no
negativa. Existe una probabilidad del 10 % de que la batera no funcione al primer intento. Si la
batera funciona inicialmente, su vida tiene una distribucin exponencial (vase el numeral 3.58)
con una vida media de 1 h.

NOTA 5 La abreviatura fda (funcin de distribucin acumulativa) est dada para la funcin de distribucin.

3.8 Familia de distribuciones (Family of Distributions). Conjunto de distribuciones de
probabilidad (vase el numeral 3.11).

NOTA 1 El conjunto de distribuciones de probabilidad con frecuencia est determinado por un parmetro (vase
el numeral 3.9) de la probabilidad de distribucin.

NOTA 2 Con frecuencia la media (vase el numeral 3.35) y/o la varianza (vase el numeral 3.36) de la
distribucin de probabilidad se usan como el ndice de la familia de distribuciones o como parte del ndice en los
casos en donde se necesitan ms de dos parmetros para determinar la familia de distribuciones. En otras
ocasiones, la media y la varianza no son necesariamente parmetros explcitos en la familia de distribuciones, sino
ms bien una funcin de los parmetros.

3.9 Parmetro (Parameter). ndice de una familia de distribuciones (vase el numeral 3.8).

NOTA 1 El parmetro puede ser unidimensional o multidimensional.

NOTA 2 Algunas veces los parmetros se designan como parmetros de posicin, particularmente si el parmetro
corresponde directamente a la media de la familia de distribuciones. Algunos parmetros se describen como
parmetros de escala, particularmente si son exactos o proporcionales a la desviacin estndar (vase el numeral 3.37)
de la distribucin. Los parmetros que no son de posicin ni de escala se denominan generalmente parmetros de forma.

3.10 Variable aleatoria (Random Variable). Funcin definida en un espacio muestral (vase
el numeral 3.1) en donde los valores de la funcin son k-uplas de nmeros reales.

EJEMPLO Continuando con el ejemplo de la batera introducido en el numeral 3.1, el espacio muestral est
compuesto de eventos que se describen con palabras (la batera falla al intento inicial, la batera trabaja al comienzo,
pero falla a las x horas). Estos eventos son difciles de analizar matemticamente, por tanto es natural asociar con
cada evento el momento (dado como un nmero real) en el que la batera falla. Si la batera aleatoria toma el valor
de 0, entonces se reconocera que este resultado corresponde a una falla inicial. Para un valor de la variable
aleatoria mayor de 0 se entendera que la batera trabaj inicialmente y luego fall a su valor especfico. La
representacin de la variable aleatoria permite responder preguntas tales como: " Cul es la probabilidad de que la
batera exceda su vida garantizada, es decir, 6 h?"

NOTA 1 Un ejemplo de k-upla ordenada es (x
1
, x
2
, ..., x
k
). En otras palabras, una k-upla ordenada es un vector en
dimensiones k (ya sea un vector de fila o columna).

NOTA 2 Como regla general, la variable aleatoria tiene una dimensin designada como k. Si k = 1, se dice que la
variable aleatoria es unidimensional o con una sola variable. Para k > 1, se dice que la variable aleatoria es
multidimensional. En la prctica, cuando la dimensin es un nmero dado, k, se dice que la variable aleatoria es k-
dimensional.


25
NOTA 3 Una variable aleatoria unidimensional es una funcin de valor real definida en el espacio muestral (vase
el numeral 3.1) que es parte de un espacio de probabilidad (vase el numeral 3.68).

NOTA 4 Una variable aleatoria con valores reales dados como pares ordenados, se dice que es bidimensional. La
definicin ampla el concepto de par ordenado a las k-uplas ordenadas.

NOTA 5 El componente j
simo
de una variable aleatoria dimensional con k dimensiones es la variable aleatoria
correspondiente solamente al j
sima
componente de la k-upla. El componente j
sima
de una variable aleatoria con k
dimensiones corresponde a un espacio de probabilidad en donde los eventos (vase el numeral 3.2) estn
determinados solamente en trminos de los valores del componente considerado.

3.11 Distribucin de probabilidad (Probability Distribution, Distribution). Medida de la
probabilidad (vase el numeral 3.70) inducida por una variable aleatoria (vase el numeral 3.10).

EJEMPLO Continuando con el ejemplo de la batera del numeral 3.1, la distribucin de la vida de la batera
describe completamente las probabilidades con las que ocurre el valor especfico. No se conoce con certeza cul
ser el momento de falla de una batera dada, y tampoco si funcionar al primer intento. La distribucin de
probabilidad describe completamente la naturaleza probabilstica de un resultado incierto. En la Nota 4 del numeral
3.7 se incluy una representacin posible de la distribucin de probabilidad, a saber, una funcin de distribucin.

NOTA 1 Existen numerosas representaciones matemticas equivalentes de una distribucin, que incluyen la
funcin de distribucin (vase el numeral 3.7), la funcin de densidad de probabilidad (vase el numeral 3.27),
si existe, y la funcin caracterstica. Con niveles variados de dificultad, estas representaciones permiten determinar
la probabilidad con la cual una variable aleatoria toma valores en una regin dada.

NOTA 2 Ya que una variable aleatoria es una funcin de subconjuntos del espacio muestral al valor real, puede
existir el caso, por ejemplo, donde la probabilidad de que una variable aleatoria tome un valor real es 1. Para el
ejemplo de la batera, P[X 0] = 1. En muchas situaciones es mucho ms fcil analizar directamente la variable
aleatoria y una de sus representaciones, que interesarse en la medicin de probabilidad subyacente. Sin embargo,
al hacer la conversin de una representacin a otra, la medida de la probabilidad asegura la coherencia.

NOTA 3 Una variable aleatoria con un solo componente se denomina distribucin de probabilidad unidimensional o
con una sola variable. Si una variable aleatoria tiene dos componentes, se habla de una distribucin de probabilidad
bidimensional o con dos variables, y con ms de dos componentes, la variable aleatoria tiene una distribucin de
probabilidad multidimensional o con mltiples variables.

3.12 Valor esperado (Expectation). Integral de una funcin de una variable aleatoria (vase
el numeral 3.10) con respecto a una medida de probabilidad (vase el numeral 3.70) sobre el
espacio muestral (vase el numeral 3.1).

NOTA 1 El valor esperado de la funcin g de una variable aleatoria X se designa mediante E [g(X)] y se calcula
como:

[ ]

= =
k
R
x F x g P X g X g E ) ( ) ( ) ( ) ( d d
en donde

F(x) es la funcin de distribucin correspondiente.

NOTA 2 La "E" en E[g(X)] proviene del valor esperado o expectativa de la variable aleatoria X. E se puede
considerar como un operador o funcin que representa una variable aleatoria con una lnea real, de acuerdo con el
clculo anterior.

NOTA 3 Se dan dos integrales para E[g(X)]. La primera concierne a la integracin sobre el espacio muestral que
es conceptualmente atractivo, pero no para uso prctico, por razones de dificultad al abordar estos eventos (por
ejemplo, si se indican verbalmente). La segunda integral describe el clculo sobre R
k
, que es de mayor inters
prctico.

NOTA 4 En muchos casos de inters prctico la integral anterior se reduce a una forma reconocible de clculo. Se
presentan ejemplos en las notas del momento de orden r (vase el numeral 3.34) en donde g(x) = x
r
, la media
(vase el numeral 3.35) en donde g(x) = x y la varianza (vase el numeral 3.36) en donde g(x) = [x - E (X)]
2
.


26
NOTA 5 La definicin no est limitada a integrales unidimensionales, como lo podran sugerir los ejemplos y notas
anteriores. Para situaciones dimensionales superiores, vase el numeral 3.43.

NOTA 6 Para una variable aleatoria discreta (vase el numeral 3.28), la segunda integral de la nota 1 se
reemplaza por el smbolo de sumatoria. En el numeral 3.35 se presentan ejemplos.

3.13 Cuantila-p, Fractila-p, X
p
, x
p.
. Valor de x igual al menor de todos los x, de manera que la
funcin de distribucin (vase el numeral 3.7) F(x) es mayor o igual que p, para 0 < p < 1.

EJEMPLO 1 Considere una distribucin binomial (vase el numeral 3.46) con la funcin de masa de probabilidad
dada en la Tabla 2. Este conjunto de valores corresponde a una distribucin binomial con parmetros n = 6 y p = 0,3.
Para este caso, algunas p-cuantilas seleccionadas son:

5
5
4
3
3
2
1
0
999 , 0
99 , 0
95 , 0
90 , 0
75 , 0
5 , 0
25 , 0
1 , 0
=
=
=
=
=
=
=
=
x
x
x
x
x
x
x
x

El carcter discreto de la distribucin binomial conduce a valores integrales de las cuantilas-p.

Tabla 2. Ejemplo de distribucin binomial

X P[X=x] P[X x] P[X > x]
0 0,117 649 0,117 649 0,882 351
1 0,302 526 0,420 175 0,579 825
2 0,324 135 0,744 310 0,255 690
3 0,185 220 0,929 530 0,070 470
4 0,059 535 0,989 065 0,010 935
5 0,010 206 0,999 271 0,000 729
6 0,000 729 1,000 000 0,000 000

EJEMPLO 2 Considere una distribucin normal estandarizada (vase el numeral 3.51) con valores
seleccionados, a partir de su funcin de distribucin dada en la Tabla 3. Algunas cuantilas-p seleccionadas son:

Tabla 3. Ejemplo de distribucin normal estandarizada

p x tal que P[X x]= p
0,1 -1,282
0,25 -0,674
0,5 0,000
0,75 0,674
0,841 344 75 1,000
0,9 1,282
0,95 1,645
0,975 1,960
0,99 2,356
0,995 2,576
0,999 3,090

Ya que la distribucin de X es continua, el encabezado de la segunda columna tambin puede
ser x, tal que P [X < x] = p.


27
NOTA 1 Para las distribuciones continuas (vase el numeral 3.23), si p es 0,5, entonces la cuantila-0,5
corresponde a la mediana (vase el numeral 3.14). Para p igual a 0,25, la cuantila-0,25 se conoce como la cuartila
inferior. Para distribuciones continuas, el 25 % de la distribucin est por debajo de la cuantila 0,25, mientras que el
75 % est por encima de la cuantila 0,25. Para p igual a 0,75, la cuantila-0,75 se conoce como la cuartila superior.

NOTA 2 En general, 100 p % de una distribucin est por debajo la cuantila-p; 100(1-p) % de una distribucin est
por encima de la cuantila-p. Es difcil definir la mediana para las distribuciones discretas, ya que se puede
argumentar que tiene mltiples valores que satisfacen la definicin.

NOTA 3 Si F es continua y estrictamente creciente, la p-cuantila es la solucin a F(x) = p. En este caso, la palabra
"infimum" en la definicin puede ser reemplazada por "mnimo".

NOTA 4 Si la funcin de distribucin es constante e igual a p en un intervalo, entonces todos los valores en ese
intervalo son cuantilas-p para F.

NOTA 5 Las cuantilas-p se definen para las distribuciones con una variable (vase el numeral 3.16).

3.14 Mediana (Median). Cuantila-0,5 (vase el numeral 3.13).

EJEMPLO Para el ejemplo de la batera de la Nota 4 en el numeral 3.7, la mediana es 0,587 8, que es la solucin
para x en 0,1 + 0,9 [1-exp(-x)] = 0,5

NOTA 1 La mediana es una de las cuantilas-p (vase el numeral 3.13) de aplicacin ms comn en la prctica. La
mediana de una distribucin continua con una variable (vase el numeral 3.16) es tal, que la mitad de la
poblacin (vase el numeral 2.1) es mayor o igual a la mediana, y la mitad de la poblacin es menor o igual a la
mediana.

NOTA 2 Las medianas se definen para distribuciones con una variable (vase el numeral 3.16).

3.15 Cuartila (Quartile). Cuantila-0,25 (vase el numeral 3.13) o cuantila-0,75.

EJEMPLO Continuando con el ejemplo de la batera del numeral 3.14, se puede demostrar que la cuantila 0,25
es 0,182 3 y la cuantila 0,75 es 1,280 9.

NOTA 1 La cuantila 0,25 tambin se conoce como la cuartila inferior mientras que la cuantila 0,75 tambin se
conoce como la cuartila superior.

NOTA 2 Las cuantilas se definen para distribuciones con una variable (vase el numeral 3.16).

3.16 Distribucin de probabilidad con una variable (Univariate Probability Distribution,
Univariate Distribution). Distribucin de probabilidad (vase el numeral 3.11) de una sola
variable aleatoria (vase el numeral 3.10).

NOTA Las distribuciones de probabilidad con una variable son unidimensionales. Las distribuciones binomial (vase el
numeral 3.46), Poisson (vase el numeral 3.47), normal (vase el numeral 3.50), gama (vase el numeral 3.56), t (vase
el numeral 3.53), Weibull (vase el numeral 3.63) y beta (vase el numeral 3.59) son ejemplos de distribuciones de
probabilidad con una variable.

3.17 Distribucin de probabilidad multivariable, distribucin multivariable (Multivariate
Probability Distribution, Multivariate Distribution). Distribucin de probabilidad (vase el
numeral 3.11) de dos o ms variables aleatorias (vase el numeral 3.10).

NOTA 1 Para distribuciones de probabilidad con dos variables aleatorias exactamente, el calificativo "con mltiples
variables" con frecuencia se reemplaza por el calificativo ms restrictivo con dos variables. Como se mencion en
el prlogo, la distribucin de probabilidad de una sola variable aleatoria se puede denominar explcitamente
distribucin unidimensional o distribucin con una variable (vase el numeral 3.16). Ya que esta situacin es la
que predomina, es habitual suponer una situacin con una variable, a menos que se indique algo diferente.

NOTA 2 La distribucin con mltiples variables algunas veces se denomina distribucin conjunta.


28
NOTA 3 La distribucin multinomial (vase el numeral 3.45), la distribucin normal con dos variables (vase
el numeral 3.65) y la distribucin normal multivariable (vase el numeral 3.64) son ejemplos de distribuciones
de probabilidad multivariable (vase el numeral 3.64) de que trata la presente norma, NTC 2062-1 (ISO 3534-1).

3.18 Distribucin de probabilidad marginal, distribucin marginal (Marginal Probability
Distribution, Marginal Distribution). Distribucin de probabilidad (vase el numeral 3.11)
de un subconjunto estricto y no vaco de componentes de una variable aleatoria (vase el
numeral 3.10).

EJEMPLO 1 Para una distribucin con tres variables aleatorias X, Y y Z hay tres distribuciones marginales con dos
variables aleatorias, a saber, para (X, Y), (X, Z) y (Y, Z) y tres distribuciones marginales con una sola variable
aleatoria, a saber, para X, Y y Z.

EJEMPLO 2 Para la distribucin normal con dos variables (vase el numeral 3.65) de la pareja de variables (X,
Y), la distribucin de cada una de las variables X y Y consideradas separadamente son distribuciones marginales, y
ambas son distribuciones normales (vase el numeral 3.50).

EJEMPLO 3 Para la distribucin multinomial (vase el numeral 3.45), la distribucin de (X
1
, X
2
) es una
distribucin marginal si k > 3. Las distribuciones de X
1
, X
2
, ... X
k
separadamente tambin son distribuciones
marginales. Estas distribuciones marginales son cada una distribuciones binomiales (vase el numerales 3.46).

NOTA 1 Para una distribucin conjunta en dimensiones k, un ejemplo de una distribucin marginal incluye la
distribucin de probabilidad de un subconjunto de k
1
< k variables aleatorias.

NOTA 2 Dada una distribucin de probabilidad multivariable (vase el numeral 3.17) continuas (vase el
numeral 3.23) representadas por su funcin de densidad de probabilidad (vase el numeral 3.26), la funcin de
densidad de probabilidad de su distribucin de probabilidad marginal se determina integrando la funcin de densidad
de probabilidad sobre el dominio de las variables que no se consideran en la distribucin marginal.

NOTA 3 Dada una distribucin de probabilidad con mltiples variables discretas (vase el numeral 3.22)
representada por su funcin de masa de probabilidad (vase el numeral 3.24), la funcin de masa de probabilidad
de su distribucin de probabilidad marginal se determina sumando la funcin de masa de probabilidad sobre el
dominio de las variables que no se consideran en la distribucin marginal.

3.19 Distribucin de probabilidad condicional, distribucin condicional (Conditional
Probability Distribution, Conditional Distribution). Distribucin de probabilidad (vase el
numeral 3.11) limitada a un subconjunto no vaco del espacio muestral (vase el numeral 3.1) y
ajustada para tener una probabilidad total sobre el espacio muestral limitado.

EJEMPLO 1 En el ejemplo de la batera del numeral 3.7, Nota 4, la distribucin condicional de la vida de la batera,
dada de que la batera funciona inicialmente, es exponencial (vase el numeral 3.58).

EJEMPLO 2 Para la distribucin normal con dos variables (vase el numeral 3.65), la distribucin de
probabilidad condicional de Y dado que X = x refleja el impacto sobre Y del conocimiento de X.

EJEMPLO 3 Considere una variable aleatoria X que describe la distribucin de los costos anuales asegurados por
prdidas en la Florida debido a eventos declarados causados por huracanes. Esta distribucin tendra una
probabilidad no cero de costos cero por prdidas anuales debido a la posibilidad de que ningn huracn afecte a la
Florida en un ao dado. Puede tener inters la distribucin condicional de los costos de prdidas para estos aos en
los que un evento ocurre realmente.

NOTA 1 Como ejemplo de una distribucin con dos variables aleatorias X y Y, existen distribuciones condicionales
para X y distribuciones condicionales para Y. Una distribucin de X condicionada a travs de Y = y se designa como
"distribucin condicional de X dada Y = Y", mientras que una distribucin de Y condicionada por X = x se designa
como "distribucin condicional de Y dado X = x".

NOTA 2 Las distribuciones de probabilidad marginal (vase el numeral 3.18) se pueden considerar como
distribuciones no condicionales.

NOTA 3 El Ejemplo 1 anterior ilustra la situacin en que una distribucin con una variable es ajustada por medio
de condicionamiento para obtener otra distribucin con una variable, que en este caso es una distribucin diferente.
En contraste, para la distribucin exponencial, la distribucin condicional de que una falla ocurrir en la siguiente
hora, dado que durante las 10 primeras horas no ha ocurrido ninguna falla, es exponencial con el mismo parmetro.


29
NOTA 4 Algunas distribuciones condicionales pueden surgir para algunas distribuciones discretas en donde no es
posible obtener resultados especficos. Por ejemplo, la distribucin de Poisson puede servir como modelo para
pacientes de cncer en una poblacin de pacientes infectados, sobre la base de que es estrictamente positiva (un
paciente sin tumores por definicin no est infectado).

NOTA 5 Las distribuciones condicionales surgen en el contexto de limitar el espacio muestral a un subconjunto
particular. Para (X, Y) que tienen una distribucin normal con dos variables (vase el numeral 3.65), puede ser de
inters considerar la distribucin condicional de (X, Y), dado que el resultado debe ocurrir en el cuadrado de la
unidad [0,1] x [0,1]. Otra posibilidad es la distribucin condicional de (X, Y), dado que X
2
+ Y
2
r. Este caso
corresponde a una situacin en la que, por ejemplo, una parte cumple una tolerancia y una podra estar interesada
en otras propiedades, con base en la conformidad con esta tolerancia.

3.20 Curva de regresin (Regression Curve). Conjunto de valores esperados (vase el
numeral 3.12) de la distribucin de probabilidad condicional (vase el numeral 3.19) de una
variable aleatoria (vase el numeral 3.10) Y dada una variable aleatoria X = x.

NOTA Aqu, una curva de regresin se define en el contexto de (X, Y) que tiene una distribucin con dos variables
(vase la Nota 1 del numeral 3.17). En consecuencia, es un concepto diferente de los encontrados en el anlisis de
regresin en el cual Y est relacionado con un conjunto determinista de valores independientes.

3.21 Superficie de regresin (Regression Surface). Conjunto de valores esperados (vase el
numeral 3.12) de la distribucin de probabilidad condicional (vase el numeral 3.19) de una
variable aleatoria Y (vase el numeral 3.10) dadas las variables aleatorias X
1
= x
1
y X
2
= x
2
.

NOTA Aqu, al igual que en el numeral 3.20, la superficie de regresin se define en el contexto de (Y, X
1
, X
2
) que
tiene una distribucin multivariable (vase el numeral 3.17). Al igual que con la curva de regresin, la superficie de
regresin involucra un concepto diferente de los encontrados en el anlisis de regresin y en la metodologa de
respuesta de la superficie.

3.22 Distribucin de probabilidad discreta, distribucin discreta (Discrete Probability
Distribution, Discrete Distribution). Distribucin de probabilidad (vase el numeral 3.11)
para la cual el espacio muestral (vase el numeral 3.1) es finito o contablemente infinito .

EJEMPLO Los ejemplos de distribuciones discretas en este documento son multinomiales (vase el numeral 3.45),
binomiales (vase el numeral 3.46), Poisson (vase el numeral 3.47), hipergeomtricas (vase el numeral 3.48) y
binomiales negativas (vase el numeral 3.49).

NOTA 1 El trmino "discreto" implica que el mismo espacio muestral se puede dar en una lista finita o al inicio de
una lista infinita en la cual la estructura es aparente, tal como un nmero de defectos igual a 0, 1, 2, ...
Adicionalmente, la distribucin binomial corresponde a un espacio muestral finito {0, 1, 2, ... n}, mientras que la
distribucin de Poisson corresponde a un espacio muestral infinito en forma contable {0, 1, 2, ...}.

NOTA 2 Las situaciones con datos de atributos en el muestreo de aceptacin involucran distribuciones discretas.

NOTA 3 La funcin de distribucin (vase el numeral 3.7) de una distribucin discreta contiene valores discretos.

3.23 Distribucin de probabilidad continua, distribucin continua (Continuous
Probability Distribution). Distribucin de probabilidad (vase el numeral 3.11) para la cual
la funcin de distribucin (vase el numeral 3.7) evaluada en x se puede expresar como una
integral de una funcin no negativa de - a x.

EJEMPLO Las situaciones en las que ocurren distribuciones continuas son prcticamente cualquiera de las que
involucran datos tipo variable encontrados en aplicaciones industriales.

NOTA 1 Los ejemplos de las distribuciones continuas son normal (vase el numeral 3.50), normal estandarizada
(vase el numeral 3.51), t (vase el numeral 3.53), F (vase el numeral 3.55), gama (vase el numeral 3.56), chi-
cuadrado (vase el numeral 3.57), exponencial (3.58), beta (vase el numeral 3.59), uniforme (vase el numeral 3.60),
valor extremo tipo I (vase el numeral 3.61), valor extremo tipo II (vase el numeral 3.62), valor extremo tipo III (vase
el numeral 3.63), y logartmica normal (vase el numeral 3.52).


30
NOTA 2 La funcin no negativa a la que se hace referencia en la definicin es la funcin de densidad de
probabilidad (vase el numeral 3.26). Es demasiado restrictivo insistir en que la funcin de distribucin sea
diferenciable en todas partes. Sin embargo, para consideraciones prcticas muchas distribuciones continuas usadas
comnmente se benefician de la propiedad de que la derivada de la funcin de distribucin proporciona la funcin de
densidad de probabilidad correspondiente.

NOTA 3 Las situaciones con datos tipo variable en las aplicaciones de muestreo de aceptacin corresponden a
distribuciones de probabilidad continuas.

3.24 Funcin de masa de probabilidad (Probability Mass Function) .<Distribucin discreta>
funcin que da la probabilidad (vase el numeral 3.5) de que una variable aleatoria (vase el
numeral 3.10) sea igual a un valor dado.

EJEMPLO 1 La funcin de masa de probabilidad que describe la variable aleatoria X igual al nmero de caras
que resultan al lanzar tres monedas es:

8 / 1 ) 3 (
8 / 3 ) 2 (
8 / 3 ) 1 (
8 / 1 ) 0 (
= =
= =
= =
= =
X P
X P
X P
X P

EJEMPLO 2 Al definir las distribuciones discretas comunes (vase el numeral 3.22) encontradas en aplicaciones
se dan diversas funciones de masa de probabilidad. Los ejemplos siguientes de distribuciones discretas con una
variable incluyen la binomial (vase el numeral 3.4), Poisson (vase el numeral 3.47), hipergeomtrica (vase el
numeral 3.48) y binomial negativa (vase el numeral 3.49). Un ejemplo de una distribucin discreta con mltiples
variables es la multinomial (vase el numeral 3.45).

NOTA 1 La funcin de masa de probabilidad se puede dar como P(X=x
1
) = p
i
, en donde X es la variable aleatoria,
x
i
es un valor dado, y p
i
es la probabilidad correspondiente.

NOTA 2 Una funcin de masa de probabilidad se introdujo en la cuantila-p del ejemplo 1 del numeral 3.13, usando
distribucin binomial (vase el numeral 3.46).

3.25 Modo de funcin de masa de probabilidad (Mode of Probability Mass Function).
Valor(es) en donde una funcin de masa de probabilidad (vase el numeral 3.24) alcanza el
mximo local.

EJEMPLO La distribucin binomial (vase el numeral 3.46) con n = 6 y p = 1/3 es unimodal, con un modo en 3.

NOTA Una distribucin discreta (vase el numeral 3.22) es unimodal si su funcin de masa de probabilidad tiene
exactamente un modo, bimodal si su funcin de probabilidad tiene exactamente dos modos, y multimodal si su
funcin de masa de probabilidad tiene ms de dos modos.

3.26 Funcin de densidad de probabilidad, f(x) (Probability Density Function, f(x)). Funcin no
negativa que cuando est integrada de - a x da la funcin de distribucin (vase el numeral 3.7)
evaluada en x de una distribucin continua (vase el numeral 3.23).

EJEMPLO 1 Se dan diversas funciones de densidad de la probabilidad al definir las distribuciones de probabilidad
comunes encontradas en la prctica. Los ejemplos siguientes incluyen las distribuciones normal (vase el numeral 3.50),
normal estandarizada (vase el numeral 3.51), t (vase el numeral 3.53), F (vase el numeral 3.55), gamma (vase el
numeral 3.56), chi- cuadrado (vase el numeral 3.57), exponencial (vase el numeral 3.58), beta (vase el numeral
3.59), uniforme (vase el numeral 3.60), normal multivariable (vase el numeral 3.64) y distribuciones normales con
dos variables (vase el numeral 3.65).

EJEMPLO 2 Para la funcin de distribucin definida por F(x) = 3x
2
- 2x
3
en donde 0 x 1, la funcin de densidad
de probabilidad correspondiente es f(x) = 6x (1 -x) en donde 0 x 1.

EJEMPLO 3 Continuando con el ejemplo de la batera del numeral 3.1, no existe una funcin de densidad de
probabilidad asociada con la funcin de distribucin especificada, debido a la probabilidad positiva de obtener un
resultado cero. Sin embargo, la distribucin condicional dada de que la batera funciona inicialmente tiene f(x) = exp
(-x) para x > 0 como su funcin de densidad de probabilidad, que corresponde a la distribucin exponencial.


31
NOTA 1 Si la funcin de distribucin F es diferenciable en forma continua, entonces la funcin de densidad de
probabilidad es:

x x F x f d d / ) ( ) ( =

En los puntos x en donde existe la derivada.

NOTA 2 Una representacin grfica de f(x) contra x sugiere descripciones tales como simtricas, con valor pico,
con mayor ponderacin en las colas, unimodal, bimodal, entre otros. Un grfico de una f(x) ajustada sobre un
histograma brinda una evaluacin visual del acuerdo entre una distribucin ajustada y los datos.

NOTA 3 Una abreviatura comn de la funcin de densidad de probabilidad es fdp.

3.27 Modo de funcin de densidad de probabilidad (Mode of Probability Density Function).
Valor(es) en donde una funcin de densidad de probabilidad (vase el numeral 3.26) alcanza un
mximo local.

NOTA 1 Una distribucin continua (vase el numeral numeral 3.23) es unimodal si su funcin de densidad de
probabilidad tiene un modo exactamente, bimodal si su funcin de densidad de probabilidad tiene dos modos
exactamente, y multimodal si su funcin de densidad de probabilidad tiene ms de dos modos.

NOTA 2 Una distribucin en donde los modos constituyen un conjunto conexo se define igualmente como
unimodal.

3.28 Variable aleatoria discreta (Discrete Random Variable). Variable aleatoria (vase el
numeral 3.10) que tiene una distribucin discreta (vase el numeral 3.22).

NOTA Las variables aleatorias discretas consideradas en esta parte de la NTC 2062 (ISO 3534) incluyen las
variables binomiales (vase el numerales 3.46), Poisson (vase el numeral 3.47), hipergeomtricas (vase el
numeral 3.48) y las aleatorias (vase el numeral 3.45).

3.29 Variable aleatoria continua (Continuous Random Variable). Variable aleatoria (vase
el numeral 3.10) que tiene una distribucin continua (vase el numeral 3.23)

NOTA Las variables aleatorias continuas consideradas en esta parte 1 norma NTC 2062 (ISO 3534) incluyen las
variables aleatorias normal (vase el numeral 3.50), normal estandarizada (vase el numeral 3.51), distribucin t
(vase el numeral 3.53), distribucin F (vase el numeral 3.55), gama (vase el numeral 3.56, chi-cuadrado (vase el
numeral 3.57), exponencial (vase el numeral 3.58), beta (vase el numeral 3.59), uniforme (vase el numeral 3.60),
valor extremo Tipo I (vase el numeral 3.61), valor extremo Tipo II (vase el numeral 3.62), valor extremo Tipo III
(vase el numeral 3.63), logartmica normal (vase el numeral 3.52), normal multivariable (vase el numeral 3.64) y
normal con dos variables (vase el numeral 3.65).

3.30 Distribucin de probabilidad centrada (Centred Probability Distribution).
Distribucin de probabilidad (vase el numeral 3.11) de una variable aleatoria centrada

3.31 Variable aleatoria centrada (Centred Random Variable). Variable aleatoria (vase el
numeral 3.10) en donde la media (vase el numeral 3.35) se ha restado.

NOTA 1 Una variable aleatoria centrada tiene una media igual a cero.

NOTA 2 Este trmino se aplica solamente a variables aleatorias con una media. Por ejemplo, no existe la media de
la distribucin t (vase el numeral 3.53) con un grado de libertad.

NOTA 3 Si una variable aleatoria X tiene una media (vase el numeral 3.35) igual a , la variable aleatoria
centrada correspondiente es X - , que tiene una media igual a cero.

3.32 Distribucin de probabilidad normalizada (Standardized Probability Distribution).
Distribucin de probabilidad (vase el numeral 3.11) de una variable aleatoria normalizada


32
3.33 Variable aleatoria normalizada (Standardized Random Variable). Variable aleatoria
centrada (vase el numeral 3.31) cuya desviacin estndar (vase el numeral 3.37) es igual
a 1.

NOTA 1 Una variable aleatoria (vase el numeral 3.10) se normaliza automticamente si su media es cero y su
desviacin estndar es 1. La distribucin uniforme (vase el numeral 3.60) en el intervalo (-3
0,5
, 3
0,5
) tiene cero
como media y una desviacin estndar igual a 1. La distribucin normal estandarizada (vase el numeral 3.51)
es, por supuesto, normalizada.

NOTA 2 Si la distribucin (vase el numeral 3.11) de la variable aleatoria X tiene una media (vase el numeral 3.35)
y desviacin estndar , entonces la variable aleatoria correspondiente es (X - ) / .

3.34 Momento de orden r, momento r-simo (Moment of Order r, rth Moment). Valor
esperado (vase el numeral 3.12) de la r
sima
potencia de una variable aleatoria (vase el
numeral 3.10).

EJEMPLO Considere una variable aleatoria que tiene una funcin de densidad de probabilidad (vase el
numeral 3.26) f(x) = exp(-x) para x > 0. Usando la integracin por partes del clculo elemental, se puede demostrar
que E(X) = 1, E(X
2
) = 2, E(X
3
) = 6 y E(X
4
) = 24, en general, E(X
r
) = r!. Este es un ejemplo de distribucin
exponencial (vase el numeral 3.58).

NOTA 1 En el caso discreto con una variable, la frmula apropiada es:

=
=
n
i
i
r
i
r
x p x X E
1
) ( ) (

Para un nmero finito de n resultados y

=
=
1
) ( ) (
i
i
r
i
r
x p x X E

para un nmero de resultados contablemente infinitos. En el caso de condiciones continuas con una variable, la
frmula apropiada es:

= x x f x X E
r r
d ) ( ) (

NOTA 2 Si la variable aleatoria tiene una dimensin k, entonces se entiende que la potencia r
sima
se aplica
componente por componente.

NOTA 3 Los momentos dados aqu utilizan una variable aleatoria X elevada a una potencia. Ms generalmente, se
pueden considerar momentos del orden r de X - , o (X - ) /.

3.35 Medias (Means)

3.35.1 Media (Mean), , momento de orden r =1, (Moment of Order r=1 ) <Distribucin
continua> Momento de orden r, en donde r es igual a 1, calculado como la integral del producto
de x y la funcin de densidad de probabilidad (vase el numeral 3.26), f(x), sobre la lnea
real.

EJEMPLO 1 Considere una variable aleatoria continua (vase el numeral 3.29) X que tiene una funcin de
densidad de probabilidad f(x) = 6x(1-x), en donde 0 x 1. La media de X es:

=
1
0
2
5 , 0 ) 1 ( 6 x x x d

EJEMPLO 2 Continuando con el ejemplo de la batera de los numerales 3.1 y 3.7, la media es 0,9, ya que con una
probabilidad de 0,1, la media de la parte discreta de la distribucin es 0 y con probabilidad de 0,9 la media de la
parte continua de la distribucin es 1. Esta distribucin es una mezcla de distribuciones continuas y discretas.


33
NOTA 1 La media de una distribucin continua (vase el numeral 3.23) se designa por E(x) y se calcula como:

= x x xf X E d ) ( ) (

NOTA 2 La media no existe para todas las variables aleatorias (vase el numeral 3.10). Por ejemplo, si X se
define por su funcin de densidad de probabilidad f(x) = [(1 + x
2
)]
-1
, la integral correspondiente a E(X) es
divergente.

3.35.2 Media, (Mean, ). <Distribucin discreta> Sumatoria del producto de x
i
y la funcin de
masa de probabilidad (vase el numeral 3.24) p(x
i
).

EJEMPLO 1 Considere una variable aleatoria discreta X (vase el numeral 3.28) que representa el nmero de
caras resultantes cuando se lanzan 3 monedas. La funcin de masa de probabilidad es:

8 / 1 ) 3 (
8 / 3 ) 2 (
8 / 3 ) 1 (
8 / 1 ) 0 (
= =
= =
= =
= =
X P
X P
X P
X P

En consecuencia, la media de X es:

5 , 1 8 / 12 ) 8 / 1 ( 3 ) 8 / 3 ( 2 ) 8 / 3 ( 1 ) 8 / 1 ( 0 = = + + +

EJEMPLO 2 Vase el ejemplo 2 del numeral 3.35.1.

NOTA La media de una distribucin discreta (vase el numeral 3.22) se designa por E(x) y se calcula como:

=
=
N
i
i i
x p x X E
1
) ( ) (

Para un nmero finito de resultados, y

) ( ) (
1
i
i
i
x p x X E

=
=

Para un nmero de resultados contablemente infinitos.

3.36 Varianza, V (Variance, V). Momento de orden r (vase el numeral 3.34) en donde r es igual a
2 en la distribucin de probabilidad centrada (vase el numeral 3.30) de la variable aleatoria

EJEMPLO 1 Para la variable aleatoria discreta (vase el numeral 3.28) en el ejemplo del numeral 3.24, la
varianza es:

=
= =
3
0
2
75 , 0 ) ( ) 5 , 1 (
i
i i
x X P x

EJEMPLO 2 Para la variable aleatoria continua (vase el numeral 3.29) en el ejemplo 1 del numeral 3.26, la varianza es:

05 , 0 ) 1 ( 6 ) 5 , 0 (
1
0
2
=
x x x x
i
d

EJEMPLO 3 Para el ejemplo de la batera del numeral 3.1, la varianza se puede determinar reconociendo que la
varianza de X es E (X
2
) - [E(X)]
2
. Del ejemplo 3 del numeral 3.35, E(X) = 0,9. Usando el mismo tipo de argumento de
condicionamiento, se puede demostrar que E(X
2
) es 1,8. As, la varianza de X es 1,8 - (0,9)
2
, que es igual a 0,99.


34
NOTA La varianza se puede definir de manera equivalente como el valor esperado (vase el numeral 3.12) del
cuadrado de la variable aleatoria menos su media (vase el numeral 3.35). La varianza de la variable aleatoria X se
designa mediante V(X) = E{[X-E(X)]
2
}.

3.37 Desviacin estndar, (Standard Desviation, ). Raz cuadrada positiva de la varianza

EJEMPLO Para el ejemplo de la batera de los numerales 3.1 y 3.7 la desviacin estndar es 0,995.

3.38 Coeficiente de variacin, CV (Coefficient of Variation, CV). <Variable aleatoria
positiva> desviacin estndar (vase el numeral 3.37) dividida por la media (vase el numeral
3.35).

EJEMPLO Para el ejemplo de la batera de los numerales 3.1 y 3.7, el coeficiente de variacin es 0,99/0,995 que
es igual a 0,994 97.

NOTA 1 El coeficiente de variacin se reporta comnmente como un porcentaje.

NOTA 2 Se prefiere el trmino coeficiente de variacin al trmino usado anteriormente "desviacin estndar
relativa".

3.39 Coeficiente de asimetra,
1
(Coefficient of Skewness,
1
),
.
Momento de orden 3 (vase
el numeral 3.34) en la distribucin de probabilidad normalizada (vase el numeral 3.32) de
una variable aleatoria (vase el numeral 3.10).

EJEMPLO Continuando con el ejemplo de la batera de los numerales 3.1 y 3.7, con una distribucin combinada
discreta-continua, y utilizando los resultados del ejemplo del numeral 3.34, se tiene:

6 , 21 ) 24 ( 9 , 0 ) 0 ( 1 , 0 ) (
4 , 5 ) 6 ( 9 , 0 ) 0 ( 1 , 0 ) (
8 , 1 ) 2 ( 9 , 0 ) 0 ( 1 , 0 ) (
9 , 0 ) 1 ( 9 , 0 ) 0 ( 1 , 0 ) (
4
3
2 2
= + =
= + =
= + =
= + =
X E
X E
X E
X E

Para calcular el coeficiente de asimetra, observe que E{[X-E(X)]
3
} = E(X)
3
- 3 E (X) E(X
2
) + 2
[E(X)]
3
, y del numeral 3.37, la desviacin estndar es 0,995. Entonces, el coeficiente de
asimetra es [5,4 - 3(0,9)(1,8) + 2(0,9)
3
]/(0,995)
3
1,998.

NOTA 1 Una definicin equivalente se basa en el valor esperado (vase el numeral 3.12) de la tercera potencia
de (X-)/, a saber, E[(X-)
3
/
3
].

NOTA 2 El coeficiente de asimetra es una medida de la simetra de una distribucin (vase el numeral 3.11) y
algunas veces se designa como
1
. Para distribuciones simtricas, el coeficiente de asimetra es igual a 0

(siempre y cuando en la definicin existan los momentos apropiados). Los ejemplos de distribuciones con asimetra
igual a cero incluyen la distribucin normal (vase el numeral 3.50), la distribucin beta (vase el numeral 3.59)
siempre y cuando = y la distribucin t (vase el numeral 3.53), siempre que existan los momentos.

3.40 Coeficiente de curtosis,
2
(Coefficient of Curtosis,
2
)
.
Momento de orden 4 (vase el
numeral 3.34) en la distribucin de probabilidad normalizada (vase el numeral 3.32) de
una variable aleatoria (vase el numeral 3.10).

EJEMPLO Continuando con el ejemplo de la batera de los numerales 3.1 y 3.7, para calcular el coeficiente de
curtosis, observe que:

[ ] { } [ ] [ ]
4 2 2 3 4 4
) ( 3 ) ( ) ( 6 ) ( ) ( 4 ) ( ) ( X E X E X E X E X E X E X E X E + =

El coeficiente de curtosis es entonces:

[ ]
4 4 2
) 995 , 0 ( / ) 9 , 0 ( 3 ) 2 ( ) 9 , 0 ( 6 ) 4 , 5 )( 9 , 0 ( 4 6 , 21 +


35
NOTA 1 Una definicin equivalente se basa en el valor esperado (vase el numeral 3.12) de la cuarta potencia de
(X - ) /, a saber, E[(X - )
4
/
4
].

NOTA 2 El coeficiente de curtosis es una medida de la mayor ponderacin de las colas de una distribucin
(vase el numeral 3.11). Para la distribucin uniforme (vase el numeral 3.60), el coeficiente de curtosis es 1,8;
para la distribucin normal (vase el numeral 3.50) el coeficiente de curtosis es 3; para la distribucin
exponencial (vase el numeral 3.58), el coeficiente de curtosis es 9.

NOTA 3 Se debe tener precaucin al considerar los valores de curtosis reportados, ya que algunos usuarios restan 3 (la
curtosis de la distribucin normal) del valor que se calcula de la definicin.

3.41 Momento combinado de las rdenes r y s (J oint Moment of Orders r and s) Media
(vase el numeral 3.35) del producto de la r
sima
potencia de una variable aleatoria (vase el
numeral 3.10) y la s
sima
potencia de otra variable aleatoria en su distribucin de
probabilidad (vase el numeral 3.11) combinada.

3.42 Momento central combinado de rdenes r y s (J oint Central Moment of Orders r and s)
Media (vase el numeral 3.35) del producto de la r
sima
potencia de una variable aleatoria
centrada (vase el numeral 3.31) y la s
sima
potencia de otra variable aleatoria centrada en su
distribucin de probabilidad combinada (vase el numeral 3.11).

3.43 Covarianza,
XY
(Covariance,
XY
). Media (vase el numeral 3.35) del producto de dos
variables aleatorias centradas (vase el numeral 3.31) en su distribucin de probabilidad
(vase el numeral 3.11) combinada.

NOTA 1 La covarianza es el momento central combinado de las rdenes 1 y 1 (vase el numeral 3.42) para
dos variables aleatorias.

NOTA 2 En trminos de notacin, la covarianza es:

( )( ) [ ]
Y X E
X

en donde

E(X) =
X
y E(Y) =
Y

3.44 Coeficiente de correlacin (Correlation Coefficient). Media (vase el numeral 3.35) del
producto de dos variables aleatorias normalizadas (vase el numeral 3.33) en su
distribucin de probabilidad (vase el numeral 3.11) combinada.

NOTA El coeficiente de correlacin algunas veces se denomina en forma ms breve como correlacin. Sin
embargo, este uso coincide parcialmente con las interpretaciones de correlacin como una asociacin entre
dos variables.

3.45 Distribucin multinomial (Multinomial Distribution). Distribucin discreta (vase el
numeral 3.22) que tiene la funcin de masa de probabilidad (vase el numeral 3.24)

k
x
k
x x
k
k k
p p p
x x x
n
x X x X x X P
...
! ... ! !
!
) ,... , (
2 1
2 1
2 1
2 2 1 1
= = =

en donde

x
1
, x
2
,...x
k
son enteros no negativos, de manera que:

x
1
+ x
2
+ ...+ x
k
= n con parmetros p
i
> 0 para todos los i = 1,2..., k con p
1
+ p
2
+ ... + p
k
= 1

k n entero mayor o igual a 2.


36
NOTA La distribucin multinomial da la probabilidad del nmero de veces que ha ocurrido cada k resultados
posibles en n pruebas independientes, en donde cada prueba tiene los mismos k eventos mutuamente exclusivos y
las probabilidades de los eventos son las mismas para todas las pruebas.

3.46 Distribucin binomial (Poisson Distribution) Distribucin discreta (vase el numeral 3.22)
que tiene la funcin de masa de probabilidad (vase el numeral 3.24)

x n x
p p
x n x
n
x X p

= = ) 1 (
)! ( !
!
) (

en donde

x = 0, 1, 2, ..., n y con los parmetros determinados n = 1,2, ..., y 0 < p < 1.

EJEMPLO La funcin de masa de probabilidad descrita en el ejemplo 1 del numeral 3.24 se puede considerar
que corresponde a la distribucin binomial con parmetros de ndice n = 3 y p = 0,5.

NOTA 1 La distribucin binomial es un caso especial de la distribucin multinomial (vase el numeral 3.45) con
k = 2.

NOTA 2 La distribucin binomial da la probabilidad del nmero de veces que han ocurrido cada uno de los dos
resultados posibles en n pruebas independientes, en donde cada prueba tiene los mismos dos eventos (vase el
numeral 3.2) mutuamente exclusivos y las probabilidades (vase el numeral 3.5) de los eventos son las
mismas para todas las pruebas.

NOTA 3 La media (vase el numeral 3.35) de la distribucin binomial es igual a np. La varianza (vase el numeral 3.36)
de la distribucin binomial es igual a np(1 - p).

NOTA 4 La funcin de masa de probabilidad binomial se puede expresar igualmente utilizando el coeficiente
binomial dado por:

( )
)! ( !
!
x n x
n
n
x
=

3.47 Distribucin de Poisson (Poisson Distribution). Distribucin discreta (vase el
numeral 3.22) que tiene la funcin de masa de probabilidad (vase el numeral 3.24)

-
e
!
) (
x
x X P
x
= =

en donde

x = 0, 1, 2, ... y con el parmetro > 0.

NOTA 1 El lmite de la distribucin binomial (vase el numeral 3.46) cuando n se aproxima a y p tiende a cero,
de manera que np tiende a es la distribucin de Poisson con parmetro .

NOTA 2 La media (vase el numeral 3.35) y la varianza (vase el numeral 3.36) de la distribucin de Poisson son
ambas iguales a

NOTA 3 La funcin de masa de probabilidad (vase el numeral 3.24) de la distribucin de Poisson da la
probabilidad para el nmero de veces en que ocurre una propiedad de un proceso en un intervalo de tiempo unitario
que satisface determinadas condiciones, por ejemplo, intensidad con que ocurre, independientemente del tiempo.

3.48 Distribucin hipergeomtrica (Hypergeometric Distribution). Distribucin discreta
(vase el numeral 3.22) con la misma funcin de masa de probabilidad (vase el numeral 3.24).


37
( )
( )
= =
! ) ( !
!
! ) ( !
! ) (
! ) ( !
!
) (
n N n
N
x n M N x n
M N
x M x
M
x X P

en donde

mximo (0, M - N) x mnimo (M, n) con los parmetros enteros

N n
N M
N
..., 2 , 1
1 ..., , 2 , 1 , 0
... , 2 , 1
=
=
=

NOTA 1 La distribucin hipergeomtrica (vase el numeral 3.11) designa el nmero de elementos marcados en
una muestra aleatoria simple (vase el numeral 2.7) de tamao n, tomados sin reemplazo de una poblacin (o lote)
de tamao N que contiene exactamente M elementos marcados.

NOTA 2 La Tabla 4 permite comprender la distribucin hipergeomtrica.

Tabla 4. Ejemplo de distribucin hipergeomtrica

Conjunto de referencia Elementos marcados o
no marcados
Elementos marcados Elementos no
marcados
Poblacin N M N - M
Elementos incluidos en
la muestra
n
x N - x
Elementos no incluidos
en la muestra
N - n M - x N - n - M + x

NOTA 3 Bajo determinadas condiciones (por ejemplo, n es pequeo en relacin con N), entonces la distribucin
hipergeomtrica se puede aproximar por la distribucin binomial con n y p = M/N.

NOTA 4 La media (vase el numeral 3.35) de la distribucin hipergeomtrica es igual a (nM / N). La varianza
(vase el numeral 3.36) de la distribucin hipergeomtrica es igual a

1
1

N
n N
N
M
n
M
n

3.49 Distribucin binomial negativa (Negative Binomial Distribution), Distribucin
discreta (vase el numeral 3.22) que tiene una funcin de masa de probabilidad (vase el
numeral 3.24).

x c
p p
c x
x c
x X P ) 1 (
)! 1 ( !
)! 1 (
) (
+
= =

en donde

x = 0, 1, 2, ..., n con el parmetro c > 0 y el parmetro p que satisfacen 0 < p < 1.

NOTA 1 Si c = 1, la distribucin binomial negativa se conoce como la distribucin geomtrica y describe la
probabilidad (vase el numeral 3.5) de que el primer incidente del evento (vase el numeral 3.2) cuya probabilidad
es p, ocurrir en la prueba (x + 1).

NOTA 2 La funcin de masa de probabilidad tambin se puede escribir de la manera equivalente siguiente:

( )
x c c
x
p p x X P ) 1 ( ) ( = =

El trmino "distribucin binomial negativa" surge de esta manera de escribir la funcin de masa
de probabilidad.


38
NOTA 3 La versin de la funcin de masa de probabilidad dada en la definicin se denomina a menudo
"distribucin de Pascal" siempre y cuando c sea un entero mayor o igual a 1. En este caso, la funcin de masa de
probabilidad describe la probabilidad de que el incidente c
simo
del evento (vase el numeral 3.2), cuya probabilidad
(vase el numeral 3.5) es p, ocurra en la prueba (c + x).

NOTA 4 La media (vase el numeral 3.35) de la distribucin binomial negativa es (cp) / (1 - p). La varianza (vase
el numeral 3.36) de la distribucin binomial negativa es (cp)/(1 - p)
2
.

3.50 Distribucin normal, distribucin Gaussiana (Normal Distribution, Gaussian Distribution).
Distribucin continua (vase el numeral 3.23) que tiene la funcin de densidad de

2
2
2
) (
2
1
) (

=
x
x f
-
e

en donde

- < x < y con los parmetros - < < y > 0.

NOTA 1 La distribucin normal es una de las distribuciones de probabilidad ms ampliamente usadas (vase el
numeral 3.11) en estadstica aplicada. Debido a la forma de la funcin de densidad, se denomina informalmente
como curva "en forma de campana". Adems de servir como modelo para fenmenos aleatorios, surge como la
distribucin lmite de los promedios (vase el numeral 2.15). Como distribucin de referencia en estadstica, es se
ampliamente para evaluar la excepcionalidad de los resultados experimentales.

NOTA 2 El parmetro de localizacin es la media (vase el numeral 3.35) y el parmetro de la escala es la
desviacin estndar (vase el numeral 3.37) de la distribucin normal.

3.51 Distribucin normal estandarizada, distribucin Gaussiana estandarizada
(Standardized Normal Distribution, Standardized Gaussian Distribution). Distribucin
normal (vase el numeral 3.50) con = 0 y = 1.

NOTA La funcin de densidad de probabilidad (vase el numeral 3.26) de la distribucin normal estandarizada es:

/2 x -
2
e
2
1
) ( = x f

en donde

- < x < . Las tablas de la distribucin normal involucran esta funcin de densidad de probabilidad, dando
por ejemplo, el rea bajo f para los valores en (-, ).

3.52 Distribucin lognormal (Lognormal Distribution). Distribucin continua (vase el
numeral 3.23) que tiene la funcin de densidad de probabilidad (vase el numeral 3.26).

2 2
2 / ) (ln
2
1
) (

=
x
x
x f e

en donde

x > 0 y con los parmetros - < < y > 0.

NOTA 1 Si Y tiene una distribucin normal (vase el numeral 3.50) con una media (vase el numeral 3.35) y una
desviacin estndar (vase el numeral 3.37) , entonces la transformacin dada por X = exp (Y) tiene la funcin de
densidad de probabilidad dada en la definicin. Si X tiene una distribucin lognormal con la funcin de densidad como se
da en la definicin, entonces ln(X) tiene una distribucin normal con una media y una desviacin estndar .

NOTA 2 La media de la distribucin lognormal es exp [ + (
2
) / 2] y la varianza es exp(2 +
2
) x [exp(
2
) -1]. Esto
indica que la media y la varianza de la distribucin lognormal son funciones de los parmetros y
2
.


39
NOTA 3 La distribucin lognormal y la distribucin de Weibull (vase el numeral 3.63) se usan comnmente en
aplicaciones de confiabilidad.

3.53 Distribucin t, distribucin de Student (t Distribution, Students Distribution).
Distribucin continua (vase el numeral 3.23) que tiene una funcin de densidad de

( ) [ ]
2 / ) 1 (
2
1
) 2 / (
] 2 / 1
) (
+
+
=
v
v
t
v v
v
t f

en donde

- < t < y con el parmetro con un entero positivo.

NOTA 1 La distribucin t se usa ampliamente en la prctica para evaluar la media de la muestra (vase el
numeral 2.15) en el caso comn en que la desviacin estndar de la poblacin se estima a partir de los datos. La
funcin estadstica t se puede comparar con la distribucin t con n - 1 grados de libertad para evaluar una media
especificada como una descripcin de la media verdadera de la poblacin.

NOTA 2 La distribucin t surge como la distribucin del cociente de dos variables aleatorias independientes (vase el
numeral 3.10), cuyo numerador tiene una distribucin normal estandarizada (vase el numeral 3.51) y el denominador
est distribuido como la raz cuadrada positiva de una distribucin chi-cuadrado (vase el numeral 3.57) despus de
dividir por sus grados de libertad. El parmetro se designa como los grados de libertad (vase el numeral 3.54).

NOTA 3 La funcin gama es como se define en el numeral 3.56.

3.54 Grados de libertad, (Degrees of Freedom, ). Nmero de trminos en una suma,
menos el nmero de limitaciones sobre los trminos de la suma.

NOTA Este concepto se encontr previamente en el contexto de uso de n - 1 en el denominador del
estimador (vase el numeral 2.12) de la varianza de la muestra (vase el numeral 2.16). El nmero de
grados de libertad se usa para modificar parmetros. El trmino grados de libertad tambin se usa
ampliamente en la NTC 2062-3 (ISO 3534-3), en donde los cuadrados medios se dan como sumas de los
cuadrados divididos por los grados de libertad apropiados.

3.55 Distribucin F (F Distribution). Distribucin continua (vase el numeral 3.23) que tiene
la funcin de densidad de probabilidad (vase el numeral 3.26).

( ) [ ]
2 / ) (
2 1
1 ) 2 / (
2 /
2
2 /
1
2 1
2 1
2 1
1
2 1
) (
) ( ) (
) 2 / ( ) 2 / (
2 /
) (
v v
v v
v x v
x
v v
v v
v v
x f
+
+

+
=

en donde

x > 0

1
y
2
son enteros positivos

es la funcin gama definida en el numeral 3.56.

NOTA 1 La distribucin F es una distribucin de referencia til para la evaluacin de la relacin de dos varianzas
independientes (vase el numeral 3.36).

NOTA 2 La distribucin F surge como la distribucin del cociente de dos variables aleatorias independientes, cada
una con una distribucin de chi-cuadrado (vase el numeral 3.57), dividido por sus grados de libertad (vase el
numeral 3.54). El parmetro
1
es el numerador para grados de libertad y
2
es el denominador para grados de
libertad de la distribucin F.

3.56 Distribucin gama (Gamma Distribution). Distribucin continua (vase el numeral 3.23)
que tiene la funcin de densidad de probabilidad (vase el numeral 3.26).


40
) (
) (
/ 1

=
x
e x
x f

en donde

x > 0 y los parmetros > 0, > 0

NOTA 1 La distribucin gama se usa en aplicaciones de confiabilidad para modelado de tiempo de falla. Incluye la
distribucin exponencial (vase el numeral 3.58) como un caso especial, al igual que otros casos con tasas de
falla que se incrementan con el tiempo.

NOTA 2 La funcin gama se define por:

dx e x
x
=
0
1
) (

Para valores enteros de )! 1 ( ) ( , =

NOTA 3 La media (vase el numeral 3.35) de la distribucin gama es . La varianza (vase el numeral 3.36) de
la distribucin gama es
2
.

3.57 Distribucin chi-cuadrado, distribucin
2
(Chi-Squared Distribution,
2
Distribution).

) 2 / ( 2
) (
2 /
2 /
1
2
v
x
x f
v
x
v
e

en donde

x > 0 y con > 0

NOTA 1 Para datos que surgen de una distribucin normal (vase el numeral 3.50) con una desviacin estndar
conocida (vase el numeral 3.37) , la funcin estadstica nS
2
/
2
tiene una distribucin chi-cuadrado con n - 1 grados de
libertad. Este resultado es la base para obtener intervalos de confianza de
2
. Otra rea de aplicacin para la distribucin
chi-cuadrado es como referencia para las pruebas de conveniencia a una distribucin.

NOTA 2 Esta distribucin es un caso especial de la distribucin gama (vase el numeral 3.56) con parmetros = v/2 y
= 2. El parmetro se refiere a los grados de libertad (vase el numeral 3.54).

NOTA 3 La media (vase el numeral 3.35) de la distribucin chi-cuadrado es . La varianza (vase el numeral
3.36) de la distribucin chi-cuadrado es 2 .

3.58 Distribucin exponencial (Exponential Distribution). Distribucin continua (vase el
numeral 3.23) que tiene la funcin de densidad de probabilidad (vase el numeral 3.26).

/ 1
) (
x
x f

= e

en donde

x > 0 y con parmetro > 0

NOTA 1 La distribucin exponencial brinda una lnea de referencia en aplicaciones de confiabilidad,
correspondiente al caso de "falta de envejecimiento" o propiedad sin memoria.

NOTA 2 La distribucin exponencial es un caso especial de la distribucin gama (vase el numeral 3.56) con = 1
en forma equivalente, la distribucin chi-cuadrado (vase el numeral 3.57) con = 2.
NOTA 3 La media (vase el numeral 3.35) de la distribucin exponencial es . La varianza (vase el numeral 3.36) de


41
la distribucin exponencial es
2
.

3.59 Distribucin beta (Beta Distribution). Distribucin continua (vase el numeral 3.23)
que tiene la funcin de densidad de probabilidad (vase el numeral 3.26).

1 1
) 1 (
) ( ) (
) (
) (

+
=

x x x f
en donde

0 x 1 y con los parmetros , , > 0.

NOTA La distribucin beta es considerablemente flexible, tiene una funcin de densidad de probabilidad con una
variedad de formas (unimodal, en forma de "j", en forma de "u"). La distribucin se puede usar como un modelo de la
incertidumbre asociada con una proporcin. Por ejemplo, en una aplicacin de modelado de un seguro contra
huracanes, la proporcin esperada de dao en un tipo de estructura para una velocidad del viento dada podra ser
0,40, aunque no todas las casas que experimentan este viento sufrirn el mismo dao. Una distribucin beta con
una media de 0,40 puede servir para modelar la disparidad en el dao a este tipo de estructura.

3.60 Distribucin uniforme, distribucin rectangular (Uniform Distribution), (Rectangular
Distribution). Distribucin continua (vase el numeral 3.23) que tiene la funcin de
densidad de probabilidad (vase el numeral 3.26).

a b
x f
=
1
) (

en donde

a x b

NOTA 1 La distribucin uniforme con a = 0 y b = 1 es la distribucin subyacente para los generadores de nmeros
aleatorios tpicos.

NOTA 2 La media (vase el numeral 3.35) de la distribucin uniforme es (a + b)/2. La varianza (vase el numeral 3.36)
de la distribucin uniforme es (b - a)
2
/12.

NOTA 3 La distribucin uniforme es un caso especial de la distribucin beta con = 1 y = 1.

3.61 Distribucin de valores extremos Tipo I, Distribucin de Gumbel (Type I Extreme
Value Distribution). Distribucin continua (vase el numeral 3.23) que tiene la funcin de
distribucin (vase el numeral 3.7).

b a x
e
x F
/ ) (
) (

= e

en donde

- < x < con parmetros - < a < , b > 0

NOTA Las distribuciones de valores extremos proporcionan distribuciones de referencia apropiadas para los
extremos de las funciones estadsticas de orden (vase el numeral 2.9) X(
1)
y X
(n)
. Las tres distribuciones lmites
posibles cuando n tiende a son suministradas por los tres tipos de distribuciones de valores extremos dados en los
numerales 3.61, 3.62 y 3.63.

3.62 Distribucin de valores extremos Tipo II, Distribucin de Frchet (Type II Extreme
Value Distribution, Frchet Distribution). Distribucin continua (vase el numeral 3.23) que
tiene la funcin de distribucin (vase el numeral 3.7).

k
b
a x
x F
= e ) (


42

en donde

x > a y con parmetros - < a < , b > 0, k > 0

3.63 Distribucin de valores extremos tipo III, Distribucin de Weibull. (Type II Extreme
Value Distribution, Weibull Distribution). Distribucin continua (vase el numeral 3.23) que
tiene la funcin de distribucin (vase el numeral 3.7).

k
b
a x
x F

= e 1 ) (

en donde

x > a con parmetros - < a < , b > 0, k > 0

NOTA 1 Adems de funcionar como una de las tres distribuciones lmites posibles de las funciones estadsticas de
orden extremo, la distribucin de Weibull ocupa un lugar destacado en diversas aplicaciones, particularmente
confiabilidad e ingeniera. Se ha demostrado que la distribucin de Weibull proporciona ajustes empricos a una
variedad de conjuntos de datos.

NOTA 2 El parmetro a es un parmetro de posicin en el sentido de que es el valor mnimo que puede lograr la
distribucin de Weibull. El parmetro b es un parmetro de escala [relacionado con la desviacin estndar (vase
el numeral 3.37) de la distribucin de Weibull]. El parmetro k es un parmetro de forma.

NOTA 3 Para k = 1, se considera que la distribucin Weibull incluye la distribucin exponencial. Elevar una
distribucin exponencial con a = 0 y el parmetro b a la potencia 1/k produce la distribucin Weibull de la definicin.
Otro caso especial es la distribucin Rayleigh (para a = 0 y k = 2).

3.64 Distribucin normal de mltiples variables (Multivariate Normal Distribution).

2
) ( ) (
2 /
2 /
1
) 2 ( ) (

x x
n
T
x f e

en donde

- < x
i
< para cada i.

s un vector de parmetro con n dimensiones.

es una n x n matriz simtrica definida positiva de parmetros, y

La negrilla indica los vectores con dimensin n.

NOTA Cada una de las distribuciones marginales (vase el numeral 3.18) de la distribucin con mltiples variables de
este numeral tiene una distribucin normal. Sin embargo, hay muchas otras distribuciones con mltiples variables que
tienen distribuciones marginales normales adems de la versin de la distribucin dada en este numeral.

3.65 Distribucin normal con dos variables (Bivariate Normal Distribution). Distribucin
continua (vase el numeral 3.23) que tiene la funcin de densidad de probabilidad (vase el
numeral 3.26)

=
2
2
2
2
2
) 1 ( 2
1
exp
1 2
1
) , (
y
y
y
y
x
x
x
x
y x
y y
x x
y x f

en donde


43

1
0
0
,
,
,
<
>
>
< <
< <
< <
< <
y
x
y
x
y
x

NOTA Como lo sugiere la notacin, para (X, Y) que tiene la anterior funcin de densidad de probabilidad (vase el
numeral 3.26), E(X) =
x
, E(Y) = y, V(X) =
x
2
, V(Y) =
y
2
, y es el coeficiente de correlacin (vase el numeral 3.44)
entre X y Y.

3.66 Distribucin normal estandarizada con dos variables (Standardized Bivariate Normal
Distribution). Distribucin normal con dos variables (vase el numeral 3.65) que tiene
componentes de una distribucin normal estandarizada (vase el numeral 3.51).

3.67 Distribucin de muestreo (Sampling Distribution). Distribucin de una funcin estadstica.

NOTA Las ilustraciones de las distribuciones de muestreo especficas se dan en la Nota 2 del numeral 3.53, la
Nota 1 del numeral 3.55 y la Nota 1 del numeral 3.57.

3.68 Espacio de probabilidad (Probability Space) (,,). Espacio muestral (vase el
numeral 3.1), una suma algebrica de eventos (vase el numeral 3.69) asociados, y una
medida de probabilidad (vase el numeral 3.70).

EJEMPLO 1 Como un caso simple, el espacio muestral puede estar compuesto por todos los 105 elementos fabricados
un da especfico en una planta. La suma algebrica de eventos consta de todos los posibles subconjuntos. Estos eventos
incluyen {ningn elemento}, {elemento 1}, {elemento 2}, ... {elemento 105}, {elemento 1 y 2}. ... {todos los 105 elementos}.
Una medida de probabilidad posible se puede definir como el nmero de elementos en un evento, dividido por el nmero total de
elementos fabricados. Por ejemplo, el evento {elemento 4, elemento 27, elemento 92} tiene una medida de probabilidad de 3/105.

EJEMPLO 2 Como segundo ejemplo, considere la duracin de las bateras. Si las bateras llegan a las manos del
cliente y no tienen potencia, su tiempo de vida es 0 h. Si las bateras son funcionales, sus tiempos de supervivencia
siguen alguna distribucin de probabilidad (vase el numeral 3.11), tal como una exponencial (vase el numeral
3.58). El conjunto de los tiempos de vida es entonces gobernado por una distribucin que es una mezcla entre
discreta (la proporcin de bateras que no son funcionales al inicio) y continua (un tiempo de vida real). Para
simplificar el ejemplo, se supone que la duracin de las bateras es relativamente corta, en comparacin con el
tiempo de estudio, y que todos los tiempos de vida se miden en continuo. Por supuesto, en la prctica existe la
posibilidad de tiempos de vida truncados a la izquierda o a la derecha (por ejemplo, se sabe que el tiempo de falla es
al menos de 5 h, o que el tiempo de falla est entre 3 h y 3,5 h), en cuyo caso surgiran ventajas adicionales de esta
estructura. El espacio muestral comprende la mitad de la lnea real (nmeros reales mayores o iguales a cero). La
suma algebrica de eventos incluye todos los intervalos de la forma [0,x] y el conjunto {0}. Adicionalmente, La suma
algebrica incluye todas las uniones e intersecciones contables de estos conjuntos. La medida de probabilidad
involucra determinar, para cada conjunto, sus componentes que representan bateras no funcionales y las que
tienen un tiempo de vida positivo. En donde es apropiado, en este numeral se presentan detalles de los clculos
asociados con los tiempos de falla.

3.69 Suma algebrica de eventos, - algebrica, campo de suma, campo-. (Sigma
Algebra of Events, -Algebra, Sigma Field, -Field). Conjunto de eventos (vase el numeral 3.2)
con las propiedades:

a) Pertenece a ;


44
b) Si un evento pertenece a , entonces su evento complementario (vase el numeral 3.3)
tambin pertenece a .
c) Si {A
i
} es un conjunto de eventos en , entonces la unin
U
= 1
,
i
i
A y la interseccin
I
=1 i
i
A del evento pertenece a

EJEMPLO 1 Si el espacio muestral es el conjunto de enteros, entonces se puede escoger una suma algebrica de
eventos, como el conjunto de todos los subconjuntos de los enteros.

EJEMPLO 2 Si el espacio muestral es el conjunto de los nmeros reales, entonces se puede escoger una suma
algebrica de eventos que incluya todos los conjuntos correspondientes a intervalos en la lnea real, y todas sus
uniones finitas y contables y las intersecciones de estos intervalos. Este ejemplo se puede extender a dimensiones
ms grandes, considerando intervalos k dimensionales. En particular, en dos dimensiones, el conjunto de intervalos
puede estar compuesto de regiones definidas por {(x,y): x < s, y < t} para todos los valores de s y t.

NOTA 1 Una suma algebrica es un conjunto compuesto de conjuntos de sus miembros. El conjunto de todos los
posibles resultados es un miembro de la suma algebrica de eventos, como se indica en la propiedad a).

NOTA 2 La propiedad c) involucra las operaciones definidas sobre un conjunto de subconjuntos (posiblemente
infinito en forma contable) de la suma algebrica de eventos. La notacin dada indica que todas las uniones e
intersecciones contables de estos conjuntos tambin pertenecen a la suma algebrica de eventos.

NOTA 3 La propiedad c) incluye el cerramiento (los conjuntos pertenecen a una suma algebrica de eventos) bajo
uniones o intersecciones finitas. El calificativo suma se usa para hacer nfasis en que A est cerrado incluso bajo
operaciones infinitas en forma contable, en conjuntos.

3.70 Medida de probabilidad, (Probability Measure, ). Funcin no negativa definida en
la suma algebrica de eventos (vase el numeral 3.69) tal que:

a) 1 ) ( =

en donde designa el espacio muestral (vase el numeral 3.1).

b) ) ( ) (
1 1
i
i i
i
A A

=
=
U

en donde {A
i
} es una secuencia de eventos divididos por pares (vase el numeral 3.2).

EJEMPLO Continuando con el ejemplo de la vida de las bateras del numeral 3.1, considere el evento de que la
batera sobrevive menos de una hora. Este evento consta del par disjunto de eventos {no funciona} y {funciona
menos de una hora pero funciona inicialmente}. En forma equivalente, los eventos se pueden designar {0} y (0,1). La
medida de probabilidad de {0} es la proporcin de las bateras que no funcionan en el primer intento. La medida de
probabilidad del conjunto (0,1) depende de la distribucin de probabilidad continua especfica [por ejemplo,
exponencial (vase el numeral 3.58)] que rige la distribucin de fallas.

NOTA 1 Una medida de probabilidad asigna un valor de [0,1] para cada evento en la suma algebrica l de
eventos. El valor 0 corresponde a un evento que es imposible, mientras que el valor 1 representa certeza de que
ocurre. En particular, la medida de probabilidad asignada con el conjunto es cero y la medida de probabilidad
asignada al espacio muestral es 1.

NOTA 2 La propiedad b) indica que si una secuencia de eventos no tiene elementos en comn cuando se
considera por pares, la medida de probabilidad de la unin es la suma de las medidas de probabilidad individuales.
Como se indic en la propiedad b), se aplica si el nmero de eventos es infinito en forma contable.

NOTA 3 Los tres componentes de la probabilidad se vinculan eficazmente por medio de variables aleatorias. Las
probabilidades (vase el numeral 3.5) de los eventos en el conjunto de imgenes de la variable aleatoria
(vase el numeral 3.10) se deducen de las probabilidades de eventos en el espacio de la muestra. Un evento en el
conjunto de imgenes de la variable aleatoria es asignado a la probabilidad del evento en el espacio muestral que se
aplica a la variable aleatoria.

NOTA 4 El conjunto de imgenes de la variable aleatoria es el conjunto de nmeros reales o el conjunto de n-uplas
ordenadas de nmeros reales (observe que el conjunto de imgenes es el conjunto en el cual se aplica la variable aleatoria).


45
ANEXO A
(Informativo)

SMBOLOS

Smbolos Trmino en espaol Trmino en ingls Numeral
A Evento Event 3.2
A
C
Evento complementario Complementary event 3.3

Suma algebrica de eventos, -
algebrica, campo de suma, Campo-
Sigma Algebra of Events, -
Algebra, Sigma Field
-Field
3.69
Nivel de significacin Significance Level 2.45
, , , , , , ,
p, N, M, c, v, a, b, k
Parmetro Parameter
2
Coeficiente de curtosis Coefficient of Kurtosis 3.40
E(X
k
) Momento de muestra de orden k Sample Moment of Order k 2.14
E[g(X)] Valor esperado de la funcin g de una
variable aleatoria X
Expectation of the Function g of a
Random Variable X
3.12
F(x) Funcin de distribucin Distribution Function 3.7
f(x) Funcin de densidad de probabilidad Probability Density Function 3.26
1
Coeficiente de asimetra Coefficient of Skewness 3.39
H Hiptesis Hypothesis 2.40
H
o
Hiptesis nula Null Hypothesis 2.41
H
A
, H
1
Hiptesis alternativa Alternative Hypothesis 2.42
k Dimensin Dimension
k, r, s Orden de un momento Order of a Moment 2.14, 3.34,
3.41, 3.42
Media Mean 3.35
v Grados de libertad Degrees of Freedom 3.54
n Tamao de la muestra Sample Size
Espacio muestral Sample Space 3.1
(, , ) Espacio de probabilidad Probability Space 3.68
P(A) Probabilidad de un evento A Probability of an Event A 3.5
P(A|B) Probabilidad condicional de A dado B Conditional Probability of A given B 3.6
Medida de probabilidad Probability Measure 3.70
r
xy
Coeficiente de correlacin de la muestra Sample Correlation Coefficient 3.23
s Valor observado de una desviacin
estndar de la muestra
Observed Value of a Sample
Standard Deviation

S Desviacin estndar de la muestra Sample Standard Deviation 2.17
S
2
Varianza de la muestra Sample Variance 2.16
S
XY
Covarianza de la muestra Sample Covariance 2.22
Desviacin estndar Sample Deviation 3.37
2
Varianza Variance 3.36
XY
Covarianza Covariance 3.43
Error estndar Standard Error 2.24
X

Error estndar de la media de la muestra Standard Error of the Sample
Mean

Parmetro de una distribucin Parameter of a Distribution

Estimador

Estimator

2.12
V(X) Varianza de una variable aleatoria X Variance of a Random Variable X 3.36
X(i) i
sima
funcin estadstica de orden i
th
Order Statistic 2.9
x, y, z Valor observado Observed Value 2.4
X, Y, Z, T Variable aleatoria Random Variable 3.10
X
p
, x
p
p-cuantila
p-fractila
p-Quantile
p-Fractile
3.13
x X,
Promedio, media de la muestra Average, Sample Mean 2.15


46
ANEXO B
(Informativo)

DIAGRAMAS DE CONCEPTOS ESTADSTICOS

Poblacin (2.1)
Muestra (2.3)
Unidad de
muestreo (2.2)
Muestra aleatoria (2.6) Valor observado (2.4)
Muestra aleatoria
simple (2.7)
Estadstica
de orden (2.9)
Estadstica
descriptiva (2.5)
...
Rango de
la muestra (3.10)
Funcin de
distribucin (3.7)
Estadstica (2.8)
Estadstica de
una prueba (2.52)
Estimador (2.12)
...
Mediana de
la muestra (2.13)
Estadstica de
orden extremo
Rango de la
muestra (2.10)
Rango medio (2.11)

Figura B.1. Conceptos bsicos sobre poblacin y muestra


47

Muestra aleatoria
simple (2.7)
Media de
la muestra (2.15)
Coeficiente de variacin
de la muestra (2.18)
Momento de la muestra
de orden k (2.14)
Desviacin estandar
Varianza de
la muestra (2.16)
Coeficiente de asimetra
Coeficiente de curtosis
Coeficiente de correlacin
Variable aleatoria
normalizada de
la muestra (2.19)
Covarianza de
la muestra (2.22)
...

Figura B.2. Conceptos acerca de momentos de la muestra


48

Error estndar
(2.24)
Estimador (2.12) Estimacin (2.36)
Estimador por
intervalos (2.25)
Estimado (2.31)
Error de
estimacin (2.32)
Estimador del mximo
de verosimilitud (2.35)
Estimacin del mximo
de verosimilitud (2.37)
Intervalo de
prediccin (2.30)
Sesgo (2.33)
Estimador
sin sesgo (2.34)
Funcin de
verosimilitud (2.36)
Parmetro (3.9)
Intervalo estadstico
de tolerancia (2.26)
Funcin de densidad
de probabilidad (3.26)
Intervalo de
confianza (2.28)
Intervalo de confianza
unilateral (2.29)
Lmite estadstico
de tolerancia (2.27)
Familia de
distribuciones (3.8)
Funcin de masa
de probalidad (3.24)
Funcin de verosimilitud
parcial (2.39)
...
...
...
...

Figura B.3. Conceptos de estimacin


49

Estadstico de
prueba (2.52)
Prueba estadstica
(2.48)
Hiptesis (2.40)
Valor-p (2.49)
Hiptesis nula
(2.41)
Hiptesis
alternativa (2.42)
Hiptesis
simple (2.43)
Hiptesis
compuesta (2.44)
Nivel de
significacin (2.45)
Error tipo I
(2.46)
Prueba estadstica
(2.48)
Error tipo II
(2.47)
Potencia de una
prueba (2.50)
Curva de
Potencia (2.51)
Familia de

Figura B.4. Conceptos acerca de pruebas estadsticas


50

Estadstica
descriptiva (2.5)
Funcin estadstica
descriptiva (2.53)
Funcin estadstica
descriptiva numrica (2.54)
Valor
observado (2.4)
Frecuencia (2.59) Clase (2.55)
Lmites de
clase (2.56)
Punto medio de
la clase (2.57)
Distribucin de
frecuencia (2.60)
Frecuencia
relativa (2.64)
Frecuencia
acumulativa (2.63)
Frecuencia relativa
acumulativa (2.65)
(Representacin de
una distribucin de
frecuencia)
Grfico de
barras (2.62)
Ancho de
la clase (2.58)
Histograma (2.61)
...

Figura B.5. Conceptos acerca de clases y distribuciones empricas


51

(Poblacin
finita)
(Poblacin
infinita)
(Poblacin
hipottica)
Poblacin
(2.1)
Muestra (2.3)
Valor
observado (2.4)
Variable
aleatoria (3.10)
(Funcin estadstica
inferencial)
(Prediccin) Estimacin (2.36)
(Modelo
estadstico)
Parmetro (3.9)
Prueba
estadstica (2.48)

Figura B.6. Diagrama de conceptos de inferencia estadstica


52
ANEXO C
(Informativo)

DIAGRAMA DE CONCEPTOS DE PROBABILIDAD

Espacio de probabilidad
(, ,) (3.68)
Valor
esperado (3.12)
Espacio
muestral, (3.61)
Evento
complementario (3.3)
Probabilidad condicional
de A dado B (3.6)
Parmetro (3.9)
Funcin de
distribucin (3.7)
Distribucin de
probabilidad (3.11)
Mediana
(3.14)
Evento
independiente (3.4)
Evento (3.2)
Suma algebrica de
eventos, (3.69)
Medida de
probabilidad, (3.70)
Probabilidad (3.6)
Familia de
Variable
aleatoria (3.10)
Cuartila
(3.15)
Cuartila-p
(3.13)
(, x)
...

Figura C.1. Conceptos fundamentales en probabilidad


53

Distribucin de
probabilidad (3.11)
Variable
aleatoria
discreta (3.28)
Distribucin de probalidad
centrada (3.30)
Momento central
combinado de
ordenes r y s (3.42)
Distribucin de
probabilidad
normalizada (3.32)
Coeficiente de
variacin (3.38)
Error
estndar (2.24)
Desviacin
estandar (3.37)
Covarianza (3.43)
Variable
aleatoria (3.10)
Valor
esperado (3.12)
Variable
aleatoria
continua (3.29)
Momento combinado
de las rdenes r y s (3.41)
Variable
aleatoria
centrada (3.31)
Variable aleatoria
normalizada (3.33)
Coeficiente de
correlacin (3.44)
Coeficiente de
asimetra (3.39)
Momento de
orden r (3.34)
Media (3.35)
Varianza (3.36)
Coeficiente de
curtosis (3.40)
...
...
...
...
...
...
...

Figura C.2. Conceptos acerca de momentos


54

Distribucin de
probabilidad (3.11)
Distribucin de
probabilidad con
una variable (3.16)
Distribucin de
probabilidad
marginal (3.18)
Curva de
regresin (3.20)
Modo de funcin de
masa de probabilidad (3.25)
Distribucin
multinominal
(3.45)
Distribucin de
probabilidad con
mltiples variables
(3.17)
Distribucin
binominal (3.46)
Funcin de
densidad de
probabilidad (3.26)
Modo de funcin de
densidad de
probabilidad (3.27)
Distribucin
binomial
negativa (3.49)
Distribucin de
probabilidad
condicional (3.19)
Superficie de
regresin (3.21)
Distribucin de
probabilidad con
una variable
(3.16)
Distribucin de
probabilidad con
mltiples
variables (3.17)
Funcin de
masa de
probabilidad
(3.24)
Distribucin de
probabilidad
discreta (3.22)
Distribucin de
probabilidad
continua (3.24)
Distribucin de
Poisson (3.47)
Distribucin
hipergeomtrica
(3.48)
...
...

Figura C.3. Conceptos acerca de las distribuciones de probabilidad


55

Distribucin de
probabilidad continua (2.23)
Distribucin
lognormal
(3.52)
Distribucin
gama
(3.56)
Distribucin de
valores extremos
tipo I (3.61)
Distribucin normal
con mltiples
variables (3.64)
Distribucin F
(3.55)
Distribucin
normal
(3.50)
Distribucin t
(3.53)
Distribucin
beta
(3.59)
(Distribucin
de valores
extremos)
Distribucin normal
estandarizada con
dos variables (3.66)
Distribucin normal
con dos variables
(3.65)
Distribucin
Chi-cuadrado
(3.57)
Distribucin
exponencial
(3.58)
Distribucin
uniforme
(3.60)
Grados de
libertad (3.54)
Distribucin normal
estandarizada (3.51)
Distribucin de
valores extremos
tipo II (3.62)
Distribucin de
valores extremos
tipo III (3.63)
...
...
... ...
... ...
...

Figura C.4. Conceptos acerca de distribuciones continuas


56
ANEXO D
(Informativo)

METODOLOGA USADA EN EL DESARROLLO DEL VOCABULARIO

D.1 INTRODUCCIN

La aplicacin universal de la familia de normas ISO requiere el empleo de un vocabulario
coherente y armonizado que sea fcilmente comprensible por usuarios potenciales de normas
de estadstica aplicada.

Los conceptos son interrelacionados. El anlisis de estas relaciones entre conceptos dentro del
campo de la estadstica aplicada y su ordenamiento en diagramas de conceptos es
prerrequisito para un vocabulario coherente. Este anlisis se utiliz en el desarrollo de esta
norma. Ya que los diagramas de conceptos empleados durante el proceso de desarrollo
pueden ser tiles en un sentido informativo, se reproducen en el literal D.4.

D.2 CONTENIDO DE UNA ENTRADA DE VOCABULARIO Y REGLA DE SUSTITUCIN

El concepto forma la unidad de transferencia entre idiomas (incluidas las variantes dentro de
una lengua, por ejemplo, ingls americano e ingls britnico). Para cada idioma se escoge el
trmino ms apropiado para representar el concepto en esa lengua, es decir, es un enfoque no
literal de la traduccin.

Una definicin se hace describiendo nicamente aquellas caractersticas que son esenciales
para identificar el concepto. La informacin concerniente al concepto, que es importante pero
no esencial para su descripcin, se coloca en una o ms notas de la definicin.

Cuando un trmino se reemplaza por su definicin, sujeto a cambios menores en la sintaxis, no
debera haber cambio en el significado del texto. Esta sustitucin es un mtodo sencillo para
verificar la exactitud de una definicin. Sin embargo, en donde la definicin es compleja, en el
sentido de que contiene varios trminos, la mejor forma de hacer la sustitucin es tomar una a
la vez, o mximo dos definiciones. La sustitucin completa de la totalidad de los trminos es
difcil de lograr sintcticamente y no tendr utilidad para transmitir significado.

D.3 RELACIONES ENTRE CONCEPTOS Y SU REPRESENTACIN GRFICA

D.3.1 Generalidades

En el trabajo terminolgico, las relaciones entre los conceptos se basan en la formacin
jerrquica de las caractersticas de una especie, de manera que la descripcin ms econmica
de un concepto se forma nombrando sus especies y describiendo las caractersticas que las
distinguen de sus conceptos matriz o asociados.

Existen tres formas principales de relaciones de conceptos indicadas en este anexo: genricas
(vase el literal D.3.2), partitivas (vase el literal D.3.3) y asociativas (vase el literal D.3.4).

D.3.2 Relacin genrica

Los conceptos subordinados dentro de la jerarqua heredan todas las caractersticas del
concepto de rango superior y contienen descripciones de estas caractersticas que las
diferencian de los conceptos de rango superior e igual, por ejemplo, la relacin entre la


57
primavera, verano, otoo e invierno, con la estacin.

Las relaciones genricas se describen mediante un esquema o diagrama de rbol sin flechas
(vase la Figura D.1).

Estacin
Verano Otoo Primavera Invierno

Figura D.1. Representacin grfica de una relacin genrica

D.3.3 Relaciones partitivas

Conceptos subordinados dentro de la jerarqua de las partes componentes del concepto de
rango superior, por ejemplo, primavera, verano, otoo e invierno se pueden definir como partes
del concepto ao. En comparacin, es inapropiado definir un clima soleado (una posible
caracterstica del verano) como parte de un ao.

Las relaciones partitivas se representan mediante un esquema sin flechas (vase la Figura D.2).
Las partes simples se representan mediante una lnea, y las mltiples mediante dos lneas.

Ao
Verano Otoo Primavera Invierno

Figura D.2. Representacin grfica de una relacin partitiva

D.3.4 Relacin asociativa

Las relaciones asociativas no pueden abreviar la descripcin, como se presenta en las
relaciones genricas y partitivas, pero son tiles para identificar la naturaleza de la relacin
entre conceptos dentro de un sistema de conceptos, por ejemplo, causa y efecto, actividad y
ubicacin, actividad y resultado, herramienta y funcin, material y producto.

Las relaciones asociativas se describen por flechas en dos sentidos (vase la Figura D.3).

Soleado Verano

Figura D.3. Representacin grfica de una relacin asociativa


58
D.4 DIAGRAMAS DE CONCEPTOS

Las Figuras B.1 a B.5 muestran los diagramas de conceptos en los que se basan las
definiciones del numeral 1 de esta norma. La Figura B.6 es un diagrama de conceptos adicional
que indica la relacin de algunos trminos que aparecen previamente en las Figuras B.1 a B.5.
Las Figuras C.1 a C.4 muestran los diagramas de conceptos en los que se basan las
definiciones del numeral 2 de esta norma. Existen varios trminos que aparecen en diagramas
de conceptos mltiples que establecen un vnculo entre los diagramas. Estos trminos se
indican de la siguiente manera:

Figura B.1 Conceptos bsicos sobre poblacin y muestras

Estadstica descriptiva (vase el numeral 2.5)

Muestra aleatoria simple (vase el numeral 2.7)

Estimador (Vase la el numeral 2.12)

Estadstico de prueba, estadstico de contraste (Vase el
numeral 2.52)

Variable aleatoria (vase el numeral 3.10)

Funcin de distribucin (vase el numeral 3.7)

Vase la Figura B.5

Vase la Figura B.2

Vase la Figura B.3

Vase la Figura B.4

Vase la Figura C.1, C.2

Vase la Figura C.1

Figura B.2 Conceptos acerca de momentos de la muestra (vase el numeral 2.7)

Muestra aleatoria simple (vase el numeral 2.7)

Vase la Figura B.1

Figura B.3 Conceptos de estimacin:

Estimador (vase el numeral 2.12)

Parmetro (vase el numeral 3.9)

Familia de distribuciones (vase el numeral 3.8)

Funcin de densidad de probabilidad (vase el numeral 3.26)

Funcin de masa de probabilidad (vase el numeral 3.24)

Vase la Figura B.1

Vase la Figura C.1

Vase la Figura B.4, C.1

Vase la Figura C.3

Vase la Figura C 3

Figura B.4. Conceptos acerca de pruebas estadsticas

Estadstico de prueba, estadstico de contraste (vase el
numeral 2.52)

Funcin de densidad de probabilidad (vase el numeral 3.26)



Vase la Figura B.1




Figura B.5. Conceptos acerca de clases y distribuciones empricas

Estadstica descriptiva (2.5)

Vase la Figura B.1

Figura 6. Diagrama de conceptos de inferencia estadstica

Poblacin (vase el numeral 2.1)

Muestra (vase el numeral 2.3)

Valor observado (vase el numeral 2.4)

Vase la Figura B.1

Vase la Figura B.1

Vase la Figura B.1, B.5
Contina


59
(Final)

Figura 6. Diagrama de conceptos de inferencia estadstica

Estimacin (vase el numeral 2.36)

Prueba estadstica (vase el numeral 2.48)



Vase la Figura B.3

Vase la Figura B.4


Vase la Figura B.1, C.1, C.2

Figura C.1 Conceptos fundamentales en probabilidad


Distribucin de probabilidad (vase el numeral 3.11)


Funcin de distribucin (vase el numeral 3.7)



Figura C.2 Conceptos acerca de momentos





Figura C.3 Conceptos acerca de las distribuciones de probabilidad



Distribucin continua (vase el numeral 3.23)

Distribucin con una variable (vase el numeral 3.16)

Distribucin con mltiples variables (vase el numeral 3.17)


Vase la Figura B.3, B.4

Vase la Figura C.4

Vase la Figura C.4

Vase la Figura C.4

Figura C.4. Conceptos acerca de distribuciones continuas

Distribucin con una variable (vase el numeral 3.16)

Distribucin con mltiples variables (vase el numeral 3.17)

Distribucin continua (vase el numeral 3.23)

Vase la Figura C.3

Vase la Figura C.3

Vase la Figura C.3

Como Nota final a la Figura C.4, las siguientes distribuciones son ejemplos de distribuciones con
una variable: normal, distribucin t, distribucin F, normal estandarizada, gama, beta, chi-cuadrado,
exponencial, uniforme, valor extremo Tipo I, valor extremo Tipo II y valor extremo Tipo III. Las
siguientes distribuciones son ejemplos de distribuciones con variables mltiples: normal con
mltiples variables, normal con dos variables y normal estandarizada con dos variables. Al incluir la
distribucin con una variable (vase el numeral 3.16) y la distribucin con mltiples variables (vase
el numeral 3.17) se sobrecargara indebidamente la figura en el diagrama de conceptos.


60
DOCUMENTO DE REFERENCIA

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. Statistics - Vocabulary and
Symbols. Part 1: General Statistic Terms and Terms Used in Probability. Genve: ISO, 2006,
103 p. (ISO 3534-1).

NTC 2062-1 2008

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

NTC 2062-1 2008

Cargado por

Copyright:

Formatos disponibles

NORMA TCNICA NTC

. Estadstico (vase el numeral 2.8) usado en la estimacin

. Para distribuciones simtricas, el coeficiente de asimetra es igual a 0

También podría gustarte