Académique Documents
Professionnel Documents
Culture Documents
Cuando se dispone de un conjunto de observaciones, pertenecientes a una determinada variable aleatoria T de distribucin desconocida, lo primero que conviene hacer es tratar de identificar alguna distribucin terica por la cual se puedan ajustar bien dichas observaciones. En otras palabras, se tratara de comprobar si dichas observaciones se distribuyen segn un patrn conocido (segn una normal, una binomial, etc.), pues ello nos simplificara el anlisis descriptivo de los datos, as como la realizacin de inferencias sobre la poblacin. En muchas ocasiones ser posible identificar la distribucin que mejor se aproxima a las observaciones mediante el uso de grficos de probabilidad. Este tipo de grficos muestran la funcin de distribucin (f.d.) linealizada de una distribucin terica junto con una nube de puntos que representan estimaciones (no paramtricas) puntuales de la f.d. de T. Evidentemente, cuanto ms se aproxime la nube de puntos a la recta que aparece en el grfico, tanto mejor ser el ajuste. Si se lograse aproximar la distribucin de T mediante alguna distribucin terica conocida, sera posible usar esta ltima para representar grficamente estimaciones de la funcin de distribucin y/o de la funcin de densidad (f.d.p.) asociada a las observaciones. En tales casos, se habla de descripcin paramtrica de la variable T (porque hemos logrado identificar la distribucin y los parmetros asociados- que describen correctamente el comportamiento de la variable aleatoria analizada). En este captulo se har uso del programa estadstico Minitab para identificar y describir grficamente la distribucin que mejor se ajuste a un conjunto de observaciones que usaremos como ejemplo. Las posibles distribuciones de ajuste son: la normal, la log-normal (base e), la Weibull, la de valores extremos, la exponencial, la logstica y la log-logstica. .
ww w.
at
em
at
ic
a1
.c om
Grficos de probabilidad
Al representar grficamente las funciones de distribucin (f.d.) de las diferentes distribuciones tericas, se obtienen curvas muy similares, la mayora de las cuales resultan difciles de ser identificadas a simple vista. Es por ello que se utilizan los grficos de probabilidad, los cuales hacen uso de escalas especiales en los ejes, de manera que al representar la f.d. sta tenga forma lineal. El primer paso ser pues encontrar la transformacin adecuada para T y F(T) de modo que al representar T vs. F(T) se obtenga una funcin lineal. Ejemplo (linealizacin de una Weibull): La f.d. asociada a una distribucin Weibull de dos parmetros viene dada por la expresin: F(t) = 1 exp{-(t/)} con , > 0
Esta funcin puede ser linealizada (i.e., puesta de la forma: y = a + bx) como sigue: F(t) = 1 exp{-(t/)} ln(1-F(t)) = ln(exp{-(t/)}) ln(1-F(t)) = -(t/) ln(-ln(1-F(t))) = ln(t/) ln(ln(1-F(t)) ) = ln(t) - ln() Tomando ahora:
-1
ww w.
at
A continuacin se representa grficamente la f.d. de una Weibull (con escala = 10 y forma = 4) y su versin linealizada: 10 4 x = ln(t) 0,00 0,69 1,10 1,39 1,61 1,79 1,95 2,08 2,20 2,30 2,40 2,48 2,56 2,64 2,71 2,77 WEIBULL
em
at
y = x - ln()
ic a
1.c
y = ln(ln(1-F(t)) )
om
-1
x = ln(t)
F(t) 0,00 0,00 0,01 0,03 0,06 0,12 0,21 0,34 0,48 0,63 0,77 0,87 0,94 0,98 0,99 1,00
y = ln(ln(1-F(t)) ) -9,2 -6,4 -4,8 -3,7 -2,8 -2,0 -1,4 -0,9 -0,4 0,0 0,4 0,7 1,0 1,3 1,6 1,9
-1
F(t)
10
15
om
Para cada punto (xj,yj), el valor xj vendr dado por la j-sima observacin tj (instante en que se ha producido el fallo j-simo). Ms complicado ser hallar el valor de la coordenada yj, la cual representar el valor estimado de F(tj). Es usual estimar dicho valor mediante los llamados rangos medianos, los cuales se pueden calcular, en el caso de la distribucin Weibull con observaciones completas (sin censura), mediante la ecuacin que se muestra a continuacin.
ww w.
at
Una vez conocidas las transformaciones que permiten linealizar la f.d. asociada a una distribucin, es posible construir una plantilla especial (con los ejes graduados de forma adecuada) sobre la cual representar una nube de puntos que contenga cada uno de los tiempos de fallo observados (eje x) junto con el valor (estimado) de la f.d. asociado a dicha observacin (eje y).
em
at
ic a
1.c
1,00 x 1,50
2,00
2,50
3,00
-1
F(0,5; m,n) es la mediana de una F-Snedecor con m = 2(n j + 1) y n = 2j grados de libertad, j es el orden del fallo, y n es el tamao muestral. Como se ver en el apartado siguiente, los programas estadsticos actuales (como Minitab) son capaces de realizar los clculos anteriores, automatizando as el proceso de construccin de estos grficos de probabilidad. Cuando se tengan ya representados todos los puntos (x,y) asociados a las observaciones, se deber hallar la recta de regresin asociada, la cual corresponder a la f.d. de la distribucin elegida cuyos parmetros mejor se ajusten a las observaciones. Para ver si las observaciones pueden aproximarse bien por dicha distribucin, habr que analizar (grficamente o mediante el estadstico Anderson-Darling) si los puntos representados se encuentran suficientemente prximos a la recta, prestando especial atencin a los valores de los extremos.
Ahora, pasamos ya a la generacin de las 50 observaciones mediante la opcin Calc > Random Data > Exponential:
ww w.
at
em
at
ic a
1.c
om
El resultado ser algo similar al siguiente: A partir de ahora, consideraremos estos valores como observaciones obtenidas como resultado de una medicin (es decir, olvidaremos por un momento que conocemos la distribucin de la cual provienen).
Fase 2: Supongamos pues que disponemos de una serie de datos cuya procedencia nos es desconocida, y que deseamos encontrar o, al menos intentarlo- una distribucin continua que nos sirva para explicar el comportamiento de la v.a. de la cual proceden. Para ello, usaremos como primera aproximacin la opcin Stat > Reliability/Survival > Distribution ID Plot...:
ww w.
at
em
at
ic a
1.c
om
Como se aprecia en las grficas anteriores, en esta primera aproximacin comienza a quedar claro que, de las cuatro distribuciones usadas (normal, log-normal, exponencial y Weibull), las dos que mejor se ajustan a las observaciones son la exponencial y la Weibull los puntos se sitan muy cerca de la lnea y el comportamiento de los mismos no sigue un patrn curvilneo como en el caso de la normal y de la log-normal. Adems de las grficas, el output anterior tambin nos proporciona el estadstico de Anderson-Darling ajustado, el cual es un reflejo de cun lejos se encuentran los puntos respecto de la recta. Por tanto, cuanto menor sea el valor de dicho estadstico, tanto mejor ser la bondad del ajuste. De los valores de dicho estadstico, se desprende nuevamente que la Weibull (AD = 0,600) y la exponencial (AD = 0,608) proporcionan un mejor ajuste a las observaciones. Ahora podemos usar la opcin Stat > Reliability/Survival > Parametric Distribution Analysis... para afinar algo ms en nuestra eleccin. Como se observa en la siguiente imagen, es posible optar entre un amplio ramillete de distribuciones candidatas. En nuestro caso, optaremos por una Weibull y, posteriormente, repetiremos el proceso con una exponencial:
ww w.
at
em
at
ic a
1.c
om
Distribution Analysis: C1
Variable: C1 Count 50
Estimation Method: Maximum Likelihood Distribution: Weibull Parameter Estimates Parameter Shape Scale Estimate 1,0035 0,56802 Standard Error 0,1124 0,08382 95,0% Normal CI Lower Upper 0,8057 1,2499 0,42536 0,75853
Distribution Analysis: C1
Variable: C1
Log-Likelihood = -21,652
Como se puede apreciar por los outputs anteriores, y dada la gran similitud entre ambos estadsticos AD (0,599 para el ajuste por la Weibull y 0,6076 para el ajuste por la exponencial), las observaciones se podran ajustar bastante bien tanto por una Weibull con parmetros forma = 1,0035 y escala = 0,56802 como por una exponencial de media = 0,56724. Esto no es de extraar, ya que la exponencial no es ms que una Weibull con parmetro de forma = 1 y parmetro de escala igual a la media. Llegados a este punto, es importante percatarse de la precisin con que hemos sido capaces de ajustar los datos: las observaciones procedan de una exponencial con media 0,5. Pues bien, suponiendo desconocida esta informacin y partiendo de tan slo 50 observaciones, hemos logrado casi adivinar el verdadero modelo subyacente a los datos (lgicamente, es de esperar que si dispusisemos de ms observaciones, nuestro ajuste podra ser an mejor).
ww w.
0,08022
at
Standard Error
em
at
95,0% Normal CI Lower Upper 0,42992 0,74842
ic a
1.c
Count 50
om
Supongamos que tenemos un nmero k de clases en las cuales se han ido registrado un total de n observaciones (n ser, pues, el tamao muestral). Denotaremos las frecuencias observadas en cada clase por O1, O2, ..., O k . Se cumplir: O1 + O2 + ... + O k = n
ww w.
at
em
at
ic a
1.c
om
Lo que queremos es comparar las frecuencias observadas con las frecuencias esperadas (tericas), a las que denotaremos por E1, E2, ..., E k . Se verificar que: E1 + E2 + ... + E k = n FRECUENCIA OBSERVADA O1 O2 ... OK N FRECUENCIA ESPERADA E1 E2 ... EK N
Llegados a este punto, el problema es determinar si las frecuencias observadas estn o no en concordancia con las frecuencias esperadas (es decir, si el nmero de resultados observados en cada clase corresponde aproximadamente al nmero esperado). Para comprobarlo, haremos uso de un contraste de hiptesis usando la distribucin Chi-cuadrado: El estadstico de contraste ser 2 =
i =1
(Oi E i )2
Ei
Las ideas anteriores sugieren que, cuanto menor sean el valor del estadstico 2 , ms coherentes sern las observaciones obtenidas con los valores esperados. Por el contrario, valores grandes de este estadstico indicarn falta de concordancia entre las observaciones y lo esperado. En este tipo de contraste se suele rechazar la hiptesis nula (los valores observados son coherentes con los esperados) cuando el estadstico es mayor que un determinado valor crtico. Notas: 1. El valor del estadstico 2 se podr aproximar por una distribucin Chi-cuadrado cuando el tamao muestral n sea grande (normalmente es suficiente con n > 30), y todas las frecuencias esperadas sean iguales o mayores a 5 (en ocasiones deberemos agrupar varias categoras a fin de que se cumpla este requisito). 2. Se supone que las observaciones son obtenidas mediante muestreo aleatorio a partir de una poblacin que previamente ha sido dividida en categoras.
ww w.
at
em
at
Observar que este valor ser la suma de k nmeros no negativos. El numerador de cada trmino es la diferencia entre la frecuencia observada y la frecuencia esperada. Por tanto, cuanto ms cerca estn entre s ambos valores ms pequeo ser el numerador, y viceversa. El denominador permite relativizar el tamao del numerador.
ic a
1.c
om
i =1
(Oi E i )2
Ei
Podemos calcular cada frecuencia esperada (terica) multiplicando el nmero total de pruebas n por la probabilidad de ocurrencia asociada, es decir:
En la siguiente tabla se muestran los resultados registrados por el estudiante: Nmero de caras en los cinco lanzamientos 0 1 2 3 4 5 Total de lanzamientos de 5 monedas Frecuencia Observada 100 524 1.080 1.126 655 105 3.590
Si las monedas fuesen simtricas, la probabilidad de obtener cara en cada lanzamiento sera de 0,5. Por tanto, al lanzar cinco monedas simultneamente, el nmero de caras obtenidas, que denotaremos por X, seguira una distribucin binomial con n = 5 y p = 0,5. Esta ser nuestra hiptesis nula: H0 : X sigue una distribucin B(5;0.5) Bajo la hiptesis anterior, podemos calcular el valor esperado para la probabilidad de obtener 0 caras, 1 cara, 2 caras, etc.:
ww w.
Es este resultado estadsticamente significativo? Podemos concluir que las monedas no eran simtricas?
at
em
Ejemplo (test bondad ajuste): Un artculo aparecido en El Mundo describa la experiencia llevada a cabo por un estudiante de Bachillerato, el cual haba lanzado en 3.590 ocasiones cinco monedas iguales al aire (lo que hace un total de 17.950 lanzamientos), obteniendo 464 ms caras que cruces.
at
ic a
1.c
om
Ei = n * pi
i = 1, ..., k
Los valores observados y los esperados no parecen coincidir. Observar que, incluso en el caso de que nuestra hiptesis nula fuese cierta, ambos valores no seran exactamente iguales -ya que siempre habr cierto margen de variacin. La dificultad est en determinar si las diferencias entre ambos valores son o no significativas. Calculemos el estadstico 2 :
ww w.
at
em
at
ic a
1.c
om
Calculemos finalmente el p-valor asociado a este estadstico. En este caso, como 2 2 trabajamos con un contraste unilateral, p-valor = P( > 21,568) = 1 - P( 21,568) donde 2 sigue una distribucin Chi-cuadrado con k 1 = 5 grados de libertad. Por tanto:
ww w.
at
em
at
ic a
1.c
om
Chi-Square with 5 DF
Profundicemos un poco ms en nuestro anlisis: observar que, en la columna CHICUADRADO, aparece un valor (enorme) de 15,7732 asociado a la obtencin de 4 caras:
Este valor es un reflejo de que hay una discrepancia anormal entre los valores observados y los esperados para esta categora. Es posible que haya habido un error en los registros, contabilizndose algunos resultados de 4 cruces como resultados de 4 caras.
ww w.
As pues, p-valor = 1 0,9994 = 0,0006 < 0,05. Por tanto, podemos considerar que el pvalor es significativo (al menos para = 0,05), motivo por el cual rechazaremos la hiptesis nula, i.e.: las monedas no parecen ser simtricas (i.e.: no siguen una distribucin binomial con parmetro p = 0,5).
at
em
at
x 21,5680
P( X <= x) 0,9994
ic a
1.c
om
Ejemplo: En este ejemplo vamos a realizar un experimento consistente en dos fases: Fase 1: Generaremos 20 observaciones aleatorias procedentes de una distribucin binomial con parmetros n = 1.000 y p = 0,5. Fase 2: Completada la fase 1, olvidaremos la procedencia de los datos generados, y supondremos que han sido obtenidos al medir alguna variable cuya distribucin es desconocida, pero de la cual se sospecha que sigue un comportamiento aproximadamente normal. Nos interesar pues realizar un test para contrastar si la hiptesis anterior es sostenible desde un punto de vista estadstico (i.e.: si, en efecto, tiene sentido suponer que los datos se distribuyen segn una normal). Fase 1: A fin de obtener exactamente los mismos resultados que se muestran a continuacin, se recomienda usar una semilla que inicialice la generacin de nmeros aleatorios. Para ello usaremos la opcin Calc > Set Base...
Establecida la semilla, podemos generar los nmeros aleatorios usando la opcin Calc > Random Data > Binomial... :
ww w.
at
em
at
ic a
1.c
om
Fase 2: Ahora, usaremos el test de normalidad incorporado en Stat > Basic Statistics > Normality Test... para contrastar la hiptesis nula de que los datos anteriores siguen una distribucin normal:
ww w.
at
em
at
Podemos representar los datos anteriores mediante un histograma para comprobar que, en efecto, la forma en que estos se distribuyen nos recuerda a la de la distribucin normal:
ic a
1.c
om
Como se aprecia en el grfico anterior, los puntos se acercan bastante a la recta lo cual es un claro indicio de que siguen una distribucin aproximadamente normal. Adems, el p-valor asociado al contraste de Anderson-Darling es p-value = 0,940 (mucho mayor que 0,05), por lo que estamos muy lejos de rechazar la hiptesis nula de que los datos se distribuyen de forma normal. Este experimento nos ha permitido, adems, comprobar empricamente un resultado terico de sumo inters: cuando una variable aleatoria se distribuye segn una binomial con parmetros n y p, bajo determinadas condiciones (n suficientemente grande y p cercano a 0,5) es posible aproximar el comportamiento de dicha variable mediante una distribucin normal de media np y varianza np (1-p).
ww w.
at
em
at
ic a
1.c
om