P. 1
Apuntes_maestro

Apuntes_maestro

|Views: 25,737|Likes:
Published by d-fbuser-47597128

More info:

Published by: d-fbuser-47597128 on Apr 17, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/08/2014

pdf

text

original

Sections

  • Tema 1. Fenómenos aleatorios
  • CAPÍTULO I:
  • Fenómenos Aleatorios
  • I.1.- FENÓMENO ALEATORIO. CONCEPTO
  • I.1.1.- Impredecibilidad de los resultados
  • I.1.2.- Repetitividad del fenómeno. Enfoques clásico y bayesiano
  • I.1.3.- Definición de fenómeno aleatorio
  • I.1.4. - Regularidad Estadística
  • I.2. - LA ESTADÍSTICA
  • Tema 2. Conceptos de probabilidad
  • CAPÍTULO II:
  • Concepto de Probabilidad
  • II.1.- INTRODUCCIÓN
  • II.2.- PROBABILIDAD
  • II.2.1.- Probabilidad frecuencialista
  • II.2.2.- Probabilidad objetiva o lógica
  • II.2.3.- Probabilidad subjetiva o bayesiana
  • II.3.- ESPACIOS DE PROBABILIDADES
  • II.3.1.- Espacio Muestral
  • II.3.2.- Definición axiomática de probabilidad
  • II.3.3.- Definición de Espacio de Probabilidades
  • II.4.- PROBABILIZACIÓN DE ESPACIOS MUESTRALES
  • II.4.1.- Espacios Muestrales finitos
  • II.4.2.- Espacios Muestrales infinitos numerables
  • II.4.3.- Espacios Muestrales de la potencia del continuo
  • Tema 3. Probabilidad condicional
  • CAPITULO III
  • Probabilidad Condicional
  • III.1.- INTRODUCCION
  • III.2.- PROBABILIDAD CONDICIONAL
  • III.2.1.- Definición
  • III.2.2.- Propiedades
  • III.3. - TEOREMA DE LA INTERSECCION
  • III.4.- TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL
  • III.5.- SUCESOS INDEPENDIENTES
  • III.5.1. - Definición
  • III.5.2. - Propiedades
  • III.6. - TEOREMA DE BAYES
  • Tema 4. Variables aleatorias
  • CAPÍTULO IV:
  • Variables Aleatorias Unidimensionales
  • IV.1.- CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL
  • IV.1.1.-Definición de variable aleatoria unidimensional
  • IV.1.2.- Función de distribución
  • IV.1.3.- Analogía mecánica
  • IV.1.4.- Variables discretas
  • IV.1.5.- Variables continuas
  • IV.2. FUNCIONES DE VARIABLES ALEATORIAS
  • IV.3.- ESPERANZA MATEMÁTICA
  • IV.3.1.- Introducción
  • IV.3.2.- Concepto
  • IV.3.3.- Propiedades
  • IV.4.- MOMENTOS
  • IV.4.1.- Concepto
  • IV.4.2.- Propiedades
  • IV.5.- VARIANZA
  • IV.5.1.- Concepto
  • IV.5.2.- Propiedades
  • IV.6.- TEOREMA DE TCHEBYCHEFF
  • IV.7.- PARÁMETROS DE UNA DISTRIBUCIÓN
  • IV.7.1.- Parámetros de posición
  • IV.7.2.- Parámetros de dispersión
  • IV.7.3.- Parámetros de asimetría
  • IV.7.4.- Parámetros de apuntamiento
  • Tema 5.Variables aleatorias discretas
  • CAPITULO V:
  • Principales Distribuciones Discretas
  • V.1.- VARIABLE DICOTÓMICA
  • V.1.1.- Definición
  • V.1.2.- Valor medio
  • V.1.3.- Varianza
  • V.2.- VARIABLE BINOMIAL
  • V.2.1.- Definición
  • V.2.2.- Ley de probabilidades
  • V.2.3.- Media
  • V.2.4.- Varianza
  • V.2.5.- Adición
  • V.3.- TEOREMA DE BERNOUILLI
  • V.4.- DISTRIBUCION DE POISSON
  • V.4.1.- Definición
  • V.4.2.- Ley de probabilidades
  • V.4.3.- Media
  • V.4.4.- Varianza
  • V.4.5.- Adición
  • V.5.- VARIABLE HIPERGEOMÉTRICA
  • V.5.1.- Definición
  • V.5.2.- Ley de probabilidades
  • V.5.3.- Convergencia
  • V.6.- VARIABLE BINOMIAL NEGATIVA
  • V.6.1.- Definición
  • V.6.2.- Ley de probabilidades
  • V.6.3.- Media y Varianza
  • V.7.- VARIABLE K-ARIA
  • V.7.1.- Definición
  • V.7.2.- Vector de medias y Matriz de varianzas-covarianzas
  • V.8.- VARIABLE MULTINOMIAL
  • V.8.1.- Definición
  • V.8.2.- Ley de probabilidades
  • V.8.3.- Vector de medias y Matriz de varianzas-covarianzas
  • Tema 6. Variables aleatorias continuas unidimensionales
  • CAPITULO VI:
  • Principales distribuciones continuas
  • VI.1.- INTRODUCCION
  • VI.2.- VARIABLE NORMAL TIPIFICADA
  • VI.2.1.- Definición
  • VI.2.2.- Representación gráfica de fZ(z)
  • VI.2.3.- Media y Varianza
  • VI.2.5.- Manejo de tablas
  • VI.2.6.- Nomenclatura
  • VI.3.- DISTRIBUCION NORMAL GENERAL
  • VI.3.1.- Definición
  • VI.3.2.- Función de densidad
  • VI.3.3.- Adición
  • VI.3.5.- Manejo de tablas
  • VI.4.- TEOREMA CENTRAL DEL LIMITE
  • VI.4.1.- Teorema de Lindenberg-Levy
  • VI.5.- APROXIMACIONES DE VARIABLES ALEATORIAS
  • VI.6.- OTRAS VARIABLES CONTINUAS
  • VI.6.1.- Distribución Uniforme
  • VI.6.2.- Distribución Exponencial
  • VI.7.- DISTRIBUCIONES DERIVADAS DE LA NORMAL
  • VI.7.1.- Variable Chi-Cuadrado de Pearson
  • VI.7.2.- Distribucion F de Snedecor
  • VI.7.3.- Variable t de Student
  • Tema 7. Variables aleatorias bidimensionales
  • CAPITULO VII:
  • Variables Aleatorias Bidimensionales
  • VII.1.- DEFINICIÓN
  • VII.2.- FUNCIÓN DE DISTRIBUCIÓN
  • VII.2.1.- Definición
  • VII.2.2.- Propiedades
  • VII.3.- VARIABLES ALEATORIAS BIDIMENSIONALES DISCRETAS Y CONTINUAS
  • VII.4.- DISTRIBUCIONES MARGINALES
  • VII.5.- DISTRIBUCIONES CONDICIONALES
  • VII.5.1. Definición
  • VII.5.2.- Función de distribución condicional
  • VII.5.2.- Función de densidad y ley de probabilidades condicionales
  • VII.5.3. -Teorema de Bayes
  • VII.6.- VARIABLES INDEPENDIENTES
  • VII.7.- MOMENTOS
  • VII.8.2.- Propiedades
  • VII.9.2.- Propiedades
  • VII.10.- REGRESIÓN
  • VII.10.1.- Regresión condicional
  • VII.10.2.- Regresión lineal mínimo cuadrática
  • VII.11.- VARIABLES ALEATORIAS n-DIMENSIONALES
  • Variable Aleatoria Normal
  • Bidimensional
  • VII.1.1.- Variable normal bidimensional tipificada
  • VII.1.2.- Variable normal bidimensional general
  • VII.2.- VECTOR DE VALORES MEDIOS
  • VII.3.2.- Propiedades
  • VII.4.- COEFICIENTE DE CORRELACIÓN
  • VII.4.1.- Definición
  • VII.4.2.- Propiedades
  • VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS
  • VII.6.- DISTRIBUCIÓN MARGINAL
  • VII.7.- DISTRIBUCIÓN CONDICIONAL
  • Tema 8. Muestreo
  • CAPITULO VIII:
  • Distribuciones en el Muestreo
  • VIII.1.- INTRODUCCIÓN
  • VIII.2.- POBLACIÓN, MUESTREO Y MUESTRA
  • VIII.3.- ESTADÍSTICOS
  • VIII.4.- DISTRIBUCIONES EN EL MUESTREO
  • VIII.4.1.- Distribución de la media muestral
  • VIII.4.2.- Distribución de la varianza muestral
  • VIII.4.3.- Distribución de la proporción muestral
  • VIII.5.- MUESTREO EN POBLACIONES NORMALES
  • VIII.5.1.- Distribución de la media muestral
  • VIII.5.2.- Distribución de la varianza muestral
  • VIII.5.3.- Distribución conjunta de x y sn-1
  • Tema 9. Inferencia
  • CAPÍTULO IX:
  • Introducción a la Inferencia Estadística
  • IX.1.- INTRODUCCIÓN
  • IX.2.- ESTIMACIÓN DE PARÁMETROS
  • IX.2.1.- Estimación puntual
  • IX.2.2.- Estimación por intervalos de confianza
  • IX.3.- TEST DE HIPÓTESIS
  • IX.3.1.- Errores de 1ª y 2ª especie
  • IX.3.2.- Test de hipótesis paramétricos y no paramétricos
  • IX.3.3.- Tests de hipótesis paramétricos
  • IX.3.4.- Tests de hipótesis no paramétricos
  • 9.4. ANÁLISIS DE LA VARIANZA (I). UN FACTOR CONTROLADO
  • 9.4. Análisis de la varianza (I). Un factor controlado
  • 9.4.1.- GENERALIDADES
  • 9.4.2.- MODELO TEÓRICO. HIPÓTESIS DEL MODELO
  • 9.4.3.- HIPÓTESIS NULA
  • 9.4.5.- TEST F
  • 9.5.2.3.- Hipótesis Nulas
  • Interpretación de Resultados

APUNTES DE MÉTODOS ESTADÍSTICOS 1

ÍNDICE
Tema 1. Fenómenos aleatorios..................................................................................................... 6 CAPÍTULO I:.................................................................................................................................. 7 Fenómenos Aleatorios .................................................................................................................. 7 I.1.- FENÓMENO ALEATORIO. CONCEPTO........................................................................... 8 I.1.1.- Impredecibilidad de los resultados .............................................................................. 8 I.1.2.- Repetitividad del fenómeno. Enfoques clásico y bayesiano...................................... 10 I.1.3.- Definición de fenómeno aleatorio .............................................................................. 11 I.1.4. - Regularidad Estadística ............................................................................................ 11 I.2. - LA ESTADÍSTICA............................................................................................................ 12 Tema 2. Conceptos de probabilidad ........................................................................................... 14 CAPÍTULO II:............................................................................................................................... 15 Concepto de Probabilidad ........................................................................................................... 15 II.1.- INTRODUCCIÓN............................................................................................................. 16 II.2.- PROBABILIDAD .............................................................................................................. 17 II.2.1.- Probabilidad frecuencialista...................................................................................... 17 II.2.2.- Probabilidad objetiva o lógica. .................................................................................. 17 II.2.3.- Probabilidad subjetiva o bayesiana .......................................................................... 18 II.3.- ESPACIOS DE PROBABILIDADES................................................................................ 18 II.3.1.- Espacio Muestral .......................................................................................................... 19 II.3.2.- Definición axiomática de probabilidad.......................................................................... 20 II.3.3.- Definición de Espacio de Probabilidades ................................................................. 22 II.4.- PROBABILIZACIÓN DE ESPACIOS MUESTRALES..................................................... 22 II.4.1.- Espacios Muestrales finitos ...................................................................................... 22 II.4.2.- Espacios Muestrales infinitos numerables................................................................ 23 II.4.3.- Espacios Muestrales de la potencia del continuo..................................................... 24 Tema 3. Probabilidad condicional ............................................................................................... 25 CAPITULO III............................................................................................................................... 26 Probabilidad Condicional............................................................................................................. 26 III.1.- INTRODUCCION............................................................................................................ 27 III.2.- PROBABILIDAD CONDICIONAL................................................................................... 27 III.2.1.- Definición ................................................................................................................. 29 III.2.2.- Propiedades............................................................................................................. 29 III.3. - TEOREMA DE LA INTERSECCION ............................................................................. 30 III.4.- TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL .............................. 31 III.5.- SUCESOS INDEPENDIENTES ..................................................................................... 33 III.5.1. - Definición ................................................................................................................ 33 III.5.2. - Propiedades............................................................................................................ 34 III.6. - TEOREMA DE BAYES.................................................................................................. 34 Tema 4. Variables aleatorias....................................................................................................... 37 CAPÍTULO IV: ............................................................................................................................. 38 Variables Aleatorias Unidimensionales....................................................................................... 38 IV.1.- CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL..................................... 39 IV.1.1.-Definición de variable aleatoria unidimensional ....................................................... 39 IV.1.2.- Función de distribución ........................................................................................... 40 IV.1.3.- Analogía mecánica .................................................................................................. 41 IV.1.4.- Variables discretas .................................................................................................. 41

IV.1.5.- Variables continuas ................................................................................................. 43 IV.2. FUNCIONES DE VARIABLES ALEATORIAS ................................................................ 44 IV.3.- ESPERANZA MATEMÁTICA......................................................................................... 46 IV.3.1.- Introducción ............................................................................................................. 46 IV.3.2.- Concepto ................................................................................................................. 47 IV.3.3.- Propiedades ............................................................................................................ 48 IV.4.- MOMENTOS .................................................................................................................. 50 IV.4.1.- Concepto ................................................................................................................. 50 IV.4.2.- Propiedades ............................................................................................................ 50 IV.5.- VARIANZA ..................................................................................................................... 51 IV.5.1.- Concepto ................................................................................................................. 51 IV.5.2.- Propiedades ............................................................................................................ 51 IV.6.- TEOREMA DE TCHEBYCHEFF.................................................................................... 53 IV.7.- PARÁMETROS DE UNA DISTRIBUCIÓN. ................................................................... 54 IV.7.1.- Parámetros de posición........................................................................................... 54 IV.7.2.- Parámetros de dispersión ....................................................................................... 55 IV.7.3.- Parámetros de asimetría ......................................................................................... 55 IV.7.4.- Parámetros de apuntamiento .................................................................................. 56 Tema 5.Variables aleatorias discretas ........................................................................................ 57 CAPITULO V: .............................................................................................................................. 58 Principales Distribuciones Discretas ........................................................................................... 58 V.1.- VARIABLE DICOTÓMICA............................................................................................... 59 V.1.1.- Definición.................................................................................................................. 59 V.1.2.- Valor medio .............................................................................................................. 59 V.1.3.- Varianza ................................................................................................................... 59 V.2.- VARIABLE BINOMIAL .................................................................................................... 59 V.2.1.- Definición.................................................................................................................. 59 V.2.2.- Ley de probabilidades .............................................................................................. 60 V.2.3.- Media ........................................................................................................................ 62 V.2.4.- Varianza ................................................................................................................... 62 V.2.5.- Adición ...................................................................................................................... 63 V.3.- TEOREMA DE BERNOUILLI.......................................................................................... 63 V.4.- DISTRIBUCION DE POISSON....................................................................................... 65 V.4.1.- Definición.................................................................................................................. 65 V.4.2.- Ley de probabilidades .............................................................................................. 65 V.4.3.- Media ........................................................................................................................ 67 V.4.4.- Varianza ................................................................................................................... 67 V.4.5.- Adición ...................................................................................................................... 68 V.5.- VARIABLE HIPERGEOMÉTRICA .................................................................................. 68 V.5.1.- Definición.................................................................................................................. 68 V.5.2.- Ley de probabilidades .............................................................................................. 69 V.5.3.- Convergencia ........................................................................................................... 70 V.6.- VARIABLE BINOMIAL NEGATIVA ................................................................................. 70 V.6.1.- Definición.................................................................................................................. 70 V.6.2.- Ley de probabilidades .............................................................................................. 70 V.6.3.- Media y Varianza...................................................................................................... 71 V.7.- VARIABLE K-ARIA.......................................................................................................... 72 V.7.1.- Definición.................................................................................................................. 72 V.7.2.- Vector de medias y Matriz de varianzas-covarianzas.............................................. 73 V.8.- VARIABLE MULTINOMIAL ............................................................................................. 73

V.8.1.- Definición.................................................................................................................. 73 V.8.2.- Ley de probabilidades .............................................................................................. 74 V.8.3.- Vector de medias y Matriz de varianzas-covarianzas.............................................. 74 Tema 6. Variables aleatorias continuas unidimensionales ......................................................... 76 CAPITULO VI: ............................................................................................................................. 77 Principales distribuciones continuas. .......................................................................................... 77 VI.1.- INTRODUCCION ........................................................................................................... 78 VI.2.- VARIABLE NORMAL TIPIFICADA ................................................................................ 78 VI.2.1.- Definición................................................................................................................. 78 VI.2.2.- Representación gráfica de fZ(z)............................................................................... 78 VI.2.3.- Media y Varianza..................................................................................................... 80 VI.2.5.- Manejo de tablas ..................................................................................................... 80 VI.2.6.- Nomenclatura .......................................................................................................... 80 VI.3.- DISTRIBUCION NORMAL GENERAL........................................................................... 80 VI.3.1.- Definición................................................................................................................. 81 VI.3.2.- Función de densidad ............................................................................................... 81 VI.3.3.- Adición..................................................................................................................... 82 VI.3.5.- Manejo de tablas ..................................................................................................... 82 VI.4.- TEOREMA CENTRAL DEL LIMITE............................................................................... 83 VI.4.1.- Teorema de Lindenberg-Levy ................................................................................. 83 VI.5.- APROXIMACIONES DE VARIABLES ALEATORIAS ................................................... 83 VI.6.- OTRAS VARIABLES CONTINUAS ............................................................................... 86 VI.6.1.- Distribución Uniforme .............................................................................................. 86 VI.6.2.- Distribución Exponencial ......................................................................................... 87 VI.7.- DISTRIBUCIONES DERIVADAS DE LA NORMAL....................................................... 89 VI.7.1.- Variable Chi-Cuadrado de Pearson ........................................................................ 89 VI.7.2.- Distribucion F de Snedecor ..................................................................................... 93 VI.7.3.- Variable t de Student ............................................................................................... 94 Tema 7. Variables aleatorias bidimensionales............................................................................ 97 CAPITULO VII: ............................................................................................................................ 98 Variables Aleatorias Bidimensionales ......................................................................................... 98 VII.1.- DEFINICIÓN ................................................................................................................. 99 VII.2.- FUNCIÓN DE DISTRIBUCIÓN..................................................................................... 99 VII.2.1.- Definición................................................................................................................ 99 VII.2.2.- Propiedades ........................................................................................................... 99 VII.3.- VARIABLES ALEATORIAS BIDIMENSIONALES DISCRETAS Y CONTINUAS....... 100 VII.4.- DISTRIBUCIONES MARGINALES............................................................................. 101 VII.5.- DISTRIBUCIONES CONDICIONALES....................................................................... 103 VII.5.1. Definición ............................................................................................................... 103 VII.5.2.- Función de distribución condicional ..................................................................... 103 VII.5.2.- Función de densidad y ley de probabilidades condicionales ............................... 104 VII.5.3. -Teorema de Bayes ............................................................................................... 105 VII.6.- VARIABLES INDEPENDIENTES ............................................................................... 106 VII.7.- MOMENTOS ............................................................................................................... 107 VII.8.- MATRIZ DE VARIANZAS COVARIANZAS ................................................................ 108 VII.8.1.- Definición.............................................................................................................. 108 VII.8.2.- Propiedades ......................................................................................................... 108 VII.9.- COEFICIENTE DE CORRELACIÓN .......................................................................... 108 VII.9.1.- Definición.............................................................................................................. 108 VII.9.2.- Propiedades ......................................................................................................... 109

VII.10.- REGRESIÓN............................................................................................................. 109 VII.10.1.- Regresión condicional ........................................................................................ 109 VII.10.2.- Regresión lineal mínimo cuadrática ................................................................... 110 VII.11.- VARIABLES ALEATORIAS n-DIMENSIONALES .................................................... 115 CAPITULO VII: .......................................................................................................................... 118 Variable Aleatoria Normal ......................................................................................................... 118 Bidimensional ............................................................................................................................ 118 VII.1.1.- Variable normal bidimensional tipificada .............................................................. 120 VII.1.2.- Variable normal bidimensional general ................................................................ 121 VII.2.- VECTOR DE VALORES MEDIOS.............................................................................. 123 VII.3.- MATRIZ DE VARIANZAS COVARIANZAS ................................................................ 124 VII.3.1.- Definición.............................................................................................................. 124 VII.3.2.- Propiedades ......................................................................................................... 124 VII.4.- COEFICIENTE DE CORRELACIÓN .......................................................................... 125 VII.4.1.- Definición.............................................................................................................. 125 VII.4.2.- Propiedades ......................................................................................................... 125 VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS.................................................... 125 VII.6.- DISTRIBUCIÓN MARGINAL ...................................................................................... 127 VII.7.- DISTRIBUCIÓN CONDICIONAL ................................................................................ 127 Tema 8. Muestreo ..................................................................................................................... 129 CAPITULO VIII: ......................................................................................................................... 130 Distribuciones en el Muestreo ................................................................................................... 130 VIII.1.- INTRODUCCIÓN ....................................................................................................... 131 VIII.2.- POBLACIÓN, MUESTREO Y MUESTRA.................................................................. 132 VIII.3.- ESTADÍSTICOS......................................................................................................... 133 VIII.4.- DISTRIBUCIONES EN EL MUESTREO.................................................................... 134 VIII.4.1.- Distribución de la media muestral. ...................................................................... 135 VIII.4.2.- Distribución de la varianza muestral. .................................................................. 136 VIII.4.3.- Distribución de la proporción muestral. ............................................................... 138 VIII.5.- MUESTREO EN POBLACIONES NORMALES. ....................................................... 138 VIII.5.1.- Distribución de la media muestral. ...................................................................... 139 VIII.5.2.- Distribución de la varianza muestral. .................................................................. 140 VIII.5.3.- Distribución conjunta de x y sn-1 ........................................................................ 140 Tema 9. Inferencia .................................................................................................................... 141 CAPÍTULO IX: ........................................................................................................................... 142 Introducción a la Inferencia Estadística .................................................................................... 142 IX.1.- INTRODUCCIÓN ......................................................................................................... 144 IX.2.- ESTIMACIÓN DE PARÁMETROS. ............................................................................. 145 IX.2.1.- Estimación puntual ................................................................................................ 145 IX.2.2.- Estimación por intervalos de confianza................................................................. 147 IX.3.- TEST DE HIPÓTESIS.................................................................................................. 150 IX.3.1.- Errores de 1ª y 2ª especie..................................................................................... 151 IX.3.2.- Test de hipótesis paramétricos y no paramétricos................................................ 151 IX.3.3.- Tests de hipótesis paramétricos............................................................................ 151 IX.3.4.- Tests de hipótesis no paramétricos....................................................................... 162 9.4. Análisis de la varianza (I). Un factor controlado................................................................. 171 9.4.1.- GENERALIDADES......................................................................................................... 172 9.4.2.- MODELO TEÓRICO. HIPÓTESIS DEL MODELO ........................................................ 173 9.4.3.- HIPÓTESIS NULA ......................................................................................................... 175 9.4.5.- TEST F ........................................................................................................................... 176

9.4.6.- COMPARACIÓN DE MEDIAS. TEST L.S.D. (diferencia mínima significativa) ............. 176 9.5.1.- INTRODUCCIÓN. PLANES FACTORIALES................................................................. 179 9.5.2.- ANOVA PARA DOS FACTORES CON REPETICIONES ............................................. 179 9.5.2.1.- Concepto de Interacción ............................................................................................. 179 9.5.2.2.- Modelo y supuestos teóricos ...................................................................................... 181 9.5.2.3.- Hipótesis Nulas ........................................................................................................... 182 9.5.2.4.- Descomposición de las Sumas de Cuadrados. Test F............................................... 182 9.5.2.5.- Comparación de Medias. Test L.S.D. ......................................................................... 182 Interpretación de Resultados .................................................................................................... 184

Tema 1. Fenómenos aleatorios

CAPÍTULO I: Fenómenos Aleatorios .

la primera pregunta respecto a la impredecibilidad de los fenómenos aleatorios: ¿Son impredecibles porque no podemos o porque no sabemos predecir sus resultados?. es completamente imposible predecir con exactitud cual será el número de accidentes que ocurrirán en las carreteras españolas el próximo fin de semana o los litros de agua de lluvia que se recogerán por m2 en un determinado observatorio meteorológico a lo largo del próximo año. lógico que comencemos por analizar a éstos aunque sólo sea someramente. es evidente que. se puede conocer unívocamente el resultado que se presentará en una realización concreta del mismo. En los fenómenos deterministas. realizaciones de fenómenos aleatorios. por tanto. en general. Ahora bien. Parece. pues. En el sentido contrario.. no parece descabellado pensar que es posible. según la definición que hemos establecido de fenómeno aleatorio. Así. respecto a la referencia tomada. los fenómenos aleatorios podrían ser producto de nuestra ignorancia. estableció el llamado Principio de Indeterminación o de Incertidumbre que establece que es imposible una determinación unívoca de la posición y de I. El llamado azar ¿no será una forma de justificar nuestra ignorancia o desconocimiento del fenómeno en cuestión? En 1927 Heisemberg. después de un tiempo t será: e=eo+v·t Por el contrario.1. En consecuencia. son resultados impredecibles y. podemos predecir con absoluta certeza que su posición. lo constituyen los llamados fenómenos aleatorios. Los fenómenos aleatorios.1. por ejemplo.Capítulo I: Fenómenos aleatorios I. desarrollar un modelo mecánico que permita conocer de antemano cual va a ser el resultado del lanzamiento de ese dado. Surge. son aquellos fenómenos reales que se caracterizan por la impredecibilidad de sus resultados y por la llamada regularidad estadística.Impredecibilidad de los resultados El número obtenido al lanzar un dado. CONCEPTO El objeto central del cálculo de probabilidades y de la Estadística. pues aquéllos serían impredecibles. si conocemos la situación inicial e0 de un cuerpo que se mueve en línea recta con velocidad constante v. I. los eclipses de sol serían resultados de un fenómeno aleatorio si no conociéramos las leyes que rigen el movimiento de la Tierra alrededor del Sol y de la Luna alrededor de la Tierra.FENÓMENO ALEATORIO. en contraposición con los fenómenos regidos por leyes deterministas. analizando la distribución de masas y los impulsos a los que está sometido el lanzamiento de un dado. cuando se conocen las condiciones en que ocurre el fenómeno y la ley que lo rige.. y desde este punto de vista. por tanto.8 . la duración de una bombilla o la longitud de un tornillo recién fabricado.1.

1).26x10-27 ergios· seg-1). Heisemberg demostró que: Δp ⋅ Δq ≥ en la que h es la constante de Planck ( h=6. x=b. Las relaciones de incertidumbre de Heisemberg imponen en la microfísica la sustitución de las leyes deterministas por predicciones estadísticas. Por último. y=k2 y la función (Figura I. respectivamente. x=b. consideremos la integral: h 2π ∫ f (x) ⋅ dx b a Llamaremos k1 y k2.Capítulo I: Fenómenos aleatorios la cantidad de movimiento de una partícula atómica. la probabilidad de que ocurra cualquier suceso de este recinto es proporcional a su área.9 . En consecuencia se cumplirá que: P(A)+P(B)=1 Area( A ) Area( A ) p= = Area( A ) + Area(B) (b − a)(k 2 − k1 ) y k2 B A k1 a b x y=f(x) Figura I. Llamaremos B al área delimitada por x=a. Si se representa por Δp a la imprecisión en la determinación de la posición de una partícula y mediante Δq a la imprecisión en la determinación de la cantidad de movimiento de la misma partícula. a la cota inferior y a la cota superior de f(x) en el intervalo [a. Llamaremos A al área comprendida entre las rectas x=a y x=b y situada entre y=k1 y la función. Si extraemos puntos al azar (equiprobables) del recinto delimitado por x=a. En consecuencia: I= ∫ f (x) ⋅ dx = (b − a) ⋅ k + p ⋅ (b − a) ⋅ (k b a 1 2 − k1 ) Si extraemos al azar n puntos del recinto A∪B y ν es el número de veces que ocurre A.b]. y=k2 e y=k1. y llamamos: I.1.

1 con una probabilidad mayor del 99 por ciento. b. I. que será expuesto más adelante. cometiendo un error menor que 0. la posibilidad de efectuar una realización del mismo.Capítulo I: Fenómenos aleatorios f= ν n el teorema de Bernouilli. con a-b = k1-k2 = 1 entonces es n≥2500. por el teorema de Bernouilli: P I−I* ≥ ε ≤ [ ) ] (b − a4 ⋅ ⋅n(kε − k ) ⋅ 2 2 1 2 2 ≤α Fijando α y ε. podemos escribir: ∀ ε ∈ ℜ+ .1. ⎪I -I*⎪ =⎪p -f⎪·(b -a)·(k2 -k1) Por los Teoremas de Bernouilli y de Tchebycheff. permite estimar I mediante: I* =(b -a)·k1+f·(b -a)·(k2 -k1) restando I . Esto permite hablar de la probabilidad de que al realizarse el fenómeno aleatorio ocurra un determinado suceso. hemos visto que la impredecibilidad de un fenómeno aleatorio puede ser debida a que no sabemos (caso del dado). I.2. k1 y k2.1: La integral 5 ∫ x ⋅ dx = 4.5 4 Si α=10 y ε=10 . al menos. Lo cual significa que si extraemos al azar 2500 puntos del recinto A∪B y calculamos la frecuencia relativa con que ocurre A. podemos calcular n mediante: n≥ (b − a)2 ⋅ (k 2 − k1 )2 4 ⋅ ε2 ⋅ α Ejemplo I. no podemos (caso de la microfísica) o. -2 -1 En los párrafos anteriores. simplemente no queremos (caso de la integral) predecir sus resultados. mediante I* podemos calcular aproximadamente I.Repetitividad del fenómeno. y conocidos a. tal y como se explica en capítulos posteriores.I* y tomando valores absolutos..10 . Enfoques clásico y bayesiano La impredecibilidad de los resultados implica la posibilidad de repetir el fenómeno o. P [ f −p ≥ ε ≤ ] 1 4 ⋅ ε2 ⋅ n en consecuencia: es decir: P I − I * ≥ ε = P p − f ⋅ (b − a ) ⋅ (k 2 − k 1 ) ≥ ε [ ] [ ] ⎡ ⎤ ε P I − I * ≥ ε = P⎢ p − f ≥ (b − a) ⋅ (k 2 − k1 )⎥ ⎣ ⎦ [ ] de donde.

la probabilidad frecuencialista puede ser contemplada como un caso particular de la probabilidad bayesiana.4.Capítulo I: Fenómenos aleatorios Actualmente. es posible hablar de la probabilidad de que. no se obtiene el mismo resultado. En el enfoque clásico.Definición de fenómeno aleatorio Bajo la denominación de fenómenos aleatorios designaremos a cualquier fenómeno que pueda ser objeto de estudio probabilístico o de inferencia estadística. en general. o bien hay pocas causas que influyen en el resultado pero que pequeñas variaciones en las mismas producen grandes modificaciones en éste. Desde esta óptica. En consecuencia: I. Ello es debido a que. o bien son numerosas las causas que influyen en el resultado y no es posible mantener constantes a todas ellas. En el enfoque bayesiano.1. aunque tradicionalmente los fenómenos aleatorios eran el objeto del estudio de la Estadística.3. exista vida en Marte. también es posible estudiar eficazmente los grados de veracidad o de creencia personal de cualquier proposición lógica. . dando un enfoque bayesiano a nuestro problema. El segundo enfoque es el bayesiano. es posible hablar de la probabilidad de que sea verdadera cualquier proposición (en el sentido de la lógica matemática). de la forma que será precisada más adelante. Debemos hacer notar que si el fenómeno es repetitivo y medimos nuestro grado de creencia o de verdad a través de la frecuencia con que hemos observado la realización de un determinado suceso. otros que no sabemos predecir y otros que aunque podemos y sabemos renunciamos voluntariamente a su predicción y. se les aplica fértilmente las leyes de la Estadística. por ejemplo. a todos ellos.. I. aunque es evidente que ello no es el resultado de la realización de un fenómeno aleatorio y. la probabilidad puede asimilarse al grado de verdad o de creencia que un determinado individuo tiene sobre una cierta proposición. El primer enfoque es el clásico o frecuencialista que necesita de la posibilidad de repetición del fenómeno aleatorio. en general.1. mediante la Estadística bayesiana. la probabilidad puede asimilarse.11 . por tanto. a la frecuencia con la que ocurre un determinado suceso. como acabamos de ver: Existen fenómenos repetitivos cuyos resultados no se pueden predecir. En resumen. Pero además. I. estamos probabilizando un suceso frecuencialista de forma subjetiva y.Regularidad Estadística Cuando realizamos varias repeticiones “independientes” de un fenómeno aleatorio bajo las “mismas condiciones”. mediante el que se puede hablar de probabilidad o grado de veracidad de ciertas proposiciones. por lo que a este enfoque también se le llama subjetivista.

sino que. al número de veces que ocurre un determinado suceso A asociado a dicho experimento. es posible desarrollar una teoría científica sobre un fenómeno real. contrastarla con la realidad. calidad de los materiales empleados. El desarrollo científico y tecnológico se realiza recorriendo dos caminos posibles: la deducción y la inducción.1. Sin embargo. cuando n crece.. “mismas condiciones” y “tienden”) tienen aquí un cierto carácter ambiguo que será precisado más adelante. . la teoría se muestra como correcta y es utilizable. ν a la frecuencia absoluta.2.4. existen discrepancias I. que determinan la duración de la misma. es decir. cuando el número de repeticiones crece indefinidamente. De esta forma. Las palabras entrecomilladas (“independientes”. Esta propiedad es fundamental para definir el concepto de probabilidad en el enfoque frecuencialista. es necesario validarla.Definición de Regularidad Estadística Cuando la frecuencia relativa de cada uno de los posibles resultados de un fenómeno aleatorio “tiende” a estabilizarse alrededor de un cierto valor. Pues bien: I.Capítulo I: Fenómenos aleatorios Sobre la duración de una bombilla influyen numerosas causas como: características constructivas. o sea: fr = ν n Por definición de fenómeno aleatorio.1. En el primer caso. Si las proposiciones demostradas son realmente propiedades encontradas en el fenómeno estudiado. el investigador parte de una serie de proposiciones aceptadas como verdaderas y que constituyen el llamado Sistema Axiomático. Si llamamos n al número de repeticiones de un experimento aleatorio. condiciones de uso. Si.LA ESTADÍSTICA Esta ciencia se ha formado de la conjunción de otras dos que en el tiempo evolucionaron independientemente: La Teoría de las Probabilidades y la Inferencia Estadística. en la medida en que los axiomas son ciertos y en la medida en que las deducciones han sido realizadas correctamente. está influido por el impulso comunicado de manera que pequeñas variaciones en este impulso pueden dar lugar a resultados diametralmente opuestos. A partir de estos axiomas y mediante la aplicación de una lógica deductiva. . y fr a la frecuencia relativa de A. es decir. Estos axiomas se construyen extrayéndolos de las regularidades que se observan en el fenómeno sobre el que estamos desarrollando una teoría. además. es decir. el científico llega a demostrar determinadas proposiciones que son verdaderas en el contexto de la teoría. I. condiciones ambientales.12 . diremos que el fenómeno en cuestión posee regularidad estadística. fr “tiende” a estabilizarse alrededor de un cierto número. por el contrario. etc. El ángulo que forma la aguja de una ruleta con una determinada dirección al detenerse. no basta con desarrollar una teoría.

La Inferencia Estadística permite cuantificar en términos de probabilidad ese riesgo de error. es decir. completándolo. se ocupa. por termino medio. simplemente. contrastar los axiomas. Permite. pues permite contrastar las proposiciones deducidas con las observaciones del fenómeno y permite. En este sentido diremos que: La Estadística puede considerase como la Tecnología del Método Científico (S. modificándolo o. El Cálculo de Probabilidades es un modelo teórico que se elabora a partir de un sistema axiomático (completo. así mismo. no redundante y no contradictorio) desarrollado por Kolmogoroff. Las dos partes de que consta la Estadística recorren caminos opuestos: El Cálculo de Probabilidades (o mejor. la Inferencia Estadística es inductiva. podamos inferir al total de la partida la proporción de ellos que son defectuosos. la Teoría de Probabilidades) es deductivo. Es indudable que el paso de lo particular a lo general está sometido a un riesgo de error.Capítulo I: Fenómenos aleatorios entre los hechos reales y los teóricos. el sistema axiomático debería ser revisado. En las ciencias experimentales. la Estadística juega un importante papel como interfase entre la teoría y la realidad. sino que se procede en sentido contrario. no se suele pasar de lo general (axiomas) a lo particular (teoremas) mediante un proceso deductivo.13 . I. precisamente. Precisamente. Ríos 1952). pasando de lo particular a lo general. de forma inductiva. La Inferencia Estadística. No es posible deducir cual es el número de tornillos de un lote que resistirán a un determinado esfuerzo de rotura por cizallamiento. de la inducción. por ejemplo. Tampoco es posible deducir cuantos kilómetros recorrerá. que. un determinado tipo de neumáticos hasta que sufran un determinado desgaste. mediante el estudio de una muestra de tornillos. Pero no siempre es posible proceder de esta elegante forma deductiva.

Conceptos de probabilidad I.14 .Capítulo I: Fenómenos aleatorios Tema 2.

CAPÍTULO II: Concepto de Probabilidad .

Supongamos también que los ensayos para clasificar a una pieza son destructivos o. partidas con unas pocas piezas defectuosas podrían ser aceptadas. analizar un pequeño número de piezas. no obstante. de tal forma que un suceso cierto tiene una probabilidad igual a 1 y un suceso imposible tiene una probabilidad nula. se rechazará la partida. Si las 20 piezas muestreadas son correctas se aceptará la partida. Ante una partida concreta caben una serie de actitudes: a) El comprador. que. acepta. simplemente no queremos predecir cuál será su resultado. de tal forma que cada una de ellas puede ser clasificada como buena o como defectuosa. no sabemos.16 . quisiera que las partidas con ninguna o pocas piezas defectuosas no fueran rechazadas. b) El comprador y el vendedor acuerdan mediante contrato. sin más. Si de ellas 1 o más son defectuosas.1. partidas de una pieza determinada para ser montada en los automóviles de un cierto modelo. o bien extrayéndola experimentando con el fenómeno en estudio. pero puede que ésta no sea total. por su parte. cualquier lote que le suministre el vendedor. Vimos que existen fenómenos. los conceptos de probabilidad y de incertidumbre podrán tener diferentes interpretaciones. proposiciones. en las que no podemos. probabilidades intermedias representan grados de certidumbre intermedios. experimentos. pero desearía rechazar las partidas que tuvieran un número de piezas defectuosas superior a un cierto umbral. para fijar ideas supongamos que 20 piezas. es decir. etc. adquiere a un cierto proveedor. confía en la calidad que le suministra habitualmente el proveedor y. o. por tanto.Capítulo II: Concepto de Probabilidad II. hemos estudiado el tipo de fenómenos que eran objeto de la Estadística. bien extraída de nuestra experiencia pasada. Esta información hace que nuestra incertidumbre sobre el resultado del fenómeno aleatorio no sea total. II. en general..INTRODUCCIÓN En el capítulo anterior. en medir el grado de certidumbre de algunos sucesos. en consecuencia. El vendedor. por su experiencia pasada. Las piezas deben cumplir unas especificaciones de calidad. simplemente caros y que. una inspección de todas las piezas de la partida no es posible o no es conveniente por su elevado costo. El comprador quisiera que en cada partida no hubiera ninguna pieza defectuosa. precisamente. Es cierto que en éstas situaciones la incertidumbre existe. tendremos alguna información. Según el tipo de enfoque que se adopte. Antes de entrar en estas interpretaciones vamos a exponer un ejemplo que nos introduzca en esta problemática: Una empresa fabricante de automóviles. El objeto del Cálculo de Probabilidades consiste.

Sin embargo. esta concepción frecuencialista. una pieza defectuosa de entre las 20 muestreadas. la probabilidad es objetiva o frecuencialista.PROBABILIDAD Aunque hoy en día hay un acuerdo total sobre las propiedades matemáticas que debe reunir el ente abstracto que denominamos “probabilidad”. dejando fuera del mismo numerosas áreas en las que se presentan realmente situaciones de incertidumbre que deberían poder ser cuantificadas y tratadas en el contexto de la ciencia estadística. utiliza su experiencia pasada para determinar que es muy probable que el lote concreto que le está presentando el vendedor sea de un nivel de calidad aceptable. Von Mises formalizó rigurosamente esta concepción frecuencialista de la probabilidad. En el año 1921.2. aparte de otras posibles criticas.Capítulo II: Concepto de Probabilidad En el caso a)... En esta concepción. II.1. es superior o igual al 90%. Venn definió la probabilidad de un suceso como: “El valor alrededor del cual se estabiliza la frecuencia relativa de un suceso cuando el número de repeticiones independientes de la experiencia a la que va asociado crece indefinidamente”. II. II. En 1928. es decir. reduce el ámbito de aplicación de la probabilidad exclusivamente a fenómenos o experiencias repetitivas. al menos. y que si el lote tiene un 10.17 . un profundo desacuerdo respecto a lo que el término “probabilidad” significa en cuanto a su aplicación a los problemas reales y concretamente a la Inferencia Estadística. En el primer caso. En el caso b).2. el comprador. de que aparezcan. En 1866.. entre ellos el de no aplicabilidad a una amplia gama de problemas reales.Probabilidad frecuencialista La concepción clásica de la probabilidad dada por Laplace. la probabilidad de que al extraer 20 piezas al azar todas ellas sean correctas es igual o superior al 99%. en su tesis doctoral propone una nueva concepción de la probabilidad. En el segundo caso.9% o más de defectuosas. más conocido en el campo de la teoría económica.2. la concepción lógica también denominada objetiva. la probabilidad de rechazar el lote. el matemático inglés John Maynard Keynes.2. como cociente entre casos favorables y casos posibles presenta problemas bien conocidos. existe sin embargo. se ha hecho uso de una probabilidad subjetiva. el Cálculo de Probabilidades nos dice que si un lote de gran tamaño tiene un 5 por mil o menos de unidades defectuosas. se define la probabilidad como II. consciente o inconscientemente.Probabilidad objetiva o lógica.

Las cosas ocurren de tal forma. que.. presenta la ventaja de que si el fenómeno es susceptible de repetición. porque cada vez es menor el peso relativo de la información “a priori”. es también denominada Bayesiana debido al papel clave que tiene el teorema de Bayes en esta teoría. las probabilidades “a posteriori” irían siendo cada vez más próximas. para transformarla en probabilidad “a posteriori”. II. a medida que ésta última es mayor. lo que significa que no todos los grados de evidencia son numéricamente medibles. como algo intrínseco de la proposición a que se refiere. pues permite estudiar aquellos fenómenos a los que no es de aplicación la probabilidad frecuencialista. cuyo principal exponente es De Finetti. II. mediante el Teorema de Bayes (que será estudiado más adelante) se puede incorporar a la probabilidad subjetiva “a priori” la información extraída de las repeticiones del fenómeno. a medida que se va obteniendo más información objetiva.Capítulo II: Concepto de Probabilidad “el grado de evidencia de una proposición cualquiera” lo que permite abarcar situaciones mucho más generales que las contempladas en los enfoques clásicos o frecuencialistas.2.3.Probabilidad subjetiva o bayesiana Mientras que en la concepción lógica la probabilidad tiene un carácter objetivo. Pero.18 . Esta concepción fue desarrollada posteriormente por Jeffreys. El valor que cada sujeto asigne a esta medida de incertidumbre. compañero de Keynes en Cambridge para quien sus probabilidades expresan también grados de evidencia pero son siempre ordenables y tienen carácter numérico. la información subjetiva “a priori” va pesando menos. dependerá de la información de que disponga de manera que dos personas con información distinta asignarán probabilidades distintas a un mismo suceso. Esta concepción subjetiva de la probabilidad. Por ello.3. Esta probabilidad que puede parecer poco científica. la probabilidad se define como “el grado de creencia personal en la veracidad de una proposición” y puede variar de un sujeto a otro. no es tal. con lo que dos individuos que partieran de probabilidades subjetivas “a priori” diferentes. también se define la probabilidad subjetiva como “aquélla que se determina en base a la experiencia personal de quien la establece”.. La concepción lógica de Keynes admitía la posible existencia de probabilidades que fueran solo parcialmente ordenables. además. y que utilizaran la misma información objetiva.ESPACIOS DE PROBABILIDADES II. en la concepción subjetiva.

también todos los sucesos que contienen al número 4. por tanto. ha ocurrido A y.. de probabilidad. si la experiencia consiste en lanzar un dado y el suceso A está constituido por los números pares es: A={2.3. Si la experiencia consiste en extraer al azar una pieza recién fabricada y medir una de sus dimensiones.19 . Llamaremos suceso elemental al constituido por un sólo elemento de E y suceso compuesto a cualquier subconjunto de E constituido por más de un elemento.Clasificación Los Espacios Muestrales pueden ser: finitos.1. II.3. Si la experiencia consiste en lanzar una moneda al aire y el resultado es el número de veces que es necesario lanzarla hasta obtener por primera vez cara. el Espacio Muestral es infinito no numerable.Capítulo II: Concepto de Probabilidad En este apartado vamos a formalizar el concepto matemático y. II.. lógicamente. el Espacio Muestral es infinito numerable.3.2. Seguiremos el sistema axiomático establecido por Kolmogoroff en 1933. II. al conjunto de sus posibles resultados..1..Definición Llamaremos Espacio Muestral de un fenómeno aleatorio. definiremos los elementos que intervienen en esta definición.1. II.1.3. infinitos numerables e infinitos no numerables ó de la potencia del continuo.4.Sucesos Denominaremos suceso a todo subconjunto del Espacio Muestral E. abstracto. el Espacio Muestral es finito y consta de 6 elementos. es decir: {A es un suceso} ↔ {A ∈ P(E)} en la que P(E) es el conjunto de las partes de E. aplicable a cualquiera que sea la concepción que de ésta se tenga. Al Espacio Muestral lo designaremos por E. Previamente.6} Si al lanzar el dado sale el número 4. Diremos que ha ocurrido el suceso A si el resultado es un elemento de A.3.1.Espacio Muestral El primer elemento a considerar es el de los posibles resultados del fenómeno en estudio ó el conjunto de las posibles hipótesis a establecer sobre nuestras proposiciones. II. Por ejemplo. Si la experiencia consiste en lanzar un dado y el resultado es el número de puntos que obtenemos.

lógicamente. II. An. ..... ∩.. El suceso imposible. Sin embargo.. II.2.. siga teniendo estructura de Álgebra de Boole. . An. Para ello. el Espacio Muestral E. diremos que la aplicación P:F → ℜ es una probabilidad. es decir. es decir.20 .1.3. A2. basta que se cumplan las dos siguientes condiciones: a) {∀ (A1.. . A2.Capítulo II: Concepto de Probabilidad El suceso cierto. ¯} tiene estructura de Álgebra de Boole.. lógicamente.Definición axiomática de probabilidad II. establecidos por Kolmogoroff : A1) ∀ A ∈ F es P(A)≥0 A2) P(E)=1 A3) ∀ (A1.3. pero es conveniente que la clase de los sucesos probabilizables. ∪.2.. el número de sucesos es 2n.Propiedades a) Probabilidad del suceso contrario Como A ∪ A =E y A ∩ A =∅..) ∈ F. el suceso que nunca puede ocurrir es..3.) ∈ F } → ⎧U A i ∈ F⎫ ⎬ ⎨ ⎩ i =1 ⎭ entonces F tiene estructura de σ-álgebra. por razones que serán expuestas más adelante.Estructura de la clase de sucesos Es conocido que la cuaterna { P(E). .. A2) ∈ F } → {(A1∪A2) ∈ F } b) {∀ A ∈ F } → { A ∈ F } Si la primera condición se cumple para todo conjunto numerable de sucesos es decir: ∞ a’) {∀ (A1. el conjunto vacío ∅. A i I A j = ∅ es P ⎛ U A i ⎞ = ∑ P( A i ) ⎜ ⎟ i≠ j ⎝ i ⎠ i II.2. si cumple los tres siguientes axiomas.. por los axiomas A2 y A3: P(A)+P( A )=P(E)=1 de donde: P( A ) = 1 − P( A ) II.4. Si el Espacio Muestral E es finito y tiene n sucesos elementales. que designaremos por F.3.1.2. no siempre es posible probabilizar a todos los elementos de P(E).Axiomas Dado un Espacio Muestral E y una σ-álgebra F. el suceso que siempre ocurre es.

En efecto. Consideremos dos sucesos A y B. Se cumple: A∪B=A∪( A ∩B) y A∩( A ∩B)=∅ por el axioma A3: P(A∪B)=P(A)+P( A ∩B) II.Capítulo II: Concepto de Probabilidad b) Como corolario: P(∅ ) = 1 − P(E) = 0 c) Si {B⊃A}→{P(B)≥P(A)} Gráficamente: E A∩B A B Figura II. es: B=A∪( A ∩B) y A∩( A ∩B)=∅ por el axioma A3: por el axioma A1 es: de donde: P(B)=P(A)+P( A ∩B) P( A ∩B)≥0 { B ⊃ A} → { P(B) ≥ P( A )} d) Como corolario.21 .2.1. por ser ∅ ⊂ A ⊂ E y por el axioma A2 y la propiedad b): ∀A ∈F 0 ≤ P(A) ≤ 1 e) Probabilidad de la reunión E B A A∩B A∩B Figura II.

F. se obtiene: P( A ∪ B∪ C) = P( A ) + P(B) + P(C) − P( A ∩ B) − P( A ∩ C) − P(B ∩ C) + P( A ∩ B∩ C) Generalizando esta propiedad: n n n n −1 n P ⎛ U A i ⎞ = ∑ P( A i ) − ∑ ∑ P( A i ∩ A j ) + .Definición de Espacio de Probabilidades A la terna {E.4. por otra parte es: B=(A∩B)∪( A ∩B) y (A∩B)∩( A ∩B)=∅ por el axioma A3: de donde: P( A ∩B)=P(B)-P(A∩B) sustituyendo: P( A ∪ B) = P( A ) + P(B) − P( A ∪ B) P(B)=P(A∩B)+P( A ∩B) Aplicando esta ecuación al suceso A∪B∪C. P(E) = P ⎛ U a ⎞ = ∑ P(a) = 1 ⎜ ⎟ ⎝ a∈E ⎠ a∈E II.. (poliedro regular de 20 caras) la probabilidad anterior es ahora 1/20. Bastará con que encontremos un ejemplo en el que la probabilidad de un suceso sea nula y. Si lanzamos un dado perfectamente equilibrado. La probabilidad es nula y el suceso no es imposible. sin embargo. II. la probabilidad de que se apoye en un punto concreto es 1/∞ = 0.3. el suceso no sea imposible. P } se denomina Espacio de Probabilidades. Si lanzamos ahora una esfera. Entonces.PROBABILIZACIÓN DE ESPACIOS MUESTRALES II..4.Capítulo II: Concepto de Probabilidad como.. Se deberá respetar la condición de que la suma de las probabilidades de los sucesos elementales sea igual a la unidad. pero que sus recíprocos no son ciertos. y que si el suceso es imposible su probabilidad es nula. bastará con hacer corresponder a cada suceso elemental una probabilidad.Espacios Muestrales finitos En este tipo de Espacios Muestrales.. + ( −1)n +1 ⋅ P ⎛ I A i ⎞ ⎜ ⎟ ⎜ ⎟ i =1 j = i + 1 ⎝ i =1 ⎠ i =1 ⎝ i =1 ⎠ Debemos hacer notar que si el suceso es cierto su probabilidad es 1.. la probabilidad de que salga una de sus caras prefijada a priori es 1/6. la probabilidad de cualquier suceso compuesto será la suma de las probabilidades de los sucesos elementales que lo constituyen. II. Si en lugar de lanzar un dado (que es un cubo) lanzáramos un icosaedro.3.1.22 .

2. A={2. es decir.Capítulo II: Concepto de Probabilidad Si todos los sucesos elementales son igualmente probables. y el número de elementos de E es n.. Si analizamos el experimento consistente en lanzar un dado perfectamente equilibrado y observar el número de puntos que aparecen en la cara superior.. 2. como P(E)=1. II. y.. no son iguales entre sí y. . Calculemos algunas probabilidades: P(E) = ∑2 i =1 ∞ 1 υ = 1/ 2 =1 1− 1 / 2 Si el suceso A es obtener una cara por primera vez en una tirada par.. 3.} entonces P( A ) = 1 1 1 1/ 4 1 + + L + 2n + L = = 22 2 4 2 1− 1/ 4 3 Y para suceso contrario.. lógicamente... 2. 2·n. El cálculo de las probabilidades de algunos sucesos requerirá la suma de una serie. Evidentemente. 5. El Espacio Muestral es: E= { 1. casos favorables dividido por casos posibles.. por tanto no es de aplicación la Regla de Laplace.4. en este caso el Espacio Muestral no puede ser simétrico ó de elementos equiprobables..Espacios Muestrales infinitos numerables La probabilización de este tipo de Espacios se efectúa de la misma forma que en el apartado anterior. Las probabilidades elementales serán: P(X = υ ) = 1 2υ Obsérvese que las probabilidades elementales. por tanto. . lo que constituye la conocida Regla de Laplace. la probabilidad de un suceso elemental será 1/n y si el suceso A tiene υ elementos. al lanzar una moneda: A={2. obtener una cara por primera vez en una tirada impar: II.} Designemos genéricamente por X a un elemento de E. 3.. el espacio muestral es: E={1. Si consideramos el suceso A= tirada par. 4.23 .. 4. 6} Como todos los resultados son igualmente probables. 6} la probabilidad de A será: P(A)=P(2)+P (4)+P(6)=1/6+1/6+1/6=3/6=1/2 Del mismo modo podría obtenerse la probabilidad de cualquier otro suceso asociado a la experiencia aleatoria descrita. la probabilidad de cada uno de ellos será 1/6.. será P(A)=υ/n. 4. n.. Por ejemplo. no es de aplicación la Regla de Laplace. supongamos que realizamos una experiencia cuyo resultado es el número de veces que hay que lanzar al aire una moneda hasta obtener por primera vez una cara.

.3. consistirá en la definición de una función de distribución. II.Espacios Muestrales de la potencia del continuo La única forma mediante la que probabilizaremos estos Espacios Muestrales. 3..24 ..4... 2·n-1... Esta función será estudiada en un capítulo posterior.Capítulo II: Concepto de Probabilidad A ={1.} será: P( A ) = 1 1 1 1/ 2 2 + 3 + L + 2n −1 + L = = 1 2 2 2 1 − 1/ 4 3 II..

Probabilidad condicional II.25 .Capítulo II: Concepto de Probabilidad Tema 3.

CAPITULO III Probabilidad Condicional .

2. vamos a estudiar.. A esta probabilidad se le llamará probabilidad condicional. pues el conjunto de los posibles resultados del fenómeno aleatorio ha pasado de ser E a ser A.27 . 4. ahora. es 1/10. III. Evidentemente. Sin embargo. la probabilidad de que la carta extraída sea el rey de oros ha pasado de valer 1/40 a valer 0. luego se cumplirá que cualquiera de los tres sucesos elementales 2. cómo se calcula la nueva probabilidad de cualquier suceso de la σ-álgebra. precisamente. por tanto. inmediatamente. por ejemplo. 5. Supongamos que sabemos que ha ocurrido el suceso A ∈ F. 3. la de la definición de la nueva σ-álgebra y la de la III. Supongamos que sabemos que la carta extraída es una copa.Capítulo III: Probabilidad Condicional III. 6} sabemos que ha ocurrido uno de los tres números pares. que la experiencia consiste en extraer al azar una carta de una baraja de 40 cartas. si el fenómeno consiste en lanzar un dado perfectamente equilibrado. cuando tenemos la información de que ha ocurrido un determinado suceso A de la misma. si sabemos que ha ocurrido el suceso: A ={ 2. la misma que si no supiéramos nada respecto al resultado de la extracción (4/40). cuando sabemos que ha ocurrido A..PROBABILIDAD CONDICIONAL Sea {E. Nótese. 4. algunos sucesos modifican su probabilidad bajo esta información parcial. Por ejemplo. la probabilidad de que haya ocurrido el suceso “rey”. P} el espacio de probabilidades de un cierto fenómeno aleatorio. Por ejemplo. otros sucesos no modifican su probabilidad. F.1. Esta información transforma. a A en un nuevo espacio muestral. es decir. es decir. Analicemos otro ejemplo en el que la información parcial del resultado del fenómeno aleatorio no modifica la probabilidad de determinados sucesos: Supongamos.INTRODUCCION El conocimiento total o parcial del resultado que ha ocurrido en una realización de un fenómeno aleatorio. pasan a tener una probabilidad nula. cada uno de ellos con la misma probabilidad. Si sabemos que el resultado de la tirada ha sido un número par. La probabilidad de extraer un rey es de 4/40=1/10. la probabilidad de cualquiera de los seis sucesos elementales es de 1/6. 6. por tanto. pues es imposible que ocurra cualquiera de ellos si ha ocurrido A. la información que suministra este conocimiento puede suponer una modificación de las probabilidades de determinados sucesos. pasan a tener una probabilidad de 1/3 y que cualquiera de los sucesos elementales 1. La modificación del espacio muestral implica la del Espacio de Probabilidades y. cuando sabemos que ha salido una copa. por lo que la información suministrada no aporta nada nuevo para el mejor conocimiento de estos sucesos. puede modificar la probabilidad de cualquier suceso de ese fenómeno aleatorio. En este capítulo. que aunque no conozcamos más que parcialmente el resultado de la realización del fenómeno aleatorio.

PA (B)= P(B) P( A ) Se demuestra fácilmente que PA cumple los axiomas de probabilidad. que todo suceso B de FA pertenece también a F. nótese que las probabilidades de los sucesos de A se obtienen sin más que dividir su probabilidad inicial por la del suceso A. . podemos extender la probabilidad condicional PA a toda la σ-álgebra F. el Espacio Muestral E se transforma en el A y PA se aplica a los sucesos de FA. así: PA (2)= P(2) 1 / 6 1 = = P( A ) 1 / 2 3 P( A ) =1 P( A ) De la misma forma: PA ( A )= En general. Como quedó dicho más arriba. Si hacemos corresponder a cualquier suceso C de F la probabilidad: III. y B a cualquier suceso de FA.. definiremos a FA mediante: FA ={B/ ∃ C ∈ F. B2. definiremos a PA. Nótese que la σ-álgebra FA está contenida en F.) ∈ FA se cumple que U Bi ∈ FA i b) ∀ B ∈ FA → CAB ∈ FA En el ejemplo del dado de la introducción.Capítulo III: Probabilidad Condicional nueva probabilidad. E C B A B A Espacio Muestral inicial E Nuevo Espacio Muestral A Figura III. si sabemos que ha ocurrido el suceso A.28 . es decir. Designaremos al nuevo Espacio de Probabilidades mediante: {A. por tanto.. B=C∩A} es decir: {B ∈ FA } ↔ {∃ C ∈ F. PA}.. pues B es intersección de dos sucesos de F y. conocido que ha ocurrido el suceso A. B =C∩ A } Puede demostrarse que FA cumple las dos condiciones para ser una σ-álgebra: a) ∀ (B1. pertenece a F.1. tal que P(A)≠0. mediante: ∀ B ∈ FA .Cambio de Espacio Muestral Si llamamos genéricamente C a cualquier suceso de F. Sin embargo. FA.

el Espacio de Probabilidades es {E.P(C1 ∩ C2 / A) y su generalización a n sucesos. f) La definición de probabilidad condicional se puede aplicar a la propia probabilidad condicional. es decir: a) ∀ C ∈ F es P( C / A) =1-P(C / A) b) P(∅ / A)=0 c) {C1 ⊂ C2} → P(C1 / A) ≤ P(C2 / A) d) ∀ C ∈ F es 0 ≤ P(C / A) ≤ 1 e) P(C1 ∪C2 / A) = P(C1 / A)+P(C2 / A) .2. o bien probabilidad de que ocurra C “condicionada a” A. III. PA} . F.29 .Definición La terna (E. PA) es un Espacio de probabilidades en el que PA es una probabilidad condicional definida por: PA (C)= P(C/A) = P(C ∩ A) P(A) con P(A)≠0.Propiedades La probabilidad condicional reúne todas las propiedades de cualquier probabilidad establecidas en apartado II. La probabilidad PA puede escribirse ahora así: ∀ C ∈ F .2.2 del capitulo II. PA (C) = P(C / A ) = P(C ∩ A ) P( A ) En la que P(C/A) se lee probabilidad de C “dado” A.. III. o bien “sabiendo que ha ocurrido” A..2.2. así: III.1.Capítulo III: Probabilidad Condicional lo que estamos haciendo es: pues: PA(C)=PA(C ∩ A) PA(C ∩ A )=0 C=(C ∩ A) ∪ (C ∩ A ) con: (C ∩ A) ∩ (C ∩ A )=∅ De esta forma.3. F.

TEOREMA DE LA INTERSECCION De la definición de probabilidad condicional se deduce que: P( A ∩ B) = P( A ) ⋅ P(B / A ) = P(B) ⋅ P( A / B) ecuación que se conoce como el Teorema de la Intersección.30 .2.Generalización de la Probabilidad Condicional III. luego lo es a la probabilidad condicional: PA (B ∩ C) = PA (B) ⋅ PA (C / B) = PA (C) ⋅ PA (B / C) que puede escribirse: P [(B ∩ C) / A ] = P(B / A ) ⋅ P [(C / B) / A ] = P(B / A ) ⋅ P [C /( A ∩ B)] Esta última ecuación nos permitirá establecer el teorema de la intersección para tres sucesos: P(A ∩ B ∩ C) = P[A ∩ (B ∩ C)] = P(A)·P[(B ∩ C) / A] que. .. Este teorema es de aplicación a cualquier tipo de probabilidad.3. por lo que acabamos de ver. será: P( A ∩ B ∩ C) = P( A ) ⋅ P(B / A ) ⋅ P [C /( A ∩ B)] III.Capítulo III: Probabilidad Condicional PA (C / B) = PA (C ∩ B) P( A ∩ B ∩ C) / P( A ) P( A ∩ B ∩ C) = = PA (B) P( A ∩ B) / P( A ) P( A ∩ B) de donde: luego: PA (C / B) = P [(C / B) / A ] = P [(C /( A ∩ B)] P [(C / B) / A ] = P [C /( A ∩ B)] Gráficamente: E B A A C Figura III.

así para cuatro sucesos es: P(A ∩ B ∩ C ∩ D) = P(A)·P(B / A)·P[C / (A ∩ B)]·P[D / (A ∩ B ∩ C)] En general. Se cumple que: B = U (B ∩ A i ) i =1 n y para i≠j: (B ∩ Ai) ∩ (B ∩ Aj)=∅ Por tanto. A2. B y C lo que constituye el Teorema de la Intersección para tres sucesos.31 .3.. Este teorema resulta fácilmente generalizable. para n sucesos es: P( A1 ∩ A 2 ∩ L ∩ A n ) = P( A1 ) ⋅ P( A 2 / A1 ) ⋅ L ⋅ P [A n /( A1 ∩ A 2 ∩ L ∩ A n −1 )] Ejemplo III. An una partición de E con Ai ∈ F.1: Consideremos un lote de 10 piezas en el que la mitad no superan el nivel de calidad establecido.Capítulo III: Probabilidad Condicional E A C B Figura III..4. aplicando el axioma tercero de la definición de probabilidad: P(B) = ∑ P(B ∩ A i ) = ∑ P( A i ) ⋅ P(B / A i ) i =1 i =1 n n III. la probabilidad pedida será: P(A1 ∩ A2 ∩ A3) = P(A1)·P(A2 / A1)·P[A3 / (A1 ∩ A2)] = 5/10·4/9·3/8 = 60/720 III. Sea B un suceso de F.Intersección de los sucesos A. Si de dicho lote tomamos al azar y sin reposición tres piezas ¿Cual es la probabilidad de que todas sean correctas? Si llamamos Ai al suceso “la pieza extraída en lugar i es correcta”.TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL Sea A1. ···.

10 P(B/A2) = 0.Ejemplo de partición de E Los elementos Ai de la partición de E pueden considerarse como las causas que motivan el suceso B o las circunstancias bajo las cuales puede ocurrir el suceso B.2: En un colectivo están presentes mujeres (A1) y hombres (A2).5.. independientemente de que la persona elegida al azar sea hombre o mujer es la dada por la expresión del teorema aquí estudiado.25=0.40·0.32 .Partición de E del ejemplo III. III.10+0. la probabilidad de que la persona seleccionada sea fumador es diferente según se dé la circunstancia de que se produzca la elección entre las mujeres (A1) o entre los hombres (A2) del colectivo. Consideramos el experimento aleatorio “seleccionar una persona al azar” y en él el suceso (B) que “la persona seleccionada sea fumador”.4.Capítulo III: Probabilidad Condicional ecuación que se conoce como el Teorema de la Partición.40 P(B/A1)=0.2 En consecuencia: P(B)=P(A1)·P(B/A1)+P(A2)·P(B/A2)=0. La probabilidad total de que sea fumador.25 En nuestro caso la partición es del estilo del de la figura III.. E A1 B A2 Figura III. tendremos las siguientes probabilidades: P(A1)=0.60·0.16 Como se ha visto. E An B A1 A2 ··· Figura III. Ejemplo III.60 P(A2)=0. Si en el colectivo hay un 60% de mujeres y sabemos además que son fumadores el 10% de las mujeres y el 25% de los hombres.5.

B2.. Podemos realizar la generalización de la siguiente forma: Diremos que los sucesos {A1. {A y B son independie ntes} ↔ {P( A / B) = P( A )} Es fácil demostrar que: {P(A/B)=P(A)} ↔ {P(B/A)=P(B)} pues sí: P( A / B) = P( A ∩ B) = P( A ) P(B) se cumple que: P(A ∩ B)=P(A)·P(B) en consecuencia: P(B / A ) = P( A ∩ B) P( A ) ⋅ P(B) = = P(B) P( A ) P( A ) Cambiando A por B queda demostrado el recíproco... A2. ..Capítulo III: Probabilidad Condicional III..33 . de sucesos independientes. BK) ⊂ { A1. An} se cumple que: P(B1 ∩ B2 ∩ . 2 ≤ K≤ n ∀(B1. A2. para que A1. De todo lo anterior..SUCESOS INDEPENDIENTES III... .·P(BK) Así.... A2 y A3 sean mutuamente independientes se deben cumplir las siguientes condiciones: a) P(A1 ∩ A2) = P(A1)·P(A2) b) P(A1 ∩ A3) = P(A1)·P(A3) c) P(A2 ∩ A3) = P(A2)·P(A3) d) P(A1 ∩ A2 ∩ A3) = P(A1)·P(A2)·P(A3) III. ∩ BK) = P(B1)·P(B2 )·.5. se desprende que: {A y B son independie ntes} ↔ {P( A ∩ B) = P( A ) ⋅ P(B)} lo que constituye otra definición.. diremos que son independientes si el conocimiento de que ha ocurrido uno de ellos no modifica la probabilidad del otro.5..Definición Dados los sucesos A y B. .1. . equivalente a la anterior.. An } ∈ F son mutuamente independientes si ∀ K.

se puede demostrar que si A1. .6. .2. también lo son A y B En efecto.TEOREMA DE BAYES Este teorema fue desarrollado por Thomas Bayes (1702-1761). El enfoque bayesiano de la Estadística se fundamenta en este teorema. es decir: E= i =1 n U Ai y para i ≠ j Ai ∩ Aj = ∅ P ( Ai / B ) = P ( Ai ∩ B ) P( B ) Sea B un determinado suceso de F tal que P(B)≠0.. por hipótesis. An una partición de E.P(B / A)] Como. también lo son cualquier conjunto de sucesos que resulte de cambiar uno. A2. también lo son B y A .Capítulo III: Probabilidad Condicional III. Su enunciado es el siguiente: Sea A1. luego: P( A ∩ B ) = P( A )·[1 ..P(B / A )] Por la propiedad anterior si A y B son independientes.P(B)] es decir: P(A ∩ B ) = P(A)·P( B ) {Si A y B son independientes} → { A y B son independientes} b) Si A y B son independientes A y B también lo son: P( A ∩ B ) = P( A )·P( B / A ) = P( A ∩ B ) = P( A )·[1 . III. por definición de probabilidad condicional: P(A ∩ B ) = P(A)·P( B / A) Por una propiedad de la probabilidad condicional: P(A ∩ B ) = P(A)·[1 .5.34 .. A y B son independientes: P(A ∩ B ) = P(A)·[1 . varios o todos los sucesos Ai por sus complementarios. por lo que P(B/ A )=P(B).P(B)] = P( A )·P( B ) {Si A y B son independientes} → { A y B son independientes} c) Generalizando las dos propiedades anteriores. lo que pone de manifiesto su gran importancia teórica. A2. Entonces se cumple que: Por el teorema de la intersección: III... . .. An son sucesos mutuamente independientes.Propiedades a) Si A y B son independientes.

000 unidades fabricadas por A1.3: Supongamos que las partidas de tornillos que suministran tres proveedores A1.22 10000 + 15000 + 20000 45 15 P( A ) = = 0. Cada tornillo puede ser clasificado como defectuoso (B) o como no defectuoso. III.44 3 45 P( A1 ) = Las probabilidades del efecto dada la causa son: P(B / A1) = 0. Se extrae un tornillo al azar que resulta ser defectuoso.01 + 0.60. a los sucesos Ai se les ha llamado causas y a B efecto. Ejemplo III. 2% y 3% de unidades defectuosas.01 La probabilidad buscada es: P ( A3 / B ) = P ( A3 ) ⋅ P ( B / A3 ) P ( A1 ) ⋅ P( B / A1 ) + P( A2 ) ⋅ P ( B / A2 ) + P ( A3 ) ⋅ P ( B / A3 ) 0.03 es decir: P ( A3 / B ) = La probabilidad de la causa A3 era igual a 0. el teorema de Bayes permite calcular la probabilidad de que cuando se ha dado el efecto B la causa haya sido Ai.Capítulo III: Probabilidad Condicional P(Ai ∩ B)=P(Ai )·P(B / Ai ) Por el teorema de la partición: P ( B ) = ∑ P( Ai ) ⋅ P ( B / Ai ) i =1 n Con lo que queda demostrado que P ( Ai / B ) = P ( Ai ) ⋅ P( B / Ai ) n ∑ P( Ai ) ⋅ P( B / i =1 Ai ) En alguna ocasión.44 y pasa a ser.02 + 0.03 = 0. en función de las probabilidades de las causas y la de los efectos dadas las causas.33 ⋅ 0.44 ⋅ 0.33 2 45 20 P( A ) = = 0. ¿Cuál es la probabilidad de que el tornillo hubiera sido fabricado por A3?.000 fabricadas por A2 y 20. A2 y A3 tienen respectivamente. 0.02 P(B / A3) = 0. 15.033 P(B / A2) = 0. 1%. después de conocer que el tornillo extraído es defectuoso.000 por A3. Con ésta nomenclatura.35 .44 ⋅ 0. Las probabilidades de las causas son: 10000 10 = = 0.60 0. En un almacén hay 10.22 ⋅ 0.

A2 a la proposición “la empresa controla el 20% del mercado” y A3 a la proposición “la empresa controla el 30% del mercado”.2 ⋅ 0 .25·0.213 0.3 P ( A3 / B ) = = 0.235 0.P( B / i =1 n Ai ) El denominador de esta expresión es: ∑ P( Ai ).235 P ( A1 / B ) = III.3 = 0.2 P ( A2 / B ) = = 0.P( B / i =1 n Ai ) = 0. que tras observar el resultado B se transforma en la probabilidad “a posteriori” P(Ai/B).4: Los expertos de una cierta empresa.Capítulo III: Probabilidad Condicional Desde el punto de vista bayesiano. el 20% o el 30% del mercado con probabilidades respectivas de 0.1 = 0.55 ⋅ 0. Ejemplo III. 0 .2.55·0.1+0.25 P(A3) = 0. a P(Ai) se le llama probabilidad “a priori” del suceso Ai. será: P(B/A1) = 0.2·0.085 0.25 y 0. 0. Si al encuestar al azar a un consumidor resulta que éste adquiere el producto de la empresa en cuestión.1 P(B/A2) = 0.55.P ( B / AK ) ∑ P( Ai ).3 Las probabilidades “a posteriori” serán: P( AK / B ) = P ( AK ).2 P(A2) = 0. las probabilidades “a priori” serán: P(A1) = 0.235 luego.702 0.2+0.25 ⋅ 0. Si llamamos B a la proposición “el encuestado es cliente de la empresa”. Si llamamos A1 a la proposición “ la empresa controla el 10% del mercado”.2 P(B/A3) =0.36 . ¿Cuales son las probabilidades “a posteriori”?.235 0.55. han calculado que ésta controla el 10%.

Variables aleatorias III.Capítulo III: Probabilidad Condicional Tema 4.37 .

CAPÍTULO IV: Variables Aleatorias Unidimensionales .

Definición de variable aleatoria unimendional IV. definiremos a una variable aleatoria unidimensional. etc. si y sólo si. P) diremos que la aplicación X:E→ℜ es una variable aleatoria unidimensional. dando lugar al concepto de variable aleatoria multidimensional. la resistencia a la rotura de una probeta de hormigón. el peso de un fruto. la longitud. IV. O(Ix) ∈ F} Entonces: P(I x ) = P( X ∈ I x ) = P [O x (I x )] = P [X(e) ≤ x ] = P( X ≤ x ) ℜ E F O(Ix) ∈ F Ix e X X(e) x Figura IV. F.A. lo que determina que una magnitud pueda ser considerada como una variable aleatoria es la impredecibilidad de sus valores en situaciones concretas y la posibilidad de probabilizar el Espacio Muestral definido por ℜ. En esencia. mediante: (X: E→ℜ es V.CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL De forma intuitiva puede considerarse como una variable aleatoria unidimensional a cualquier magnitud que puede tomar valores en un determinado dominio de forma impredecible influida por el azar. A pesar de lo sencillos e intuitivos que son los conceptos anteriormente expuestos.) ↔ {∀ x ∈ ℜ. pueden ser tomados como ejemplos de variables aleatorias multidimensionales. la antiimagen de cualquier intervalo Ix=]-∞. son ejemplos de magnitudes que cumplen los requisitos de una variable aleatoria unidimensional. El peso. diámetro y peso de un cilindro torneado.Capítulo IV: Variables Aleatorias IV.. la duración de un componente electrónico. El número de puntos obtenidos al lanzar un dado. En resumen.1. estatura y perímetro torácico de un individuo..1. etc.1.39 .-Definición de variable aleatoria unidimensional Dado un Espacio de Probabilidades (E. debemos formalizar el concepto de variable aleatoria de cara a su aplicación en el campo de la Teoría de la Probabilidad y de la Inferencia Estadística.x] pertenece a la σ-álgebra F. El concepto establecido para las variables aleatorias unidimensionales puede extenderse al caso en que en cada observación se evalúen varias magnitudes simultáneamente.1.

2.b] = ∅ Por el axioma tercero de la definición de probabilidad P( ]-∞. pues como acabamos de ver. En efecto.FX(a).1.Función de distribución IV.2. b) El lim FX ( x ) = 1 pues: x →∞ x →∞ lim FX ( x ) = lim P( X ≤ x ) = P( X ≤ ∞ ) = P(ℜ) = 1 x →∞ c) El lim FX ( x ) = 0 pues: x → −∞ x → −∞ lim FX ( x ) = lim P( X ≤ x ) = P( X ≤ −∞ ) = P(∅ ) = 0 x → −∞ d) La P(X ∈ ]a. f) Continuidad: La función de distribución es continua por la derecha en cualquier punto de la recta real y continua por la izquierda en todo punto de probabilidad nula. por la definición de función de distribución: por tanto: FX(b) = FX(a) + P(a<X≤b) P X ∈ ] a.b] ) es decir: P(X≤b) = P(X≤a) + P(a<X≤b) de donde. se llama función de distribución de esta variable a la función FX(x) definida como sigue: ∀x∈ℜ IV.2.1.b] y que ]-∞. si a<b se cumple que: ]-∞.1.2. b] ) = P( ]-∞. a] ) + P( ]a. Por ser P(a<X≤b) ≥ 0 será FX(b) ≥ FX(a). a] ∩ ]a.b]) = FX(b) . b] = FX (b) − FX (a) ( ) e) La función de distribución es no decreciente.1.40 . b] = ]-∞...Definición Dada una variable aleatoria X.Propiedades FX(x) = P(Ix) = P(X(e)≤x) = P(X≤x) La función de distribución tiene las siguientes propiedades: a) ∀ x ∈ ℜ es 0 ≤ FX(x) ≤ 1..Capítulo IV: Variables Aleatorias IV. a] ∪ ]a. si a<b es FX(b)=FX(a)+P(a<X≤b). siendo discontinua por la IV. pues FX(x) es una probabilidad.

. Así. Figura IV.1. IV. x]=IX. En consecuencia.1.. la masa total contenida en todo el eje de las x vale la unidad.. para a<b. Lógicamente..4. es algo así como un rosario de puntos con masa distinta de cero. Por ejemplo.. xi mi=P(xi) .Variable aleatoria discreta La función de distribución se calculará mediante: FX ( x ) = P( X ≤ x ) = P( X ∈ Ix ) = x i ∈I x ∑ P( X = xi ) = ∑ PX ( xi ) x i ∈I x IV. X es una variable aleatoria que tiene distribuida la masa de probabilidad en 6 puntos conteniendo cada uno de ellos una masa igual a 1/6. FX(x) FX(a) P(X=a) a X Figura IV.2.Variables discretas Diremos que la variable aleatoria X es discreta si el conjunto imagen de la aplicación X:E→ℜ es discreto.Capítulo IV: Variables Aleatorias izquierda en todo punto de probabilidad no nula con salto igual a la probabilidad de dicho punto.Continuidad de la función de distribución IV. y FX(x) será la masa contenida en el intervalo ]+∞.3. En la analogía mecánica expuesta en el apartado anterior..41 . una variable aleatoria discreta tiene la masa de probabilidad concentrada en un conjunto discreto de puntos. si la experiencia aleatoria consiste en lanzar un dado y X(e) es el número que obtenemos en el lanzamiento. es decir.. por ejemplo. x1 m1=P(x1) x2 . de esta forma a cada variable aleatoria le corresponde una determinada distribución de masa a lo largo del eje de abscisas. FX(x) es continua en todo punto de probabilidad nula y discontinua en todo punto de probabilidad no nula. b].Analogía mecánica En determinadas ocasiones resulta útil identificar el concepto de probabilidad con el de masa..3. FX(b)-FX(a) es la masa de probabilidad que se encuentra en el intervalo ]a.

el campo de existencia de esta variable es: E = {1. FX(x) FX(x4) P(X=x4) x1 x2 x3 x4 X Figura IV.4. la probabilidad de cada valor de X será: 1 2 1 1 1 P ( X = 2 ) = P Cara1 ∩ Cara2 = ⋅ = 2 2 4 1 1 1 1 P ( X = 3 ) = P Cara1 ∩ Cara2 ∩ Cara3 = ⋅ ⋅ = 2 2 2 8 M 1 1 1 1 P ( X = n ) = P Cara1 ∩ L ∩ Caran −1 ∩ Caran = ⋅ L ⋅ ⋅ = n 2 2 2 2 P ( X = 1 ) = P ( Cara1 ) = ( ) ( ) ( ) Aplicando el concepto de función de distribución: FX (1 ) = 1 2 FX ( 2 ) = 1 1 + 2 4 ··· FX ( n ) = 1 1 1 + +L+ n 2 4 2 Gráficamente: IV. en la que en cada punto con probabilidad no nula se produce un salto igual a esta probabilidad.Función de distribución de la variable discreta Ejemplo IV.. 2.1: Si consideramos la variable aleatoria X. número de veces que hay que lanzar una moneda hasta obtener cara por primera vez.Capítulo IV: Variables Aleatorias en la que Ix = ]+∞. xi son los puntos de Ix que tienen una probabilidad no nula y PX(x) es la función de probabilidad de la variable aleatoria X. x]. por lo que el valor de FX(x) en éstos puntos de probabilidad no nula es el de la parte superior de cada salto.4.42 . El aspecto típico de la representación gráfica de la función de distribución de una variable aleatoria discreta es el de una curva en escalera como el de la figura IV. n} Teniendo en cuenta que el resultado obtenido en cada lanzamiento es independiente de los resultados obtenidos en los demás lanzamientos. 4. 3.... Recuérdese que la función de distribución es continua por la derecha y discontinua por la izquierda en todo punto de probabilidad no nula..

. IV.Función de distribución del ejemplo IV. pues P(x<X≤x+Δx) es la masa de probabilidad contenida en el intervalo ]x. a) Teniendo en cuenta la definición de FX(x).5 ··· 0 1 2 3 4 X Figura IV.1. sino que por razones de tipo práctico hay que definirlas de distinta forma: Diremos que la variable aleatoria es absolutamente continua o simplemente continua.x+Δx] y.75 0.5.Variables continuas Para que una variable aleatoria sea continua. si existe una función fX(x) no negativa.Capítulo IV: Variables Aleatorias FX(x) 1 0.1 IV. que para todo x real cumple la condición de que FX (x) = ∫ x −∞ f X (x) ⋅ dx La definición anterior. será: dFX ( x ) d = dx dx ∫ x −∞ fX ( x ) ⋅ dx = fX ( x ) por tanto: fX ( x ) = dFX ( x ) dx como: fX ( x ) = dFX ( x ) F ( x + Δx ) − FX ( x ) P( x < X ≤ x + Δx ) = lim X = lim Δx → 0 Δx → 0 dx Δx Δx Queda justificado el nombre de función de densidad.. es equivalente a la siguiente definición basada en las características de la función de distribución: La variable aleatoria es continua. si su función de distribución es continua para todo x real y. además. no basta que su función de distribución sea continua en todos sus puntos. llamada función de densidad.5. es derivable con derivada continua excepto a lo sumo en un conjunto de puntos tales que todo intervalo finito contiene un número finito de ellos.43 . por tanto.

b]) La última igualdad se cumple porque al ser X continua es P(X=a)=0. Siguiendo la analogía mecánica.b]. La masa de probabilidad contenida en [a. la variable Y=g(x) será una variable aleatoria si ∀ y ∈ ℜ. y de acuerdo con lo establecido en el apartado correspondiente a las propiedades de la función de distribución. no hay masa pero si hay densidad de masa variable con x e igual a fX(x). la P(X ∈ [a. en cada punto de una variable continua. x=b. Si g(x) establece una correspondencia biunívoca entre X e Y. es la densidad de masa en el punto x. ∀ x ∈ ℜ P(X=x)=0.2. por ser su función de distribución continua. Og(IY) pertenece a la σ-álgebra de X. es decir.44 . b) Nótese que en una variable continua. IV. si g(x) es monótona creciente o monótona decreciente) y X e Y son variables continuas y designamos por g-1(y) a la función inversa de g. b]) coincide con el área limitada por las rectas x=a. FUNCIONES DE VARIABLES ALEATORIAS Si X es una variable aleatoria y g(x) una función uniforme. b]) = ∫ b a f ( x ) ⋅ dx A la misma conclusión llegamos aplicando la regla de Barrow: ∫ b a fX ( x ) ⋅ dx = FX (b) − FX (a) = P (X ∈ ] a. es: P (X ∈ [a. (es decir. la probabilidad de cada uno de sus puntos es cero. c) La masa de probabilidad contenida en un segmento diferencial dx es fX(x)·dx. el eje de abscisas y la función de densidad. En consecuencia. b]) = P (X ∈ [a.Capítulo IV: Variables Aleatorias P(x < X ≤ x + Δx ) Δx es la masa por unidad de longitud en ese intervalo. El límite de este cociente cuando Δx tiende a cero. entonces podemos calcular Fy(y) y fy(y) mediante: a) Si g(x) es creciente: IV.

14.Capítulo IV: Variables Aleatorias Y Y=g(X) y=g(x) x=g (y) -1 X Figura IV..Función g(x) decreciente La Función de distribución de Y es: FY(y)=P(Y≤y)=P(g(X)≤y)=P(X>g-1(y))=1-FX(g-1(y)) derivando respecto de y: IV. dy b) Si g(x) es decreciente: Y y=g(x) Y=g(X) x=g (y) -1 X Figura IV.13.Función g(x) creciente La función de distribución de Y es FY(y)=P(Y≤y)=P(g(X)≤y)=P(X≤g-1(y))=FX(g-1(y)) derivando respecto de y obtendremos la función de densidad: fY ( y ) = dFY ( y ) dFX (g−1( y )) dFX (g−1( y )) d(g−1( y )) = = ⋅ dy dy d(g−1( y )) dy de donde: fY ( y ) = fX (g−1( y )) ⋅ dx dy Nótese que dx ≥0..45 .

¿Cuál será la función de densidad de la variable que describe la duración de los nuevos componentes? Si llamamos Y a esta nueva variable.3. será: Y=2·X entonces x=g-1(y)= por lo que dx 1 = dy 2 y 2 Finalmente..Capítulo IV: Variables Aleatorias fY ( y ) = dFY ( y ) dF (g−1( y )) dF (g−1( y )) d(g−1( y )) =− X = − X −1 ⋅ dy dy dy d(g ( y )) de donde: fY ( y ) = −fX (g−1( y )) ⋅ dx dy En la que dx ≤0 dy Ambos casos pueden ser escritos mediante la ecuación única: fY ( y ) = fX (g−1( y )) ⋅ dx dy Ejemplo IV.3.2 La duración X de unos componentes electrónicos puede asumirse que es una variable aleatoria exponencial (EXP(θ)) con función de densidad: f(x)=θ e-θx ∀x≥0 Un determinado cambio en el diseño permite duplicar la duración de dichos componentes. IV. sustituyendo se obtiene: fY ( y ) = θ ⋅ e −θ ⋅ y 2 ⋅ 1 θ − 2 ⋅y = ⋅e 2 2 θ con y≥0 con lo que resulta otra exponencial EXP(θ/2).Introducción IV.ESPERANZA MATEMÁTICA IV.46 .1..

3 (Variables discretas) Un juego consiste en lanzar un dado y determinar la diferencia entre el número de puntos obtenidos y el número 3. IV.3. la esperanza matemática no existe si la serie o la integral (según corresponda) no es convergente. según esta definición.Concepto Dada la variable aleatoria X de función de distribución FX(x) y la función uniforme g(x)..? La variable X=“diferencia entre el número de puntos obtenido y el número 3”. 1. -1. La ganancia G(x) tiene la expresión: G(x)= 100·x si x≥0 G(x)= C·x si x<0 donde C es la penalización que debe imponerse por cada punto de diferencia negativa obtenido.2. ¿Con cuántas pesetas debe penalizarse cada punto de diferencia negativa si queremos que el valor medio de la ganancia del jugador sea de 10 ptas. Ejemplo IV. 2.Capítulo IV: Variables Aleatorias A lo largo de este capítulo se van a manejar conceptos relativos a la teoría de la medida o integración generalizada que el lector puede no poseer. Y para variables continuas es: E [g( x )] = ∫ g(x) ⋅ f (x) ⋅ dx -∞ X +∞ Nótese que. tiene como campo de existencia X= (-2. llamaremos Esperanza Matemática de g(x) a: E [g( x )] = ∫ g(x) ⋅ dF (x) ℜ X Para variables discretas es: E [g( x )] = ∑ g( xi ) ⋅ PX (xi ) i en la que xi son los valores de la variable X de probabilidad no nula (PX(xi)≠0). Si la diferencia es no negativa se ganan 100 Ptas. IV. por cada punto de diferencia.47 . 3) y todos sus valores tienen la misma probabilidad PX(xi) = 1/6. Por ello los contenidos del capítulo se exponen de manera que puedan ser asimilados sin disponer de un conocimiento profundo de dicha teoría. 0.

3...48 . x 2 ) = ∫ ℜ2 x1 ⋅ dF(x1.Propiedades a) La esperanza matemática es un operador lineal.. teniendo en cuenta las propiedades de la integral de Stieljes: E( X1 + X2 ) = ∫ ℜ2 ( x1 + x 2 ) ⋅ dF(x1.. es decir: E(X1+X2) = E(X1) + E(X2) E(k⋅X) = k⋅E(X) En efecto.Capítulo IV: Variables Aleatorias Calculando el valor medio de la ganancia e igualando a 10 pts.. simplemente por μ. también por μX o.: E ( g ( x )) = ∑ g( x ) ⋅ P ( x ) = 10 i X i i =1 6 C·(-2)·1/6 +C·(-1)·1/6 +100·1·1/6 +100·2·1/6 +100·3·1/6 =10 Con lo que se obtiene que C=180 pts. x 2 ) + ∫ ℜ2 x 2 ⋅ dF(x1. Xn )] = ∫ ℜn r g( x1. de penalización.. ℜ2 x1 ⋅ dF(x1. x 2 ) = ∫ x ⋅ dF(x ) ℜ 1 1 1 ℜ 2 E( X1 + X2 ) = ∫ x ⋅ dF(x ) + ∫ x ℜ 1 ⋅ dF( x 2 ) E( X1 + X2 ) = E( X1 ) + E( X2 ) Así mismo E(k ⋅ X) = ∫ k ⋅ x ⋅ dF(x) = k ⋅ ∫ x ⋅ dF(x) ℜ ℜ por lo tanto IV. x 2 ) y que además ∫ obtenemos que es decir.. El concepto de esperanza matemática de una función de variable aleatoria n-dimensional...... cuando no se preste a la confusión. se denomina Esperanza Matemática de una variable aleatoria X a: E( X) = ∫ x ⋅ dF(x) ℜ que se designará. se obtiene fácilmente generalizando el de una variable unidimensional: E [g( X1. En particular.. x n ) ⋅ dFX ( x1.3. xn ) o también: r E g( X) = [ ] ∫ ℜ n r r r g( x ) ⋅ dFX ( x ) IV.

Ejemplo IV. se cumple que: d d E X [g( x. el valor medio del coste por movimiento es: E [g(X)] = ∫ X g(x) ⋅ f X (x) ⋅ dx = ∫ 400 300 (100 + 0.400] Por lo tanto. t )] = E X ⎢ ⎥ dt ⎣ dt ⎦ Ecuación que será utilizada en la función característica. t) ⋅ dF(x) dt de donde: d ⎡ d g(x. t )] = dt dt ∫ g(x.4 (Variables continuas) La carga que tiene que transportar una carretilla en cada movimiento es una variable aleatoria X con distribución uniforme entre 300 y 400 Kg. y ) = ∫ x ⋅ dF(x) ⋅ ∫ y ⋅ dF(y) = E( X) ⋅ E(Y) ℜ ℜ Se cumple entonces que { X e Y son independientes} ⇒ { E( X ⋅ Y ) = E( X) ⋅ E( Y )} c) Por una propiedad de la Integral de Stieljes.49 .b] es: f X (x) = 1 b−a con x ∈ [a. entonces: E(X·Y) = E(X)·E(Y) En efecto: E( X ⋅ Y ) = ∫ ℜ2 x ⋅ y ⋅ dF( x. t) ⎤ E X [g( x.b] SOLUCIÓN: La función de densidad de la variable carga será: f X (x) = 1 1 = 400 − 300 100 con x ∈ [300.25·x Calcular el coste medio por movimiento sabiendo que la función de densidad de una distribución uniforme en el intervalo [a.5 pts 100 IV. es una función de la carga dada por la expresión g(x) = 100 + 0. El coste de cada movimiento expresado en pesetas.Capítulo IV: Variables Aleatorias E(k ⋅ X) = k ⋅ E(X) b) Si las variables aleatorias X e Y son independientes.25 ⋅ x) ⋅ 1 ⋅ dx = 187. t) ⋅ dF(x) = ∫ ℜ ℜ d g(x.

Capítulo IV: Variables Aleatorias IV.MOMENTOS IV.4. simplemente por μ. por ejemplo: IV. pues μ1=E(X-α1)=E(X)-E(α1)=E(X)-E(μX)=μX-μX=0 b) El momento central μν se puede obtener en función de los momentos respecto al origen fácilmente sin más que desarrollar el binomio (x-α1)ν y aplicar las propiedades del operador E.50 . En particular. la definición de momento de orden ν respecto al origen se escribirá: αν = +∞ -∞ ∫ x ν ⋅ fX ( x ) ⋅ dx en la que f(x) es la función de densidad de la variable aleatoria X.Propiedades a) El momento central de primer orden es siempre nulo. teniendo en cuenta una propiedad de la Integral de Stieljes. la definición anterior es: α ν = ∑ x iν ⋅ dPX ( x i ) ℜ en la que por xi se designa genéricamente a los valores de X cuya probabilidad es no nula.4.Concepto Se denomina momento de orden ν respecto al origen de la variable aleatoria X a αν = ∫x ℜ ν ⋅ dFX ( x ) Si X es discreta.4. la definición anterior se escribirá: μ ν = ∑ ( x i − α1 )ν ⋅ PX ( x i ) i Si X es continua. Así.1. α1 es la esperanza matemática o valor medio de X.. Denominaremos momento central de orden ν de la variable aleatoria X a: μ ν = E ( X − α1 ) ν = [ ] ∫ ℜ ( x − α1 )ν ⋅ dFX ( x ) Si X es discreta. y lo designaremos por μX o.. Si X es continua.. el momento central de orden ν de la variable aleatoria X será: μν = ∫ +∞ −∞ ( x − α1 )ν ⋅ fX ( x ) ⋅ dx IV.2.

Las propiedades de la varianza son: a) La varianza de una constante es cero. Indica “por donde” se encuentra situada la masa de probabilidad.5. IV. expuesta en un tema anterior.2.5. los elementos diferenciales de masa de probabilidad no se multiplican por su distancia al origen. σ2 se calcula mediante: σ 2 = D2 ( X ) = X ∫ +∞ −∞ ( x − μ X )2 ⋅ fX ( x ) ⋅ dx en la que fX(x) es la función de densidad de X. En el caso de X discreta se calcula mediante: σ2 = D2 ( X) = ∑ ( x i − μ X )2 ⋅ P( X = x i ) X i en la que los xi son los valores de X con probabilidad no nula.Propiedades Ayudará a la comprensión de las propiedades que se exponen a continuación. En la varianza. La media no es más que la suma de los productos de los elementos diferenciales de masa de probabilidad multiplicados por su distancia al origen. se le denomina varianza y también se le designa por σx2 y por D2(X). la aplicación de la analogía mecánica. por lo tanto. su centro de gravedad está en ese punto y las distancias de los puntos con masa IV. sino por su distancia al centro de gravedad elevada al cuadrado.1... el momento de inercia de la masa de probabilidad y es una medida del grado de dispersión de está masa.. pues su masa de probabilidad está concentrada en un punto.Concepto Al momento central de orden dos μ2. a las definiciones de media y varianza.VARIANZA IV. Representa.51 . En el caso continuo. Como la masa total es la unidad. la media no es más que el centro de gravedad de la masa de probabilidad.5.Capítulo IV: Variables Aleatorias 2 2 μ 2 = E ( x − α1 )2 = E( x 2 + α1 − 2 ⋅ x ⋅ α1 ) = α 2 + α1 − 2 ⋅ α1 2 [ ] 2 μ2 = α 2 − α1 De la misma forma se deduce que: 3 μ 3 = α 3 − 3 ⋅ α1 ⋅ α 2 + 2α1 IV.

52 .k·μX)2] = E[k2·(X .X2). Por tanto: 2 D2 (a1 ⋅ X1 + a2 ⋅ X2 ) = a1 ⋅ D2 ( X1 ) + a2 ⋅ D2 ( X2 ) + 2 ⋅ a1 ⋅ a2 ⋅ cov( X1.Capítulo IV: Variables Aleatorias al centro de gravedad son nulas y.(a ⋅ μ X + b)) = E a2 ⋅ ( X − μ X )2 2 [ ] [ ] d) Varianza de la combinación lineal de dos variables: Como entonces E(a1·X1+a2·X2)=a1·μ1+a2·μ2 D2(a1·X1+a2·X2) = E ( [(a1 ⋅ X1 + a2 ⋅ X2 ) − (a1 ⋅ μ1 + a2 ⋅ μ 2 )] 2 ) de donde: D2(a1·X1+a2·X2) = E ( [(a1 ⋅ ( X1 − μ1 ) + a2 ⋅ ( X2 − μ 2 )] 2 ) elevando al cuadrado y aplicando las propiedades del operador E: 2 D2(a1·X1+a2·X2) = a1 ⋅ D2 ( X1 ) + a2 ⋅ D2 ( X2 ) + 2 ⋅ a1 ⋅ a2 ⋅ E [( X1 − μ1) ⋅ ( X2 − μ 2 )] 2 A la expresión: E[( X1 − μ1 ) ⋅ ( X2 − μ 2 )] se le denomina covarianza de X1 y X2 y se le representa por cov(X1.μX)2] c) La varianza de a·X+b es a2·D2(X) En efecto. el valor medio de k·X es: Por lo tanto: es decir: D2 (k ⋅ X) = k 2 ⋅ D2 ( X) E(k·X) = k·E(X) = k·μX D2(k·X) = E[(k·X .μX)2] = k2·E[(X . el momento de inercia también lo es: D2 (k ) = ∫ (k − k ) ℜ 2 ⋅ dFX ( x ) D 2 (k ) = 0 b) D2(k·X) = k2·D2(X) En efecto. por tanto. X2 ) 2 IV. como es: por tanto: D2 (a ⋅ X + b) = a2 ⋅ D2 ( X) E(a·X+b) = a·μX+b D2 (a ⋅ X + b) = E ((a ⋅ X + b) .

se cumple que ∀ h ∈ ℜ+: P [g( X) ≥ h] ≤ E [g( X)] h Sea Ah el conjunto de los valores de X que satisfacen a g(x)≥h. sustituyendo en la ecuación anterior: {X1 y X2 son independientes} → {D2 ( X1 + X2 ) = D2 ( X1) + D2 ( X2 )} es inmediato que: {X1 y X2 son independientes} → {D2 ( X1 . la covarianza de X1 y X2. la varianza de la suma es la suma de las varianzas. si las variables X1 y X2 son independientes. pues por ser las dos variables independientes se cumple que: E[( X1 − μ1 ) ⋅ ( X2 − μ 2 )] = E( X1 − μ1 ) ⋅ E( X2 − μ 2 ) = (μ1 − μ1 ) ⋅ (μ 2 − μ 2 ) = 0 por tanto.Capítulo IV: Variables Aleatorias En general: n −1 n ⎛ n ⎞ n D2 ⎜ ∑ ai ⋅ Xi ⎟ = ∑ ai2 ⋅ D2 ( Xi ) + 2 ⋅ ∑ ∑ ai ⋅ a j ⋅ cov( Xi . En efecto.Valores de X que satisfacen que g(X)≥h Por ser Ah ⊂ ℜ (en sentido amplio): IV. es nulo.X2 ) = D2 ( X1) + D2 ( X2 )} IV. X j ) ⎜ ⎟ i =1 i +1 ⎝ i =1 ⎠ i =1 e) Si dos variables aleatorias son independientes.6.15. g(x) ≥ h} Gráficamente: g(X) h X Ah Figura IV. es decir A h = { x ∈ ℜ.53 . el término cov(X1.. Si g(X) es una función no negativa de la variable aleatoria X.X2) es decir..TEOREMA DE TCHEBYCHEFF.

54 .. por ser muy asimétrica la distribución de la masa de probabilidad. la media represente mal a la posición de la masa. la ecuación anterior se escribe: P ( X − μ X )2 ≥ k 2 ⋅ σ2 ≤ [ ] σ2 k 2 ⋅ σ2 de donde: P X − μX ≥ k ⋅ σ ≤ [ ] 1 k2 Ecuación que es conocida como la desigualdad de Bienaymé-Tchebycheff. que.Parámetros de posición Estos parámetros indican por donde se encuentra situada la masa de probabilidad a lo largo del eje de abscisas.1. y h=k2⋅σ2. o bien puede ocurrir que.. X2. IV.7. IV.. si g(x)=(x-μX)2. Describiremos los más usuales.PARÁMETROS DE UNA DISTRIBUCIÓN.. r X = ( X1. dispersión. IV. con el fin de describir determinados aspectos de la distribución de masa de probabilidad de una variable aleatoria. como sabemos. Sin embargo. El más frecuentemente utilizado es el valor medio o esperanza matemática. en cuyo caso se utilizan otros parámetros de posición. asimetría y curtosis (o apuntamiento) de la masa de probabilidad. la media puede no existir.Capítulo IV: Variables Aleatorias E [g( x )] = ∫ g(x) ⋅ dF (x) ≥ ∫ g(x) ⋅ dF (x) ℜ X Ah X Por ser g(x)≥h para todo x∈Ah: ∫ g(x) ⋅ dF (x) ≥ h ⋅ ∫ dF (x) = h ⋅ P( X ∈ A ) = h ⋅ P [g( X) ≥ h] Ah X Ah X h En consecuencia: P [g( X) ≥ h] ≤ E [g( X)] h Es fácil comprobar que la demostración es la misma si sustituimos la variable aleatoria unidimensional X por la variable aleatoria n-dimensional.7.. Xn ) Por otra parte. se utilizan ciertos parámetros que indican la posición.. representa el centro de gravedad de la masa de probabilidad. Aunque la distribución de una variable aleatoria queda perfectamente caracterizada por su función de distribución o bien por su función de densidad (en variables continuas) o por su ley de probabilidades (en variables discretas).

que se define como el cociente entre la desviación típica y la media. la posición relativa de estos parámetros es la que se muestra en la figura IV. representa al momento de inercia de la masa de probabilidad y puesto que ésta es constante e igual a la unidad. se utiliza como medida de asimetría a: IV.55 . fX(x) mediana fX(x) mediana moda media X media moda X Figura IV. se puede utilizar μ3 como una medida de asimetría.Capítulo IV: Variables Aleatorias La mediana es la abscisa del punto de intersección de la función de distribución con la recta FX(x)=0. Tiene las mismas unidades que la variable x. como sabemos. La mediana tiene un 50% de masa de probabilidad a su izquierda y otro 50% de masa a su derecha. En distribuciones asimétricas. σ2 aumenta a medida que la masa de probabilidad se dispersa. IV.7. las unidades de σ2 son las de la variable aleatoria X elevadas al cuadrado. Otro parámetro de dispersión lo constituye el coeficiente de variación.16. se toma como mediana la abscisa del punto medio de este segmento. En el caso de que ésta intersección no sea un punto sino un segmento. Una misma variable puede tener más de una moda. Con el fin de utilizar un parámetro adimensional.16. La moda corresponde a un máximo relativo de la función de densidad o de la ley de probabilidades.Parámetros de dispersión Estos parámetros tratan de medir el mayor o menor grado de concentración o de dispersión de la masa de probabilidad. por otra parte. que se define como la raíz cuadrada positiva de la varianza y se representa por σ. μ1 siempre es nulo... la mediana y la moda coinciden.2.3.Parámetros de posición en distribuciones asimétricas IV.Parámetros de asimetría Si la masa de probabilidad se distribuye simétricamente. Es un parámetro adimensional. Como. Por esta razón se utiliza con mucha frecuencia a la desviación típica. la media. Evidentemente.. los momentos respecto al origen de orden impar (si existen) son siempre nulos.5.7. en distribuciones simétricas unimodales. El parámetro más utilizado es la varianza σ2 que. Sin embargo.

Parámetros de apuntamiento El coeficiente de apuntamiento o curtosis. por tanto γ1 es positivo. trata de medir el grado de apuntamiento de la distribución en las proximidades de su media y se define por: γ2 = μ4 −3 σ4 En función de los valores que tome este parámetro.56 . De forma análoga se define asimetría negativa..4. en este caso diremos que la asimetría es positiva.Capítulo IV: Variables Aleatorias γ1 = μ3 σ3 En una función de densidad unimodal con una rama larga a la derecha y otra corta a la izquierda. IV.7. las distribucciones se clasifican en: γ2<0 γ2=0 γ2>0 planicúrticas mesocúrticas leptocúrticas Las distribuciones mesocúrticas tienen un apuntamiento como el de la distribución Normal que veremos en capítulos posteriores. IV. los cubos de las desviaciones positivas respecto de la media serán mayores que los cubos de las desviaciones negativas y.

Variables aleatorias discretas IV.57 .Capítulo IV: Variables Aleatorias Tema 5.

58 .CAPITULO V: Principales Distribuciones Discretas IV.

2. Repitamos n veces la realización del fenómeno aleatorio o de la experiencia de que se trate.1. Supongamos además...Definición Diremos que la variable aleatoria X es una variable dicotómica de parámetro p y la representaremos por X≡D(p) si toma únicamente dos valores: X=1 con probabilidad p X=0 con probabilidad q=1-p V. que después de cada repetición el fenómeno queda en la misma situación probabilística que antes de realizar dicha repetición y. la esperanza matemática será: μ X = E(X ) = ∑ xi ⋅ P( x i ) = 0 ⋅ q + 1⋅ p = p i =1 2 es decir: E( X) = p V.59 .1..VARIABLE BINOMIAL V.VARIABLE DICOTÓMICA V.1.1.1. en consecuencia.Capítulo V: Principales Distribuciones Discretas V.Definición Sea A un suceso de probabilidad p asociado a una experiencia aleatoria..Valor medio Por tratarse de una variable discreta.1.Varianza La varianza de X se calculará: σ2 = E ( x − μ )2 = ∑ (x i − μ ) ⋅ PX (xi ) = (0 − p)2 ⋅ q + (1 − p)2 ⋅ p = p2 ⋅ q + q2 ⋅ p X 2 i =1 [ ] 2 es decir: σ2 = p ⋅ q ⋅ (p + q) = p ⋅ q X por tanto: D2 ( X) = p ⋅ q La desviación típica será: σX = + p ⋅ q V.3.2. En cada repetición observemos si ha ocurrido el suceso A o su complementario..2. la V..

p) cuando las Yi son independientes. El suceso A ocurrirá dos veces si ocurre uno de los siguientes sucesos: B1 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B2 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B3 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B4 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B5 = A 1 ∩ A 2 ∩ A 3 ∩ A 4 B6 = A1 ∩ A 2 ∩ A 3 ∩ A 4 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 Si designamos por X a la variable binomial “número de veces que ocurre A al efectuar 4 repeticiones independientes”. su probabilidad es: P A1 ∩ A 2 ∩ A 3 ∩ A 4 = P(A1 ) ⋅ P A 2 ⋅ P(A 3 ) ⋅ P A 3 = p2 ⋅ q2 ( ) ( ) ( ) por ser las repeticiones independientes.p).. A 2 . Yi toma el valor 1 si en la repetición número i ocurre el suceso A y toma el valor 0 si no ocurre. llamamos X a ∑ Yi = X i =1 n entonces X≡B(n. Yi es una variable dicotómica de parámetro p. de probabilidad P(A)=p.p) es la suma de n variables dicotómicas independientes de parámetro p. { X ≡ B(n. en cada repetición. coincide con su correspondiente probabilidad inicial. La misma probabilidad tendrá cualquier combinación en la que el suceso A ocurra dos veces. entonces: ⎛6 ⎞ P( X = 2) = P ⎜ U Bi ⎟ = 6 ⋅ p2 ⋅ q2 ⎟ ⎜ ⎝ i =1 ⎠ V.2. Si. entonces. Si designamos por X a la variable “número de veces que ocurre el suceso A. más concretamente. Es decir.60 . cuando efectuamos n repeticiones independientes del fenómeno al que va asociado”. además.2. ⎨ n ⎩ i =1 ⎫ Yi ≡ D(p) independie ntes ⎬ ⎭ V.Ley de probabilidades Supongamos que efectuamos 4 repeticiones independientes de un experimento aleatorio. y obtenemos el resultado A1. entonces X es una variable binomial de parámetros n y p y la representaremos por X≡B(n. La definición anterior es equivalente a la siguiente basada en el concepto de variable dicotómica: si por Yi designamos a la variable que expresa el resultado de la repetición número i y. que: Una variable aleatoria Binomial X≡B(n. que tiene asociado un suceso A de probabilidad P(A)=p. A 4 (el subíndice indica el número de la repetición). A3. Pues bien.Capítulo V: Principales Distribuciones Discretas probabilidad condicional de A. p)} ⇔ ⎧ X = ∑ Yi .

2 0. ¿Cuál es la probabilidad de aceptar con este plan de control el lote anteriormente referido? c) Si aceptamos el lote solo cuando todos los remaches de la muestra son correctos ¿Cual debería ser el número de remaches que debemos inspeccionar si pretendemos aceptar con una probabilidad menor que 0. a) ¿Cuál es la probabilidad de que al tomar al azar de ese lote una muestra de 50 remaches contenga 2 remaches defectuosos? b) Para la aceptación de los lotes recepcionados se aplica un plan de control de calidad consistente en muestrear aleatoriamente 50 remaches y aceptar el lote si aparecen como máximo 2 remaches defectuosos.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura V.10 aquellos lotes que contengan un 5% de remaches V.3 0. pues el desarrollo del binomio de Newton da. es decir: ⎛n⎞ P( X = ν ) = ⎜ ⎟ ⋅ pν ⋅ qn − ν ⎜ν⎟ ⎝ ⎠ La representación gráfica de la ley de probabilidades tiene la forma de la figura V. Este hecho es el que da nombre a la variable aleatoria binomial: ∑ ⎜⎜⎝ ν ⎟⎟⎠ p ⋅ q ν ν =0 n ⎛n⎞ n−ν = (p + q)n = 1n = 1 Ejemplo V.0.1. precisamente. cada uno de ellos con una probabilidad igual a pν⋅qn-ν.2) Nótese que la suma de las probabilidades es 1. será la probabilidad de que ocurra uno de los ⎛n⎞ ⎜ ⎟ ⎜ν⎟ ⎝ ⎠ sucesos Bi.Capítulo V: Principales Distribuciones Discretas donde el número 6 es el número de combinaciones al tomar 4 elementos de dos en dos.Función de Probabilidad de una B(10. si hacemos n repeticiones independientes..1: En un almacén de repuestos se recibe un lote con miles de remaches de los que un 1% son defectuosos. En general. PX(x) 0.1.61 . cada una de las probabilidades anteriores. la probabilidad de que ocurra X=ν veces el suceso A.

076 ⎜2⎟ ⎝ ⎠ En términos de frecuencia.p) suma de n variables dicotómicas. la probabilidad obtenida indica que el 7’6% de las muestras de 50 remaches que pudiéramos obtener al azar del lote propuesto tendrían exactamente dos remaches defectuosos.Media Por ser X≡B(n.0. por ello: V.010 ⋅ 0. la varianza de una variable binomial.05). el 98% de los lotes serán aceptados.2.95 50 ≤ 0.99 50 + ⎜ ⎟ ⋅ 0.4. y la probabilidad pedida es: ⎛ 50 ⎞ P(X = 2) = ⎜ ⎟ ⋅ 0. 0. pues éstas son independientes.980 ⎜0 ⎟ ⎜1 ⎟ ⎜2⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ Es decir.3. es decir: ⎛n⎞ P(Y = 0) = ⎜ ⎟ ⋅ 0.Varianza Como en el apartado anterior.05 0 ⋅ 0. Yi.011 ⋅ 0.012 ⋅ 0. b) El número de remaches defectuosos en la muestra sería la misma variable del apartado anterior y la probabilidad de aceptar al lote sería: Pa=P(X≤2)=P(X=0)+P(X=1)+P(X=2) ⎛ 50 ⎞ ⎛ 50 ⎞ ⎛ 50 ⎞ Pa = ⎜ ⎟ ⋅ 0..99 49 + ⎜ ⎟ ⋅ 0. es la suma de las varianzas de las variables dicotómicas que la definen.2.012 ⋅ 0. la variable que representa los remaches defectuosos será Y=B(n. su esperanza matemática será: ⎡n ⎤ n E( X) = E ⎢∑ Yi ⎥ = ∑ E( Yi ) = n ⋅ p ⎣ i =1 ⎦ i =1 E( X) = n ⋅ p V. c) Si los remaches defectuosos en el lote son un 5% y seleccionamos al azar n remaches.10 ⎜0 ⎟ ⎝ ⎠ operando obtenemos: n≥45 remaches V.99 48 = 0.10..99 48 = 0. Deberemos seleccionar n de manera que se cumpla que P(Y=0)≤0.Capítulo V: Principales Distribuciones Discretas defectuosos? SOLUCIÓN: a) El número de remaches defectuosos en la muestra referida será una variable X≡B(50.01).62 .

la frecuencia relativa: fr = X n es una variable aleatoria cuya media es: E(fr ) = n⋅p =p n V.. En efecto.Capítulo V: Principales Distribuciones Discretas ⎡n ⎤ n D2 ( X) = D2 ⎢∑ Y i⎥ = ∑ D2 ( Yi ) ⎣ i =1 ⎦ i =1 por lo tanto: D2 ( X) = n ⋅ p ⋅ q y la desviación típica es: σX = n ⋅ p ⋅ q V. En consecuencia. Si X es la frecuencia absoluta con que ocurre el suceso A de probabilidad P(A)=p al efectuar n repeticiones independientes de un cierto fenómeno aleatorio. se enuncia así: La frecuencia relativa con que se presenta un suceso A de probabilidad p al efectuar n repeticiones independientes del experimento al que va asociado converge en probabilidad a p. y teniendo en cuenta la correspondencia biunívoca entre función de distribución y función característica establecida por el teorema de la inversión. su suma es otra variable Binomial con el mismo parámetro p..5. En consecuencia. (Anexo I). Bernouilli en su obra póstuma Ars Conjectandi en 1713. respectivamente: ϕ X1 ( t ) = p ⋅ eit + q ( ) n1 ϕ X 2 ( t ) = p ⋅ eit + q ( ) n2 por ser X1 y X2 independientes. se cumple que: { Si X1≡ B(n1.p) y X2 ≡B(n2.Adición Si X1 y X2 son variables Binomiales independientes con idéntico parámetro p.2. X es una variable aleatoria binomial de parámetros n y p. las funciones características son.TEOREMA DE BERNOUILLI Este teorema que fue publicado y demostrado (aunque de forma diferente a la que aquí se expone) por primera vez por J. p)} V. la función característica de la suma es el producto de las funciones características: ϕ X1 + X 2 ( t ) = p ⋅ eit + q ( ) n1 + n 2 que es la función característica de una variable Binomial de parámetros n1+n2 y p. sea X1≡B(n1.p). p) independientes} ⇒ { X1 + X2 ≡ B(n1 + n2 . p) y X2 ≡ B(n2 .3.63 .

más de una cierta cantidad prefijada. pues establece que haciendo un número suficientemente grande de repeticiones. V. puesto que si llamamos z=p·q=p·(1-p)=p-p2 derivando z respecto de p e igualando a 0: dz = 1 − 2p = 0 dp ⇒ p= 1 2 con d2 z = −2 < 0 dp2 entonces.Capítulo V: Principales Distribuciones Discretas y cuya varianza y desviación típica son: D2 (fr ) = 1 p⋅q n⋅p ⋅q = 2 n n D(fr ) = p⋅q n Por el teorema de Bienaymé-Tchebycheff: ⎡ p⋅q⎤ 1 P ⎢ fr − p ≥ k ⋅ ⎥≤ n ⎥ k2 ⎢ ⎣ ⎦ llamando ε a: ε =k⋅ p⋅q n tendremos que P fr − p ≥ ε ≤ [ ] p⋅q ε2 ⋅ n Teniendo en cuenta que el valor máximo de p·q es 1/4. al realizar un número n grande de repeticiones. es tan poco probable como queramos que la frecuencia relativa con que ocurre el suceso A difiera de la probabilidad de A. siendo ε un número arbitrariamente pequeño. Es decir que: Si tomamos fr como estimación de p. en valor absoluto. p⋅q ≤ 1 4 Obtendremos que P fr − p ≥ ε ≤ [ ] 1 4 ⋅ n ⋅ ε2 Para un ε ∈ ℜ+ se cumple que: n→∞ lim P fr − p ≥ ε = 0 [ ] es decir: fr ⎯P p ⎯→ La interpretación práctica de este teorema es muy clara.64 . es casi seguro que el error que cometeremos es menor que ε.

Ley de probabilidades Si X≡B(n. hagamos λ=n·p en la que λ se mantiene constante cuando n crece indefinidamente.Capítulo V: Principales Distribuciones Discretas Si hacemos δ≥ 1 4nε2 entonces de donde obtenemos que P fr − p ≥ ε ≤ δ [ ] n≥ 1 4 ⋅ δ ⋅ ε2 lo que permite calcular n.4.1 en más del 99% de los casos en el que se efectúe tal estimación.1 sea de δ≤0.1.01. manteniéndose constante el valor medio λ=n·p. será ⎛n⎞ P( X = ν ) = ⎜ ⎟ ⋅ pν ⋅ (1 − p)n − ν ⎜ν⎟ ⎝ ⎠ que puede escribirse como V. Pues bien: Una variable de Poisson es una variable Binomial de parámetros n y p.p). tendremos que: n≥ 1 = 2500 4 ⋅ 0.Definición Sea X una variable Binomial de parámetros n y p.01 ⋅ 0. La designaremos por X≡PS(λ).. Como p= λ n p tenderá a cero cuando n tienda a infinito. si efectuamos 2500 repeticiones del experimento aleatorio... Hagamos tender n a infinito. manteniendo el valor medio de X constante.65 .2. V. si deseamos que la probabilidad de cometer un error mayor que ε=0.4.DISTRIBUCION DE POISSON V. es decir. cuando n tiende a infinito y simultáneamente p tiende a cero. Por ejemplo. para 0≤ν≤n. al estimar p mediante fr.4. su ley de probabilidades.12 en consecuencia. cometeremos un error menor que 0. una vez fijado el error máximo ε que aceptamos cometer con una probabilidad menor o igual que δ. V.

3 0...2 El número de defectos de pintura en la carcasa de una lavadora puede asumirse que es una variable aleatoria con distribución de Poisson de promedio λ=2 defectos/unidad.Función de probabilidad de una Ps(2) Ejemplo V.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura V..(n − ν + 1) ν ⋅ p ⋅ (1 − p)n − ν ν! Multiplicando y dividiendo por nν : ⎡ 1 ⎤ ⎡ ν − 1⎤ 1⋅ ⎢1 − ⎥ ⋅ ⋅ ⋅ ⎢1 − n⎦ ⎣ n ⎥ ⎦ ⋅ (n ⋅ p)ν ⋅ (1 − p)n − ν P( X = ν ) = ⎣ ν! y teniendo en cuenta que λ=n·p ⎡ 1 ⋅ ⎢1 − P( X = ν ) = ⎣ ν − 1⎤ 1⎤ ⎡ ⋅ ⋅ ⋅ ⎢1 − n ⎥ ν n⎥ ⎦ ⎣ ⎦λ ν! λ⎤ ⎡ ⋅ ⎢1 − ⎥ ⋅ q− ν n⎦ ⎣ n tomando límites cuando n tiende a infinito y teniendo en cuenta que p tiende a cero (q→1) n→∞ lim P( X = ν ) = e − λ ⋅ λν ν! Luego si X es una variable de Poisson. 2. X es discreta y toma los valores X = 0.2 0. 3. con probabilidades: P( X = ν ) = e − λ ⋅ λν ν! obsérvese que: ν =0 ∑ P( X = ν ) = ∑ ∞ ∞ e − λ ⋅ λν λν = e−λ ∑ = e − λ ⋅ eλ = 1 ν! ν! ν =0 ν =0 ∞ PX(x) 0. .66 .2.Capítulo V: Principales Distribuciones Discretas P( X = ν ) = n ⋅ (n − 1). a) Determinar la probabilidad de que al seleccionar al azar una carcasa de esa fabricación V. 1...

podemos calcular α1 =μ : it dϕ X (t ) = eλ (e −1) ⋅ λ ⋅ eit ⋅ i dt de donde: ⎡ dϕ X ( t ) ⎤ ⎢ dt ⎥ = λ ⋅ i =α1·i ⎦ t =0 ⎣ por tanto: E( X) = λ V. b) Para controlar la calidad del proceso de fabricación de las carcasas.3. ¿Cuál es la probabilidad de aceptar como correcto con este control un proceso en el que se producen. el número de defectos en cada carcasa será una variable con distribución X=Ps(5) y la probabilidad de aceptar el proceso como correcto: P ( aceptar) = P( Ps(5)≤2) = 0..Varianza Derivando nuevamente la función característica: d2ϕ X (t ) d λ (eit −1) = e ⋅ λ ⋅ eit ⋅ i dt dt 2 [ ] it it d2ϕ X (t ) = eλ (e −1) ⋅ λ2 ⋅ e2it ⋅ i2 + λ ⋅ eit ⋅ i2 ⋅ eλ (e −1) 2 dt haciendo t=0: V. b) En este caso.Capítulo V: Principales Distribuciones Discretas aparezcan en ella exactamente 3 defectos.4.67 .4. la probabilidad anterior equivale a decir que el 18% de las carcasas fabricadas presentan exactamente 3 defectos.18 3! en términos de frecuencia.Media Si derivamos la función característica respecto de t y hacemos t=0..125 V. se toma al azar una de las carcasas fabricadas y se acepta que el proceso es correcto si en ella encontramos 2 o menos defectos.4. en promedio 5 defectos por unidad fabricada? SOLUCIÓN: a) La probabilidad pedida es: P(X = 3) = e −2 ⋅ 2 3 = 0.

5..5. será: σ2 = λ2 + λ − λ2 = λ es decir: D2 ( X ) = λ V.Capítulo V: Principales Distribuciones Discretas ⎡ d2ϕ X ( t ) ⎤ 2 2 ⎥ = λ + λ ⋅i ⎢ 2 ⎣ dt ⎦ t = 0 ( ) de donde : α 2 = λ2 + λ 2 Como σ 2 = α 2 − α 1 . El número de elementos de A que resultan al extraer al azar y sin reemplazamiento n elementos de E.1.68 .Definición Supongamos que un lote contiene N piezas y que de ellas p·N=N1 son defectuosas y que q·N=N2 son correctas. Extraigamos sin reemplazamiento n piezas del lote de tal forma que todas las piezas tengan la misma probabilidad de formar parte de las n piezas extraídas (n≤p·N y n≤q·N).p). la función característica de la suma es: ϕ X1 + X 2 ( t ) = e(λ1 + λ 2 )(e it −1 ) que es la función característica de una variable de Poisson de parámetro λ1+λ2.5. si X1≡PS(λ1) y X2≡PS(λ2). Lógicamente se cumple que n1+n2=n.n. Lógicamente se cumple que p+q=1 y N1+N2=N.. Sea E una población finita cuyos elementos son de dos tipos: A y A .VARIABLE HIPERGEOMÉTRICA V. V..4. sus funciones características son. respectivamente: it it ϕX1 ( t ) = eλ1 (e −1) y ϕX 2 ( t ) = eλ 2 (e −1) por ser independientes. Pues bien. En efecto. Por tanto: { Si X1 ≡ PS(λ1 ) y X 2 ≡ PS(λ 2 ) independientes} ⇒ { X1 + X2 ≡ PS(λ1 + λ 2 )} V. es una variable hipergeométrica y la designaremos por X≡H(N.Adición La suma de dos variables de Poisson independientes es otra variable de Poisson cuyo parámetro es la suma de los parámetros de las variables sumadas. Llamemos n1 a las piezas defectuosas que hemos extraído y n2 a las piezas correctas. el número de piezas defectuosas n1 se distribuye según una variable hipergeométrica.

Capítulo V: Principales Distribuciones Discretas

La variable Hipergeométrica es discreta y toma los valores X=0, 1, 2 .., n. V.5.2.- Ley de probabilidades Recordemos que el número de subconjuntos de tamaño n que se pueden formar de un conjunto de tamaño N es:
⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

éste será, por tanto, el número de posibles extracciones, todas ellas con la misma probabilidad. El número de subconjuntos de n1 elementos de un conjunto de N1 elementos es:
⎛ N1 ⎞ ⎜ ⎟ ⎜n ⎟ ⎝ 1⎠

El número de subconjuntos de n2 elementos que se pueden extraer de un conjunto de N2 elementos es:
⎛ N2 ⎞ ⎜ ⎟ ⎜n ⎟ ⎝ 2⎠

El número de subconjuntos de n elementos que tienen n1 en A y n2 en A es:
⎛ N1 ⎞ ⎛ N2 ⎞ ⎜ ⎟·⎜ ⎟ ⎜n ⎟ ⎜n ⎟ ⎝ 1⎠ ⎝ 2⎠

En consecuencia, la probabilidad de que al extraer n unidades sin reemplazamiento de ellas n1 pertenezcan a A y n2 pertenezcan a A es:
⎛ N1 ⎞ ⎛ N2 ⎞ ⎜ ⎟⋅⎜ ⎟ ⎜n ⎟ ⎜n ⎟ ⎝ 1⎠ ⎝ 2 ⎠ ⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

Teniendo en cuenta que N1=p·N, que N2=q·N, que n1+n2=n, y llamando ν=n1, si X≡H(N,n,p), entonces:
⎛N ⋅ p ⎞ ⎛ N ⋅ q ⎞ ⎜ ⎜ ν ⎟ ⋅ ⎜n − ν ⎟ ⎟ ⎜ ⎟ ⎠ ⎝ ⎠ P( X = ν ) = ⎝ ⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

El valor medio y la varianza de esta variable son:
E( X) = n ⋅ p

V.69

Capítulo V: Principales Distribuciones Discretas

D2 ( X ) = n ⋅ p ⋅ q ⋅

N−n N −1

V.5.3.- Convergencia Cuando N es grande en comparación con n, después de extraer cada una de las n unidades, la composición de población prácticamente no se modifica, y todo ocurre como si las extracciones fueran con reemplazamiento y, por tanto, la variable X=H(N,n,p) pasa a ser X=B(n,p). Más exactamente, la variable hipergeométrica converge en distribución a una variable binomial cuando N crece manteniendo n y p constantes.

Ejemplo V-3 Calcular la probabilidad de obtener 4 aciertos al realizar una única apuesta en la loteria primitiva. SOLUCIÓN: En la lotería primitiva existen N=49 números diferentes de los cuales Np=6 son premiados y Nq=43 no lo son. Al realizar una apuesta se seleccionan (sin reemplazamiento) 6 números diferentes. Con este planteamiento, el número de aciertos obtenidos en una apuesta es una variable hipergeométrica X = H(49, 6, 6/49). Entonces
⎛ 6 ⎞ ⎛ 43 ⎞ ⎜ ⎟⋅⎜ ⎟ ⎜4 ⎟ ⎜2 ⎟ P(X = 4) = ⎝ ⎠ ⎝ ⎠ = 9.68 ⋅10 − 4 ⎛ 49 ⎞ ⎜ ⎟ ⎜6 ⎟ ⎝ ⎠

V.6.- VARIABLE BINOMIAL NEGATIVA V.6.1.- Definición Consideremos un suceso A de probabilidad p=P(A). Efectuemos repeticiones independientes hasta que ocurra “r” veces el suceso A. Pues bien: El número de repeticiones independientes que hay que efectuar hasta que ocurra exactamente “r” veces el suceso A de probabilidad p, es una variable aleatoria Binomial Negativa y la representaremos mediante X≡BN(r,p) La variable BN(r,p) es discreta, infinito numerable y toma los valores r, r+1,r+2,... V.6.2.- Ley de probabilidades

V.70

Capítulo V: Principales Distribuciones Discretas

La variable aleatoria X≡BN(r,p) toma el valor ν, si y sólo si en las ν-1 primeras repeticiones el suceso A ocurre r-1 veces y en la repetición ν-ésima ocurre el suceso A. La probabilidad de que en ν-1 repeticiones independientes ocurra r-1 veces el suceso A de probabilidad p es:
⎛ ν − 1⎞ r −1 ν −r ⎜ ⎜ r − 1⎟ ⋅ p ⋅ (1 − p) ⎟ ⎝ ⎠

en consecuencia:
⎛ ν − 1⎞ r ν −r P( X = ν ) = ⎜ ⎜ r − 1 ⎟ ⋅ p ⋅ (1 − p) ⎟ ⎝ ⎠

V.6.3.- Media y Varianza Por derivación de ϕX(t) respecto de t obtenemos los momentos respecto al origen de primero y segundo orden. A partir de estos momentos obtenemos:
E( X) = r p

y
D2 ( X ) = r⋅q p2

Ejemplo V.4 En la centralita de teléfonos de una empresa se reciben, de modo aleatorio, un 20% de llamadas del extranjero. a) Determinar la probabilidad de que se reciban 10 llamadas hasta registrar la segunda procedente del extranjero. b) ¿Cuál es el promedio de llamadas recibidas hasta totalizar 5 procedentes del extranjero? SOLUCIÓN: a) La variable "número de llamadas recibidas hasta obtener la segunda procedente del extranjero" será, según los datos del enunciado, X=BN(2,0.20). Entonces,
⎛10 − 1 ⎞ 2 8 P(X = 10) = ⎜ ⎜ 2 − 1 ⎟ ⋅ 0.2 ⋅ 0.8 = 0.06 ⎟ ⎝ ⎠

b) En este caso la variable es X=BN(5,0.20). Entonces,
E(X) = r 5 = = 25 p 0.20

llamadas

V.71

repeticiones independientes. una variable discreta que toma los valores que a continuación se expresan con las probabilidades que se indican: (1..1.0. si ha ocurrido el suceso Ai la r variable X toma un valor que tiene un 1 en la componente número i y 0 en el resto.Capítulo V: Principales Distribuciones Discretas V. por tanto..0) con probabilidad p2=P(A2) (0.7.. Aunque la variable k-aria tiene k componentes (variables marginales).….. En este apartado y en el siguiente. se efectuaba una partición del Espacio Muestral E en dos sucesos que denominábamos A y A . Es.1.0. si ha ocurrido el suceso A2 tomará el valor (0. La variable k-dimensional discreta. Observaremos. se denomina variable k-aria..….0. Obsérvese que la masa de probabilidad se encuentra concentrada en dos puntos cuyas coordenadas satisfacen a X1+X2=1. por ejemplo.0.7. ahora.1) con probabilidad pk=P(Ak) La variable X = ( X1.0) y.VARIABLE K-ARIA V. La variable aleatoria k-dimensional que indica en cada repetición cuál de los k sucesos ha ocurrido. V. en general. una de cuyas componentes toma el valor 1 y el resto son todo 0 y que sirve para indicar el suceso que ha ocurrido de los k sucesos en que se ha particionado E. las diferentes variables indicaban las veces que ocurría el suceso A.Ak.…. Cada una de las variables marginales de una k-aria es una variable dicotómica de parámetro pi . En la figura V. por tanto.….1. Así.1.0.72 . la característica o rango de la matriz de varianzas covarianzas es r=k-1. etc).0) con probabilidad p1=P(A1) (0.0.….0. A2. como se cumple que: r M ∑ Xi i =1 k =1 la masa de probabilidad se encuentra en un hiperplano de dimensión k-1 y. Bajo distintos supuestos (extracciones sin reemplazamiento.0) con probabilidad p3=P(A3) (0.Definición En las variables estudiadas hasta ahora. el número de veces que ocurre cada uno de estos k sucesos al efectuar n repeticiones del fenómeno aleatorio. consideraremos que se efectúa una partición de E en k sucesos denominados A1. límite cuando n→∞ y p→0.. Xk )' indica el suceso que ha ocurrido.…. se llama variable k-aria.3 se ha representado a la variable binaria. X2.

.1) p2 p1 (1. A2.73 ... Evidentemente: ∑ pi = 1 i =1 k Efectuemos n repeticiones independientes del fenómeno aleatorio.. La variable k-dimensional X = ( X1..8...Vector de medias y Matriz de varianzas-covarianzas Esta variable k-dimensional tiene como vector de medias: r μ′ = (p1.Capítulo V: Principales Distribuciones Discretas X2 (0.…. es decir: U Ai = E y i Ai I A j = ∅ i≠ j Sea pi=P(Ai)...3.Variable binaria (k=2) La expresión de la función caracteristica de esta variable es: ϕn (t1. y llamemos Xi al número r de veces que ocurre Ai.VARIABLE MULTINOMIAL V.7.. X2 .8.1.0) X1 Figura V.. pk ) y como matriz de varianzas-covarianzas: ⎡ p1q1 − p1q2 ⎢ p2q2 −p q V=⎢ 2 1 ⎢ L L ⎢ ⎣ − pk q1 − pk q2 L − p1qk ⎤ ⎥ L − p2qk ⎥ L L ⎥ ⎥ L pk qk ⎦ V. t 2 . V.Definición Sea A1.t k . p3 .2.. Xk )′ se denomina variable multinomial. una partición del espacio muestral E.. p2 ...Ak.) = ∑ p j ⋅ e j =1 k it j V.

p2. las variables Yi son independientes entre sí.p1.Vector de medias y Matriz de varianzas-covarianzas El vector de medias de esta variable k-dimensional es: r μ′ = (n ⋅ p1..74 . que tenemos 3 sucesos A1. L . si ocurre cualquiera de los sucesos que se pueden obtener del B mediante las permutaciones con repetición de 6 elementos de los que 3 son de un tipo 2 de otro y 1 de otro.. supongamos que k=3 y que n=6. ⋅ pk k 2 ν1!⋅ν 2!⋅. n ⋅ p2 ..Capítulo V: Principales Distribuciones Discretas Si llamamos Yi a la variable aleatoria k-aria que indica el resultado de la repetición número i.. A1. A la variable multinomial la representaremos mediante X≡MN(n.. es: X = ∑ Yi i =1 n por tratarse de repeticiones independientes.pk) V.2. A3. A2.3.. A1.. Xk = νk ) = n! ν ν p1 1 ⋅ pν 2 ⋅ .8....Ley de probabilidades Con el fin de fijar ideas. X2 = ν 2.8. luego: P(X1 =3... ⋅ νk ! con ∑ νi = n y ∑ pi = 1 . n ⋅ p3 . i =1 i =1 k k V. y hemos realizado 6 repeticiones del fenómeno aleatorio. A2 la probabilidad de este suceso es: 3 P(B) = p1 ⋅ p2 ⋅ p3 2 Ocurrirá 3 veces A1.. n ⋅ pk ) y la matriz de varianzas-covarianzas es: ⎡ np1q1 − np1q2 ⎢ − np2q1 np 2q2 V=⎢ ⎢ L L ⎢ − npk q1 − npk q2 ⎣ L − np1qk ⎤ ⎥ L − np 2qk ⎥ L L ⎥ ⎥ L npk qk ⎦ V. A2 y A3. es decir. 2 veces A2 y 1 vez A3. X3 =1) = 6! 3 p1 ⋅ p2 ⋅ p3 2 3!⋅2!⋅1 ! y en general: P(X1 = ν1. X2 = 2. Supongamos también que se ha obtenido el siguiente suceso: B= A1.. Todos ellos tienen la misma probabilidad.

La primera prensa A1.75 .5 Una línea de estampación de piezas metálicas trabaja con tres prensas diferentes cuya producción se recoge en el mismo contenedor. Calcular la probabilidad de que en la muestra se encuentren 2 piezas fabricadas por la prensa A1.3!. produce el 25% de las piezas y la tercera prensa A3.0525 2!.1! V. 0.4. 0. 0. SOLUCIÓN: La variable “número de piezas de cada prensa en la muestra” es una variable con distribución r X ≡ MN(6.25 3 ⋅ 0. la segunda prensa A2. 3 piezas fabricadas por la prensa A2 y 1 fabricada por A3. produce el 40% del total de piezas.35) La probabilidad pedida será: P(X1 = 2. X 3 = 1) = 6! ⋅ 0.25.40 2 ⋅ 0. el resto.Capítulo V: Principales Distribuciones Discretas Ejemplo V.351 = 0. Cuando el contenedor está lleno se seleccionan de forma aleatoria 6 piezas del mismo. X 2 = 3.

76 .Capítulo V: Principales Distribuciones Discretas Tema 6. Variables aleatorias continuas unidimensionales V.

77 .CAPITULO VI: Principales distribuciones continuas. V.

Mucho tiempo después fue redescubierta por Gauss al estudiar la teoría de los errores en 1809. VI. las características de calidad de numerosos productos industriales. Bajo esta denominación. se engloban. Al ser muchos los fenómenos reales que cumplen las condiciones enunciadas en el párrafo anterior. encontró por primera vez ésta variable en relación con el teorema que lleva su nombre y que estudia la distribución límite de la variable binomial. a una colección de teoremas cuyo objetivo fundamental consiste en determinar las condiciones bajo las cuales una suma de variables aleatorias converge en distribución a una variable Normal.. VI. establece que cuando un efecto es consecuencia de numerosas causas que actúan sumando sus efectos. De forma simplificada y general. aquel efecto sigue prácticamente una distribución Normal.. Los errores de medidas de magnitudes físicas o astronómicas. En 1733. el teorema central del límite.VARIABLE NORMAL TIPIFICADA VI..78 . aunque de forma incompleta. justifica la gran importancia científica y práctica de la variable Normal.1. pues se usa eficazmente en el estudio de numerosos fenómenos reales.2. etc. el Teorema Central del Límite. el importante Teorema Central del Límite. Laplace publicó en 1812 en su obra Theorie analytique des probabilites. el consumo de energía eléctrica de una determinada compañía..1).Capítulo VI: Principales Distribuciones Continuas VI. la más importante de las variables aleatorias continuas. los test de inteligencia o de personalidad. son algunos de los ejemplos en los que la variable Normal ha sido utilizada con gran utilidad. por primera vez. los beneficios o pérdidas de una compañía de seguros.2.2. actualmente.Definición La variable aleatoria continua cuyo campo de existencia es ℜ y cuya función de densidad es: fZ (z) = 1 2 ⋅π e − z2 2 se denomina variable aleatoria Normal Tipificada y se representa por Z≡N(0. las producciones agrícolas por unidad de superficie cultivada.1. De Moivre. en su Miscellanea Analytica. ciertas distribuciones demográficas. sin duda. de tal forma que es poco probable que cualquiera de ellos tenga un efecto individual significativamente más importante que el resto.INTRODUCCION La variable aleatoria Normal (también conocida como variable de Gauss) es.2.Representación gráfica de fZ(z) a) Asíntotas: z → −∞ lim fZ ( z ) = 0 y z → ∞ fZ ( z) = 0 lim VI.

1.. en z = −1 y z = +1 } {f {f Z ( z )′′ > 0 ↔ z > 1 ⇒ cóncava en z > 1 ( z )′′ < 0 ↔ Z } { } z < 1 } ⇒ {convexa en z < 1 } De todo lo anterior se deduce que la forma de la función de densidad de una variable Normal Tipificada es la de la conocida campana de Gauss. c) Derivadas: fZ ( z)′ = −1 2⋅π − z2 2 −z 2⋅π ⋅e − e z2 2 − z2 2 fZ ( z )′′ = ⋅e + −z 2⋅π ⋅ (− z ) = (z 2 −1 2⋅π )⋅e − z2 2 d) Máximos y mínimos: f Z ( z )′ = 0 ↔ z = 0 ⎫ ⎬ ⇒ máximo en z = 0 f Z (0)′′ < 0 ⎭ e) Crecimientos y decrecimientos: {f Z (z)′ > 0 ↔ z < 0} ⇒ {creciente en z < 0} {f Z (z)′ < 0 ↔ z > 0} ⇒ {decreciente en z > 0} f) Puntos de inflexión. b) Simetría: fZ(z)=fZ(-z) El eje de ordenadas es eje de simetría.79 .Función de densidad de la variable Normal Tipificada.1. que se representa en la figura VI. fZ(z) 0 Z Figura VI. concavidad y convexidad: { f Z (z)′′ = 0 ↔ z = −1.Capítulo VI: Principales Distribuciones Continuas El eje de las x es asíntota. VI. de inflex. z = +1 } ⇒ {ptos.

De esta forma escribiremos: P( Z ≤ z) = φ( z ) Mediante zα designaremos el valor de una variable Normal Tipificada que a su derecha tiene.2.6.3.Manejo de tablas En la tabla más usada se representan.5. es decir. Designaremos a la variable mediante la letra Z y a sus valores por z.3.DISTRIBUCION NORMAL GENERAL VI. VI.Capítulo VI: Principales Distribuciones Continuas VI.2. VI.Nomenclatura Para la variable Normal Tipificada reservaremos una notación específica. para distintos valores de z. un área igual a α.80 . es decir el valor de la función de distribución FZ(z). bajo la función de densidad..2. el valor de z que tiene una probabilidad α de ser superado.1). la probabilidad de que una variable Normal Tipificada tome un valor menor o igual a ese z... P(Z ≥ z α ) = α Fácilmente se obtiene que: φ(zα)=1-α fZ(z) φ(z) α z 0 zα Z Figura VI.2.Distribución de una N(0.Media y Varianza μ Z = E( Z ) = 0 y σ 2 = D 2 (Z) = 1 Z VI. Nomenclatura... a la función de distribución la representaremos mediante φ.

E(Z)+b=a·0+b=b μX=E(X)=b D2(X)=a2·D2(Z) σ2 = a2 X y σX = a Por lo tanto. σX).σX) para designar a una variable aleatoria con distribución Normal.Función de densidad Teniendo en cuenta que entre Z y X existe una correspondencia biunívoca se cumple que: fX ( x ) = fZ [z( x )] ⋅ dz dx 2 como: fZ ( z) = 1 2⋅π e− z 2 y dz 1 = dx a entonces: fX ( x ) = 1 2π ⋅e 1 ⎡ x −b ⎤ − ⎢ ⎥ 2⎣ a ⎦ 2 ⋅ 1 a Como: es: y de donde: E(X)=a.81 .1. VI.3.2. VI.. es una variable Normal General.Definición Llamaremos variable aleatoria Normal Unidimensional General a toda transformada lineal de una variable aleatoria Normal Tipificada.1). lo que justifica el que designemos e esta variable mediante X≡N(μX. la función de densidad de la variable Normal General será: 1 σ X ⋅ 2π − (x − μ X )2 2⋅σ 2 X fX ( x ) = e que depende de los parámetros μX y σX. Con el fin de simplificar la escritura. si Z≡N(0..Capítulo VI: Principales Distribuciones Continuas VI. y siempre que no haya lugar a confusión. la variable: X=aZ+b en la que a y b son constantes. designaremos por μ a μX y por σ a σX.3. Por tanto. utilizaremos la nomenclatura X≡N(μX. Si μX=E(X) y σX=D(X).

1 La distancia. entonces 2 Y ≡ N ⎛ a ⋅ μ1 + b ⋅ μ 2 .5. es decir. además de imposible.82 .25 cm. por definición. sería innecesario. entre los centros de dos taladros realizados en una pieza metálica es una variable aleatoria con distribución X≡N(5. En efecto.Manejo de tablas Para tabular la función de distribución de una variable Normal General.25 cm. Para que la pieza pueda ser utilizada.1)..80)+P(X>5.3. la referida distancia debe estar comprendida entre 4.σ1) y X2≡N(μ2.σ2) y hagamos Y=a·X1+b·X2. Sea X1≡N(μ1.80 cm o mayor que 5.0.80 cm y 5.3. a2 ⋅ σ1 + b2 ⋅ σ2 ⎞ ⎜ 2 ⎟ ⎝ ⎠ VI.Adición Cualquier combinación lineal de variables aleatorias Normales independientes es una variable aleatoria Normal. sea X≡N(m..Capítulo VI: Principales Distribuciones Continuas VI. SOLUCIÓN: No cumplirán los requisitos establecidos aquellas piezas en las que la distancia entre centros sea menor que 4. pues a partir de la función de distribución de una Normal Tipificada es posible deducir la de cualquier variable Normal General. lo que. La proporción de piezas defectuosas obtenidas coincidirá con: p= P(X<4. Z= X−μ = N(0. Determinar la proporción de piezas que no cumplen los requisitos de la especificación. sería necesario elaborar una tabla para cada par de valores reales μ y σ. la variable X−μ σ se distribuye según una Normal Tipificada.25) Por ser X continua: VI.3.σ).1) σ La función de distribución de X será: x−μ⎞ ⎛ x−μ⎞ ⎛ ⎛ X−μ x−μ⎞ FX ( x ) = P( X ≤ x ) = P ⎜ ≤ ⎟ ⎟ = φ⎜ ⎟ = P ⎜Z ≤ σ ⎠ σ σ ⎠ ⎝ σ ⎠ ⎝ ⎝ es decir: ⎛ x−μ⎞ FX ( x ) = φ ⎜ ⎟ ⎝ σ ⎠ Ejemplo VI. expresada en cm.

De forma análoga.043 0.TEOREMA CENTRAL DEL LIMITE Bajo esta denominación se engloban una serie de teoremas cuyo objetivo final consiste en determinar las condiciones bajo las cuales una sucesión de variables aleatorias converge en distribución a una variable Normal. sería conveniente conocer cuándo la distribución de una variable aleatoria puede ser sustituida por la de otra sin que se cometan errores importantes en el cálculo de probabilidades.. unas variables tienden en distribución a otras. a su vez. si tipificamos X estamos tipificando la suma de n variables aleatorias todas ellas con la misma distribución e independientes.80)+[1-P(X≤5. bajo determinadas condiciones. podemos considerar que X es suma de λ variables de Poisson de parámetro unidad independientes entre sí.0228 + 1 − 0. VI.25)= P(X≤4... es decir. si X es una variable de Poisson de parámetro λ.4. el 4. El Teorema de De Moivre es un caso particular del teorema de Lindenberg-Levy. y hacemos crecer indefinidamente a este parámetro dándole valores naturales.25 − 5 ⎞ p =φ⎜ ⎟ +1 − φ ⎜ ⎟ = 0. y.80)+P(X>5.80 − 5 ⎞ ⎛ 5. la variable de Poisson tipificada converge en distribución a una variable Normal Tipificada cuando λ tiende a infinito.1. si X≡B(n.Capítulo VI: Principales Distribuciones Continuas p= P(X≤4.5.1 ⎠ ⎝ ⎝ 0.3% de las piezas no cumplen los requisitos de especificación. VI. VI. En efecto. se cumplen las hipótesis del teorema de Lindenberg-Levy.4.…. su suma tipificada es. en consecuencia.9798 = 0. y establece que la variable binomial tipificada converge en distribución a una variable Normal tipificada cuando n tiende a infinito. todas ellas con la misma distribución e independientes.1 ⎠ es decir. Por su generalidad e importancia enunciaremos sin demostrarlo el de Lindenberg-Levy.p) es X=ΣYi en la que Yi≡D(p) e independientes.… es una sucesión de variables aleatorias. una sucesión de variables aleatorias que converge en distribución a una variable Normal Tipificada cuando n tiende a infinito.83 . hemos visto que.APROXIMACIONES DE VARIABLES ALEATORIAS Tanto en este capítulo como en el anterior. por tanto. se cumplen las hipótesis del teorema de Lindenberg-Levy y.Teorema de Lindenberg-Levy Si X1.Xn.X2.25)] Tipificando y mirando en tablas se obtiene que: ⎛ 4. VI. Para fines prácticos. Por tanto.

si n≥50 y p≤0. ⎧N ⎫ ⎨ ≥ 10 ⎬ ⇒ n ⎩ ⎭ { H(N. Si X es una variable Binomial de parámetros n y p se cumplirá: ⎛ X − np a − np ⎞ ⎛ ⎞ ⎟ ≅ P ⎜ Z ≤ a − np ⎟ P( X ≤ a) = P ⎜ ≤ ⎜ npq ⎜ npq ⎟ npq ⎟ ⎝ ⎠ ⎝ ⎠ de donde: P( X ≤ a) ≅ P Z ⋅ npq + np ≤ a = P( Y ≤ a) ( ) en la que Y. por ser una transformada lineal de una Normal Tipificada. p ≤ 0. En concreto. p) ≅ N (np. si np≥18 la aproximación es aceptable. la aproximación es adecuada. En la práctica. { n ≥ 50. permaneciendo constante el producto np=λ. la correspondiente variable Hipergeométrica se puede aproximar por una variable Binomial. si N/n≥10. En concreto. una variable Normal de media np y desviación típica npq . Luego si n es grande. converge en distribución a una variable Normal Tipificada. la aproximación es adecuada. vimos que cuando la fracción de muestreo sin reemplazamiento es pequeña en comparación con el tamaño de la población. la distribución de una variable de Poisson puede ser aproximada por la de una variable Normal. {np ≥ 18} ⇒ { X ≡ B(n. Luego si λ es grande.Capítulo VI: Principales Distribuciones Continuas a) En el tema anterior. a su vez. es. n. p) ≅ B(n. p) ≅ PS(λ = np) } d) Utilizando la función característica se puede poner de manifiesto que la variable de Poisson tipificada converge en distribución a una variable Normal Tipificada. la distribución de una variable Binomial puede ser aproximada por la de una variable Normal. no estudiado un este obra. p)} b) Según el teorema de Moivre. la variable Binomial tipificada. y para fines prácticos. En concreto. a su vez.1. por ser una transformada lineal de una Normal Tipificada. si λ≥18 la aproximación es aceptable. En consecuencia si X≡PS(λ) es: ⎡X − λ a − λ⎤ ⎡ a −λ⎤ P( X ≤ a) = P ⎢ ≤ ⎥ ≅ P ⎢Z ≤ ⎥ λ ⎦ λ ⎦ ⎣ λ ⎣ de donde: P( X ≤ a) = P Z λ + λ ≤ a = P( Y ≤ a) ( ) en la que Y.1 } ⇒ { X ≡ B(n.84 . es. una variable Normal de media λ y desviación típica λ . se definió a la variable de Poisson como la variable límite de una Binomial cuando n tiende a infinito y p a cero. VI. npq )} c) En el capítulo anterior.

3a.1 Ps(np) Ps(λ) n·p≥15 n·p≥15 N(np.3 se ha representado la función de probabilidad de una variable binomial con p=0.0.1) PX(x) 0.2.1) VI.Aproximaciones entre distribuciones Para ilustrar estos conceptos.0. λ ) λ≥15 B(n. se resumen las aproximaciones expuestas en este apartado.08 0. H(N.2.p) N/n≥10 n≥50 p≤0.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura VI. Representación de una B(10.2 0.p) Figura VI.2 0.4 0. Representación de una B(50. λ )} En la figura VI..3b. en la figura VI.1 y valores de n crecientes.n. PX(x) 0.12 0.3 0.85 .Capítulo VI: Principales Distribuciones Continuas { λ ≥ 18 } ⇒ { X ≡ PS(λ ) ≅ N ( λ.16 0.04 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 X Figura VI. npq ) N(λ.

03 0 0 1 2 3 4 5 6 7 8 9 10111213141516 171819 20 2122232425 X Figura VI.86 .Capítulo VI: Principales Distribuciones Continuas PX(x) 0. b] con densidad de probabilidad constante en todos sus puntos.6. se denomina distribución uniforme y se representa como X≡U[a.15 0.06 0.4.OTRAS VARIABLES CONTINUAS VI.3c.b] VI.b]...4.1. Dado que su función de densidad es constante.12 0. fX(x) FX(x) 1 1/(b-a) a b X a b X Figura VI. puede calcularse a partir de: ∫ de donde: X fX ( x ) ⋅ dx = ∫ c ⋅ dx = 1 b a ⎧ 1 ⎪ fX ( x ) = ⎨ b − a ⎪ ⎩0 para a ≤ x ≤ b en el resto La función de distribución la obtenemos por integración de la función de densidad: ⎧0 ⎪ ⎪x − a FX ( x ) = ⎨ ⎪b − a ⎪1 ⎩ x<a a≤x≤b x>b La representación grafica de su función de densidad y su función de distribución se muestran en la figura VI. Representación de una B(100.Distribución Uniforme La distribución que tiene una variable continua que toma valores en el intervalo [a.1) VI.6.09 0..0.Función de densidad y de distribución de una variable U[a. fX(x)=c.

b) El tiempo medio de espera. calcular: a) La probabilidad de que tenga que esperar 3 minutos como máximo. La función de distribución es: FX ( x ) = 0 FX ( x ) = para x<0 x 0 ∫ λ ⋅ e − λ ⋅ x ⋅ dx = 1 − e − λ ⋅ x para x≥0 VI.Capítulo VI: Principales Distribuciones Continuas La media y la varianza de esta distribución son: E( X) = a+b 2 D2 ( X) = (b − a)2 12 Ejemplo VI.2.30 10 − 0 b) El tiempo medio de espera será: E(X) = 0 + 10 = 5 min. 2 VI.87 .Distribución Exponencial Se denomina distribución exponencial a la distribución de una variable continua cuya función de densidad es: ⎧λ ⋅ e−λ⋅x fX ( x ) = ⎨ ⎩0 para x ≥ 0 para x < 0 Dicha variable se representa como X≡EXP(λ). SOLUCIÓN: El tiempo de espera del viajero puede modelizarse como una variable con distribución uniforme entre 0 (cuando el viajero llega justo antes de la salida) y 10 minutos (cuando llega justo después de la salida del último autobús).2 De una estación de autobuses sale un vehículo cada 10 minutos. Si un viajero llega al punto de salida en un momento al azar. es decir. a) La probabilidad de que tenga que esperar como máximo 3 minutos es P(X ≤ 3) = FX (3) = 3 −0 = 0.6.. X=U[0.10].

En este caso. Es decir.5 se muestran la función de densidad y la función de distribución de esta variable.Función de densidad y de distribución de una variable EXP(λ) La variable exponencial modeliza adecuadamente la duración aleatoria de componentes eléctricos. la expresión de dicha probabilidad será: P( X > t ) = 1 − FX ( t ) = e − λ ⋅t con t≥0 Una característica importante de esta distribución es que “carece de memoria”. La media y varianza de esta distribución son respectivamente: E( X) = 1 λ D2 ( X) = 1 λ2 El tiempo medio hasta que se produce el fallo de un componente o un sistema complejo recibe el nombre de MTTF (Mean Time To Failure) y vale 1/λ. donde λ es la tasa de fallos. Si establecemos que la fiabilidad de una componente para una misión de duración x=t unidades de tiempo es la probabilidad de que la duración de dicha componente supere el tiempo t.5. si el sistema es reparable. esta variable modeliza el tiempo entre dos fallos en un sistema de múltiples componentes en el periodo de vida útil. fX(x) FX(x) 1 λ X X Figura VI. depende solo de la diferencia de tiempos s y no del instante inicial t considerado.. el parámetro λ recibe el nombre de tasa de fallos del sistema y mide el número de fallos por unidad de tiempo.Capítulo VI: Principales Distribuciones Continuas En la figura VI. En efecto: P (X > t + s X > t ) = P (X > t + s ∩ X > t ) P (X > t + s) e − λ ⋅( t + s ) = = = e − λ ⋅s P( X > t ) P( X > t ) e− λ⋅t Luego P (X > t + s X > t ) = P( X > s) VI. Del mismo modo. la probabilidad de que la duración de una componente supere un tiempo t+s sabiendo que la componente ya ha sido operativa durante el tiempo t. electrónicos o mecánicos en su periodo de vida útil.88 . la media recibe el nombre de tiempo medio de buen funcionamiento MTBF (Mean Time Between Failures) con el referido valor 1/λ.

a) Calcular la probabilidad de que una lámpara nueva elegida al azar tenga una duración superior a 500 horas.1. analizaremos. a la variable: se le denomina χ2 (chi-cuadrado) con n grados de libertad y se le representa 2 mediante χ n . como la Chi-cuadrado de Pearson (χ2). SOLUCIÓN: a) La duración de las lámparas tiene una distribución X=EXP(1/1000). b) Se elige al azar una lámpara que lleva 100 horas de funcionamiento. Precisamente. a la variable Gamma.DISTRIBUCIONES DERIVADAS DE LA NORMAL La variable Normal es la variable aleatoria continua más importante.1.607 VI...7.3 La duración de ciertas lámparas de incandescencia puede considerarse como una variable exponencial de media 1000 horas de funcionamiento. De ella derivan otras variables aleatorias..Variable Chi-Cuadrado de Pearson VI.. Z2.89 . Calcular la probabilidad de que funcione mas de 600 horas en total.1. Zn son variables aleatorias Normales Tipificadas Independientes. en este capítulo se estudian dichas Variables Derivadas de la Normal.7.Definición Si Z1.7. VI.2. .7.a) 2 2 χ 2 = Z12 + Z2 + L + Zn n Para el estudio de la variable χ2.Capítulo VI: Principales Distribuciones Continuas Ejemplo VI.. VI. la F de Snedecor y la t de Student. VI. G(λ. que se utilizarán en el muestreo en poblaciones Normales y que serán de uso frecuente y de gran importancia en la Inferencia Estadística.. La probabilidad de que su duración supere 500 horas es: P(X > 500) = e − 1 ⋅500 1000 = 0. en los puntos que ahora nos son necesarios.Algunos aspectos de la G(λ. a).1.607 b) Recordando la propiedad expuesta anteriormente: P(X > 600/X > 100) = P(X > 600 − 100) = P(X > 500) = 0..

Función de densidad de una χ1 Sea Z≡N(0.7. entonces: ⎡ i⋅t⎤ ϕ X1 + X 2 ( t ) = ϕ X1 ( t ) ⋅ ϕ X 2 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ −( a 1+ a 2 ) de donde: { Si X1 ≡ G(λ . a) } ↔ ⎪∀ x ≥ 0. respectivamente: ⎡ i⋅ t⎤ ϕ X1 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ − a1 −a2 ⎡ i⋅t⎤ y ϕ X 2 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ son independientes.90 .1. que es: Γ(a) = ∫ ∞ e − x ⋅ x a −1 ⋅ dx ∀ a>0 0 y recordando que: Γ(½) = π podemos definir a la variable aleatoria Gamma de la siguiente forma: { X ≡ G(λ. la función de distribución de X será: FX ( x ) = P( X ≤ x ) = P( Z ≤ x ) = P − x ≤ Z ≤ x = 2 [ ] ∫ + x − x 1 2π ⋅e − z2 2 ⋅ dz VI.} → { X1 + X2 ≡ G(λ. a1) y X2 ≡ G(λ . a2 ) son indepen.a2) cuyas funciones características son.1) y X=Z2. fX ( x ) = e ⎨ ⎪ ⎩ ⎧ −λ x ⋅ (λ ⋅x )a − 1⋅ λ ⎫ ⎪ ⎬ Γ(a) ⎪ ⎭ Función característica La función característica de una G(λ.a1) y X2 ≡G(λ.3.Capítulo VI: Principales Distribuciones Continuas Definición Si por Γ(a) designamos a la Gamma de Euler. a1 + a2 ) } 2 VI..a) es: ⎡ i⋅t⎤ ϕ X( t ) = ⎢1 − ⎥ λ⎦ ⎣ −a Adición Si las variables aleatorias: X1 ≡G(λ.

por otra parte. n ) 2 n n i =1 i =1 por tanto. su función característica será: i⋅t ⎤ ⎡ ϕχ 2 ( t ) = ⎢1 − n 1/ 2 ⎥ ⎣ ⎦ − n 2 VI. es decir: 2 1 1 χ1 ≡ G ( 2 . su función de densidad será: − x 2 fχ 2 ( x ) = n e − λ ⋅ x ⋅ (λ ⋅x )a −1⋅ λ = Γ(a) e ⎡x ⎤2 1 ⋅⎢ ⎥ ⋅ 2 ⎣2⎦ Γ (n ) 2 n −1 es decir: fχ 2 ( x ) = n e − x 2 n ⋅ x2 −1 2 2 ⋅ Γ (n ) 2 n VI. Teniendo en cuenta que una χ 1 es una Gamma y que la suma de Gammas independientes es otra Gamma.1. es la función de densidad de una variable aleatoria Gamma de parámetros λ=1/2 y a=1/2.1.91 . 2 ) = G ( 2 .4.5. una χ n es la suma de n χ 1 independientes.7.Capítulo VI: Principales Distribuciones Continuas Teniendo en cuenta la simetría de la distribución Normal. 2 ) 2 VI.Función característica 2 Por ser χ n una Gamma de parámetros λ=½ y a=n/2... será: 2 2 1 1 1 χn = ∑ (χ1 )i = ∑ Gi ( 2 . tendremos que: FX ( x ) = 2 ⋅ ∫ x 0 1 2π ⋅e −z2 2 ⋅ dz La función de densidad de X será: fX ( x ) = − dFX ( x ) 1 1 = 2⋅ ⋅e 2⋅ dx 2π 2⋅ x x que puede ser escrita: fX ( x ) = e − 1 x 2 ⋅x − 1 2 1 2 2 ⋅ Γ (2 ) que.Distribución de una χn 2 2 2 Por definición.7.

Manejo de tablas 2 La tabla de la χ2 más usada.7.2 ⋅ i ⋅ t ) 2 ⋅ i ⋅ ( −2 ⋅ i) n ⎝2 ⎠ de donde haciendo t = 0..Media Y Varianza 2 Mediante las derivadas primera y segunda de la función característica de una χn . en 2 función de los parámetros n y α. dϕ χ 2 ( t ) n dt =− n n n − −1 − −1 ⋅ (1 − 2 ⋅ i ⋅ t ) 2 ⋅ ( −2 ⋅i) = n ⋅ i ⋅ (1 − 2 ⋅ i ⋅ t ) 2 2 de donde.Capítulo VI: Principales Distribuciones Continuas de donde: ϕχ 2 ( t ) = [1 − 2 ⋅ i ⋅t ] n − n 2 VI.7. D 2 2 ⋅ χn − 2 ⋅ n − 1 ⎯⎯→ Z ≡ N(0. Para grados de libertad superiores a los máximos de la tabla (n>30). se puede utilizar una 2 aproximación basada en el hecho de que la transformada de una χn definida por: 2 2 ⋅ χn − 2 ⋅ n − 1 converge en distribución a una variable N(0. tienen una probabilidad α de ser superados.92 . resulta: 2 E( χn ) = n derivando nuevamente respecto a t: n ⎛n ⎞ − −2 ϕχ 2 ( t )′′ = ⎜ + 1⎟ ⋅ n ⋅ (1 .1. podemos calcular sus momentos respecto al origen y.1. Es una tabla de doble entrada que. a partir de éstos la media y la varianza. haciendo t=0 y dividiendo por i. nos proporciona χn ( α ) . contiene los valores χn ( α ) de la variable que teniendo n grados de libertad.1) (Ver anexo I).6.. es decir.7.1) de donde: VI. resulta: 2 D2 ( χn ) = 2 ⋅ n VI. se obtiene: α2=(n+2)·n=n2+2·n 2 Como σ2 = α 2 − α1 .

2.7.Definición La variable F de Snedecor se define como el cociente de dos variables χ2 independientes divididas por sus respectivos grados de libertad.Capítulo VI: Principales Distribuciones Continuas 2 2 P(χn ≤ a) = P ⎛ 2 ⋅ χn ≤ 2 ⋅ a ⎞ ⎜ ⎟ ⎝ ⎠ por tanto 2 2 P(χn ≤ a) = P ⎛ 2 ⋅ χn − 2 ⋅ n − 1 ≤ 2 ⋅ a − 2 ⋅ n − 1 ⎞ ⎜ ⎟ ⎝ ⎠ es decir: 2 P(χn ≤ a) ≈ P Z≤ 2 ⋅ a − 2 ⋅ n − 1 ( ) o lo que es lo mismo: 2 P(χn ≤ a) ≈ φ ( 2⋅a − 2⋅n −1 ) 2 Por ejemplo.01. de las tablas de la χn2.Distribucion F de Snedecor VI. n 2 ≥ Fn1.2627 ) = 0.01 de ser superados. se deduce que la P( χ30 ≤20. los valores de Fn1.599)≅ φ ( 2 ⋅ 20..n 2 = 2 χ n1 /n1 2 χ n2 /n2 VI.1038 ) VI. se recogen para n1 grados de libertad del numerador y para n2 grados de libertad del denominador.7..Manejo de tablas En la tabla de más frecuente uso. por ejemplo F4..10.93 .7.01 para α=0. lo que será representado mediante: (α P Fn1..05 o de 0.99 . n2 que tienen una probabilidad de 0.05 y α =0.Función de densidad La función de densidad de esta variable es: fF ( x ) = n12 ⋅ n22 ⋅ x 2 . obtenemos: 2 P( χ30 ≤ 20.2. [ ] VI.) n 2 = α 0. n1 n2 n1 −1 β ( n1 n 2 2 2 )⋅ ( n 2 + n1 ⋅ x ) n 1+ n 2 2 VI. Así.1. es decir: Fn 1 .599)=0.2.2.7.10 = 5. Utilizando la aproximación.3.2.599 − 59 = φ( −1.

.2. n 2 ≤ a = P ⎜ Fn 2 .1669) = P ⎜ F4.4 ≤ 0.1669 ⎠ ⎝ VI.7. VI.Definición La variable t de Student se define como el cociente entre una Normal Tipificada Z 2 y la raíz cuadrada de una χ n dividida por sus grados de libertad.7. Si elevamos al cuadrado una tn. n1 ≥ ⎟ a⎠ ⎝ ( ) Por ejemplo.01 0. 1 ⎞ ⎛ P(F10..Capítulo VI: Principales Distribuciones Continuas Puesto que el inverso de una F es otra F.Variable t de Student VI.4. es posible deducir determinadas probabilidades que no están en la tabla a partir de otros valores que si lo están. tiene forma de campana y es simétrica respecto al origen.10 ≥ 5.Función de densidad La función de densidad de una tn tiene una representación gráfica muy similar a una Normal Tipificada. resulta: 2 tn = 2 Z2 / 1 χ1 / 1 = 2 = F1. n 2 ≤ a = P ⎜ 2 1 ⎜ χ n / n2 ⎟ ⎜ χn / n1 a ⎟ a⎠ ⎝ ⎝ 2 ⎠ ⎝ 1 ⎠ ( ) es decir: 1⎞ ⎛ P Fn1.3. es decir: tn = z 2 χ n /n donde n son los grados de libertad de la tn. n 2 χn / n χn / n 2 Si llamamos X a la variable t n se cumplirá que: 2 FX ( x ) = P(X ≤ x ) = P(tn ≤ x ) = P(.3.94 .7..10 ≥ ⎟ = P(F4.99) = 0.1.x ≤ t n ≤ x ) es decir: FX ( x ) = ∫ + x − x ft ( t) ⋅ d t = 2 ⋅ ∫ 0 ft ( t) ⋅ dt x derivando respecto de y obtendremos la función de densidad: VI. En efecto: 2 2 ⎛ χn / n1 ⎞ ⎛ χ n / n2 1 ⎞ 1⎞ ⎛ ≤ a ⎟ = P ⎜ 22 ≤ ⎟ = P ⎜ Fn 2 . n 1 ≥ ⎟ P Fn1.

que solo existe para n>2. n )⋅ n + t2 2 ( ) n +1 2 que suele escribirse también de la siguiente forma: ⎛ t2 ⎞ ft n ( t) = ⎜1+ ⎟ ⎜ n⎟ ⎠ ⎝ − n +1 2 ⋅ Γ (n ) ⋅ π ⋅ n 2 + Γ (n2 1 ) VI.Media y Varianza Se puede demostrar que: E(t n ) = 0 D2 ( t n ) = n n−2 La varianza de tn.Manejo de tablas VI. obtendremos la función de densidad de una tn.7. n ) ⋅(n + y ) 2 2 n +1 cambiando y por t2 y multiplicando por t obtenemos: ft n ( t ) = nn / 2 ⋅ t -1 1 β (2 .3. si en la función de densidad de una F1.7.n cambiamos y por t2 y el resultado lo multiplicamos por t. n2 2 2 −1 n 1 +n 2 2 n1 2 )⋅ (n + n ⋅ y ) 1 Si Y es una F1..95 . La variable tn presenta.n2 su función de densidad es: fY ( y ) = nn / 2 ⋅ y −1 / 2 1 β ( 2 .3. n )⋅ n + t2 2 ( ) n +1 2 t es decir: ft n ( t ) = nn / 2 1 β (2 . una distribución más “abierta” (dispersa) que la Normal Tipificada. por tanto.Capítulo VI: Principales Distribuciones Continuas fX ( x ) = dFX ( x ) = 2 ⋅ ft dx ( x )⋅ 2 ⋅ 1 x 1 t como t2 = x fX ( t 2 ) = ft ( t) ⋅ luego: ft ( t) = t ⋅ fX ( t 2 ) Por tanto.4. VI.n2 su función de densidad es: n1 n2 n1 fY ( y ) = β ( n12 n22 y 2 ..3. es mayor que la unidad. Si Y es una Fn1.

n ≤ a) = P(.n ≥ F1. el valor de tn tal que: P t n ≤ t (nα/2) = P(-t(nα/2) ≤ t n ≤ t (nα / 2 ) ) = 1 − α ( ) Algunos valores se pueden determinar usando la tabla de la Fn1 n2 .Capítulo VI: Principales Distribuciones Continuas Designamos por t(nα ) al valor de una tn tal que: P(tn ≥ t (nα ) ) = α Las tablas de la t de Student más usadas son aquellas en las que dados los grados de libertad n y la probabilidad α.α ) ) = P( t n ≥ F1.96 . determinan el valor de t(nα / 2 ) .pues: P(F1.α ) n VI. es decir.α ) ) = α n n por tanto: ( t (nα/2) = F1.a ≤ t n ≤ a ) entonces: ( ( P(F1.

Capítulo VI: Principales Distribuciones Continuas Tema 7.97 . Variables aleatorias bidimensionales VI.

Capítulo IV: Variables Aleatorias

CAPITULO VII: Variables Aleatorias Bidimensionales

IV.98

MÉTODOS ESTADÍSTICOS I

VII.1.- DEFINICIÓN Llamemos Iab al intervalo de ℜ2 dado por: Iab={(X1, X2) ∈ℜ2; X1≤a; X2≤b} intervalo que se ha representado en la figura VII.1:
X2

b

Iab a
X1

Figura VII.1.- Intervalo Iab de la variable aleatoria bidimensional Dado el espacio de Probabilidades (E, F, P), diremos que la aplicación X:E→ℜ2 es una variable bidimensional si para todo intervalo I x1x 2 su original pertenece a F.

{X : E → ℜ

2

es v.a. bi dim ensional ↔ ∀ (x1, x 2 ) ∈ ℜ2 ; O(Ix1x 2 ) ∈ F

} {

}

De esta forma quedan probabilizados todos los conjuntos de ℜ2. Son ejemplos de variable aleatorias bidimensionales las parejas de valores peso-estatura de un colectivo de personas, diámetro-resistencia a la compresión de unas probetas de hormigón, número de puntos obtenidos en cada una de las caras superiores en el lanzamiento de dos dados equilibrados, etc. VII.2.- FUNCIÓN DE DISTRIBUCIÓN VII.2.1.- Definición Dada una variable aleatoria bidimensional (X1,X2), llamaremos función de distribución a:
FX1 X 2 (x1 , x2 ) = P ( X1 ≤ x1 ∩ X 2 ≤ x2 ) = P

{ (X (e ),X (e) ∈ I ) }
1 2 x1 x 2

VII.2.2.- Propiedades La función de distribución bidimensional tiene, entre otras, las siguientes propiedades: a) ∀ (x1,x2) ∈ ℜ2 es 0 ≤ FX1X 2 ( x1, x 2 ) ≤ 1

VII.99

MÉTODOS ESTADÍSTICOS I

b) c)

x 1 → −∞

lim FX1X 2 (x1, x 2 ) = lim FX1X 2 (x1, x 2 ) = 0
x 2 → −∞

x1 → ∞ x 2 →∞

lim FX1X 2 (x1, x 2 ) = 1

d) El intervalo de la figura VII.2 tiene una probabilidad:
P(a1 < X1 ≤ b1, a1 < X2 ≤ b2 ) = FX1X 2 (b1, b2 ) − FX1X 2 (a1, b2 ) − FX1X 2 (b1, a2 ) + FX1X 2 (a1, a2 )

e) Continuidad:
FX1X 2 ( x1, x 2 ) es continua por la derecha de x1 y de x2 y en puntos de probabilidad no nula

es discontinua por la izquierda de x1 o de x2.
X2 b2

a2 a1 b1 X1

Figura VII.2.- Intervalo de (X1,X2) VII.3.- VARIABLES CONTINUAS ALEATORIAS BIDIMENSIONALES DISCRETAS Y

En todo lo que sigue, y con el fin de simplificar la escritura, designaremos a la variable aleatoria bidimensional mediante (X,Y). Como en el caso de las variables aleatorias unidimensionales, también en las variables aleatorias bidimensionales existen dos tipos de variables particularmente interesantes: las variables aleatorias discretas y las variables aleatorias continuas En las variables aleatorias discretas, la masa de probabilidad se encuentra distribuida en un conjunto de puntos finito o numerable. La función de distribución se puede calcular sin más que sumar las probabilidades de los puntos incluidos en el correspondiente intervalo:
FXY ( x, y ) =
( a,b )∈I xy

∑ P[(a, b)]

en la que (a,b) representa a los puntos de Ixy con probabilidad no nula. Las variables continuas, se caracterizan por tener su masa de probabilidad distribuida según una función de densidad fXY(x,y), de tal forma que:
FXY ( x, y ) =

∫ ∫
x −∞

y −∞

fXY ( x, y ) ⋅ dx ⋅ dy

VII.100

y ) ∈ A ] = lim Δx → 0 δxδy Δy →0 Δx ⋅ Δy Y b2 Δx Δy A a2 a1 b1 X Figura VII. El peso y la estatura por separado son. es fácil llegar a la siguiente expresión: fXY ( x.Intervalo de la variable bidimensional (X. y ) ⋅ dx ⋅ dy VII. es decir. se pueden calcular la función de distribución y de densidad de las variables marginales de la siguiente forma: VII.Y) Por tanto. se les llama variables marginales de la bidimensional..DISTRIBUCIONES MARGINALES Supongamos que la variable bidimensional (X. y ) = δ2FXY ( x.6 para variables unidimensionales y utilizando la figura VII.101 .. Siguiendo un razonamiento análogo al utilizado en el punto VII. y ) = δ2F P[(x. La probabilidad del intervalo A de la figura VII.Y) hace corresponder a cada individuo de una población su peso (X) y su estatura (Y). la densidad de probabilidad en un punto. de la función de densidad conjunta.1.3 es: P(a1 ≤ X ≤ b1.MÉTODOS ESTADÍSTICOS I o lo que es equivalente: fXY ( x. en el caso de variables continuas. es decir. tienen su propia función de distribución y sus respectivas funciones de densidad.3. variables aleatorias y. A partir de la función de distribución conjunta y. A estas variables. fXY(x.3. Una variable bidimensional está constituida por dos variables unidimensionales llamadas marginales.y) es el límite de la masa de probabilidad por unidad de superficie cuando ésta superficie tiende a cero. a su vez. representa la masa de probabilidad en un punto por unidad de superficie.y) es una función de densidad. a2 ≤ Y ≤ b2 ) = ∫ ∫ b1 a1 b2 a2 fXY ( x. como tales.4. por separado. y ) δx δy Es fácil ver que fXY(x.

4.102 . y) x −∞ dx ∫ y −∞ f X ( x.MÉTODOS ESTADÍSTICOS I a) El valor de FX(x) es la probabilidad de que la variable X tome un valor inferior o igual a x.Distribución marginal de X Por tanto: FX ( x ) = P( X ≤ x ) = P( X ≤ x.4. se cumple que: FX ( x ) = ∫ x −∞ du ⋅ ∫ +∞ −∞ f (u. y ) ⋅ dy ∫ fX (x) +∞ −∞ f X ( x. v ) ⋅ dv c) Derivando respecto a x ésta última ecuación: fX ( x ) = d FX ( x ) = dx ∫ +∞ −∞ f ( x. y ) ∫ FX (x) x −∞ dx ∫ +∞ −∞ f X ( x. v ) ⋅ dv = ∫ +∞ −∞ f ( x. y ) ⋅ dy En la figura VII. ∫ FXY (x. Y x X Figura VII. y ) ⋅ dy δ FXY ( x. y ) ⋅ dy ∫ x −∞ f X ( x ) ⋅ dx dFX ( x ) dx VII. y ) δx ⋅ δy 2 fXY (x.5 se recogen las relaciones existentes entre las funciones de distribución y las funciones de densidad unidimensionales y bidimensionales. es decir FX(x) es la probabilidad de que la variable bidimensional tome un valor del intervalo rayado de la figura VII. y) y →∞ lim FXY ( x. y ) y →∞ b) Por las mismas razones que las expuestas en el punto a).. sea cuál sea el valor de Y. Y < ∞ ) = lim FXY ( x.

Si.5. Una distribución marginal se obtiene al considerar la distribución de una de las dos variables de una variable bidimensional. Se representa por FY/X(y/x).6. sea cual sea el peso. la ecuación general se escribirá: FY / X ∫ ( y / x ) = lim h →0 x −∞ dy ∫ x +h ∫ x x +h fXY ( x. Definición A la distribución de la variable Y para el valor de X=x.MÉTODOS ESTADÍSTICOS I Figura VII. consideramos la distribución de la variable estatura para los individuos de un peso determinado obtendremos la distribución condicional de la estatura para ese peso.2.5.5..5.103 .DISTRIBUCIONES CONDICIONALES. VII.. Y x x+h X Figura VII. Si consideramos la distribución de estatura ignorando a la variable peso. es decir.Función de distribución condicional De acuerdo con la definición anterior. ignorando la otra. y ) ⋅ dx x fX ( x ) ⋅ dx Por el teorema del valor medio: VII. VII. se le llama distribución condicional de Y dado X.1. la función de distribución condicional se escribirá: FY / X (y / x ) = lim P(Y ≤ y / x ≤ X ≤ x + h) = lim h→0 h→0 P(Y ≤ y ∩ x ≤ X ≤ x + h) P(x ≤ X ≤ x + h) Ecuación general que se puede particularizar según la naturaleza de las variables condicionada y condicionante...Relación entre funciones de densidad y de distribución VII. Demostramos la expresión de la función de distribución para el caso en que ambas variables sean continuas y presentamos las expresiones de dicha función en los demás casos. obtendremos la distribución marginal de la estatura.Distribución condicional de Y/X a) Ambas continuas: En este caso. por el contrario.

y ) ⋅ h x +h x ∫ f X(ξ’) fX ( x ) ⋅ dx = fX (ξ′) ⋅ h en las que ξ y ξ′ son valores del intervalo [x. y ) ⋅ dy fX ( x ) b) Ambas discretas: Para los puntos en los que PX(x)≠0. así: a) Ambas variables continuas: Derivando respecto de y a la función de distribución se obtiene: VII. la ecuación general ahora se escribirá: FY / X ( y / x ) = P( X = x ∩ Y ≤ y ) = P( X = x ) yi ≤ y ∑ PXY ( x.x+h] como muestra la figura VII. y ) ⋅ dx = fXY (ξ.5.. x ξ’ x+h X Figura VII.7.7.MÉTODOS ESTADÍSTICOS I ∫ y x +h x fXY ( x. discreta o continua.Función de densidad y ley de probabilidades condicionales A partir de la función de distribución.2. tanto ξ como ξ` tienden a x. y ) ⋅ dy h→0 fX (ξ′) Cuando h→0. Luego: FY / X ∫f (y / x) = y −∞ XY ( x. Será: FY / X ( y / x ) = lim ∫f y −∞ XY (ξ.104 . podemos calcular la ley de probabilidades condicional o la función de densidad condicional según sea la variable condicionada. yi ) PX ( x ) = yi ≤ y ∑ PY ( yi ) ⋅ PX / Y ( x / yi ) PX ( x ) VII.

era lógico obtener. obtendremos las fórmulas que se exponen a continuación: a) Ambas variables continuas: fX / Y ( x / y ) = f X ( x ) ⋅ fY / X ( y / x ) +∞ ∫ f ( x) ⋅ f −∞ X Y/X ( y / x ) ⋅dx b) Ambas discretas: PX / Y ( x / y) = PX ( x) ⋅ PY / X ( y / x) ∑ PX (xi ) ⋅ PY / X (y / xi ) xi Ejemplo VII.3. y ) PX ( x ) n será: PY / X ( y / x ) = Como. y )dy ⎥ ⎥ fX ( x ) ⎥ ⎥ ⎦ de donde: fY / X (y / x) = fXY(x.5. pues basta con aplicar la definición de probabilidad condicional. Esta variable es continua.b)). según corresponda. su campo de existencia está entre [0.105 .b) es la beta de Euler: VII. por otra parte.MÉTODOS ESTADÍSTICOS I ⎡ dFY / X ( y / x ) d ⎢ ⎢ fY / X ( y / x ) = = dy dy ⎢ ⎢ ⎣ ∫f y −∞ XY ⎤ ( x.1] en la que β(a. yi ) PX ( x ) PXY ( x. VII. -Teorema de Bayes Teniendo en cuenta las leyes de probabilidades condicionales o las funciones de densidad condicionales. y) fY (y) ⋅ fX / Y (x / y) = fX (x) fX (x) b) Ambas variables discretas: Si tenemos en cuenta que en este caso es: FY / X ( y / x ) = y ii ≤ y ∑ PXY ( x.1] y su función de densidad es: fY ( y ) = y a −1 ⋅ (1 − y )b −1 β ( a. b ) ∀ y ∈ [0 .1: Sea Y una variable beta de parámetros a. b (Y≡ BT(a.

y) ∈ ℜ2. VII.6. b + n − x ) es decir: Y/X ≡ BT(a+x. toma valores naturales entre cero y n y su ley de probabilidad es: ⎛n⎞ PX / Y ( x / y ) = ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⎜x⎟ ⎝ ⎠ Entonces. y ) ∈ ℜ2 .. Esta variable.Y≤y)=P(X≤x)·P(Y≤y) Por tanto: X e Y son independientes ↔ ∀ ( x.Y) diremos que las variables marginales X e Y son independientes.106 . la distribución “a posteriori” de la variable condicionada continúa siendo una Beta en la que sus parámetros dependen ahora del valor x de la variable condicionante X.x] e IY=]-∞.y] son independientes.VARIABLES INDEPENDIENTES Dada la variable bidimensional (X. En consecuencia: fY / X ( y / x ) = fY ( y ) ⋅ PX / Y ( x / y ) ∫ f (y )⋅P 0 Y 1 X /Y ( x / y )⋅ dy Sustituyendo: fY / X ( y / x ) = y a −1 ⋅ (1 − y )b −1 β ( a. es decir: P(X≤x. y ) = FX ( x ) ⋅ FY ( y ) Si (X.y)). si para todo (x. b ) = ∫ 1 0 x a −1 ⋅ (1 − x)b −1 ⋅ dx con a>0 y b>0 Sea X/Y una variable binomial de parámetros n. b ) de donde: fY / X ( y / x ) = y a + x −1 ⋅ (1 − y )b + n + x −1 β ( a + x. es discreta.Y) es continua. los sucesos IX=]-∞. entonces: VII. que será estudiada en un tema posterior.MÉTODOS ESTADÍSTICOS I β (a. b+n-x) Como puede observarse. F( x. la variable Y/X será continua para cada X que toma valores discretos. y (X/Y≡ B(n. b ) ⎛n⎞ ⋅ ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⎜x⎟ ⎝ ⎠ ⎛n⎞ ⋅ ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⋅ dy ⎜x⎟ ⎝ ⎠ ∫ 1 0 y a −1 ⋅ (1 − y )b −1 β ( a.

i ) i Si la variable es continua.0=μ1 α0.v = ∫∫ ℜ u v x1 ⋅ x 2 ⋅ fX1X 2 ( x1. x 2 ) es la función de densidad: αu. a: VII.v = E X1 . y ) = δ2FXY ( x.i ⋅ x 2..0 = ∫ ℜ2 u x1 ⋅ dFX1X 2 (x1.v de la variable bidimensional.5.x2.i) entonces: u v α u.i.1=μ2 Se denomina momento central de orden u.2. x 2 ) por una propiedad de la integral de Stieljes. X2 = x 2. se cumple: αu.i.i ⋅ P(X1 = x1.y) = fX(x)·fY/X(y/x) Si las variables marginales son independientes. X2 = ( ) ∫ ℜ 2 u v x1 ⋅ x 2 ⋅ dFX1X 2 (x1. y ) = fX ( x ) ⋅ fY ( y ) En el apartado VII. y ) ∈ ℜ2 . la masa de la probabilidad se concentra en unos puntos (x1.7. fY / X ( y / x ) = fY ( y ) Conclusiones análogas pueden obtenerse para los demás tipos de variables condicionadas.2.v=αv α1. fXY ( x. acabamos de ver que: fXY(x.MOMENTOS Se denomina momento respecto al origen de orden u. v de la variable bidimensional.a). x 2 ) ⋅ dx1 ⋅ dx 2 como: αu. y ) = f X ( x ) ⋅ fY ( y ) δx ⋅ δy por tanto: X e Y son independie ntes ↔ ∀ ( x.0 = ∫x ℜ u 1 ⋅ dFX1 (x1 ) = αu análogamente: en particular: α0. y fX1X 2 ( x1.107 . es decir. a: u v αu. x 2 ) Si la variable es discreta.MÉTODOS ESTADÍSTICOS I fXY ( x. se cumplirá: es decir: fY/X(y/x) = fY(y) X e Y son independie ntes ↔ ∀ ( x.v = ∑ x1. y ) ∈ ℜ2 . VII.

Definición Los momentos de segundo orden pueden ser escritos así: 2 2 μ 2.v = E (X1 − μ1 ) ⋅ (X2 − μ 2 ) u [ v ] Como en el caso anterior. en una recta o en el plano.v=μv en particular: μ1.9. respectivamente.8.X2) a: 2 ⎡ σ2 σ1. según que la característica o rango de la matriz V sea 0.1 μ 0.MATRIZ DE VARIANZAS COVARIANZAS VII.2.2 = σ 2.1 σ2 ⎥ ⎣ ⎦ VII..0=μ0.Propiedades 2 a) La matriz de varianzas-covarianzas es simétrica pues σ1.108 . 2 σ1 ⋅ σ2 ≥ cov 2 ( X1.0 = σ1 = σ1.2 = σ2 2 μ1.0=μu μ0. X2 ) VII.1. X2 ) 2 que es la conocida desigualdad de Schwarz.1 2 Se define como matriz de varianzas-covarianzas de la variable bidimensional (X1.1 o 2.1 = cov( X1.1=0 Los momentos de segundo orden (u+v=2).0 = σ1 μ 0.2 ⎤ V = ⎢ 21 2 ⎥ ⎢σ2.MÉTODOS ESTADÍSTICOS I μu. se cumple: μu.8. VII. X 2 ) = σ1.COEFICIENTE DE CORRELACIÓN VII.2 = σ2.. son: 2 μ 2..Definición El coeficiente de correlación ρ de una variable aleatoria bidimensional se define mediante: VII.2 2 2 2 μ1..2 = σ2 = σ2..1 = cov( X1.8. c) La masa de probabilidad de una variable aleatoria bidimensional se encuentra concentrada en un punto.1 2 b) La matriz de varianzas-covarianzas es semidefinida positiva.9.1.

109 .9.. es: 2 4 σ1 ⋅ σ2 ≥ σ1. se desprende que el coeficiente de correlación mide el grado de dependencia lineal entre X1 y X2.. En este caso. VII. ⇒ {ρ = 0 } c) Si existe una relación lineal exacta entre las variables aleatorias X1 y X2.1.10.Propiedades a) Por ser V semidefinida positiva.Regresión condicional Uno de los problemas que se plantan en numerosas aplicaciones prácticas es el de predecir los valores de una variable X2 en función de los valores que tome otra variable X1 con la que se distribuye conjuntamente.2 ≤1 σ ⋅ σ2 2 2 1 por lo tanto: −1 ≤ ρ ≤ 1 2 b) Si las variables X1 y X2 son independientes. Por lo tanto.2 σ1 ⋅ σ2 VII. trataremos de encontrar una función h(X1) que permita obtener valores aproximados de X2 de modo que sea mínimo el valor medio anteriormente expresado.REGRESIÓN VII. el rango de la matriz de varianzas-covarianzas vale 1 y por tanto su determinante es nulo y..MÉTODOS ESTADÍSTICOS I ρ= cov( X1. X2 ) 2 σ1 ⋅ σ2 2 = 2 σ1. es σ1. entonces σ12·σ22=cov2(X1. no es cierto.2 2 por lo que: ρ2 = 4 σ1.2 = 0 En consecuencia: { Si X1 y X2 son independientes} el recíproco. El objeto de este apartado será obtener la “mejor” función de predicción de acuerdo con un cierto criterio. el criterio será minimizar el valor medio del cuadrado de los errores de predicción.10. en general. es decir. VII.2.X2) con lo que ρ2=1 y ρ=±1 { Si X2 = α + β ⋅ X1 } ⇒ { ρ = ±1 } De las propiedades anteriores. si la masa de probabilidad se encuentra concentrada en una recta.

x1 ) expresión que puede ser escrita: E (X2 − h( X1 )) = 2 [ ] ∫ ℜ dFX1 ( x1 ) ⋅ ∫ ℜ (x 2 − h( x1))2 ⋅ dFX 2 / X1 ( x 2 / x1 ) que es mínima cuando. h(x1) son constantes. se le denominará recta de regresión lineal minimo cuadrática. Calcularemos h(x1) derivando la última integral respecto a h(x1) e igualando a cero: según una de las propiedades de la integral de Stieljes. VII.10. por tanto.Definición VII.1. Determinaremos por tanto la función h(X1) que minimiza: E (X2 − h( X1 )) [ 2 ] =∫ ℜ2 (x 2 − h( x1))2 ⋅ dFX X 1 2 ( x 2 .2.Regresión lineal mínimo cuadrática VII. se cumplirá que: d dh( x1 ) ∫ ℜ (x 2 − h( x1))2 ⋅ dFX X 1 2 ( x 2 / x1 ) = ∫ ∫ ℜ − 2 ⋅ (x 2 − h( x1 )) ⋅ dFX1X 2 ( x 2 / x1 ) igualando a cero la expresión anterior. El objeto de la regresión condicional consiste en determinar h(X1) de tal forma que el valor medio del “error cuadrático” sea mínimo.. ∫ es decir: ℜ h( x1 ) ⋅ dFX1X 2 ( x 2 / x1 ) = ℜ x 2 ⋅ dFX1X 2 ( x 2 / x1 ) h( x1 ) = E( X2 / x1 ) Por tanto: Llamaremos curva de regresión condicional de X2 sobre X1 al lugar geométrico de los valores medios condicionales de la variable X2 dado el valor de X1.110 .MÉTODOS ESTADÍSTICOS I Si h(X1) no está sujeta a ninguna restricción (salvo que sea uniforme) se le denominará curva de regresión condicional.2. Si h(X1) está sujeta a la restricción de ser una recta.10. lo es: ∫ ℜ (x 2 − h( x1))2 ⋅ dFX 2 / X1 ( x 2 / x1 ) en la que x1 y. para x1 dado..h(X1)]2 representa el “error” al cuadrado que se comete al tratar de predecir el valor de X2 mediante el conocimiento de X1 y utilizando para ello la función h(X1). Si h(X1) es una función uniforme de X1. la variable aleatoria [X2.

111 ..m.10. X2 ) una variable aleatoria bidimensional.c.Cálculo de los parámetros Llamaremos residuo a la variable aleatoria a Debemos minimizar: U = X2 -(α+β·X1) z = E(U2) = E[(X2 -(α+β·X1))2] derivando respecto de α y teniendo en cuenta la propiedad c) de la esperanza matemática: dz d ⎡ d 2 (X2 − α − β ⋅ X1 )2 ⎤ = E (X2 − α − β ⋅ X1 ) = E ⎢ ⎥ dα dα ⎣ dα ⎦ [ ] es decir: dz = E [− 2 ⋅ (X2 − α − β ⋅ X1 )] dα aplicando el operador E e igualando a cero: μ2-α-β·μ1=0 por tanto: α = μ 2 − β ⋅ μ1 Despejando μ2: μ2=α+β·μ1 lo que indica que el punto (μ1.2.2. Se llama recta de regresión mínimo cuadrática de X2/x1 a la recta ˆ x 2 = α + β ⋅ x1 r que minimiza la expresión: ˆ 2 E ⎡ X 2 − X2 ⎤ ⎢ ⎥ ⎣ ⎦ ( ) en la que ˆ X 2 = α + β ⋅ X1 VII. es decir.MÉTODOS ESTADÍSTICOS I Sea X = ( X1. pasa por el punto medio de la distribución de (X1. X2). que la r. Sustituyendo el valor de α en la definición de U: U=X2-(μ2-β·μ1)-β·X1=(X2-μ2)-β·(X1-μ1) y z será: z = E (( X 2 − μ 2 ) − β ⋅ ( X1 + μ1 )) [ 2 ] derivando z respecto de β e igualando a cero se obtiene: VII. μ2) satisface las condiciones de la recta.r.

cuya expresión es ρ= cov( X1.Y) se distribuye con densidad uniforme en el interior del recinto delimitado por las rectas: y=0 x=0 y=1 x+y=2 Calcular: a) La curva de regresión condicional de X/Y y de Y/X b) La recta de regresión mínimo cuadrática de Y/X y de X/Y c) El coeficiente de correlación ρ SOLUCIÓN: VII.3 La variable aleatoria (X.m. Si ponemos β en función del coeficiente de correlación. X2 ) − β ⋅ σ1 = 0 por tanto: β= cov (X1.112 .c. X2 ) σ1 ⋅ σ2 σ2 ⋅ρ σ1 tendremos que β= por lo que si ρ=0 entonces β=0 y la recta de regresión mínimo cuadrática coincide con ˆ X2 = μ 2 Ejemplo VII. es: cov (X1. X2 ) 2 σ1 Sustituyendo α en la ecuación de la recta de regresión se obtiene: ˆ X2 = μ 2 − β ⋅ μ1 + β ⋅ X1 = μ 2 + β ⋅ (X1 − μ1 ) Sustituyendo ahora el β por su valor tendremos que la r.MÉTODOS ESTADÍSTICOS I dz = E − 2 ⋅ ( X1 − μ1 ) ⋅ ( X2 − μ 2 ) − β ⋅ ( X1 − μ1 )2 dβ [ ( )]= 0 tomando la esperanza matemática: 2 cov (X1.r. X 2 ) ˆ X2 − μ 2 = ⋅ (X1 − μ1 ) 2 σ1 Esta recta pasa por el punto (μ1.μ2) y su pendiente es β.

. de X/Y es ˆ X = E [X/Y ] = ∫ 2 −y 0 x ⋅ 2 1 y ⋅ dx = − 2−y 2 ∀ y ∈ [0.1] 0 2/3 ⋅ dy = 2 fY (y) = ∫ X f XY (x.c.1] 2 ⋅ (2 − x) 3 ∀ x ∈[ ] 1.Campo de existencia de (X. Dado que la variable tiene densidad uniforme en el recinto A de la figura VII.c.1] ∀ x ∈ [0. las correspondientes funciones de densidad condicionales. por lo tanto. 2 − y ] .2 ∀ y ∈ [0.r.Y) Las funciones de densidad marginales son: f X (x) = ∫ Y ⎧ ⎪ ⎪ f XY (x.10.1] ∀ x ∈ [1. la función de densidad conjunta será: f XY (x.2 ] . y) ⋅ dy = ⎨ ⎪ ⎪ ⎩ ∫ ∫ 1 0 2− x 2/3 ⋅ dy = 2 3 ∀ x ∈ [0. y) 2/3 1 = = fY (y) 2/3 ⋅ (2 − y) 2 − y ∀ x ∈ [0.r. ∀ y ∈ [0. de Y/X: ˆ Y = E(Y/X) = ∫ y ⋅f Y Y/X (y/x) ⋅ dy Deberemos conocer. 2 − x ] ⎧ 2/3 ⎪ 2/3 = 1 ⎪ fY/X (y/x) = ⎨ 2/3 1 ⎪ = ⎪ 2/3 ⋅ (2 − x) 2 − x ⎩ Sustituyendo en las ecuaciones correspondientes obtenemos que la c.1] . y) ⋅ dx = ∫ 2/3 ⋅ dy = 3 ⋅ (2 − y) 0 2−y Las funciones de densidad condicionales son: f X/Y (x/y) = f XY (x.r.c. de X/Y es: ˆ X = E(X/Y) = ∫ x ⋅f X X/Y (x/y) ⋅ dx y la c. y) = 1 1 2 = = Area A 3/2 3 Y A 1 2 X Figura VII.1] VII. ∀ y ∈ [0.113 .10.MÉTODOS ESTADÍSTICOS I a) La c. ∀ y ∈ [0.

Y) = E(X ⋅ Y) − E(X) ⋅ E(Y) = ∫ ∫ x ⋅ y ⋅ 2/3 ⋅ dx ⋅ dy − 9 ⋅ 9 = − 324 0 0 4 7 13 2 σ X = D 2 (X) = E(X 2 ) − E 2 (X) = ∫ 1 x 2 ⋅ 2/3 ⋅ dx + 0 ∫ 2 1 37 ⎛7 ⎞ x 2 ⋅ 2/3 ⋅ (2 − x) ⋅ dx − ⎜ ⎟ = 9⎠ 162 ⎝ 2 sustituyendo: VII.12..c. Y A 1 2 X Figura VII.11.x) ⋅ dx = 9 1 2 cov(X. Y A 1 2 X Figura VII.Curva de Regresión Condicional X/Y y la c.r.2 como se muestra en la figura VII.1] ∀ x ∈[ ] 1.12..Y ) ˆ Y − μY = ⋅ (X − μ X ) 2 σX donde: μY = E(Y) = μ X = E(X) = ∫ +∞ −∞ y ⋅ fY (y) ⋅ dy = ∫ y ⋅ 2/3 ⋅ (2 − y) ⋅ dy = 9 0 1 4 7 ∫ +∞ −∞ x ⋅ f X (x) ⋅ dx = ∫ 1 x ⋅ 2/3 ⋅ dx + 1 2−y 0 ∫ x ⋅ 2/3 ⋅ (2 .MÉTODOS ESTADÍSTICOS I como muestra la figura VII.114 .Curva de Regresión Condicional Y/X b) La recta de regresión mínimo cuadrática de Y/X tiene como expresión: cov ( X. de Y/X es ⎧ ⎪ ⎪ ˆ Y = E [Y/X ] = ⎨ ⎪ ⎪ ⎩ ∫ y ⋅1 ⋅ dy = 2 2−x ∫ y ⋅ ⋅ dy = 2 0 2−x 1 1 2−x 1 1 ∀ x ∈ [0.11.

. Xn≤xn... x 2 .. VII.... Xn ≤ xn ) cuyas propiedades son una fácil generalización de las expuestas en una y dos dimensiones. Definiremos a la función de distribución.. xn ) ⋅dx1 ⋅dx 2 ⋅ L ⋅ dx n por tanto. x 2 . xn ) = ∫ ∫ x1 −∞ x2 −∞ L ∫ xn −∞ f ( x1. X2≤x2.. xn ) = P( X1 ≤ x1.. Para las variables continuas se define a la función de densidad como aquella función que satisface a la condición: F( x1. Así.x n al intervalo de la forma X1≤x1...x 2 . x 2 .115 . X/Y tiene como expresión: cov ( X... será: f ( x1... P). x 2 .m....x 2 . mediante: F( x1...MÉTODOS ESTADÍSTICOS I 13 ⎛ 7⎞ ˆ 4 Y− =− ⋅⎜ X − ⎟ 9 74 ⎝ 9⎠ La r..Y) 13/324 =− = −0.... son fácilmente generalizables para variables de más de dos dimensiones..Y ) ˆ X −μ X = ⋅ (Y − μY ) 2 σY donde 2 σY = D 2 (Y) = E(Y 2 ) − E 2 (Y) = ∫ 1 0 13 ⎛4 ⎞ x 2 ⋅ 2/3 ⋅ (2 . X2 ≤ x 2 .. si designamos por I x1. xn ) δx1 ⋅ δx 2 ⋅ L ⋅ δxn Las variables marginales y condicionales se definen de forma análoga al caso de dos dimensiones..11. x 2 .x 2 ... . F.. diremos que la aplicación X:E→ℜn es una variable aleatoria n-dimensional si para todo intervalo I x1...y) ⋅ dx − ⎜ ⎟ = 162 ⎝9 ⎠ 2 sustituyendo: 1 ⎛ 4⎞ ˆ 7 X − = − ⋅ ⎜Y − ⎟ 9 2 ⎝ 9⎠ c) El coeficiente de correlación es ρ= cov(X.r.x n su antiimagen O(I x1.296 σ X ⋅ σY 37/162 ⋅13/162 VII... xn ) = δnF( x1....x n ) pertenece a F.VARIABLES ALEATORIAS n-DIMENSIONALES Los conceptos expuestos en los apartados anteriores. y dado un Espacio de Probabilidades (E..c..

116 . r r { X e Y son independie ntes} ↔ { F XY r r r r ( x.MÉTODOS ESTADÍSTICOS I Si el producto de las funciones de distribución marginales coincide en todo punto con la distribución conjunta. las variables son independientes. y ) = FX ( x ).FY ( y )} VII.

MÉTODOS ESTADÍSTICOS I VII.117 .

CAPITULO VII: Variable Aleatoria Normal Bidimensional .

1.119 . por simplicidad consideraremos el caso bidimensional. VII. por separado. en el caso discreto. tienen su propia función de distribución y sus respectivas funciones de densidad. las probabilidades vienen determinadas por una función de densidad conjunta la cual debe verificar las siguientes propiedades: f XY ( x . El peso y la estatura por separado son. Una variable bidimensional está constituida por dos variables unidimensionales llamadas marginales. A estas variables. es decir FX(x) es la probabilidad de que la variable bidimensional tome un valor del intervalo rayado de la figura VII. definiremos su distribución de probabilidad. a su vez. diremos que se dispone de una variable aleatoria multidimensional. y) ≥ 0 ∀i ∞ ∞ −∞−∞ ∫ ∫f XY ( x. Dada una variable aleatoria multidimensional.. como tales. variables aleatorias y. a partir de la función de densidad conjunta. se les llama variables marginales de la bidimensional. sea cuál sea el valor de Y.Capítulo V: Variables Aleatorias Unidimensionales VII. se pueden calcular la función de distribución y de densidad de las variables marginales de la siguiente forma: d) El valor de FX(x) es la probabilidad de que la variable X tome un valor inferior o igual a x. En el caso de una variable aleatoria bidimensional continua.CONCEPTO DE FUNCIÓN DE DENSIDAD Cuando en lugar de observar una característica numérica observamos n características en cada elemento de una población.Y) hace corresponder a cada individuo de una población su peso (X) y su estatura (Y). mediante una función de probabilidad conjunta que proporcione las probabilidades de cada posible valor.1. y)dxdy = 1 Supongamos que la variable bidimensional (X. En el caso de variables continuas.

.1.1.1. se cumple que: FX ( x ) = ∫ x −∞ du ⋅ ∫ +∞ −∞ f (u. v ) ⋅ dv = ∫ +∞ −∞ f ( x.Variable normal bidimensional tipificada Un caso particular de variables aleatorias bidimensionales lo constituye la distribución normal bidimensional tipificada. x 2 ) = e 2π 2 x1 + x2 2 2 pues bien: VII.120 . Sean X1 y X2 variables aleatorias Normales Tipificadas unidimensionales e independientes. y ) ⋅ dy VII.Distribución marginal de X Por tanto: FX ( x ) = P( X ≤ x ) = P( X ≤ x. e) Por las mismas razones que las expuestas en el punto a). La función de densidad conjunta de la variable bidimensional: r ⎡X ⎤ X = ⎢ 1⎥ ⎣X 2 ⎦ es: 1 − f ( x 1.Capítulo V: Variables Aleatorias Unidimensionales Y x X Figura VII.y) la función de distribución conjunta. v ) ⋅ dv f) Derivando respecto a x ésta última ecuación: d FX ( x ) = dx fX ( x ) = ∫ +∞ −∞ f ( x. y ) y →∞ Siendo FXY(x. Y < ∞ ) = lim FXY ( x..

es decir: r r ⎡x .x ⎤ f y ( y 1.121 . x 2 ) = e 2π r r 2 x1 + x2 2 2 La representaremos mediante X ≡ N(0. La variable Normal Bidimensional General es una transformada lineal regular ( A ≠ 0) de una variable aleatoria Normal Bidimensional Tipificada. por tanto. podremos utilizar la fórmula del Jacobiano para el cambio de variable. I).2. Para calcular la función de densidad de Y conocida la de. se denomina variable aleatoria Normal Bidimensional Tipificada y su función de densidad conjunta es: 1 − f ( x 1.Capítulo V: Variables Aleatorias Unidimensionales La variable aleatoria bidimensional cuyas marginales son variables aleatorias Normales Tipificadas independientes. y 2 ) = f x ( x1.. correspondencia biunívoca entre los valores de X y de los de. I)).x ⎤ J⎢ 1 2 ⎥ = A −1 ⎣ y 1. r VII.0)' e I es la matriz unidad.1. x 2 ) • J⎢ 1 2 ⎥ ⎣ y 1. A la variable bidimensional Y = AX + b la denominaremos variable Normal Bidimensional General. b un vector columna 2x1 y X una variable aleatoria Normal Bidimensional Tipificada ( X ≡ N(0. x 2 ) = e 2π 2 x1 + x2 2 2 es: VII. y 2 ⎦ r r r como: 1 − f ( x 1. es X = A −1 ( Y − b) y existe. y 2 ⎦ como X = A −1 ( Y − b) es: ⎡x . en la que 0 = (0.Variable normal bidimensional general r r Sea A una matriz 2x2 regular ( A ≠ 0). r r r r r r r r r r r Si Y = AX + b con.

r r r r r r r m y = E( Y ) = E( AX + b) = AE( X ) + b = b r r rr rr r r Vy = E ( Y − m y )( Y − m y )' = E AXX ' A ' = AE( XX ' )A ' = AA ' r r r r [ ] [ ] por ser A no singular. es: r r r x = A −1 ( y − b) y x' = A −1( y − b)' (A -1 )' 1 r r r r )'• A −1 ( y − b) r r r en consecuencia. 2 ⎥ ⎢ ⎥ ⎣σ 2. x 2 ) = 1 − e 2π x' x 2 en la que x’=(x1. es: − V y 1 = A ' −1 • A − 1 y Vy = A 2 de donde: A = Vy 1/ 2 por tanto: r f y ( y) = 1 2 • π • Yy 1/ 2 e − r 1 r r − r ( y − m y )' Vy 1( y − m y ) 2 como: 2 2 ⎡ σ 11 σ 1.Capítulo V: Variables Aleatorias Unidimensionales f ( x 1.122 . será: r f y ( y) = − ( y − b)'( A 1 e 2 2•π −1 1 A pongamos ahora los valores de A y de b en función del vector de medias de Y(m y ) y de la matriz de varianzas-covarianzas de Y( Vy ).2 ⎦ es: 2 Vy = σ 1 • σ 2 • (1 − ρ 2 ) 2 y es: − Vy 1 1 ⎡ ⎢ 2 σ1 ⎢ = ρ 1 − ρ 2 ⎢− ⎢ σ •σ 1 2 ⎣ 1 − ρ ⎤ σ1 • σ 2 ⎥ ⎥ 1 ⎥ ⎥ 2 σ1 ⎦ VII.2 ⎤ V = ⎢ 2.1 σ 2.x2) y. por tanto.

como: ϕ Y1 ( t) = ϕ Y1Y2 ( t.0]⎢ 2 ⎥ = σ 11 t = σ 1 • t .123 . ⎥ ⎢ ⎥ = [ t. V ) ⇒ Y1 ≡ N(m 1..1 2 2 ⎡ σ 11 t ⎤ σ 1.2 ⎥ ⎣0 ⎦ ⎢σ 2. a su vez. m 2 ]⎢0⎥ = m1t ⎣ ⎦ ⎡t⎤ y 11 [ t.0]⎢σ 2.2. σ 2. en efecto.1 t⎥ 2 ⎦ ⎣ ⎦ entonces: ϕ Y1 ( t) = 1 2 im1t − σ1 • t 2 2 e que es la función característica de una variable Normal de media m1 y varianza.0) y es: [m1.VECTOR DE VALORES MEDIOS VII. ⎡σ 2 ⎢ ⎣ 2. σ 1 ) VII. variables Normales Unidimensionales Generales.2 ⎤ ⎡ t ⎤ 2 2 2 2 . Por tanto: r r Y ≡ N(m.Capítulo V: Variables Aleatorias Unidimensionales y calculando: −1 ( y − m y )' Vy ( y − m y ) se obtiene: f y ( y) = 1 2πσ 1σ 2 1 − ρ 2 e − r 1 r r − r ( y − m y )' Vy 1( y − m y ) 2 en la que: −1 ( y − m y )' Vy ( y − m y ) = ⎡ ( y 1 − m1 ) 2 ( y − m 1 )( y 2 − m 2 ) ( y 2 − m 2 ) 2 ⎤ 2ρ 1 + ⎢ ⎥ 2 σ1 • σ 2 σ1 σ2 1 − ρ2 ⎣ ⎢ ⎥ 2 ⎦ 1 TEOREMA Las variables aleatorias marginales de una variable Normal Bidimensional General son.

respectivamente. VII.2.2 = σ2. X2 ) 2 que es la conocida desigualdad de Schwarz. en una recta o en el plano.3.1 2 e) La matriz de varianzas-covarianzas es semidefinida positiva. por ser X1 y X2 independientes es: cov(X1.1 o 2. por ejemplo.MATRIZ DE VARIANZAS COVARIANZAS VII. es: r r ⎡ X ⎤ ⎡E( X 1 ) ⎤ ⎡ m 1 ⎤ m = E( X ) = E⎢ 1 ⎥ = ⎢ ⎥ = ⎢ ⎥ ⎣ X 2 ⎦ ⎣E( X 2 )⎦ ⎣m 2 ⎦ Si particularizamos dicho vector al caso concreto de una variable aleatoria normal bidimensional tipificada se tiene: r ⎡0 ⎤ m= ⎢ ⎥ ⎣0 ⎦ VII..1 σ2 ⎥ ⎣ ⎦ Si. el vector de valores medios.3. se considera una variable aleatoria normal bidimensional tipificada como D2(X1)=D2(X2)=1 y.X2)=0 la matriz de varianzas-covarianzas viene dada por: ⎡1 0⎤ V =⎢ ⎥ ⎣0 1 ⎦ VII.2 ⎤ V = ⎢ 21 2 ⎥ ⎢σ2. según que la característica o rango de la matriz V sea 0. 2 σ1 ⋅ σ2 ≥ cov 2 ( X1..Capítulo V: Variables Aleatorias Unidimensionales Por definición. f) La masa de probabilidad de una variable aleatoria bidimensional se encuentra concentrada en un punto.Definición Se define como matriz de varianzas-covarianzas de la variable bidimensional (X1.1.124 .Propiedades 2 d) La matriz de varianzas-covarianzas es simétrica pues σ1..X2) a: 2 ⎡ σ2 σ1.3.

Capítulo V: Variables Aleatorias Unidimensionales

VII.4.- COEFICIENTE DE CORRELACIÓN VII.4.1.- Definición

El coeficiente de correlación ρ de una variable aleatoria bidimensional se define mediante:
ρ= cov( X1, X2 )
2 σ1 ⋅ σ2 2

=

2 σ1,2

σ1 ⋅ σ2

VII.4.2.- Propiedades

d) Por ser V semidefinida positiva, es:
2 4 σ1 ⋅ σ2 ≥ σ1,2 2

por lo que:
ρ2 =
4 σ1,2 ≤1 2 σ1 ⋅ σ2 2

por lo tanto:
−1 ≤ ρ ≤ 1
2 e) Si las variables X1 y X2 son independientes, es σ1,2 = 0

En consecuencia:

{ Si X1 y X2 son independientes}
el recíproco, en general, no es cierto. f)

{ρ = 0 }

Si existe una relación lineal exacta entre las variables aleatorias X1 y X2, es decir, si la masa de probabilidad se encuentra concentrada en una recta, el rango de la matriz de varianzas-covarianzas vale 1 y por tanto su determinante es nulo y, entonces σ12·σ22=cov2(X1,X2) con lo que ρ2=1 y ρ=±1

{ Si X2 = α + β ⋅ X1 }

{ ρ = ±1 }

De las propiedades anteriores, se desprende que el coeficiente de correlación mide el grado de dependencia lineal entre X1 y X2.
VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS

Dada la variable bidimensional (X,Y) diremos que las variables marginales X e Y son independientes, si para todo (x,y) ∈ ℜ2, los sucesos IX=]-∞,x] e IY=]-∞,y] son independientes, es decir:

VII.125

Capítulo V: Variables Aleatorias Unidimensionales

P(X≤x,Y≤y)=P(X≤x)·P(Y≤y) Por tanto:
X e Y son independientes ↔ ∀ ( x, y ) ∈ ℜ2 ; F( x, y ) = FX ( x ) ⋅ FY ( y )

Si (X,Y) es continua, entonces:
fXY ( x, y ) = δ2FXY ( x, y ) = f X ( x ) ⋅ fY ( y ) δx ⋅ δy

por tanto:
X e Y son independie ntes ↔ ∀ ( x, y ) ∈ ℜ2 ; fXY ( x, y ) = fX ( x ) ⋅ fY ( y )

TEOREMA Si dos variables aleatorias normales son incorrelacionadas, es decir (ρ =0), entonces son independientes.

Si dos variables aleatorias son independientes, su covarianza es nula y, por tanto, su coeficiente de correlación vale cero. Es decir, si son independientes están incorrelacionadas. En general, el recíproco no es cierto. Para darse cuenta de ello, basta con comprobar que las variables marginales de la variable aleatoria bidimensional uniforme en un círculo de centro en el origen de coordenadas, son incorrelacionadas pero no independientes. Sin embargo, en el caso particular de variables Normales, la incorrelación implica la independencia y, por tanto, incorrelación e independencia son términos equivalentes. En efecto, el exponente de la función de densidad de una variable aleatoria bidimensional Normal General, es:
⎡ ( y 1 − m1 ) 2 ( y − m 1 )( y 2 − m 2 ) ( y 2 − m 2 ) 2 ⎤ − 2ρ 1 + ⎢ ⎥ 2 σ1 • σ 2 σ2 1 − ρ2 ⎢ σ1 ⎥ 2 ⎣ ⎦ 1

( y − m)' V −1 ( y − m) =

por tanto, si ρ = 0, es:
1 f ( y 1, y 2 ) = e 2πσ 1σ 2

1 ⎡ ( y1 − m1 )2 ( y 2 − m 2 ) 2 ⎤ + ⎢ ⎥ 2 2⎢ σ1 σ2 ⎥ 2 ⎣ ⎦

es decir:
VII.126

Capítulo V: Variables Aleatorias Unidimensionales

f ( y 1, y 2 ) = f y 1 ( y 1 ) • f y 2 ( y 2 )

lo que implica que Y1 e Y2 son independientes. Por tanto:
{ Y1 ≡ N(m 1, σ 1 ) Y2 ≡ N(m 2 , σ 2 ) ρ(Y1, Y2 ) = 0} → {Y1 e Y2 indep. }

y

VII.6.- DISTRIBUCIÓN MARGINAL

Las variables aleatorias marginales de una variable Normal Bidimensional General son, a su vez, variables Normales Unidimensionales Generales.

en efecto, como:
ϕ Y1 ( t) = ϕ Y1Y2 ( t,0)

y es:

[m1, m 2 ]⎢0⎥ = m1t
⎣ ⎦

⎡t⎤

y
11 [ t,0]⎢σ 2,

⎡σ 2 ⎢ ⎣

2,1

2 2 ⎡ σ 11 t ⎤ σ 1,2 ⎤ ⎡ t ⎤ 2 2 2 2 , ⎥ ⎢ ⎥ = [ t,0]⎢ 2 ⎥ = σ 11 t = σ 1 • t , σ 2,2 ⎦ ⎣0 ⎦ σ 2,1 t⎦ ⎢ ⎥ 2 ⎥ ⎣

entonces:
ϕ Y1 ( t) =
1 2 im1t − σ1 • t 2 2 e

que es la función característica de una variable Normal de media m1 y varianza. Por tanto:
r r Y ≡ N(m, V ) ⇒ Y1 ≡ N(m 1, σ 1 )

VII.7.- DISTRIBUCIÓN CONDICIONAL

La variable aleatoria Y2 condicionada a un valor de la variable aleatoria Y1 =Y2, se calcula mediante:
VII.127

y 2 ) f y1 ( y 1 ) operando se obtiene: ⎡ ⎡ ⎤⎤ σ2 ⎢ y 2 − ⎢m 2 + 1. VII. es: $ y 2 = E( Y2 y 1 ) = m 2 + cov( Y1. una recta. una variable Normal de media: E( Y2 y 1 ) = m 2 + cov( Y1. Y2 ) 2 σ1 ( y 1 − m1 ) por ser la curva de regresión condicional. es decir. la recta de regresión minimo cuadrática coincidirá con la curva de regresión condicional. la curva de regresión condicional es: $ y 2 = E( Y2 y 1 ) en el caso particular de variables Normales.128 . Y2 ) 2 σ1 ( y 1 − m1 ) 2 D 2 ( Y2 y 1 ) = σ 2 • (1 − ρ 2 ) Como. a su vez. la curva que mejor se adapta a la masa de probabilidad.2 ( y1 − m1 ) ⎥ ⎥ 2 ⎢ ⎢ ⎥⎦ σ1 1 ⎣ ⎦⎥ − ⎣ 2 2 2 σ 2 (1− ρ ) 2 fc ( y 2 y1 ) = 1 2π σ 2 1 − ρ 2 lo que pone de manifiesto que si Y1 e Y2 son variables aleatorias Normales. la e variable aleatoria Y1 / Y2 es.Capítulo V: Variables Aleatorias Unidimensionales fc ( y 2 y1 ) = f ( y 1. en general.

129 . Muestreo VII.Capítulo V: Variables Aleatorias Unidimensionales Tema 8.

CAPITULO VIII: Distribuciones en el Muestreo .

lógicamente es inviable estudiar todos ellos.Capítulo VIII: Distribuciones en el Muestreo VIII. Si aplicamos un ensayo destructivo a la totalidad de las piezas de un lote en su recepción.INTRODUCCIÓN El objeto de todo estudio estadístico es siempre el conocimiento del colectivo o población a la que se refiere el estudio. Cuando las observaciones a realizar ocasionan alteración o incluso la destrucción de los elementos analizados.) puede imposibilitar el estudio de toda la población. o superior al valor de la información obtenida. Razones económicas. Razones de tiempo. La urgencia por disponer de la información requerida (por ejemplo un sondeo preelectoral. • • • Para obviar estos inconvenientes se recurre al estudio de solo una parte del colectivo convenientemente seleccionada a partir del cual. Las razones por las cuales no se extiende el análisis a la totalidad de la población pueden ser de distinta índole: • Razones estratégicas. carecería de interés o aplicabilidad. Dado un conjunto de mediciones de la resistencia a la compresión de unas probetas de hormigón. Dados los resultados de la inspección de un conjunto de componentes eléctricos • • VIII.. Por ejemplo. Por ejemplo: • En función de los resultados obtenidos al medir la capacidad de un conjunto de envases de vidrio y con el fin de poder aplicar las técnicas estadísticas habituales de Control de la Calidad ¿podemos admitir que dicha magnitud es una variable aleatoria con distribución normal?. etc. Estudiar a todos los individuos del colectivo podría suponer un coste demasiado elevado en muchos casos. Son muchas las preguntas que pueden plantearse acerca de la población total y que pueden responderse analizando adecuadamente los resultados observados en la muestra. Razones intrínsecas al estudio. No obstante. Algunos ejemplos o situaciones de la vida real ayudarán a justificar la necesidad y utilidad del muestreo. no siempre es posible o conveniente analizar todas y cada una de las unidades que integran dicho colectivo. en otros. aunque completa. la aceptación de un lote de materiales. fabricadas con tres formulaciones diferentes ¿puede concluirse que las tres formulaciones tienen la misma resistencia media o presentan la misma variabilidad?. no disponer de acceso a todos los individuos del colectivo o no disponer de un listado de los mismos. podremos generalizar al universo o colectivo objeto del estudio. el colectivo objeto de estudio desaparecería y la información obtenida. y mediante el empleo de técnicas estadísticas. las conclusiones obtenidas.1.131 .

Por ejemplo.Capítulo VIII: Distribuciones en el Muestreo • • ¿podemos admitir que el lote muestreado tiene una proporción de componentes defectuosos inferior a un cierto valor límite? Dado un conjunto de valores de dureza . . y la muestra obtenida es una muestra aleatoria. ¿existe interacción entre ellos? Estas y otras muchas preguntas pueden contestarse mediante la aplicación de métodos estadísticos a la información suministrada por las muestras extraídas de una población. X2. .. xn) de un número finito n.132 ..2. y una muestra es un subconjunto de dichos valores tomados aleatoriamente.. y muestra el subconjunto formado por las longitudes (x1... n representa el valor de la característica X en el i-ésimo elemento extraído. Xn también será FX(x). . MUESTREO Y MUESTRA Desde el punto de vista estadístico.1.. la función de distribución de cada variable X1. una población es el conjunto de todos los valores posibles o espacio muestral de una variable aleatoria (generalmente medida en las unidades del colectivo estudiado). X2. 2.. x2. Si las n observaciones muestrales se han realizado en una misma población con función de distribución FX(x).. el muestreo se denomina aleatorio.. Si en cada extracción todos los elementos tienen la misma probabilidad de ser seleccionados para formar parte de la muestra... VIII. población será el conjunto de valores posibles de la longitud de las piezas obtenidas en un determinado proceso de fabricación.Población y muestra VIII. de esas piezas seleccionadas de forma aleatoria. Xn) es una variable n-dimensional en el que cada componente i = 1. En general.peso específico de unas piezas de plástico ¿podemos admitir la existencia de una dependencia lineal entre estas características físicas del material estudiado? En función de unos resultados obtenidos al repetir bajo diferentes condiciones un proceso de síntesis ¿podemos decir que influyen en dicho proceso determinados factores?. el vector aleatorio (X1.. Muestreo Población Muestra Figura VIII.POBLACIÓN. ..

son independientes y por tanto. Xn) de los valores muestrales se le denomina estadístico.. X2 .. una variable aleatoria dado que su valor depende de los valores de la muestra.. la función de distribución conjunta será: r FX ( x1. Si no se produce la reposición. Xn ) formado por n variables unidimensionales que indican los valores de las n observaciones y que serán independientes si en muestro realizado es aleatorio simple.3.) de tamaño n al vector aleatorio o variable n-dimensional: r X = ( X1.x n ) = FX1 ( x1 ) ⋅ FX 2 ( x 2 ) ⋅ L ⋅ FXn ( xn ) Formalmente. denominamos muestra aleatoria simple (m. Tanto en el primer caso como en el segundo si el colectivo es infinito.. Evidentemente todo estadístico será..ESTADÍSTICOS A toda función T = T(X1. Cada valor concreto de la muestra será un conjunto de n datos y se representará por letras minúsculas: r x = ( x1.133 .Capítulo VIII: Distribuciones en el Muestreo Si después de cada extracción y antes de la siguiente se repone el objeto extraído. el muestreo se denomina muestreo aleatorio sin reemplazamiento. La varianza muestral 2 sn = ∑ ( Xi − x )2 i =1 n n • La cuasivarianza VIII.s. x 2 . las variables aleatorias. .a. el muestreo se denomina muestreo aleatorio simple o con reemplazamiento.. X2. K . ~ = X + ⎛ n + 1 − e ⎞ ⋅ (x − x ) x ⎜ ⎟ e +1 e e ⎝ 2 ⎠ con e = INT ⎛ ⎜ • • n + 1⎞ ⎟ ⎝ 2 ⎠ La moda muestral: es el valor que más veces se repite en la muestra. x n ) VIII. que son aleatorios. Los estadísticos más utilizados son: • La media muestral x= X1 + X2 + L + Xn n • La mediana muestral: es el valor de la variable que deja el mismo número de datos por abajo que por arriba y se calcula mediante. x 2 . K . en general.

) se les denomina características muestrales.Capítulo VIII: Distribuciones en el Muestreo 2 sn −1 = ∑ ( Xi − x )2 i =1 n n −1 • La desviación típica muestral y la cuasidesviación típica 2 sn = + sn 2 s n −1 = + s n −1 • El rango o recorrido: R=Xmáx-Xmin • La proporción muestral ˆ p= X n donde X es el número de unidades muestrales en las que se presenta el suceso considerado. varianza muestral.134 . Estas distribuciones dependerán de: • • • • la función T que define el estadístico la distribución FX(x) que tenga la variable X muestreada el tamaño de muestra el tipo de muestreo efectuado Antes de pasar al estudio de estas distribuciones vamos a recoger algunos conceptos que facilitarán su comprensión.4. por oposición a las características poblacionales que son las de la distribución X de la población. Ésta es siempre una distribución discreta unidimensional (si la variable X estudiada es unidimensional) y su espacio muestral está formado por n valores diferentes (o menos si han coincidido dos o más valores de la muestra). Dada una muestra aleatoria simple de tamaño n. etc.DISTRIBUCIONES EN EL MUESTREO Las distribuciones de probabilidad de los estadísticos se denominan distribuciones en el muestreo. VIII. VIII.. A las características de la distribución muestral (media muestral. es posible hacerle corresponder una distribución de probabilidades de los valores obtenidos asignando a cada uno de ellos una probabilidad igual a 1/n: ∗ PX ( xi ) = 1 n La distribución así obtenida se denomina distribución muestral.

si no se conoce FX(x) no se conocerá por completo la distribución de cada una de las características muestrales. VIII.Características poblacionales y muestrales A continuación analizaremos primero la distribución de las principales características muestrales sin considerar la distribución FX(x) de la variable muestreada. En efecto. Así. No obstante. en general. Xn) ∗ PX ( x ) MUESTRA 1/n X Características poblacionales (constantes) X Características muestrales (variables aleatorias) x (media muestral) 2 s n (varianza muestral) 2 s n −1 (cuasivarianza) μ (media) σ (varianza) 2 σ (desviación típica) sn (desv. la media muestral que representamos por x . . X2. dependen de la distribución FX(x) que tenga la variable X muestreada por lo que. y en el punto siguiente completaremos el análisis considerando que la variable muestreada sigue la distribución Normal..Distribución de la media muestral. por lo tanto.. estadísticos (variables aleatorias con una determinada distribución de probabilidades según hemos visto en el punto anterior). y este es precisamente el objeto del presente capítulo.Capítulo VIII: Distribuciones en el Muestreo Estas características muestrales son función de la muestra y. POBLACIÓN f X(x) (X1. tendrá a su vez media E( x ) y varianza D2 ( x ) .4. VIII. las características muestrales son variables aleatorias y. necesitamos conocer cuál es la relación que existe entre una distribución y otra.135 .. típica muestral) sn-1 (cuasidesviación típica) ˆ p (proporción muestral) p (proporción) Figura VIII. por lo tanto tendrán media y varianza. En el apartado anterior poníamos de manifiesto que la distribución que tienen los estadísticos (y las características muestrales lo son). aunque FX(x) sea desconocido pueden conocerse determinados aspectos de la distribución de las características muestrales como son algunos parámetros de su distribución...2. Para realizar adecuadamente el paso de lo "particular" reflejado en la distribución de los valores observados a lo "general" o distribución teórica de la variable.1.

x converge en distribución a la distribución normal de media μX y varianza σX2/n.Capítulo VIII: Distribuciones en el Muestreo La media de la distribución muestral (media muestral) es: ∗ ∑ xi ⋅ PX ( xi ) = n ⋅ ∑ xi = i =1 i =1 n 1 n ∑ xi i =1 n n =x que coincide con la media aritmética de los n valores obtenidos.4. todas ellas con la misma distribución. independientemente de la distribución que tenga la variable X muestreada. se tiene como consecuencia del Teorema de Lindenberg-Levy que cuando n tiende a infinito. pues la muestra es aleatoria simple: D2 ( x ) = 1 n 2 1 σ2 ⋅ ∑ D ( xi ) = 2 ⋅ n ⋅ σ2 = X X n n2 i =1 n Por lo tanto. En la práctica la aproximación es buena cuando n>30. VIII. Su valor medio será: 1 ⎛ n x ⎞ 1 ⎛ n ⎞ 1 n E( x ) = E ⎜ ∑ i ⎟ = ⋅ E⎜ ∑ x i ⎟ = ⋅ ∑ E(x i ) = ⋅ n ⋅ μ X = μ X ⎜ n⎟ n ⎜ ⎟ n n i =1 ⎝ i =1 ⎠ ⎝ i =1 ⎠ Y su varianza: ⎛ n x ⎞ 1 ⎛ n ⎞ D2 ( x ) = D2 ⎜ ∑ i ⎟ = 2 ⋅ D2 ⎜ ∑ x i ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ i =1 n ⎠ n ⎝ i =1 ⎠ y por ser las xi independientes.136 . si tomamos muestras aleatorias simples de tamaño n de una población cuya media es μX y su varianza es σX2. entonces el estadístico media muestral será una variable aleatoria con valor medio y varianza: E( x ) = μ X D2 ( x ) = σ2 X n Como x=∑ i =1 n xi n es una suma de variables aleatorias independientes.2.. La varianza de la distribución muestral (varianza muestral) es: 2 sn = ∑ (x − x ) ⋅ P (x ) = 2 i ∗ X i i =1 n ∑ (x − x ) i i =1 n 2 n Su valor medio es VIII.Distribución de la varianza muestral.

137 . como veremos en el capítulo siguiente. puesto que si 2 sn −1 = n 2 ⋅ sn = n −1 ∑( xi − x )2 i =1 n n −1 entonces 2 E(sn −1 ) = n n n −1 2 2 ⋅ ⋅ σ X = σ2 ⋅ E(sn ) = X n −1 n −1 n VIII. de ahí que se emplee frecuentemente la cuasivarianza o varianza muestral corregida en lugar de la varianza muestral. recordando que E ( x − μ X )2 = D2 ( x ) = σ2 / n X [ ] y que E ( x i − μ X )2 = σ2 X [ ] se obtiene que 2 E(sn ) = 1 ⎛ σ2 ⎞ n − 1 2 ⋅ ⎜ n ⋅ σ2 − n ⋅ X ⎟ = ⋅ σX X n ⎜ n ⎟ n ⎝ ⎠ Una de las aplicaciones más importantes del muestreo es. Desarrollando el cuadrado 2 E(sn ) = 1 ⎡n ⎤ ⋅ E ⎢∑ ( x1 − μ x )2 + ( x − μ X )2 − 2 ⋅ ( x i − μ X ) ⋅ ( x − μ X ) ⎥ n ⎣ i =1 ⎦ ( ) Aplicando el sumatorio 2 E(sn ) = 1 ⎡ ⋅E ⎢ n ⎢ ⎣ ∑ i =1 n ( x1 − μ x )2 + n ⋅ ( x − μ X )2 − 2 ⋅ ( x − μ X ) ⋅ ∑ (x − μ )⎥⎥⎦ i X i =1 n ⎤ Teniendo en cuenta que ∑ ( xi − μ X ) = ∑ xi − n ⋅ μ X = n ⋅ x − n ⋅ μ X = n ⋅ ( x − μ X ) i =1 i =1 n n sustituyendo y aplicando las propiedades del operador E 2 E(sn ) = 1 ⎡n ⎤ ⋅ ⎢∑ E ( xi − μ X )2 − n ⋅ E ( x − μ X )2 ⎥ n ⎣ i =1 ⎦ ( ) ( ) Finalmente. Allí se recomienda la utilización de estadísticos cuyo valor medio coincida con el correpondiente parámetro poblacional.Capítulo VIII: Distribuciones en el Muestreo ⎡ n ( x − x )2 ⎤ 1 ⎡ n 2⎤ 2 E(sn ) = E ⎢∑ i ⎥ = ⋅ E ⎢∑ (( xi − μ X ) − ( x − μ X )) ⎥ n n ⎣ i =1 ⎦ ⎣ i =1 ⎦ donde se ha sumado y restado μX. la estimación de parámetros poblacionales.

no se podía caracterizar la distribución de los estadísticos muestrales si no se conocía la distribución FX(x) de la población muestreada. en n repeticiones independientes de la experiencia aleatoria o en las n unidades muestrales.Capítulo VIII: Distribuciones en el Muestreo En definitiva. es la suma de n variables independientes idénticamente distribuidas. p converge en distribución a la distribución normal con media y varianza igual a las expresadas. la media y la varianza de la variable proporción muestral es: ˆ E(p) = p ˆ D2 (p) = n ⋅ p ⋅ (1 − p) Como p= X = n ∑ yi i =1 n n = ∑ ⎜ ni ⎟ i =1 n ⎛y ⎞ ⎝ ⎠ (donde las yi son variables dicotómicas de parámetro p). Esta propiedad será utilizada en el establecimiento de intervalos de confianza y test de hipótesis para la proporción poblacional p.4.p). de probabilidad p.. VIII.5.3. en general.. entonces la media de la varianza muestral y la media de la cuasivarianza son: 2 E(sn ) = n −1 2 ⋅ σX n 2 E(sn −1 ) = σ2 X VIII.σX)). si tomamos muestras aleatorias simples de tamaño n de una población cuya varianza es σX2.MUESTREO EN POBLACIONES NORMALES. obtendremos que: n⋅p ⎛ X⎞ 1 ˆ E(p) = E ⎜ ⎟ = ⋅ E( X) = =p n ⎝n⎠ n y n ⋅ p ⋅ (1 − p ) p ⋅ (1 − p ) ⎛ X⎞ 1 ˆ D2 (p) = D2 ⎜ ⎟ = 2 ⋅ D2 ( X) = = n⎠ n n n2 ⎝ Por lo tanto. Se define la proporción muestral como: ˆ p= X n donde X es el número de veces que se presenta el suceso A. VIII. Como X es una variable B(n.Distribución de la proporción muestral. Analizaremos en este apartado la distribución de las principales características muestrales en el caso de que la población muestreada tenga una distribución normal (X≡N(μX.138 . si tomamos muestras aleatorias simples de tamaño n de una población en la que A tiene una probabilidad p de ocurrir. En el apartado anterior vimos que. en virtud del Teorema de Lindenberg-Levy.

2.5 ⎠ es decir.5 ) x ≡ N ⎜100. VIII.Capítulo VIII: Distribuciones en el Muestreo VIII. Si el control del espesor de la capa de imprimación se realiza calculando el promedio de las cuatro medidas obtenidas en cuatro carrocerías seleccionadas al azar de dicho proceso y aceptando que el proceso funciona correctamente si el promedio obtenido es mayor de 95 micras ¿Cuál es la probabilidad de rechazar que el proceso funciona correctamente? SOLUCIÓN: La media aritmética de las cuatro mediciones será una variable: ⎛ 5 ⎞ ⎟ ≡ N (100.Distribución de la variable X y de la media muestral x .. ⎟ ⎜ 4⎠ ⎝ La probabilidad de rechazar el proceso será: ⎛ 95 − 100 ⎞ p = P (x ≤ 95 ) = φ ⎜ ⎟ = φ (− 2 ) = 0.139 . X ⎟ ⎜ ⎟ n⎠ ⎝ En la figura VIII. su distribución será siempre normal con la media y varianza vistas en el apartado anterior: ⎛ σ ⎞ x ≡ N ⎜ μX.1.. f X(x) f x (x) σX / n σX μX X μX x Figura VIII. en el 2’28% de los casos rechazaremos que el proceso funciona correctamente. En el proceso de pintado de la carrocería de un automóvil.3. el espesor de la capa de imprimación es una variable aleatoria con distribución normal de media 100 micras y desviación típica 5 micras.Distribución de la media muestral.1. Sabemos que x=∑ i =1 n Xi n Puesto que x es una combinación lineal de variables normales independientes.5. Ejemplo VIII.3 se ha representado la distribución de la media muestral.0228 ⎝ 2.

Distribución conjunta de x y sn-1 Como x − μX σX / n ≡ N (0..5.Distribución de la varianza muestral.3. VIII.140 . tendremos que: x − μX σX / n s (n − 1) ⋅ σ 2 n −1 2 X = (n − 1) x − μX sn −1 / n = t n −1 distribución que utilizaremos en la realización de inferencias sobre μX.2..5.Capítulo VIII: Distribuciones en el Muestreo VIII.1) 2 χn / n y teniendo en cuenta el Teorema de Fisher. el Teorema de Fisher establecer que: n⋅ 2 sn s2− 2 = (n − 1) ⋅ n2 1 = χn −1 2 σX σX VIII.1) recordando la definición de la variable: tn = N (0. Si la variable muestreada tiene una distribución normal.

141 .Capítulo VIII: Distribuciones en el Muestreo Tema 9. Inferencia VIII.

CAPÍTULO IX: Introducción a la Inferencia Estadística .

143 .VIII.

la proporción de piezas cuya magnitud cumple unas especificaciones dimensionales establecidas.IX.INTRODUCCIÓN Como se dijo en el capítulo anterior. Precisamente la Inferencia Estadística se ocupa del estudio de los métodos que permiten efectuar inferencias inductivas cuya incertidumbre es susceptible de ser medida en términos probabilísticos. observando parte del fenómeno y planteando a partir de esta observación un modelo que. pero sí que es posible efectuar una inferencia inductiva. en muchos casos. incluso las situaciones particulares del mismo. un modelo matemático que permita obtener la fracción de unidades defectuosas. se utilizará para describir dicho fenómeno. Por ejemplo. Es evidente que no es posible establecer mediante un proceso deductivo. A este conocimiento puede llegarse mediante una inferencia o aproximación inductiva. . mediante un proceso inductivo. pueden no serlo a nivel general del fenómeno.. De dichas experiencias se obtiene una información de la que se extraen conclusiones que serán generalizadas al universo del fenómeno. el objeto de cualquier estudio estadístico es el conocimiento de la población o universo del fenómeno estudiado. Es evidente.1. podemos conocer de forma aproximada la proporción p de piezas defectuosas en el lote a través de la ˆ proporción p de piezas defectuosas en una muestra de tamaño n. El otro camino para llegar al conocimiento del fenómeno aleatorio en cuestión es mediante una inferencia o aproximación inductiva consistente en generalizar ciertas conclusiones parciales al universo del fenómeno. lo usual es tomar una muestra y a partir de la información que nos brinda. podemos medir una determinada dimensión en una muestra de piezas. Para ello se realizan experiencias bajo condiciones determinadas. A partir de esta información y mediante un proceso inductivo estadístico podemos: a) Inferir cual es la proporción de piezas defectuosas presentes en el colectivo. b) Decidir sobre la aceptación o rechazo de determinadas hipótesis establecidas sobre la proporción de piezas defectuosas del colectivo (por ejemplo que dicha proporción es menor o igual que un determinado valor considerado como adecuado). en el estudio de la calidad de un lote de piezas recibidas en un almacén. Por ejemplo. A continuación podemos proponer que la distribución de dicha magnitud es Normal. podemos utilizar la correspondiente distribución Normal para determinar. por ejemplo. Para ello tomamos unas cuantas unidades fabricadas y observamos cuantas son correctas y cuantas defectuosas. tratamos de conocer aspectos generales de la población. Si tras realizar el oportuno contraste es aceptada la propuesta. Un ejemplo aclarará estos conceptos. tras ser validado. Supongamos que las unidades fabricadas por una cierta línea de fabricación pueden ser clasificadas como correctas o defectuosas. Supongamos también que tratamos de determinar la fracción de unidades defectuosas que se obtienen en dicha línea de fabricación. Por ejemplo. que las conclusiones obtenidas mediante una inferencia inductiva presentan un cierto riesgo de ser falsas. porque las proposiciones que son válidas a nivel de unas pocas experiencias realizadas bajo unas condiciones determinadas. Sin embargo. es posible efectuar inferencias inductivas sujetas a cierto grado de incertidumbre susceptible de medición.

un estimador de la media poblacional μ. la incertidumbre de nuestra inferencia.145 . por tanto. de la forma más exacta y precisa posible. A partir de este modelo podemos deducir la proporción de piezas que no cumple con unas determinadas especificaciones dimensionales.1. los valores de los parámetros de la distribución de las variables aleatorias.2. por intervalos de confianza. A este conocimiento de llega a través del análisis de muestras extraídas de la población. El estimador es una función de los valores de la muestra que se utiliza para obtener valores aproximados de un parámetro poblacional. En este apartado nos ocuparemos de la estimación de los parámetros de las distribuciones aleatorias y de las propiedades de los estimadores. La Inferencia Estadística aborda dos tipos de problemas: a) La estimación de parámetros. Por ejemplo. La Estimación es la parte de la Inferencia Estadística que tiene como finalidad conocer.. pero sí que será factible de ser medida. Ciertamente no tendremos la seguridad absoluta de que la inferencia sea correcta. Ejemplos de estimadores puntuales son: a) Estimadores de la media poblacional μ: IX.Estimación puntual Un estimador puntual es toda función de los valores muestrales utilizada para obtener valores aproximados (puntuales) de un parámetro. así como los parámetros de los modelos aleatorios que puedan plantearse. podremos estimar μ y σ y contrastar la normalidad de X. Los estimadores pueden ser: • • puntuales. Un estimador es. es la media muestral x . en términos de probabilidad. La estimación es un valor concreto del estimador al aplicar la función que lo define sobre una muestra concreta.Capítulo IX: Introducción a la Inferencia Estadística c) Si en cada una de las piezas hemos medido una dimensión X. una variable aleatoria ya que sus valores dependen de la muestra. IX.2.ESTIMACIÓN DE PARÁMETROS. Estimar un parámetro es calcular un valor aproximado del mismo a partir de los valores de la muestra. b) El contraste de hipótesis. IX..

Si θ es el parámetro ˆ estimado y θ el estimador: ˆ ˆ { θ es centrado o insesgado} ↔ {E( θ )=θ ∀ θ ∈ Ω} siendo Ω el espacio paramétrico o conjunto de los posibles valores de θ. 5. 4. el estimador puntual de la media poblacional será: x =∑ i =1 n xi n y la estimación obtenida con la muestra propuesta: 3 +5 +4 +4 ˆ μX = =4 4 b) Estimadores de la varianza poblacional σ2: • • 2 La varianza muestral. 4}.5 4 c) Estimadores de la proporción poblacional p de una distribución binomial • ˆ La proporción muestral.1 Dada la muestra {3. sn2 no es centrado para σ2 pues E(sn2)=(n-1)·σ2/n ≠ σ2. sn 2 La cuasivarianza. IX. p IX. Por ejemplo.1.. x es centrado para μ pues E( x )=μ. ~ Ejemplo IX. sn −1 Ejemplo IX.2. Hay determinadas propiedades que son deseables en un estimador puntual.1. Sin embargo. Vamos a describir algunas de ellas: • Estimadores centrados o insesgados Son aquéllos cuyo valor medio coincide con el parámetro que estima. No todos los estimadores son buenos estimadores.Propiedades de los estimadores puntuales. x x La mediana muestral.146 .2 Con la muestra del ejemplo anterior sería 2 sn = (3 − 4)2 + (5 − 4)2 + (4 − 4)2 + (4 − 4)2 = 0.Capítulo IX: Introducción a la Inferencia Estadística • • La media muestral.

} ↔ { D(θ) = min(D(θ*)) ∀ θ* ∈ Cθ y ∀ θ ∈ Ω} ˆ siendo: Ω : espacio paramétrico.M.M. el valor mínimo que puede tomar la varianza de cualquier estimador de un determinado parámetro θ.V. ˆ Diremos que el estimador θ es uniformemente de mínima varianza (U.99). será un estimador U.147 .Estimación por intervalos de confianza. también denominada cota de Cramer-Rao establece cual es.. P(L1 ( X ) ≤ θ ≤ L2 ( X )) = 1.M. α es el nivel de significación y L1 r r ( X ). ser U. Los intervalos de confianza para los parámetros de poblaciones con distribución Normal son los siguientes: r r r IX.V. medida en términos de probabilidad.2.) si. bajo determinadas condiciones. L2 ( X ) son los limites de confianza.Capítulo IX: Introducción a la Inferencia Estadística • Estimadores uniformemente de mínima varianza. Nuestra incertidumbre al estimar el parámetro resulta pues.V. El intervalo será tanto más preciso cuanto menor sea su amplitud para un α dado.α).2. tiene menor o igual varianza que la de cualquier otro estimador para todo θ perteneciente a Ω.V. IX. la estimación por intervalos de confianza consiste en r r obtener dos valores L1 ( X ) y L2 ( X ). Cualquier estimador de θ cuya varianza sea igual a dicha cota. ˆ La frontera de Frechet-Cramer-Rao.95 ó 0. y solo si. de que entre ambos cubran el verdadero valor del parámetro. de θ. b) Los intervalos de confianza nos servirán como reglas de decisión para realizar los tests de hipótesis a estudiar en apartados posteriores. La justificación de la estimación por intervalos de confianza radica en: a) Con los estimadores puntuales no podemos tener una idea clara de la precisión con que efectuamos una estimación. contendrán al valor verdadero del parámetro. o cuanto mayor sea el nivel de confianza 1-α para una amplitud dada. tales que existe una probabilidad muy elevada (1.M.α donde 1-α es nivel de confianza (usualmente 0. Si por X designamos a una muestra. Cθ : Conjunto de posibles estimadores de θ. Si la varianza del estimador es mayor que la cota de Cramer-Rao.95 quiere decir que el 95% de los intervalos que construyamos a partir de numerosas muestras. Si 1-α= 0. dicho estimador podrá. Es decir: ˆ ˆ ˆ ˆ { θ es U. o no. función de la muestra.

• Cuando σ es conocida x ± zα 2 ⋅ σ n sn −1 n • Cuando σ es desconocida x ± t ( α 12 ) ⋅ n− b) Para la varianza poblacional σ2. c) El Intervalo de Confianza para la varianza σ2 del espesor considerado.96 Por lo tanto. b) El Intervalo de Confianza para la media μ del espesor. 52. 52. 54. 49. 49. para μ cuando σ es conocida es: x ± zα/2 ⋅ σ n Realizando cálculos y consultando las tablas de la N(0. De la producción de un día. si la única información de la que disponemos es la que nos proporciona la muestra. 51. obteniéndose los siguientes valores. el I.2 micras. será: IX. se seleccionan al azar 16 perfiles y se determina el espesor del recubrimiento en cada uno de ellos. 50. SOLUCIÓN: a) El I. determinar: a) El intervalo de confianza para la media μ del espesor del recubrimiento si sabemos que la dispersión de la variable es σ=2. 47. 49. se obtiene: x =50. 51.025=1.Capítulo IX: Introducción a la Inferencia Estadística a) Para la media poblacional μ.C. 2 2 ⎡ (n − 1) ⋅ sn −1 (n − 1) ⋅ sn −1 ⎤ . 2 (1− α 2 ) ⎥ ⎢ 2 ( α 2) χn −1 ⎣ χn −1 ⎦ Ejemplo IX. 48.3 Un proceso industrial consiste en la aplicación de un recubrimiento protector a unos perfiles metálicos. 55. 48.σ) y fijando el nivel de confianza al 95%.C.148 . expresados en micras: {51. 53.563 micras y zα/2=z0. 50} En el supuesto de que el espesor del recubrimiento tenga una distribución N(μ.1).

4 Se desea conocer la proporción p de alumnos de la U.2 16 ⇒ [49. ⎢ ⎥ 2 (α 2 ) 2 χ n −(1−α 2) ⎦ 1 ⎣ χ n −1 Con los datos muestrales y la tabla de la χ2. 51.762] micras c) El I. se obtiene: 2 sn −1 =5.563 ± 1. El resultado ha sido que.149 . Para ello.488 2 (1 2 χ n −1 -α/2) = χ15(0.V. se han seleccionado y entrevistado a 90 alumnos. para μ cuando σ es desconocida es: ( x ± t nα12 ) ⋅ − sn −1 n Con los datos del problema calculamos x =50.025) =27. 12. Obtener el Intervalo de Confianza para la proporción p si tomamos 1-α=0. de estos 90 alumnos.C.P. obtenemos que el I.C es [2.763.Capítulo IX: Introducción a la Inferencia Estadística 50.C para σ2 es 2 2 ⎡ (n − 1) ⋅ sn −1 (n − 1) ⋅ sn −1 ⎤ .96 ⋅ 2. 51.95. que viajaron al extranjero durante el año 1999.063 2 (α 2 χ n −1 /2) = χ15(0. suponiendo una apropiada aproximación de la binomial a la normal: ˆ p ± zα / 2 ⋅ ˆ ˆ p ⋅ (1 − p) n Ejemplo IX.563 micras y sn-1=2. y siguiendo un procedimiento aleatorio.131 −1 Sustituyendo los valores en la expresión del I.364.25 micras Y según las tablas de la t de Student: ( (0. SOLUCIÓN: IX.128] micras2 c) Para la proporción poblacional p de una distribución binomial.485.641] micras b) El I.262 Sustituyendo. 8 han viajado al extranjero y el resto no.C resulta: [49.975) =6.025) t nα/2) = t15 = 2.

C para p.Capítulo IX: Introducción a la Inferencia Estadística El I.C es [0. establecida sobre una cierta población. Con el fin de confirmar o rechazar la hipótesis de igualdad vidas medias en las dos variantes del proceso se extrae una muestra de bombillas del proceso modificado y se evalúa la vida de cada una de ellas. Supongamos que la vida media muestral resulta ser de 1450 horas. es coherente o no con la información que suministra una muestra aleatoria extraída de dicha población. llamada hipótesis nula H0. por lo tanto.2 se ha expuesto que la Inferencia Estadística aborda dos tipos de problemas: la estimación de parámetros. IX. 0. puntual y por intervalos de confianza.088 90 y zα/2=z0. ¿podemos aceptar la igualdad de vidas medias poblacionales de las bombillas en el proceso modificado y en el no modificado? La vida media muestral es una variable aleatoria de valor medio igual a la media poblacional y.. A grandes rasgos. es ˆ p ± zα/2 ⋅ ˆ ˆ p ⋅ (1 − p) n Haciendo cálculos y buscando en la tabla de la N(0.150 .96 Luego el I. que la vida media de las bombillas obtenidas mediante cierto proceso de fabricación es de 1500 horas.TEST DE HIPÓTESIS En el punto IX. podemos estudiar si una cierta hipótesis. y los contrastes de hipótesis. Supongamos. mediante los tests de hipótesis.3.148] IX. puede tomar valores menores que ella pero. por ejemplo. es decir ¿en qué medida la muestra observada es coherente con la hipótesis de que la media poblacional es de 1500?. ¿Hasta que punto es aceptable admitir que la disminución observada de 1500 a 1450 horas es debida al azar del muestreo y no a una disminución real de la vida media?. o la rechazamos y aceptamos una hipótesis H1 llamada hipótesis alternativa que es la que se verifica si y solo si no se verifica H0. Y en consecuencia.030. ¿hasta qué punto esta diferencia puede atribuirse al azar y a partir de que valores ya no debemos admitir esta posibilidad? Los tests de hipótesis verifican la compatibilidad de los resultados muestrales con las hipótesis establecidas sobre la población y nos permiten decidir sobre la aceptación o rechazo de las mismas.025=1.1) obtenemos ˆ p= ) 8 = 0. Se considera que una cierta modificación del proceso que disminuye el coste de fabricación no modifica la vida media. Ello nos permite decidir si aceptamos la hipótesis nula H0 establecida. suponiendo la aproximación de la binomial a la normal.

A la probabilidad de cometer este tipo de error se le denomina β. Para contrastar la hipótesis nula establecida se utiliza un estadístico: G=g(x1.. mediante un contraste de hipótesis decidimos si aceptamos o rechazamos la hipótesis nula. En este caso diremos que se ha cometido un error de segunda especie.3. llamada nivel de significación.Errores de 1ª y 2ª especie..3.. No obstante.3.Capítulo IX: Introducción a la Inferencia Estadística IX. modelos estocásticos. respectivamente. también denominada “región crítica”. se decide si se rechaza o se acepta la hipótesis H0. Según a qué región pertenezca el valor de G calculado con la muestra... etc.x2.1. de probabilidades 1-α y α..Curva de Potencia y Curva Característica de un test IX.xn) cuya distribución es conocida en el caso de que la hipótesis nula sea cierta. Operando con un nivel de significación α del 5%. etc.. b) Aceptar la hipótesis nula cuando es falsa. y se divide el campo de variabilidad de G en dos regiones: una región de aceptación de la hipótesis nula y una de rechazo. proporción poblacional.3. varianza poblacional. IX. A la probabilidad de cometer este tipo de error se le denomina α. en cuyo caso diremos que se ha cometido un error de primera especie.151 . etc. lo cual no quiere decir que lleguemos a conocer con absoluta certeza si es verdadera o falsa. Se elige una probabilidad α.1. esta forma de operar equivale a rechazar la hipótesis cuando un resultado como el observado solo se habría obtenido en un 5% de los casos si la hipótesis nula es cierta. IX. de análisis de la varianza.. diferencia de medias poblacionales.Test de hipótesis paramétricos y no paramétricos Los tests de hipótesis paramétricos son aquéllos en los que las hipótesis se establecen sobre algún parámetro o vector de parámetros de alguna distribución aleatoria (media poblacional. En consecuencia pueden cometerse dos tipos de errores: a) Rechazar la hipótesis nula cuando es cierta.3.2.Tests de hipótesis paramétricos IX.) o bien sobre los parámetros de determinados modelos aleatorios (modelos de regresión.). En los tests de hipótesis no paramétricos las hipótesis no se establecen sobre los parámetros anteriormente referidos sino que se establecen sobre la propia distribución aleatoria (la variable estudiada sigue una determinada distribución de probabilidades) o bien sobre determinados aspectos del fenómeno estudiado (independencia de dos o más factores en la ocurrencia de una determinada situación o un determinado hecho).3.

1. y como veremos en el apartado siguiente. es decir PotS(θ) = P(d1(S) / θ) Al valor máximo de dicha potencia para θ ∈ ω0 se le denomina extensión del test y se representa por α.Capítulo IX: Introducción a la Inferencia Estadística En los test de hipótesis paramétricos. se particiona en dos conjuntos ω0 y ω1 tales que: ω0 ∪ ω1 = Ω y de modo que las hipótesis a contrastar son: H0(θ ∈ ω0) vs H1(θ ∈ ω1) En general. no es más r que una regla de decisión S que a cada muestra X del espacio muestral (conjunto de posibles muestras) le hace corresponder la decisión d0 (aceptar H0) o la decisión d1 (aceptar H1). se le denomina Curva de Potencia de dicho test. Esta curva es propia de cada test S y sus valores dependen del valor que tome el parámetro θ en cada caso. A la función que proporciona la probabilidad de rechazar H0 con un test de hipótesis S. Por ejemplo. PotS(θ) 1 α 0 ω0 θ0 ω1 θ (Ω) IX. un test que permita contrastar las hipótesis anteriormente formuladas. Una posible regla de decisión será evaluar la intensidad de fuga en una muestra de n diferenciales tomados al azar y aceptar H0 (tomar la decisión d0) si x ≤ μ0 + zα ⋅ σ n y ω0 ∩ ω1 =∅ o tomar la decisión d1 en caso contrario. intensidad de fuga de un diferencial eléctrico). Si contrastamos las hipótesis H0(θ≤θ0) vs H1(θ>θ0) la Curva de Potencia tendrá la forma de la figura IX.152 . el espacio paramétrico Ω (conjunto de posibles valores del parámetro θ sobre el que se establecen hipótesis). sobre la media μ de una distribución Normal con σ conocida (por ejemplo. podemos establecer las hipótesis H0(μ≤μ0) vs H1(μ>μ0).

PaS(θ) 1 1-α β(θ1) θ0 β(θ2) θ1 θ2 ω1 ω0 θ (Ω) Figura IX.Capítulo IX: Introducción a la Inferencia Estadística Figura IX.2. un test que se aplica sistemáticamente para contrastar hipótesis sobre parámetros de distribuciones aleatorias. Si contrastamos las hipótesis H0(θ≤θ0) vs H1(θ>θ0) la Curva Característica tendrá la forma de la figura IX. Un plan de control de calidad es...1. varianza σ2. la Curva Característica tendría como ecuación: ⎛ ⎞ σ μ⎟ PaS (μ ) = P ⎜ x ≤ μ 0 + zα ⋅ ⎜ ⎟ n ⎝ ⎠ Como para cada posible valor de μ la media muestral x es N ⎜ μ.Curva Característica de un test En el test sobre la media μ de la intensidad de fuga de los diferenciales expuesto en este punto. Nótese que para cada valor de θ ∈ Ω se cumple que PotS(θ)=1-PaS(θ) y que para cada valor de θ ∈ ω1 PaS(θ)=β(θ) (la probabilidad de error de segunda especie β depende del valor que tome θ y es diferente para cada θ). La Curva Característica de un test (o plan de control) es una función que proporciona la probabilidad de aceptar la hipótesis nula H0 con dicho test. etc. media μ. los cuales representan la calidad de productos y/o procesos (proporción de piezas defectuosas.2. se utiliza más la denominada Curva Característica que definiremos seguidamente. ⎟ será: ⎜ ⎟ n⎠ ⎝ ⎛ σ ⎞ IX.153 .Curva de potencia de un test En las aplicaciones de los test de hipótesis al control de la calidad en los procesos industriales.). en función de los valores que toma el parámetro θ. conceptualmente.

3.Capítulo IX: Introducción a la Inferencia Estadística ⎞ ⎛⎛ ⎞ ⎜ ⎜ μ0 + zα ⋅ σ ⎟ − μ ⎟ ⎜ ⎟ ⎟ ⎜ μ − μ0 ⎛ ⎞ n⎠ ⋅ n⎟ PaS (μ ) = φ ⎜ ⎝ ⎟ = φ ⎜ zα − σ σ ⎝ ⎠ ⎟ ⎜ ⎟ ⎜ n ⎠ ⎝ Expresión que. para μ=μ0 vale 1-α..Algunos test paramétricos clásicos En este apartado se presentan algunos de los test de hipótesis paramétricos clásicos más importantes por sus aplicaciones prácticas a la industria y a otros campos. podemos admitir que el espesor del fondo es una variable aleatoria con distribución N(4. han sido: IX. a) H0(μ=μ0) vs H1(μ≠μ0) • Si σ es conocida: Aceptamos H0 si x ∈ ⎢μ0 ± zα 2 ⋅ ⎣ ⎡ σ ⎤ ⎥ n⎦ σ ⎤ ⎥ n⎦ Rechazamos H0 si x ∉ ⎢μ0 ± zα 2 ⋅ ⎣ ⎡ • Si σ es desconocida: Aceptamos H0 si x ∈ ⎢μ0 ± t(nα 12) ⋅ − ⎣ α Rechazamos H0 si x ∉ ⎢μ 0 ± tn −2 ⋅ 1 ⎡ sn −1 ⎤ ⎥ n⎦ sn −1 ⎤ ⎥ n⎦ ⎡ ⎣ Ejemplo IX. el ingeniero de procesos decide aumentar la proporción de material reciclado que se utiliza como materia prima manteniendo constantes el resto de parámetros del proceso. Test de hipótesis sobre la media poblacional μ.5 En el proceso de moldeado de unos recipientes de plástico. sí que se proponen ejemplos que facilitarán su aplicación a las situaciones reales. IX. Algunos ejemplos de tests de hipótesis sobre parámetros de variables normales son: 1.2. sustituyendo en parámetro genérico θ por μ. Su representación gráfica tiene forma similar a la curva de la figura IX. se seleccionan al azar 9 recipientes de plástico obtenidos con la nueva formulación de la materia prima y se determina el espesor del fondo de cada uno de ellos.154 . expresados en mm. Buscando una reducción de costes de fabricación.2) mm. lógicamente. En cambio. Los resultados obtenidos.3.2. no se enuncian ni se demuestran los teoremas que permiten su obtención o la evaluación de sus propiedades. 0. Debido al carácter introductorio del capítulo. Para comprobar el efecto de esta modificación.

¿podemos admitir que la nueva formulación de la materia prima no afecta al espesor medio del fondo de los recipientes fabricados? b) ¿Cuál sería la respuesta a la pregunta anterior si desconocemos el valor real de la desviación típica σ?.292 Por lo tanto.2. la regla de decisión es ( Aceptamos H0 si x ∈ ⎢μ 0 ± t nα12) ⋅ − ⎡ ⎣ sn −1 ⎤ ⎥ n⎦ Según los datos del enunciado: sn-1=0.7} a) Suponiendo que no ha habido ningún cambio en la dispersión y considerando un nivel de significación de 5%. 4.869. la zona de aceptación es [3.155 . la decisión es que no podemos aceptar la hipótesis nula. 4.9.9. 3. la regla de decisión es Aceptamos H0 si x ∈ ⎢μ 0 ± zα 2 ⋅ ⎣ ⎡ σ ⎤ ⎥ n⎦ Con los datos del enunciado calculamos: x =4.9.2.776. 4. la zona de aceptación es [3.5.224] mm Puesto que la media muestral es x =4. H0(μ=4) vs H1(μ≠4) a) En el caso de que conozcamos σ (σ=0.2 mm). b) En este caso.306 −1 b) H0(μ≤μ0) vs H1(μ>μ0) IX.025=1. SOLUCIÓN: En ambos apartados debemos contrastar la hipótesis nula de que el cambio efectuado en el proceso no afecta al espesor medio del fondo de los recipientes.2. y ( (0. 4. 4. 4.025) t nα/2) = t8 = 2. aceptamos la hipótesis nula. es decir. 3. 3.156 y pertenece al intervalo.156 mm y zα/2=z0.9. 4.96 Por lo tanto.131] mm Como la media muestral no pertenece al intervalo anterior.Capítulo IX: Introducción a la Inferencia Estadística {3.

se toman al azar 10 componentes y se miden sus resistencias obteniéndose los siguientes resultados. Para comprobar que la producción cumple con los requisitos especificados. es decir: H0(μ≤10) vs H1(μ>10) a) En el caso de σ conocida.1.9. 9. la zona de aceptación es x ≤ μ 0 + zα ⋅ σ n Calculamos el valor de la media muestral y determinamos. 9.5. responder a las siguientes preguntas a) ¿Podemos considerar correcta la producción si sabemos que la desviación típica es 0.Capítulo IX: Introducción a la Inferencia Estadística • Si σ es conocida: Aceptamos H0 si x ≤ μ0 + zα ⋅ Rechazamos H0 si x > μ0 + zα ⋅ σ n σ n • Si σ es desconocida: Aceptamos H0 si x ≤ μ0 + t(nα )1 ⋅ − sn −1 n sn −1 n Rechazamos H0 si x > μ0 + t(nα )1 ⋅ − Ejemplo IX.7.8.645 Sustituyendo. frente a que la producción es incorrecta.8.2} Suponiendo que la resistencia de los componentes estudiados sigue una distribución normal y considerando un nivel de significación del 5%. 10.6 Por razones técnicas de funcionamiento.5 Ω? b) Contestar a la pregunta anterior en el supuesto de que no se conozca el valor de la desviación típica σ. el valor de zα: x =10. 10. mediante la tabla de la normal.2.26 IX.156 . expresados en ohmios: {9.05=1.12 y zα=z0. se ha fijado en 10Ω el valor máximo de la resistencia media de unos componentes eléctricos fabricados en un determinado proceso. 11. 10. 10. obtenemos que la zona de aceptación de H0 es x ≤10. 9. 10. SOLUCIÓN: Debemos contrastar la hipótesis nula de que la producción es correcta por ser la media de las resistencia menor o igual a 10 Ω.

391 y ( ) (0.0. 750.6} IX.751. 749.1. 751.227 por lo que aceptamos la hipótesis nula de que la producción es correcta. Ejemplo IX.1.2.833 − Sustituyendo. Se pretende comprobar si ambos equipos fabrican las botellas con la misma capacidad media. 751.0.1.05) t nα1 = t9 = 1.750.2.Capítulo IX: Introducción a la Inferencia Estadística por lo que.749.2. 750.1. la zona de aceptación es ( ) x ≤ μ 0 + t nα1 ⋅ − sn −1 n Utilizando los datos de la muestra y la tabla de la t.748. 750.2.3.751. c) H0(μ1=μ2) vs H1(μ1≠μ2) con σ1=σ2=σ • Si σ es conocida: Aceptamos H0 si x1 − x 2 ≤ zα / 2 ⋅ σ ⋅ Rechazamos H0 si x1 − x 2 > z α / 2 ⋅ σ ⋅ • Si σ es desconocida: 2 Aceptamos H0 si x1 − x 2 ≤ t(nα +/ n 2) − 2 ⋅ s * ⋅ 1 1 1 + n1 n2 1 1 + n1 n2 1 1 + n1 n2 1 1 + n1 n2 2 Rechazamos H0 si x1 − x 2 > t (nα +/ n 2) − 2 ⋅ s * ⋅ 1 con s* = 2 (n1 − 1) ⋅ s'1 +(n2 − 1) ⋅ s'2 2 n1 + n2 − 2 donde s’=sn-1. obtenemos que la zona de aceptación de la hipótesis nula es x ≤10.5. obtenemos: sn-1=0.3.749. Para ello se toman al azar 10 botellas fabricadas con el primer equipo y se obtienen los siguientes resultados: {750. al pertenecer la media muestral a la región de aceptación.748.749. b) En el caso de σ desconocida. 751.749.5.8.3.5. 749.7 Se dispone de dos equipos de soplado de envases de vidrio y con ellos se fabrican botellas de 750 cc de capacidad nominal.1.1.748. 752.9} Del segundo equipo se toman al azar 12 botellas cuyas capacidades resultan ser: {750. aceptamos la hipótesis nula de que la producción cumple con los requisitos.157 .749.2.

a) H0(σ2=σ02) vs H1(σ2≠σ02) 2 Aceptamos H0 si sn-1 ∈ ⎢ 2 2 ⎡ σ0 ⋅ χn (−11− α 2 ) Rechazamos H0 si ⎣ (n − 1) ⎡ σ2 ⋅ χ2(1− α 2 ) 2 sn -1 ∉ ⎢ 0 n −1 ⎣ (n − 1) .σ) y X2≡N(μ2.02.58 x2 =749.99. ¿puede admitirse la igualdad de medias de las capacidades de las botellas fabricadas con los dos equipos de soplado? SOLUCIÓN: Si llamamos X1 y X2 a las capacidades de las botellas fabricadas con el equipo 1 y con el equipo 2. 5.02?. respectivamente. expresados en cm.8 En un laboratorio de ensayos se evalúa repetidamente y con el mismo equipo de medida el diámetro de un cilindro patrón.σ) las hipótesis a contrastar serán H0(μ1=μ2) vs H1(μ1≠μ2). que para el caso de σ desconocida. Los resultados obtenidos.158 . 4. 5.9468 ( α/ (0.77 ′ s22 =1.05.025) t n1 +2)2 −1 = t 20 = 2. representada por σ. y admitimos que X1≡N(μ1.97. la zona de aceptación de H0 es: (α x1 − x2 ≤ t n1 /2) 2 − 2 ⋅ s * ⋅ +n 1 1 + n1 n2 con s* = 2 (n1 − 1) ⋅ s'12 +(n2 − 1) ⋅ s' 2 n1 + n2 − 2 Con los datos del enunciado obtenemos que x1 =750. Tomar α=0. 4. Test de hipótesis sobre la varianza poblacional σ2.98. 2 2 σ0 ⋅ χn (−α 2 ) ⎤ 1 ⎥ (n − 1) ⎦ σ 2 ⋅ χ 2( α 2 ) ⎤ . después de realizar 9 mediciones del mismo. 5. 4.03.99} Suponiendo que los resultados de las mediciones son normales y que solamente es el equipo de medida el que produce variabilidad en los resultados. IX.Capítulo IX: Introducción a la Inferencia Estadística Asumiendo que la capacidad de las botellas fabricados con cada uno de los equipos tiene una distribución normal y que en ambos casos la varianza es la misma.086 n Por lo que la zona de aceptación es x1 − x2 ≤ 0. 4.01. 5. 2. es igual a 0.01.00 s*=0. ¿podemos admitir que dicha variabilidad.04 no podemos aceptar la igualdad de medias. 0 n −1 ⎥ (n − 1) ⎦ Ejemplo IX.846 Puesto que x1 − x2 = 1.54 ′ s12 =0.05. han sido: {5.

1.975 ) = 2.8. 0. 4. 4. 4.1.00065 2 (α 2 χ n −1 / 2 ) = χ 8 ( 0. 3.0004) vs H1(σ2≠0.5. 4.(n 2 −1) 2 donde n1 es tamaño de muestra utilizado para calcular la ( sn1 −1 )mayor y n2 es el tamaño 2 de muestra utilizado para calcular la ( sn 2 −1 )menor. 4.00065 aceptamos la H0. 4.(n 2 −1) > F((nα1)−1). b) H0(σ2≤σ02) vs H1(σ2>σ02) 2 Aceptamos H0 si sn-1 ≤ 2 2 σ0 ⋅ χn (−α ) 1 (n − 1) 2 2 σ0 ⋅ χn (−α ) 1 (n − 1) 2 Rechazamos H0 si sn -1 > c) H0(σ12=σ22) vs H1(σ12≠σ22) Aceptamos H0 si Rechazamos H0 si 2 (sn1 −1 )mayor 2 (sn 2 −1 )menor 2 (sn1 −1 )mayor 2 (sn 2 −1 )menor ≤ F((nα1)−1).3. 4.Capítulo IX: Introducción a la Inferencia Estadística SOLUCIÓN: Debemos contrastar las hipótesis H0(σ2=0. son los siguientes: Método de referencia: {4. Para ello se evalúa reiteradamente la concentración de dicho complejo proteico en una muestra de mortadela preparada al efecto.0. Los valores obtenidos. 4.3} Método espectrofotométrico: {4.025 ) = 17.18 Por lo tanto.6.00087] 2 Puesto que sn −1 =0.7} Asumiendo la normalidad de las concentraciones.159 .535 2 1 2 χ n −(1 −α / 2 ) = χ 8 ( 0. Ejemplo IX.9.000109.0004).9 Se pretende comparar la precisión de dos métodos analíticos disponibles para la determinación de la concentración de un complejo proteico en un producto cárnico. 4.6. ⎥ (n − 1) ⎦ ⎣ (n − 1) A partir de los datos del enunciado obtenemos que 2 sn −1 =0.7. e identificando la precisión de cada método con la desviación típica σ que presentan sus resultados: IX. 4.3. 4.3. 4. la zona de aceptación de H0 será: [0. La zona de aceptación de la hipótesis nula es 2 2( ⎡σ 2 ⋅ χ 2 (1−α 2 ) σ0 ⋅ χ n −α 2 ) ⎤ 2 1 sn -1 ∈ ⎢ 0 n −1 .1. expresados en gramos por cada 100 gramos de producto.

los test de hipótesis más utilizados para p son: IX.6. podemos aceptar la hipótesis nula establecida.137 = 5.1 (gr/100gr)2 con un nivel de significación del 5%? SOLUCIÓN. obtenemos que (0 F7.05) =4.026 2 Método espectrofotométrico: sn −1 =0. Si llamamos σ12 a la varianza de los resultados que se obtienen con el método de referencia y σ22 a la varianza del método espectrofotométrico.137 Entonces: 0. b) Ahora debemos contrastar H0(σ2≤σ02) vs H1(σ2>σ02) y aceptar H0 si 2 sn -1 ≤ 2 2( σ0 ⋅ χ n −α ) 1 (n − 1) Buscando en la tabla de la Chi-cuadrado y realizando cálculos: 0.2 7 En consecuencia.Capítulo IX: Introducción a la Inferencia Estadística a) Con un nivel de significación del 5% ¿podemos admitir la igualdad de varianzas de ambos métodos? b) ¿Podemos admitir que la varianza de método espectrofotométrico es menor o igual que 0.21 Por lo tanto.269 0.1 ⋅14.026 Si buscamos en la tabla de la F. Test de hipótesis sobre la proporción poblacional p de una distribución binomial.067 = 0.160 .137 ≤ 0.(n2 −1) 1 Realizando los cálculos necesarios: 2 Método de referencia: sn −1 =0. tendremos que: a) Las hipótesis a contrastar en este apartado son H0(σ12=σ22) vs H1(σ12≠σ22) y aceptamos H0 si se cumple que 2 (sn1 −1 )mayor 2 (sn2 −1 )menor ( ) ≤ F(nα −1). 3. Suponiendo que se dan las condiciones para que sea aceptable la aproximación de la distribución binomial a la normal. debemos rechazar la hipótesis de igualdad de varianzas.

obtenemos que ˆ p1 = 3 = 0. resultando 4 defectuosas. Para ello se seleccionan al azar 40 unidades de un lote del proveedor 1.075 40 ˆ p2 = ) 4 = 0 .10 Se pretende comparar la calidad de los envíos de dos proveedores de un mismo tipo de repuesto para automóviles.Capítulo IX: Introducción a la Inferencia Estadística a) H0(p=p0) vs H1(p≠p0) ˆ Aceptamos H0 si p ∈ ⎢p0 ± zα / 2 ⋅ ⎡ ⎢ ⎣ ⎡ p ⋅ (1 − p0 ) ⎤ ˆ p ∉ ⎢p0 ± z α / 2 ⋅ 0 ⎥ n ⎢ ⎥ ⎣ ⎦ p0 ⋅ (1 − p0 ) ⎤ ⎥ n ⎥ ⎦ Rechazamos H0 si b) H0(p≤p0) vs H1(p>p0) ˆ Aceptamos H0 si p ≤ p0 + zα ⋅ ˆ Rechazamos H0 si p > p0 + zα ⋅ p0 ⋅ (1 − p0 ) n p0 ⋅ (1 − p0 ) n c) H0(p1=p2) vs H1(p1≠p2) ˆ ˆ Aceptamos H0 si p1 − p2 ≤ zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜ ⎛1 1⎞ ⎟ ⎟ ⎝ n1 n2 ⎠ ⎛1 1⎞ ⎟ ⎟ ⎝ n1 n2 ⎠ ˆ ˆ Rechazamos H0 si p1 − p2 > zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜ con p* = ˆ ˆ n1 ⋅ p1 + n2 ⋅ p2 n1 + n2 y q*=1-p* Ejemplo IX. y 60 unidades de un lote del proveedor 2. Para un nivel de significación del 5% ¿podemos admitir que la calidad de los envíos de ambos proveedores. SOLUCIÓN: Si llamamos p1 a la proporción de unidades defectuosas de proveedor 1 y p2 a la proporción de unidades defectuosas del proveedor 2. resultando 3 defectuosas. las hipótesis a contrastar son: H0(p1=p2) vs H1(p1≠p2) cuya zona de aceptación de H0 es: ⎛1 1 ˆ ˆ p1 − p2 ≤ zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜n n ⎝ 1 2 ⎞ ⎟ ⎟ ⎠ con p* = ˆ ˆ n1 ⋅ p1 + n2 ⋅ p2 n1 + n2 A partir de los datos del ejercicio.025=1.07 z0. dada por la proporción de unidades defectuosas. es la misma?.161 .96 IX. 06 60 p* = 0.

Corresponde al caso en que solamente se especifica la distribución de probabilidad supuesta pero no sus parámetros característicos. se formula la hipótesis nula de que procede de una población cuya distribución es Fo (distribución supuesta que puede ser.162 .3. En el caso de que F sea continua. r IX. xn) independientes de una determinada característica. las clases suelen corresponderse con los valores posibles de dicha variable o con conjuntos de dichos valores. es decir: H0(F=F0) vs H1(F≠F0) Una de las formas de realizar el contraste es mediante el test χ2 de Pearson: se parte de una muestra formada por n observaciones (x1.Tests de hipótesis no paramétricos Estudiaremos en este apartado dos de los casos más representativos que son: • • los test de bondad de ajuste y las tablas de contingencia IX. ante una muestra dada podemos contrastar la hipótesis de que procede de una distribución normal de media μ y desviación típica σ. aceptamos la hipótesis de igualdad de calidades.1021 ˆ ˆ Puesto que p1 − p2 = 0. una vez obtenida una muestra X de tamaño n. b) Parcialmente especificada. las clases corresponderán a k intervalos disjuntos y si F es la distribución de una variable discreta. En este caso se especifica la distribución supuesta y sus parámetros característicos. Por ejemplo. Esta distribución de probabilidad supuesta puede ser: a) Totalmente especificada. Test χ2 de Pearson El objetivo de los tests de bondad de ajuste es verificar si una muestra observada puede proceder de una población que tiene una determinada distribución de probabilidad..3.Capítulo IX: Introducción a la Inferencia Estadística Por lo tanto. ….008 . o no. totalmente especificada). IX.4. Por ejemplo. Es equivalente plantear la hipótesis nula de que la distribución de la variable muestreada es F0. dada una muestra podemos contrastar simplemente si procede de una población con distribución normal.1.. En ambos casos.Tests de bondad de ajuste. Dichas observaciones se clasifican en k clases o categorías mutuamente excluyentes.4. la zona de aceptación de H0 es ˆ ˆ p1 − p2 ≤ 0. x2.

se determina el valor de una χk − s −1 que 2( ) solo tiene una probabilidad α de ser superado (a este valor lo denotaremos por χk −α−1 ) y se s procede del siguiente modo: 2( ) Aceptamos H0 si z ≤ χk −α−1 s 2 (α) Rechazamos H0 si z > χk − s −1 Fz(z) Se acepta H0 Se rechaza H0 α 2( ) χ k −α −1 s z/H0 cierta Figura IX. las frecuencias teóricas o esperadas ti de los n valores muestrales en cada una de las clases Ci serían: ti=n·pi donde pi es la probabilidad teórica de las clase Ci que puede calcularse a partir de F0.Contraste de hipótesis H0(F=F0) vs H1(F≠F0). sus valores serán mayores que los de la χ2 correspondiente. la media poblacional μ la estimaremos mediante x y la desviación típica poblacional σ la estimaremos mediante sn-1. de modo que se cumplirá: ∑ Oi = n i =1 k A las frecuencias Oi se les denomina frecuencias observadas. s es el número de parámetros que es necesario estimar a partir de la muestra. 2 En consecuencia. Si la hipótesis establecida H0 no es cierta. dentro de cada clase o intervalo la frecuencia observada Oi y la frecuencia teórica ti serán muy diferentes. Si la distribución teórica no está totalmente especificada.Capítulo IX: Introducción a la Inferencia Estadística Las n observaciones se distribuirán entre las k clases presentando una frecuencia absoluta Oi de valores en cada una de las clases Ci establecidas. IX. Bajo determinadas condiciones. será necesario estimar sus parámetros a partir de los valores de la muestra obtenida.3. por tanto.. puede demostrarse que si H0 es cierta: z= (O i − t i ) 2 2 = χ k − s −1 ∑ t i =1 i k En la expresión anterior.163 . Distribución del estadístico z cuando H0 es cierta. Por ejemplo. El estadístico z presentará valores mayores que si fuera cierta la distribución supuesta y. Si la distribución de la variable muestreada fuera Fo. fijado un nivel de significación α.

c.5] 15 ]752.15 19.5) c.98 0. que la capacidad de dichos envases sigue una distribución N(750.0 .0] ]745.750.1915 0.0695 0.1498 0.05.5 .5 ¿Puede aceptarse.5 .0714 0. es conveniente tomar las siguientes precauciones para que sean aceptables los resultados obtenidos: • Las clases o intervalos deben establecerse de modo que las frecuencias absolutas con que se dan dichas clases sean todas ellas iguales o superiores a 5.0] 16 ]745.? SOLUCIÓN: Construyamos la siguiente tabla: Ci Oi 5 10 16 20 21 15 pi 0.668 0.0 .752.15 14.164 .0] 7 ]755.755.1755 0. sea continua o discreta.5 ]742.c.0 747.745.98 19.757.68 9.0 .5] 6 > 757. La prueba puede aplicarse a cualquier distribución.0370 0.5 - 6. Los resultados obtenidos se encuentran agrupados en la tabla siguiente: Capacidad No de envases (c.5 10 ]742.4225 0.Capítulo IX: Introducción a la Inferencia Estadística Teniendo en cuenta las aproximaciones que es necesario realizar en el test propuesto.5 . • • Ejemplo IX.5] ]747. con un nivel de significación α=0. utilizados para el envasado de un producto farmacéutico.0919 0.0000 IX.1498 ti=n·p i ( Oi − t i )2 ti ≤ 742.5 745.747. Es conveniente que las clases se definan de manera que las probabilidades teóricas pi de las diferentes clases Ci no sean demasiado diferentes.5] 20 ]747.11 Se ha medido la capacidad de 100 envases de vidrio de un determinado formato.1915 0.) 5 ≤ 742.19 14.0] 21 ]750.

68 0.0] ]755.165 .668 9. si consideramos ]ai.1 0 Como z<14.3. la conclusión es que no podemos rechazar H0 y debemos aceptar que la capacidad de los envases sigue la distribución propuesta.1.Tablas de contigencia.Capítulo IX: Introducción a la Inferencia Estadística 750.2. una prueba de independencia no paramétrica.−1 ) = 14. Constituyen.3670 Además : 2 ( 05 χ 8 −0. IX. ai+1] los límites del intervalo Ci.0692 donde. Estudiaremos el caso de dos variables o factores de clasificación. cada pi se calcula: ⎛ a − 750 ⎞ ⎛ a − 750 ⎞ pi = φ ⎜ i +1 ⎟ −φ ⎜ i ⎟ 5 5 ⎝ ⎠ ⎝ ⎠ A partir de la tabla determinamos el valor de z como z=∑ i =1 8 (Oi − ti )2 ti = 1.0 757. por lo tanto. H0(A y B independientes) vs H1(A y B dependientes) La tabla que debe construirse es la siguiente: NIVELES DEL FACTOR B B1 A1 NIVELE S A2 … B2 … Bj … Bm Frecuencias Marginales … O1j … O1m O1• … t1j … t1m … O2j … O2m O2• … t2j … t2m … … … … … O11 t11 O21 t21 … O12 t12 O22 t22 … IX.5 7 6 0.5 755.5219 0.0 752..0919 0.0] ]750. La hipótesis nula que hay que contrastar es que los dos factores A y B son independientes.5] ]752.5] > 757.19 6. Test χ2 Las tablas de contingencia permiten verificar si dos o más variables o factores de clasificación son independientes entre sí.4.

a la que hemos llamado pij..166 . Oij es el número de valores observados en la casilla correspondiente al nivel i del factor A y al nivel j del factor B... Si A y B son independientes se cumplirá: pij = P( A i ∩ B j ) = P( A i ) ⋅ P(B j ) = pi ⋅ p j con i=1. dado que el total de observaciones es n. como en el apartado anterior. Oi• es el total de frecuencias observadas en la fila i y O•j es el total de frecuencias observadas en la columna j. O•m marginales donde n es el número total de observaciones. será: tij=n·pij Entonces: ˆ ˆ ˆ t ij = n ⋅ pij = n ⋅ pi• ⋅ p• j = n ⋅ Oi • O • j Oi • ⋅ O • j ⋅ = n n n Puede demostrarse.Capítulo IX: Introducción a la Inferencia Estadística DEL FACTO R A Ai … Ar Oi1 Oi2 … Oij … Oim ti1 ti2 … tij … tim Or1 Or2 … Orj … Orm tr1 tr2 … trj … trm Oi• Or• n Frecuencias O•1 O•2 .. las probabilidades marginales p•j de cada nivel Bj del factor B se efectuarán mediante: ˆ p• j = O• j n La estimación de la probabilidad conjunta de Ai y Bj. será.…. O•j . que si la hipótesis nula es cierta: z= ∑∑ i =1 j =1 r m (O ij − t ij t ij ) 2 ≡ χ(2r −1)(m −1) Nota: IX. será: ˆ pi • = Oi • n De modo análogo. tij es la frecuencia teórica (si los factores fueran independientes) correspondientes al nivel i del factor A y al nivel j del factor B.…r y j=1. bajo el supuesto de independencia de A y B ˆ ˆ ˆ pij = pi• ⋅ p• j Las frecuencias teóricas de cada intersección de niveles A y B.m Si estimamos las probabilidades marginales pi• de cada nivel Ai del factor A mediante la frecuencia relativa con que se presenta Ai en la muestra.

05.12 La siguiente tabla muestra las frecuencias observadas en relación con el color de automóvil preferido y el sexo en una muestra de 100 estudiantes encuestados al azar en la U. que el sexo y el color preferido son independientes a la hora de elegir el coche? SOLUCIÓN: Las hipótesis a contrastar son H0(sexo y color son independientes) vs H1(sexo y color son dependientes) Completemos la tabla de frecuencias observadas: COLOR Rojo Azul 36 14 9 11 45 25 SEXO Blanco O Varones 10 Mujeres 20 30 O•j Oi. COLOR Blanco Rojo Varones 10 36 Mujeres 20 9 SEXO Azul 14 11 De acuerdo con la tabla anterior.Capítulo IX: Introducción a la Inferencia Estadística Obsérvese que el número de frecuencias a comparar es k=r·m y el número de parámetros a estimar: ˆ (n-1) proporciones pi • (la r-sima proporción se obtiene por 1 − ∑ pi • ) i =1 r −1 ˆ (m-1) proporciones p• j (la m-sima proporción se obtiene por 1 − m −1 i =1 ∑ p• j ) Total de parámetros a estimar: s=(r-1)+(m-1) Luego los grados de libertad de la χ k2− s −1 considerada en el apartado anterior son gl = k − s − 1 = r ⋅ m − (r − 1) − (m − 1) − 1 = (r − 1) ⋅ (m − 1) Con el mismo razonamiento que en el punto anterior deberemos: Aceptar H0 si z ≤ χ(2r(−α1))(m −1) Rechazar H0 si z > χ(2r(−α1))(m −1) Ejemplo IX. ¿podemos admitir.P.167 .V. con un nivel de significación α=0. 60 40 100 Recordando que las frecuencias teóricas (si H0 cierta) se calculan mediante la expresión: IX.

IX.168 . + (11 − 10 )2 10 = 16.05) Como χ(r −α1)(m −1) = χ12(0..Capítulo IX: Introducción a la Inferencia Estadística t ij = Oi • ⋅ O• j n construyamos la tabla de frecuencias teóricas: COLOR Blanco Rojo t Varones 18 27 Mujeres 12 18 SEXO Azul 15 10 El estadístico z será: z = ∑∑ i =1 j =1 2 3 (O ij − t ij ) 2 t ij = (10 − 18 )2 + (36 − 27 )2 18 27 + .556 2( ) 2(0.05) z > χ2 por lo que debemos rechazar la hipótesis de independencia de los factores considerados y admitir que los gustos respecto al color de los automóviles son diferentes en los varones que en las mujeres.99 se tiene que: ⋅2 2(0.05) = χ 2 = 5..

169 .Capítulo IX: Introducción a la Inferencia Estadística IX.

.

9.ANOVA para dos factores con repeticiones 2.5. 5..Generalidades.. 4.3. Hipótesis del modelo.4. 3.Modelo y supuestos teóricos 2. 2.Comparación de medias. Análisis de la varianza (I)..Hipótesis nulas 2. Test LSD 9.Descomposición de las sumas de cuadrados. 2.4..Hipótesis nula..ANÁLISIS DE LA VARIANZA 9.. 171 .Introducción. 6..2.4.... ANÁLISIS DE LA VARIANZA (II)..Concepto de interacción 2. DOS FACTORES CONTROLADOS 1. Un factor controlado..Modelo Teórico. Planes factoriales. 1. UN FACTOR CONTROLADO.Ecuación fundamental.1. ANÁLISIS DE LA VARIANZA (I). Test F.Test F.

por ejemplo un tratamiento será: bote hojalata tipo B con pH del líquido de gobierno 4'5 almacenado a 15º C. 15º C y 30º C (3 niveles). En la terminología clásica del Análisis de la Varianza existen en este caso tres factores: Tipo de hojalata pH Temperatura de conservación cuyos efectos se desean estudiar. Los factores a considerar. etc. pH. B y C (3 variantes). Factores: posibles causas controlables que pueden ser fuente de variabilidad en la respuesta (tipo de hojalata. se deseará además.). cuando sus niveles corresponden a valores medibles (temperatura. temperatura. variedad. Variantes o niveles: valores que pueden tomar los factores. Para cada factor. En un estudio sobre corrosión (X) en botes de conservas se desea investigar la influencia al respecto del tipo de hojalata. En aquéllos factores cuyo efecto sea significativo. parcela. Los factores pueden ser cuantitativos. determinando. son aquéllos que podemos realmente controlar fijando a voluntad sus niveles (factores controlados). Tratamiento: combinación de niveles Unidad experimental: Unidad física sobre la que se aplica un tratamiento (bote.9. Fue desarrollado por Fisher en el 1er tercio del siglo pasado. En total existirán en este caso 3x2x3=18 tratamientos diferentes. etc. se considerarán en el estudio diferentes niveles (si el factor es cuantitativo) o variantes (si el factor es cualitativo).4. método de fabricación etc. A cada combinación de variantes de los diferentes factores se le denomina tratamiento. precisar la naturaleza del mismo.) o cualitativos en otro caso (tipo de hojalata. por ejemplo.GENERALIDADES Bajo el nombre de Análisis de la Varianza se conocen un conjunto de métodos estadísticos aplicables en general al análisis de observaciones que dependen simultáneamente de varios factores. Factor temperatura de almacenamiento (factor cuantitativo): Se almacenarán los botes a 0º C. Una experiencia podría consistir en preparar 5 botes (repeticiones) con cada uno de los 18 tratamientos posibles. Así por ejemplo: Factor tipo de hojalata (cualitativo): Se desean estudiar tres tipos distintos A.).1. con lo que constaría en total de 18x5 = 90 botes o unidades experimentales.) 172 . El objetivo en una experiencia de este tipo sería el analizar cuáles de los tres factores tienen una influencia significativa sobre el grado de corrosión del bote al cabo de. y que se presume pueden influir sobre la respuesta. un mes de almacenamiento. Un ejemplo servirá para ilustrar un problema típico de aplicación de estos métodos.. animal de ensayo etc. Factor pH (cuantitativo): Se estudiarán conservas a pH 4'5 y pH 5'5 (2 niveles). que variantes difieren significativamente entre sí * Resumen: X : variable a estudiar o respuesta (grado de corrosión en el ejemplo). pH del líquido de gobierno y temperatura de almacenamiento del bote. pH.

Siendo μi = Ε(Xij) el valor medio poblacional correspondiente a dicha variante.σ) (XI1……XIJ) Como veremos a continuación.J) correspondiente a la i-ava variante del factor (i = 1.2. se tendrá: Xij = μi + εij (1) 173 εi ... Los métodos del Análisis de la Varianza. que se desean comparar I variantes distintas de un determinado proceso industrial. por ejemplo.- Repeticiones: número de veces que se aplica un mismo tratamiento (sobre diferentes unidades experimentales) en una misma experiencia. o numero de veces que se repite la experiencia bajo las mismas condiciones. Variante Población Muestra 1 N(μ1. HIPÓTESIS DEL MODELO Consideremos. La comparación de cada uno de estos términos con el correspondiente a la perturbación aleatoria residual (ó error). en cuyo caso el modelo se denomina EQUILIBRADO).σ) (X11……X1J) i N(μi. dejando para más adelante la generalización al caso de varios factores. y la hipótesis nula a contrastar es H0: μ1 = μ2 …= μI. Sea I el número de niveles del factor y J el número de observaciones para cada una de las variantes (supondremos que dicho número es el mismo para todas las variantes. La técnica de análisis consiste. en general.. Vemos por tanto que el problema que tenemos no es más que la generalización a I medias del problema de comparación de dos medias visto en un tema anterior.X)2 con N -1 grados de libertad.. con sus correspondientes grados de libertad.4.σ) (X21……X2J) I N(μI. en un conjunto de términos independientes. De cada variante se hacen J pruebas cuyos resultados podemos considerar como una muestra aleatoria simple extraída de la población de posibles resultados que podrían obtenerse con dicha variante. asumen la existencia de un modelo probabilístico que explica los resultados observados en función de un conjunto de parámetros desconocidos relativos a los efectos de los diferentes factores en estudio y de una perturbación aleatoria. relativos a los diferentes factores en estudio y al error experimental. en descomponer la variabilidad total del conjunto de las observaciones expresada por la suma de cuadrados global Σ(Xijk . permite contrastar la significación de los factores estudiados.. Sea Xij la j-ava observación (j = 1. nuestras hipótesis sobre el modelo implican que cada una de estas poblaciones tiene una distribución N(μi.MODELO TEÓRICO.σ).I). Inicialmente desarrollaremos la teoría básica del Análisis de la Varianza en el caso más sencillo de un solo factor controlado. 9.

las siguientes hipótesis: a) Homocedasticidad: σ2ij = σ2 (εij) = σ2 ∀ i. Evidentemente. es decir. de la homogeneidad de las varianzas en los diferentes grupos o variantes. además Ε(εij) =0 Con respecto a los residuos εij se harán. Sea μ = Σμi /I el promedio de los valores medios de las diferentes variantes αi=μi .donde εjj es una perturbación aleatoria que origina las diferencias existentes entre las observaciones μi Xij de una misma variante o tratamiento. j no dependiendo por tanto de la variante i considerada. todos los residuos están mutuamente incorrelacionados. se verifica Σαi = Σ(μi . además. b) Incorrelación: Cov (εij.Iμ = 0 Como μi = μ + αi.μ) = Σμi .μ es la diferencia entre la media de la variante i y el promedio general. Esta hipótesis hace necesaria la comprobación previa. mediante el test de Bartlett u otros similares. αi mide por lo tanto el efecto específico (positivo. negativo o nulo) de la variante i del factor.σ2 I) Las hipótesis b) y c) implican la independencia de los residuos. el modelo teórico puede formularse como sigue Xij = μ + αi + εI Con Σαi = 0 αi μ εij μi Xij X Donde Xjj = j-ava observación de la variante i del factor μ = promedio general αi = efecto específico de la variante i del factor 174 . c) Normalidad: los IxJ residuos εij tienen una distribución conjunta normal multivariante ε ≡ N(0. El modelo teórico anterior puede formularse de una forma alternativa que resulta aconsejable por su más fácil generalización al caso de varios factores.εi’j’) = 0 si i≠i' y/o j≠j'.

.) 2 = J ∑ ( X .. − X. = αI = 0 ∀ αi = 0 9..σ) e independientes entre sí. • 175 . = Σ i X ij J media de la variante i La ECUACIÓN FUNDAMENTAL del Análisis de la varianza muestra la descomposición de la variabilidad total de la variable respuesta estudiada.. que todos los niveles tienen la misma media Ho : μ1 = μ2 = μ3 … = μI = μ H1 : ∃ μi ≠ μj Estas hipótesis son equivalentes a contrastar H0 : ∀αi = 0 H1 : ∃ αi ≠ 0 ya que sustituyendo μi por μ + αi Ho : μ + α1 = μ + α2 = μ + α3 = … = μ + αI = μ α1 = α2 = α3 = ….4.εij = residuos N (0. 9.) +∑ 2 i i ij ( X ij − X i . es decir.) 2 SCT SCF SCR • Σ(Xij – X.)2 se le denomina Suma de Cuadrados Total (SCT) pues mide la variabilidad total del conjunto de las I x J observaciones..3.)2 se denomina Suma de Cuadrados debida al factor(SCF) pues mide la magnitud de las desviaciones de la media de cada variante a la media general.4.HIPÓTESIS NULA La hipótesis nula a contrastar es que el factor no influye sobre la respuesta. JΣ (Xi-X..4. Mide la parte de la variabilidad total debida o explicada por el factor. ∑ ij ( X ij − X.ECUACIÓN FUNDAMENTAL Llamando X.. = Σ ij X ij IJ media general de todas las observaciones Xi.

). (diferencia mínima significativa) Si el test F pone de manifiesto la existencia de un efecto significativo del factor. 9. I ( I −1) CMR La hipótesis nula ∀α i = 0 se contrastará.TEST F Si a las sumas de cuadrados anteriores ( SCF y SCR ) las dividimos por sus grados de libertad correspondientes ( (I-1) e I(J-1) respectivamente) obtenemos los cuadrados medios CMF y CMR. nº de datos con que se ha calculado cada una de las medias a comparar).S.4. Mide la parte de variabilidad total existente en las observaciones no explicada por el factor.• Σ(Xij-Xi.)2 se denomina Suma de Cuadrados Residual pues se basa en las desviaciones de cada observación respecto a la media de la variante respectiva.. etc. en la determinación de la significación de la diferencia entre dos medias -. otros factores no estudiados.| > DMS. ó DMS DMS = QIα( J−1) .. por tanto. y éste es cualitativo. debemos hacer notar: a) que el hecho de que las diferencias sean significativas no implica que las diferencias sean necesariamente importantes.4.S. TEST L. si la variabilidad residual es pequeña. El análisis de la varianza. j difieren significativamente si |Xi. e/1 test no suficiente potencia para detectarlas.I CMR J I = nº de niveles del factor (en general nº de medias a comparar). la debida a causas aleatorias (error experimental.D.-Xj. La forma de operar consiste en general. calculando a partir de las observaciones el estadístico CMF/CMR = Fc y rechazándola si este es mayor que el valor en tablas de F(α−1). J = nº de observaciones en cada variante (en general.I( J −1) para I la probabilidad de error de 1ª especie α considerado. Este hecho tiene especial importancia cuando intentamos interpretar el por qué algunas veces a pesar de obtener 176 . 9. Se demuestra que si la hipótesis nula es cierta ∀α i = 0 CMF ≡ F( I −1). es decir. Esta regla es equivalente a rechazar H0 si el pvalor correspondiente al Fc calculado es menor que α. que el factor influye en la respuesta estudiada. puede dar como significativas diferencias que en la práctica carezcan de importancia.o su equivalente. Rechazar H0 equivale a aceptar con un nivel de significación α.6. simplemente.COMPARACIÓN DE MEDIAS. Nota: En la determinación de la significación del efecto de un factor .D. b) si el análisis no da como significativas determinadas diferencias no quiere decir que éstas no existan sino que.αi’. resulta procedente estudiar entre qué variantes del factor son significativas las diferencias αi . En el test de Tuckey se propone como L. en calcular una "diferencia mínima significativa" (DMS) tal que dos variantes i.5.

0 6.0 6.5 Cuadro resumen del Análisis de la Varianza ----------------------------------------------------------------------------Fuente SC gl CM F calc P-Valor 177 .9 6. Para ello se realizaron experiencias utilizando cuatro materias primas diferentes. Lo que habría que hacer en este caso es aumentar el tamaño de la experiencia o reducir el error experimental (disminuir el CMR) aumentando la homogeneidad del material experimental o utilizando un diseño más adecuado.8 MAT PRIMA 4 5.0 6. éstas no llegan a ser significativas.en la práctica diferencias importantes entre las medias.0 MAT PRIMA 2 6.0 MAT PRIMA 3 5.I( J −1) I Cuadrado medio F calculada F tablas EJEMPLO: Se desea estudiar la influencia de la materia prima sobre la resistencia de unas piezas de plástico.1 4.9 6.2 5.0 5.8 6.2 6.2 4.6 4.0 6. Los resultados fueron: MAT PRIMA 1 6.5 6.1 5.2 6. Los resultados obtenidos se reflejan en el siguiente CUADRO RESUMEN DEL ANÁLISIS DE LA VARIANZA Grados Origen de Suma de de la varianza cuadrados libertad TOTAL FACTOR ERROR SCT SCF SCR IJ-1 I-1 I(J-1) CMF = CMR = SCF I−1 SCR I(J − 1) CMF CMR F(α−1). Con cada materia prima se fabricaron cinco piezas midiéndose finalmente la resistencia en cada una de las veinte piezas fabricadas.

922 3 2.01.073 ----------------------------------------------------------------------------Total 9.----------------------------------------------------------------------------Factor 7.0000 Residual 1.P.64067 36. 3 5 5. 1 5 6.168 16 0. existen diferencias estadísticamente significativas al nivel del 99% de confianza entre las medias de las cuatro materias primas.68 X M. Esta afirmación es equivalente a decir que la “materia prima” utilizada influye sobre la resistencia de las piezas de plástico con un nivel de significación del 99%. Tests de rangos Repeticiones Media Grupos diferentes -------------------------------------------------------------------------------M.P. 4 5 4. En el apartado siguiente analizaremos cuál o cuáles de las variantes de la materia prima son diferentes en cuanto a su resistencia promedio.30 X Observamos que solo la cuarta materia prima da lugar a una resistencia media estadísticamente diferente a las demás siendo menor en valor que el resto 178 .P.09 19 Dado que el P-Valor es menor que 0.04 X M.98 X M.P.17 0. 2 5 6.

el siguiente diseño factorial FACTOR B FACTOR A B1 =⎬n = = = B2 =⎬n = = = Bj = = = =⎬ n Xijk.5.. Dos factores controlados.Concepto de Interacción Se dice que hay interacción entre dos factores si el efecto conjunto de la variante i de uno de ellos con la j del otro..5. Constituyen un diseño especial para el estudio simultáneo de dos o más factores en el que todos los niveles de todos los factores se combinan entre sí. Los utilizaremos en este tema como diseño base para desarrollar las técnicas del Análisis de la Varianza para dos factores. no es igual a la suma de los efectos simples respectivos. 9. PH2 y pH3) 179 . a) Consideremos el ejemplo de la corrosión de los botes de hojalata en el que contemplamos dos factores: Factor tipo de hojalata (hojalata A y hojalata B) y Factor pH (pH1. vamos a desarrollar este apartado de forma esquemática. se dice que no existe interacción entre dos factores cuando el incremento en la respuesta (+ ó -) al pasar de un nivel a otro de uno de los factores.1.INTRODUCCIÓN.ANOVA PARA DOS FACTORES CON REPETICIONES Utilizaremos como diseño base para el estudio de este apartado. También se dice que existe interacción entre dos factores cuando el efecto de uno de ellos depende del nivel que consideremos en el otro. PLANES FACTORIALES. PLANES FACTORIALES.. Solamente desarrollaremos en profundidad aquellos conceptos que sean nuevos y propios del presente capitulo. (Efectos no aditivos). 9.5. BJ A1 A2 A3 Ai = = = = AI = = = = 9.9.2.2. De manera similar a la anterior. Apoyándonos en los conceptos y terminología expuestos en el apartado anterior.1. Análisis de la varianza (II). Vamos a considerar algunos ejemplos representativos.5. es el mismo en cualquiera de los niveles que podamos considerar del otro factor.

esterilizado) a través del tiempo (recién preparado. b) Consideremos ahora la calidad organoléptica de tres zumos de naranja (natural. pasteurizado. a los 15 días) conservados a temperatura constante. a los 5 días. Así. En este caso influyen los dos factores (hojalata A mayor corrosión que la B. además. la hojalata A presenta mayor corrosión que la hojalata B y. a pH intermedio el grado de corrosión es el mismo y a pH alto presenta menor corrosión la hojalata B. Grado de corrosión En este caso. 180 . Obsérvese que en este caso no tiene sentido preguntarse que hojalata es más resistente si no se especifica cual va a ser el pH a emplear en la conserva. LA DIFERENCIA ENTRE UNA Y OTRA HOJALATA ES LA MISMA PARA CUALQUIER pH. cualquiera que sea el pH. a pH bajo presenta menor corrosión la hojalata B. y a mayor pH menor corrosión) pero no hay interacción entre ellos.Grado de corrosión En este primer caso. el efecto del factor hojalata depende del valor del pH que consideremos.

j.ésima observación en el tratamiento formado por la variante i del primer factor con la variante j del segundo. μ = promedio general αi = efecto específico de la variante i del 1er factor βj = efecto específico de la variante j del 2º factor (αβ)ij = efecto de la interacción entre los factores en sus niveles i. respectivos.2. σ 2 ) ⎬ independientes e incorrelacionados 181 .Obtenga el lector sus propias conclusiones ¿Hay interacción? ¿Por qué? ¿Qué zumo es mejor? ¿Se comportan igual los tres zumos? ¿Influye el tiempo de conservación en la calidad? ¿Cómo? 9.2..Modelo y supuestos teóricos El modelo teórico completo es Xijk = μ + α i + β j + (αβ)ij + ε ijk donde Xijk = valor de la K. εijk = residuo aleatorio ∑α i i =0 ∑β j j =0 ∑ (αβ) i ij =0 ∑ (αβ) j ij =0 Supuestos: Ε(ε ijk ) = 0 ε ijk ≡ N(0.5.

.Descomposición de las Sumas de Cuadrados.GLR No significativo α 9.glr CMR b a = nº de medias a comparar entre si (nº de variantes del factor).5.1) SCF1 (I .dosis x método se realizaron tres experiencias.5. se ensayaron 4 dosis de catalizador.3.1)(J . Ejemplo: En una experiencia para analizar la influencia de un nuevo catalizador en dos métodos A y B de síntesis de un producto orgánico.)2 + N∑ ( X − X.. Si algún factor resulta significativo podrá determinarse entre que variantes hay diferencias significativas comparando la diferencia de medias con la L.1) SCR IJ(N .S. j.D..2. i j ij ijk SCT (IJN .tratamientos .9.D. .1) SCint (I .. Los resultados.. j.Hipótesis Nulas Las hipótesis nulas a contrastar son la ausencia de efecto sobre la respuesta de cada uno de los factores así como la ausencia de interacción entre ellos H0: ∀α i = 0 ∀β j = 0 ∀( αβ )ij = 0 H1: ∀α i ≠ 0 ∀β j ≠ 0 ∀(αβ)ij ≠ 0 9. .)2 + IN∑ ( X − X.5.)2 ijk = JN∑ ( X − X.) + ∑ ( X − X )2 i. Test F La variabilidad total de las observaciones se descompone de la siguiente forma similar al ANOVA de un factor ∑ ( Xijk − X..1) SCF2 (J .. expresados en gr.2.4... ijk ij. Test L. de producto obtenido con la misma cantidad de materia prima en 1 hora.5.2.. − X + X. ij.. Con cada una de las 8 combinaciones .Comparación de Medias. b = nº de datos con que se calculó cada una de las medias anteriores...1) ⇒ gl La significación de cada factor se obtiene calculando el cociente SCF GLF CMF Fc = = SCR GLR CMR α > FGLF .S. se recogen en la tabla siguiente: Dosis de catalizador (mg.) 182 .GLR significativo al nivel α ≤ FGLF . ó DMS α DMS = Q a.

Método/Do sis A 0’75 68 60 62 60 45 66 1 91 75 86 72 71 60 1’25 90 98 94 64 75 70 1’50 105 95 99 48 55 50 B Solución El modelo es: Xijk = μ + α i + β j + (αβ)ij + ε ijk ∑α = 0 ∑β = 0 ∑ (αβ) = 0 ∑ (αβ) = 0 i j ij i ij j ε ijk = N(0. σ) independientes. Total Catalizador Método Interacción CxM Error 1469’13 660’66 3 16 0'01 489’71 11’86 > F3'16 = 5'29 * * SC 7096’96 1535’13 3432’04 GL 23 3 1 CM Fc Ft 0'01 511’71 12’39 > F3'16 = 5'29 * * '01 3432’04 83’12 > F1016 = 8'53 * * ' 41’29 Son significativos todos los efectos al 99 % (p < 0'01) 183 .V. Cuadro resumen del análisis de la varianza O.

que con el método A da el rendimiento promedio máximo (99'67 gr).75 1 1. un rendimiento mayor que el método B. a la dosis máxima.25 1.Interpretación de Resultados Interaction Plot 101 91 81 71 61 51 0. La concentración de 1'50. Por ello seria conveniente la utilización del catalizador sólo en el método A. b) No obstante. y preferiblemente. con el método B da el mínimo rendimiento promedio (51 gr).50 metodo A B rendimiento dosis a) La interacción es significativa. el método A presenta para cada concentración del catalizador. 184 . luego no existe una concentración de catalizador óptima. Luego habrá que estudiar el efecto del catalizador en cada uno de los métodos.

185 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->