Prueba de hiptesis para verificar la independencia
estadstica entre dos variables aleatorias
Plinio R. Carracedo Gonzlez
Resumen Durante la realizacin de las investigaciones
aplicando los mtodos de Montecarlo, es preciso simular
determinadas leyes de distribucin que exigen independencia
estadsticas entre las variables aleatorias que la forman. Sin
embargo, stas se implementan a partir de los generadores de
nmeros pseudo aleatorios que vienen dentro del paquete de
software que posee la mquina computadora digital y por regla
general, stos tienen un nivel de correlacin dado lo cual
perjudica la aplicacin del mtodo.
El presente trabajo aborda como se soluciona la problemtica
planteada, aplicando una prueba de hiptesis que permite
determinar el nivel de correlacin de rango entre dichas
variables aleatorias y con ello, dar un dictamen de su
independencia estadstica para simular, la ley de distribucin
deseada.
Abstract During achievement of the research applying
Monte Carlos methodos, is precise to simulate determined laws
of distribution that require statistical independence among at
random variables that is formed. However they get into a great at
random generators that are included in the digital computer
machines software.
Generally, there is correlations that affect the method
application.
The work deal with the present problem and its solution.
I. INTRODUCCIN
Durante la realizacin de las investigaciones aplicando los
mtodos de Montecarlo, es preciso simular determinadas leyes
de distribucin que exigen independencia estadsticas entre las
variables aleatorias que la forman. Sin embargo, stas se
implementan a partir de los generadores de nmeros pseudo
aleatorios que vienen dentro del paquete de software que
posee la mquina computadora digital y por regla general,
stos tienen un nivel de correlacin dado lo cual perjudica en
un momento dado la aplicacin del mtodo.
Una de las formas de solucionar la problemtica planteada,
consiste primeramente conocer los mtodos generales en que
elaboran computacionalmente los generadores de nmeros
aleatorios y partiendo de esos principios, una vez obtenidas las
variables aleatorias correspondientes aplicar una prueba de
hiptesis que permita determinar el nivel de correlacin de
rango entre dichas variables y con ello, dar un dictamen de su
independencia estadstica que facilite as, poder simular la ley
de distribucin deseada.
II. DESCRIPCIN DE LOS GENERADORES DE NMEROS
PSEUDOALEATORIOS
Por sus caractersticas generales de obtencin, los nmeros
aleatorios se pueden clasificar en:
Nmeros aleatorios.
Nmeros cuasi aleatorios.
Nmeros pseudos aleatorios.
Los nmeros aleatorios [1, 2] propiamente dicho no pueden
ser generados para su obtencin, por mquinas computadoras
digitales basadas en algoritmos recursivos de trabajo. Su
adquisicin ocurre, mediante la importacin desde fuentes
externas a stas que pueden ser: tablas especiales, generadores
de descomposicin nuclear, memorias y otros.
Los nmeros cuasi aleatorios [3, 4], son creados por
algoritmos destinados a la refinacin de caractersticas que
provienen de las secuencias de ellos, con distribuciones
uniformes entre cero y uno.
Los nmeros pseudos aleatorios [5, 6, 7] como su nombre lo
indica, se obtienen sobre la base de algoritmos programados a
partir de formas iterativas. Sin embargo, aparentemente tienen
una gran semejanza a los aleatorios y poseen determinadas
exigencias entre las que se encuentran:
1. Buenas caractersticas estadsticas, donde a partir de un
test tanto terico como emprico, se compruebe la calidad
de ellos, hacindolos aptos para una aplicacin.
2. Largo perodo el cual est relacionado con las frmulas
iterativas que los crean y, por tanto, su estado siempre se
guarda como un nmero entero y por consiguiente, no
pueden tener ms estados que el nmero mximo de
enteros.
Adems de estas dos exigencias ellos tambin, deben tener
reproductividad y portabilidad. Esta ltima se relaciona con la
posibilidad de que los generadores que elaboren estos tipos de

nmeros, puedan ser empleados en diferentes lenguajes de
programacin. De aqu se deriva otra exigencia que se
relaciona con una implementacin eficiente.
Para la realizacin de una implementacin de esa ndole, en
las mquinas computadoras digitales se emplean diferentes
algoritmos basados en frmulas de generadores pseudos
aleatorios. Uno de estos generadores es el denominado
congruencial lineal, que tambin es llamado congruencial
mezclado. Los trabajos sobre estos tipos de generadores
fueron propuestos por Lhemer [6, 7] en 1948 aunque no se
publicaron hasta 1951. El principio de funcionamiento de este
generador se basa en la frmula recursiva:
[ ]
f (x i + 1) = af ( x i ) + c mod m (1)
Donde:
a, c, m constantes enteras positivas.
mod valor tomado como el resto despus de efectuar la
divisin de dos nmeros.
Cuando la variable independiente de la funcin toma el valor
inicial f ( x 0 ) , entonces a ese valor se le denomina semilla
del generador [5, 6, 7].
Si la constante c es igual a cero, el generador se nombra
multiplicativo, mientras que si m corresponde a un nmero
primo, entonces el perodo del generador p es:
p = m 1 (2)
Una eleccin prctica para los generadores multiplicativos
[5, 6], es cuando los coeficientes a y m toman los valores:
a = 16807
(3)
m = 2 1
31
Al sustituir estos valores en la frmula del generador se
obtiene:
f ( x i + 1) = (16807x i ) mod(2 31 1) (4)
Con un perodo igual a:
p = 2 31 2 (5)
Y el valor inicial de xi constituye la semilla de dicho
generador.
Cuando se analizan los generadores congruenciales, cada
juego de valores escogidos, es generalmente considerado
como un generador separado con sus propiedades especficas.
Con una buena eleccin de los valores de sus parmetros,
estos generadores entregan a su salida nmeros pseudos
aleatorios [8] que pueden ser empleados en diversas
aplicaciones. No obstante a su descripcin, estos presentan las
siguientes deficiencias:
1. Perodo relativamente corto que puede consumirse en
simulaciones de mediana complejidad.
2. Los vectores D-dimensionales (x1, x2, x3,,xD); (xD+1,
xD+2,xD+D); .... formados por nmeros pseudos
aleatorios uniformemente distribuidos de 0 a 1, descasan
en hiper planos paralelos entre s.
Debido a todo lo antes mencionado, los nmeros aleatorios
obtenidos a partir de estos generadores cuando se utilizan para
formar ms de una variable aleatoria y adems se necesite
como requisito la independencia estadstica entre ellas, no
siempre se cumple esta ltima condicin producto entre otras
cosas, a la existencia de un determinado grado de correlacin
entre ambas variables aleatorias.
CCIA2008 2
Para corroborar que no exista dicha correlacin, es
imprescindible aplicar una prueba de hiptesis estadstica que
verifique la independencia existente entre esas variables
aleatorias.
III. CRITERIO DE CORRELACIN DE RANGO DE SPEARMAN
Cuando se trata de un gran volumen de la muestra, para
estimar la dependencia entre las variables aleatorias, se utiliza
como prueba de hiptesis, las correlaciones de rango [9].
Dentro de ellas encuentra el coeficiente de correlacin de
rango de Spearman S [9].
Sea (a1, a2) el volumen de una muestra de observaciones de las
variables aleatorias continuas A1, A2 [9].
A cada valor a1i, (i = 1,2,..., n ) , se le asigna el rango a1, o
sea, el nmero del elemento ai en la serie varacional
a (1) , a (2 ) ,......, a (n ) .
De modo anlogo se determinan los rangos a2 de los
elementos a2i, (i = 1,2,..., n ) . De esta manera, a cada par (a1,
a2) le corresponde un par de rangos (a1, a2).
Se calcula el coeficiente de correlacin basndose en la
muestra de rangos. El valor rS obtenido, se denomina valor
muestral del coeficiente de correlacin de rango de Spearman
que caracteriza la dependencia entre las variables aleatorias
A1, A2 [9] y se determina por la expresin:
6
n
(a 1 a 2 )2
(6)
rS = 1 i =1
(
n n2 1 )
Donde:
rS valor muestral del coeficiente de correlacin de rango de
Spearman.
a ;a - muestras de rangos de las variables aleatorias.
1 2
n magnitud de la muestra elegida de las variables aleatorias.
El coeficiente rS, es una medida no paramtrica [9] de
relacin y por consiguiente, puede utilizarse en caso de una
distribucin continua arbitraria de la poblacin madre.
Para calcular el valor muestral del coeficiente, se utilizan dos
hiptesis que son:
Primera hiptesis:
Ho : S = rS = 0 (7)
Si se cumple la hiptesis, se acepta Ho y no hay correlacin de
rango entre las variables aleatorias analizadas lo cual significa
que son independientes entre s. De no cumplirse sta, se
desarrolla una segunda hiptesis:
Segunda hiptesis:
H1 : S = rS 0 (8)
Donde:
H1 - condicin que describe la segunda hiptesis.
De cumplirse ella, se realiza la verificacin para el volumen de
la muestra n 9 por el valor de la estadstica [9]:

T (n 2) = t m = rS
(n 2)
(1 r )
2
(9)
S muestra de la variable aleatoria a1. Ese rango de a1 es
Donde:
t(n-2) cuantl de la distribucin de Student con (n-2) grados
de libertad. (Ver el valor que toma ste en la tabla S7
[9]).
Si se cumple que:
t m > t (1 2 ) (n 2)
(10)
Donde:
- nivel de significacin de la probabilidad confidencial
p = 1- /2.
Entonces finalmente se rechaza la hiptesis Ho lo cual
significa que existe una dependencia de correlacin de rango
entre las variables aleatorias analizadas.
Al rechazar la hiptesis, se debe generar otra nueva variable
aleatoria y volver aplicar el criterio hasta lograr que ste se
cumpla.
Una vez realizada la prueba de hiptesis, esas variables
aleatorias se guardan en un fichero y a partir de ellas se
pueden realizar la simulacin de la ley de distribucin
requerida y con ello aplicar los mtodos de Montecarlo en la
solucin de procesos.
Finalmente la sntesis de los pasos del algoritmo queda
conformada de la siguiente manera:
1. Se generan las variables aleatorias A1 y A2 y de ellas
se toma el volumen de una muestra (a1, a2) en cada
momento de tiempo t, las que se representan como:
a1 = rand ( )1 (11)
a 2 = rand ( )2 (12)
Donde:
rand ( ) generador de nmeros aleatorios
congruencial lineal que produce un
nmero entero aleatorio entre 0 y
RAND_MAX.
RAND_MAX operador que devuelve el
mximo de los nmeros
enteros aleatorios.
2. Se establece en forma varacional la muestra de la
variable aleatoria a1 y se le otorga un rango a la
misma a(i)1 dando para ello, un valor ascendente
donde (i = 1,2,..., n ) . Como resultado se tiene una
serie de trminos a(i)1 con su rango correspondiente y,
a cada uno de ellos, le corresponde un valor de la
variable aleatoria a2 que tena antes de situarse a1 en
forma varacional. Estos se van organizando en pareja
hasta el ltimo elemento de la muestra.
3. Se sustituye a1 por su rango (valores de i) y se coloca
la muestra de la variable aleatoria a2 tambin en
forma varacional, obtenindose una nueva serie de
trminos a(i)2 donde (i = 1,2,..., n ) .
4. El rango de la nueva muestra a(i)2 se determina
tomando desde el menor valor de la serie situada a
partir de la izquierda de ella y comparndose con su
igual en la muestra de la variable aleatoria a2 que es
funcin del rango de a1. De ah, consecutivamente
CCIA2008 3
cada uno de los trminos a(i)2, le corresponde a su
vez, un valor de rango de la serie varacional de la
el valor de rango que se le otorga a a2, obtenindose
de esa manera un par (a1, a2).
5. Se calcula la diferencia de cada una de las parejas de
rango (a1-a2) de la muestra obtenida.
6. Se eleva al cuadrado el resultado anterior y los
valores obtenidos se suman.
7. La magnitud de la suma se sustituye en la expresin
rs, sta se calcula y se obtiene su valor. Si es igual a
cero, directamente se puede afirmar que no hay
correlacin de rango lo cual significa que hay
independencia estadstica entre dichas variables
aleatorias.
8. Si es desigual de cero, entonces se determina el valor
muestral de la estadstica tm en funcin del volumen
de la muestra y el cuantl de la distribucin de
Student de n 2 grados de libertad, dada una
probabilidad confidencial con un nivel determinado
de significacin.
9. Se aplica el criterio estadstico y si se cumple,
entonces se rechaza la hiptesis H0 lo cual significa
que existe una dependencia de correlacin de rango
entre las variables aleatorias analizadas. En este caso,
hay que nuevamente seleccionar dos volmenes de
muestras de dichas variables aleatorias y someterlas
al criterio hasta que se cumpla con el requisito.
10. Una vez obtenida la independencia estadstica entre
dichas variables, stas se guardan en un fichero y a
partir de aqu pueden ser empleadas en la obtencin
de leyes de distribucin y aplicar con ellas, los
mtodos de Montecarlo en la solucin de problemas.
El algoritmo entonces puede ser representado en la siguiente
figura.
Inicio
Se generan volmenes de muestras a1, a2 de las
variables aleatorias A1, A2.
a1 0 0,4 0,2 0,1 0,8 0,3 ., n
a2 0,7 0,1 0,5 0,9 0,4 0,2 ., m
Se coloca en forma varacional el volumen de la
muestras a(i)1 i =(1,2,.,n)
a(i)1 0 0,1 0,2 0,3 0,4 0,8,..., n
a2 0,7 0,9 0,5 0,2 0,1 0,4,..., m
Se determina el rango de a1
a1 1 2 3 4 5 6,..., n
a2 0,7 0,9 0,5 0,2 0,1 0,4,., m
Se coloca en forma varacional el volumen de la
muestra a(i)2 i =(1,2,.,n)
a1 1 2 3 4 5 6 ,..., n
a(i)2 0,1 0,2 0,4 0,5 0,7 0,9,..., m
1 2
 CCIA2008 4

[3] Gmurman, E. V, Teora de la probabilidades y estadstica

1 matemtica, Editorial Pueblo y Educacin, 1979.
2
[4] Tijonov, B.I., Transformaciones no lineales de procesos
(i) aleatorios, Editorial Radio y Comunicacin, Mosc URSS, 1986.
Se determina el rango de a 2 comparando el valor
que toma ste con el rango de a1 [5] O Connell, R, Generadores de nmeros pseudos aleatorios,
a1 1 2 3 4 5 6 ,..., n Univeresidad Brunel, 1999.
a2 5 4 6 3 1 2,..., m
[6] Wichmann, B. A., Generadores de nmeros pseudos aleatorios,
NPL report, nacional Physical Laboratory, 1982.
Se calcula la diferencia de rangos a1 - a2 y se eleva al
cuadrado
[7] Reif, R. C. y Tigar, J. D., Generadores de nmeros pseudos
a1- a2 (1 -5) (2-4) (3-6) (4-3) (5-1) (6-2) (n-m)
aleatorios paralelos eficientes, 1985.
(a1- a2)2 16 4 9 1 16 16 (n-m)2
[8] Knut, D. E., El arte de la programacin computacional, Vol. 2.
Algoritmos semi numricos, 1969.
Se suman los cuadrados, se sustituye en la frmula
de rs y se calcula su valor. [9] Colectivo de Autores, Problemas de las Matemticas Superiores
III, Editorial MIR, Mosc, 1986.

SI NO Plinio R. Carracedo Gonzlez, Doctor

rs= 0 en Ciencias Tcnicas, Investigador
Auxiliar y Profesor Titular. Graduado
como ingeniero en el Instituto Tcnico
a1 , a2 son Militar Jos Mart, Orden Antonio
independientes Calcular tm Maceo desde el ao 1986 donde labora
actualmente. Posee ms de dos dcadas
de experiencia como docente en la
Guardar en un Enseanza de nivel Superior y adems,
fichero NO SI
tm> t(1-/2)(n-2) como investigador. Ha recibido e
impartido varios cursos de superacin
profesional y de formacin acadmica
FIN de postgrado, participando tambin en
diversos eventos cientficos.
Ha realizado publicaciones y elaborado manuales y un libro, todos ellos de
Hay correlacin carcter cientfico. Posee una distincin y dos condecoraciones por la actividad
a1 , a2 son de rango cientfica.
independientes

Guardar en un
fichero

FIN

Fig. 1 Algoritmo del criterio de correlacin de rango de Spearman.

IV. CONCLUSIONES
Los principales aspectos descritos hasta aqu, facilitan el
modelado y simulacin computacional de leyes de distribucin
sobre la base de variables aleatorias independientes entre s,
verificadas a partir del criterio de correlacin de rango. Se
desarroll adems, la sntesis del algoritmo para crear y
obtener empleando los generadores de nmeros pseudos
aleatorios, los juegos de valores de variables aleatorias no
correlacionadas entre s.

REFERENCIAS
[1] Calero Vinelo, Arstides, Teora de la Estimacin, Editora
Ministerio de Educacin Superior, Ciudad de La Habana, 1985, pp.
12-16.

[2] Rairfield, R. C. y Col, Generadores de nmeros aleatorios, (SE),

1984, pp. 203-230.