Professional Documents
Culture Documents
De Wikipedia
La Estadstica es una gran rama de las matemticas que se utiliza para describir, analizar e
interpretar ciertas caractersticas de un conjunto de individuos llamado poblacin. La
Estadstica se divide en dos grandes ramas:
Tabla de contenidos
1 El razonamiento estadstico
2 Definiciones bsicas
3 Ramas
4 Tipos
o 4.1 Importantes contribuidores a la estadstica
5 Vase tambin
6 Bibliografa
El razonamiento estadstico
Todo problema estadstico opera del modo siguiente:
Definiciones bsicas
Ramas
Se distinguen bsicamente dos ramas en la estadstica:
Estadstica clsica
Estadstica bayesiana
Tipos
En funcin del rea a la cual se enfoque, se puede considerar:
Estadstica poltica
Estadstica industrial
Estadstica social
Econometra
Bioestadstica
Fsica estadstica
Estadstica cuntica
Estadstica descriptiva
La Estadstica descriptiva es una parte de la Estadstica que se dedica a analizar y
representar los datos. Este anlisis es muy bsico, pero fundamental en todo estudio. Aunque
hay tendencia a generalizar a toda la poblacin las primeras conclusiones obtenidas tras un
anlisis descriptivo, su poder inferencial es mnimo y debera evitarse tal proceder. Otras
ramas de la Estadstica se centran en el contraste de hiptesis y su generalizacin a la
poblacin.
Algunas de las tcnicas empleadas en este primer anlisis de los datos se enumeran ms abajo
en el listado de conceptos bsicos. Bsicamente, se lleva a cabo un estudio calculando una
serie de medidas de tendencia central, para ver en qu medida los datos se agrupan o
dispersan en torno a un valor central.
Tabla de contenidos
1 Metodologa
2 Tabla de representacin de los datos
3 Lista de conceptos bsicos
4 Vase tambin
5 Bibliografa
Metodologa
1.
2.
3.
4.
5.
6.
7.
desviacin estndar -diseo experimental -Distribucin binomial -distribucin normal -distribucin t -encuestas -error estadstico -estadstica inferencial -estadstico -parmetro -grados de libertad -histograma -media -mediana -moda -muestreo -muestra -poblacin
probabilidad -Prueba de chi-cuadrado -regresin estadstica -tabla de frecuencias -variable aleatoria -variable estadstica -varianza
Vase tambin
Estadstica inferencial
La inferencia estadstica es una parte de la Estadstica que comprende los mtodos y
procedimientos para deducir propiedades (hacer inferencias) de una poblacin, a partir de una
pequea parte de la misma (muestra).
La bondad de estas deducciones se mide en trminos probabilsticos, es decir, toda inferencia
se acompaa de su probabilidad de acierto.
La estadstica inferencial comprende:
La Teora de muestras.
La estimacin de parmetros.
El Contraste de hiptesis.
El Diseo experimental.
La Inferencia bayesiana.
Tabla de contenidos
1 Mtodo
o 1.1 Planteamiento del problema
o 1.2 Elaboracin de un modelo
o 1.3 Extraccin de la muestra
o 1.4 Tratamiento de los datos
o 1.5 Estimacin de los parmetros
o 1.6 Contraste de hiptesis
o 1.7 Conclusiones
2 Vase tambin
Mtodo
Un estudio estadstico comprende los siguientes pasos:
Elaboracin de un modelo
Se establece un modelo terico de comportamiento de la variable de estudio. En ocasiones no
es posible disear el modelo hasta realizar un estudio previo.
Los posibles modelos son distribuciones de probabilidad.
Extraccin de la muestra
Se usa alguna tcnica de muestreo o un diseo experimental para obtener informacin de una
pequea parte de la poblacin.
Contraste de hiptesis
Son tcnicas que permiten simplificar el modelo.
Conclusiones
Se critica el modelo y se hace un balance. Las conclusiones obtenidas en este punto pueden
servir para tomar decisiones o hacer predicciones.
El estudio puede comenzar de nuevo a partir de este momento, en un proceso cclico que
permite conocer cada vez mejor la poblacin y caractersticas de estudio.
Obtenido de "http://es.wikipedia.org/wiki/Estad%C3%ADstica_inferencial"
Muestreo
Teora de probabilidad
La teora de probabilidad es una teora muy intrincada y desarrollada para describir los
sucesos aleatorios. Las figuras prominentes incluyen matemticos rusos como A. N.
Kolmogorov. Se puede ver la teora de probabilidad de dos puntos de vista: la sin teora de
medidas, o la con teora de medidas. El primer punto de vista es lo que se ensea primero, y
entonces se introduce la teora de medidas. En este artculo se resean los conceptos bsicos
de la probabilidad.
Tabla de contenidos
1 Definicin Clsica
2 Definicin segn la Frecuencia Relativa y Definicin Aximatica
3 Probabilidad Discreta
4 Probabilidad Continua
o 4.1 Funcin de Densidad
5 Probabilidad condicional
6 Combinatoria
o 6.1 Combinaciones
o 6.2 Permutaciones
7 Bibliografa
8 Vase tambin
Definicin Clsica
La probabilidad es la caracterstica de un suceso del que existen razones para creer que se
realizar. Los sucesos tienden a ser una frecuencia relativa del nmero de veces que se realiza
el experimento.
La probabilidad p de aparicin de un suceso S de un total de n casos posibles igualmente
factibles es la razn entre el nmero de ocurrencias h de dicho suceso y el nmero total de
casos posibles n.
p = P{S} = h / n
La probabilidad es un nmero (valor) entre 0 y 1. Cuando el suceso es imposible se dice que
su probabilidad es 0 y se dice que es un suceso cierto cuando siempre tiene que ocurrir y su
probabilidad es 1. La probabilidad de no ocurrencia de un evento est dada por q donde:
q = P{noS} = 1 (h / n)
Simblicamente el espacio de resultados, que normalmente se denota por , es el espacio
que consiste en todos los resultados que son posibles. Los resultados, que se denota por
1,2, etctera, son elementos del espacio .
Probabilidad Discreta
Discreta porque la variable slo puede tomar valores enteros y un nmero finito de ellos. Si
una variable X puede tomar una serie de valores discretos X1, X2,...Xk con probabilidades
respectivas p1, p2,...pk, donde p1+p2+...pk=1, se dice que ha sido definida para X una
distribucin de probabilidad discreta.
Probabilidad Continua
Una variable aleatoria es una funcin
Funcin de Densidad
La funcin de densidad, o densidad de probabilidad de una variable aleatoria, es una funcin a
partir de la cual se obtiene la probabilidad de cada valor que toma la variable. Su integral en el
caso de variables aleatorias continuas es la distribucin de probabilidad. En el caso de
variables aleatorias discretas la distribucin de probabilidad se obtiene a travs del sumatorio
de la funcin de densidad.
Probabilidad condicional
Se llama probabilidad condicional a la probabilidad de que un suceso se cumpla habindose
cumplido ya otro. Se nota "probabilidad de A sabiendo que B se ha cumplido" de la siguiente
manera:
pB(A) p(A\B)
Dicha probabilidad se calcular de la siguiente forma:
Combinatoria
La teora combinatoria se aplica de diversas maneras al clculo de probabilidades.
Combinaciones
Permutaciones
Parmetro
Hiptesis
El trmino Hiptesis tiene varios usos, aunque el significado sea el mismo: "Afirmacin de la
que se parte".
Prueba de significacin
Prueba de Kolmogorov-Smirnov
Prueba de Chi-cuadrado (Prueba de )
t-test (t de Student)
Axiomas de probabilidad
En la teora de probabilidad matemtica se define la probabilidad con los tres axiomas de
Kolmogorov.
Tabla de contenidos
1 Axiomas de Kolmogorov
o 1.1 Primer axioma
o 1.2 Segundo axioma
o 1.3 Tercer axioma
Axiomas de Kolmogorov
Primer axioma
La probabilidad de un suceso A es un nmero real entre 0 y 1.
.
Segundo axioma
Un suceso de la muestra de todos los sucesos o espacio de sucesos
1.
.
la probabilidad del espacio muestral es igual a 1: p(S)=1
Tercer axioma
Si A1, A2 ... son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de
interseccin vaca dos a dos),
entonces:
Distribucin de probabilidad
En estadstica la distribucin de probabilidad F(x) es una funcin de la probabilidad que
representa los resultados que se van obteniendo en un experimento aleatorio.
Para un nmero dado x, la probabilidad
es:
por lo que
y finalmente
Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de la
variable aleatoria x conoceremos completamente la distribucin de probabilidad de la
variable.
Como la probabilidad es siempre un nmero positivo, la funcin de distribucin ser una
funcin no decreciente que cumple lo siguiente:
Tabla de contenidos
Distribucin binomial.
Se denomina variable discreta a aquella que slo puede tomar unos determinados valores, el
conjunto de valores que toma X es finito o numerable. En este caso la distribucin de
probabilidad es el sumatorio de la funcin de densidad, por lo que tenemos entonces que:
Distribucin uniforme
Distribucin binomial
Distribucin binomial negativa
Distribucin Poisson
Distribucin geomtrica
Distribucin hipergeomtrica
Distribucin zeta
Distribucin normal.
Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos valores
existentes dentro de un intervalo finito. En el caso de variable continua la distribucin de
probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:
Distribucin uniforme
Distribucin normal (gaussiana)
Distribucin gamma
Distribucin exponencial
Distribucin Pareto
Distribucin Chi-cuadrado
Distribucin t de Student
Distribucin Laplace
Distribucin beta
Distribucin de Cauchy
Distribucin F de Snedecor
Axiomas de probabilidad
En la teora de probabilidad matemtica se define la probabilidad con los tres axiomas de
Kolmogorov.
Tabla de contenidos
1 Axiomas de Kolmogorov
o 1.1 Primer axioma
o 1.2 Segundo axioma
o 1.3 Tercer axioma
Axiomas de Kolmogorov
Primer axioma
Segundo axioma
Un suceso de la muestra de todos los sucesos o espacio de sucesos
1.
.
la probabilidad del espacio muestral es igual a 1: p(S)=1
Tercer axioma
Si A1, A2 ... son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de
interseccin vaca dos a dos),
entonces:
Distribucin de probabilidad
En estadstica la distribucin de probabilidad F(x) es una funcin de la probabilidad que
representa los resultados que se van obteniendo en un experimento aleatorio.
Para un nmero dado x, la probabilidad
es:
por lo que
y finalmente
Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de la
variable aleatoria x conoceremos completamente la distribucin de probabilidad de la
variable.
Como la probabilidad es siempre un nmero positivo, la funcin de distribucin ser una
funcin no decreciente que cumple lo siguiente:
Tabla de contenidos
Distribucin binomial.
Se denomina variable discreta a aquella que slo puede tomar unos determinados valores, el
conjunto de valores que toma X es finito o numerable. En este caso la distribucin de
probabilidad es el sumatorio de la funcin de densidad, por lo que tenemos entonces que:
Distribucin uniforme
Distribucin binomial
Distribucin binomial negativa
Distribucin Poisson
Distribucin geomtrica
Distribucin hipergeomtrica
Distribucin zeta
Distribucin normal.
Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos valores
existentes dentro de un intervalo finito. En el caso de variable continua la distribucin de
probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:
Distribucin uniforme
Distribucin normal (gaussiana)
Distribucin gamma
Distribucin exponencial
Distribucin Pareto
Distribucin Chi-cuadrado
Distribucin t de Student
Distribucin Laplace
Distribucin beta
Distribucin de Cauchy
Distribucin F de Snedecor
Teorema de Bayes
El teorema de Bayes, descubierto por Thomas Bayes, en la teora de la probabilidad, es el
resultado que da la distribucin de probabilidad condicional de una variable aleatoria A dada
B en trminos de la distribucin de probabilidad condicional de la variable B dada A y la
distribucin de probabilidad marginal de slo A.
Sea A1, A2, ...,An un conjunto de sucesos incompatibles cuya unin es el total y tales que la
probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se
conocen las probabilidades condicionales P(B/Ai). entonces la probabilidad P(Ai/B) viene
dada por la expresin:
donde:
P(Ai) son las probabilidades a priori.
P(B | Ai) es la probabilidad de B en la hiptesis Ai.
P(Ai | B) son las probabilidades a posteriori.
Esto se cumple
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin
embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los
seguidores de la estadstica tradicional slo admiten probabilidadades basadas en
experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados
estadisticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces
para indicar como debemos modificar nuestras probabilidades subjetivas cuando recibimos
informacin adicional de un experimento. La estadstica bayesiana est demostrando su
utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y permitir
revisar esas estimaciones en funcin de la evidencia es lo que est abriendo nuevas formas de
hacer conocimiento.
Temas relacionados
La paradoja de Raven
La falacia del fiscal
La navaja de Occam
Estadstica industrial
La estadstica industrial es la rama de la estadstica que busca implementar los procesos
probabilsticos y estadsticos de anlisis e interpretacin de datos o caractersticas de un
conjunto de elementos al entorno industrial, a efectos de ayudar en la toma de decisiones y en
el control de los procesos industriales y organizacionales.
Pueden distinguirse tres partes:
Econometra
La economa naci como ciencia social, tratando de explicar la distribucin de recursos
escasos entre distintos fines posibles.
Por una parte, los economistas han tratado de concebir modelos que explicaran el
comportamiento de sus semejantes en cuanto a la actividad econmica. Por otra parte, ha
habido un afn de tratar de corroborar esos modelos a travs de su cuantificacin matemtica.
En todo ello, los econmetras (economistas cuantitativos) han tratado de emular a las ciencias
matemticas y a las de la naturaleza (fsica, qumica) con mejor o peor resultado a travs del
tiempo. Hay que considerar que tratan con uno de los fenmenos ms complejos que
conocemos, el comportamiento de los humanos.
En la elaboracin de la econometra se unen las matemticas, y la estadstica junto con la
investigacin social y la teora econmica. De hecho este campo ha producido grandes ideas
matemticas y estadstica como la teora de juegos.
El mayor problema con el que se enfrentan los econmetras en su investigacin es la escasez
de datos y los grandes sesgos que habitualmente encuentran en los mismos. An as, su
trabajo contribuye a conocer al menos en parte algunos aspectos del comportamiento
econmico de la humanidad.
Tabla de contenidos
1 Definiciones de Econometra
2 Descripcin somera de la Econometra
3 El mtodo de mnimos cuadrados (Estimacin MCO)
4 Problemas del Mtodo de los Mnimos Cuadrados
5 Lecturas recomendadas
6 Vase tambin
Definiciones de Econometra
Entre las definiciones de econometra que los economistas relevantes han formulado a lo
largo de la historia, podemos destacar las siguientes:
Ragnar Frisch (1930): 'La experiencia ha mostrado que cada uno de estos tres puntos de vista,
el de la estadstica, la teora econmica y las matemticas, es necesario, pero por s mismo no
suficiente para una comprensin real de las relaciones cuantitativas de la vida econmica
moderna. Es la unin de los tres aspectos lo que constituye una herramienta de anlisis
potente. Es la unin lo que constituye la econometra"
Samuelson, Koopmans y Stone (1954): '... el anlisis cuantitativo de fenmenos econmicos
actuales, basado en el desarrollo congruente de teora y observaciones, y relacionado por
mtodos apropiados de inferencia.'
Valavanis (1959): 'El objetivo de la econometra es expresar las teoras econmicas bajo una
forma matemtica a fin de verificarlas por mtodos estadsticos y medir el impacto de una
variable sobre otra, as como predecir acontecimientos futuros y dar consejos de poltica
econmica ante resultados deseables.'
Klein (1962): 'El principal objetivo de la econometra es dar contenido emprico al
razonamiento a priori de la economa.'
Malinvaud (1966): '... aplicacin de las matemticas y mtodo estadstico al estudio de
fenmenos econmicos.'
Christ (1966): 'Produccin de declaraciones de economa cuantitativa que explican el
comportamiento de variables ya observadas, o predicen la conducta de variables an no
observadas.'
Intriligator (1978): 'Rama de la economa que se ocupa de la estimacin emprica de
relaciones econmicas.'
Chow (1983): 'Arte y ciencia de usar mtodos para la medida de relaciones econmicas.'
propuesto, y comparar esos valores con los que realmente tom la variable endgena. Los
parmetros que lograran ese mnimo, el de las suma de los errores cuadrticos, se acepta que
son los que estamos buscando, de acuerdo con criterios estadsticos.
Tambin, este mtodo nos proporcionar informacin (en forma de ciertos valores estadsticos
adicionales, que se obtienen adems de los de los parmetros) para ver en qu medida los
valores de los parmetros que hemos obtenido resultan fiables, por ejemplo, para hacer
contrastes de hiptesis, esto es, ver si ciertas suposiciones que se haban hecho acerca del
modelo resultan, o no, ciertas. Se puede usar tambin esta informacin adicional para
comprobar si se pueden prescindir de algunas de esas variables, para ver si es posible que los
valores de los parmetros hayan cambiado con el tiempo (o si los valores de los parmetros
son diferentes en una zona econmica de los de otra, por ejemplo), o para ver en qu grado
son vlidas predicciones a cerca del futuro valor de la variable endgena si se supone que las
variables exgenas adoptarn nuevos valores.
Tambin hay que tener en cuenta que en ciertos modelos puede haber relaciones dinmicas,
esto es, que una variable exgena dependa, adems, de los valores que ella misma y/u otras
variables tomaron en tiempos anteriores. Para resolver estos problemas se estudian lo que se
llama modelos de Series temporales.
Bioestadstica
La bioestadstica, de forma general, es la aplicacin de la estadstica a la biologa y de forma
ms frecuente a la medicina. Debido a que las cuestiones a investigar en biologa y medicina
son de naturaleza muy variada, la bioestadstica ha expandido sus dominios para incluir
cualquier modelo cuantitativo, no slo estadstico, que pueda ser usado para responder a estas
necesidades. La bioestadstica puede ser considerada como una rama, altamente especializada,
de la informtica mdica que puede ser, a su vez, complementada por la bioinformtica.
La aplicacin resulta hoy en da necesaria, en los campos:
Fsica estadstica
La fsica estadstica es una de las ramas fundamentales de la fsica y emplea mtodos
estadsticos para resolver problemas fsicos. Puede describir numerosos campos con una
naturaleza estocstica (reacciones nucleares, sistemas biolgicos, qumicos, neurolgicos,
etc.).
La fsica estadstica emplea metodologa estadsticas y probabilsticas para explicar
situaciones donde la aplicacin de los mtodos usuales de la mecnica clsica y de la
mecnica cuntica seran muy complicados. Por ejemplo, cuando un sistema clsico consiste
en muchsimas partculas utilizar las ecuaciones de movimiento para cada una de ellas es una
tarea que en la prctica es imposible. Ah resulta beneficioso utilizar propiedades estadsticas
para describir el comportamiento de estas partculas y as poder obtener informacin relevante
del sistema. El caso ms simple de esta utilidad es el estudio de gases. En un gas, por ejemplo
de aire, existen 6.02x1023 partculas. Sin embargo, gracias a la estadstica es posible deducir
las leyes macroscpicas de estos gases, las cuales slo dependen de pocas variables (tales
como la presin, el volumen y la temperatura). Este enforque particular para estudiar el
comportamiento de los gases se llama teora cintica.
Campana de Gauss
Campana de Gauss.
Forma tridimensional.
En matemticas, la campana de Gauss es la representacin grfica de la ecuacin
matemtica que corresponde a una distribucin normal. Tiene forma de campana y debe su
nombre al matemtico alemn Carl Friedrich Gauss.
Aplicaciones
Cuando se realizan series de medidas experimentales, algunas de ellas son mayores que la
media y otras menores. Si se representa en el eje horizontal las medidas obtenidas y en el
vertical el nmero de veces que se obtiene cada valor, se obtiene lo que se llama un
histograma de frecuencias.
Si se elimina el error sistemtico, el conjunto de datos obtenido se distribuye de forma
simtrica alrededor de la media, dando una curva en forma de campana.
Muchas variables se distribuyen de esta forma (variables tanto de tipo morfolgico (p.e. la
altura de las personas en una poblacin) como fisiolgicas, sociolgicas, etc.
Constituye otra forma de expresar lo establecido en el Teorema central del lmite: variables
independientes que no siguen necesariamente una distribucin normal s lo hacen para
tamaos suficientemente grandes de la muestra.
Vase tambin
Estadstica
Distribucin normal
Teorema central del lmite
Curva de la baera
Simulacin
sean flexibles o mejorables y que no sea invasivo o cambiar la poblacin de las muestras
sucesivas.
Vase tambin
Modelo
Metodologa en las ciencias sociales
Sistema dinmico
Efecto mariposa
Teora de la medida
En matemticas, una medida es una funcin que asigna un nmero, e.g., un "tamao", un
"volumen", o una "probabilidad", a los subconjuntos de un Conjunto dado. El concepto es
importante para el Anlisis matemtico y para la Teora de la probabilidad.
La Teora de la Medida es la rama del Anlisis real que investiga las -lgebras, las medidas,
funciones medibles e Integrales. Es de importancia en Probabilidad y Estadstica.
Vase tambin Integracin de Lebesgue, Medida de Lebesgue
Tabla de contenidos
1 Definiciones formales
2 Propiedades
o 2.1 Monotona
o 2.2 Uniones contables
3 Medidas sigma-finitas
4 Completitud
5 Ejemplos
6 Contraejemplos
7 Generalizaciones
8 Vase tambin
Definiciones formales
Formalmente, una medida es una funcin definida en una -lgebra sobre un conjunto X
con valores en el intervalo real extendido [0, ], que satisfaga las siguientes dos propiedades:
Propiedades
Varias propiedades pueden ser deducidas directamente de la definicin.
Monotona
es montona: si E1 y E2 son dos conjuntos medibles, con E1 E2, entonces (E1) (E2).
Uniones contables
Si E1, E2, E3, ... es una sucesin contable de conjuntos medibles, su unin ser tambin
medible (por la definicin de -lgebra), y
Intersecciones contables
Si E1, E2, E3, ...es una sucesin contable de conjuntos medibles, y En+1 En para todo n,
entonces la interseccin de los conjuntos En es medible (de nuevo, por la definicin de lgebra); ms an, si al menos uno de los En tiene medida finita, entonces
Esta igualdad no es necesariamente cierta si ninguno de los En tiene medida finita; por
ejemplo, para cada n N, tmese
Todos estos conjuntos tienen medida infinita, de modo que el lmite al lado derecho de la
igualdad es ; sin embargo, su interseccin es vaca y por lo tanto tiene medida 0.
Medidas sigma-finitas
Un espacio de medida (X, , ) se dice finito si (X) es un nmero real finito (en lugar de ).
Y se dice -finito (ledo sigma finito) si X es la unin contable de conjuntos medibles de
medida finita. Un conjunto en un espacio de medida tiene medida -finita si es una unin
contable de conjuntos de medida finita.
Por ejemplo, los nmeros reales con la medida de Lebesgue estndar forman un espacio finito pero no finito. Considrese el intervalo cerrado [k, k+1] para cada entero k; hay una
cantidad contable de tales intervalos, cada uno tiene medida 1, y su unin es la recta real
completa. Alternativamente, tmense los nmeros reales con la medida de conteo, que asigna
a cada conjunto finito de nmeros reales el nmero de puntos en el conjunto. Este espacio de
medida no es -finito, ya que cada conjunto de medida finita contiene finitos puntos, y se
necesitara una cantidad no contable de ellos para cubrir la recta entera. Los espacios de
medida -finita tienen algunas propiedades convenientes; as, la -finitud puede ser
comparada a la separabilidad de los espacios topolgicos.
Completitud
Un conjunto medible S es llamado un conjunto nulo si (S) = 0, y conjunto despreciable si
est contenido en uno nulo. La medida se dice completa si todo conjunto despreciable es
medible (y por lo tanto, nulo tambin).
Una medida puede extenderse a una completa considerando la -lgebra de conjuntos T X
que difieren de un conjunto medible S en un conjunto despreciable; esto es, tal que la
diferencia simtrica T S est contenida en un conjunto nulo. En tal caso se define (T) =
(S).
Ejemplos
A continuacin se listan algunos ejemplos importantes de medidas.
Contraejemplos
Contrariamente a la intuicin, no todos los conjuntos son medibles; algunos ejemplos de
conjuntos que no tienen medidas o que resultan en paradojas son el conjunto de Vitali, la
paradoja de Hausdorff, y la paradoja de Banach-Tarski.
Generalizaciones
Para ciertos propsitos, es til tener una "medida" cuyos valores no se restrinjan a los reales
no negativos y el infinito. Por ejemplo, una funcin de conjunto contablemente aditiva con
valores en los nmeros reales (con signo) se llama medida con signo, mientras que tal tipo de
funcin con valores en los nmeros complejos se llama medida compleja. Una medida que
tome valores en un espacio de Banach se llama medida espectral; son usadas a menudo en
anlisis funcional en el teorema espectral. Para distinguir las medidas usuales, con valores
positivos, de las generalizaciones, se habla de medidas positivas.
Otra generalizacin es la medida finitamente aditiva. Es igual que una medida, salvo que en
lugar de requerir aditividad contable, slo se necesita aditividad finita. Histricamente, esta
definicin se us inicialmente, pero no result ser tan til. En general, las medidas finitamente
aditivas estn conectadas con nociones como los lmites de Banach, el dual de L, y la
compactificacin de Stone-ech. Todas stas estn conectadas de alguna forma con el axioma
de eleccin.
El interesante resultado en geometra integral conocido como teorema de Hadwiger establece
que el espacio de funciones de conjunto invariantes por translaciones, finitamente aditivas, no
necesariamente no negativas definidas sobre las uniones finitas de conjuntos compactos y
convexos en Rn consiste (salvo mltiplos escalares) en una "medida" que es "homognea de
grado k" para cada k = 0, 1, 2, ..., n, y combinaciones lineales de esas "medidas". "Homognea
de grado k" significa que "re-escalar" cualquier conjunto por un factor c > 0 multiplica la
"medida" del conjunto por un factor ck. La que es homognea de grado n es el volumen
ordinario n-dimensional. La homognea de grado n-1 es el "volumen de superficie". La
homognea de grado 1 es una funcin misteriosa llamada "anchura media" (en ingls, "mean
width"), un mal nombre. La homognea de grado 0 es la caracterstica de Euler.
Paradoja de Simpson
La paradoja de Simpson (o efecto Yule-Simpson) describe la desaparicin de una asociacin
o comparacin significativa de dos variables cuando los datos son desagregados por grupos.
Tambin referida como el cambio en el sentido de una asociacin entre dos variables
(cuantitativas o cualitativas) cuando se controla el efecto de una tercera variable o variable de
confusin.
Recibe el nombre en honor de Edward Simpson, quien la describi en 1951, aunque fue
previamente descrita por el estadstico britnico G. Udny Yule a inicios de 1900.
La paradoja de Simpson puede ocurrir siempre que los datos que estudiamos estn agregados
(combinados). Si los datos estn combinados, y no desagregados (v.g. por edad, raza, grados,
etc.), el efecto global puede no representar lo que realmente pasa.
Estadstico
Un estadstico es una medida cuantitativa, derivada de un conjunto de datos de una muestra
con el objetivo de estimar o contrastar caractersticas de una poblacin o modelo estadstico.
Estadsticos muestrales
Media muestral
Varianza muestral
Momentos muestrales
Estimacin de parmetros
Estadsticos suficientes
Estimacin puntual
Contraste de hiptesis
Prueba o test 2 (chi-cuadrado)
test t-Student
test F-Snedecor