GRADO EN INGENIER

IA AMBIENTAL

ESTAD
ISTICA Introducci
on

TEMA 2

DATOS BIVARIANTES

Sonia Hern
andez Alonso

Area de Estadstica e Investigaci

on Operativa (URJC) Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC)

Datos bivariantes Esquema

En el tema anterior hemos analizado herramientas para describir el Relaci

on entre dos variables cuantitativas
comportamiento de una variable observada en un conjunto de unida-
des experimentales. Tipos de relaci
on entre variables num
ericas

Pero en muchas ocasiones ser a necesario estudiar dos (o m

as) varia- Covarianza
bles o caractersticas sobre cada unidad experimental. Coeciente de correlaci
on lineal
Por ejemplo, al analizar los lobos ibericos del zoo, puede que sea Correlaciones espurias
importante estudiar la edad de estos c anidos junto con su peso, y
realizar un estudio conjunto de las dos variables.

Los datos bivariantes proceden de la observaci on simultanea de

emoslas X e Y , en una poblaci
dos variables, llam on de n individuos.

Por tanto, este tipo de datos ser

an pares de la forma

(x1, y1), (x2, y2), . . . , (xn, yn)

En este tema nos limitaremos a analizar el caso en el que ambas

variables, X e Y , son cuantitativas. 1
 Relaci
on entre variables num
ericas

En muchas ocasiones, la raz

on de medir dos variables num
ericas sobre
el mismo conjunto de unidades experimentales es determinar si esas
variables est
an relacionadas.

En caso de que lo esten, conviene determinar cu

al es el tipo de
relaci
on entre ellas.
Relaci
on entre dos
Si dos variables cuantitativas est
an relacionadas, varan juntas. Es
variables cuantitativas decir, cuando el valor de una de ellas aumenta o disminuye, la otra
variable cambia de acuerdo a un determinado patr on.

Esto puede ayudar a predecir el valor de una variable a partir del valor
de la otra.

Sonia Hern andez Alonso

Estadstica-Ingeniera Ambiental (URJC)

Diagramas de dispersi
on Ejemplo: niveles de NO2 en Madrid (2007-2008)

Un gr aco muy u til para visualizar la relacion entre dos variables Para ilustrar el an
num ericas, X e Y , es el diagrama de dispersi on (tambi
en llamado
nube de puntos, o scatterplot). Se construye representando sobre
el plano cada dato bivariante, (xi, yi), con sus dos coordenadas, como
se muestra en el esquema:
alisis de conjunto de dos variables cuantitativas,
vamos a considerar los niveles de di ogeno (NO2) alcan-
oxido de nitr
zados en las estaciones de la red de medicion de la contaminaci on
atmosferica del Ayuntamiento de Madrid en 2007 y 2008.
N
otese que en este ejemplo ambas variables son continuas.

Los datos se han extrado de los balances anuales sobre la calidad del
aire elaborados por Ecologistas en Accion. No se incluyen las estacio-
nes de la Glorieta de Carlos V ni de Villaverde, por encontrarse fuera
de servicio durante todo este periodo.

2
 Datos sobre niveles de NO2 en Madrid (2007- 2008) Ejemplo: diagramas de dispersi
on

La nube de puntos siguiente corresponde a los niveles de NO2 en las

estaciones de Madrid en los a
nos 2007 y 2008:

Se aprecia claramente que existe una fuerte relaci

on entre los niveles
de NO2 en ambos a nos: las estaciones con niveles altos en 2007
tienden a tener tambi
en niveles altos en 2008, y viceversa.

Relaci
on entre NO2-2007 y NO2-2008

Tambien se observa que los puntos bivariantes parecen agruparse en-

torno a una recta:

Tipos de relaci
on
entre dos variables num
ericas

Es decir, la relaci
on que hay entre en nivel de NO2 en 2007 y el de
2008 es lineal y positiva.
Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC) 3
 Relaci
on lineal positiva. Otros tipos de relaci
on Relaci
on lineal negativa

En el ejemplo de los niveles de contaminacion por di

oxido de nitr
o- La siguiente nube de puntos representa los datos sobre el tiempo que
tardan varios antlopes en recorrer dos kil
ometros y el ritmo cardiaco
geno, la nube de puntos esta muy concentrada alrededor de una recta
que alcanzan:
con pendiente positiva. Por eso se dice que hay una relacion lineal

66
positiva entre los valores de NO2 de 2007 y los de 2008.

Esta forma de dependencia entre dos variables num ericas aparece con

64
frecuencia en la naturaleza. Otros ejemplos son la relacion entre la
altura de los padres y la de sus cras, o entre los pesos y las estaturas

62
ritmo cardiaco
en una misma especie.

60
En otros casos, ocurre que las dos variables est
an muy relacionadas
pero la relaci
on es de otro tipo. Tambi
en hay ocasiones en las que las

58
dos variables no parecen estar relacionadas.

56
Los diagramas de dispersi on ayudan a identicar el tipo de relaci
on
existente entre dos variables num
ericas.
86 88 90 92 94

tiempo en recorrer 2 km

Relaci
on lineal negativa (continuaci
on) Relaci
on lineal negativa (continuaci
on)

En este caso los datos se agrupan alrededor de una recta, pero los
valores altos de una variable aparecen con m
as frecuencia asociados
a valores bajos de la otra, y viceversa:
66
Las variables tiempo en recorrer 2 km y ritmo cardiacode los
antlopes tienen una relaci
on lineal negativa, ya que los datos bivarian-
tes estan agrupados alrededor de una recta con pendiente negativa.

Otro ejemplo de esta situaci

on es la relaci
on entre el precio de un
determinado producto y la cantidad de ventas del mismo:
64
62
ritmo cardiaco

470
60

460
ventas

450
58

440
56

430
86 88 90 92 94
420
tiempo en recorrer 2 km
4
30 40 50 60 70

precio
 Relaciones no lineales Ausencia de relaci
on entre las variables

En muchos casos la relacion entre las dos variables no es lineal, sino Por
ultimo, existen casos en los que no hay ninguna relaci
on entre las
de otro tipo: exponencial, cuadr
atica, logartmica... dos variables. Esto ocurre cuando las variables son independientes:

39.5

120
100

39.0

110
95

38.5

100
Y

38.0
90

Y
37.5

90
85

37.0

80
80

5 10 15 20 25 30 35 3 2 1 0 1 2 3

70
X X

Por ejemplo, la relaci

on entre la antiguedad de una m
aquina y la 5 10 15 20 25 30 35

cantidad de averias anuales suele ser no lineal. X

Por ejemplo, por regla general, no existe ninguna relaci
on entre la
altura de las personas y su coeciente de inteligencia.

Esquema: tipos de relaci

on entre dos variables

Covarianza

Sonia Hern andez Alonso

Estadstica-Ingeniera Ambiental (URJC) 5
 Medidas de la relaci
on entre dos variables Covarianza entre dos variables

Cuando las variables X e Y son ambas num ericas, se pueden calcular Consideremos un conjunto de n observaciones bidimensionales,
estadsticos que resuman determinados aspectos del comportamiento
(x1, y1), (x2, y2), . . . , (xn, yn)
de cada una de ellas por separado.
ericas, X e Y .
de dos variable num
Por ejemplo, para obtener un resumen b asico de cada variable, se
pueden utilizar sus medias, x e y, que indican c ual es el centro de La covarianza entre X e Y se dene como
cada una de ellas, y sus varianzas, s2
x y s 2 que miden sus respectivos
y n

grados de dispersi
on. (xi x
)(yi y)
i=1
sxy =
Para completar este resumen, sera adecuado contar con alg un es- n
tadstico que indique c
omo es la relaci
on entre las dos variables.
La covarianza es una medida de la variabilidad conjunta de dos
La covarianza entre dos variables cumple con este objetivo.
variables.

Cuando la covarianza entre las variables X e Y es nula, es decir, si se

verica sxy = 0 , se dice que las variables son (o est
an) incorrelacio-
nadas entre s.

Interpretaci
on de la covarianza Esquema: signo de la covarianza

La covarianza, sxy , mide la dependencia lineal existente entre las

variables X e Y :
Cuando lo m as frecuente es encontrar valores grandes de X aso-
ciados con valores grandes de Y , y valores peque
nos de X asociados
a valores pequenos de Y , la covarianza sera positiva, sxy > 0.
Por el contrario, si lo m
as frecuente es encontrar valores grandes
de X asociados a valores peque nos de Y y viceversa, la covarianza
a negativa, sxy < 0.
ser
Cuando no existe ninguna relaci on de tipo lineal entre las varia-
a sxy = 0, es decir, X e Y
bles X e Y , la covarianza entre ellas ser
ser
an variables incorrelacionadas.

Es importante se nalar que la covarianza tiene en cuenta s olo las

relaciones lineales, por lo que dos variables incorrelacionadas pueden
estar relacionadas mediante otro tipo de funci on: exponencial, loga-
rtmica, cuadr
atica, c
ubica, sinusoidal, etc.
6
 C
alculo de la covarianza Ejemplo: covarianza en viviendas de Piriapolis

Desarrollando la f
ormula de la covarianza puede comprobarse que, La siguiente tabla recoge la supercie (X) de una selecci on de vi-
una expresi
on alternativa, que hace los c
alculos m
as sencillos, es la viendas costeras de Piriapolis (Uruguay) y sus precios de venta (Y ):
siguiente:
n
 Supercie (X) 106 73 114 132 86 117 125 68 71 111
x i yi
Precio (Y ) 178 91 188 165 132 115 173 116 97 204
sxy = i=1 x
y
n Supercie (X) 92 114 116 114 126 113 124 76 100 97
Precio (Y ) 119 101 137 203 186 181 214 50 131 124
Es decir, la covarianza entre dos variables es el promedio de sus
productos menos el producto de sus promedios.
an medidas en m2 y los precios en
Las supercies de las viviendas est
Cuesti al es la covarianza entre una variable y ella misma, sxx?
on: cu miles de pesos uruguayos.

Queremos analizar c omo es la relaci on entre las variables X e Y .

Evidentemente, lo que esperamos es encontrar una relaci on positiva
entre las variables, es decir, que las viviendas m
as grandes tiendan a
ser mas caras y viceversa.

Para comprobar si esta intuici

on es cierta, vamos a utilizar las herra-
mientas que nos permiten analizar como es esa relaci
on.

Ejemplo: viviendas de Piriapolis (continuaci

on) Ejemplo: viviendas de Piriapolis (continuaci
on)

Comenzaremos por representar gr

acamente estos datos mediante un La nube de puntos parece conrmar que existe cierta relaci on lineal
diagrama de dispersi
on: positiva entre precio y supercie de las viviendas de Piri
apolis.

Para corroborar la existencia de este tipo de relaci

on, calcularemos la
covarianza entre ambas variables.
200

Comenzamos por por calcular la media de cada una de las variables:

n
1  1
x
= xi = (106 + 73 + . . . + 97) = 103.75 m2
150

n i=1 20
Precio

n
1  1
y = yi = (178 + 91 + . . . + 124) = 145.214 pesos
100

n i=1 20
50

70 80 90 100 110 120 130

Superficie
7
 Ejemplo: viviendas de Piriapolis (continuaci
on) Ejemplo: covarianza datos de NO2 en 2007 y 2008

Por otra parte, el promedio de los productos es Vamos a calcular ahora la covarianza entre los niveles de NO2 en el
n
 municipio de Madrid en los a nos 2007 (X) y 2008 (Y ). Como hemos
x i yi visto, el diagrama de dispersi
on de estos datos, indica que existe una
i=1 106 178 + 73 91 + . . . . . . + 97 124
= = 15667.413 fuerte dependencia positiva entre ambas variables:
n 20

Luego, la covarianza resulta ser

sxy = 15667.413 103.75 145.214 = 601.46

Tal como esper

abamos, la covarianza es positiva,

sxy = 601.46 > 0,

on lineal de tipo positivo entre X e Y .
lo cual indica una relaci

Ejemplo: covarianza datos de NO2 (continuaci

on) Covarianza entre variables independientes

Se tiene que Puede demostrarse que, cuando X e Y son variables independientes

25
1  38 + 54 + . . . + 62 (es decir, cuando no existe ningun tipo de relaci
on entre ellas), el
x
= xi = = 59.92 promedio de sus productos coincide con el producto de sus promedios,
25 i=1 25
25
es decir, se verica
1  35 + 50 + . . . + 66 n
y = yi = = 55.48 
25 i=1 25 x i yi
i=1
=x
y
25
n
1  38 35 + 54 50 + . . . + 62 66 y en consecuencia
x i yi = = 3481.4
25 i=1 25 n

x i yi
Por tanto la covarianza entre X e Y es i=1
sxy = x
y = 0
n
sxy = 3482.4 59.92 55.48 = 157.04

Puesto que la covarianza es positiva (sxy = 157.04 > 0), se conrma Por tanto, las variables independientes son siempre variables in-
que existe una dependencia lineal positiva entre X e Y . correlacionadas.

Puede sorprender que esta covarianza sea inferior a la que existe entre
supercies y precios de las casas de Piri
apolis... 8
 Incorrelaci
on e independencia de variables Vector de medias y matriz de varianzas-covarianzas

Las variables independientes son siempre variables incorrelacio- Dado un conjunto de n observaciones bidimensionales,
nadas, pero el recproco de esta armaci
on no es cierto, ya que dos (x1, y1), (x2, y2), . . . , (xn, yn)
variables pueden tener covarianza cero y ser dependientes. Es de dos variable num ericas, X e Y , se llama vector de medias de
decir, la incorrelaci
on no implica independencia. (X, Y ) al vector bi-dimensional

Esto es as porque la covarianza entre X e Y lo que mide es la co- x



dependencia lineal entre dos variables. Pero, evidentemente, dos
y
variables pueden depender la una de la otra mediante otro tipo de
relaci
on. Por ejemplo, la covarianza entre las variables representadas Se llama matriz de varianzas y covarianzas de (X, Y ) a la matriz
en el siguiente diagrama de dispersion es 0, a pesar de que existe entre
s2
x sxy
ellas una clara relaci
on cuadr
atica:
S=
sxy s2
y

La matriz de covarianzas es una matriz cuadrada. Es adem as una

matriz simetrica, es decir, verica S  = S, ya que sxy = syx.

El vector de medias y la matriz de covarianzas constituyen un buen

resumen de los datos bivariantes, ya que informan sobre el centro y
la dispersi
on de cada variable y sobre la relaci
on entre ambas.

Ejemplo: vector de medias y matriz de covarianzas Ejemplo: vector de medias y matriz de covarianzas

Retomemos los datos sobre la supercie (X) y el precio (Y ) de las El vector de medias correspondientes a la supercie (X) y el precio
viviendas de Piri
apolis: (Y ) de las viviendas de Piri
apolis son por tanto,

Supercie (X) 106 73 114 132 86 117 125 68 71 111

Precio (Y ) 178 91 188 165 132 115 173 116 97 204 x
103.75

=
Supercie (X) 92 114 116 114 126 113 124 76 100 97 y 145.21
Precio (Y ) 119 101 137 203 186 181 214 50 131 124
y su matriz de covarianzas,
Ya hemos visto que para estos datos se tiene

x
= 103.75; y = 145.21; sxy = 601.46 s2
x sxy 375.88 601.46

S= =
as, las varianzas de ambas variables, s2
Calculamos, adem 2
x y sy : sxy s2
y 601.46 1908.58
n
1  1
s2
x = x2 2 =
i x (1062 + . . . + 972) 103.752 = 375.88
n i=1 20
n
1  1
s2
y = yi2 y2 = (1782 + . . . + 1242) 145.212 = 1908.58
n i=1 20 9
 Limitaciones de la covarianza

La covarianza es una medida de la variabilidad conjunta de dos varia-

bles que tiene en cuenta s
olo dependencias de tipo lineal.

Ademas, la covarianza entre dos variables vara si cambiamos las

unidades en las que medimos alguna de ellas.

Por ejemplo, si la variable X est

a est
a expresada en gramos, su co- Coeciente de correlaci
on lineal
varianza con cualquier otra variable Y ser
a 1000 veces mayor que la
covarianza entre esa misma variable X expresada en kilos, e Y .

Por tanto, tiene sentido interpretar el signo de la covarianza,

pero su valor absoluto no tiene utilidad.

Sonia Hern andez Alonso

Estadstica-Ingeniera Ambiental (URJC)

Coeciente de correlaci
on entre dos variables Correlaci
on y dependencia lineal entre dos variables

Dado un conjunto de n observaciones bidimensionales, Evidentemente, el coeciente de correlaci

on lineal,
sxy
(x1, y1), (x2, y2), . . . , (xn, yn) rxy =
sx sy
de dos variable numericas, X e Y , se dene el coeciente de corre- siempre conserva el signo de la covarianza, por lo que
on lineal entre X e Y , como
laci
Cuando lo mas frecuente es encontrar valores grandes de X asocia-
dos con valores grandes de Y , y valores pequenos de X asociados a
sxy pequenos de Y , el coeciente de correlaci a positivo, rxy > 0.
on ser
rxy =
sx s y
Por el contrario, si lo mas frecuente es encontrar valores grandes
de X asociados a valores peque nos de Y y viceversa, el coeciente
de correlaci a negativo, rxy < 0.
on lineal ser
Cuando no existe ninguna relaci on de tipo lineal entre las varia-
bles X e Y , el coeciente de correlaci
on entre ellas es rxy = 0. Esta
on por la que, en estos casos, se dice que las variables X
es la raz
e Y estan incorrelacionadas.

10
 Cotas del coeciente de correlaci
on Interpretaci
on del coeciente de correlaci
on

El coeciente de correlaci
on es un estadstico adimensional, es decir, Si rxy = 0, es decir, si X e Y estan incorrelacionadas, no existe
no depende de las unidades en las que est en medidas los datos. ninguna dependencia de tipo lineal entre ellas.

Ademas, puede demostrarse que el coeciente de correlaci

on entre Si rxy = 1, entonces todos los puntos (x1, y1), (x2, y2), . . . , (xn, yn)
dos variables siempre toma valores entre -1 y 1, es decir, para est
an sobre una recta con pendiente positiva.
cualquier par de variables X e Y se verica
Si rxy = 1, entonces todos los puntos (x1, y1), (x2, y2), . . . , (xn, yn)
1 rxy 1 est
an sobre una recta con pendiente negativa.

Si rxy toma un valor pr oximo a 1, X e Y tienen una fuerte depen-

Esto permite evaluar el grado de dependencia lineal entre las dos
dencia lineal de tipo positivo.
variables.
Si rxy toma un valor pr oximo a -1, X e Y tienen una fuerte depen-
dencia lineal de tipo negativo.

Si rxy toma un valor pr

oximo a 0, la dependencia lineal entre X e
Y es leve.

Gr
aco: coeciente de correlaci
on lineal Ejemplo: coeciente de correlaci
on

Retomemos los datos sobre la supercie (X) y el precio de las vivien-

das (Y ) de Piri
apolis.

Hemos visto que la matriz de varianzas y covarianzas de estos datos

es

s2
x sxy 375.88 601.46

S= =
sxy s2
y 601.46 1908.58

Por tanto, el coeciente de correlaci

on lineal entre supercie y precio
de las viviendas es
601.46
rxy = = 0.71
375.88 1908.58

Puesto que se trata de un coeciente de correlaci

on positivo y relati-
vamente pr oximo a 1, se conrma que existe una cierta dependencia
lineal positiva entre X e Y .
11
 Ejemplo: correlaci
on datos de NO2 en 2007 y 2008 Ejemplo: correlaci
on datos de NO2 (continuaci
on)

Calculemos ahora el coeciente de correlaci

on entre los niveles de Hemos visto que las medias de X e Y y la covarianza entre ambas
NO2 en el municipio de Madrid en los a
nos 2007 (X) y 2008 (Y ). son
Como ya se ha dicho, el diagrama de dispersi
on de estos datos sugiere x
= 59.92; y = 55.48; sxy = 3482.4 59.92 55.48 = 157.04
que existe una fuerte dependencia positiva entre los niveles de NO2
en los a
nos 2007 y 2008. Por otra parte las varianzas de X e Y son
n
1  1
s2
x = x2 x
2 = (382 + 542 + . . . + 622) 59.922 = 202.71
n i=1 i 25
n
1  1
s2
y = y 2 y2 = (352 + 502 + . . . + 662) 55.482 = 138.89
n i=1 i 20

on lineal entre X e Y es
Por tanto, el coeciente de correlaci
157.04
rxy = = 0.9359
202.71 138.89

Puesto que se trata de un coeciente de correlaci

on muy proximo a
1, se conrma que existe una dependencia lineal positiva muy fuerte
entre las variables.

Ejemplo: no de cig
ue
nas y nacimientos de beb
es

Un ornit
ologo est
a estudiando si existe alguna relaci
on entre el n
umero
de nacimientos de ni
n@s en una localidad (N ) y el numero de cig ue
nas
avistadas (C).

Tras observar ambas variables mensualmente durante un a

no, obtiene
los siguientes resultados:
Correlaciones espurias:
la correlaci
on no siempre indica causalidad 12 12
 
ni = 421 ci = 991
i=1 i=1

12
 12
 12

n2
i = 15565 c2
i = 86099 nici = 36604
i=1 i=1 i=1

Sonia Hern andez Alonso

Estadstica-Ingeniera Ambiental (URJC) 12
 Ejemplo: estadsticos de cig
ue
nas y beb
es Ejemplo: correlaci
on entre cig
ue
nas y beb
es

A partir de los sumatorios de los que disponemos se pueden calcular la Con los estadsticos anteriores podemos calcular el coeciente de co-
medias y varianzas de las variables N y C y la covarianza entre ellas: rrelaci
on entre el numero de nacimientos y la cantidad de cig uenas
12
 12

observadas:
ni ci snc 153.43
i=1 421 i=1 991 rnc = = = 0.998
n= = = 35.08 c= = = 82.58 s2 s 2 66.48 355.46
12 12 12 12 n c
Puesto que se trata de un coeciente de correlaci on muy proximo a
12

n2 1, indica que existe una dependencia lineal positiva muy fuerte entre
i
i=1 15565 N y C.
= = 1297.08 s2 2
n = 1297.08 35.08 = 66.48
12 12
12

c2
i
i=1 86099
= = 7174.92 s2 2
c = 7174.92 82.58 = 355.46
12 12

12

n i ci
i=1 36604
= = 3050.33 snc = 3050.33 35.08 82.58 = 153.43
12 12

Ejemplo: traen las cig

ue
nas a los beb
es? Correlaciones espurias

Es evidente que, aunque el coeciente de correlaci

on sea muy pr
oximo El anterior es un ejemplo cl
asico de lo que suele denominarse corre-
a 1 (r  1), no podemos concluir que exista una relaci on causal
laci
on espuria o falsa correlaci
on.
entre el numero de cigue nas y los nacimientos de bebes.
Evidentemente, las cigue
nas no inuyen en la natalidad. Pero las
cig
ue
nas suelen anidar en los pueblos europeos entre los meses de
febrero y septiembre, y en esta
epoca del a
no se producen mas na-
cimientos (porque mas ni
n@s son concebid@s en la epoca que va de
mayo a diciembre).

Hay un tercer factor que no estamos considerando, un factor de

on o variable escondida que inuye tanto en N como en
confusi
C: la
epoca del a
no (recordemos que los 12 datos de este ejemplo
corresponden a los 12 meses del a
no).

Es importante tener presente que la correlaci

on no siempre es un
indicador de causalidad.

13
 Otro ejemplo de correlaci
on espuria Consumo de helados y n
umero de sofocos

Los ni
nos que duermen con la luz encendida son m
as propensos a Para casi cualquier ciudad, si se analizan las variables venta de helados
desarrollar miopa en la edad adulta y cantidad de sofocos registrados, en distintas epocas de ano, es muy
probable que se obtenga un coeciente de correlaci on proximo a 1.
sta fue la conclusi
E on de un estudio del centro medico de la Univer-
sidad de Pensilvania, publicada el 13 de mayo de 1999 en la revista Quiere esto decir que el consumo de helados es el causante de los
Nature, y que tuvo gran repercusion en la prensa. sofocos?

Sin embargo, un posterior estudio de la Universidad Estatal de Ohio De nuevo, la respuesta es no. Lo que ocurre es que los helados tienden
no encontr
o ningun enlace entre el hecho de ni
nos durmiendo con la a consumirse bastante m as en las
epocas m as calurosas, y el calor
luz encendida y el desarrollo de miopa s puede provocar sofocos.

Lo que s encontr
o este segundo estudio fue una fuerte relaci on entre En este caso, la variable escondida es la temperatura. Los datos se
la miopa parental y el desarrollo en los ni
nos de este defecto. toman en distintas
epocas, y la temperatura vara a lo largo de ellas,
inuyendo tanto en el consumo de helados como en el n umero de
Tambi en observo que los padres miopes tenan una mayor tendencia
sofocos. Pero estas dos variables no se afectan entre s de manera
a dejar las luces encendidas en las habitaciones de sus hijos. Esta es
directa.
la variable escondida de este ejemplo.

Bibliografa

Ross, S.M. (2007) Introducci

on a la Estadstica. Reverte

Captulo 3, secci
on 7.

Montgomery, D.C. et al (2012). Engineering Statistics. Wiley

Captulo 2, secci
on 6.
Bibliografa
Pe
na, D. (2001) Fundamentos de Estadstica. Alianza Editorial

Captulo 3.

Devore, J.L. (2006). Probabilidad y estadstica en ciencias e inge-

nieras. Thomson Paraninfo

Captulo 12.

Grima, P. (2010) La certeza absoluta y otras cciones. Los secretos

de la estadstica. RBA
Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC)
Captulo 1. 14