ESTIMAGIONES BIPUNTUALES EN PROBABILIDADES EMILIO ROSENBSLUETH « Traduccién del articula“ Two -polnt estimates in probabilities” dal mismo autor, sobretiro de Applied Mathematical Modelling, editado por el Instituto de Ingenieria, UNAM, N. &-49 « Investigador, Instituto de Ingenierfa, UNAMlL, INTRODUCCION FUNCION DE UNA VARTABLE FUNCION DE VARIAS VARIABLES ESTADISTICA BAYESTANA EJEMPLOS: Funcién suave de une variable abeatonia Disconténwidad en La primera derivada Function de dos vantables Estadistiea bayesiana RESUMEN Y CONCLUSIONES RECONOCINTENTO REFERENCIAS. ‘TABLAS FIGURAS APENDICE A. CONDICIONES POR SATISFACER, CONCENTRACIONES ¥ NUMERO DE PAZAMETROS REDUNDANTES 10 10 qb aL 12 13 15 4s 7 19 251, INTRODUCCION En multitud de problemas es a tal grado significativa la incertidumbre en los datos y en las teorfas que seria obligado un enfoque probabilis ta. Sin embargo, es frecuente que se prefiera un tratamiento deterninis ta por rehuir la complicacién de un andlisis probabilista riguroso. En tales casos se sustituyen las variables aleatorias por estimaciones pun tuales, es decir, cada variable con un valor central (esperanza, media nao modo), © uno conscientemente sesgado para incurrir en errores del signo que sea menos desfavorable, y se los trata como si fueran deter- ministas, Los resultados se expresan entonces también como estimaciones puntuales gin suministrer siquiera una idea de su diferencia con los co rrespondientes valores centreles o de la magnitud del sesgo ni de la dis persién. En toma de decisiones, muchas veces bastaria un cfilculo fidedig no del primer momento, o esperanza, de funciones de las variables aleato vias. fn este articulo se desarrolla un procedimiento sencillo para caicular Jos tres primeros momentos, que permite suplir esas deficiencias del tratamiento determinista sacrificando la precisién de un andlisis proba bilista riguroso; el procedimiento suministra ademas un enfoque aproxi- mado, también sencillo, aplicable en estadfstica bayesiana. Para funciones de una variable lo que se propone es una estimaciéa de la variable y de sus funciones en dos puntos, en vez de uno como en el enfoque de- terminista, Se llega a la estimacién en 2" puntos para funciones de n variables, si bien el nimero de estimaciones puede reducirse a 2n en ciertos casos de gran interés préctico, Excepeionalmente, para mejorar 1a precisién del método, propondremos estimaciones en un mayor ntmero de puntos. En breve, el método que aquf se presenta da resultados que generalmente son casi tan satisfactorios como los de un tratewi ito pro. babilista rigurogo, siempre que los coeficientes de variacién de las va tiables independientes no pasen de ser mderados, pero con un aumento mo desto en 1a complejided numérica con respecto a un andlisis puramente de terminista. En las refs 1 y 2 se expone parcialmente el método en forma deficiente y demasiado sucinta, lo que se supera en el presente articulo. Sea Y = ¥(X); X es variable aleatoria. Cuando no interesa la distribucién de Y, sino Gnicamente una aproximacién a sue primeros momentos, puede hacerse caso omiso de la funcién de densidad de probabilidades de X y usar solo sus momentos correspondientes. La solucién ser independiente de la distribucién que asignemos a X. Toda distribucién de X que posea los mismos primeros momentos que 1a distribucién dada suministra 1a so~ lucién exacta cuando Y es funcién lineal de X, y podemos elegirla de ma nera que dé una solucién suficientemente precisa siempre que Y(X) sea suficientemente suave en la proximidad de 1a esperanza de X y la disper sién de X no sea dewasiado grande, Elegiremos la distribucién ficticia de X con este criterio y con el de sencillez de andlisie, Si solo inte- resa la esperanza de Y podemos suponer que ia densidad de X est total mente concentrada en la esperanza de X. El an@lisis correspondera a una estimaeién puntual de Y en X: igual a le esperanza de X y sera tan sen cillo como un tratamiento determinista, con la ventaja de que resultaré explfcito el significado de los valores numéricos que se empleen. Obten dremos una aproximacién de primer orden para la esperanza de Y, la cual, sin enbargo, frecuentenente ser§ demasiado burda.Si en vez de una empleamos dos concentraciones con valor 0.5 cada una colocadas simétricanante con respecto a la esperanza de Y, podremos te ner en cuenta los dos primeros momentos de X, estimar los correspondien tes de Y y obtener su esperanza con una aproximacién de segundo orden. Si suprimimos 1a condicién de simetrfa tendremos suficientes parauetros para considerar los tres primeros momentos de X y obtener una aproxina~ cién de tercer orden para la esperanza de ¥, sin que por ello se com plique el andlisis mis alla del cdlculo con una estimacién bipuntual de Y. Ea el texto adoptaremos este Gltimo enfoque y presentaremos las con- centraciones sinétricas con respecto @ la esperanza de X como un caso particular, FUNCION DE UNA VARIABLE Consideremos una funcién real Y¥ = ¥(x) de la variable aleatoria real xX. De esta se conocen los tres primeros momentos. £1 momento i-ésimo se de fine como* MeO = °>,00 ax; 1, 2,205 Px) es la funeién de densidad de probabilidades de X en X Alter- nativamente podemos escribir los momentos centreles MD) =f GR pyG0 dus d= 1, Bees a * Para variables aleatorias empleamos mayiisculas; las minisculas co- rrespondientes, para valores especificos de dichas variables.X designa la esperanza de X, M,(X). De la ec 1 se sigue que el momento ge orden cero es JZ, py(x) dx. Este es siempre iguel a 1. El primer mo mento central, M}(X), es siempre nulo, M!(X) se conoce como 1a variancia de X y suele designarse con 0”; su rafz cuadrada, 0, es la desviacién esténdar de X, M3(X) se conoce como el sesgo de X; si lo designamos con vo’, ves el coeficiente de sesgo de X. Para distribuciones simétricas, el sesgo es nulo, como también lo son los demfs momentos centrales de orden impar. Nos interesa obtener expresiones para la esperanza, desviacién est&ndar y coeficiente de sesgo de Y, respectivamente 7, Sy ¥ Vy) y hacerlo en forma independiente de la distribueién de X, Para ello asignarenos aX una distribuciGn arbitraria que posea cuatro pardmetros a fin de satis facer las expresiones para el momento de orden cero y para los tres pri meros monentos de X. Una distribueién particularmente sencilla que satis face este requisito consiste en dos concentraciones, P, y P,, de la fun cién de densidad de probabilidades p,(x), respectivamente en XK = x, yX (x) = PSG ~ 1) + P,6(x ~ x) (+) es 1a delta de Dirac de la variable (+). La distribucién se muestra esquemfticamente en la fig 1. Si hacemos i= 1, 2, las cuatro expresiones de interés son ate h+B =t LeP+P, pith 2, -®)-Bty-z)=0 bie 4 MO BR o* POP BR Om Eypy - E22 = Eip, + c3P, _. Z gap, - eip,. 4) yee? vFerd, cuya solucién es Ey = w2+ vit ODF @ = 8 -¥ 8) Eee 2 P,=1-P, 6) Con y, = y(x,) los tres primeros momentos centrales de ¥ son o= (y, - HP, + (4, - DP, ) = y, - 7, + Cy, - HP, a” yoy =, - 17, + ty, - HP, (8) A partir de las ecs 5 a 8 hallamos Tepy +Py, @) oy * WP, IY, - Yel (0) vio = (P, - Bi) (yy 7 ya) ay) yoy 7 Pa PB) Gm Ye ¢ ’ + significa “igual a, salvo por términos de orden superior". Los resultados para ¥ no son muy sensibles a v y el c&lculo de este parfmetro puede ser engorroso, Para facilitar su estimacién, asf como la del coeficiente de variacién V = 0/X por simple inspeccién, se muestran Ias curvas representativas de las figs 2 a 4.Cuando sé desconoce uno de los momentos centrales de X, el ndmero de ecuaciones simulténeas se reduce a tres, asf que puede asignarse arbi trariamente el valor a uno de los cuatro parmetros de 1a distribucién de X, Por otra parte, si v= 0, as expresiones obtenidas se simplifi- can. Quedan gs =1 2) PL =P, 1/2 a3) # +02) y+ ye) aay oy * (1/2) |y,-y,| as) Y de aqui = ly, - 9, 17%, + 4) (16) Estas ecuaciones son validas ya sea que se desconozca V, este sea nulo © se considere despreciable. Comparando con los resultados de expandir y*, i= 1, 2,..., en serie de Taylor en torno a X, multiplicar ambos miembros por Py(x) dx e inte grar, lo cual suministre e1 momento M,(¥), encontramos que, cuando ¥(x) posee hasta la tercera derivada, la ec 9 constituye una aproximacién de tereer orden (con errores relativos del orden de V"), las ecs 10 y 14 de segundo orden (con errores relativos del orden de V*) y las 11, 15 y 16 de primer orden (con errores relativos del orden de V*), Sin embargo, las expresiones deducidas no presuponen condiciones de continuidad ni de existencia de las derivadas de ¥(X), si bien la bondad de las aproxi maciones puede verse seriamente deteriorada cuando ¥(X) no ea suficien- temente suave. Si ¥(X) o sus primeras derivadas solo tienen un nimero finite de discontinuidades y estas son finitas, puede dividirse X enssegmentos dentro de cada uno de los cuales se satisfagan las condiciones apropiadas de suavidad, y aplicar a cada segmento e1 nétodo propuesto, Esto es particularmente Gtil en el cAlculo de ¥, pues el de o, y vy glo bales es engorroso y puede ser preferible obtenerlas por integracién analitica o numérica. FUNCION DE VARIAS VARIABLES La generalizacién del método que hemos presentado a una funcidn de va vias variables exige resolver un niimero elevado de ecuaciones simulté neas, muchas de las cuales no son lineales en general (véase Apéndice). Por ejemplo, si se conocen los momentos de los tres primeros érdenes de las variables aleatorias y el nfimero de estas es dos, se hace nece sario resolver diez ecuaciones simulténeas, unas son lineales, otras cuadraticas y otras cibicas. Como incégnitas pueden elegirse las coor denadas de cuatro puntos en el plano de las variables aleatorias X,, X,, asf como las magnitudes de las concentraciones, en estos puntos, de 1a densidad de probabilidades conjuntaP, y(x,» x,), lo que arroja doce incégnitas. Este nimero excede al de ecuaciones, asi que pueden elegirse arbitrariamente los valores de dos de las variables o dos re laciones entre ellas. Con tres variables aleatorias el nimero de ecua ciones simultdneas se eleva aveinte y pueden tomarse como incSgnitas las coordenadas de cinco puntos y las correspondientes concentraciones. Dado que ese enfoque es demasiado engorroso, concentraremos 1a funcién de densidad en un nimero sobreabundante de puntos e imponer condiciones a las coordenadas de estos. Si tomamos 2" puntos cuando ei nidmero de va riables aleatorias es 1, y dejamos como incégaitas las concentraciones en todos les puntos y las coordenadas de dos de ellos que no tengan nin guna coerdenada en comin, distribuyendo los dem4s de manera que formen un recténgulo, prisma o hiperpriema, tenemos un nfimero adecuado de in- cOgnitas para satis£acer los momentos de Srdenes cero, primero, segun- do, y dos de la forme [© (x ~ BD? pg Gag) Gage bt Levey Mi ogg OR) = funcién de densidad marginal de probabilidades de Sin embargo, asfOi? forzemos los dems momentos de tercer orden sin necesarianente satisfac cer las condiciones correspondientes, pero el sacrificio implica simpli ficaciones significativas,, Les ecuaciones resultantes son gencillas y aun pueden vesolverse casi por inspeccién, De esta manera, para el caso Y = ¥(X,, X,), obtenemos el rectdngulo que se muestra en la fig 5, donde p es el coeficiente de correlacién de X, ¥ Xps en los simbolos P,; y £,, ol primer fndice denota 1a variable y el segundo identifica cada uno de los valores que esta puede asumir; yj ¥ 9%, se calculan como para funciones de una sola varieble. Cuando X1 y Xz no estdn correlacionadas entre sf, p = 0. Si las variables son estadisticamente independientes entre sf, la soluciéa de la fig 5 es 1a correcta, incluso para todos los momentos de tercer orden, pues queda %)? X = 0; = &) Rha, Ong) digas = OF L512 Bl caso particular v, = v, = 0 convierte la fig 5 en la 6, Tiene especial interés el caso en que ¥ es un producto de funciones, cada una de ellas funeién de una de las variables aleatorias, y estas son independientes entre of: Y= Yy¥ou¥as Y= Y,(K), i 12s, Las siguientes relaciones son entonces exactas: ¥-F,F,...7 ay (18) 2. 2 2 2), DHMH EVD + VD) + VE WE 2 2 2 3 2 3 2 Ney 14 3V) + vy = C+ BV) + vv (E+ av? + v8). Ct WWE + VAVED SY My qs) Bn consecuencia, cada funcién Y¥, puede tratarse por separado y con- binar, de acuerdo con las ecs 17 a 19, los parametros de us distribucio nes.4, ESTADISTICA BAYESTANA Sea X una variable aleatoria real cuya funcién de densidad de probabili, dades p(x) sustituimos con las concentraciones P, y P, colocadas respec tivamente en los puntos de abscisa x, y x, (fig 3). Supongamos que se rea liza un experimento (u observacién) cuyo resultado designarenos con la le tra A. Ello habra nodificado las probabilidades P, y P, como sigue, segin el teorema de Bayes o férmula de las probabilidades de las hipétesis: (AIX = x,)P, PE ey pind em PL = valor de P; a la luz del resultado A, PAIX = x,) = probabilidad de que se obtuviera el resultado A dado que X valfa x,, y P(A) = P(AIX = x, P+ P(A|X = x,)P. = probabilidad previa de A, El cdleulo de x,, x,, P, y P, procede cono en funciones de una variable aleatoria. Una vez obtenidas P! y P} puede cakcularse la probabilidad de otros resultados experimentales. La generalizacién a mis de una variable aleatoria no ofrece dificultad, En ocasiones, el “experimento" consiste en una cadena larga de observa~ ciones elementales que dan un mismo resultado en forma casi sistenftica y cuyo crecimiento hace tender py(x) a valores fuera del intervalo com prendido entre x, y x,. Para cubrir esta posibilidad puede. convenir con centrar las probabilidades en m&s de dos puntos, estando los dos extre~ wos suficientemente alejados de % para que, casi con seguridad, los va~ lores a que pueda tender p,(x) caigan entre ellos.10 5. EJEMPLOS 5.1 Funadon suave de una variable ateatoria Considerenos los siguientes casos: ¥ = x?; K= 1; 0 = 0.1, 0.2, 0.5; v= 0, 0.2, 0.4, 0.8, (Los resultados se consignan en la tabla 1.) Llustraremos su cdlculo para o = 0.5, v = 0.4 De la ec 2 &, = 0.24 T+ 0,27 = 1.2198 x, = K+ Eo = 14 1.2198 x 0.5 = 1.6099 De laec 3 &, = 1.2198 - 0.4 = 0.8198 x, = 1 ~ 0.8198 x 0,5 = 0.5901 Segin la ec 4 0.8198 Pi" Tai98 + 0.8108 7 0-4019 Y segiin la 5 = 1 1 = 0.4019 = 0.5981 Aplicando las ecs 9 a 11 obtenemosx dy yy . ¥ + 0.4019 x 1.60997 + 0.5981 x 0.59017 ~ 1.8000 ¥0.4019 x 0.5981 |1.6099° - 0.5901°| = 1.9450 vy + (/1,9450) 0.5981 ~ 0.4019) (1.6099 * ~ 0,5901°) = 0.4000 Observamos en la tabla 1 que ¥ es poco sensible a v, oy lo es mds y el eAlculo de vy carece de validez si se toma v = 0 erréneamente, 5.2 Discontinuidad en fa primera derivada . Sean Y= 0 para x <1, Y= x-1 paral ¢ x 2, py(x) = (3/4) - x (fig 7). Nos contentaremos con calcular ¥, Directamente obtenemos R= 1, 0 = 0.4472, v= 0, Si hici€ramos caso omiso del quiebre en 1 7 :164472, x, = 0.5528, P, = Py = 0.5, y, = 0.4472, y, = 0 y ¥-4 0:2236, En cambio, por trams, para x 2 1 re- sulta % = 1.375, o = 0.6778, v= 0.4015, &, = 1.2207, &, = 0.8192, P, = 0.2008, P, = 0.2992. (nétese que P, y P, son la mitad de los valores x L hallarfamos €, = € = 1, x, que dan las ecs 4 y 5; ello se debe a que My = 0.5 para el tramo que se considera), x, = 2.2024, x, = 0.8198 y, extrapolando le funcién ¥ 4, 9 Yq son nulos, x~ 1, encontrarfamos y, ~ 1.2024, y, = -0,1802, En el tramo x < 1, Segiin 2a ec 9, ¥ = 0.1875. Este resultado coincide con la respuesta exac ta debido a que en cada tramo Y(x) es funcién lineal y p,(x) es cuadré- tica. 5.3 Funcién de dos variables Consideremos el ejemplo ¥ = XIX?, ¥, = 1, % = 2, 0, = 0.2, 0, = 0.5, vy = 0.2, vy = 0.4, 9 + 0,4, Empleando tas ecs 2 a 5 resulta €,, 71-1050, £,, = 0.9050, x,, = 1.2210, x,, = 0.8190, P,, = 0.4502, Py, 7 0.5498, 6, = 1.2198, Ey, = 0.8198, x,, = 2.6099, x,, = 1.5901, P,, = 0.4019 Py, = 0.5981. De acuerdo con 1a fig 5 caleulamos las con~12 centraciones que se muestran en la fig 8. De allf, ¥ = 12.4173, bY? = 314.7407, asf que % = EY? - ¥? = 160.5520, Oy = 12,6709, Com paremos con el resultado de suponer v, ~ v, = 0. Aprovechando los re. sultados del primer ejemplo obtenemos ¥ = 12.1296, oy = 11,1252, 5.4 Estadistica bayesiana Un, objeto de forma caprichosa tiene dos caras, a las que designaremos respectivamente “aguila" y "sol". A priori se ignora 1a probabilidad X de que al arrojar un volado quede Sguila como cara expuesta. En vista de esta ignorancia, se decide asignar a X una distribucién previa uni- forme entre Oy 1: py(x) = 1, 0 1 la ec 20 da13 de donde Sustituyendo valores numéricos queda al z- Ghed+ 27/4 1/8 + (1 + 3) /4% Asf encontramos los resultados que también se consignan en la tabla 2. Venos que los errores para n moderado y grande disninuyen sensiblenente. 6, RESUNEN Y CONCLUSIONES Multitud de problemas prdcticos merecerfan un tratamiento probabilista que generalmente no se lleva a cabo porque serfa engorroso hacerlo con rigor. En este trabajo se propone un método aproximado, sumamente senci llo, que sacrifica solo ligeramente 1a precisién, siempre que las dis- rsiones de las variables no sean excesivamente grandes. El método per mite estimar los tres primeros momentos de una funci6n de variables aleatorias de las cuales se conocen, a su vez, sua tres primeros momen~ tos. Esto es particularmente Gtil en teorfa de decisiones, en que basta estimar el primer momento, o esperanza de la variable dependiente. Para funciones ¥ de una sola variable aleatoria X, se sustituye la fun- cién de densidad de probabilidades de X con dos concentraciones. Se dis pone de expresiones que suministran las magnitudes y ordenadas de las concentraciones en funcién de los tres primeros momentos de X, y de allf14 es inmediato el cdlevlo de aproximaciones a los correspondientes momen- tos de ¥Y, Cuando Y es suficientemente suave la aproximacién de la espe- ranza de Y es de tercer orden; de segundo para su desviacién estandar y para su coeficiente de variacién, y de primer orden para el sesgo y para el coeficiente de sesgo de ¥. Si Y¥ o sus primeras derivadas tienen un nimero finito de discontinuidades finitas, todavia pueden usarse las mis. nas expresiones pero con una pérdida posiblemente excesiva de precisién. Se corrige la situacién aplicando por tramos el método expuesto. Si ¥ es funcién de dos o mas variables se requiere un mayor niimero de concentraciones. Sus magnitudes y coordenadas pueden calcularse resol. viendo ciertas ecuaciones simulténess para satisfacer los primeros mo. wentos de las variabless pero ol niimero de tales ecuaciones crece répida mente al aumentar ei nfmero de variables, especialmente cuando estas no son estadisticamente independientes entre sf, $e encuentra preferible acudir a un nimero superabundante de concentraciones localizadas en los vértices de un recténgulo, prisma o hiperprisma, con lo que la solucién de las ecuaciones simult4neas se obtiene casi por inspeccién, Con este artificio la solucién es particularmente sencilla cuando los terceros momentos son nulos o se suponen iguales a cero, En la préc- tica se presenta frecuentemente el caso en que ¥ es el producto de fun ciones cada una de una variable aleatoria y estas son estadisticamente independientes entre si, Entonces basta con dos concentraciones por va triable, y se dispone de expresiones para los tres primeros momentos de ¥ que son exactas en términos de los correspondientes momentos para las funciones. El método expuesto se presta para aplicacién a estadistica bayesiana, Basta sustituir la funcién previa de densidad de probabilidades de las variables de interés con concentraciones en la forma usual y modificar jas magnitudes de las concentraciones en funcién de le informacidn es~ tadistica, aplicando el teorema de Bayes para calcular eus valores pos teriores. En ciertos casos conviene acudir a mayor ufimero de concentra15 ciones para prever 1a posibilidad de que los datos estadfsticos hagan evolucionar la densidad de probabilidades marcadamente hacia valores que yazean fuera del intervalo definido por las concentraciones usuales. 7. RECONOCTMIENTO Agradezco a Luis Esteva sus valiosas sugerencias y critica constructiva al manuscrito de este trabajo. 8. REFERENCIAS 1, Rosenblueth, E, "Aproximaciones de segundos momentos en probabilida des", Boketin Instituto Mexicano de PLaneacién y Operactén de Siste mas, 26 (novediec 1974), 1-12 2, Rosenblueth,’E, "Point estimates for probability moments", Procs, National Academy of Sciences, 72, 10, EUA (oct 1975), 3812-14 3, Benjamin, J R y Cornell, C A, Probability, statistics, and decision for civit engineers, McGraw-Hill Book Co, Nueva York (1970)W TABLA 1, ESTADISTICAS DE Y, EJEMPLO 1 Estadfetica 0.2 z 1.0301 1.1215 1.7748 % 0.3071 0.6323 1.7800 wy 0.2002 0.2002 0.2002 0.4 ¥ 1,0304 41,1232 | 1.8000 oy 0.3132 0.6573 1.9450 0, 4000 0.4000 0.4000 0.8 ¥ 21,0271 1.1169 9, 0.3201 0.6952 Wy 0.8000, 0.8000 TABLA 2. PROBABILIDAD DE QUE EN EL VOLADO # + 1 SALCA AGULLA CUANDO EN LOS PRIMEROS n HA SALIDO SOL (1) con dos concentraciones de py(x) (2) con cuatro concentraciones de py(x) (3) soluciéa exacta5U) fe fo Fig 1. Concentnraccones de ta funcién de densidad de probabdétidades v y as 0 ror 9.5687 0.7746 0.8607 0.8860 1.2831 09199 1.5524 ° 1 x Fig 2, Densidades de ta forma py(x) = (a + 1)(1 - 9)"20 K 0.3333 0.4000 0.4667 0.5353 0/8000 0.6667 1 x v 0.7071 9.5401 0.4403 03853 0.3600 0.3536 Fég 3. Désinibuotones triangutares ¥ 0.5657 0.4761 0.1913 1913 4761 0.56572 by f Cue Voy Pyle) toxto* sxio® L 6 5 r 4 [ Lognormales ol 0 3000601000600 . Fig 4, Déistribuccones gamma y Lognornates22 P a ad [eG 2 )[04 0, 727] Ke Ener Pu Pai to S21 op x Fég 5. Concentractones para funcéon de dos variables Xe te pi/4 Fe asera Ge pi/e tp) /423 a) Funcéén de x con derivada discontinua Py (x) Py(x) 2-H (2-x)x Fég 7. Datos para ef problema 224 X2 3 Pay aon 3 X2=2| avo} e| 2 202765 Pea | Piz Pipt0.1717 Fay70.1234 y Pag" 0.4264 Xl x Fég 8. Concentraciones para ef problema 325 APENDICE, CONDICIONES POR SATISFACER, CONCENTRACIONES Y NUMERO DE PARAMETROS REDUNDANTES Sean | el nimero de variables aleatorias, i el orden de los momentos de p, y NS, el nGmero de momentos a satisfacer cuyo orden es i, Entonces el ndmero de condiciones por satisfacer, y por tanto el de ecuaciones impuestas, para todos los momentos de p, desde el de orden 0 hasta los de orden k, vale EN; y es funcidn de k. Se puede denostrar que ne tm Tont En la tabla Al se consignan los valores de esta cantidad para nde J a Ty kde0a3, Por cada punto en que se supone concentrada 1a funcién de densidad de probabilidades pueden plantearse tantas ecuaciones como coordenadas tie ne el punto, es decir n, mas una, esta debida a la magnitud de la con- centracién de p. El nfimero de pardmetros por determinar es pues ntl ve~ ces el némero de concentraciones. Por tanto el nimero de puntos en que ha de suponerse concentrada p no ha de ser nenor que J} ¥,/(n+1), asf que.el némero minimo de concentraciones es el primer entero no menor que esta cantidad. Este ndmero, multiplicado por n+1, menos el niimero de ecuaciones impuestas da el némero de pardmetros redundantes que resul tan de tomar el minimo posible de concentraciones de p. Por otra parte, si empleamos 2” concentraciones de 1a funeién de densi~ dad de probabilidades, obtenemos (n + 1)2"- 5 N, pardmetros. En la tabla A2 se ilustran los resultados de estas condiciones para k=326 TABLA Al. NUMERO DE CONDICIONES POR SATISFACER Ny tN, +N, Ny +N, +N, +N, TABLA AZ. NUMERO DE CONCENTRACIONES Y NUMERO DE PARAMETROS REDUNDANTES a) on @) Ky +N, +N, +N = nfimero de ecuaciones impuestas por el nimero de momentos de p (3) (No +N, + Ny + NG)/(@1 + 1) = Limite inferior del néimero de puntos en que ha de suponerse concentrada p (4) niimero minimo de concentraciones de p (5) nGmero de pardmettos redundantes (6) {dem si se usan 2” concentraciones de p