Espartaco

“Is that to say we are against Free Trade? No, we are for Free Trade, because by Free Trade all economical laws, with their most astounding contradictions, will act upon a larger scale, upon the territory of the whole earth; and because from the uniting of all these contradictions in a single group, where they will stand face to face, will result the struggle which will itself eventuate in the emancipation of the proletariat.”

Karl Heinrich Marx · Marx-Engels Collected Works, Vol. VI, p. 290

28,797 views since December 2020

28,797 visitas desde diciembre de 2020

EnglishEspañol

Categoría: GitHub

  • CLASIFICACIÓN DE LAS MEDIDAS DE DISIMILARIDAD ENTRE CONGLOMERADOS DE DATOS SEGÚN LA ESTRUCTURA MÉTRICA DEL ESPACIO MUESTRAL DE APLICACIÓN

    CLASIFICACIÓN DE LAS MEDIDAS DE DISIMILARIDAD ENTRE CONGLOMERADOS DE DATOS SEGÚN LA ESTRUCTURA MÉTRICA DEL ESPACIO MUESTRAL DE APLICACIÓN

    Marxist Philosophy of Science · Estadística matemática

    Medidas de Disimilaridad y Estructuras Métricas en el Análisis de Conglomerados

    Distancias, correlaciones, pseudométricas y cuasimétricas: fundamentos, ejemplos y criterios de aplicación.

    Publicación original: 27 de abril de 2022
    Revisión: 11 de noviembre de 2026

    Elegir una medida de disimilaridad determina qué diferencias se consideran relevantes y qué geometría se atribuye a los datos. Esta revisión convierte el cuadro original en una exposición que conecta axiomas, cálculos y decisiones de agrupamiento: desde una distancia euclidiana hasta una comparación direccional, y desde observaciones individuales hasta conjuntos completos.

    01 · Qué se compara y qué significa «cerca»

    Una clasificación de medidas de disimilaridad comienza por fijar los objetos comparados. Una observación puede representarse por un vector x de características; un conglomerado, por un conjunto de observaciones; una distribución, por una medida de probabilidad; una función, por una trayectoria o perfil. Estos objetos requieren construcciones diferentes. El hecho de que una expresión produzca un número no garantiza que constituya una distancia métrica.

    Aquí se escribe 𝒳 para el dominio de objetos, N para el número de observaciones y p para el número de variables. El exponente de Minkowski se denota por q, evitando confundirlo con la dimensión. Se reserva d para distancias cuya estructura se declara; δ, para una disimilaridad más general; y s, para una similitud. En una disimilaridad, un valor menor expresa mayor proximidad; en una similitud suele ocurrir lo contrario.

    El espacio muestral Ω es, propiamente, el conjunto de resultados posibles de un experimento aleatorio. El espacio de características 𝒳 contiene las representaciones utilizadas en el análisis. La muestra observada es un subconjunto finito, o una colección indexada, de esas representaciones. Una matriz de datos no identifica automáticamente estas tres nociones.

    02 · Métrica, completitud y topología

    Una métrica es una función no negativa, finita, que separa puntos, es simétrica y cumple la desigualdad triangular:

    d:𝒳×𝒳⟶[0,∞)
    d(x,y)=0⟺x=y,d(x,y)=d(y,x)
    d(x,z)≤d(x,y)+d(y,z)(∀x,y,z∈𝒳)

    La identidad exige las dos implicaciones: un punto tiene distancia cero a sí mismo, y dos puntos con distancia cero son el mismo punto. La desigualdad triangular vale para todos los triples, sin excluir puntos repetidos. No es una generalización del teorema de Pitágoras: este último expresa una igualdad particular de la geometría euclidiana.

    La completitud es una propiedad adicional de la pareja (𝒳,d). Una sucesión es de Cauchy cuando sus términos terminan siendo arbitrariamente próximos entre sí:

    ∀ε>0∃n0∀m,n≥n0:d(xm,xn)<ε

    El espacio es completo si toda sucesión de Cauchy converge a un elemento de 𝒳. Por ejemplo, ℝ con la distancia usual es completo; ℚ con la distancia heredada no lo es, pues sucesiones racionales pueden aproximarse a √2. Un conjunto finito de puntos distintos con una métrica es completo: la menor distancia positiva impide que una sucesión de Cauchy siga saltando entre puntos diferentes. Por eso la completitud no es la principal dificultad al agrupar una muestra finita.

    Una métrica genera abiertos mediante bolas. Sin embargo, la topología no determina sus valores: d y 2d generan los mismos abiertos. Tampoco la completitud de una métrica concreta es un invariante topológico: ℝ y (0,1) son homeomorfos, aunque sus métricas euclidianas usuales tienen distinta completitud. Un homeomorfismo conserva estructura topológica; una isometría conserva distancias. Estas son comprobaciones elementales, no supuestos sobre un algoritmo.

    03 · Una clasificación por axiomas

    ClaseSimetríaSeparaciónTriánguloEjemplo
    MétricaSíd(x,y)=0 ⇔ x=ySíEuclidiana; Manhattan
    PseudométricaSíPuede fallarSí|x₁−y₁| en ℝ²
    Cuasimétrica¹No exigidad(x,y)=d(y,x)=0 ⇒ x=ySímax{y−x,0}
    Semimétrica²Síδ(x,y)=0 ⇔ x=yNo exigido‖x−y‖₂²
    Disimilaridad³Según definiciónNo garantizadaNo garantizado1−r

    ¹ Se adopta la convención de Stojmirović (2005): la separación se exige conjuntamente en las dos direcciones. Otras fuentes reservan «cuasimétrica» para una condición de separación más fuerte. Una métrica es también una cuasimétrica bajo la convención inclusiva: no exigir simetría no significa prohibirla.

    ² Aquí «semimétrica» designa una función simétrica y no negativa que separa puntos, sin exigir desigualdad triangular. El término tiene usos diferentes. McAuley (1956, p. 315, nota 1) exige simetría y compatibilidad con una topología mediante puntos límite; su definición no debe sustituirse por «distancia asimétrica». Una función que no cumple el triángulo no determina sin más la misma teoría de bolas abiertas que una métrica.

    ³ Para los ejemplos de agrupamiento se consideran disimilaridades finitas, no negativas y nulas en la diagonal; si además son simétricas, pueden almacenarse como una matriz simétrica. Este conjunto de condiciones no impone por sí solo separación ni triángulo. La tabla describe requisitos, no clases mutuamente excluyentes.

    04 · Minkowski, escalas y distancia cuadrática

    En ℝᵖ, la familia de Minkowski reúne métricas inducidas por normas:

    dq(x,y)=(∑j=1p|xj−yj|q)1/q,1≤q<∞
    d∞(x,y)=max1≤j≤p|xj−yj|

    Los casos q=1, q=2 y q→∞ corresponden a Manhattan, euclidiana y máximo. Para q≥1, la desigualdad de Minkowski ‖u+v‖q≤‖u‖q+‖v‖q garantiza el triángulo. Para 0<q<1, la misma expresión con raíz 1/q no es una norma y puede incumplirlo. Esto no debe confundirse con la suma sin esa raíz: ∑|xⱼ−yⱼ|q sí es una métrica en ese intervalo.

    Bolas unitarias: rombo Manhattan, círculo euclidiano y cuadrado de la norma máximo. −1 0 1 −1 0 1 Manhattan · q = 1 −1 0 1 −1 0 1 Euclidiana · q = 2 −1 0 1 −1 0 1 Máximo · q = ∞
    Bolas unitarias: rombo Manhattan, círculo euclidiano y cuadrado de la norma máximo.

    Para x=(1,2) e y=(4,6), las diferencias absolutas son 3 y 4: Manhattan da 7; euclidiana, √(9+16)=5; máximo, 4. Las tres respuestas son coherentes con reglas geométricas diferentes.

    La expresión δ(x,y)=‖x−y‖₂² es la distancia euclidiana al cuadrado. Es simétrica y separa puntos, pero no es una métrica en general. Con x=0, y=1 y z=2 se obtiene δ(x,z)=4 y δ(x,y)+δ(y,z)=2:

    Contraejemplo de la desigualdad triangular: las distancias cuadráticas entre 0, 1 y 2 son 1, 1 y 4. 0 1 2 1² = 1 1² = 1 2² = 4 > 1 + 1
    Contraejemplo de la desigualdad triangular: las distancias cuadráticas entre 0, 1 y 2 son 1, 1 y 4.

    Las unidades importan. Medir una variable en colones y otra en miles de colones cambia el peso relativo de sus diferencias. Estandarizar columnas por desviación estándar es una decisión posible, no una obligación universal; requiere escalas no nulas y una interpretación defendible. Con pesos estrictamente positivos, d(x,y)=√∑wⱼ(xⱼ−yⱼ)² sigue siendo una métrica. Pesos nulos pueden producir una pseudométrica; pesos negativos ya no garantizan una distancia real no negativa.

    La implementación de dist() se documenta en R Core Team (s. f.-b); en esa función, el argumento llamado p corresponde al exponente q utilizado en este texto.

    05 · Pearson, Spearman y Kendall: de asociación a disimilaridad

    Las correlaciones miden asociación, no separación métrica de observaciones originales. Pueden ser negativas y alcanzan 1, no 0, para un perfil no constante comparado consigo mismo. Deben identificarse antes de transformarlas.

    Pearson

    r(x,y)=∑i=1p(xi−x¯)(yi−y¯)∑i=1p(xi−x¯)2∑i=1p(yi−y¯)2

    La fórmula requiere que ambos perfiles tengan variación. Para x=(1,2,3) e y=(2,4,6), r=1 aunque x≠y y la distancia euclidiana sea √14. Así, 1−r ignora diferencias de nivel y escala positiva; esto puede ser deseable para comparar formas, pero no cuando interesa la magnitud absoluta.

    Spearman

    ρs=r(R(x),R(y)),ρs=1−6∑i=1p(Ri−Si)2p(p2−1)

    La primera igualdad es la definición mediante Pearson sobre rangos. La segunda es una simplificación válida sin empates. Con empates se asignan rangos medios y se aplica la primera expresión; las sumas del numerador de Pearson deben ser productos emparejados dentro de una misma sumatoria, no el producto de dos sumas centradas que valdrían cero.

    Kendall

    τa=C−D(p2),τb=C−D(C+D+Tx)(C+D+Ty)

    Para cada par de elementos i<j, C cuenta concordancias y D discordancias. Tx y Ty cuentan pares empatados únicamente en x o únicamente en y; los empatados en ambos no entran en esos términos. Sin empates, C+D=p(p−1)/2 y τa=(C−D)/(C+D). Un empate no significa que dos jueces otorguen el mismo rango a una misma persona: significa igualdad dentro de al menos una de las ordenaciones para un par de personas.

    Retomando los doce candidatos del documento original: X=(1,2,…,12) e Y=(1,2,4,3,6,5,8,7,10,9,12,11). Hay 66 pares, cinco discordantes y 61 concordantes; por tanto τ=56/66≈0.848485. La suma de diferencias de rangos al cuadrado es 10, por lo que ρs=1−60/1716≈0.965035. Son coeficientes diferentes para la misma comparación.

    Una transformación no garantiza una métrica

    Considérense los perfiles centrados x=(1,−1,0), y=(1,0,−1), z=(0,1,−1). Se calculan r(x,y)=r(y,z)=1/2 y r(x,z)=−1/2. La disimilaridad 1−r produce 1/2, 1/2 y 3/2: incumple el triángulo. La distancia cordal se justifica normalizando:

    u(x)=x−x¯1‖x−x¯1‖2,r(x,y)=u(x)𝖳u(y)
    ‖u(x)−u(y)‖22=2−2r(x,y),dch(x,y)=2(1−r(x,y))

    La igualdad demuestra que dch es euclidiana entre los vectores normalizados. Sobre los perfiles originales es, en general, una pseudométrica: perfiles relacionados por y=a·x+b·1 con a>0 tienen distancia cero. Se convierte en métrica sobre las clases de equivalencia de esos perfiles. Spearman admite la misma construcción después de asignar rangos y normalizarlos. No se debe extender automáticamente esta demostración a cualquier fórmula basada en Kendall.

    R Core Team (s. f.-a) documenta la correlación de rangos y el tratamiento de empates; los trabajos de Kendall (1938, 1945) distinguen el coeficiente original y su ajuste. Los cálculos y el contraejemplo anteriores se desarrollan aquí explícitamente.

    06 · Pseudométricas: qué información se pierde

    Una pseudométrica conserva no negatividad, simetría y triángulo, pero permite distancia cero entre objetos distintos. Si φ:𝒳→𝒴 y d𝒴 es una métrica, entonces dφ(x,y)=d𝒴(φ(x),φ(y)) es una pseudométrica; es métrica si φ es inyectiva. La desigualdad triangular se hereda directamente de 𝒴.

    dπ((x1,x2),(y1,y2))=|x1−y1|

    Con π(x₁,x₂)=x₁, los puntos P=(2,3) y Q=(2,5) tienen pseudodistancia cero: la segunda coordenada fue descartada. El ejemplo no contradice la matemática; expresa exactamente la información que la representación ha eliminado.

    Los puntos P=(2,3) y Q=(2,5) coinciden al proyectarlos sobre la primera coordenada; su pseudodistancia es cero. 0 1 2 3 4 5 x₁ 0 1 2 3 4 5 6 x₂ P = (2,3) Q = (2,5) Observaciones distintas 0 1 2 3 4 5 x₁ π(P) = π(Q) = 2 Proyección π(x) = x₁
    Los puntos P=(2,3) y Q=(2,5) coinciden al proyectarlos sobre la primera coordenada; su pseudodistancia es cero.

    Se conservan también los ejemplos d(f,g)=|f(t₀)−g(t₀)| para funciones reales sobre un dominio que contiene t₀; d(x,y)=s(x−y) cuando s es una seminorma; y la pseudométrica trivial d≡0. Cada uno explica una forma distinta de indistinguibilidad.

    x~y⟺d(x,y)=0,d¯([x],[y])=d(x,y)

    La relación ∼ es de equivalencia: la transitividad se obtiene del triángulo. La distancia entre clases está bien definida, pues cambiar un representante por otro a distancia cero no cambia el resultado. En el cociente 𝒳/∼ se obtiene una métrica. En análisis de datos, esta construcción permite distinguir duplicados de representación de objetos sustantivamente idénticos.

    07 · Cuasimétricas y comparaciones direccionales

    Una cuasimétrica permite que el coste de pasar de x a y difiera del coste de volver. Bajo la convención aquí adoptada, q(x,x)=0, se cumple el triángulo dirigido y q(x,y)=q(y,x)=0 implica x=y. La no negatividad forma parte de la definición.

    q(x,y)=max{y−x,0},q*(x,y)=q(y,x)
    qs(x,y)=max{q(x,y),q(y,x)}=|x−y|

    Por ejemplo, q(2,5)=3, pero q(5,2)=0. En un sentido se mide el incremento necesario; en el otro, no hay incremento que penalizar. La desigualdad triangular procede de (a+b)₊≤a₊+b₊. El conjugado invierte la dirección, y el máximo de ambos recupera una métrica. Para cualquier cuasimétrica con esa separación conjunta, tanto max{q,q*} como q+q* son métricas.

    Las bolas dirigidas dependen de si se usa q(x,y) o q(y,x); las topologías asociadas deben indicar esa elección. Una cuasimétrica puede modelar costes de transformación asimétricos, pero no todo coste asimétrico satisface el triángulo. La métrica discreta, que vale 0 para puntos iguales y 1 para puntos distintos, es simétrica: puede incluirse en la clase amplia de cuasimétricas, pero no ejemplifica asimetría.

    08 · Distancias entre conjuntos y criterios de enlace

    Sean A y B dos conglomerados finitos no vacíos y d una métrica entre sus observaciones. El enlace simple utiliza el par más próximo; el completo, el más distante; el promedio, todas las parejas. Hausdorff compara la mayor distancia al vecino más próximo en ambas direcciones:

    Dmin(A,B)=mina∈A,b∈Bd(a,b),Dmax(A,B)=maxa∈A,b∈Bd(a,b)
    Davg(A,B)=1|A||B|∑a∈A∑b∈Bd(a,b)
    dH(A,B)=max{maxa∈Aminb∈Bd(a,b),maxb∈Bmina∈Ad(a,b)}

    Hausdorff es una métrica sobre los subconjuntos finitos no vacíos de un espacio métrico; se extiende a los compactos no vacíos. Para ver la separación, distancia cero obliga a que cada punto de un conjunto pertenezca al otro; el triángulo se obtiene encadenando aproximaciones a vecinos en el conjunto intermedio.

    Los criterios de enlace no son automáticamente métricas sobre conjuntos. El enlace simple puede valer cero para conjuntos diferentes que se intersectan. El completo y el promedio pueden dar D(A,A)>0. La distancia entre centroides puede ser cero para conjuntos diferentes con el mismo centro. Se trata de propiedades distintas de la utilidad de estas reglas para construir una jerarquía.

    Ejemplo completo en ℝ: A={0,2}, B={5,9}. Las cuatro distancias cruzadas son 5,9,3,7; los centroides son 1 y 7. Desde A, la mayor distancia al vecino más próximo de B es 5; desde B hacia A es 7. Los resultados son:

    CriterioResultadoCálculo
    Simple3min{5,9,3,7}
    Completo9max{5,9,3,7}
    Promedio6(5+9+3+7)/4
    Centroides6|1−7|
    Hausdorff7max{5,7}
    Ward: ΔW36(2·2/4)·(1−7)²

    Ward elige la fusión que minimiza el incremento de la suma de cuadrados dentro de los grupos. Descomponer las desviaciones respecto al nuevo centro produce:

    ΔW(A,B)=|A||B||A|+|B|‖x¯A−x¯B‖22

    En el ejemplo, W(A)=2 y W(B)=8; el centro conjunto es 4 y W(A∪B)=46, por lo que ΔW=46−10=36. Este incremento no es la misma cantidad que la distancia entre centroides. En la parametrización euclidiana usual de Ward.D2, la altura corresponde a √(2ΔW), no directamente a ΔW; el ejemplo daría √72≈8.4853.

    09 · Elegir una medida y un algoritmo compatibles

    MétodoCompatibilidad que debe comprobarse
    k-meansMinimiza sumas de cuadrados euclidianas respecto a medias. Sustituir sin más la distancia cambia el problema y la actualización óptima del centro.
    Ward.D2Usar distancias euclidianas; hclust las eleva al cuadrado internamente. No proporcionar dist(X)^2 a Ward.D2 para el criterio usual.
    Enlaces simple, completo y promedioAdmiten disimilaridades simétricas apropiadas; ejecutar el método no demuestra que la entrada sea métrica ni euclidiana.
    PAM / k-medoidsLos representantes son observaciones. Puede trabajar con disimilaridades sin requerir medias aritméticas; comprobar las condiciones de la implementación.
    SiluetaSe calcula con las disimilaridades declaradas; su interpretación depende de ellas y de la partición. No certifica los axiomas métricos.

    La euclidianidad es más fuerte que cumplir los axiomas métricos. Para una matriz simétrica finita D, no negativa y con diagonal cero, puede diagnosticarse mediante B=−½JD²J, donde J=I−11ᵀ/N y D² es el cuadrado elemento a elemento. Existe una representación euclidiana exacta si B es semidefinida positiva; autovalores negativos importantes descartan esa representación. Una tolerancia numérica solo atiende redondeo.

    Una correlación de Pearson calculada con un conjunto común de coordenadas permite usar la distancia cordal como entrada euclidiana entre perfiles normalizados. Con Ward.D2 se introduce la raíz √[2(1−r)], sin volver a elevarla al cuadrado previamente. La operación conserva la geometría normalizada, no las magnitudes originales.

    Para variables categóricas o mixtas, debe elegirse una construcción que respete su escala. Codificar categorías nominales como 1,2,3 e introducirlas en una distancia euclidiana impone un orden y separaciones que pueden carecer de sentido. Pueden considerarse Hamming, Jaccard o Gower según el dominio, declarando tratamientos de ausencias, ponderación y valores faltantes. Estas extensiones no eliminan la necesidad de verificar los axiomas de la variante concreta.

    El criterio de mínima variación procede de Ward (1963); la distinción entre implementaciones se desarrolla en Murtagh y Legendre (2014) y en R Core Team (s. f.-c).

    10 · Un experimento reproducible con seis observaciones

    Se utiliza un conjunto ilustrativo diseñado para poder reconstruir todos los cálculos; no representa una muestra empírica de una población. Ambas variables se tratan como coordenadas comparables y no se estandarizan en este ejemplo:

    IDx₁x₂
    A00
    B10.2
    C0.32.4
    D3.53.1
    E5.21.3
    F5.94
    Distancias euclidianas, sin estandarización.
    IDABCDEF
    A0.00001.01982.41874.67555.36007.1281
    B1.01980.00002.30873.82884.34176.2008
    C2.41872.30870.00003.27575.02205.8241
    D4.67553.82883.27570.00002.47592.5632
    E5.36004.34175.02202.47590.00002.7893
    F7.12816.20085.82412.56322.78930.0000
    Cuatro dendrogramas del mismo conjunto A-F: cambian las alturas y algunas fusiones al variar distancia y enlace; sus hojas pueden permutarse sin alterar la jerarquía. C A B F D E 0 2 4 6 Altura Euclidiana · enlace completo C A B F D E 0.0 0.5 1.0 1.5 2.0 2.5 3.0 Altura Euclidiana · enlace simple C A B E D F 0 2 4 6 8 10 Altura Manhattan · enlace completo C A B F D E 0 2 4 6 8 Altura Euclidiana · Ward.D2
    Cuatro dendrogramas del mismo conjunto A-F: cambian las alturas y algunas fusiones al variar distancia y enlace; sus hojas pueden permutarse sin alterar la jerarquía.

    La primera fusión euclidiana une A y B a √1.04≈1.019804. La altura final del enlace simple depende de un puente entre grupos; la del completo depende del par más alejado. Al cambiar a Manhattan se modifican las contribuciones por coordenada. Ward calcula una secuencia basada en incrementos de dispersión. Que una partición a cierto número de grupos coincida entre dos métodos no significa que toda la jerarquía o sus alturas sean iguales.

    FusiónEuc. completoEuc. simpleMan. completoWard.D2
    11.0198041.0198041.2000001.019804
    22.4186772.3086792.9000002.475884
    32.4758842.4758843.3000002.665833
    42.7892652.5632013.5000002.742870
    57.1281133.2756689.9000008.377151

    A tres grupos, la euclidiana con enlace completo produce {A,B,C}, {D,E}, {F}; Manhattan con enlace completo produce {A,B,C}, {D,F}, {E}. El resto del procedimiento es el mismo: cambia la medida y cambia una decisión de fusión. Las etiquetas numéricas de grupo son arbitrarias.

    11 · Funciones, variedades y tensores: distinciones necesarias

    La palabra «métrica» aparece en contextos relacionados pero distintos. La distancia de Minkowski sobre vectores es una métrica inducida por una norma. En espacios de funciones, para 1≤q<∞ se define:

    ‖f‖Lq=(∫|f|qdμ)1/q,d(f,g)=‖f−g‖Lq

    Sobre funciones consideradas punto a punto, dos funciones que difieren únicamente en un conjunto de medida cero pueden tener distancia cero. Los espacios Lᵠ se construyen identificando funciones iguales casi en todas partes; sobre esas clases la expresión es una norma. Los espacios Lᵠ son completos para q≥1, pero su definición requiere especificar la medida y el dominio de integración.

    Una variedad suave de dimensión n es localmente semejante a un abierto de ℝⁿ mediante cartas compatibles. El espacio tangente TₐM en un punto a no requiere que la variedad sea compacta. Un tensor métrico riemanniano asigna, de manera suave, un producto interno positivo definido a cada espacio tangente:

    ga:TaM×TaM⟶ℝ,ga(u,v)=ga(v,u)

    La simetría corresponde a intercambiar vectores tangentes, no a intercambiar puntos de la variedad. La no degeneración significa que gₐ(u,v)=0 para todo v obliga a u=0; en coordenadas equivale a una matriz de componentes invertible. La positividad definida es una exigencia adicional. En una variedad riemanniana conexa, integrar √g(γ̇,γ̇) a lo largo de curvas y tomar el ínfimo define la distancia intrínseca entre puntos.

    dg(a,b)=infγ:a→b∫01gγ(t)(γ˙(t),γ˙(t))dt

    Una métrica pseudoriemanniana admite firma indefinida. Por ejemplo, g(v,v)=−v₀²+v₁²+⋯+vₙ² puede ser positiva, negativa o cero con v≠0. Esa forma no proporciona automáticamente una disimilaridad no negativa apta para los algoritmos anteriores. La geometría del espacio-tiempo de Minkowski debe distinguirse de la familia de normas de Minkowski.

    Por último, orden tensorial y dimensión son conceptos diferentes: un tensor de orden dos puede tener una matriz de componentes n×n. Su carácter tensorial exige una ley de transformación. Para un tensor covariante de orden dos:

    gij(x)=∑a,b∂ξa∂xi∂ξb∂xjg~ab(ξ(x))

    En coordenadas euclidianas cartesianas, g̃ₐᵦ=δₐᵦ, y se obtiene el caso particular gᵢⱼ=∑ₐ(∂ξᵃ/∂xⁱ)(∂ξᵃ/∂xʲ). Una matriz de datos puede representar distintos objetos matemáticos; su disposición rectangular no basta para identificarla con un tensor métrico. Estas distinciones preservan la conexión con la geometría sin atribuir a cualquier agrupamiento una estructura diferencial que aún no se ha construido.

    Las definiciones algebraicas de métrica no degenerada y de firma pueden contrastarse en SageMath Developers (s. f.). La separación entre estas estructuras y los criterios de agrupamiento es parte del argumento de esta revisión.

    12 · Código R y verificaciones

    El siguiente programa utiliza únicamente paquetes incluidos con R. No descarga datos ni instala dependencias. Rechaza entradas no finitas para mantener un dominio común; produce resultados tabulares, diagnósticos y un PDF con los cuatro dendrogramas. La función audit_distance verifica todos los triples de la muestra y señala que su coste es cúbico.

    Mostrar el programa R completo
    # Medidas de disimilaridad: ejemplos verificables con R base.
    # Ejecutar: Rscript disimilaridad_ejemplos_reproducibles.R [directorio_salida]
    # Las columnas son coordenadas comparables; no se estandarizan en este ejemplo.
    args <- commandArgs(trailingOnly = TRUE)
    out_dir <- if (length(args)) args[1L] else "disimilaridad_resultados"
    dir.create(out_dir, recursive = TRUE, showWarnings = FALSE)
    
    audit_distance <- function(D, tol = 1e-10) {
      # Revisión exhaustiva de la matriz finita: tiempo O(N^3).
      D <- as.matrix(D)
      if (!is.numeric(D) || nrow(D) != ncol(D) || nrow(D) < 1L ||
          any(!is.finite(D)) || length(tol) != 1L || !is.finite(tol) || tol <= 0) {
        stop("Se requiere una matriz numerica cuadrada finita y tol > 0.")
      }
      n <- nrow(D)
      eps <- tol * max(1, abs(D))
      diagonal_zero <- max(abs(diag(D))) <= eps
      nonnegative <- min(D) >= -eps
      symmetric <- max(abs(D - t(D))) <= eps
      separated <- if (n == 1L) TRUE else all(D[row(D) != col(D)] > eps)
      max_violation <- -Inf
      for (k in seq_len(n)) {
        max_violation <- max(max_violation, D - outer(D[, k], D[k, ], "+"))
      }
      triangle <- max_violation <= eps
      euclidean <- NA
      min_eigenvalue <- NA_real_
      if (nonnegative && diagonal_zero && symmetric) {
        J <- diag(n) - matrix(1 / n, n, n)
        B <- -0.5 * J %*% (D^2) %*% J
        eigenvalues <- eigen((B + t(B)) / 2, symmetric = TRUE,
                             only.values = TRUE)$values
        min_eigenvalue <- min(eigenvalues)
        euclidean <- min_eigenvalue >= -tol * max(1, abs(eigenvalues))
      }
      c(diagonal_zero = diagonal_zero, nonnegative = nonnegative,
        symmetric = symmetric, separated = separated, triangle = triangle,
        metric = diagonal_zero && nonnegative && symmetric && separated && triangle,
        max_triangle_violation = max(0, max_violation),
        euclidean = euclidean, min_gram_eigenvalue = min_eigenvalue)
    }
    
    X <- rbind(A = c(0, 0), B = c(1, 0.2), C = c(0.3, 2.4),
               D = c(3.5, 3.1), E = c(5.2, 1.3), F = c(5.9, 4.0))
    colnames(X) <- c("x1", "x2")
    stopifnot(all(is.finite(X)))
    D_e <- as.matrix(dist(X, method = "euclidean"))
    D_m <- as.matrix(dist(X, method = "manhattan"))
    D_i <- as.matrix(dist(X, method = "maximum"))
    stopifnot(isTRUE(all.equal(dist(X, method = "minkowski", p = 2),
                             dist(X), check.attributes = FALSE)))
    write.csv(X, file.path(out_dir, "observaciones.csv"))
    write.csv(D_e, file.path(out_dir, "distancias_euclidianas.csv"))
    
    # Contraejemplo 1: elevar al cuadrado puede romper el triangulo.
    D_line <- as.matrix(dist(matrix(0:2, ncol = 1)))
    check_squared <- audit_distance(D_line^2)
    stopifnot(check_squared["triangle"] == 0,
              abs(check_squared["max_triangle_violation"] - 2) < 1e-10)
    
    # Contraejemplo 2: 1-r puede romper el triangulo.
    profiles <- rbind(x = c(1, -1, 0), y = c(1, 0, -1), z = c(0, 1, -1))
    stopifnot(all(apply(profiles, 1, sd) > 0))
    R <- cor(t(profiles), use = "all.obs", method = "pearson")
    D_corr <- 1 - R
    D_chord <- sqrt(pmax(2 * D_corr, 0))
    dimnames(D_chord) <- dimnames(R)
    U <- profiles - rowMeans(profiles)
    U <- U / sqrt(rowSums(U^2))
    stopifnot(isTRUE(all.equal(unname(D_chord), unname(as.matrix(dist(U))),
                             tolerance = 1e-10)))
    stopifnot(audit_distance(D_corr)["triangle"] == 0,
              audit_distance(D_chord)["metric"] == 1)
    
    # Mismo perfil normalizado: objetos originales distintos, distancia cero.
    x <- c(1, 2, 3)
    y <- c(2, 4, 6)
    stopifnot(abs(cor(x, y) - 1) < 1e-12,
              abs(sqrt(sum((x - y)^2)) - sqrt(14)) < 1e-12)
    
    # Pseudometrica y cuasimetrica: se mantienen ambas direcciones.
    P <- rbind(P = c(2, 3), Q = c(2, 5), S = c(4, 1))
    D_projection <- abs(outer(P[, 1], P[, 1], "-"))
    v <- c(2, 5, 8)
    Q <- outer(v, v, function(a, b) pmax(b - a, 0))
    Q_s <- pmax(Q, t(Q))
    stopifnot(audit_distance(D_projection)["separated"] == 0,
              Q[1, 2] == 3, Q[2, 1] == 0,
              audit_distance(Q)["triangle"] == 1,
              audit_distance(Q_s)["metric"] == 1)
    
    # Doce candidatos: cinco inversiones adyacentes, sin empates.
    rank_x <- 1:12
    rank_y <- c(1, 2, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11)
    pairs <- combn(12L, 2L)
    signs <- apply(pairs, 2, function(ij) {
      sign((rank_x[ij[1]] - rank_x[ij[2]]) *
             (rank_y[ij[1]] - rank_y[ij[2]]))
    })
    concordant <- sum(signs > 0)
    discordant <- sum(signs < 0)
    rho_s <- cor(rank_x, rank_y, method = "spearman")
    tau <- cor(rank_x, rank_y, method = "kendall")
    stopifnot(concordant == 61, discordant == 5,
              abs(tau - 56 / 66) < 1e-12,
              abs(rho_s - (1 - 60 / 1716)) < 1e-12)
    
    # Con empates, Spearman es Pearson sobre rangos medios.
    tie_x <- c(1, 1, 3, 4)
    tie_y <- c(2, 3, 3, 5)
    stopifnot(isTRUE(all.equal(cor(tie_x, tie_y, method = "spearman"),
                              cor(rank(tie_x), rank(tie_y)))))
    
    # Conglomerados A={0,2}, B={5,9}: comparaciones en una dimension.
    cluster_A <- c(0, 2)
    cluster_B <- c(5, 9)
    cross <- abs(outer(cluster_A, cluster_B, "-"))
    hausdorff <- max(apply(cross, 1, min), apply(cross, 2, min))
    delta_W <- length(cluster_A) * length(cluster_B) /
      (length(cluster_A) + length(cluster_B)) *
      (mean(cluster_A) - mean(cluster_B))^2
    cluster_results <- c(single = min(cross), complete = max(cross),
                         average = mean(cross), centroid = abs(mean(cluster_A) -
                         mean(cluster_B)), Hausdorff = hausdorff, Ward_deltaW = delta_W)
    stopifnot(isTRUE(all.equal(unname(cluster_results), c(3, 9, 6, 6, 7, 36))))
    
    fits <- list(
      euclidean_complete = hclust(as.dist(D_e), method = "complete"),
      euclidean_single = hclust(as.dist(D_e), method = "single"),
      manhattan_complete = hclust(as.dist(D_m), method = "complete"),
      euclidean_wardD2 = hclust(as.dist(D_e), method = "ward.D2")
    )
    
    # Comprueba cada altura de Ward.D2 mediante el incremento real de W.
    hc <- fits$euclidean_wardD2
    groups <- vector("list", nrow(hc$merge))
    ward_check <- numeric(nrow(hc$merge))
    for (i in seq_len(nrow(hc$merge))) {
      get_group <- function(j) if (j < 0) -j else groups[[j]]
      a <- get_group(hc$merge[i, 1])
      b <- get_group(hc$merge[i, 2])
      delta <- length(a) * length(b) / (length(a) + length(b)) *
        sum((colMeans(X[a, , drop = FALSE]) - colMeans(X[b, , drop = FALSE]))^2)
      ward_check[i] <- sqrt(2 * delta)
      groups[[i]] <- c(a, b)
    }
    stopifnot(isTRUE(all.equal(hc$height, ward_check, tolerance = 1e-10)))
    
    diagnostics <- rbind(
      euclidean = audit_distance(D_e), manhattan = audit_distance(D_m),
      maximum = audit_distance(D_i), squared_line = check_squared,
      one_minus_r = audit_distance(D_corr), chordal = audit_distance(D_chord),
      projection = audit_distance(D_projection), directed = audit_distance(Q),
      symmetrized = audit_distance(Q_s)
    )
    write.csv(diagnostics, file.path(out_dir, "diagnosticos.csv"))
    write.csv(as.data.frame(cluster_results), file.path(out_dir, "criterios_conglomerados.csv"))
    write.csv(data.frame(concordant, discordant, rho_s, tau),
              file.path(out_dir, "rangos.csv"), row.names = FALSE)
    heights <- do.call(cbind, lapply(fits, function(h) h$height))
    colnames(heights) <- names(fits)
    write.csv(heights, file.path(out_dir, "alturas.csv"), row.names = FALSE)
    partitions <- do.call(cbind, lapply(fits, cutree, k = 3))
    write.csv(partitions, file.path(out_dir, "particiones_k3.csv"))
    for (name in names(fits)) {
      h <- fits[[name]]
      write.csv(data.frame(left = h$merge[, 1], right = h$merge[, 2], height = h$height),
                file.path(out_dir, paste0("fusiones_", name, ".csv")), row.names = FALSE)
    }
    
    pdf(file.path(out_dir, "dendrogramas.pdf"), width = 9, height = 7,
        bg = "#fffdf7", family = "serif", useDingbats = FALSE)
    par(mfrow = c(2, 2), mar = c(3, 4, 3, 1), col = "#2c2418",
        col.axis = "#2c2418", col.lab = "#2c2418", col.main = "#8b4513")
    titles <- c("Euclidiana / completo", "Euclidiana / simple",
                "Manhattan / completo", "Euclidiana / Ward.D2")
    for (i in seq_along(fits)) {
      plot(fits[[i]], main = titles[i], sub = "", xlab = "", ylab = "Altura", hang = -1)
    }
    invisible(dev.off())
    capture.output(sessionInfo(), file = file.path(out_dir, "sessionInfo.txt"))
    print(round(diagnostics, 8))
    print(cluster_results)
    print(data.frame(concordant, discordant, rho_s, tau))
    print(round(heights, 8))
    print(partitions)
    cat("Verificaciones completadas. Resultados en:", normalizePath(out_dir), "\n")
    

    13 · Referencias y alcance de la revisión

    Las demostraciones breves, los contraejemplos y el conjunto A–F son desarrollos didácticos de esta revisión. Las referencias fundamentan las convenciones y permiten comprobar las implementaciones; no se presentan los ejemplos sintéticos como resultados de esos autores.

    Kendall, M. G. (1938). A new measure of rank correlation. Biometrika, 30(1–2), 81–93. https://doi.org/10.1093/biomet/30.1-2.81

    Kendall, M. G. (1945). The treatment of ties in ranking problems. Biometrika, 33(3), 239–251. https://doi.org/10.1093/biomet/33.3.239

    McAuley, L. F. (1956). A relation between perfect separability, completeness, and normality in semi-metric spaces. Pacific Journal of Mathematics, 6(2), 315–326. https://doi.org/10.2140/pjm.1956.6.315

    Murtagh, F., & Legendre, P. (2014). Ward’s hierarchical agglomerative clustering method: Which algorithms implement Ward’s criterion? Journal of Classification, 31, 274–295. https://doi.org/10.1007/s00357-014-9161-z

    R Core Team. (s. f.-a). Correlation, variance and covariance (matrices) [R stats documentación]. Recuperado el 11 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/cor.html

    R Core Team. (s. f.-b). Distance matrix computation [R stats documentación]. Recuperado el 11 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/dist.html

    R Core Team. (s. f.-c). Hierarchical clustering [R stats documentación]. Recuperado el 11 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/hclust.html

    SageMath Developers. (s. f.). Pseudo-Riemannian metrics and degenerate metrics [SageMath manual de referencia]. Recuperado el 11 de noviembre de 2026, de https://doc.sagemath.org/html/en/reference/manifolds/sage/manifolds/differentiable/metric.html

    Stojmirović, A. (2005). Quasi-metrics, similarities and searches: Aspects of geometry of protein datasets [Tesis doctoral, Victoria University of Wellington]. arXiv (depósito de 2008). https://arxiv.org/abs/0810.5407

    Ward, J. H., Jr. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236–244. https://doi.org/10.1080/01621459.1963.10500845

    Documentación complementaria de R: cor() · hclust().

  • SOBRE LA PRUEBA DE KRUSKAL-WALLIS

    SOBRE LA PRUEBA DE KRUSKAL-WALLIS

    Marxist Philosophy of Science · Estadística matemática

    Prueba de Kruskal–Wallis: Fundamentos, Supuestos, Cálculo e Interpretación en R

    De los rangos conjuntos a una inferencia defendible: empates, comparaciones de Dunn, ajuste de Holm y tamaño del efecto.

    JOSÉ MAURICIO GÓMEZ JULIÁN

    Publicación original: 25 de marzo de 2022 · Revisión: 10 de noviembre de 2026

    01. Panorama y elección

    Comparar varios grupos exige decidir qué diferencia interesa estudiar: una diferencia de medias, de localización, de dispersión o de estructura distributiva. La prueba de Kruskal–Wallis responde a una parte de este problema mediante el orden de las observaciones. Su atractivo no consiste en eliminar los supuestos, sino en construir un contraste que no necesita especificar una distribución normal para la respuesta.

    Kruskal y Wallis (1952) desarrollaron un procedimiento para muestras independientes basado en los rangos del conjunto de datos. Es habitual presentarlo como un «ANOVA no paramétrico de un factor», expresión útil si se recuerda que cambiar los valores por rangos también cambia la información que se utiliza y la interpretación del contraste. Aunque suele emplearse con tres o más grupos, también puede calcularse con dos; en ese caso, la relación con Wilcoxon–Mann–Whitney no implica que todas las aproximaciones y correcciones produzcan exactamente el mismo valor p.

    Elección orientada por la pregunta y el diseño
    SituaciónProcedimiento que considerarPrecisión necesaria
    Medias; grupos independientes; errores aproximadamente normales y varianza comúnANOVA clásico de un factorLa normalidad corresponde a los errores dentro de los grupos; no a mezclar todos los datos.
    Medias; grupos independientes; errores aproximadamente normales y varianzas diferentesANOVA de WelchNo exige varianza común; no resuelve automáticamente asimetrías extremas, dependencia o valores influyentes.
    Comparación mediante rangos; grupos independientesKruskal–WallisPara hablar específicamente de localización o medianas se necesitan distribuciones comparables en forma y dispersión.
    Mismos sujetos en todas las condiciones; bloques completos sin replicación por celdaFriedman, cuando el diseño lo permiteNo tratar las mediciones repetidas como observaciones independientes.
    Interesa directamente una mediana condicional, hay covariables o estructura jerárquicaRegresión cuantílica o modelos apropiados al diseñoLa elección requiere definir el objetivo y la estructura de dependencia; esta entrada no desarrolla esos modelos.

    La documentación oficial distingue estos procedimientos: oneway.test(..., var.equal = FALSE) aplica Welch; kruskal.test() utiliza rangos; y friedman.test() atiende diseños de bloques completos sin replicación (R Core Team, s. f.-b, s. f.-c, s. f.-d). Evítese convertir una secuencia de pruebas de normalidad y homogeneidad en un selector automático de métodos: primero se define la pregunta y se examina el diseño.

    02. Hipótesis e interpretación

    Sean X1, …, Xk las respuestas de las poblaciones y Fi sus funciones de distribución. Una formulación general de la hipótesis nula es:

    H0: F1(x) = F2(x) = ··· = Fk(x), para todo x.

    Frente a esa nula, la alternativa general admite que alguna distribución difiera. Sin embargo, Kruskal–Wallis no es un detector universal de todas las diferencias entre distribuciones: su estadístico resume diferencias entre rangos medios. Algunas alternativas, por ejemplo ciertas diferencias simétricas de dispersión, pueden dejar estos rangos medios prácticamente iguales y producir poca potencia.

    Para una interpretación específica de localización se puede adoptar un modelo de desplazamiento:

    Xi = θi + ε,   ε ∼ F0.

    En este modelo, todos los grupos comparten forma y dispersión, y solo cambia θi. Entonces contrastar igualdad de distribuciones equivale a contrastar igualdad de localización; si la mediana es única, también equivale a igualdad de medianas. Fuera de ese marco, las medianas iguales no bastan para garantizar la nula, ni un rechazo permite afirmar que las medianas difieren.

    El manual del NIST formula la nula mediante poblaciones idénticas; la documentación de R describe el contraste en términos de parámetros de localización. Las dos presentaciones se articulan al declarar el modelo de desplazamiento, en lugar de asumirlo silenciosamente (National Institute of Standards and Technology [NIST], s. f.; R Core Team, s. f.-c).

    Localización y dispersión son preguntas distintasArriba: tres curvas normales con igual dispersión y centros diferentes. Abajo: tres curvas normales con el mismo centro y dispersiones diferentes. Esquemas conceptuales; no representan los datos del ejemplo.Localización y dispersión son preguntas distintasMisma forma y dispersión; centros diferentesm1m2m3Mismo centro; dispersiones diferentesMediana comúnCurvas esquemáticas; unidades arbitrarias
    Figura 1. Dos estructuras distintas. Arriba, desplazamientos con igual dispersión. Abajo, dispersión desigual con un centro común. Las curvas son normales esquemáticas y no corresponden al ejemplo numérico. El panel inferior no implica que Kruskal–Wallis detecte siempre diferencias de varianza.

    Un contraste de rangos no se convierte en un contraste exclusivo de medianas por describir los datos con medianas.

    03. Supuestos y diseño

    Supuestos, decisiones y consecuencias
    AspectoQué debe justificarseQué no basta
    IndependenciaUna unidad aporta una observación independiente; los grupos también son independientes.Que los tamaños de muestra sean iguales o que el software acepte los datos.
    Muestreo o asignaciónCómo se seleccionaron las unidades y a qué población se desea generalizar.Un valor p pequeño no corrige una muestra sesgada.
    Escala de mediciónLa respuesta puede ordenarse coherentemente y la medición es comparable entre grupos.Asignar números arbitrarios a categorías nominales no crea una escala ordinal.
    LocalizaciónSi se interpretarán medianas, justificar formas y dispersiones comparables.Una prueba no significativa de igualdad de varianzas no demuestra equivalencia de formas.
    EmpatesUtilizar rangos promedio y corrección del estadístico; revisar su frecuencia.Ignorar que la discretización o el redondeo producen observaciones repetidas.
    CalibraciónValorar si la aproximación asintótica es razonable o si conviene permutar.Un mínimo convencional por grupo no garantiza exactitud en todos los casos.

    El procedimiento admite tamaños de grupo distintos y respuestas ordinales. No requiere normalidad, pero sí una interpretación defendible del orden y de las unidades. La independencia no se verifica con un histograma: depende de cómo se obtuvieron los datos (NIST, s. f.).

    En investigaciones sociales, varias personas de un mismo hogar, estudiantes de una misma aula o mediciones de un mismo establecimiento pueden compartir condiciones que generen dependencia. Contarlas como réplicas independientes aumenta artificialmente la información. Debe identificarse la unidad de muestreo, observación y asignación antes de elegir el contraste.

    También deben documentarse datos faltantes, exclusiones, límites de detección y redondeo. Eliminar observaciones incompletas cambia la muestra analizada y puede introducir sesgo según el mecanismo de ausencia. Los valores extremos justifican comprobar la medición y estudiar la sensibilidad, no borrar datos para obtener significación. Para escalas ordinales con pocas categorías, conviene mostrar frecuencias por categoría junto con los resúmenes.

    04. Estadístico y empates

    Sean k el número de grupos, ni sus tamaños, N = Σ ni el tamaño total, rij el rango conjunto de una observación, Ri la suma de rangos del grupo y R̄i = Ri/ni su rango medio. Se ordenan las N observaciones juntas, no cada grupo por separado. Los empates reciben el promedio de las posiciones que ocupan.

    Hsin corregir = 12N(N + 1) Σi=1k Ri2ni − 3(N + 1).

    Si tℓ es la frecuencia de cada valor distinto en la muestra conjunta, la corrección por empates es:

    T = Σℓ(tℓ3 − tℓ),   C = 1 − TN3 − N,   H = Hsin corregirC.

    Los valores que aparecen una sola vez aportan cero a T. Sin empates, C = 1. Si todas las observaciones son iguales, C = 0 y el contraste queda indefinido: no existe variabilidad ordinal que comparar. El estadístico corregido es el que debe usarse después, también al calcular el tamaño del efecto.

    H ≈ χ2k−1 bajo H0,   p = P(χ2k−1 ≥ Hobservado).

    La aproximación no convierte H en una variable exactamente chi-cuadrado para cualquier muestra. El valor p es una probabilidad de cola calculada bajo la nula y sus condiciones; no es la probabilidad de que la hipótesis nula sea verdadera. La distinción entre el estadístico y su calibración será importante en el ejemplo.

    Qué conserva la transformación en rangos

    Una transformación estrictamente creciente, común a todos los grupos y que preserve los empates, deja los rangos y H sin cambios. A cambio, se pierde información sobre distancias: pasar de 10 a 11 y pasar de 10 a 100 cambian mucho la escala original, pero el estadístico solo utiliza las posiciones que resulten en el conjunto. Esta propiedad explica tanto su utilidad como sus límites.

    05. Datos y rangos del ejemplo

    Considérese el tiempo de tramitación, en minutos, bajo tres protocolos A, B y C. Cada grupo representa seis unidades diferentes. Los datos son construidos con fines didácticos; no proceden de una investigación ni constituyen evidencia sobre un servicio real. La disposición de las filas solo facilita la lectura: no hay emparejamiento entre grupos.

    Datos completos y rangos calculados sobre N = 18
    FilaA: minA: rangoB: minB: rangoC: minC: rango
    181115.51411.5
    292127.51513.5
    3103.5139.51615.5
    4103.5139.51615.5
    5115.51411.51717
    6127.51513.51818

    El valor 10 ocupa las posiciones 3 y 4: ambas observaciones reciben 3.5. El valor 11 ocupa las posiciones 5 y 6: recibe 5.5, aunque una observación pertenezca a A y otra a B. Este segundo caso muestra por qué deben reunirse todos los grupos antes de asignar rangos.

    Descriptivos; cuartiles por interpolación lineal, tipo 7 de R
    GruponMedianaQ1Q3RICΣ rangosRango medio
    A6109.2510.751.50233.833333
    B61312.2513.751.50579.500000
    C61615.2516.751.509115.166667

    RIC = Q3 − Q1. Para estos tiempos cuantitativos, los cuartiles interpolados tienen sentido; en una escala puramente ordinal sería preferible especificar categorías y un criterio de cuantiles adecuado. Las tres muestras comparten aquí el mismo patrón empírico desplazado, una construcción intencional que no demuestra nada sobre las distribuciones poblacionales.

    De observaciones a rangos conjuntosTres grupos, seis observaciones por grupo. Las observaciones iguales reciben el mismo rango promedio. Los rangos se calculan reuniendo los tres grupos.De observaciones a rangos conjuntosValores originalesABC81012141618Tiempo (minutos)Rangos conjuntosABC14710131618Rango en la muestra conjunta
    Figura 2. Observaciones y rangos del mismo ejemplo. Cada punto representa una unidad; los valores repetidos dentro de un grupo se apilan verticalmente. A, B y C se distinguen por su posición y etiqueta, además del tono de tinta. Los ejes son diferentes: minutos arriba, posiciones ordinales abajo.

    06. Cálculo completo

    En este caso k = 3, N = 18 y nA = nB = nC = 6. Las sumas de rangos son 23, 57 y 91. Como control, suman 171 = 18 × 19 / 2.

    Hsin corregir = 1218 × 19 (2326 + 5726 + 9126) − 3 × 19
    = 13.52046784.

    Hay siete valores repetidos dos veces cada uno: 10, 11, 12, 13, 14, 15 y 16. Los valores 8, 9, 17 y 18 aparecen una sola vez.

    T = 7(23 − 2) = 42,
    C = 1 − 42183 − 18 = 0.9927760578.
    H = 13.52046783630.9927760578 = 13.61884962,   gl = 3 − 1 = 2.

    Para dos grados de libertad, la función de supervivencia chi-cuadrado se simplifica a exp(−H/2). Por tanto:

    pasintótico = exp(−13.61884962 / 2)
    = 0.00110332734 ≈ 0.00110.

    Con un nivel α = .05 previamente definido, se rechaza la nula global con la calibración asintótica. La evidencia concierne al conjunto de grupos: todavía no dice qué pares difieren. Además, seis unidades por grupo hacen recomendable contrastar la aproximación con una calibración por permutaciones, sin confundir ambos valores p.

    07. Dunn y ajuste de Holm

    Para localizar diferencias se utilizan comparaciones de Dunn, que conservan los rangos de la muestra conjunta e incorporan la corrección por empates (Dunn, 1964). Se declara una familia de tres comparaciones bilaterales: A–B, A–C y B–C.

    Vr = N(N + 1)12 − T12(N − 1) = 28.29411765,
    zij = R̄i − R̄j√[Vr(1/ni + 1/nj)].

    El error estándar común es √[28.29411765(1/6 + 1/6)] = 3.07105398. Para A–C, la diferencia de rangos medios es −11.33333333, de donde z = −3.69037256. Los valores p bilaterales sin ajustar se calculan como 2Φ(−|z|).

    Dunn bilateral: diferencias del primer grupo menos el segundo
    Parzp sin ajustarp de HolmDecisión, α = .05
    A–B−1.845186280.065010450.13002089No se rechaza
    A–C−3.690372560.000223930.00067178Se rechaza
    B–C−1.845186280.065010450.13002089No se rechaza

    Holm ordena los valores p de menor a mayor, aplica los multiplicadores 3, 2 y 1 y toma máximos acumulados para conservar el orden. Aquí produce 3 × 0.00022392585 = 0.00067177756 y, para los otros dos pares, 2 × 0.06501044574 = 0.13002089148. El último valor ajustado se mantiene en ese máximo acumulado, en lugar de bajar a 0.06501045.

    El procedimiento de Holm controla el error familiar bajo dependencia arbitraria entre pruebas, siempre que los valores p individuales estén válidamente calibrados; aquí Dunn utiliza una aproximación normal (Holm, 1979; R Core Team, s. f.-a). Por tanto, el ajuste no elimina las limitaciones de muestras pequeñas.

    En esta estrategia exploratoria se presenta Dunn después del rechazo global. Un plan con contrastes previamente especificados puede organizar la inferencia de otra forma; lo decisivo es declarar la familia y el control de multiplicidad antes de seleccionar resultados. Pruebas de Wilcoxon por pares con su propio reranqueo pueden formar una estrategia distinta, pero no deben presentarse como si fueran Dunn.

    08. Tamaño del efecto

    Una diferencia puede ser estadísticamente detectable y pequeña en términos prácticos. Aquí se declara explícitamente el índice epsilon cuadrado de rangos, con la convención E²R = H/(N − 1). Es una medida de asociación sobre rangos, no un porcentaje de cambio en minutos.

    ER2 = HN − 1 = 13.6188496217 = 0.80110880.

    Es posible verificar su interpretación descriptiva sin acudir a una etiqueta automática de efecto «pequeño» o «grande». Si r̄ = (N + 1)/2 = 9.5, se obtiene:

    SCentre = Σi ni(R̄i − r̄)2 = 385.33333333,
    SCtotal = Σi,j(rij − r̄)2 = 481,
    SCentreSCtotal = 0.80110880 = ER2.

    La identidad se cumple al utilizar H corregido por empates. En esta muestra, el índice equivale a la fracción de variabilidad de los rangos asociada a la partición por grupos. No significa que el protocolo explique causalmente el 80.1 % de los tiempos originales ni que haya una reducción del 80.1 % en minutos. Generalizar esa magnitud requiere incertidumbre y un diseño apropiado.

    La nomenclatura varía entre textos y programas. Un índice relacionado, η²H = (H − k + 1)/(N − k), vale aquí 0.77458997. No se intercambia con E²R; incluso puede producir estimaciones negativas cuando H es pequeño. Las funciones de effectsize distinguen ambas convenciones, y sus fórmulas deben acompañar cualquier informe (Ben-Shachar et al., 2020; easystats, s. f.).

    En la escala original, las medianas son 10, 13 y 16 minutos; C − A tiene una diferencia descriptiva de 6 minutos. Esta diferencia entre medianas muestrales no es una estimación de desplazamiento de Hodges–Lehmann y el valor p de Dunn no constituye un intervalo de confianza para ella.

    09. Código reproducible en R

    El siguiente código utiliza únicamente R base y el paquete stats, incluido con R. Construye los datos, imprime los descriptivos, calcula H, verifica su coincidencia con kruskal.test(), realiza Dunn bilateral con Holm y comprueba la identidad del tamaño del efecto. Las columnas técnicas median, IQR y rank significan mediana, rango intercuartílico y rango conjunto.

    dat <- data.frame(
      group = factor(rep(c("A", "B", "C"), each = 6)),
      time = c(8, 9, 10, 10, 11, 12,
               11, 12, 13, 13, 14, 15,
               14, 15, 16, 16, 17, 18)
    )
    stopifnot(is.numeric(dat$time), all(is.finite(dat$time)),
              !anyNA(dat$group), nlevels(dat$group) >= 2)
    g <- droplevels(dat$group)
    x <- dat$time
    N <- length(x)
    k <- nlevels(g)
    n <- table(g)
    stopifnot(all(n > 0), N > k)
    r <- rank(x, ties.method = "average")
    Rsum <- tapply(r, g, sum)
    Rmean <- tapply(r, g, mean)
    desc <- t(vapply(split(x, g), function(v) {
      q <- quantile(v, c(0.25, 0.75), type = 7, names = FALSE)
      c(n = length(v), median = median(v), Q1 = q[1],
        Q3 = q[2], IQR = q[2] - q[1])
    }, numeric(5)))
    print(desc)
    print(data.frame(dat, rank = r))
    
    
    tied_n <- as.numeric(table(x))
    Tsum <- sum(tied_n^3 - tied_n)
    Ctie <- 1 - Tsum / (N^3 - N)
    if (Ctie <= 0) stop("Todas las observaciones son iguales")
    H_uncorrected <- 12 / (N * (N + 1)) * sum(Rsum^2 / as.numeric(n)) - 3 * (N + 1)
    H <- H_uncorrected / Ctie
    p_asymptotic <- pchisq(H, df = k - 1, lower.tail = FALSE)
    kw <- kruskal.test(time ~ group, data = dat)
    stopifnot(isTRUE(all.equal(H, unname(kw$statistic), tolerance = 1e-12)),
              isTRUE(all.equal(p_asymptotic, kw$p.value, tolerance = 1e-12)))
    print(kw)
    print(c(Tsum = Tsum, Ctie = Ctie, H_uncorrected = H_uncorrected,
            H = H, p_asymptotic = p_asymptotic))
    
    
    Vrank <- N * (N + 1) / 12 - Tsum / (12 * (N - 1))
    pairs <- combn(levels(g), 2)
    post <- do.call(rbind, lapply(seq_len(ncol(pairs)), function(j) {
      a <- pairs[1, j]
      b <- pairs[2, j]
      se <- sqrt(Vrank * (1 / n[a] + 1 / n[b]))
      z <- unname((Rmean[a] - Rmean[b]) / se)
      data.frame(pair = paste(a, b, sep = "-"), z = z,
                 p_raw = 2 * pnorm(abs(z), lower.tail = FALSE))
    }))
    rownames(post) <- NULL
    post$p_holm <- p.adjust(post$p_raw, method = "holm")
    print(post, digits = 9)
    
    
    epsilon_rank <- H / (N - 1)
    eta_H <- (H - k + 1) / (N - k)
    SS_between <- sum(as.numeric(n) * (Rmean - mean(r))^2)
    SS_total <- sum((r - mean(r))^2)
    stopifnot(isTRUE(all.equal(epsilon_rank,
                             unname(SS_between / SS_total), tolerance = 1e-12)))
    print(c(epsilon_rank = epsilon_rank, eta_H = eta_H,
            SS_between = SS_between, SS_total = SS_total))

    Resultados de referencia: H = 13.61884962; gl = 2; p = 0.00110332734; E²R = 0.80110880. Los valores p de Holm, en orden A–B, A–C, B–C, son 0.13002089, 0.00067178 y 0.13002089. Los cálculos completos se ejecutaron en R 4.6.0 y se contrastaron independientemente con Python/SciPy; pueden variar los últimos decimales impresos.

    El bloque rechaza valores faltantes y no finitos para que la muestra sea explícita. Para otros datos, debe decidirse y documentarse el tratamiento de ausencias antes de ejecutar el análisis. Para respuestas ordinales, deben emplearse códigos numéricos que respeten el orden, no etiquetas convertidas arbitrariamente a números.

    10. Permutaciones e incertidumbre

    Calibración por permutaciones

    Bajo la nula de distribuciones idénticas y observaciones independientes, las etiquetas de grupo son intercambiables, manteniendo sus tamaños. Se pueden permutar los rangos entre las posiciones de los grupos, conservar la corrección C y recalcular H. Para diseños con restricciones de asignación, bloques o conglomerados, el esquema de permutación debe respetar esas restricciones; no basta barajar todas las etiquetas.

    El bloque siguiente toma B = 99 999 permutaciones aleatorias con reemplazo entre sorteos; cada sorteo redistribuye sin reemplazo las N observaciones. Si b resultados son al menos tan extremos como el observado, se utiliza (b + 1)/(B + 1), incluyendo la configuración observada. Así se evita informar un valor p igual a cero por haber hecho pocas simulaciones (Phipson & Smyth, 2010).

    pMC = b + 1B + 1,   EEMC ≈ √[pMC(1 − pMC)/B].

    Debe ejecutarse después del código anterior. La tolerancia de 10−10 evita excluir empates numéricos por redondeo de punto flotante. La segunda parte enumera exhaustivamente las particiones de este ejemplo equilibrado; su restricción a tres grupos de seis observaciones está comprobada explícitamente en el código.

    set.seed(20261110)
    B <- 99999L
    H_perm <- replicate(B, {
      rp <- sample(r, N, replace = FALSE)
      sp <- tapply(rp, g, sum)
      (12 / (N * (N + 1)) * sum(sp^2 / as.numeric(n)) - 3 * (N + 1)) / Ctie
    })
    b <- sum(H_perm >= H - 1e-10)
    p_MC <- (b + 1) / (B + 1)
    MCSE <- sqrt(p_MC * (1 - p_MC) / B)
    print(c(B = B, b = b, p_MC = p_MC, MCSE = MCSE))
    
    stopifnot(N == 18L, k == 3L, all(n == 6L))
    r2 <- as.integer(2 * r)
    target <- sum((2 * Rsum)^2)
    A_choices <- combn(2:18, 5)
    B_template <- combn(2:12, 5)
    extreme <- 0
    total <- 0
    for (j in seq_len(ncol(A_choices))) {
      ia <- c(1L, A_choices[, j])
      rest <- r2[-ia]
      sa <- sum(r2[ia])
      sb <- rest[1] + colSums(matrix(rest[B_template], nrow = 5))
      sc <- sum(r2) - sa - sb
      extreme <- extreme + sum(sa^2 + sb^2 + sc^2 >= target)
      total <- total + length(sb)
    }
    p_exact <- extreme / total
    stopifnot(total == 2858856, extreme == 43)
    print(c(partitions = total, extreme_partitions = extreme,
            labeled_allocations = 6 * total, p_exact = p_exact))

    La primera parte de la salida muestra B, b, el valor p Monte Carlo y su error estándar aproximado. Este último describe solo el error por simulación, no la incertidumbre de muestreo del estudio. El resultado Monte Carlo es una calibración alternativa del mismo H; no tiene por qué coincidir con el valor asintótico 0.00110332734, y no debe seleccionarse el menor de los dos. Las comparaciones de Dunn mostradas antes siguen siendo asintóticas.

    Una comprobación exhaustiva para este ejemplo

    Como los grupos tienen el mismo tamaño, H no cambia al intercambiar sus nombres. El código fija en A la primera unidad y en B la primera de las restantes; así enumera cada partición sin etiquetas una sola vez. Son 2 858 856 particiones, equivalentes a 17 153 136 asignaciones etiquetadas, seis por partición. Los empates se tratan como observaciones distintas con igual valor, preservando las probabilidades de asignación.

    Se encuentran 43 particiones con H al menos tan grande como el observado: pexacto = 43/2 858 856 = 258/17 153 136 = 0.00001504098. La comparación utiliza rangos multiplicados por dos y aritmética entera para contar los extremos sin ambigüedad numérica. Como la enumeración incluye todas las configuraciones y la observada, no se añade otra unidad al numerador.

    Con las semillas impresas, R 4.6.0 produjo b = 3 y pMC = 0.00004000, con EEMC ≈ 0.00002000. Solo tres extremos implican poca precisión relativa: esa simulación corta no permite estimar con detalle un valor tan pequeño. La enumeración exhaustiva sí determina su valor condicional exacto. Las tres calibraciones rechazan a .05, pero difieren claramente en magnitud. En este ejemplo se prefiere la enumeración por ser factible y no depender de una aproximación ni de error Monte Carlo; no por producir el menor valor p.

    Incertidumbre del tamaño del efecto

    El siguiente complemento calcula un intervalo percentil exploratorio del 95 % para E²R. Remuestrea dentro de cada grupo, conserva sus tamaños y recalcula los rangos en cada réplica. Esto responde a una pregunta diferente de la permutación: estimar variabilidad alrededor de las distribuciones empíricas observadas, sin imponer que los grupos sean iguales.

    set.seed(20261111)
    B_boot <- 3999L
    xb <- split(x, g)
    epsilon_boot <- replicate(B_boot, {
      samples <- lapply(xb, function(v) sample(v, length(v), replace = TRUE))
      y <- unlist(samples, use.names = FALSE)
      if (length(unique(y)) < 2L) return(NA_real_)
      as.numeric(kruskal.test(samples)$statistic) / (N - 1)
    })
    CI_percentile <- quantile(epsilon_boot, c(0.025, 0.975),
                              na.rm = TRUE, type = 7)
    print(CI_percentile)
    print(c(valid_bootstrap = sum(is.finite(epsilon_boot))))
    sessionInfo()

    Con solo seis observaciones por grupo, el bootstrap reproduce distribuciones empíricas muy discretas. El intervalo puede tener cobertura deficiente o reflejar sesgos del índice; no debe tratarse como garantía de precisión poblacional. En R 4.6.0, las 3999 réplicas fueron válidas y produjeron el intervalo exploratorio [0.6908765, 0.9104320]. No debe usarse que este intervalo excluya cero como prueba de ausencia o presencia de asociación: para índices acotados, los intervalos bootstrap pueden excluir el cero incluso bajo la nula (easystats, s. f.). El código imprime cuántas réplicas resultan válidas y sessionInfo() registra el entorno. Si se necesita una conclusión confirmatoria sobre magnitudes o equivalencia, deben planearse el estimando, el procedimiento de intervalo y el tamaño de muestra específicamente.

    11. Cómo comunicar el resultado

    Un informe debe conectar diseño, descriptivos, calibración, multiplicidad y límites. Para este ejemplo construido, una redacción posible sería:

    Si solo se dispone de calibración Monte Carlo, el informe debe sustituir el valor exacto por la salida correspondiente y añadir el número de sorteos, la semilla y una medida de precisión de simulación. No se debe presentar como «exacto» un valor obtenido mediante una muestra aleatoria de permutaciones sin enumeración exhaustiva.

    Errores de interpretación y formulaciones defendibles
    EvitarFormulación defendible
    «La probabilidad de que H₀ sea cierta es .00110».«Bajo H₀ y las condiciones del contraste, la probabilidad de un H al menos tan extremo es aproximadamente .00110».
    «Los tres grupos son diferentes».«El contraste global rechaza la nula; Dunn con Holm identifica evidencia en A–C».
    «A y B son iguales porque p > .05».«No se obtuvo evidencia suficiente para rechazar ese contraste; no se probó equivalencia».
    «El efecto explica el 80.1 % del tiempo».«E² de rangos = .801; su escala y denominador se declaran explícitamente».
    «La mediana de C es causalmente seis minutos mayor».«La diferencia descriptiva entre las medianas muestrales de C y A es seis minutos; la causalidad depende del diseño».

    Reportar medianas y RIC suele ser útil, pero no prohíbe añadir medias, desviaciones estándar u otros resúmenes si ayudan a comprender el fenómeno. La selección descriptiva debe responder a la escala, la distribución y la pregunta, no a una obligación automática impuesta por el nombre de la prueba.

    12. Alcance metodológico

    Los rangos constituyen una abstracción de los datos: conservan relaciones de orden y omiten parte de sus distancias. Esa abstracción no es una virtud o un defecto en sí misma; su pertinencia depende del objeto y del problema investigado. En tiempos de espera puede interesar quién tiende a esperar más; en presupuestos públicos, una diferencia monetaria absoluta puede ser decisiva y no quedar representada suficientemente por el orden.

    Del mismo modo, una categoría estadística no explica por sí sola el mecanismo que produce sus diferencias. Comparar establecimientos, sectores o territorios mediante rangos no sustituye estudiar recursos, organización del trabajo, selección de participantes y condiciones históricas. El contraste aporta evidencia sobre una estructura observada bajo supuestos explícitos; la explicación exige teoría, conocimiento del contexto y un diseño capaz de sostenerla.

    La secuencia de trabajo defendible es concreta: definir la unidad y la pregunta; observar distribuciones y mediciones; escoger el contraste coherente con el diseño; verificar cálculos; cuantificar incertidumbre; y formular conclusiones proporcionales a la información disponible. Con ese criterio, Kruskal–Wallis se convierte en una herramienta precisa, en lugar de una respuesta automática a cualquier incumplimiento del ANOVA.

    13. Referencias

    Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), Article 2815. https://doi.org/10.21105/joss.02815

    Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490181

    easystats. (s. f.). Effect size for rank based ANOVA [Documentación del paquete effectsize]. Recuperado el 10 de noviembre de 2026, de https://easystats.github.io/effectsize/reference/rank_epsilon_squared.html

    Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733

    Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441

    National Institute of Standards and Technology. (s. f.). Kruskal Wallis. Dataplot reference manual. Recuperado el 10 de noviembre de 2026, de https://www.itl.nist.gov/div898/software/dataplot/refman1/auxillar/kruskwal.htm

    Phipson, B., & Smyth, G. K. (2010). Permutation p-values should never be zero: Calculating exact p-values when permutations are randomly drawn. Statistical Applications in Genetics and Molecular Biology, 9(1), Article 39. https://doi.org/10.2202/1544-6115.1585

    R Core Team. (s. f.-a). Adjust p-values for multiple comparisons [Documentación de R]. Recuperado el 10 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.html

    R Core Team. (s. f.-b). Friedman rank sum test [Documentación de R]. Recuperado el 10 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/friedman.test.html

    R Core Team. (s. f.-c). Kruskal-Wallis rank sum test [Documentación de R]. Recuperado el 10 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/kruskal.test.html

    R Core Team. (s. f.-d). Test for equal means in a one-way layout [Documentación de R]. Recuperado el 10 de noviembre de 2026, de https://stat.ethz.ch/R-manual/R-devel/library/stats/html/oneway.test.html

    Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3–4), 330–336. https://doi.org/10.2307/2332579

    Las páginas de documentación son recursos actualizables; consulta: 10 de noviembre de 2026. Las letras a–d corresponden al orden alfabético de los títulos. Para las definiciones computacionales de E²R y η²H, véase también la documentación oficial de effectsize. Las fórmulas se declaran explícitamente para evitar ambigüedades de nomenclatura.

  • EL MODELO DE REGRESIÓN LINEAL CLÁSICO EN R: UN ANÁLISIS TEÓRICO Y APLICADO A LA BIOESTADÍSTICA Y LA ECONOMÍA POLÍTICA

    EL MODELO DE REGRESIÓN LINEAL CLÁSICO EN R: UN ANÁLISIS TEÓRICO Y APLICADO A LA BIOESTADÍSTICA Y LA ECONOMÍA POLÍTICA

    Marxist Philosophy of Science · Estadística y economía política

    El Modelo de Regresión Lineal Clásico en R

    Fundamentos, cálculo e interpretación: de la velocidad de nado a la tasa de ganancia

    Publicación original: 1 de diciembre de 2021
    Revisión y ampliación: 4 de noviembre de 2026

    01Una pregunta científica, dos campos de aplicación

    Una regresión relaciona una pregunta sobre el mundo con una representación matemática de sus regularidades. Su valor científico depende de la calidad de las mediciones, del diseño de la investigación, de los supuestos que conectan los datos con el modelo y de la interpretación histórica y material del fenómeno. El ajuste numérico forma parte de ese proceso.

    Este artículo estudia el modelo de regresión lineal clásico mediante dos aplicaciones: la velocidad de nado de personas adultas y la tasa bruta de ganancia de Estados Unidos durante 1964–2008. La primera permite desarrollar el cálculo matricial, la estandarización, la descomposición de la variabilidad y la incertidumbre. La segunda exige examinar adicionalmente la construcción contable de las variables, la dependencia temporal y las relaciones entre distribución, productividad y rentabilidad.

    La exposición combina álgebra, geometría, probabilidad, programación en R y economía política. Las ecuaciones se acompañan de interpretaciones, las tablas identifican su procedencia y el laboratorio final incorpora todos los datos sintéticos que necesita para ejecutarse.

    02Población, muestra y significado de la notación

    Sea Y una variable de respuesta y sean X1, …, Xk los predictores. Para una observación i, el modelo aditivo con intercepto se escribe:

    Yi = β0 + β1Xi1 + ··· + βkXik + ui.
    (1)

    β₀ es el intercepto; βⱼ es una pendiente poblacional; uᵢ reúne la diferencia entre la respuesta y la parte representada por el modelo.

    Denotamos por n el número de observaciones y por p = k + 1 el número de coeficientes, incluyendo el intercepto. La matriz de diseño X tiene n filas y p columnas; su primera columna contiene unos. El vector β tiene p componentes y y contiene las respuestas observadas.

    y = Xβ + u;   E(Y | X = x) = xTβ, si E(u | X) = 0.
    (2)

    Una variable aleatoria, su realización observada, un parámetro poblacional y su estimador son objetos distintos. β̂ es un estimador antes de observar una muestra y una estimación numérica una vez fijados los datos. Asimismo, ui es el error poblacional no observado; ei = yi − ŷi es un residuo calculado.

    La esperanza es un operador probabilístico; la media aritmética es una función de los datos que puede estimar una esperanza bajo condiciones apropiadas. La distinción no impide su relación. Tampoco hay que equiparar automáticamente una distribución marginal con una distribución previa bayesiana: la primera integra las variables condicionantes; la segunda representa incertidumbre sobre parámetros antes de la actualización.

    03Qué significa que el modelo sea lineal

    La linealidad se refiere a los coeficientes. Un modelo con edad y edad al cuadrado sigue siendo lineal en sus parámetros. También lo es un modelo con una interacción entre participación salarial y productividad del capital.

    E(Y | X, Z) = β0 + β1X + β2Z + β3XZ.
    (3)

    En esta especificación, la pendiente respecto de X es β1 + β3Z. Por tanto, añadir una interacción cambia el significado de las pendientes individuales. El coeficiente β1 corresponde al efecto estadístico de X cuando Z vale cero, sujeto a la interpretación del modelo.

    Transformar la respuesta también cambia el objeto estimado. Si se modela el logaritmo de la velocidad, exponenciar la media predicha del logaritmo no devuelve, en general, la media de la velocidad: la transformación inversa requiere considerar la distribución del error. Análogamente, modelar tiempo de recorrido y transformar después mediante 50/tiempo no equivale a ajustar directamente la velocidad media.

    04Mínimos cuadrados: optimización y proyección

    Mínimos cuadrados ordinarios (MCO) elige los coeficientes que minimizan la suma de residuos al cuadrado. La pérdida cuadrática penaliza especialmente los errores grandes.

    S(b) = (y − Xb)T(y − Xb).
    (4)

    Derivar respecto de b e igualar a cero produce las ecuaciones normales XTXb = XTy. Si las columnas de X son linealmente independientes, la solución es única:

    β̂ = (XTX)−1XTy.
    (5)

    Geométricamente, ŷ es la proyección ortogonal de y sobre el espacio generado por las columnas de X. Los residuos son ortogonales a ese espacio: XTe = 0. Con intercepto, los residuos suman cero salvo error de redondeo.

    Esta ortogonalidad de los residuos con las columnas de diseño no exige que los predictores sean ortogonales entre sí. La primera es una propiedad algebraica del ajuste; la segunda sería una propiedad adicional del diseño.

    X <- model.matrix(~ edad + imc + pierna + brazo, data = bio)
    y <- bio$veloc
    # Expresion didactica; exige rango completo y buen condicionamiento.
    beta_ecuaciones <- solve(crossprod(X), crossprod(X, y))
    # Preferible para calculo numerico: descomposicion QR.
    beta_qr <- qr.coef(qr(X), y)
    m_bio <- lm(veloc ~ edad + imc + pierna + brazo, data = bio)
    all.equal(unname(beta_qr), unname(coef(m_bio)))

    La inversión de XTX es útil para derivar fórmulas. En programación, formar ese producto puede agravar el condicionamiento numérico; lm() utiliza QR. Una identidad matemática exacta y una operación de coma flotante tienen niveles diferentes de representación: sus discrepancias pequeñas se evalúan con tolerancias numéricas explícitas.

    05Qué garantiza cada supuesto

    Supuestos, garantías y límites
    CondiciónQué permite sostenerQué no demuestra
    Rango completo de XIdentificación única de los coeficientes MCO.Independencia estocástica entre predictores.
    E(u | X) = 0Insesgamiento condicional de MCO, con las condiciones de existencia pertinentes.Causalidad por el solo hecho de ajustar una regresión.
    Var(u | X) = σ²ICovarianza clásica y eficiencia de MCO entre estimadores lineales insesgados.Normalidad de los errores.
    Normalidad condicional de uDistribuciones t y F exactas del modelo clásico correctamente especificado.Normalidad marginal de todos los predictores o de Y.
    Condiciones de momentos y dependencia débilLeyes de grandes números y aproximaciones asintóticas pertinentes.Que 30 o 45 observaciones constituyan automáticamente una muestra grande.
    Diseño causal e identificación sustantivaInterpretación causal bajo los supuestos específicos del diseño.Que un valor p pequeño sustituya la identificación.

    La normalidad no es necesaria para calcular MCO ni para el teorema de Gauss–Markov. La heterocedasticidad no produce por sí misma sesgo en los coeficientes si se conserva la exogeneidad, pero invalida la fórmula convencional de su covarianza. La consistencia requiere condiciones adicionales sobre el proceso generador, sus momentos y su dependencia.

    Independencia lineal significa que ninguna columna es una combinación lineal exacta de las otras. Independencia estocástica se refiere a la factorización de distribuciones conjuntas. Ortogonalidad significa producto interno nulo. Correlación cero constituye otra propiedad que no equivale, en general, a independencia estocástica.

    I · Bioestadística

    06El caso de natación: medición y población de interés

    La aplicación considera miembros regulares de un equipo de natación que recorren 50 metros. Las tablas documentadas contienen 30 observaciones, con edades entre 18 y 51 años. Para describir la muestra es más preciso hablar de personas de 18 años o más que de personas estrictamente mayores de 18.

    velocidad (m/s) = 50 m / tiempo (s).
    (6)
    Diccionario del caso bioestadístico
    VariableDefinición y unidadPrecaución interpretativa
    velocVelocidad de nado, en metros por segundo.Un valor mayor representa mayor velocidad; si se usa tiempo, el sentido cambia.
    edadEdad en años cumplidos.El coeficiente transversal compara personas; no mide automáticamente envejecimiento individual.
    sexoCodificación documentada: 0 mujeres, 1 hombres.La codificación debe documentarse y no atribuirse a una explicación biológica única.
    imcPeso en kg dividido entre talla en metros al cuadrado.No equivale a una medida directa de composición corporal.
    piernaLongitud media de ambas piernas, en cm.Puede compartir variación con brazo y otras medidas corporales.
    brazoLongitud media de ambos brazos, en cm.Su asociación ajustada depende de los predictores incluidos.

    La población objetivo está condicionada por el reclutamiento: pertenecer regularmente a un equipo no representa a toda la población adulta. Entrenamiento, técnica, estado de salud, experiencia y selección para participar pueden influir tanto en las características observadas como en el rendimiento.

    La omisión de sexo en algunos modelos no demuestra que la velocidad media sea idéntica entre las categorías. Ese modelo describe una relación sin ajuste explícito por dicha variable. Su inclusión o exclusión debe discutirse según la pregunta, el diseño y el tamaño muestral, evitando decisiones basadas únicamente en correlaciones marginales.

    07Exploración gráfica y correlaciones

    Los gráficos de dispersión permiten explorar linealidad aproximada, observaciones extremas, regiones con pocos datos y posibles diferencias entre grupos. Una recta ajustada resume una tendencia; un suavizador permite explorar curvaturas. Las bandas de un gráfico deben interpretarse según el procedimiento que las construye: no representan automáticamente una región de concentración de errores.

    # Con bio definido en el laboratorio final:
    vars <- c("veloc", "edad", "imc", "pierna", "brazo")
    pairs(bio[vars], pch = 19, col = "#8b4513")
    round(cor(bio[vars]), 3)
    # Opcionales; requieren los paquetes correspondientes.
    # lattice::xyplot(veloc ~ edad, data = bio, type = c("p", "r"))
    # car::scatterplot(veloc ~ edad, data = bio)
    # car::scatterplotMatrix(~ veloc + edad + imc + pierna + brazo, data = bio)

    En xyplot(), type=c("p","r") solicita puntos y recta de regresión. Es un argumento gráfico, no una instrucción para modificar el tipo de almacenamiento del objeto. Trellis designa un sistema de gráficos condicionados; utilizar el paquete lattice no implica construir un retículo algebraico en el sentido de la teoría de órdenes.

    Las correlaciones documentadas con velocidad son aproximadamente −0.65 para edad, −0.01 para IMC, 0.21 para pierna y 0.29 para brazo. Describen asociaciones bivariadas en la muestra. Una correlación marginal pequeña no demuestra que una variable sea irrelevante después de ajustar por otras, y una correlación fuerte no identifica un efecto causal.

    El coeficiente de Pearson se define como covarianza dividida entre el producto de desviaciones estándar. Carece de unidades y describe asociación lineal. Se debe examinar junto con el gráfico: valores atípicos, grupos mezclados o curvaturas pueden volver engañoso su resumen escalar.

    08Especificaciones comparables y decisiones de modelado

    Mapa de modelos del caso de natación
    Nombre estableEspecificaciónPregunta
    m_dosveloc ~ edad + brazoAsociaciones ajustadas por edad y longitud del brazo.
    m_bioveloc ~ edad + imc + pierna + brazoContribuciones condicionales de cuatro características.
    m_sin_edadveloc ~ imc + pierna + brazoQué cambia al omitir edad.
    m_mmveloc ~ edad + imc + pierna + brazommInvariancia de ajustes al cambiar unidades.
    m_edadveloc ~ edadQué describe la edad por sí sola.
    m_nuloveloc ~ 1Referencia basada en una media común.

    Comparar modelos requiere conservar las mismas observaciones. Si cada ajuste elimina filas distintas por datos faltantes, sus sumas de cuadrados y sus criterios de información dejan de ser directamente comparables. El tratamiento de ausencias debe definirse y documentarse antes de la comparación.

    Eliminar pierna por una correlación elevada con brazo puede reducir inestabilidad, pero también cambia la pregunta y puede introducir sesgo por omisión si se elimina una variable necesaria para la especificación. Examinar rango, inflación de varianza, conocimiento sustantivo y estabilidad ofrece una evaluación más completa.

    m_dos <- lm(veloc ~ edad + brazo, data = bio)
    m_bio <- lm(veloc ~ edad + imc + pierna + brazo, data = bio)
    m_sin_edad <- lm(veloc ~ imc + pierna + brazo, data = bio)
    m_edad <- lm(veloc ~ edad, data = bio)
    m_nulo <- lm(veloc ~ 1, data = bio)
    stopifnot(nobs(m_bio) == nobs(m_edad), nobs(m_bio) == nobs(m_sin_edad))

    09Interpretación de las pendientes y predicción puntual

    La especificación documentada con edad y brazo produce aproximadamente:

    ŷ = 0.29220247 − 0.01816942 · edad + 0.02141960 · brazo.
    (7)

    Comparar dos personas que difieren diez años, manteniendo fija la longitud del brazo, se asocia con una diferencia de −0.1816942 m/s en la velocidad media estimada. Una diferencia de cinco centímetros de brazo, a edad fija, se asocia con +0.107098 m/s. Estas son comparaciones condicionales del modelo; no describen necesariamente el cambio que experimentaría una misma persona después de diez años o de una intervención.

    Para 24 años y 71 cm de brazo, la predicción documentada es 1.376928 m/s. Para 34 años y el mismo brazo, es 1.195234 m/s. Conviene mantener toda la precisión de los coeficientes durante el cálculo y redondear al presentar: 1.38 y 1.20 m/s.

    # x0 construye una nueva combinacion de predictores; no selecciona filas.
    x0 <- c(1, 24, 71)
    # Para el modelo ajustado sobre los datos que se esten usando:
    drop(x0 %*% coef(m_dos))
    predict(m_dos, newdata = data.frame(edad = 24, brazo = 71))

    El primer componente de x0 es el uno que multiplica al intercepto. El intercepto de este modelo corresponde a edad cero y brazo cero; ese escenario carece de interpretación aplicada en la muestra adulta. Su función algebraica no requiere atribuirle un estado biológico real.

    10Unidades y coeficientes estandarizados

    Si una longitud pasa de centímetros a milímetros, sus valores se multiplican por diez y su pendiente se divide por diez. Las predicciones, los residuos y la suma de cuadrados residual permanecen iguales salvo redondeo. Cambiar la unidad no añade capacidad explicativa.

    β̂j,est = β̂j · sXj / sY.
    (8)

    La pendiente completamente estandarizada expresa diferencias en desviaciones estándar de Y por una desviación estándar de Xⱼ, manteniendo las demás variables.

    En la especificación documentada de cuatro predictores, las pendientes estandarizadas son aproximadamente −0.76 para edad, 0.20 para IMC, −0.07 para pierna y 0.50 para brazo. La comparación se refiere a esa muestra y a ese conjunto de controles. Las desviaciones estándar incorporan características de la distribución muestral, por lo que el orden de magnitudes no es un ranking causal universal.

    β̂est = RXX−1rXY.
    (9)

    Rₓₓ es la matriz de correlaciones de predictores centrados y escalados; rₓᵧ contiene sus correlaciones con la respuesta. Se requiere que Rₓₓ sea invertible.

    En regresión simple con intercepto, la pendiente completamente estandarizada coincide con la correlación de Pearson. En regresión múltiple, coincide con la correlación bivariada de cada predictor si los predictores estandarizados son mutuamente ortogonales. La ortogonalidad puede darse con variables continuas o con factores bajo diseños apropiados.

    vars <- c("veloc", "edad", "imc", "pierna", "brazo")
    bio_z <- as.data.frame(scale(bio[vars]))
    m_z <- lm(veloc ~ edad + imc + pierna + brazo, data = bio_z)
    beta_est <- coef(m_bio)[-1] * sapply(bio[vars[-1]], sd) / sd(bio$veloc)
    all.equal(unname(beta_est), unname(coef(m_z)[-1]))

    Pendientes completamente estandarizadas

    −10+1
    Edad
    -0.76
    IMC
    +0.20
    Pierna
    -0.07
    Brazo
    +0.50
    Valores documentados redondeados para la misma especificación de cuatro predictores (pp. 15–16). La escala común facilita comparar magnitudes muestrales; no establece importancia causal.

    11Sumas de cuadrados y grados de libertad

    La variabilidad total respecto de la media se descompone, para MCO con intercepto, en variabilidad explicada por el ajuste y variabilidad residual:

    SCT = Σ(yi − ȳ)²;   SCR = Σ(ŷi − ȳ)²;   SCE = Σ(yi − ŷi)²;   SCT = SCR + SCE.
    (10)

    Usamos SCT para la suma total, SCR para la suma de regresión y SCE para la suma de errores residuales. Sus equivalentes usuales en inglés son SST, SSR y SSE. Como algunas fuentes intercambian siglas, la fórmula debe acompañar siempre al nombre.

    s² = SCE / (n − p);   CMR = SCR / (p − 1);   R² = 1 − SCE/SCT.
    (11)

    s² es el cuadrado medio residual y estima σ² bajo los supuestos clásicos. CMR es el cuadrado medio de regresión para el conjunto de pendientes. Los grados de libertad no son iguales para todos los términos: dependen del rango y del número de restricciones.

    La proyección residual tiene dimensión n − p. Estimar una media impone una restricción a los residuos y deja n − 1 grados de libertad. En general, los grados de libertad se explican por restricciones lineales y rango, sin necesidad de deducirlos de un principio físico de mínima acción.

    Verificación aritmética: n = 30; SCT = 1.730004; estadísticas publicadas redondeadas
    Modelo documentadoSCEs²R²R² ajustado
    Cuatro predictores0.645170.02580680.627070.56740
    Sin edad1.563360.06012920.09633−0.00794
    Solo edad0.990210.03536460.427630.40718

    El modelo de cuatro predictores captura aproximadamente 62.7 % de la variabilidad muestral; edad por sí sola, 42.8 %. Añadir predictores a modelos anidados sobre las mismas filas nunca reduce el R² ordinario. Esa propiedad mecánica explica la necesidad de considerar complejidad y validación.

    R²aj = 1 − [SCE/(n − p)] / [SCT/(n − 1)].
    (12)

    Un R² ajustado negativo indica que, según esta penalización, la especificación rinde peor que la referencia de una media común. La igualdad de dos R² después de redondear no prueba ausencia de sobreajuste.

    El riesgo cuadrático de un estimador es otro objeto: ECM(θ̂) = Var(θ̂) + Sesgo(θ̂)². No debe identificarse sin más con el cuadrado medio residual. En evaluación predictiva, RMSE suele usar el promedio de errores cuadrados en observaciones de prueba; su denominador responde a una finalidad distinta de estimar σ² con n − p.

    Fracción explicada y residual de la variabilidad

    Completo
    62.7 %
    Sin edad
    9.6 %
    Solo edad
    42.8 %
    Marrón: fracción explicada. Papel beige: fracción residual. Porcentajes reconstruidos con las sumas de cuadrados publicadas; misma respuesta y n = 30.

    12Covarianza, errores estándar e intervalos de coeficientes

    Bajo Var(u | X) = σ²I, la incertidumbre de las pendientes depende de la variabilidad residual y de la geometría del diseño.

    Var(β̂ | X) = σ²(XTX)−1;   V̂ = s²(XTX)−1.
    (13)

    La diagonal contiene las varianzas estimadas de los coeficientes. Sus raíces son los errores estándar. Los elementos fuera de la diagonal son covarianzas entre estimadores, y son importantes para calcular la incertidumbre de combinaciones de coeficientes.

    IC1−α(βj) = β̂j ± t1−α/2, n−p · EE(β̂j).
    (14)
    Modelo de cuatro predictores; 25 grados de libertad residuales. Documento, pp. 24–25 y 49–50
    TérminoEstimaciónError estándarIC 95 % documentado
    Intercepto−0.1354220.602032[−1.3753, 1.1045]
    edad−0.0191720.003214[−0.0258, −0.0126]
    imc0.0155320.010023[−0.0051, 0.0362]
    pierna−0.0025990.009907[−0.0230, 0.0178]
    brazo0.0262620.012982[−0.0005, 0.0530]

    Para una diferencia de cinco años, manteniendo constantes las demás características, el intervalo de la diferencia media se obtiene multiplicando por cinco los extremos del intervalo de edad: aproximadamente [−0.129, −0.063] m/s. Multiplicar por una constante negativa requeriría además reordenar los extremos.

    No se comparan precisiones de pendientes medidas en distintas unidades mediante la amplitud absoluta de sus intervalos. Que un intervalo no cruce cero se refiere al contraste bilateral correspondiente, y no demuestra que ese coeficiente sea el de mayor importancia científica.

    13Media condicional y nueva observación: dos incertidumbres

    Para una combinación de características x0, la media predicha es x0Tβ̂. Su varianza estimada es una forma cuadrática:

    v̂media = x0TV̂x0;   IC = ŷ0 ± t1−α/2,n−p√v̂media.
    (15)

    Una nueva observación añade su propia variación individual. Bajo los supuestos normales, homocedásticos y de independencia del nuevo error respecto de la muestra:

    IP = ŷ0 ± t1−α/2,n−p√(s² + v̂media).
    (16)

    El término adicional s² explica por qué el intervalo individual es más ancho. Para edad 22, IMC 20 kg/m², pierna 100 cm y brazo 70 cm, las salidas documentadas son:

    Confianza y predicción para las mismas características. Documento, p. 30
    CantidadEstimación o intervaloInterpretación
    Media predicha1.33 m/sVelocidad media condicional estimada.
    IC 95 % para la media[1.22, 1.45] m/sIncertidumbre sobre la media condicional.
    IP 95 % individual[0.98, 1.68] m/sCobertura predictiva para una nueva observación bajo el modelo.
    0.8 m/s1.8 m/s
    IC de la media
    IP individual
    Representación a escala de los intervalos documentados. La marca central representa 1.33 m/s, redondeado.
    nuevo <- data.frame(edad = 22, imc = 20, pierna = 100, brazo = 70)
    predict(m_bio, nuevo, interval = "confidence", level = .95)
    predict(m_bio, nuevo, interval = "prediction", level = .95)

    En interpretación frecuentista, el nivel de confianza describe la cobertura del procedimiento al repetir el muestreo. No significa que 95 % de las personas estén dentro del intervalo para la media ni constituye evidencia causal. Los valores concretos anteriores corresponden al estudio documentado; al ejecutar el laboratorio sintético se obtendrán otros intervalos.

    14Tolerancia y enfoque bayesiano: otra pregunta

    Un intervalo de tolerancia busca cubrir al menos una proporción P de una distribución con una confianza 1 − α. Contenido y confianza son dos controles diferentes. Un intervalo predictivo para una observación futura no ofrece automáticamente esa misma garantía sobre una fracción poblacional.

    Prmuestras{ PrY[L(datos) ≤ Y ≤ U(datos)] ≥ P } ≥ 1 − α.
    (17)

    Esta formulación expresa la garantía frecuentista de contenido para un intervalo de tolerancia bilateral.

    En el caso normal marginal, la forma usual es ȳ ± ktols. El factor de tolerancia depende de tamaño muestral, confianza, contenido y procedimiento. Un intervalo de colas iguales controla adicionalmente cómo se distribuye el contenido excluido entre ambas colas.

    # Requiere tolerance; ejemplo sintetico normal marginal.
    # No es un intervalo condicional del modelo de natacion.
    set.seed(20261106)
    y_normal_demo <- rnorm(60, mean = 1.4, sd = .16)
    # tolerance::normtol.int(y_normal_demo, alpha = .05, P = .95,
    #                        side = 2, method = "HE")

    Para tolerancia condicional en regresión se necesita un procedimiento que incluya las covariables y su incertidumbre. Aplicar un procedimiento marginal a todas las velocidades responde a otra pregunta.

    En una formulación bayesiana normal conjugada se puede especificar μ | σ² ∼ N(μ₀, σ²/n₀) y una distribución inversa chi-cuadrado escalada para σ² con parámetros m₀ y s₀². μ₀ es una localización previa; n₀ controla precisión relativa para μ; m₀ y s₀² regulan la incertidumbre previa sobre σ². n₀ y m₀ no son otras medias y varianzas observadas.

    La verosimilitud normal y una distribución previa son componentes distintos. Que la respuesta tenga un histograma aproximadamente normal no determina una distribución previa sobre sus parámetros. Sus hiperparámetros requieren información externa, una regla de construcción explícita o un análisis de sensibilidad. En bayesnormtol.int() debe distinguirse asimismo side=1, que produce límites unilaterales, de side=2, que corresponde al procedimiento bilateral.

    Igualar arbitrariamente momentos no justifica una distribución previa. La convergencia en distribución tampoco asegura por sí sola convergencia de momentos: se necesitan condiciones adicionales, como integrabilidad uniforme apropiada. Toda distribución de probabilidad posee función característica, incluso si no tiene media o varianza finitas. La normal posee todos sus momentos, pero eso no convierte a la existencia de función característica en una prueba de existencia de todos los momentos.

    15Distribuciones, Q–Q, P–P y contrastes de normalidad

    Un gráfico Q–Q compara cuantiles observados con cuantiles de una distribución de referencia. Un P–P compara probabilidades acumuladas. El primero suele hacer más visibles discrepancias en las colas; el segundo ofrece otra perspectiva sobre el ajuste acumulado.

    En regresión normal, el supuesto se refiere a los errores condicionales. Una respuesta marginal puede ser asimétrica por la mezcla de grupos o covariables aunque los errores condicionales sean normales. Por ello se comienza con residuos frente a ajustados, residuos frente a predictores y un Q–Q de residuos.

    par(mfrow = c(2, 2))
    plot(m_bio)
    par(mfrow = c(1, 1))
    shapiro.test(residuals(m_bio))
    # La prueba en residuos ajustados se interpreta como diagnostico exploratorio;
    # los residuos comparten restricciones y no son una muestra iid de errores.

    Las salidas documentadas de Shapiro–Wilk sobre la respuesta de natación dan p = 0.3454. Ese resultado no permite rechazar normalidad marginal al 5 %, pero tampoco la demuestra ni verifica todos los supuestos de regresión.

    Kolmogórov–Smirnov de una muestra contrasta con una función de distribución completamente especificada. Su calibración usual no corresponde a parámetros estimados con la misma muestra. Comparar los datos con una muestra simulada de una normal de otra localización y escala realiza un contraste de igualdad entre distribuciones, no un diagnóstico general de forma normal. Un procedimiento de Lilliefors o una calibración por simulación correctamente diseñada aborda problemas distintos y debe identificarse explícitamente.

    Ajustar normal, lognormal y gamma por máxima verosimilitud permite comparar modelos marginales candidatos sobre la misma respuesta y muestra. Un menor AIC o BIC es una preferencia relativa dentro de ese conjunto, no una prueba de verdad. Además, una familia adecuada marginalmente no determina por sí sola la familia condicional de una regresión.

    AIC = −2ℓ(θ̂) + 2d;   BIC = −2ℓ(θ̂) + d log(n).
    (18)

    ℓ es la log-verosimilitud maximizada y d cuenta los parámetros estimados para ese modelo probabilístico. Comparar exige una base de verosimilitud compatible.

    Con datos pequeños, considerar AIC corregido puede ser pertinente si se utiliza la fórmula correspondiente a la familia. La comparación entre respuestas transformadas requiere tener en cuenta el jacobiano de transformación; no se comparan directamente números de verosimilitud definidos respecto de escalas incompatibles.

    16Efectos marginales y sumas de cuadrados secuenciales

    En un modelo lineal aditivo, la derivada parcial de la media respecto de un predictor continuo es su pendiente:

    ∂E(Y | X)/∂Xj = βj.
    (19)

    Sin interacciones ni transformaciones, el efecto marginal es constante: promedio de efectos marginales, efecto en las medias y efecto en valores representativos coinciden. Para una variable binaria se calcula una diferencia discreta entre predicciones. Ninguna de estas operaciones establece causalidad sin identificación adicional.

    La reducción de la suma de cuadrados residual al introducir una variable es otra cantidad. En anova(m_bio), los términos se añaden según el orden de la fórmula. Las contribuciones dependen de lo incluido antes; las pendientes del modelo aditivo completo no cambian al reordenar sus términos.

    Preguntas diferentes generan resultados diferentes
    Cantidad documentada para piernaValorQué compara
    Suma de cuadrados secuencial tras edad e IMC0.21680Añadir pierna antes de incluir brazo.
    Valor p de esa fila ANOVA0.007697Contraste secuencial, usando el cuadrado medio residual del modelo completo.
    Valor p ajustado de pierna en summary()0.7952Coeficiente de pierna condicionado también en brazo.
    Suma de cuadrados adicional tras brazo, sin otros controles0.01660077Comparar veloc ~ brazo con veloc ~ brazo + pierna.

    La diferencia entre 0.007697 y 0.7952 no es una contradicción: el conjunto de variables condicionantes cambia. El contraste secuencial atribuye a pierna variación que puede compartir con brazo. Para evaluar su aporte después de todos los demás términos se compara el modelo completo con el que omite solamente pierna, o se utiliza la prueba t equivalente para ese único coeficiente.

    17Pruebas t y F: hipótesis explícitas y cálculo manual

    El valor p es la probabilidad, bajo la hipótesis nula y el modelo supuesto, de un estadístico tan extremo o más que el observado según la alternativa. No es la probabilidad de que la hipótesis nula sea verdadera, de que el resultado se deba al azar, ni una medida general de fiabilidad o importancia del estudio.

    Para dos modelos anidados, reducido R y completo C, ajustados sobre las mismas filas, sea q = pC − pR el número de restricciones. El estadístico clásico es:

    F = [(SCER − SCEC)/q] / [SCEC/(n − pC)].
    (20)

    Bajo la hipótesis nula y errores normales esféricos, sigue F con q y n − pC grados de libertad. Valores grandes aportan evidencia contra las restricciones. Se rechaza al nivel α si el valor p es menor que α, fijando este umbral antes de inspeccionar los resultados.

    Cálculos reconstruidos con sumas de cuadrados publicadas redondeadas. Documento, pp. 47–54
    Contraste documentadoHipótesis nulaF aproximadaValor p aproximado
    Cuatro predictores frente a edadβ_IMC = β_pierna = β_brazo = 04.4567; gl (3,25)0.012205
    Añadir edad a los otros tresβ_edad = 035.5794; gl (1,25)0.000003153
    Cuatro predictores frente a interceptoLas cuatro pendientes son cero10.5092; gl (4,25)0.00003906

    El primer contraste indica que las tres variables adicionales, consideradas conjuntamente, aportan información respecto del modelo de solo edad bajo los supuestos clásicos. No equivale a afirmar que cada una de ellas sea individualmente significativa. La significancia conjunta puede coexistir con pruebas individuales poco concluyentes cuando hay correlación entre predictores.

    tj = β̂j/EE(β̂j);   Funa restricción = tj².
    (21)

    La igualdad corresponde a una misma restricción, con el mismo estimador de covarianza y una prueba t bilateral equivalente. No identifica genéricamente cualquier prueba F con cualquier prueba t. El intervalo bilateral y el contraste al mismo nivel coinciden en excluir o incluir el valor nulo bajo el mismo procedimiento.

    anova(m_edad, m_bio)
    anova(m_sin_edad, m_bio)
    anova(m_nulo, m_bio)
    # Cola superior, mas estable que calcular 1 - pf(...):
    F_doc <- ((.99021 - .64517) / 3) / (.64517 / 25)
    pf(F_doc, df1 = 3, df2 = 25, lower.tail = FALSE)

    18Diagnóstico: forma, apalancamiento e influencia

    Un análisis de residuos busca patrones incompatibles con la especificación: curvaturas, abanicos de dispersión, agrupamientos y dependencia. Un gráfico aislado no verifica exogeneidad ni elimina la necesidad de examinar el diseño.

    El apalancamiento de la observación i es la diagonal hii de la matriz de proyección. Resume qué tan particular es su combinación de predictores respecto del diseño. Un residuo grande describe discrepancia en la respuesta. Influencia mide cuánto cambia un ajuste al perturbar observaciones. Son conceptos relacionados, pero diferentes.

    H = X(XTX)−1XT;   Σhii = p;   Di = [ei²/(p s²)] · hii/(1 − hii)².
    (22)

    La distancia de Cook combina tamaño del residuo y apalancamiento. Umbrales como 4/n o múltiplos de la media son guías para investigar. Se deben revisar calidad de medición, contexto y sensibilidad de las conclusiones, sin eliminar automáticamente observaciones que reflejan episodios reales.

    diagnostico <- data.frame(
      fila = seq_len(nobs(m_bio)),
      residuo = residuals(m_bio),
      residuo_studentizado = rstudent(m_bio),
      leverage = hatvalues(m_bio),
      Cook = cooks.distance(m_bio)
    )
    diagnostico[order(diagnostico$Cook, decreasing = TRUE), ]

    Un error estándar HC3 permite evaluar sensibilidad de la inferencia a heterocedasticidad en una muestra transversal bajo condiciones apropiadas. No corrige omisión de variables, error de medición, dependencia entre nadadores ni selección de la muestra.

    II · Economía política

    19La tasa de ganancia como problema de economía política

    La rentabilidad articula decisiones de inversión, competencia, distribución y reproducción del capital. Su estudio requiere definir qué excedente se mide, qué capital se utiliza como denominador, cómo se valora y qué cobertura institucional tiene la estadística.

    Smith, Ricardo y Marx otorgan a las ganancias un lugar central, con explicaciones diferentes de sus movimientos y sus mediaciones. En Marx, la producción de plusvalor, la competencia, la transformación de valores en precios y la formación de una tasa general de ganancia pertenecen a niveles relacionados del análisis. Una tasa agregada de cuentas nacionales es una operacionalización específica; su identificación directa con una categoría teórica requiere argumentación.

    Las controversias de Cambridge sobre capital heterogéneo y reversión de técnicas cuestionan determinadas parábolas de sustitución y productividad marginal agregada. Sus resultados deben exponerse con su alcance formal: no constituyen por sí mismos una validación empírica de cualquier especificación econométrica alternativa.

    Las investigaciones sobre relaciones entre valores-trabajo y precios, y las investigaciones sobre determinantes de la rentabilidad, comparten categorías y fuentes, pero contrastan preguntas distintas. Una correlación valor-precio no sustituye la identificación de mecanismos temporales de una tasa de ganancia.

    El ejercicio aquí considerado utiliza 45 observaciones anuales de Estados Unidos, de 1964 a 2008, y atribuye los datos a las Extended Penn World Tables compiladas por Marquetti y Foley. La extensión temporal permite examinar trayectorias históricas, aunque el número de años no garantiza por sí solo la precisión de aproximaciones asintóticas.

    20Definir las variables antes de estimar

    Diccionario económico: las definiciones definitivas deben cotejarse con el archivo y la edición de EPWT utilizados
    ColumnaInterpretación a documentarComprobación necesaria
    Mean_Gross_ProfitTasa bruta de ganancia, expresada en porcentaje.Definir excedente, denominador y diferencia entre bruto y neto.
    K_ProductivityProductividad media del capital: producto/capital.Verificar precios, cobertura y valoración del stock.
    L_ProductivityProductividad media del trabajo: producto por persona ocupada.Precisar empleo frente a horas y tratamiento de trabajadores autónomos.
    Mean_w_shareParticipación de remuneraciones del trabajo en el producto.Precisar ajustes y consistencia de numerador y denominador.
    Mean_wSalario o remuneración media real por trabajador.Confirmar si la columna es media por ocupado; no denominarla masa salarial total.
    RealGDPProducto real agregado.Documentar moneda, año base, paridad de poder adquisitivo y vintage.
    K_Net_StockStock neto de capital fijo estandarizado.Distinguir stock de flujo, valor corriente y precios constantes.
    DepreciationRateTasa de depreciación.Comprobar si está en proporción o porcentaje.
    YearAño calendario.Orden cronológico, ausencia de duplicados y continuidad de observaciones.

    La productividad media del capital no es su productividad marginal. La participación salarial no es el salario medio, y el salario medio no es la masa salarial agregada. Sus cambios pueden divergir: una remuneración real creciente puede coexistir con una participación salarial decreciente si la productividad aumenta más.

    Las cuentas nacionales incorporan convenciones y estimaciones. Su carácter construido no las vuelve arbitrarias: implica que la comparabilidad, los ajustes y la relación entre categorías estadísticas y teóricas forman parte de la investigación. Cambiar de edición de la base puede alterar las series; una reproducción necesita identificar la edición exacta.

    21Identidades contables y relaciones compartidas

    Sean Q el producto, W las remuneraciones, K el stock de capital y N el empleo, definidos de manera compatible. Entonces se pueden construir:

    ω = W/Q;   ρ = Q/K;   x = Q/N;   w = W/N;   w = ωx.
    (23)

    Si el excedente bruto se define como Q − W, la tasa bruta de ganancia satisface:

    r = (Q − W)/K = (1 − ω)ρ;   r% = 100(1 − ω)ρ.
    (24)

    Esta construcción de la tasa bruta aparece explícitamente en trabajos que utilizan EPWT 4.0. Debe verificarse en las columnas del ejercicio antes de concluir que opera exactamente: ajustes de cobertura, precios, fuentes o redondeo pueden modificar su cumplimiento numérico. Para una tasa neta hay que incorporar coherentemente la depreciación, con unidades compatibles.

    Cuando estas identidades se cumplen, regresionar rentabilidad sobre participación salarial y productividad del capital utiliza componentes de la propia respuesta. Una asociación intensa puede ser consecuencia de esa construcción. Su contenido económico reside también en cómo evolucionan sus componentes y por qué lo hacen; la identidad, por sí sola, no determina sus mecanismos causales.

    # Aplicar a datos empiricos solo tras confirmar las definiciones.
    identidad_r <- with(eco, 100 * (1 - Mean_w_share) * K_Productivity)
    identidad_w <- with(eco, Mean_w_share * L_Productivity)
    max(abs(eco$Mean_Gross_Profit - identidad_r))
    max(abs(eco$Mean_w - identidad_w))

    La identidad de rentabilidad es multiplicativa en ω y ρ. Escrita como regresión, contiene una interacción:

    r% = 100ρ − 100ωρ.
    (25)

    Una regresión aditiva puede aproximarla muy bien en un intervalo limitado, sin que sus cuatro pendientes representen cuatro mecanismos independientes. Además, la relación w = ωx genera dependencia funcional no lineal entre predictores. No equivale necesariamente a colinealidad lineal perfecta, pero restringe las combinaciones económicamente posibles.

    Por ello, la derivada parcial de un ajuste que mantiene salario medio y participación constantes mientras cambia productividad laboral puede describir una combinación incompatible con esas identidades. La interpretación ceteris paribus debe respetar el conjunto de estados admisibles.

    22El modelo económico y el significado de su ajuste

    La especificación documentada con cuatro predictores es:

    r̂% ≈ 71.532 − 118.76ω − 0.00039514x + 39.903ρ + 0.00065361w.
    (26)
    Resultados publicados del ajuste aditivo estadounidense. Documento, pp. 64–65
    Resultado documentadoValorLectura apropiada
    Observaciones45 añosUna serie histórica; los años no son intercambiables por defecto.
    Coeficientes estimados5, incluyendo intercepto40 grados de libertad residuales.
    R² y R² ajustadoAmbos 0.9998 al redondearAjuste interno extraordinariamente alto; revisar identidades y validación.
    Error estándar residual0.0439En la unidad de la respuesta; si es porcentaje, puntos porcentuales.
    InterceptoAproximadamente 71.532Predicción para predictores iguales a cero; posible extrapolación extrema.

    Un intercepto significativo no demuestra una rentabilidad autónoma independiente de los procesos económicos ni identifica factores políticos omitidos. Una constante puede absorber el nivel de una aproximación local y carecer de interpretación sustantiva cuando el origen está lejos de la muestra.

    Una forma útil de comprender el ajuste es desarrollar la identidad alrededor de valores de referencia ω₀ y ρ₀. Escribiendo Δω = ω − ω₀ y Δρ = ρ − ρ₀:

    r% = 100(1 − ω₀)ρ₀ − 100ρ₀Δω + 100(1 − ω₀)Δρ − 100ΔωΔρ.
    (27)

    Los tres primeros términos forman una aproximación aditiva local; el último es la interacción omitida. Si las variaciones conjuntas son pequeñas, esa aproximación puede alcanzar un R² muy elevado. Esto ofrece una explicación matemática que debe examinarse con los datos, sin atribuir automáticamente el resultado a una excepcional robustez causal.

    23Selección por BIC y coherencia de la especificación

    El ejercicio explora inicialmente año, producto real, stock neto de capital, depreciación y los cuatro predictores distributivos y productivos. La búsqueda hacia atrás presentada elimina depreciación, pero conserva año, producto y stock junto con los cuatro predictores. El modelo de cuatro predictores es, por tanto, una propuesta adicional que debe compararse explícitamente.

    m_amplio <- lm(Mean_Gross_Profit ~ Year + RealGDP + K_Net_Stock +
      DepreciationRate + K_Productivity + L_Productivity +
      Mean_w_share + Mean_w, data = eco)
    m_bic <- step(m_amplio, direction = "backward",
                  k = log(nobs(m_amplio)), trace = 0)
    m_eco <- lm(Mean_Gross_Profit ~ Mean_w_share + L_Productivity +
                K_Productivity + Mean_w, data = eco)
    formula(m_bic)
    BIC(m_amplio, m_bic, m_eco)

    step() implementa una búsqueda local: que ningún término individual mejore el criterio al eliminarlo no demuestra que no exista un mejor subconjunto obtenido al retirar varios términos conjuntamente. La salida puede conservar el rótulo AIC aunque k=log(n) utilice una penalización de tipo BIC.

    La comparación debe usar la misma respuesta y las mismas filas. Los criterios calculados por extractAIC() y BIC() pueden diferir por constantes aditivas bajo una convención de conteo compatible; se deben comparar dentro de una misma definición. La selección automática tampoco reemplaza el análisis de identidades, la teoría ni una evaluación fuera de la muestra.

    Si la especificación se elige con los mismos datos, los intervalos convencionales posteriores no incorporan automáticamente la incertidumbre de selección. Para predicción, la selección se realiza dentro de cada conjunto de entrenamiento, preservando la separación respecto de las observaciones de evaluación.

    24Colinealidad: precisión, estabilidad y restricciones materiales

    Para el predictor j, la inflación de varianza se resume mediante:

    VIFj = 1/(1 − R²j).
    (28)

    R²ⱼ proviene de regresar Xⱼ sobre todos los demás predictores con intercepto, no solamente sobre otro predictor aislado.

    Los VIF documentados son aproximadamente 41.34 para participación salarial, 1621.24 para productividad laboral, 8.10 para productividad del capital y 1268.56 para salario medio. Indican escasa variación independiente en varias direcciones del diseño. El umbral diez es una regla orientativa, no una ley que clasifique automáticamente validez.

    En colinealidad perfecta, los coeficientes no son todos identificables por separado: hay soluciones múltiples que pueden producir los mismos ajustes. En colinealidad aproximada, existe una solución única pero algunas combinaciones pueden estimarse con poca estabilidad. Una predicción dentro de una región estrecha de datos puede ser precisa mientras las pendientes individuales son frágiles.

    La metáfora de micronumerosidad subraya que la información depende del diseño y de la variación independiente, además del número de filas. No debe confundirse un número de condición elevado por diferencias de escala con una conclusión única sobre la estructura: es conveniente examinar también matrices centradas y escaladas.

    En términos económicos, las relaciones entre producción, remuneración y productividad generan restricciones observables. Vincularlas con la teoría del valor requiere mediaciones explícitas. La presencia de VIF elevados no demuestra por sí misma una tesis sobre el origen del valor.

    25Diagnósticos económicos: interpretar el conjunto de resultados

    Resultados publicados, pp. 68–77: distintas hipótesis y calibraciones no son intercambiables
    Procedimiento documentadoResultadoInterpretación al 5 %, salvo indicación
    Shapiro–Wilk sobre la respuestap = 0.0006404Rechazo de normalidad marginal; no es un contraste directo de normalidad de los errores.
    Breusch–Pagan studentizadop = 0.09915No se rechaza homocedasticidad al 5 %; sí al 10 %. No rechazar no demuestra ausencia de heterocedasticidad.
    Durbin–Watson bilateral, carp aproximado = 0.072No se rechaza al 5 %; tener en cuenta calibración por simulación.
    Durbin–Watson unilateral, lmtestp = 0.03317Rechaza a favor de autocorrelación positiva; usa una alternativa distinta.
    Breusch–Godfrey, hasta orden 1p = 0.2872No se rechaza ausencia de autocorrelación hasta ese orden.
    Breusch–Godfrey, hasta orden 2p = 0.5276No se rechaza la hipótesis conjunta hasta ese orden.
    Breusch–Godfrey, hasta orden 3p = 0.03631Se rechaza la hipótesis conjunta; no identifica cada rezago como significativo por separado.
    RESET, potencias 2 y 3p = 0.0000675Evidencia contra la forma funcional bajo la calibración utilizada; no identifica su causa concreta.

    La versión predeterminada de bptest() es la de Breusch–Pagan studentizada por Koenker. Una prueba general de White requiere una especificación auxiliar apropiada, habitualmente con cuadrados e interacciones; los nombres no son sinónimos automáticos.

    Los resultados de Durbin–Watson no se contradicen necesariamente: la alternativa unilateral y la bilateral preguntan cosas distintas y pueden tener calibraciones diferentes. En series temporales se requiere verificar orden de años, ausencia de huecos y pertinencia de la estructura de rezagos.

    RESET detecta determinadas desviaciones de forma funcional mediante términos adicionales. Un rechazo no identifica la multicolinealidad como causa. Una interacción omitida, una dinámica temporal insuficiente u otras especificaciones pueden ser pertinentes; el diagnóstico debe orientar comparaciones justificadas.

    La distancia de Cook merece contextualizarse mediante los años concretos. Episodios de crisis o cambios institucionales pueden constituir información sustantiva. Ni un Cook bajo garantiza estabilidad frente a todas las perturbaciones ni uno alto autoriza a borrar el año para mejorar el ajuste.

    26Errores HC y HAC: qué corrigen y cómo se calculan

    Con errores de covarianza general Ω, la covarianza de MCO es:

    Var(β̂ | X) = (XTX)−1XTΩX(XTX)−1.
    (29)

    Los estimadores robustos reemplazan la parte central desconocida por una estimación. HC contempla heterocedasticidad con condiciones de independencia adecuadas. HAC incorpora también autocovarianzas de las contribuciones al estimador. En Newey–West con kernel Bartlett:

    V̂HAC = B[Γ̂0 + Σℓ=1…L(1 − ℓ/(L+1))(Γ̂ℓ + Γ̂ℓT)]B,   B = (XTX)−1.
    (30)

    Definiendo st = xtet, Γ̂ℓ es la suma de stst−ℓT sobre los pares disponibles. La fórmula usa sumas sin normalizar y puede acompañarse del ajuste finito n/(n − p). La elección de rezagos L, el kernel y el preblanqueo se reportan porque afectan el resultado.

    # Requiere lmtest y sandwich. Datos previamente ordenados por Year.
    V_HAC <- sandwich::NeweyWest(m_eco, lag = 3,
                               prewhite = FALSE, adjust = TRUE)
    lmtest::coeftest(m_eco, vcov. = V_HAC, df = Inf)
    lmtest::coefci(m_eco, vcov. = V_HAC, df = Inf, level = .95)
    # Sensibilidad a la truncacion; no seleccionar el rezago por su valor p.
    sapply(1:4, function(L) sqrt(diag(sandwich::NeweyWest(
      m_eco, lag = L, prewhite = FALSE, adjust = TRUE))))

    Especificar df=Inf hace explícita una referencia normal asintótica. Una aproximación t con grados de libertad residuales puede utilizarse como convención finita, pero no adquiere exactitud por ese cambio. Con 45 observaciones, el desempeño de cualquier aproximación exige cautela y sensibilidad.

    La covarianza HAC deja intactos los coeficientes MCO y los residuos del ajuste. No elimina autocorrelación, no normaliza errores, no resuelve endogeneidad ni repara una identidad tratada como mecanismo independiente. Su consistencia requiere condiciones sobre momentos y dependencia del proceso. El laboratorio implementa HC3 y HAC manualmente y contrasta HAC con sandwich cuando el paquete está disponible.

    27Tiempo, tendencias y validación predictiva

    Ordenar una gráfica por el valor de un predictor ayuda a visualizar una asociación, pero unir esos puntos no representa una trayectoria histórica. Para estudiar evolución se usa el año en el eje horizontal y se conserva su orden. Una tendencia ascendente y otra descendente también pueden compartir un componente temporal; sus signos opuestos no descartan regresiones espurias.

    El examen temporal incluye gráficos, autocorrelaciones, raíces unitarias, estacionariedad y posibles rupturas. La especificación de constante, tendencia y rezagos en ADF, Phillips–Perron o KPSS altera la pregunta. No se decide mecánicamente entre niveles y diferencias a partir de un único valor p.

    Si hay variables integradas, se evalúa si existe una relación de cointegración justificada. Diferenciar puede reducir tendencias estocásticas, pero también cambia el objeto económico. Una identidad contable y una relación de cointegración no son conceptos intercambiables. Errores HAC no convierten una regresión espuria en una regresión válida.

    Para evaluar predicción se reserva información futura. La validación de origen móvil estima con los primeros años, predice el siguiente y amplía sucesivamente la ventana. Si hay selección de variables, transformaciones o estandarización, se repiten usando solamente el entrenamiento de cada ventana.

    RMSE = √[(1/m)Σ(yt − ŷt)²];   MAE = (1/m)Σ|yt − ŷt|.
    (31)

    Las métricas de prueba se comparan con referencias sencillas, como el último valor observado. Para un pronóstico ex ante, también se necesita conocer o pronosticar las covariables futuras. Usar su valor contemporáneo observado después del hecho produce una evaluación condicional retrospectiva; esa información disponible debe declararse.

    En natación, una validación adecuada considera cómo se incorporan nuevos participantes y si hay mediciones repetidas o agrupamiento por equipo. Separar filas al azar no garantiza independencia cuando varias pertenecen a una misma persona o grupo.

    28Extensiones justificadas por la pregunta

    Una extensión debe responder a una limitación concreta. Interacciones y términos no lineales permiten representar pendientes variables; modelos dinámicos incorporan rezagos y procesos temporales; mínimos cuadrados generalizados modela una estructura de covarianza cuando está suficientemente justificada.

    Un GLM gamma puede ser pertinente para una respuesta estrictamente positiva cuya distribución condicional y relación media-varianza se ajusten a esa familia. El enlace canónico es inverso; el enlace logarítmico es una elección frecuente con otra interpretación. La forma marginal de la tasa de ganancia no decide entre ellos ni resuelve dependencia temporal.

    ARCH y GARCH describen heterocedasticidad condicional dinámica; requieren evidencia y una pregunta que justifique modelar volatilidad. Las cópulas estudian estructuras de dependencia especificadas. Ninguno de estos nombres constituye por sí mismo una mejora sobre un modelo cuyo problema central sea la medición, la identificación o la presencia de identidades compartidas.

    Regularización puede estabilizar predicciones con predictores correlacionados, pero altera el problema de estimación y no restaura una interpretación causal perdida. La elección se evalúa mediante objetivos explícitos y validación compatible con el diseño.

    29Teoría, evidencia y mediaciones de una explicación

    Una investigación materialista puede examinar cómo categorías como trabajo, capital, productividad y distribución se expresan en magnitudes empíricas sin reducir su contenido a una columna de datos. La mediación entre categoría y medición exige explicitar cobertura, unidad, momento histórico y nivel de agregación.

    La relación entre esencia y manifestación no autoriza a tratar cualquier asociación superficial como una determinación necesaria. Tampoco exige separar abstracción y experiencia: la formalización selecciona relaciones, declara condiciones y permite contrastar implicaciones determinadas. Su alcance se fortalece al precisar qué aspectos del fenómeno quedan fuera del modelo.

    La contribución material de la naturaleza a los valores de uso debe distinguirse de la tesis marxiana sobre trabajo y valor bajo relaciones mercantiles. Atribuir al trabajo la producción exclusiva de todo valor de uso confunde planos diferentes. La teoría del valor, la composición del capital y la contabilidad del excedente requieren sus respectivas mediaciones.

    La existencia de teoremas límite para secuencias dependientes forma parte de la teoría estadística. Las leyes de grandes números, los teoremas centrales del límite y los resultados ergódicos tienen versiones y condiciones distintas; la independencia no es un requisito universal de todos ellos. La cuestión aplicada es si el proceso estudiado satisface las condiciones del resultado que se invoca.

    Un ajuste empírico llamativo puede motivar nuevas preguntas, pero su magnitud no suspende esas condiciones. En el caso económico, investigar identidades contables y variaciones históricas permite distinguir regularidades que provienen de la definición, asociaciones estimadas y mecanismos que necesitan identificación adicional.

    30Qué se puede concluir de los dos casos

    En las tablas bioestadísticas documentadas, edad muestra una asociación negativa con la velocidad condicional y el conjunto de cuatro predictores mejora el ajuste respecto de una media común y respecto del modelo de solo edad. El alcance se limita a la muestra, las especificaciones y sus supuestos: no demuestra un efecto individual del envejecimiento ni representa automáticamente a toda la población adulta.

    El ejercicio estadounidense documenta una reconstrucción aditiva de ajuste interno muy alto, acompañada de colinealidad intensa y diagnósticos que requieren revisar forma funcional y dependencia. La construcción de las variables exige comprobar identidades antes de atribuir a las pendientes significados independientes. La evidencia presentada no basta para certificar capacidad de pronóstico fuera de muestra ni inferencia HAC ya corregida.

    El resultado metodológico común es que una regresión se evalúa en varios planos conectados: coherencia de la medición, identificación algebraica, supuestos probabilísticos, estabilidad numérica, desempeño predictivo e interpretación sustantiva. Cada plano aporta una condición de validez; ninguno sustituye por completo a los demás.

    III · Laboratorio y referencias

    31Laboratorio completo y reproducible en R

    El código siguiente contiene los datos generados, las funciones de cálculo manual y las verificaciones necesarias. Se ejecuta con R 4.1 o posterior y usa R base para sus operaciones principales. Las extensiones con lmtest, sandwich y tolerance se ejecutan únicamente si esos paquetes están instalados; no se instalan automáticamente.

    El primer laboratorio genera una muestra transversal de natación. El segundo construye series macroeconómicas sintéticas que satisfacen identidades conocidas. Esa construcción hace posible estudiar cómo una regresión aditiva alcanza un buen ajuste sin descubrir un mecanismo causal nuevo. Las pruebas de diagnóstico sobre esa simulación tienen finalidad computacional y no representan resultados de Estados Unidos.

    El programa también reconstruye R², R² ajustado y pruebas F a partir de las sumas de cuadrados publicadas, sin confundir esa comprobación aritmética con la recuperación de los microdatos. Verifica igualdad de estimaciones matriciales y lm(), invariancia de unidades, estandarización, intervalos manuales y automatizados y, cuando está disponible sandwich, equivalencia del HAC manual.

    Para conservar los gráficos al ejecutarlo desde consola puede abrirse previamente un dispositivo con pdf("laboratorio_regresion.pdf") y cerrarse al terminar con dev.off(). En RStudio se pueden examinar desde el panel de gráficos.

    Resultados del laboratorio sintético: R 4.3.3; semillas declaradas en el código
    Resultado sintetico ejecutadoValor
    Natación: R² / R² ajustado0.7446455 / 0.7037888
    Natación: suma de cuadrados residual0.4150405
    Macroeconomía: R² aditivo0.9999556
    Macroeconomía: coeficientes de la identidad interactiva100 y −100
    Origen móvil: RMSE modelo / último valor0.01383205 / 0.18606987
    Origen móvil: MAE modelo / último valor0.01101683 / 0.17496457

    Estas salidas fueron obtenidas al ejecutar el laboratorio. Las igualdades algebraicas incluidas mediante stopifnot() se verificaron, incluida la comparación del HAC manual con sandwich. El ejemplo opcional con tolerance no se ejecutó en esta verificación. Los resultados sintéticos no son estimaciones de los estudios empíricos.

    # REGRESION LINEAL: BIOESTADISTICA Y ECONOMIA POLITICA
    # Jose Mauricio Gomez Julian | Revision: 2026-11-04
    # Ejecutar: source("regresion_laboratorio.R", encoding = "UTF-8")
    # R base; no instala paquetes ni descarga datos.
    # Los datos de ambos laboratorios son SINTETICOS. No replican las muestras de 2021.
    options(width = 110)
    
    validar <- function(d, columnas) {
      stopifnot(is.data.frame(d), all(columnas %in% names(d)))
      if (!all(vapply(d[columnas], is.numeric, logical(1))))
        stop("Las columnas requeridas deben ser numericas.")
      if (any(!is.finite(as.matrix(d[columnas]))))
        stop("Hay NA, NaN o Inf: documente su tratamiento antes de ajustar.")
      invisible(d)
    }
    
    # Estimacion por QR y verificacion algebraica para modelos con intercepto y rango completo.
    resumen_manual <- function(m) {
      X <- model.matrix(m); y <- model.response(model.frame(m))
      n <- nrow(X); p <- ncol(X)
      stopifnot(m$rank == p, n > p, attr(terms(m), "intercept") == 1)
      b <- qr.coef(qr(X), y)
      yhat <- drop(X %*% b); e <- y - yhat
      SSE <- sum(e^2); SST <- sum((y - mean(y))^2); SSR <- sum((yhat - mean(y))^2)
      s2 <- SSE / (n - p)
      V <- summary(m)$cov.unscaled[colnames(X), colnames(X), drop = FALSE] * s2
      se <- sqrt(diag(V)); crit <- qt(.975, n - p)
      IC <- cbind(estimacion = b, EE = se, inferior = b - crit * se, superior = b + crit * se)
      stopifnot(isTRUE(all.equal(unname(b), unname(coef(m)), tolerance = 1e-8)),
                abs(SST - SSR - SSE) < 1e-7 * max(1, SST),
                isTRUE(all.equal(unname(V), unname(vcov(m)), tolerance = 1e-8)),
                isTRUE(all.equal(unname(IC[, c("inferior", "superior")]),
                                 unname(confint(m)), tolerance = 1e-8)))
      list(n = n, p = p, SST = SST, SSR = SSR, SSE = SSE, s2 = s2,
           R2 = 1 - SSE / SST, R2_ajustado = 1 - (SSE / (n - p)) / (SST / (n - 1)), IC = IC)
    }
    
    vif_manual <- function(m) {
      X <- model.matrix(m)[, -1, drop = FALSE]
      stopifnot(ncol(X) > 1L)
      vapply(seq_len(ncol(X)), function(j) {
        aux <- lm(X[, j] ~ X[, -j, drop = FALSE])
        1 / (1 - summary(aux)$r.squared)
      }, numeric(1)) |> setNames(colnames(X))
    }
    
    # Matriz HC3. Ajuste para heterocedasticidad, bajo exogeneidad y observaciones independientes.
    vcov_hc3_manual <- function(m) {
      X <- model.matrix(m); e <- residuals(m); h <- hatvalues(m)
      stopifnot(m$rank == ncol(X), all(h < 1))
      B <- summary(m)$cov.unscaled[colnames(X), colnames(X), drop = FALSE]
      S <- X * as.numeric(e / (1 - h))
      V <- B %*% crossprod(S) %*% B
      dimnames(V) <- list(colnames(X), colnames(X)); V
    }
    
    # HAC Newey-West con kernel Bartlett, sin preblanqueo; orden cronologico obligatorio.
    vcov_hac_manual <- function(m, lag = 3L, adjust = TRUE) {
      X <- model.matrix(m); n <- nrow(X); p <- ncol(X)
      stopifnot(m$rank == p, lag >= 0, lag < n, lag == as.integer(lag))
      B <- summary(m)$cov.unscaled[colnames(X), colnames(X), drop = FALSE]
      S <- X * as.numeric(residuals(m)); M <- crossprod(S)
      if (lag > 0L) for (ell in seq_len(lag)) {
        C <- crossprod(S[(ell + 1L):n, , drop = FALSE], S[1L:(n - ell), , drop = FALSE])
        M <- M + (1 - ell / (lag + 1)) * (C + t(C))
      }
      V <- B %*% M %*% B
      if (adjust) V <- V * n / (n - p)
      dimnames(V) <- list(colnames(X), colnames(X)); V
    }
    
    inferencia_robusta <- function(m, V, nivel = .95) {
      # Aproximacion normal asintotica: no es una t exacta en muestra finita.
      b <- coef(m); se <- sqrt(diag(V)); z <- b / se
      q <- qnorm(1 - (1 - nivel) / 2)
      cbind(estimacion = b, EE = se, z = z, p = 2 * pnorm(-abs(z)),
            inferior = b - q * se, superior = b + q * se)
    }
    
    intervalos_manuales <- function(m, nuevos, nivel = .95) {
      X0 <- model.matrix(delete.response(terms(m)), nuevos, contrasts.arg = m$contrasts)
      X0 <- X0[, names(coef(m)), drop = FALSE]
      media <- drop(X0 %*% coef(m))
      vmedia <- rowSums((X0 %*% vcov(m)) * X0)
      q <- qt(1 - (1 - nivel) / 2, df.residual(m))
      IC <- cbind(fit = media, lwr = media - q * sqrt(vmedia), upr = media + q * sqrt(vmedia))
      IP <- cbind(fit = media, lwr = media - q * sqrt(vmedia + sigma(m)^2),
                  upr = media + q * sqrt(vmedia + sigma(m)^2))
      stopifnot(isTRUE(all.equal(unname(IC), unname(predict(m, nuevos, interval = "confidence", level = nivel)), tolerance = 1e-7)),
                isTRUE(all.equal(unname(IP), unname(predict(m, nuevos, interval = "prediction", level = nivel)), tolerance = 1e-7)))
      list(confianza = IC, prediccion = IP)
    }
    
    # A. LABORATORIO BIOESTADISTICO SINTETICO
    set.seed(20261104)
    n <- 30L
    edad <- sample(18:51, n, replace = TRUE)
    sexo <- rep(0:1, length.out = n)
    z <- rnorm(n)
    brazo <- 74 + 3.5 * z + rnorm(n, sd = 1.8)
    pierna <- 103 + 5 * z + rnorm(n, sd = 2.5)
    imc <- 23 + rnorm(n, sd = 3)
    veloc <- .30 - .018 * edad + .022 * brazo + .008 * (imc - 23) + rnorm(n, sd = .13)
    bio <- data.frame(veloc, edad, sexo, imc, pierna, brazo)
    validar(bio, names(bio)); stopifnot(all(bio$veloc > 0))
    cat("\nA. DATOS SINTETICOS DE NATACION; NO SON OBSERVACIONES DEL ESTUDIO\n")
    print(head(bio))
    
    m_bio <- lm(veloc ~ edad + imc + pierna + brazo, data = bio)
    m_edad <- lm(veloc ~ edad, data = bio)
    m_sin_edad <- lm(veloc ~ imc + pierna + brazo, data = bio)
    m_dos <- lm(veloc ~ edad + brazo, data = bio)
    print(summary(m_bio)); print(resumen_manual(m_bio))
    print(cor(bio[c("veloc", "edad", "imc", "pierna", "brazo")]))
    
    # Cambio de unidades: los ajustes no cambian; el coeficiente se divide por diez.
    bio$brazomm <- 10 * bio$brazo
    m_mm <- lm(veloc ~ edad + imc + pierna + brazomm, data = bio)
    stopifnot(max(abs(fitted(m_bio) - fitted(m_mm))) < 1e-8,
              abs(coef(m_bio)["brazo"] / 10 - coef(m_mm)["brazomm"]) < 1e-8)
    
    # Estandarizacion: misma muestra y mismos cuatro predictores.
    vars <- c("veloc", "edad", "imc", "pierna", "brazo")
    bio_z <- as.data.frame(scale(bio[vars]))
    m_z <- lm(veloc ~ edad + imc + pierna + brazo, data = bio_z)
    beta_z <- coef(m_bio)[-1] * vapply(bio[names(coef(m_bio))[-1]], sd, numeric(1)) / sd(bio$veloc)
    Rxx <- cor(bio[vars[-1]]); rxy <- cor(bio[vars[-1]], bio$veloc)
    stopifnot(max(abs(beta_z - coef(m_z)[-1])) < 1e-8,
              max(abs(drop(solve(Rxx, rxy)) - beta_z)) < 1e-8)
    print(beta_z)
    print(anova(m_edad, m_bio))
    print(anova(m_sin_edad, m_bio))
    stopifnot(abs(anova(m_sin_edad, m_bio)$F[2] - summary(m_bio)$coef["edad", "t value"]^2) < 1e-7)
    
    nuevos <- data.frame(edad = 22, imc = 20, pierna = 100, brazo = 70)
    print(intervalos_manuales(m_bio, nuevos))
    print(vif_manual(m_bio))
    print(inferencia_robusta(m_bio, vcov_hc3_manual(m_bio)))
    cat("Shapiro-Wilk de residuos: exploratorio; no prueba exogeneidad ni confirma normalidad.\n")
    print(shapiro.test(residuals(m_bio)))
    cat("Cambiar el orden de terminos altera ANOVA secuencial, no las pendientes ajustadas.\n")
    print(anova(m_bio))
    print(anova(lm(veloc ~ brazo + pierna + imc + edad, data = bio)))
    
    # Graficos base. En source(), un dispositivo no interactivo puede generar Rplots.pdf.
    op <- par(no.readonly = TRUE)
    par(mfrow = c(2, 2)); plot(m_bio); par(op)
    grilla <- data.frame(edad = seq(min(bio$edad), max(bio$edad), length.out = 100))
    ic <- predict(m_edad, grilla, interval = "confidence")
    ip <- predict(m_edad, grilla, interval = "prediction")
    plot(bio$edad, bio$veloc, xlab = "Edad (anos)", ylab = "Velocidad (m/s)", pch = 19,
         main = "Laboratorio sintetico: media e incertidumbre")
    matlines(grilla$edad, cbind(ic, ip[, -1]), lty = c(1, 2, 2, 3, 3), col = "#8b4513")
    legend("topright", c("Media", "IC media", "IP individual"), lty = 1:3, bty = "n")
    
    # B. VERIFICACION DE RESULTADOS DOCUMENTADOS, CON SUMAS DE CUADRADOS REDONDEADAS
    # Esta aritmetica verifica coherencia entre tablas; no reajusta datos originales.
    SST_doc <- 1.730004
    SSE_doc <- c(completo = .64517, sin_edad = 1.56336, edad = .99021)
    p_doc <- c(completo = 5, sin_edad = 4, edad = 2)
    R2_doc <- 1 - SSE_doc / SST_doc
    R2a_doc <- 1 - (SSE_doc / (30 - p_doc)) / (SST_doc / 29)
    print(data.frame(SSE = SSE_doc, R2 = R2_doc, R2_ajustado = R2a_doc))
    F_extra <- ((SSE_doc["edad"] - SSE_doc["completo"]) / 3) / (SSE_doc["completo"] / 25)
    F_edad <- ((SSE_doc["sin_edad"] - SSE_doc["completo"]) / 1) / (SSE_doc["completo"] / 25)
    F_global <- ((SST_doc - SSE_doc["completo"]) / 4) / (SSE_doc["completo"] / 25)
    print(data.frame(contraste = c("Tres variables adicionales", "Edad condicionada", "Global"),
                     F = c(F_extra, F_edad, F_global),
                     p = c(pf(F_extra, 3, 25, lower.tail = FALSE),
                           pf(F_edad, 1, 25, lower.tail = FALSE),
                           pf(F_global, 4, 25, lower.tail = FALSE))))
    
    # C. LABORATORIO MACROECONOMICO SINTETICO
    # Una identidad contable genera la respuesta: no es una prueba causal.
    set.seed(20261105)
    Year <- 1964:2008; n <- length(Year); t <- seq_len(n)
    L_Productivity <- 45000 * exp(.014 * (t - 1)) * (1 + .02 * sin(t / 3))
    Mean_w_share <- .62 - .001 * (t - 1) + .008 * sin(t / 4)
    K_Productivity <- .88 - .005 * (t - 1) + .025 * cos(t / 5)
    Mean_w <- Mean_w_share * L_Productivity
    Mean_Gross_Profit <- 100 * (1 - Mean_w_share) * K_Productivity
    # Variables adicionales disponibles al momento de cada ano, tambien sinteticas.
    empleo <- 90000000 * exp(.009 * (t - 1))
    RealGDP <- L_Productivity * empleo
    K_Net_Stock <- RealGDP / K_Productivity
    DepreciationRate <- 4.5 + .1 * sin(t / 6)
    eco <- data.frame(Year, RealGDP, K_Net_Stock, DepreciationRate,
                      K_Productivity, L_Productivity, Mean_w_share, Mean_w, Mean_Gross_Profit)
    validar(eco, names(eco)); eco <- eco[order(eco$Year), ]
    cat("\nC. MACROECONOMIA SINTETICA CON IDENTIDAD CONTABLE EXACTA\n")
    print(head(eco))
    print(c(error_identidad_ganancia = max(abs(eco$Mean_Gross_Profit - 100 * (1 - eco$Mean_w_share) * eco$K_Productivity)),
            error_identidad_salario = max(abs(eco$Mean_w - eco$Mean_w_share * eco$L_Productivity))))
    
    m_eco <- lm(Mean_Gross_Profit ~ Mean_w_share + L_Productivity + K_Productivity + Mean_w, data = eco)
    print(summary(m_eco)); print(resumen_manual(m_eco)); print(vif_manual(m_eco))
    V_HAC <- vcov_hac_manual(m_eco, lag = 3, adjust = TRUE)
    print(inferencia_robusta(m_eco, V_HAC))
    print(sapply(1:4, function(L) sqrt(diag(vcov_hac_manual(m_eco, lag = L)))))
    cat("HAC se muestra como calculo: su validez inferencial requiere supuestos adicionales.\n")
    
    # Interaccion exacta: esta regresion reconstruye una identidad conocida de los datos.
    m_identidad <- lm(Mean_Gross_Profit ~ K_Productivity + K_Productivity:Mean_w_share - 1, data = eco)
    stopifnot(max(abs(fitted(m_identidad) - eco$Mean_Gross_Profit)) < 1e-8)
    print(coef(m_identidad))
    # No se imprimen pruebas t de esta identidad determinista: carecen de interes inferencial.
    
    # BIC: paso a paso es una busqueda local. Comparar con el modelo teorico propuesto.
    m_amplio <- lm(Mean_Gross_Profit ~ Year + RealGDP + K_Net_Stock + DepreciationRate +
                     K_Productivity + L_Productivity + Mean_w_share + Mean_w, data = eco)
    m_bic <- step(m_amplio, direction = "backward", k = log(nobs(m_amplio)), trace = 0)
    print(formula(m_bic)); print(BIC(m_amplio, m_bic, m_eco))
    
    # Validacion de origen movil. Las covariables del ano evaluado se consideran conocidas.
    # Por ello es una prediccion condicional retrospectiva, no un pronostico ex ante completo.
    formula_eco <- formula(m_eco)
    pred <- rep(NA_real_, n); base_ingenua <- rep(NA_real_, n)
    inicio <- 25L
    for (i in inicio:(n - 1L)) {
      entrenamiento <- eco[seq_len(i), ]
      ajuste <- lm(formula_eco, data = entrenamiento)
      pred[i + 1L] <- predict(ajuste, newdata = eco[i + 1L, ])
      base_ingenua[i + 1L] <- eco$Mean_Gross_Profit[i]
    }
    idx <- which(is.finite(pred))
    metricas <- function(y, yhat) c(RMSE = sqrt(mean((y - yhat)^2)), MAE = mean(abs(y - yhat)))
    print(rbind(modelo = metricas(eco$Mean_Gross_Profit[idx], pred[idx]),
                ultimo_valor = metricas(eco$Mean_Gross_Profit[idx], base_ingenua[idx])))
    plot(eco$Year, eco$Mean_Gross_Profit, type = "l", col = "#2c2418", xlab = "Ano", ylab = "Tasa (%)",
         main = "Identidad sintetica y prediccion condicional")
    lines(eco$Year, fitted(m_eco), col = "#8b4513", lty = 2)
    lines(eco$Year[idx], pred[idx], col = "#c4956a", lty = 3)
    legend("topright", c("Identidad", "Ajuste aditivo", "Origen movil"), lty = 1:3,
           col = c("#2c2418", "#8b4513", "#c4956a"), bty = "n")
    
    # D. DIAGNOSTICOS OPCIONALES: no se instalan paquetes automaticamente.
    if (requireNamespace("lmtest", quietly = TRUE) && requireNamespace("sandwich", quietly = TRUE)) {
      print(lmtest::bptest(m_eco))
      for (L in 1:3) print(lmtest::bgtest(m_eco, order = L))
      print(lmtest::dwtest(m_eco, alternative = "two.sided"))
      print(lmtest::resettest(m_eco, power = 2:3, type = "fitted"))
      V_pkg <- sandwich::NeweyWest(m_eco, lag = 3, prewhite = FALSE, adjust = TRUE)
      # Comparacion del HAC manual con la implementacion del paquete.
      stopifnot(isTRUE(all.equal(unname(V_HAC), unname(V_pkg), tolerance = 1e-5)))
      print(lmtest::coeftest(m_eco, vcov. = V_pkg, df = Inf))
    } else cat("\nOpcionales no instalados: lmtest y sandwich. El laboratorio base ya esta completo.\n")
    
    # Tolerancia normal marginal: se trata de otra pregunta, sin condicionar en covariables.
    if (requireNamespace("tolerance", quietly = TRUE)) {
      set.seed(20261106)
      poblacion_normal_demo <- rnorm(60, mean = 1.4, sd = .16)
      print(tolerance::normtol.int(poblacion_normal_demo, alpha = .05, P = .95, side = 2, method = "HE"))
    } else cat("\nOpcional no instalado: tolerance. No se simulan resultados de su funcion.\n")
    
    # Importacion de datos empiricos originales cuando esten disponibles:
    # entorno <- new.env(parent = baseenv())
    # objetos <- load("velo.Rdata", envir = entorno)
    # stopifnot("base" %in% objetos)
    # bio_real <- entorno$base
    # validar(bio_real, c("veloc", "edad", "sexo", "imc", "pierna", "brazo"))
    # m_real <- lm(veloc ~ edad + imc + pierna + brazo, data = bio_real)
    # if (requireNamespace("readxl", quietly = TRUE)) {
    #   eco_real <- as.data.frame(readxl::read_excel("DATOS.xlsx"))
    #   validar(eco_real, names(eco))
    #   eco_real <- eco_real[order(eco_real$Year), ]
    #   stopifnot(!anyDuplicated(eco_real$Year), all(diff(eco_real$Year) == 1))
    # }
    
    cat("\nVerificaciones algebraicas completadas. Versiones y plataforma:\n")
    print(sessionInfo())

    Para aplicar las funciones a los datos empíricos se sustituyen explícitamente los objetos sintéticos por los archivos originales, se revisa el diccionario y se conserva la edición de la base. El código de importación al final queda comentado para impedir que una ejecución dependa silenciosamente de archivos ausentes.

    32Glosario de distinciones esenciales

    Vocabulario para interpretar el análisis
    ConceptosDistinción operativa
    Error / residuoEl error pertenece al modelo poblacional; el residuo se calcula después del ajuste.
    Ajuste / pronósticoEl ajuste usa la muestra de estimación; el pronóstico evalúa observaciones no utilizadas y una información disponible definida.
    Media / individuo / contenido poblacionalMotivan intervalos de confianza, predicción y tolerancia diferentes.
    Colinealidad / endogeneidadLa primera afecta identificación o precisión por relaciones entre predictores; la segunda conecta regresores con el error.
    Ortogonalidad / independenciaUn producto interno nulo no equivale a factorización de distribuciones.
    Significancia / magnitudUn valor p no mide por sí mismo tamaño, utilidad o importancia de una asociación.
    Identidad / mecanismoUna igualdad definicional no explica por sí sola por qué cambian sus componentes.
    Covarianza robusta / modelo corregidoHC o HAC ajusta inferencia bajo condiciones; no repara todos los problemas de especificación.
    Tasa bruta / tasa netaLa segunda incorpora el tratamiento coherente de depreciación.
    Construcción estadística / arbitrariedadLas convenciones de medición requieren justificación y pueden someterse a evaluación objetiva.

    33Referencias y rutas de profundización

    Las fuentes técnicas permiten verificar qué calcula cada función. Las referencias de economía política aportan el marco conceptual e histórico y deben leerse atendiendo a sus problemas específicos.

    1. Documento del estudio y resultados numéricos. Gómez Julián, José Mauricio, publicado bajo la firma Isadore Nabi. Aplicaciones del modelo de regresión lineal clásico en R: un análisis teórico y aplicado. Documento fechado el 9 de octubre de 2021; entrada publicada el 1 de diciembre de 2021. Consultar fuente.
    2. Estimación MCO en R. R Core Team. Documentación de lm(): especificación, matriz de diseño y cálculo por QR. Consultar fuente.
    3. Predicción e intervalos. R Core Team. Documentación de predict.lm(). Consultar fuente.
    4. ANOVA secuencial. R Core Team. Documentación de anova.lm(). Consultar fuente.
    5. Selección por pasos. R Core Team. Documentación de step(). Consultar fuente.
    6. Kolmogórov–Smirnov. R Core Team. Documentación de ks.test(). Consultar fuente.
    7. Tolerancia normal. Young, Derek S. (2017). “Normal Tolerance Interval Procedures in the tolerance Package”. The R Journal, 8(2), 200–212. DOI: 10.32614/RJ-2016-041. Consultar fuente.
    8. Inferencia y covarianza. Documentación del paquete lmtest: coeftest() y coefci(). Consultar fuente.
    9. Heterocedasticidad. Documentación de bptest(), con referencias a Breusch–Pagan y Koenker. Consultar fuente.
    10. Autocorrelación. Documentación de bgtest(). Consultar fuente.
    11. Forma funcional. Documentación de resettest(), con referencia a Ramsey (1969). Consultar fuente.
    12. Naturaleza, trabajo y valores de uso. Marx, Karl (1875). Crítica del Programa de Gotha, primera parte. Consultar fuente.
    13. Covarianza HAC. Newey y West (1987, 1994); documentación de sandwich::NeweyWest(). Consultar fuente.
    14. Cálculo robusto. Zeileis, Achim (2004). “Econometric Computing with HC and HAC Covariance Matrix Estimators”. Journal of Statistical Software, 11(10). DOI: 10.18637/jss.v011.i10. Consultar fuente.
    15. Identidad de rentabilidad en EPWT. Elveren, Adem Y., y Sara Hsu (2015). Military Expenditures and Profit Rate: Evidence from OECD Countries. PERI Working Paper 374, sección 4.1. Copia consultada del documento de investigación. Consultar fuente.

    Bibliografía de contexto: Smith, La riqueza de las naciones; Ricardo, Principios de economía política y tributación; Marx, El capital, especialmente los tomos I y III, y la Crítica del Programa de Gotha para la distinción sobre naturaleza y valores de uso; Samuelson (1966), “A Summing Up”, The Quarterly Journal of Economics, 80(4), 568–583; Gujarati y Porter (2010), Econometría, quinta edición; Greene (2012), Econometric Analysis, séptima edición; Farjoun y Machover (1983), Laws of Chaos; Kuhn, La estructura de las revoluciones científicas. Las referencias adicionales y las ediciones utilizadas en el estudio se encuentran en su bibliografía.

    Las EPWT y las Penn World Table no son una misma base intercambiable. Para una reproducción empírica deben conservarse la versión de EPWT, el archivo empleado, las transformaciones y la correspondencia entre categorías teóricas y columnas estadísticas.

  • FUNDAMENTOS GENERALES DE LA PROGRAMACIÓN EN RSTUDIO: UN ENFOQUE ESTADÍSTICO-MATEMÁTICO

    FUNDAMENTOS GENERALES DE LA PROGRAMACIÓN EN RSTUDIO: UN ENFOQUE ESTADÍSTICO-MATEMÁTICO

    Cuadernos de estadística · Matemáticas y programación

    Fundamentos de Programación en R

    Un Enfoque Estadístico y Matemático

    JOSÉ MAURICIO GÓMEZ JULIÁN

    Publicación original: 11 de septiembre de 2021
    Edición revisada y ampliada: 2 de noviembre de 2026

    Un programa organiza transformaciones sobre representaciones. Comprenderlo exige relacionar la forma de los datos, el significado de las operaciones y las condiciones bajo las cuales un resultado puede convertirse en conocimiento.

    Este capítulo integra los contenidos del documento original en una exposición autocontenida, revisada y ampliada: de los operadores a las estructuras de datos; de las funciones a la recursión; de una regla sobre números enteros al análisis de información económica. Los ejemplos de código se presentan como texto copiable y las distinciones matemáticas acompañan la práctica.

    Punto de partida

    1. Programar para conocer

    Programar en R consiste en representar datos, establecer operaciones sobre ellos y organizar su ejecución de forma que el resultado pueda examinarse y reproducirse. Una instrucción correcta debe responder a dos exigencias: expresar el cálculo que se desea realizar y conservar el significado de la información sobre la cual se opera. La primera exigencia es computacional; la segunda remite al problema científico, a sus conceptos y a la forma en que se produjeron las observaciones.

    Este capítulo desarrolla una introducción que conecta operadores, vectores, listas, matrices, variables estadísticas y marcos de datos con funciones, condiciones, iteraciones y recursión. Las aplicaciones avanzan desde las calificaciones de estudiantes hasta la dinámica de Collatz y el tratamiento de tasas de crecimiento del producto interno bruto. Se estudia tanto cómo escribir las instrucciones como por qué esas instrucciones representan determinadas operaciones matemáticas y qué límites tiene su interpretación.

    R, RStudio y los archivos de trabajo

    R es el lenguaje y el entorno de cálculo. RStudio es un entorno de desarrollo integrado que facilita editar programas, ejecutar instrucciones, consultar objetos y visualizar gráficos. R puede utilizarse sin RStudio; las funciones presentadas aquí pertenecen a R o a paquetes identificados expresamente. Sus capacidades incluyen programación funcional y distintos sistemas de orientación a objetos. No es necesario dominar estos últimos para comenzar a calcular y analizar datos.

    Un archivo .R conserva instrucciones; un archivo de datos conserva observaciones. La consola ejecuta expresiones y muestra sus resultados. El editor permite construir un programa que se ejecuta de nuevo en el mismo orden. El panel de objetos ayuda a inspeccionar lo creado, pero la evidencia de cómo se obtuvo cada objeto debe quedar en el programa. Por ello conviene trabajar desde una sesión nueva y ejecutar el código desde el principio.

    R / 01 Una instrucción, un objeto y un resultado
    # Las líneas que comienzan con # son comentarios.
    v1 <- 10
    v3 <- 150 / v1
    v3
    # [1] 15
    
    getwd()           # Directorio de trabajo actual.
    R.version.string  # Versión de R con la que se ejecuta el programa.

    El signo <- vincula un nombre con un valor en un entorno. Tras la primera instrucción, v1 permite recuperar el número 10; tras la segunda, v3 permite recuperar el resultado 15. El identificador no debe confundirse con una cadena de caracteres: v1 busca un objeto; "v1" representa texto. R distingue mayúsculas de minúsculas: Datos y datos son nombres diferentes.

    De la pregunta al resultado

    01Definir

    Pregunta, unidad de análisis y variables.

    02Representar

    Objetos, tipos, dimensiones y ausencias.

    03Calcular

    Funciones, condiciones y algoritmos.

    04Interpretar

    Resultado, supuestos y límites.

    Estas etapas se corrigen mutuamente. Una anomalía al importar puede revelar un problema de formato; una operación inadmisible puede revelar que se confundieron categorías con cantidades; un resultado numéricamente válido puede responder a una pregunta distinta de la investigada. La programación estadística exige mantener visible esa relación entre representación, procedimiento e interpretación.

    Documentación y referencias: [1] · [2]

    Sintaxis y significado

    2. Operadores, comparaciones y lógica

    Asignación, igualdad y separadores

    R / 02 Asignar, comparar y distinguir un nombre de su contenido
    x <- 12
    12 -> y
    z = 12
    identical(x, y)
    # [1] TRUE
    
    x == z  # Compara valores; no asigna un valor nuevo.
    # [1] TRUE
    x <- 12; x  # Dos expresiones en una misma línea.
    # [1] 12
    
    hola <- 5
    saludo <- "hola"
    saludo
    # [1] "hola"

    La asignación por la derecha -> existe, aunque aquí se utiliza preferentemente <- por su lectura uniforme. El signo = también permite asignar en ciertos contextos; dentro de una llamada suele vincular argumentos con nombres. En mean(x = 1:3), x = identifica el argumento de la función. El operador == realiza una comparación. El operador <= significa «menor o igual» y no debe confundirse con la asignación.

    El punto y coma ; separa expresiones escritas en una misma línea. En la consola, escribir un nombre como expresión puede mostrar su valor mediante impresión automática; el punto y coma no es una función de impresión. La coma , separa argumentos en una llamada y posiciones de índices en estructuras multidimensionales. En una constante numérica de R, el punto separa la parte decimal: 1.65. La coma decimal de un archivo importado se especifica mediante opciones de lectura y es una cuestión diferente.

    Puntuación básica del lenguaje
    ElementoUsoEjemplo
    <-Asignar un valor a un nombrex <- 3
    == / !=Comparar igualdad / desigualdadx != 4
    ;Separar expresionesx <- 3; x
    ,Separar argumentos o índicessum(1, 2); M[2, 3]
    ()Llamadas y agrupaciónmean(x); (2 + 3) * 4
    {}Agrupar instruccionesCuerpo de una función o de un ciclo
    [] / [[]]Seleccionar subconjuntos / extraer componentesx[2]; L[[2]]

    Sucesiones y operaciones aritméticas

    R / 03 Sucesiones finitas y aritmética
    2:5
    # [1] 2 3 4 5
    5:2
    # [1] 5 4 3 2
    
    a <- 17
    b <- 5
    c(suma = a + b, resta = a - b, producto = a * b,
      division = a / b, cociente = a %/% b, residuo = a %% b,
      potencia = b^2)
    # suma 22; resta 12; producto 85; division 3.4;
    # cociente 3; residuo 2; potencia 25.
    
    typeof(8)
    # [1] "double"
    typeof(8L)
    # [1] "integer"

    Para argumentos numéricos, a:b genera una sucesión con incrementos de 1 o −1. 2:5 es un vector de cuatro valores ordenados. No representa el intervalo real cerrado [2, 5], que contiene infinitos números reales. Tampoco conviene confundir vector y conjunto: un vector conserva posiciones y puede contener repeticiones. Si los extremos no difieren en un número entero, el extremo final puede no aparecer en la sucesión.

    a = b⌊a/b⌋ + (a mod b)
    Con divisor distinto de cero y dentro de las limitaciones de la aritmética de máquina, %/% y %% relacionan cociente y residuo. Para 17 y 5: 17 = 5 × 3 + 2.

    El sufijo L de 8L solicita una constante entera; no realiza una operación aritmética. Para elevar a una potencia se utiliza ^; R también acepta **. Los paréntesis hacen explícito el orden deseado. Por ejemplo, -2^2 se interpreta como -(2^2), mientras que (-2)^2 produce 4.

    Comparaciones elemento a elemento

    R / 04 Comparación exacta y aproximación numérica
    v <- c(2, 5.5, 6, 9)
    t <- c(8, 2.5, 14, 9)
    v > t
    # [1] FALSE TRUE FALSE FALSE
    v == t
    # [1] FALSE FALSE FALSE TRUE
    v != t
    # [1] TRUE TRUE TRUE FALSE
    
    c(0.1 + 0.2 == 0.3,
      isTRUE(all.equal(0.1 + 0.2, 0.3)))
    # [1] FALSE TRUE

    Los operadores <, >, <=, >=, == y != devuelven valores lógicos. Sobre vectores compatibles, la comparación se realiza por posiciones. Para igualdad completa de objetos se utiliza identical(); para comparar cantidades numéricas dentro de una tolerancia, all.equal() puede ser más adecuado. El ejemplo decimal muestra una limitación de la representación binaria en punto flotante, no una contradicción aritmética.

    Conjunción, disyunción, negación y pertenencia

    Tabla de verdad para valores lógicos conocidos
    pqp & qp | q!p
    FALSEFALSEFALSEFALSETRUE
    FALSETRUEFALSETRUETRUE
    TRUEFALSEFALSETRUEFALSE
    TRUETRUETRUETRUEFALSE
    R / 05 Filtros lógicos y verificación de pertenencia
    u <- c(TRUE, FALSE, TRUE, FALSE)
    w <- c(TRUE, TRUE, FALSE, FALSE)
    u & w
    # [1] TRUE FALSE FALSE FALSE
    u | w
    # [1] TRUE TRUE TRUE FALSE
    !u
    # [1] FALSE TRUE FALSE TRUE
    c(3, 8, 3) %in% c(1, 3, 5)
    # [1] TRUE FALSE TRUE
    
    x <- c(2, 5, 8, NA_real_)
    x[!is.na(x) & x > 3 & x < 8]
    # [1] 5
    any(u)
    # [1] TRUE
    all(u)
    # [1] FALSE

    La conjunción & exige que se cumplan ambas condiciones. La disyunción | es inclusiva: también es verdadera cuando ambas condiciones son verdaderas. La negación ! invierte los valores lógicos conocidos. Matemáticamente es una involución, pues aplicar dos negaciones recupera el valor inicial; llamarla isomorfismo exige especificar qué estructura se preserva. %in% verifica, para cada elemento del argumento izquierdo, si aparece en el argumento derecho.

    R / 06 Cortocircuito y condiciones escalares
    dividir_si_valido <- function(x, y) {
      if (length(y) == 1L && is.numeric(y) &&
          !is.na(y) && is.finite(y) && y != 0) {
        x / y
      } else {
        stop("El divisor debe ser un número finito, escalar y distinto de cero.")
      }
    }
    dividir_si_valido(10, 2)
    # [1] 5

    Los operadores && y || evalúan de izquierda a derecha y se detienen cuando el resultado ya está determinado. En el ejemplo, no se intenta utilizar una condición escalar de valor hasta haber comprobado la longitud y el tipo de y. Estos operadores requieren operandos de longitud uno en las versiones actuales de R. Para resumir un vector lógico se elige explícitamente any() o all(), según la pregunta.

    Documentación y referencias: [1] · [3] · [4] · [7]

    La estructura elemental

    3. Vectores y sucesiones

    Un vector almacena elementos en posiciones ordenadas. Los vectores atómicos tienen un único tipo básico de almacenamiento; las listas pueden reunir componentes de distintos tipos y tamaños. Los tipos atómicos incluyen lógico, entero, doble, complejo, carácter y raw. La palabra «numérico» puede utilizarse de forma amplia para incluir enteros y dobles; por eso se recomienda inspeccionar el tipo con typeof() cuando la distinción sea importante.

    Un vector numérico de longitud n puede representar un elemento de ℝn. Esa interpretación es útil para operaciones algebraicas, pero no caracteriza todos los vectores de R: una lista o un vector de palabras requieren otras interpretaciones. Un vector simple tampoco posee por defecto orientación de fila o columna; esa orientación se hace explícita mediante dimensiones cuando se utiliza una matriz.

    Construir, reservar espacio y asignar posiciones

    R / 07 Concatenación y preasignación
    v1 <- c(3, 1, 5, 6, 7)
    v2 <- c(TRUE, FALSE, TRUE)
    v3 <- c("UNO", "Lunes", "Equipo")
    v_entero <- c(2L, 4L, 6L)
    v_complejo <- c(1 + 2i, 3 - 1i)
    
    a <- vector(mode = "numeric", length = 4)
    a
    # [1] 0 0 0 0
    a[1:4] <- 1
    a
    # [1] 1 1 1 1
    
    vector("character", 3)
    # [1] "" "" ""
    vector()
    # logical(0)

    c() combina valores. vector() reserva una estructura de tipo y longitud especificados e inicializa sus posiciones. Su comportamiento predeterminado es crear un vector lógico vacío; el relleno con ceros corresponde al modo numérico. La asignación a[1:4] <- 1 modifica posiciones de un objeto ya creado. En algoritmos que producen muchos resultados, reservar espacio antes de iterar evita reconstrucciones repetidas del vector.

    Seleccionar posiciones, excluirlas y preservar nombres

    R / 08 Extracción de subconjuntos
    v1[2:3]
    # [1] 1 5
    v1[c(1, 5)]
    # [1] 3 7
    v1[-c(2, 4)]
    # [1] 3 5 7
    v1[v1 >= 5]
    # [1] 5 6 7
    
    edades <- c(Ana = 20, Luis = 24, Eva = 21)
    edades[c("Eva", "Ana")]
    # Eva Ana
    #  21  20

    Los índices positivos seleccionan posiciones; los negativos las excluyen; los lógicos seleccionan donde la condición es verdadera; los nombres permiten referirse a elementos identificados. No se combinan índices positivos y negativos en la misma selección, salvo ceros. La indexación comienza en 1. La extracción puede repetirse y reordenarse, por lo que no es en general una operación de subconjunto en el sentido estricto de la teoría de conjuntos, y menos aún una selección de «subgrupos» en sentido algebraico.

    seq(), rep() y sequence(): distintas formas de generar sucesiones

    R / 09 Sucesiones con saltos, repeticiones y longitudes controladas
    seq(from = 1, to = 10, by = 2)
    # [1] 1 3 5 7 9
    seq(from = 10, to = -8, by = -3)
    # [1] 10 7 4 1 -2 -5 -8
    seq(from = 0, to = 1, length.out = 5)
    # [1] 0.00 0.25 0.50 0.75 1.00
    
    rep(3, times = 7)
    # [1] 3 3 3 3 3 3 3
    rep(c("A", "B"), times = 2)
    # [1] "A" "B" "A" "B"
    rep(c("A", "B"), each = 2)
    # [1] "A" "A" "B" "B"
    
    sequence(c(1, 2, 3))
    # [1] 1 1 2 1 2 3
    sequence(c(1, 3))
    # [1] 1 1 2 3
    
    seq_len(0)
    # integer(0)
    1:0
    # [1] 1 0
    seq_along(v1)
    # [1] 1 2 3 4 5

    seq() permite incrementos no enteros o un número prescrito de posiciones. rep() distingue repetir el vector completo de repetir cada elemento. En los ejemplos, sequence() concatena sucesiones que comienzan en 1 y tienen las longitudes indicadas. El nombre de la función se escribe en minúsculas. Para índices de ciclos, seq_len(n) y seq_along(x) evitan el problema de 1:n cuando n es cero.

    Vectorización y reciclaje

    R / 10 Operaciones por posiciones y repetición de operandos
    x <- c(1, 2, 3, 4)
    x * 2
    # [1] 2 4 6 8
    x + c(10, 20)
    # [1] 11 22 13 24
    
    # Evitar reciclajes accidentales: comprobar longitudes si procede.
    y <- c(10, 20, 30, 40)
    stopifnot(length(x) == length(y))
    x + y
    # [1] 11 22 33 44

    La vectorización expresa una operación sobre un conjunto de posiciones sin escribir explícitamente un ciclo. Cuando las longitudes difieren, muchas operaciones reciclan el vector más corto. Si la longitud mayor no es múltiplo de la menor, R suele emitir una advertencia, pero un reciclaje exacto puede suceder sin advertencias y aun así carecer de sentido para los datos. En una operación que represente mediciones emparejadas, la correspondencia entre observaciones debe verificarse además de la longitud.

    Resúmenes y localización de resultados

    R / 11 Funciones de resumen y manejo de vectores
    vector_base <- seq(1, 9, by = 2)
    c(longitud = length(vector_base), suma = sum(vector_base),
      media = mean(vector_base), producto = prod(vector_base),
      minimo = min(vector_base), maximo = max(vector_base),
      varianza = var(vector_base), desviacion = sd(vector_base))
    # longitud 5; suma 25; media 5; producto 945;
    # minimo 1; maximo 9; varianza 10; desviacion 3.162278.
    range(vector_base)
    # [1] 1 9
    diff(range(vector_base))
    # [1] 8
    cumsum(vector_base)
    # [1] 1 4 9 16 25
    
    vector02 <- c(10, 11, 12, 13, 14, 15, 2, 3, 4, 6, 5, 6,
                  6, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11)
    sort(vector02, decreasing = FALSE)
    sort(vector02, decreasing = TRUE)
    order(vector02)       # Posiciones para ordenar; no son los valores.
    which.max(vector02)   # Primera posición del máximo: 6.
    which.min(vector02)   # Primera posición del mínimo: 7.
    unique(vector02)      # Valores distintos, en orden de primera aparición.
    letters[1:10]
    LETTERS[1:10]

    range() devuelve mínimo y máximo; la amplitud es su diferencia. which.max() y which.min() devuelven la primera posición del extremo, mientras que max() y min() devuelven su valor. unique() elimina repeticiones y no calcula valores propios. Estos últimos se asocian a operadores lineales y matrices cuadradas mediante otra pregunta matemática. letters y LETTERS son vectores incorporados con las 26 letras latinas básicas en minúsculas y mayúsculas; no incluyen por sí mismos todo alfabeto de un idioma.

    x̄ = (1/n) ∑i=1n xi
    s2 = [1/(n − 1)] ∑i=1n (xi − x̄)2
    s = √s2
    La media resume el nivel. La varianza acumula desviaciones cuadráticas respecto de la media; var() utiliza el divisor n − 1. sd() devuelve su raíz cuadrada, en las unidades originales. Con menos de dos valores disponibles, la varianza muestral no está definida.

    El divisor n − 1 refleja la pérdida de un grado de libertad al estimar la media a partir de la misma muestra. Bajo muestreo independiente con varianza finita, esa corrección produce un estimador insesgado de la varianza poblacional. Si se quiere describir la dispersión de una población finita completa mediante el promedio de desviaciones cuadráticas, el divisor correspondiente puede ser n; la elección depende del objeto estadístico y debe explicitarse.

    Muestreo pseudoaleatorio y reproducibilidad

    R / 12 Semilla, reemplazo y distribución de generación
    set.seed(20210911)
    muestra_sin_reemplazo <- sample(1:20, size = 5, replace = FALSE)
    set.seed(20210911)
    repeticion <- sample(1:20, size = 5, replace = FALSE)
    stopifnot(identical(muestra_sin_reemplazo, repeticion))
    
    set.seed(20210911)
    muestra_con_reemplazo <- sample(1:3, size = 10, replace = TRUE)
    normal_simulada <- rnorm(100, mean = 0, sd = 1)

    sample() selecciona de una población especificada; replace = TRUE permite repetir una misma posición de origen. rnorm() genera valores según una distribución normal mediante un generador pseudoaleatorio. La semilla fija un estado de ese generador: no convierte una muestra en representativa ni garantiza por sí sola resultados idénticos entre todas las versiones y configuraciones posibles de R. Para una reproducción exacta se registra también la versión y, si es necesario, RNGkind().

    Documentación y referencias: [6] · [11] · [13]

    Información desconocida

    4. Ausencias y decisiones estadísticas

    Un valor ausente indica que falta información para una posición que forma parte de la estructura de datos. NA abrevia Not Available. Según el diseño de la base, una celda podría faltar por falta de respuesta, error de registro o ausencia estructural; esos motivos tienen significados distintos. El código identifica marcas de ausencia, pero la explicación de por qué faltan datos requiere conocer el proceso de observación.

    Distinguir distintas formas de ausencia y resultados especiales
    ObjetoSignificado básicoComprobación
    NAIndicador de un valor ausente; existen variantes tipadas.is.na(x)
    NaNResultado numérico no representable como número, por ejemplo 0/0.is.nan(x)
    NULLObjeto nulo; puede expresar ausencia de un componente.is.null(x)
    "NA"Cadena de dos letras, salvo conversión explícita al importar.is.character(x)
    InfInfinito de la aritmética de punto flotante; no es un dato ausente.is.infinite(x)
    R / 13 Detectar ausencias y contabilizar observaciones disponibles
    vector03 <- c(10, 11, 12, 13, NA_real_, NA_real_)
    is.na(vector03)
    # [1] FALSE FALSE FALSE FALSE TRUE TRUE
    sum(vector03)
    # [1] NA
    sum(vector03, na.rm = TRUE)
    # [1] 46
    length(vector03)
    # [1] 6
    sum(!is.na(vector03))
    # [1] 4
    
    is.na(c(NA_real_, NaN, Inf))
    # [1] TRUE TRUE FALSE
    is.nan(c(NA_real_, NaN, Inf))
    # [1] FALSE TRUE FALSE

    En muchas operaciones, una entrada desconocida conduce a un resultado desconocido. No se trata de sumar objetos con unidades incompatibles: si se ignora cuánto vale un sumando, también puede ignorarse cuánto vale la suma. is.na() devuelve la máscara de ausencias; x == NA no es el procedimiento correcto para detectarlas. Una cadena como "NA" continúa siendo texto hasta que se traduzca explícitamente a una marca de ausencia.

    Excluir del cálculo, eliminar del objeto y reemplazar

    R / 14 Tres intervenciones con efectos diferentes
    # 1. Excluir del cálculo: el objeto original no cambia.
    media_observada <- mean(vector03, na.rm = TRUE)
    media_observada
    # [1] 11.5
    
    # 2. Crear otro vector sin las posiciones ausentes.
    sin_na <- vector03[!is.na(vector03)]
    sin_na_alternativo <- as.vector(na.omit(vector03))
    stopifnot(identical(sin_na, sin_na_alternativo))
    
    # 3. Reemplazo explícito: ejemplo de operación, no recomendación de imputación.
    vector04 <- replace(vector03, which(is.na(vector03)), 0)
    mean(vector04)
    # [1] 7.666667
    
    frutas <- c("apple", "orange", "grape", "banana")
    replace(frutas, list = 2, values = "blueberry")
    # [1] "apple" "blueberry" "grape" "banana"

    La opción na.rm = TRUE modifica las entradas consideradas por la función, sin reescribir el vector. La selección x[!is.na(x)] construye otro vector y reduce su longitud. na.omit() puede añadir atributos que registran las posiciones excluidas. replace() devuelve un objeto modificado, que debe asignarse si se desea conservarlo. which() traduce una condición lógica en posiciones verdaderas; para muchas sustituciones también puede usarse directamente una máscara lógica.

    El reemplazo por cero cambia la media y el significado de la información: transforma «desconocido» en «valor cero». El ejemplo lo demuestra numéricamente. Una imputación estadística exige justificar el modelo de ausencia y el procedimiento; excluir casos también puede introducir sesgo. Siempre conviene informar cuántos valores se utilizaron y considerar si las ausencias se relacionan con la variable de interés.

    R / 15 Una función que informa el tamaño efectivo del análisis
    todo_ausente <- c(NA_real_, NA_real_)
    sum(todo_ausente, na.rm = TRUE)
    # [1] 0
    mean(todo_ausente, na.rm = TRUE)
    # [1] NaN
    
    resumen_disponible <- function(x) {
      if (!is.numeric(x)) stop("Se requiere un vector numérico.")
      if (any(!is.na(x) & !is.finite(x))) {
        stop("Se encontraron valores infinitos.")
      }
      observado <- x[!is.na(x)]
      n <- length(observado)
      c(n_total = length(x), n_observado = n,
        n_ausente = sum(is.na(x)),
        media = if (n > 0L) mean(observado) else NA_real_,
        mediana = if (n > 0L) median(observado) else NA_real_,
        varianza = if (n > 1L) var(observado) else NA_real_,
        desviacion = if (n > 1L) sd(observado) else NA_real_,
        minimo = if (n > 0L) min(observado) else NA_real_,
        maximo = if (n > 0L) max(observado) else NA_real_)
    }
    resumen_disponible(vector03)

    Lógica con información desconocida

    R / 16 Resultados determinados e indeterminados
    FALSE & NA
    # [1] FALSE
    TRUE | NA
    # [1] TRUE
    TRUE & NA
    # [1] NA
    FALSE | NA
    # [1] NA
    !NA
    # [1] NA

    Una conjunción ya es falsa si uno de sus términos es falso, cualquiera que sea el valor desconocido del otro. Una disyunción ya es verdadera si uno de sus términos es verdadero. En los otros dos casos no basta la información disponible. Esta extensión explica por qué una tabla que solo contenga TRUE y FALSE resulta insuficiente para describir todo el comportamiento lógico de R.

    Documentación y referencias: [5]

    Heterogeneidad de la información

    5. Coerción, listas y componentes

    Coerción implícita y conversión explícita

    La coerción transforma la representación de un objeto de un tipo a otro. En la combinación habitual de vectores atómicos, R busca un tipo común; entre los tipos utilizados aquí, una jerarquía útil es logical → integer → double → complex → character. Esta jerarquía describe un comportamiento de combinación; no prohíbe las conversiones explícitas en dirección inversa. Algunas conversiones son posibles y otras producen ausencias o pérdida de información.

    R / 17 Conversión, tipo común y pérdida de información
    typeof(c(TRUE, 2L))
    # [1] "integer"
    typeof(c(2L, 3.5))
    # [1] "double"
    c(1, "dos", TRUE)
    # [1] "1" "dos" "TRUE"
    
    as.numeric(c("12", "3.5"))
    # [1] 12.0 3.5
    as.integer(3.9)
    # [1] 3
    
    # Una conversión fallida deja una advertencia y un NA.
    conversion_fallida <- tryCatch(
      as.numeric("texto"),
      warning = function(w) NA_real_
    )
    stopifnot(is.na(conversion_fallida))

    La conversión a entero trunca la parte fraccionaria, lo que puede alterar una medición. El texto "12" admite interpretación numérica; "texto" no. Una advertencia de conversión debe investigarse en lugar de ocultarse en un análisis real. En el ejemplo se captura únicamente para que el lector pueda ejecutar el bloque completo y observar el resultado definido para ese caso.

    Listas: conservar componentes diferentes

    R / 18 La diferencia entre contener un componente y extraer su valor
    registro <- list(
      nombre = "Ana",
      notas = c(90, 55, 89, 68),
      activo = TRUE,
      metadatos = list(grupo = "A", fecha = as.Date("2021-09-11"))
    )
    registro["notas"]       # Una lista de un componente.
    registro[["notas"]]     # El vector numérico contenido en ese componente.
    registro$notas          # Otra forma de extraerlo por nombre.
    registro[["notas"]][2]
    # [1] 55
    registro$metadatos$grupo
    # [1] "A"
    length(registro)
    # [1] 4
    str(registro)

    Una lista organiza objetos heterogéneos sin forzarlos a un único tipo atómico. Puede contener vectores, otras listas, matrices y resultados de modelos. [ conserva una lista con los componentes seleccionados; [[ extrae un componente; $ facilita la extracción por un nombre literal. Para acceso programático por un nombre guardado en una variable, se prefiere registro[[nombre_columna]].

    Una lista con nombres puede cumplir funciones semejantes a un diccionario, pero los nombres pueden repetirse y la semántica de acceso es la de las listas de R. Aplanarla con unlist() puede producir coerción a un tipo común: se pierde la separación estructural que permitía conservar componentes distintos. Por ello no debe utilizarse como sustituto automático de la extracción de un componente específico.

    Documentación y referencias: [6]

    De las posiciones a los ejes

    6. Matrices, operaciones y arrays

    Crear una matriz y nombrar sus ejes

    R / 19 Dimensiones y dirección de llenado
    vm01 <- c(10, 7, 1, 6, 8, 3)
    matriz01 <- matrix(data = vm01, nrow = 2, ncol = 3, byrow = TRUE)
    colnames(matriz01) <- c("Col_1", "Col_2", "Col_3")
    rownames(matriz01) <- c("Fil_1", "Fil_2")
    matriz01
    #       Col_1 Col_2 Col_3
    # Fil_1    10     7     1
    # Fil_2     6     8     3
    
    matrix(vm01, nrow = 2, ncol = 3, byrow = FALSE)
    #      [,1] [,2] [,3]
    # [1,]   10    1    8
    # [2,]    7    6    3
    dim(matriz01)
    # [1] 2 3
    length(matriz01)
    # [1] 6

    Una matriz tiene dos ejes: filas y columnas. data proporciona los elementos, nrow el número de filas y ncol el de columnas. byrow = TRUE los distribuye recorriendo filas; FALSE, que es el valor predeterminado, recorre columnas. Esta opción determina cómo se ubica la sucesión inicial; no ordena sus valores de menor a mayor. Las matrices atómicas conservan un tipo común para sus elementos; también existen matrices de listas.

    Combinar filas y columnas

    R / 20 Enlaces por ejes compatibles
    matriz03 <- matrix(c(10, 1, 8, 7, 6, 3), nrow = 2,
                       ncol = 3, byrow = TRUE)
    colnames(matriz03) <- colnames(matriz01)
    rownames(matriz03) <- c("Nueva_1", "Nueva_2")
    matriz_union_fila <- rbind(matriz03, matriz01)
    matriz_union_columna <- cbind(matriz01, matriz03)
    dim(matriz_union_fila)
    # [1] 4 3
    dim(matriz_union_columna)
    # [1] 2 6

    rbind() apila filas y exige compatibilidad de columnas; cbind() añade columnas y exige compatibilidad de filas. Al combinar datos, además de dimensiones compatibles es necesario verificar la identidad y el orden de las unidades. Dos matrices con igual número de filas pueden referirse a personas distintas o al mismo conjunto de personas en otro orden.

    Consultar, construir máscaras y filtrar

    R / 21 Una condición y la extracción que utiliza esa condición
    matriz_union_fila[2, 3]
    # [1] 3
    matriz_union_fila[, 3]
    # Nueva_1 Nueva_2 Fil_1 Fil_2
    #       8       3     1     3
    
    filtro <- matriz_union_fila[, 3] > 2
    filtro
    # [1] TRUE TRUE FALSE TRUE
    matriz_union_fila[filtro, , drop = FALSE]
    matriz_union_fila[matriz_union_fila[, 3] > 2, , drop = FALSE]
    
    matriz01[1, , drop = FALSE]  # Conserva una matriz de una fila.
    matriz01[1, ]               # Simplifica a un vector.

    La expresión M[, 3] > 2 produce una máscara: informa qué posiciones satisfacen la condición. La expresión M[mascara, ] utiliza esa máscara para extraer filas. Ambas operaciones deben distinguirse para comprender qué devuelve cada línea. El índice vacío antes de la coma conserva todas las filas; después de la coma conserva todas las columnas. drop = FALSE preserva las dos dimensiones cuando la extracción selecciona una sola fila o columna.

    Sumas por ejes, ordenamiento y transposición

    R / 22 MARGIN = 1 para filas y MARGIN = 2 para columnas
    apply(X = matriz_union_fila, MARGIN = 2, FUN = sum)
    # Col_1 Col_2 Col_3
    #    33    22    15
    apply(X = matriz_union_fila, MARGIN = 1, FUN = sum)
    # Nueva_1 Nueva_2 Fil_1 Fil_2
    #      19      16    18    17
    
    stopifnot(
      isTRUE(all.equal(colSums(matriz_union_fila),
                       apply(matriz_union_fila, 2, sum))),
      isTRUE(all.equal(rowSums(matriz_union_fila),
                       apply(matriz_union_fila, 1, sum)))
    )
    apply(matriz_union_fila, 2, sort)
    apply(matriz_union_fila, 1, sort)
    t(matriz_union_fila)

    apply() recibe un objeto, el eje o los ejes sobre los que organiza los cálculos y la función a aplicar. Para sumas, rowSums() y colSums() expresan la intención de forma directa. Si la función aplicada devuelve varios valores, apply() puede reorganizar las dimensiones del resultado; por ejemplo, al ordenar por filas puede colocar cada resultado como una columna. Se debe inspeccionar dim() para confirmar la estructura obtenida.

    Ordenar cada columna por separado rompe las relaciones originales entre variables de una misma fila. Si cada fila es una persona, esa transformación puede combinar edades, estaturas y mediciones de personas diferentes. Para ordenar observaciones conservando las filas, se construye un único índice con order() y se aplica a todas las columnas. La transposición t() intercambia los ejes y no ordena los valores.

    Producto por posiciones y producto matricial

    R / 23 Hadamard, producto interno y multiplicación matricial
    matriz01 * matriz03
    #       Col_1 Col_2 Col_3
    # Fil_1   100     7     8
    # Fil_2    42    48     9
    
    matriz04 <- t(matriz03)
    matriz01 %*% matriz04
    #       Nueva_1 Nueva_2
    # Fil_1     115      115
    # Fil_2      92       99
    
    u <- c(1, 2, 3)
    v <- c(4, 5, 6)
    u * v
    # [1] 4 10 18
    sum(u * v)
    # [1] 32
    drop(crossprod(u, v))
    # [1] 32
    (A ⊙ B)ij = aijbij
    (AB)ij = ∑k=1p aikbkj
    El producto por posiciones requiere formas compatibles. Para multiplicación matricial, A es de m × p y B de p × n; el resultado tiene m × n posiciones. Cada entrada combina una fila de A y una columna de B.

    El símbolo * expresa multiplicación elemento a elemento, también llamada producto de Hadamard cuando se trata de matrices del mismo tamaño. %*% expresa multiplicación matricial. Para vectores numéricos, el producto interno euclídeo se obtiene sumando los productos de posiciones correspondientes. Distinguir estas tres operaciones evita atribuir a una sola expresión el nombre ambiguo de «multiplicación vectorial».

    Arrays y su relación con los tensores

    R / 24 Un arreglo con tres ejes
    A <- array(1:12, dim = c(2, 3, 2),
               dimnames = list(fila = c("f1", "f2"),
                               columna = c("c1", "c2", "c3"),
                               corte = c("t1", "t2")))
    A[, , "t1"]
    dim(A)
    # [1] 2 3 2
    length(A)
    # [1] 12

    En R, un array organiza un vector mediante un atributo de dimensiones. Puede tener uno, dos o más ejes. Una matriz es el caso de dos ejes. Crear un array no equivale a ejecutar un producto tensorial: se está construyendo una representación informática. Un arreglo numérico puede almacenar componentes de un tensor respecto de bases elegidas, pero el tensor abstracto y el contenedor de sus componentes no son objetos conceptualmente idénticos.

    Documentación y referencias: [8] · [9]

    Qué se mide y cómo se codifica

    7. Variables estadísticas y factores

    La clasificación estadística describe la naturaleza de una variable y las operaciones que tienen sentido sobre sus valores. La clasificación informática describe su almacenamiento y su comportamiento en el lenguaje. Ambas se relacionan mediante decisiones de codificación; ninguna determina por sí sola a la otra. Un número utilizado como identificador de una persona no se vuelve una cantidad susceptible de promediarse por estar almacenado numéricamente.

    Naturaleza de la variable y estructura de codificación
    Naturaleza estadísticaEjemploRepresentación posible en RCriterio de interpretación
    Numérica discretaNúmero de visitasinteger o doubleValores separados, usualmente conteos.
    Numérica continuaEstaturadoubleMagnitud modelada en un continuo; la medición y el almacenamiento tienen precisión finita.
    Categórica nominalTipo de prendafactor o characterCategorías sin orden intrínseco.
    Categórica ordinalEvaluación: malo, regular, buenoordered / factorOrden significativo; distancias entre categorías no necesariamente iguales.
    R / 25 Niveles, orden y códigos internos de los factores
    Prendas <- factor(c("Camisa", "Zapatos", "Abrigo", "Medias"))
    levels(Prendas)
    # [1] "Abrigo" "Camisa" "Medias" "Zapatos"
    
    Respuesta <- factor(c("Bueno", "Regular", "Regular", "Malo"),
                        levels = c("Malo", "Regular", "Bueno"),
                        ordered = TRUE)
    Respuesta
    # [1] Bueno Regular Regular Malo
    # Levels: Malo < Regular < Bueno
    Respuesta > "Regular"
    # [1] TRUE FALSE FALSE FALSE
    
    medicion_codificada <- factor(c("10", "20", "10"))
    as.numeric(medicion_codificada)
    # [1] 1 2 1
    as.numeric(as.character(medicion_codificada))
    # [1] 10 20 10

    Un factor representa categorías mediante códigos enteros y etiquetas llamadas niveles. El orden alfabético que pueda aparecer en los niveles de un factor nominal no crea una jerarquía sustantiva. En un factor ordenado, el orden se especifica deliberadamente con levels y ordered = TRUE. Aun así, no se deduce que la distancia entre «Malo» y «Regular» sea igual a la distancia entre «Regular» y «Bueno».

    Si las etiquetas representan números, primero se recuperan como texto y luego se convierten. Si representan categorías genuinas, convertir los códigos internos a números no autoriza a calcular una media de las categorías. Las decisiones sobre escalas de medición anteceden al uso de funciones. Los modelos que admiten factores pueden construir contrastes a partir de sus niveles; esos contrastes también dependen del orden y de la configuración elegida.

    Documentación y referencias: [11]

    Tablas con estructura estadística

    8. Marcos de datos: observaciones y variables

    Un data.frame reúne variables con el mismo número de filas. En la presentación habitual de datos individuales, cada fila corresponde a una unidad de observación y cada columna a una variable. Una celda contiene el valor observado de esa variable para esa unidad. En datos longitudinales, una fila puede corresponder a una combinación de unidad y momento; por eso se debe declarar qué identifica un registro antes de analizarlo.

    R / 26 Construir columnas dentro o fuera de la llamada
    Datos_01 <- data.frame(
      Estatura = c(1.65, 1.70, 1.89),
      Largo_cabello = c("Corto", "Medio", "Largo"),
      stringsAsFactors = FALSE
    )
    Estatura <- c(1.65, 1.70, 1.89)
    Largo_cabello <- c("Corto", "Medio", "Largo")
    Datos_02 <- data.frame(Estatura, Largo_cabello,
                           stringsAsFactors = FALSE)
    stopifnot(identical(Datos_01, Datos_02))
    
    Datos_03 <- data.frame(Height = Estatura, Hair = Largo_cabello,
                           stringsAsFactors = FALSE)
    Datos_03
    #   Height  Hair
    # 1   1.65 Corto
    # 2   1.70 Medio
    # 3   1.89 Largo

    Las dos primeras construcciones producen la misma tabla mediante distintas formas de organizar el programa. La tercera proporciona nombres de columnas de manera explícita. Desde R 4.0.0, data.frame() utiliza por defecto stringsAsFactors = FALSE; se escribe aquí para hacer visible la decisión. Cuando una variable sea categórica, se puede construir deliberadamente un factor con niveles apropiados.

    Estructuras relacionadas, con propiedades diferentes
    CaracterísticaMatriz atómicaMarco de datos
    OrganizaciónDos ejes; un tipo atómico común.Columnas que pueden tener tipos diferentes.
    Uso frecuenteCálculo algebraico y arreglos homogéneos.Tablas de observaciones y variables.
    Inspeccióndim(), typeof(), str().str(), names(), clases por columna.
    SelecciónM[i, j].d[i, j], d[[j]], d$variable.
    Conversiónas.data.frame(M).as.matrix(d), verificando la coerción.

    Un marco de datos es una lista con clase data.frame y restricciones de filas compartidas; sus columnas pueden incluir tipos lógicos, numéricos, texto, factores, fechas e incluso estructuras más complejas admitidas por sus métodos. No hay una garantía general de que convertir una matriz en marco de datos haga más rápidos todos los filtros o cálculos. La estructura adecuada depende del tipo de información, de las operaciones y de las mediciones de rendimiento.

    Extraer columnas, filas y subconjuntos

    R / 27 Seleccionar conservando el significado y la forma del resultado
    matriz_1 <- as.data.frame(matriz01)
    columna1 <- matriz_1$Col_1
    stopifnot(identical(columna1, matriz_1[["Col_1"]]))
    matriz_1[, 1]                 # Vector.
    matriz_1[1]                   # Marco de datos de una columna.
    matriz_1[, 1, drop = FALSE]    # Conserva la estructura tabular.
    matriz_1[2, , drop = FALSE]
    matriz_1[, c("Col_1", "Col_2"), drop = FALSE]
    matriz_1[, c(1, 2), drop = FALSE]
    
    Datos_01[Datos_01$Estatura >= 1.70, , drop = FALSE]
    names(Datos_03) <- c("Estatura_m", "Cabello")

    Una selección de una sola columna puede devolver un vector o una tabla según la forma de indexación. La diferencia es relevante al escribir funciones que esperan una estructura concreta. Los nombres Col_1 y col_1 no son equivalentes. Cuando se utiliza un nombre guardado en una variable, [[ permite extraer exactamente esa columna y evita confundir el nombre del objeto con su contenido textual.

    Inspección antes del análisis

    R / 28 Estructura, clases y ausencias por columna
    head(Datos_01)
    tail(Datos_01)
    str(Datos_01)
    summary(Datos_01)
    dim(Datos_01)
    nrow(Datos_01)
    ncol(Datos_01)
    vapply(Datos_01, typeof, character(1))
    colSums(is.na(Datos_01))

    head() muestra por defecto las primeras seis filas y tail() las últimas seis; si hay menos, muestran las disponibles. str() describe la estructura y los tipos. summary() produce resúmenes que dependen de la clase de cada columna. dim() devuelve filas y columnas; nrow() y ncol() las consultan por separado. View() abre un visor interactivo si el entorno lo admite, pero los controles reproducibles deben conservarse como instrucciones.

    Documentación y referencias: [10]

    Del archivo al objeto

    9. Importar, exportar y conservar datos

    Importar consiste en interpretar los bytes de un archivo y construir objetos de R. Exportar consiste en escribir una representación de esos objetos en otro formato. La extensión proporciona una pista, pero el procedimiento debe corresponder al contenido real, a los separadores, al encabezado, al símbolo decimal y a las marcas de ausencia. Un archivo .txt puede tener encabezados o carecer de ellos; un CSV puede utilizar comas o, por convenciones regionales, punto y coma. Ninguna de esas propiedades se determina únicamente por el nombre.

    Rutas, directorios y proyectos

    R / 29 Rutas portables y verificación de existencia
    # Un directorio temporal permite ejecutar el ejemplo sin archivos previos.
    carpeta_ejemplo <- tempfile("capitulo_r_")
    dir.create(carpeta_ejemplo)
    ruta_csv <- file.path(carpeta_ejemplo, "datos.csv")
    file.exists(ruta_csv)
    # [1] FALSE: todavía no se ha escrito.
    
    # Ejemplos de rutas; se guardan como texto y no requieren esos archivos.
    ruta_relativa <- file.path("datos", "Datos01.xlsx")
    ruta_windows <- "C:/Users/User/Downloads/Datos01.xlsx"

    Una ruta absoluta identifica un archivo desde la raíz del sistema de archivos. Una ruta relativa se interpreta desde el directorio de trabajo. Una ruta relativa puede ser suficiente si el archivo se encuentra donde corresponde; no es obligatorio escribir siempre la ruta completa. file.path() construye rutas con los separadores adecuados. En Windows pueden utilizarse barras /; una barra inversa literal dentro de una cadena requiere escaparse. La organización jerárquica de carpetas es una analogía visual útil, pero no equivale por sí misma a la herencia o al encapsulamiento de la programación orientada a objetos.

    Texto, CSV y convenciones regionales

    R / 30 Escritura y relectura verificadas con R base
    write.csv(Datos_01, file = ruta_csv, row.names = FALSE,
              na = "", fileEncoding = "UTF-8")
    reimportado <- read.csv(ruta_csv, header = TRUE, sep = ",", dec = ".",
                            na.strings = c("", "NA"),
                            stringsAsFactors = FALSE,
                            fileEncoding = "UTF-8")
    stopifnot(isTRUE(all.equal(Datos_01, reimportado)))
    
    ruta_txt <- file.path(carpeta_ejemplo, "datos.txt")
    write.table(Datos_01, file = ruta_txt, sep = "\t", dec = ".",
                row.names = FALSE, col.names = TRUE, quote = TRUE,
                na = "", fileEncoding = "UTF-8")
    desde_txt <- read.table(ruta_txt, header = TRUE, sep = "\t", dec = ".",
                            na.strings = c("", "NA"),
                            stringsAsFactors = FALSE,
                            fileEncoding = "UTF-8")
    
    ruta_regional <- file.path(carpeta_ejemplo, "datos_regional.csv")
    write.csv2(Datos_01, file = ruta_regional, row.names = FALSE)
    desde_regional <- read.csv2(ruta_regional, stringsAsFactors = FALSE)
    stopifnot(isTRUE(all.equal(Datos_01, desde_txt)),
              isTRUE(all.equal(Datos_01, desde_regional)))
    La estructura se declara; no se adivina por la extensión
    OpciónPregunta que responde
    header / col.names¿La primera fila contiene nombres de columnas al leer / se escribirán esos nombres?
    sep¿Qué carácter separa los campos?
    dec¿Qué símbolo representa la parte decimal?
    na.strings / na¿Qué cadenas se leerán como ausencia / cómo se escribirán las ausencias?
    skip¿Cuántas líneas iniciales se saltarán antes de interpretar los datos?
    row.names¿Se interpretan o escriben identificadores de fila adicionales?
    fileEncoding¿Qué codificación de caracteres se utiliza?

    read.csv() utiliza de forma predeterminada coma como separador y punto decimal; read.csv2() utiliza punto y coma y coma decimal. La opción debe coincidir con el archivo. Si un texto carece de encabezado, se utiliza header = FALSE y se asignan nombres después. Al exportar, row.names = FALSE evita añadir una columna de índices que con frecuencia reaparece como una variable no deseada al volver a importar.

    Excel: hojas, formato y filas preliminares

    R / 31 Una hoja, varias hojas y archivos separados
    # Solo es necesario instalarlos una vez si se necesitan:
    # install.packages(c("readxl", "writexl"))
    
    if (requireNamespace("readxl", quietly = TRUE) &&
        requireNamespace("writexl", quietly = TRUE)) {
      ruta_excel <- file.path(carpeta_ejemplo, "Exp_Total.xlsx")
      writexl::write_xlsx(
        list(Datos01 = Datos_01, Datos02 = Datos_03), path = ruta_excel
      )
      IMP_01 <- readxl::read_excel(ruta_excel, sheet = "Datos01")
      IMP_02 <- readxl::read_excel(ruta_excel, sheet = "Datos02")
      IMP_primera <- readxl::read_excel(ruta_excel)
    
      # Una tabla por archivo:
      writexl::write_xlsx(IMP_01,
                         path = file.path(carpeta_ejemplo, "Exportar1.xlsx"))
      writexl::write_xlsx(IMP_02,
                         path = file.path(carpeta_ejemplo, "Exportar2.xlsx"))
      stopifnot(nrow(IMP_01) == nrow(Datos_01))
    } else {
      message("El ejemplo Excel requiere los paquetes readxl y writexl.")
    }

    read_excel() admite .xls y .xlsx e intenta detectar el formato. read_xls() y read_xlsx() permiten especificarlo. El archivo debe existir en la ruta declarada y su formato real debe corresponder a la lectura. Si se omite sheet, se utiliza la primera hoja, incluso si el libro contiene otras. La lectura de readxl devuelve un tibble, una clase tabular que hereda de data.frame, con diferencias de impresión e indexación respecto de una tabla base.

    skip = 3 sirve cuando las tres primeras filas son material preliminar y el encabezado comienza después. El número se determina inspeccionando el archivo concreto. Si se especifica un rango explícito, sus reglas tienen prioridad sobre otras opciones de geometría de lectura. Para exportar varias hojas con writexl, se proporciona una lista con nombres, uno por hoja. Esta vía evita exigir Java, aunque existen otras alternativas válidas para tareas de edición o formato de Excel más complejas.

    Del asistente de importación al procedimiento reproducible
    Operación en un entorno gráficoInstrucción que debe quedar registrada
    Elegir archivoRuta y comprobación con file.exists().
    Elegir hojaArgumento sheet o rango declarado.
    Saltar filas preliminaresskip, según la inspección del documento.
    Declarar encabezados y ausenciascol_names, header, na o na.strings.
    Confirmar importaciónstr(), dim(), nombres, tipos y conteo de ausencias.

    Los asistentes de RStudio pueden ayudar a configurar una lectura. Para conservar el procedimiento, se copia el código generado al archivo de trabajo y se revisan sus argumentos. El panel no sustituye el registro de la operación. Un archivo RDS ofrece otra posibilidad: conserva un objeto de R con sus clases y atributos, mientras que un CSV conserva una tabla textual y puede perder esas propiedades.

    R / 32 Conservar un objeto con sus atributos
    ruta_rds <- file.path(carpeta_ejemplo, "datos.rds")
    saveRDS(Datos_01, file = ruta_rds)
    datos_restaurados <- readRDS(ruta_rds)
    stopifnot(identical(Datos_01, datos_restaurados))

    Documentación y referencias: [18] · [19]

    Puentes con las matemáticas

    10. Funciones, composición y funcionales

    Una función y su llamada

    Una función de R recibe argumentos, evalúa instrucciones en un entorno y devuelve un valor. Puede además producir efectos, como mostrar texto o escribir un archivo. El resultado devuelto y esos efectos son distinguibles. En matemáticas, una función relaciona cada elemento de un dominio con un único elemento de un codominio; una función computacional concreta puede fallar, no terminar o depender de estado externo, por lo que identificarla con una aplicación matemática exige precisar su dominio, sus condiciones y sus efectos.

    R / 33 Definición, argumento formal y evaluación
    cuadrado <- function(x) {
      x^2
    }
    cuadrado(3)
    # [1] 9
    cuadrado(c(1, 2, 3))
    # [1] 1 4 9
    is.function(cuadrado)
    # [1] TRUE
    formals(cuadrado)
    body(cuadrado)

    En function(x), x es un argumento formal. En cuadrado(3), el valor suministrado para ese argumento es 3. La función vectoriza porque la operación ^ utilizada en su cuerpo admite vectores. Una función definida por el usuario puede ser breve, aunque existan funciones incorporadas para tareas relacionadas; crearla resulta útil para expresar una intención, validar entradas y automatizar un procedimiento repetible.

    Componer llamadas no equivale a pasar funciones

    R / 34 Resultados como argumentos y funciones como argumentos
    sum(c(1:50))
    # [1] 1275
    
    f <- function(x) 2 * x
    g <- function(x) x + 1
    f(g(3))
    # [1] 8
    
    aplicar_a <- function(x, funcion) {
      funcion(x)
    }
    aplicar_a(1:5, mean)
    # [1] 3
    aplicar_a(1:5, sum)
    # [1] 15

    En sum(c(1:50)), se construye un vector y después se suman sus elementos. sum() recibe el vector obtenido, no la función c como objeto. Esta estructura ilustra anidamiento de llamadas y composición de operaciones. En cambio, aplicar_a(1:5, mean) entrega la propia función mean como argumento. Esta segunda estructura es un ejemplo de función de orden superior.

    (f ∘ g)(x) = f(g(x))
    ∑i=1n i = n(n + 1)/2
    En la primera igualdad se evalúa g y luego f, siempre que los dominios sean compatibles. En la segunda, emparejar el primer y último sumando produce n + 1; el argumento da n(n + 1)/2 y permite comprobar el resultado 1275 cuando n = 50.
    Clasificación por propiedades, no por longitud del código
    ConceptoCaracterística distintivaEjemplo
    Llamadas anidadasUna llamada aparece dentro de otra.sum(c(1, 2, 3))
    Función interiorSu definición está dentro de otra función.Una función creada por crear_desplazamiento().
    Función de orden superiorRecibe una función o devuelve una función.aplicar_a(x, mean).
    Funcional en programación con RRecibe una función y produce resultados al aplicarla.lapply(lista, mean).
    Funcional matemáticoAplicación con valores escalares sobre un espacio de funciones u otros objetos adecuados.f se transforma en su integral definida.
    Estructura de controlDetermina qué instrucciones se ejecutan y cuándo.if, for, while.

    Funcionales matemáticos y evaluación numérica

    𝓘(f) = ∫01 f(t) dt
    𝓘(t ↦ t2) = 1/3
    El argumento es una función completa; el resultado es un escalar. En una clase apropiada, como las funciones reales continuas de [0, 1], esta aplicación está bien definida. La variable t recorre el intervalo de integración y no es un parámetro libre del resultado.
    R / 35 Una integral y dos funcionales de aplicación sobre datos
    integrando <- function(t) t^2
    resultado_integral <- integrate(integrando, lower = 0, upper = 1)
    resultado_integral$value
    # [1] 0.3333333
    resultado_integral$abs.error
    stopifnot(abs(resultado_integral$value - 1/3) < 1e-12)
    
    grupos <- list(A = c(1, 2, 3), B = c(4, 5, 6))
    lapply(grupos, mean)
    vapply(grupos, mean, numeric(1))
    # A B
    # 2 5

    La integral matemática y el algoritmo que la aproxima se distinguen: integrate() devuelve una lista con el valor aproximado, una estimación del error absoluto y otros componentes. lapply() aplica una función a cada componente y conserva una lista de resultados. vapply() añade una especificación de tipo y forma esperados; aquí se exige un escalar numérico por grupo. apply(), ya utilizado en matrices, también recibe una función mediante FUN.

    El uso de «funcional» en programación y en análisis funcional tiene relaciones, pero no una identidad universal: la terminología computacional admite resultados vectoriales y objetos de datos que requieren especificaciones adicionales para interpretarse en un espacio funcional matemático. La precisión del puente consiste en mostrar dominio, operación y codominio en cada caso, en lugar de deducir equivalencias solo de que una instrucción contenga otra.

    Operadores y funciones primitivas

    Muchos operadores se pueden llamar como funciones; por ejemplo, `+`(2, 3). Eso no convierte cualquier función incorporada en operador ni cualquier operador en una función primitiva de bajo nivel. is.primitive() permite inspeccionar esa propiedad técnica. Un operador puede ser unario, binario o definido por el usuario, y puede actuar sobre objetos distintos de números. Su significado depende de la operación y, cuando existe despacho, de la clase de los argumentos.

    R / 36 La condición de primitiva es una propiedad técnica, no una medida de sencillez
    `+`(2, 3)
    # [1] 5
    is.primitive(sum)
    # [1] TRUE
    is.primitive(mean)
    # [1] FALSE

    Documentación y referencias: [14] · [15]

    Organizar la ejecución

    11. Condiciones, ciclos y calificaciones

    Decisión escalar e ifelse() vectorizado

    R / 37 Un conjunto de reglas explícitas
    notas <- c(90, 55, 89, 68)
    prom <- mean(notas)
    prom
    # [1] 75.5
    
    if (prom >= 70) {
      cat("Ganó el curso\n")
    } else if (prom >= 60) {
      cat("Extraordinario\n")
    } else {
      cat("Perdió el curso\n")
    }
    
    promedios_demo <- c(75.5, 66.75, 47.25, NA_real_)
    ifelse(is.na(promedios_demo), "Sin información",
           ifelse(promedios_demo >= 70, "Aprobó",
                  ifelse(promedios_demo >= 60, "Ampliación", "Reprobó")))
    # [1] "Aprobó" "Ampliación" "Reprobó" "Sin información"

    Se asume un sistema ilustrativo: se aprueba con al menos 70; entre 60 y menos de 70 hay derecho a ampliación; por debajo de 60 se reprueba. Estos umbrales deben adaptarse al reglamento correspondiente. Si la primera condición ya descartó valores de 70 o más, la segunda solo necesita preguntar si se alcanza 60. La llave de cierre y else se escriben juntos como } else { para evitar problemas de interpretación al ejecutar el código.

    if requiere una condición de longitud uno que no sea ausente. ifelse() selecciona elementos sobre un vector de condiciones y devuelve un objeto con su forma. No es una sustitución universal de if: los tipos y atributos del resultado necesitan revisión, y las ramas que se evalúan pueden calcular valores para posiciones que después no se seleccionan. Para lógica escalar o producción de efectos se utiliza normalmente if.

    El significado de cat(), print() y return()

    Mostrar y devolver son operaciones diferentes
    InstrucciónPropósitoResultado relevante
    cat(..., sep = " ", file = "")Concatenar y escribir una representación textual.Normalmente devuelve NULL de forma invisible; produce salida.
    print(x)Mostrar un objeto con el método apropiado para su clase.Habitualmente devuelve el objeto invisiblemente.
    return(x)Terminar la evaluación de una función y devolver un valor.El valor queda disponible para quien llamó a la función.
    Última expresión del cuerpoRetorno implícito cuando no se usa return antes.Su valor es el resultado de la función.

    cat() acepta argumentos atómicos y nombres en sus usos habituales; una lista no vacía necesita una representación apropiada o un método como print(). Sus opciones sep, fill, labels, file y append controlan separadores, ajuste y destino. Escribir un mensaje no construye automáticamente un resultado reutilizable. Una función de análisis suele devolver una tabla o lista y dejar su presentación para otra instrucción.

    Iterar sobre valores conocidos

    R / 38 Un ciclo, su equivalente vectorizado y un acumulador
    for (x in seq_len(5)) {
      print(round(sqrt(x), digits = 2))
    }
    # [1] 1
    # [1] 1.41
    # [1] 1.73
    # [1] 2
    # [1] 2.24
    
    round(sqrt(seq_len(5)), digits = 2)
    # [1] 1.00 1.41 1.73 2.00 2.24
    
    Acum <- 0
    for (i in seq_len(5)) {
      if (i %% 2 == 0) {
        Acum <- Acum + i
      }
    }
    Acum
    # [1] 6

    El ciclo for asigna sucesivamente cada elemento de la colección a la variable de iteración y ejecuta el cuerpo. El primer ejemplo calcula raíces de valores independientes: no es una recursión ni utiliza la raíz anterior como entrada de la siguiente. Redondear a dos decimales controla la presentación numérica, no alcanza una «precisión infinitesimal». El acumulador de la suma comienza en cero porque cero es el elemento neutro de la adición, no porque se desconozca cuál es el primer número par.

    Tres estudiantes, cuatro evaluaciones y un resultado tabular

    R / 39 Una fila por estudiante y una columna por evaluación
    notas1 <- c(90, 55, 89, 68)
    notas2 <- c(70, 65, 65, 67)
    notas3 <- c(40, 59, 70, 20)
    calificaciones <- rbind(Ana = notas1, Bruno = notas2, Carla = notas3)
    colnames(calificaciones) <- c("Parcial_1", "Parcial_2", "Parcial_3", "Trabajo")
    prom_notas <- rowMeans(calificaciones)
    prom_notas
    #   Ana Bruno Carla
    # 75.50 66.75 47.25
    
    estado <- character(length(prom_notas))
    for (j in seq_along(prom_notas)) {
      p_actual <- prom_notas[j]
      if (is.na(p_actual)) {
        estado[j] <- "Sin información"
      } else if (p_actual >= 70) {
        estado[j] <- "Aprobó"
      } else if (p_actual >= 60) {
        estado[j] <- "Ampliación"
      } else {
        estado[j] <- "Reprobó"
      }
    }
    resultado_curso <- data.frame(
      estudiante = names(prom_notas), promedio = unname(prom_notas), estado,
      stringsAsFactors = FALSE
    )
    resultado_curso

    Aquí cada fila identifica un estudiante, por lo que el promedio se calcula por filas. Si se cambiara la interpretación y cada fila representara una asignatura, habría que revisar qué significa promediarla. Mostrar tres vectores separados mediante punto y coma no construye una matriz; rbind() sí la construye. La igualdad de pesos es un supuesto: si cada evaluación tiene un peso distinto, se utiliza la media ponderada con pesos coherentes y suma positiva.

    x̄w = [∑j=1k wjxj] / [∑j=1k wj]
    Cada nota x_j se multiplica por su peso w_j. Si todos los pesos son iguales y positivos, se recupera la media simple. Los pesos representan la contribución acordada de cada evaluación.
    R / 40 Un trabajo con peso diferente modifica el promedio
    weighted.mean(notas1, w = c(0.20, 0.20, 0.20, 0.40))
    # [1] 74

    while, repeat, break y next

    R / 41 Elegir la estructura según el criterio de repetición
    # while: comprobar antes de cada ejecución.
    contador <- 0L
    while (contador < 3L) {
      contador <- contador + 1L
    }
    stopifnot(contador == 3L)
    
    # repeat: salida definida explícitamente con break.
    contador <- 0L
    repeat {
      contador <- contador + 1L
      if (contador >= 3L) break
    }
    
    # next: omitir el resto de la iteración actual.
    pares <- integer(0)
    for (i in seq_len(6)) {
      if (i %% 2 != 0) next
      pares <- c(pares, i)
    }
    pares
    # [1] 2 4 6

    while puede no ejecutar nunca el cuerpo si la condición inicial es falsa. repeat exige una salida explícita o puede continuar indefinidamente. break termina el ciclo más interno y next pasa a su siguiente iteración. Estas son construcciones de control del lenguaje, no clases de objetos. La claridad se favorece eligiendo una estructura que exprese el criterio real de repetición y reduciendo las condiciones anidadas innecesarias.

    Documentación y referencias: [4] · [12]

    Automatizar sin ocultar supuestos

    12. Funciones personalizadas y validación

    Cuatro decisiones para definir una función

    Se elige un nombre que exprese la tarea; se declaran argumentos y valores predeterminados; se construye el cálculo junto con sus comprobaciones; y se devuelve un objeto con estructura útil. Las llaves delimitan el cuerpo. return() puede aparecer antes de la última línea para terminar anticipadamente; no es un cierre tipográfico obligatorio ni una orden de impresión. Es conveniente describir qué entradas se aceptan y qué condiciones producen errores.

    R / 42 Una función completa que suma los pares desde 1 hasta n
    validar_entero <- function(x, minimo = 0, nombre = "x", maximo = 1e6) {
      if (length(x) != 1L || !is.numeric(x) || is.na(x) ||
          !is.finite(x) || x != floor(x) || x < minimo || x > maximo) {
        stop(nombre, " debe ser un entero escalar entre ", minimo, " y ", maximo, ".")
      }
      invisible(TRUE)
    }
    
    sum_pares <- function(n) {
      validar_entero(n, minimo = 0, nombre = "n")
      acumulado <- 0
      for (i in seq_len(n)) {
        if (i %% 2 == 0) acumulado <- acumulado + i
      }
      acumulado
    }
    sum_pares(50)
    # [1] 650
    sum_pares(0)
    # [1] 0

    El límite de un millón se establece aquí para mantener razonable el ejercicio iterativo, no como frontera matemática del problema. Se rechazan entradas negativas, fraccionarias, infinitas, ausentes o de longitud inadecuada. seq_len(0) produce un recorrido vacío y conserva correctamente la suma cero. La función devuelve un número que puede utilizarse en otros cálculos.

    m = ⌊n/2⌋
    2 + 4 + ⋯ + 2m = 2∑j=1mj = m(m + 1)
    Hay m pares positivos hasta n. Cada uno es dos veces un entero de 1 a m. Aplicar la fórmula de la suma de enteros produce m(m + 1), que verifica el resultado del ciclo.
    R / 43 Comparar métodos y devolver clasificaciones reutilizables
    sum_pares_formula <- function(n) {
      validar_entero(n, minimo = 0, nombre = "n")
      m <- floor(n / 2)
      m * (m + 1)
    }
    stopifnot(sum_pares(50) == sum_pares_formula(50),
              sum_pares(0) == sum_pares_formula(0),
              sum_pares(5) == sum_pares_formula(5))
    
    paridad <- function(x) {
      if (!is.numeric(x) || anyNA(x) || any(!is.finite(x)) ||
          any(x != floor(x)) || any(abs(x) > 2^53 - 1)) {
        stop("Se requieren enteros finitos representables exactamente como double.")
      }
      ifelse(x %% 2 == 0, "Par", "Impar")
    }
    paridad(1:6)
    # [1] "Impar" "Par" "Impar" "Par" "Impar" "Par"
    paridad(50)
    # [1] "Par"

    La función de paridad admite un vector o un único valor. Recorrer 1:n responde a la pregunta «¿qué paridad tiene cada entero de ese recorrido?»; evaluar solo n responde a «¿qué paridad tiene este valor?». La función vectorizada conserva esta diferencia mediante el argumento recibido. La cota numérica evita declarar paridad exacta para números cuya representación ya no garantiza todos los enteros consecutivos.

    Documentación y referencias: [1] · [16]

    Un laboratorio matemático

    13. Collatz: órbitas, iteración y recursión

    El problema de Collatz permite estudiar una regla elemental cuya evolución puede producir trayectorias extensas. Para enteros positivos se utiliza la transformación que divide entre dos cuando el valor es par y calcula tres veces el valor más uno cuando es impar. La afirmación de llegada a 1 es una proposición sobre todas las semillas positivas; recorrer ejemplos concretos permite verificar esos ejemplos y explorar patrones, sin convertir la exploración en una demostración universal.

    T(n) = n/2, si n es par3n + 1, si n es impar
    n0 = a,   nk+1 = T(nk)
    La semilla a es un entero positivo. Cada aplicación de T produce una transición. La trayectoria observada es la sucesión de estados n_0, n_1, … . La regla estándar envía 1 a 4; en nuestros algoritmos la exploración se detiene al alcanzar 1.

    Una transición y un algoritmo de trayectoria

    R / 44 Estado local, preasignación y detención explícita
    limite_entero_exacto <- 2^53 - 1
    
    validar_collatz <- function(n) {
      if (length(n) != 1L || !is.numeric(n) || is.na(n) ||
          !is.finite(n) || n < 1 || n != floor(n) ||
          n > limite_entero_exacto) {
        stop("La semilla debe ser un entero positivo exactamente representable.")
      }
      invisible(TRUE)
    }
    
    paso_collatz <- function(n) {
      validar_collatz(n)
      if (n %% 2 == 0) return(n / 2)
      if (n > floor((limite_entero_exacto - 1) / 3)) {
        stop("3*n + 1 excedería el intervalo de enteros exactos elegido.")
      }
      3 * n + 1
    }
    
    collatz_iterativo <- function(n, max_pasos = 10000L) {
      validar_collatz(n)
      validar_entero(max_pasos, minimo = 0, nombre = "max_pasos", maximo = 1e6)
      trayectoria <- numeric(max_pasos + 1)
      trayectoria[1] <- n
      pasos <- 0L
      actual <- as.double(n)
      while (actual != 1 && pasos < max_pasos) {
        actual <- paso_collatz(actual)
        pasos <- pasos + 1L
        trayectoria[pasos + 1L] <- actual
      }
      trayectoria <- trayectoria[seq_len(pasos + 1L)]
      list(semilla = n, trayectoria = trayectoria,
           iteraciones = pasos, terminos = length(trayectoria),
           maximo = max(trayectoria), alcanzo_uno = actual == 1,
           estado = if (actual == 1) "Llegó a 1" else "Límite de pasos alcanzado")
    }
    
    c8 <- collatz_iterativo(8)
    c27 <- collatz_iterativo(27)
    c8$trayectoria
    # [1] 8 4 2 1
    c(c27$iteraciones, c27$terminos, c27$maximo)
    # [1] 111 112 9232
    stopifnot(c8$iteraciones == 3L, c8$terminos == 4L,
              c27$iteraciones == 111L, c27$terminos == 112L,
              c27$maximo == 9232, c27$alcanzo_uno)

    La función de transición hace una sola transformación. La función iterativa organiza las transformaciones y devuelve una lista con resultados y estado de terminación. La trayectoria nace dentro de cada llamada: no depende de un vector global definido en otra sesión. La semilla ocupa la primera posición; después se añade cada nuevo estado. Esa decisión elimina ambigüedades en el conteo.

    Estados observados y aplicaciones de la transformación
    SemillaTrayectoria o resumenTérminos, con inicio y finalTransiciones hasta 1Máximo
    1Ya se alcanzó el destino de detención.101
    88, 4, 2, 1438
    27Trayectoria completa conservada en c27$trayectoria.1121119232

    Para una trayectoria detenida con L términos, hay L − 1 transiciones. La distinción importa también para a = 1: se registra un término y no se realiza ninguna transición. c(a, v) concatena valores y no elimina duplicados; si v ya contiene a, ese valor aparecerá dos veces salvo que el algoritmo lo evite. Aquí se utiliza una única trayectoria con posiciones explícitas.

    R / 45 El eje temporal comienza en cero; la línea une estados discretos
    sin_terminar <- collatz_iterativo(27, max_pasos = 10)
    sin_terminar$estado
    # [1] "Límite de pasos alcanzado"
    stopifnot(!sin_terminar$alcanzo_uno, sin_terminar$iteraciones == 10L)
    
    semilla_uno <- collatz_iterativo(1, max_pasos = 0)
    stopifnot(semilla_uno$alcanzo_uno, semilla_uno$iteraciones == 0L)
    
    plot(seq_along(c27$trayectoria) - 1L, c27$trayectoria,
         type = "l", col = "#8b4513", lwd = 1.5,
         xlab = "Iteración k", ylab = "Estado n[k]",
         main = "Órbita de Collatz desde 27")
    Órbita de Collatz desde 27111 transiciones hasta 1; 112 términos incluido el inicial; máximo 9232 en la iteración 77. Los puntos representan estados discretos. image/svg+xml Matplotlib v3.10.8, https://matplotlib.org/ 0 20 40 60 80 100 111 Iteración k 0 2000 4000 6000 8000 10000 Estado nₖ Máximo: 9232 27 → 1 · 111 transiciones · 112 términos
    Figura 1 Trayectoria calculada exactamente para esta semilla. El tramo inicial y las oscilaciones forman parte del recorrido antes de alcanzar 1.

    La línea del gráfico facilita seguir el recorrido, pero no convierte sus estados en un flujo continuo. La semilla 27 alcanza valores muy superiores al inicial antes de descender hasta 1. La cota de pasos permite detener una exploración: si se alcanza, el resultado expresa una limitación del recorrido ejecutado, no un contraejemplo. Para explorar enteros arbitrariamente grandes se necesitaría aritmética exacta de precisión arbitraria y una implementación adaptada.

    La versión recursiva: caso base y llamada a sí misma

    R / 46 La misma regla con otra organización de la ejecución
    collatz_recursivo <- function(n, max_pasos = 300L) {
      validar_collatz(n)
      validar_entero(max_pasos, minimo = 0, nombre = "max_pasos", maximo = 300)
      recorrer <- function(actual, restantes, acumulado) {
        acumulado <- c(acumulado, actual)
        if (actual == 1 || restantes == 0L) return(acumulado)
        recorrer(paso_collatz(actual), restantes - 1L, acumulado)
      }
      trayectoria <- recorrer(as.double(n), max_pasos, numeric(0))
      llego <- tail(trayectoria, 1) == 1
      list(semilla = n, trayectoria = trayectoria,
           iteraciones = length(trayectoria) - 1L,
           terminos = length(trayectoria), maximo = max(trayectoria),
           alcanzo_uno = llego,
           estado = if (llego) "Llegó a 1" else "Límite de pasos alcanzado")
    }
    
    r8 <- collatz_recursivo(8)
    r27 <- collatz_recursivo(27)
    stopifnot(identical(c8$trayectoria, r8$trayectoria),
              identical(c27$trayectoria, r27$trayectoria))

    La función interior recorrer() registra el estado y evalúa un caso de detención. Si debe continuar, se llama a sí misma con el estado siguiente, un paso disponible menos y la trayectoria acumulada. El objeto que vuelve de la llamada interior se convierte en el resultado de la llamada exterior. No es necesario cambiar el nombre de un argumento de una función para evitar que coincida con el de otra: cada llamada crea su propio entorno de evaluación.

    El límite recursivo del ejemplo es deliberadamente más bajo. La profundidad disponible depende de las opciones y de los recursos del entorno, por lo que un límite de pasos no garantiza que toda implementación de R permita esa profundidad de llamadas. R no garantiza optimizar llamadas recursivas finales. Para trayectorias extensas, la versión iterativa evita acumular marcos recursivos y suele ser más apropiada.

    Llamadas pendientes y retorno en Collatz recursivoLas llamadas para los estados 8, 4, 2 y 1 se apilan. Al resolver el caso 1 se devuelve la trayectoria completa hacia las llamadas exteriores en orden inverso.Llamadas pendientesResolución y retornorecorrer(8, …)recorrer(4, …)recorrer(2, …)recorrer(1, …)Caso base: estado 1.Trayectoria acumulada:(8, 4, 2, 1).Última llamada: primeraen resolverse (LIFO).4 términos · 3 transiciones
    Figura 2 Esquema de las llamadas de la función interior, con parámetros auxiliares abreviados. El mismo objeto de trayectoria se devuelve a través de las llamadas pendientes.

    Qué muestra la pila de llamadas

    Al llamar desde 8, quedan llamadas pendientes para los estados 8, 4 y 2 antes de resolver el caso 1. El retorno resuelve primero la llamada más reciente y luego las anteriores: ese es el orden LIFO, last in, first out, también denominado FILO. La analogía con una pila de platos ayuda a visualizar el orden, pero no demuestra que la recursión se haya diseñado para optimizar la memoria caché. La pila de llamadas y las políticas de caché son conceptos distintos.

    Un programa que ejecute A1, luego A2 y después se llame de nuevo sin condición de detención deja pendiente cualquier instrucción posterior a esa llamada. Así, una orden final de imprimir «Hola, Fernanda» no se alcanza en una ejecución ideal que continúe indefinidamente. En un sistema real, antes puede aparecer un error por exceso de profundidad o recursos. Para obtener un algoritmo útil hace falta un caso base o una salida explícita.

    Formalizar la trayectoria, no presuponer la terminación

    τ(a) = min{k ≥ 0 : Tk(a) = 1}
    𝒪(a) = (a, T(a), …, Tτ(a)(a))
    Si la órbita alcanza 1, τ(a) es el primer índice de llegada y la trayectoria tiene τ(a) + 1 términos. Si no lo alcanza, no existe ese mínimo finito; puede usarse la convención τ(a) = infinito. La definición condicional no prueba que el tiempo sea finito para toda semilla.

    Una fórmula recursiva que solo diga «seguir llamando hasta llegar a 1» describe un procedimiento, pero debe demostrar terminación para representar una función total en todas las semillas admitidas. Además, si únicamente devuelve el escalar 1, no conserva la trayectoria; esta requiere otro codominio, como sucesiones finitas o listas. Separar la transformación T, el tiempo de llegada y la trayectoria evita mezclar objetos diferentes en la misma notación.

    Documentación y referencias: [1] · [16]

    Profundización sobre el lenguaje

    14. Entornos, clases y expresiones

    Los conceptos avanzados de esta sección permiten precisar qué hace R al evaluar una función, seleccionar un método o construir una expresión. Se presentan después de los primeros ejemplos para que puedan vincularse a operaciones ya conocidas. Son niveles distintos de explicación: un tipo de almacenamiento, una clase, una palabra reservada y una llamada no son intercambiables, aunque participen en una misma instrucción.

    Entornos y alcance léxico

    R / 47 Una función interior conserva acceso a su entorno de creación
    desplazamiento <- 100
    crear_desplazamiento <- function(delta) {
      force(delta)
      function(x) x + delta
    }
    sumar_dos <- crear_desplazamiento(2)
    sumar_dos(5)
    # [1] 7
    desplazamiento
    # [1] 100

    La función devuelta puede consultar delta en el entorno donde fue creada. Esta combinación de función y entorno se conoce como cierre o closure. La asignación ordinaria dentro de una función establece nombres en el entorno de la llamada; buscar un nombre que no está allí conduce a entornos superiores según el alcance léxico. No todo objeto accesible fuera de una función pertenece necesariamente al entorno global: pueden existir entornos de funciones exteriores y de paquetes.

    force(delta) evalúa explícitamente el argumento antes de construir la función interior; R utiliza evaluación perezosa de argumentos mediante promesas. El ejemplo permite ver una fábrica de funciones: recibe un número y devuelve una función. Es una función de orden superior por su resultado. Los objetos locales de una llamada no entran en conflicto simplemente por utilizar nombres iguales a los de otra llamada.

    Tipos, clases y métodos

    R / 48 La clase interviene en el comportamiento, además del almacenamiento
    fecha <- as.Date("2021-09-11")
    c(tipo = typeof(fecha), modo = mode(fecha), clase = class(fecha))
    # tipo: "double"; modo: "numeric"; clase: "Date".
    
    medicion <- structure(1.65, class = "estatura_m")
    print.estatura_m <- function(x, ...) {
      cat(format(unclass(x)), "m\n")
      invisible(x)
    }
    print(medicion)
    # 1.65 m
    inherits(medicion, "estatura_m")
    # [1] TRUE

    typeof() identifica el tipo interno. mode() ofrece una clasificación histórica que puede agrupar tipos; por ejemplo, enteros y dobles se consideran de modo numérico. class() participa en el comportamiento de métodos. El ejemplo de fecha almacena información numérica, pero su clase permite imprimirla e interpretarla como fecha. En el ejemplo de estatura, un método S3 de print() establece cómo se presenta el objeto.

    Una función genérica selecciona un método según un mecanismo de despacho. En S3, muchos genéricos utilizan UseMethod(); en S4 hay definiciones formales de clases, métodos y herencia, con despacho que puede depender de varios argumentos. No debe trasladarse la descripción de un sistema a todos los demás. methods::extends() consulta relaciones de herencia en el sistema formal, y genericFunction es una clase del sistema S4, no la definición universal de cualquier llamada genérica de R.

    La imagen de una clase como plano o prototipo de objetos es una ayuda pedagógica propia de ciertos modelos de orientación a objetos. En R conviven sistemas con propiedades diferentes. Una clase computacional tampoco se identifica con una clase de la teoría de conjuntos: esta última no se define simplemente como un conjunto de cardinal transfinito. En teorías que distinguen conjuntos y clases propias, muchos conjuntos ya pueden ser infinitos o tener cardinal transfinito sin convertirse en clases propias.

    Palabras reservadas y nombres que ocultan funciones

    Entre las palabras reservadas están if, else, repeat, while, function, for, in, next y break; también existen constantes reservadas como TRUE, FALSE, NULL, Inf, NaN y las variantes de NA, además de nombres especiales relacionados con .... Los números naturales no constituyen una colección de palabras reservadas. Los nombres ordinarios de funciones no son todos reservados: pueden ocultarse con otras asignaciones, a menudo sin una advertencia automática que prevenga el error de diseño.

    R / 49 El operador :: identifica el paquete de procedencia
    # Evitar llamar a un objeto como una función de uso frecuente.
    mis_datos <- c(1, 2, 3)
    base::sum(mis_datos)
    # [1] 6
    stats::median(mis_datos)
    # [1] 2

    Un paquete contiene funciones, datos y documentación. Una biblioteca de R es un directorio donde se instalan paquetes; un repositorio, como CRAN, distribuye paquetes. install.packages() instala; library() carga y adjunta un paquete; requireNamespace() permite comprobar su disponibilidad y cargar su espacio de nombres sin adjuntarlo. Distinguirlos evita confundir la red de distribución con los paquetes o con los directorios instalados.

    El argumento … y la creación de nombres

    R / 50 Pasar argumentos adicionales de manera explícita
    sumar_con_opciones <- function(x, ...) {
      sum(x, ...)
    }
    sumar_con_opciones(c(1, NA_real_, 3), na.rm = TRUE)
    # [1] 4
    
    tabla_nombres <- data.frame(altura_m = c(1.65, 1.70))
    names(tabla_nombres)
    # [1] "altura_m"

    ... permite recibir o transmitir argumentos adicionales. En data.frame(), los argumentos de columnas pueden tener la forma nombre = valor; si el nombre no se proporciona, la función puede construirlo a partir de la expresión suministrada y ajustar su sintaxis. Escribir nombres de columnas expresos hace más clara la estructura y evita depender de reglas de transformación de nombres.

    Llamadas, expresiones y deparse()

    R / 51 Construir una llamada y evaluarla son operaciones distintas
    llamada <- call("sum", c(1, 2, 3))
    typeof(llamada)
    # [1] "language"
    eval(llamada)
    # [1] 6
    
    expresion <- expression(1 + 2, sqrt(9))
    typeof(expresion)
    # [1] "expression"
    eval(expresion)
    # [1] 3
    
    texto_llamada <- deparse(llamada)
    texto_llamada
    # [1] "sum(c(1, 2, 3))"

    call() construye un objeto de llamada cuyo primer argumento identifica la función y cuyos argumentos restantes se incorporan a la llamada. Sus argumentos se evalúan al construirla, pero la llamada resultante todavía no se ejecuta. eval() la evalúa en un entorno. Una llamada a una función ya definida y la definición de una función son operaciones diferentes: call() no sustituye la definición con function().

    expression() permite almacenar expresiones sin evaluarlas; al evaluar el vector completo, se devuelve el valor de la última expresión. deparse() produce una representación textual de una expresión. parse() realiza el paso de texto a expresiones del lenguaje, pero convertir texto en código y evaluarlo exige controlar su procedencia. Estas herramientas pertenecen a la metaprogramación y no son requisitos para crear las primeras tablas de datos.

    Documentación y referencias: [1] · [16] · [17]

    Del dato económico al análisis

    15. Aplicación: crecimiento del PIB en Centroamérica

    La aplicación utiliza el indicador del Banco Mundial NY.GDP.MKTP.KD.ZG, crecimiento anual del PIB, expresado en porcentaje. El objetivo es seleccionar Belice, Guatemala, El Salvador, Honduras, Nicaragua, Costa Rica y Panamá; conservar las observaciones por año; examinar sus ausencias; y construir resúmenes cuyo significado quede declarado. El tamaño y el período de una descarga dependen del archivo concreto y no se fijan como propiedades permanentes del indicador.

    Una exportación puede reunir países, otras economías y agregados regionales o por nivel de ingreso. Por eso no se interpreta cada fila como un país ni se utiliza un conteo de filas como número de países del mundo. Además, la estructura habitual incluye columnas de metadatos antes de las columnas de años. Esas columnas textuales no son errores que deban eliminarse indiscriminadamente: permiten identificar la información y seleccionar las unidades correctas.

    Una muestra didáctica completa, con procedencia explícita

    R / 52 Siete unidades y cinco años: datos exclusivamente ilustrativos
    codigos_ca <- c("BLZ", "GTM", "SLV", "HND", "NIC", "CRI", "PAN")
    nombres_ca <- c("Belice", "Guatemala", "El Salvador", "Honduras",
                    "Nicaragua", "Costa Rica", "Panamá")
    
    demo_bm <- data.frame(
      "Country Name" = nombres_ca,
      "Country Code" = codigos_ca,
      "Indicator Name" = "GDP growth (annual %)",
      "Indicator Code" = "NY.GDP.MKTP.KD.ZG",
      "2018" = c(2, 3, 2, 4, -4, 3, 4),
      "2019" = c(1, 4, 3, 3, -3, 2, 3),
      "2020" = c(-12, -2, -8, -9, -2, -4, -16),
      "2021" = c(10, 8, 10, 12, 10, 8, 15),
      "2022" = c(7, 4, 3, 4, NA_real_, 5, 11),
      check.names = FALSE, stringsAsFactors = FALSE
    )
    stopifnot(nrow(demo_bm) == 7L, ncol(demo_bm) == 9L)

    Los códigos de tres letras ofrecen una selección estable frente a cambios en el orden de las filas. La tabla se crea con check.names = FALSE para conservar los encabezados de los años tal como aparecen. En una lectura que convierta 2020 en X2020, se debe corregir o interpretar explícitamente esa transformación. El procedimiento siguiente exige el formato de encabezados de cuatro dígitos y avisa si no lo encuentra.

    Validar la descarga y separar metadatos de años

    R / 53 Selección por códigos y nombres de años; nunca por números de fila
    convertir_columna_bm <- function(x) {
      texto <- trimws(as.character(x))
      ausente <- is.na(x) | texto %in% c("", "..", "NA", "N/A")
      texto[ausente] <- NA_character_
      numero <- suppressWarnings(as.numeric(texto))
      if (any(!ausente & is.na(numero))) {
        stop("Una columna anual contiene texto no reconocido como número o ausencia.")
      }
      if (any(!is.na(numero) & !is.finite(numero))) {
        stop("Una columna anual contiene valores no finitos.")
      }
      numero
    }
    
    preparar_crecimiento <- function(origen, codigos = codigos_ca,
                                    desde = NULL, hasta = NULL) {
      d <- as.data.frame(origen, check.names = FALSE,
                         stringsAsFactors = FALSE)
      requeridas <- c("Country Name", "Country Code", "Indicator Code")
      if (!all(requeridas %in% names(d))) {
        stop("Faltan columnas de identificación requeridas.")
      }
      if (anyDuplicated(names(d))) stop("Los nombres de columnas se repiten.")
      if (anyNA(codigos) || anyDuplicated(codigos) || length(codigos) == 0L) {
        stop("Los códigos solicitados deben ser únicos, conocidos y no vacíos.")
      }
      seleccion <- !is.na(d[["Indicator Code"]]) &
        d[["Indicator Code"]] == "NY.GDP.MKTP.KD.ZG" &
        d[["Country Code"]] %in% codigos
      d <- d[seleccion, , drop = FALSE]
      if (anyDuplicated(d[["Country Code"]])) {
        stop("Hay más de una fila por código para el indicador seleccionado.")
      }
      posicion <- match(codigos, d[["Country Code"]])
      if (anyNA(posicion)) {
        stop("No se encontraron todos los códigos solicitados.")
      }
      d <- d[posicion, , drop = FALSE]
      nombres_anios <- names(d)[grepl("^[0-9]{4}$", names(d))]
      if (length(nombres_anios) == 0L) stop("No se encontraron columnas de años.")
      anios <- as.integer(nombres_anios)
      orden <- order(anios)
      anios <- anios[orden]
      nombres_anios <- nombres_anios[orden]
      if (!is.null(desde)) {
        validar_entero(desde, minimo = 0, nombre = "desde", maximo = 9999)
      }
      if (!is.null(hasta)) {
        validar_entero(hasta, minimo = 0, nombre = "hasta", maximo = 9999)
      }
      if (!is.null(desde) && !is.null(hasta) && desde > hasta) {
        stop("El año inicial no puede ser posterior al año final.")
      }
      conservar <- rep(TRUE, length(anios))
      if (!is.null(desde)) conservar <- conservar & anios >= desde
      if (!is.null(hasta)) conservar <- conservar & anios <= hasta
      anios <- anios[conservar]
      nombres_anios <- nombres_anios[conservar]
      if (length(anios) == 0L) stop("El intervalo no contiene años disponibles.")
      valores <- lapply(d[nombres_anios], convertir_columna_bm)
      M <- as.matrix(as.data.frame(valores, check.names = FALSE))
      dimnames(M) <- list(codigos, as.character(anios))
      metadatos <- d[, requeridas, drop = FALSE]
      rownames(metadatos) <- NULL
      largo <- data.frame(
        pais = rep(d[["Country Name"]], each = length(anios)),
        codigo = rep(codigos, each = length(anios)),
        anio = rep(anios, times = length(codigos)),
        crecimiento_pct = as.vector(t(M)),
        stringsAsFactors = FALSE
      )
      list(metadatos = metadatos, anios = anios,
           matriz = M, largo = largo)
    }
    
    ca <- preparar_crecimiento(demo_bm, desde = 2018, hasta = 2022)
    dim(ca$matriz)
    # [1] 7 5
    head(ca$largo)
    stopifnot(identical(rownames(ca$matriz), codigos_ca),
              nrow(ca$largo) == 35L, sum(is.na(ca$matriz)) == 1L)

    La función convierte únicamente las columnas anuales y comprueba que no haya cadenas no interpretables. La supresión de advertencias de conversión se acompaña de una comprobación que detiene el análisis si aparecen pérdidas inesperadas: no oculta el problema. Los metadatos se mantienen aparte. El formato largo dispone una fila por país y año; la matriz conserva una fila por país y una columna por año. En ambos formatos se preserva la identidad de cada medición.

    La transposición utilizada al construir el formato largo organiza el orden de recorrido de las celdas. No se utiliza para «arreglar» los nombres de años ni porque un vector nombrado no pueda promediarse. Los nombres son atributos compatibles con el cálculo numérico. Para extraer una serie de la matriz basta seleccionar la fila correspondiente; quitar nombres solo se hace si otra operación lo requiere.

    R / 54 Media, mediana, dispersión, extremos, ausencias y moda empírica
    Guatemala <- ca$matriz["GTM", ]
    mean(Guatemala)
    # [1] 3.4
    unname(Guatemala)
    # [1] 3 4 -2 8 4
    
    resumen_ca <- t(vapply(seq_len(nrow(ca$matriz)),
                           function(i) resumen_disponible(ca$matriz[i, ]),
                           numeric(9)))
    rownames(resumen_ca) <- rownames(ca$matriz)
    resumen_ca
    
    moda_empirica <- function(x) {
      x <- x[!is.na(x)]
      if (length(x) == 0L) return(numeric(0))
      frecuencias <- table(x)
      as.numeric(names(frecuencias)[frecuencias == max(frecuencias)])
    }
    lapply(seq_len(nrow(ca$matriz)),
           function(i) moda_empirica(ca$matriz[i, ]))

    La media y la mediana resumen distintos aspectos del nivel de las tasas; varianza y desviación estándar describen dispersión en el período. Su interpretación no convierte los años en observaciones independientes por definición. La moda empírica devuelve todos los valores con frecuencia máxima: puede haber varios. En mediciones continuas con muchos valores distintos, esa moda puede ser poco informativa y depender fuertemente del redondeo. La función mode() de R consulta un modo informático; no calcula la moda estadística.

    Cuatro preguntas económicas, cuatro operaciones

    El cálculo debe responder a la pregunta económica
    PreguntaOperación pertinenteLímite de interpretación
    ¿Cuál es la tasa anual media observada de un país?Media aritmética de las tasas disponibles.Debe informarse el período y la cobertura; no es la tasa acumulada.
    ¿Cuánto creció acumuladamente entre años consecutivos?Componer factores de crecimiento.Requiere las tasas de todas las transiciones del período.
    ¿Cuál es la tasa anual compuesta equivalente?Media geométrica de los factores menos uno.Requiere definir el número de transiciones y factores válidos.
    ¿Cuál fue el crecimiento del PIB de la región?Agregación basada en niveles y ponderaciones coherentes.No se obtiene sumando sin más las tasas nacionales; debe seguirse la metodología del agregado.
    G = ∏t=1T(1 + gt/100) − 1
    geq = 100[(1 + G)1/T − 1]
    g_t es una tasa anual en porcentaje. G es una proporción acumulada; 100G la expresa como porcentaje. La segunda fórmula reparte el factor total en T factores iguales. Se necesita una cadena temporal completa de transiciones.
    R / 55 Composición de tasas y cobertura temporal explícita
    crecimiento_compuesto <- function(tasas, anios) {
      if (!is.numeric(tasas) || !is.numeric(anios) ||
          length(tasas) != length(anios) || length(tasas) == 0L ||
          anyNA(anios) || any(!is.finite(anios)) || any(anios != floor(anios))) {
        stop("Las tasas y sus años deben ser vectores numéricos compatibles.")
      }
      if (length(anios) > 1L && any(diff(anios) != 1)) {
        stop("Se requieren años ordenados y consecutivos.")
      }
      if (anyNA(tasas)) {
        return(c(acumulado_pct = NA_real_, equivalente_anual_pct = NA_real_))
      }
      if (any(!is.finite(tasas)) || any(tasas <= -100)) {
        stop("Este ejemplo requiere tasas finitas mayores que -100%.")
      }
      suma_log <- sum(log1p(tasas / 100))
      c(acumulado_pct = 100 * expm1(suma_log),
        equivalente_anual_pct = 100 * expm1(suma_log / length(tasas)))
    }
    crecimiento_compuesto(c(10, -10), c(2020, 2021))
    # acumulado_pct: -1; equivalente_anual_pct: aproximadamente -0.5012563.
    crecimiento_compuesto(ca$matriz["GTM", ], ca$anios)
    crecimiento_compuesto(ca$matriz["NIC", ], ca$anios)
    # Ambos resúmenes compuestos son NA para Nicaragua por la tasa ausente.

    Subir 10% y bajar 10% deja un factor de 1.10 × 0.90 = 0.99: la variación acumulada es −1%, aunque la suma y la media aritmética de las tasas sean cero. La implementación usa log1p() y expm1() para expresar la composición con mejor precisión cerca de cero. Si las tasas etiquetadas 2018–2022 describen cambios respecto del año anterior, su composición compara el nivel final de 2022 con el nivel previo a la primera transición, 2017. La etiqueta temporal debe interpretarse según la definición del indicador.

    Eliminar una tasa ausente y componer las restantes puede unir tramos que no permiten reconstruir el crecimiento del intervalo completo. Por eso la función devuelve ausencia en lugar de un acumulado parcial presentado como completo. Tampoco la suma anual de tasas de distintos países es el crecimiento regional: una agregación de PIB exige niveles comparables y ponderaciones consistentes, además de cuidar que no se incluyan agregados junto con sus miembros, lo que duplicaría información.

    Usar un archivo real del Banco Mundial

    R / 56 Una plantilla explícita que conserva la separación entre demostración y datos reales
    # Plantilla para una descarga XLS/XLSX: ajustar ruta, hoja y filas iniciales.
    # El bloque no descarga datos ni sustituye la inspección del archivo.
    ruta_bm <- file.path("datos", "crecimiento_pib_banco_mundial.xlsx")
    if (file.exists(ruta_bm) && requireNamespace("readxl", quietly = TRUE)) {
      hojas <- readxl::excel_sheets(ruta_bm)
      print(hojas)
      if (!"Data" %in% hojas) {
        stop("Revise la hoja que contiene los datos; aquí se esperaba Data.")
      }
      vista_previa <- readxl::read_excel(ruta_bm, sheet = "Data",
                                        col_names = FALSE, n_max = 8)
      print(vista_previa)
      # skip = 3 corresponde al formato cuya cuarta fila es el encabezado.
      origen_bm <- readxl::read_excel(ruta_bm, sheet = "Data", skip = 3,
                                     col_types = "text", na = c("", ".."))
      ca_real <- preparar_crecimiento(origen_bm, desde = 2000, hasta = 2020)
      print(dim(ca_real$matriz))
    } else {
      message("La aplicación empírica requiere el archivo indicado y readxl.")
    }

    Si la hoja se llama «Datos» u otro nombre, se modifica el argumento después de inspeccionar el libro. skip = 3 no es una ley del formato Excel. Si se descarga un ZIP con CSV, primero se extrae el archivo de datos y se inspeccionan sus líneas preliminares; después se ajusta read.csv() conservando encabezados con check.names = FALSE. Los años de ejemplo 2000–2020 constituyen una elección de análisis, no una promesa de disponibilidad completa.

    • Registrar la dirección del indicador, la fecha de descarga, el archivo original y su hoja o tabla.
    • Confirmar códigos de país, código del indicador y unidad porcentual.
    • Informar las dimensiones después de seleccionar, sin contar metadatos como años.
    • Revisar ausencias por país y por año; no interpretar vacíos como ceros.
    • Conservar el archivo original y exportar resultados con nombres que identifiquen el período y el procedimiento.
    R / 57 Exportaciones identificadas expresamente como demostraciones
    write.csv(ca$largo,
              file = file.path(carpeta_ejemplo, "centroamerica_demo_formato_largo.csv"),
              row.names = FALSE, na = "", fileEncoding = "UTF-8")
    write.csv(resumen_ca,
              file = file.path(carpeta_ejemplo, "resumen_centroamerica_demo.csv"),
              row.names = TRUE, na = "", fileEncoding = "UTF-8")

    Documentación y referencias: [20] · [21] · [22]

    Comprender, comprobar y reproducir

    16. Criterios de trabajo y ejercicios

    Un programa estadístico debe permitir reconstruir las decisiones que separan la fuente del resultado. El tamaño de los datos, el formato del archivo o la complejidad de las funciones no cambian esa exigencia. Se necesita saber qué representa cada objeto, cómo se seleccionaron las observaciones, cuáles fueron excluidas y qué significado tiene la operación aplicada. La inspección visual y las comprobaciones automáticas se complementan.

    La validez tiene componentes informáticos, matemáticos y sustantivos
    Antes de calcularDurante el cálculoAl interpretar
    Identificar unidad, variable, escala y procedencia.Comprobar tipos, longitudes y dimensiones.Relacionar la salida con la pregunta original.
    Distinguir observaciones de metadatos.Verificar selección por nombres y códigos.Informar cobertura y tratamiento de ausencias.
    Conservar datos originales y programa.Validar supuestos y casos extremos.Distinguir aproximación, verificación y demostración.
    Registrar versión y dependencias.Separar resultados devueltos de efectos.Conservar una salida reproducible con unidades y etiquetas.

    Errores que conviene reconocer

    • Reasignación inadvertida: una asignación posterior cambia el valor vinculado al nombre en ese entorno. Conservar un nombre distinto para el dato original facilita revisar transformaciones.
    • Igualdad mal interpretada: <- asigna; == compara; <= ordena. La igualdad numérica aproximada necesita una tolerancia pertinente.
    • Máscara con ausencias: una condición puede contener NA. Se decide si deben conservarse como información desconocida o excluirse explícitamente antes de seleccionar.
    • Identidad y orden: igual longitud no significa que dos vectores estén emparejados correctamente. Se utilizan identificadores estables.
    • Tipos mezclados: una columna de etiquetas puede convertir toda una matriz a texto. Se calculan resúmenes sobre las columnas numéricas pertinentes.
    • Unidades incompatibles: sumar cantidades con unidades diferentes es un problema dimensional; convertir texto a número es un problema de representación. Pueden coexistir, pero no son idénticos.
    • Interpretación excesiva: una salida numérica no demuestra independencia temporal, representatividad de la muestra, causalidad ni validez universal de una conjetura.

    Ejercicios con resultados de control

    Aplicar una operación y explicar qué significa
    EjercicioResultado o criterio de control
    Construya una sucesión de 0 a 1 con cinco posiciones.0, 0.25, 0.5, 0.75, 1.
    Obtenga valores entre 3 y 8, excluidos los extremos, de c(2, 5, 8, NA).El resultado es 5; la condición debe tratar explícitamente la ausencia.
    Sume los pares positivos no mayores que 50 mediante ciclo y fórmula.Ambos métodos dan 650.
    Calcule los promedios de los tres estudiantes.75.50, 66.75 y 47.25; las clasificaciones son aprobación, ampliación y reprobación.
    Distinga producto por posiciones y matricial para las matrices del capítulo.El primero conserva 2 × 3; matriz01 %*% t(matriz03) produce 2 × 2.
    Compare Collatz desde 8 y desde 27.3 y 111 transiciones; 4 y 112 términos. Desde 27 el máximo es 9232.
    Componga un incremento del 10% y una reducción del 10%.La variación acumulada es −1%.
    Calcule una media cuando todos los valores faltan.Debe identificarse que no hay observaciones, no interpretar el resultado como una media cero.

    Un registro mínimo de reproducción

    R / 58 La ejecución debe producir evidencia de sus condiciones
    # Información para acompañar un análisis que se comparte.
    sessionInfo()
    RNGkind()
    
    # Comprobaciones breves de las aplicaciones integradoras.
    stopifnot(
      sum_pares(50) == 650,
      isTRUE(all.equal(unname(prom_notas), c(75.5, 66.75, 47.25))),
      c27$iteraciones + 1L == length(c27$trayectoria),
      nrow(ca$largo) == nrow(ca$matriz) * ncol(ca$matriz),
      abs(crecimiento_compuesto(c(10, -10), c(2020, 2021))[1] + 1) < 1e-10
    )

    Las comprobaciones elegidas contrastan identidades y resultados que pueden verificarse por otra vía: una fórmula frente a un ciclo, conteos frente a estructuras y una composición de tasas con resultado conocido. No reemplazan la lectura del código ni el examen de los datos. Su función es hacer visibles cambios que alteren comportamientos importantes al modificar el programa.

    Comprender una instrucción exige saber qué objeto recibe, qué transformación realiza y qué conclusión permite sostener.

    Principio de lectura del capítulo

    Documentación y referencias: [2]

    Documentación y trazabilidad

    17. Referencias y procedencia

    Las definiciones del lenguaje y las funciones se apoyan principalmente en la documentación de R y de los paquetes correspondientes. Los enlaces a R-devel pueden describir comportamientos más recientes que los de una instalación local; la ayuda instalada, accesible mediante ?nombre, documenta la versión utilizada. El texto explicita las diferencias de comportamiento relevantes para las versiones actuales, como las condiciones escalares y el valor predeterminado de stringsAsFactors.

    1. R Core Team. R Language Definition: objetos, evaluación, funciones, indexación y sintaxis.
    2. R Core Team. An Introduction to R: vectores, estructuras y programación.
    3. R Core Team. Logical Operators: lógica elemento a elemento y cortocircuito.
    4. R Core Team. Control Flow: if, for, while, repeat, break y next.
    5. R Core Team. Not Available / Missing Values.
    6. R Core Team. Vectors: Creation, Coercion, etc.
    7. R Core Team. Colon Operator y generación de sucesiones.
    8. R Core Team. Apply Functions Over Array Margins.
    9. R Core Team. Multi-way Arrays.
    10. R Core Team. Data Frames.
    11. R Core Team. Numeric Vectors: tipos y conversión de factores.
    12. R Core Team. Conditional Element Selection: ifelse().
    13. R Core Team. Correlation, Variance and Covariance.
    14. R Core Team. Integration of One-Dimensional Functions.
    15. Wickham, H. Advanced R, segunda edición: funcionales.
    16. Wickham, H. Advanced R: funciones y alcance léxico.
    17. Wickham, H. Advanced R: sistemas de orientación a objetos.
    18. Equipo de readxl. Read xls and xlsx files.
    19. Equipo de writexl / rOpenSci. Export to xlsx.
    20. Banco Mundial. GDP growth (annual %), NY.GDP.MKTP.KD.ZG.
    21. Banco Mundial. Methodologies: reglas y métodos de agregación.
    22. Banco Mundial. Aggregate API Queries: economías y agregados.

    Fuentes del documento original

    La versión de 2021 se apoyaba en los materiales de A. Ballestero sobre operadores y funciones en RStudio; en el texto de Kolmogórov y Fomin sobre teoría de funciones y análisis funcional; y en distintos tutoriales, documentación y discusiones técnicas. Se conserva esa procedencia bibliográfica. Las analogías y formulaciones revisadas en esta edición deben evaluarse mediante las definiciones y explicaciones desarrolladas en el cuerpo del capítulo.

    Bibliografía de procedencia y enlaces originales
    1. Ballestero, A. (2020). Fundamentos de programación en R Studio. Operadores, vectores, listas, matrices, variables y data frame.
    2. Ballestero, A. (2021). Fundamentos de programación en R Studio. Funciones en R, Parte I.
    3. Banco Mundial (2021). Crecimiento del PIB (% anual), referencia de la aplicación original.
    4. Codecademy (2021). What is function call?
    5. DataMentor (2021). R while Loop.
    6. R Documentation, citada originalmente como EHZ/ETH Zürich (2020). Unevaluated Expressions.
    7. Estadísticamente (2021). Sucesiones, repeticiones y factores en R.
    8. R Documentation, citada originalmente como ETH Zürich (2020). Generic Function Objects.
    9. R Documentation, citada originalmente como ETH Zürich (2020). Logical Vectors.
    10. R Documentation, citada originalmente como ETH Zürich (2021). Function Calls.
    11. GeeksforGeeks (2020). Matrix vs Dataframe in R.
    12. JournalDev (2021). How to replace values using replace() in R.
    13. Langohr, K. (2010). Introducción a R. Universitat Politècnica de Catalunya.
    14. Mendoza Vega, J. B. (2021). R para principiantes: coerción.
    15. Mendoza Vega, J. B. (2021). R para principiantes: if, else.
    16. Moore, K., y colaboradores (2021). Classes (OOP). Brilliant.
    17. Stack Overflow (2013). Confused about R terminology: Attributes, parameters, and arguments.
    18. RDocumentation.org (2021). Expression Deparsing.
    19. Real Academia Española (2021). Anidar.
    20. Sánchez, G. (2020). Character Strings in R.
    21. Simpson, G. (2011). What evaluates to True/False in R?
    22. Stack Overflow (2016). What is the difference between mode and class in R?
    23. Stackoverrun (2021). Global and local variables in R.
    24. Wickham, H., citado en 2019. Functionals, primera edición de Advanced R.
    25. Wickham, H., citado en 2019. Functions / Primitive functions, primera edición de Advanced R.
    26. Wikipedia, citada en 2020. Implementation.
    27. Wikipedia, citada en 2020. Stack (abstract data type).
    28. TechTerms (2014). FILO, citado en la nota original sobre pilas.
    29. Kolmogórov, A. N., y Fomin, S. V. (1978). Elementos de la teoría de funciones y del análisis funcional, tercera edición. Moscú: MIR. Referencia original a la p. 121.
    30. Huamaní Ninahuanca (2019), mencionado en una nota del original como apoyo a la terminología de vectores enteros; el PDF no proporciona la referencia bibliográfica completa.
    31. Stack Overflow (2015), discusión citada en la nota original sobre cat() y print(); el PDF no proporciona un enlace identificable.
    32. Study.com (2021), citado en una nota del original sobre la analogía de clase como plano; el PDF no incluye la referencia completa.

    Los años y títulos de esta lista conservan la identificación utilizada por el documento de origen; no indican que todos los recursos antiguos sigan disponibles ni sustituyen la documentación primaria para las correcciones de esta edición. La cita de Stroustrup recogida a través de Wickham motivaba la atención a la claridad del flujo de control; aquí se desarrolla esa idea mediante ejemplos sin reproducir extensamente la cita.

  • INTRODUCCIÓN A LOS ENSAYOS CLÍNICOS DESDE LA TEORÍA ESTADÍSTICA Y RSTUDIO: ASOCIACIÓN Y CORRELACIÓN DE PEARSON, SPEARMAN Y KENDALL

    INTRODUCCIÓN A LOS ENSAYOS CLÍNICOS DESDE LA TEORÍA ESTADÍSTICA Y RSTUDIO: ASOCIACIÓN Y CORRELACIÓN DE PEARSON, SPEARMAN Y KENDALL

    Estadística matemática · Teoría y práctica

    Asociación y Correlación en Estadística

    Pearson, Spearman y Kendall: fundamentos, inferencia y una introducción a los ensayos clínicos con R
    Publicado originalmente: 11 de septiembre de 2021 · Revisión ampliada: 2 de noviembre de 2026

    Estudiar una asociación significa preguntar cómo se relacionan las variaciones, los órdenes o las frecuencias de dos características. Pero la respuesta depende de qué observamos, cómo lo medimos y cómo se obtuvieron los datos: una relación lineal entre temperatura y conversión industrial no plantea exactamente el mismo problema que la comparación de infartos entre dos grupos de un ensayo clínico.

    Este artículo recorre esas diferencias mediante definiciones, ecuaciones explicadas y cálculos reproducibles en R. La secuencia conduce desde la covarianza hasta las correlaciones de Pearson, Spearman y Kendall; después pasa a las tablas de contingencia, las pruebas de asociación y las medidas de efecto para un desenlace binario. En cada etapa se distinguen la descripción de los datos, la incertidumbre de la estimación y el alcance científico de las conclusiones.

    01 · La pregunta científica antes del coeficiente

    Una asociación estadística expresa una regularidad en la distribución conjunta de variables. La correlación resume aspectos particulares de esa regularidad. La causalidad exige, además, justificar qué ocurriría con el desenlace si una intervención modificara la exposición o el tratamiento. Elegir un coeficiente no resuelve por sí mismo esa tercera pregunta.

    Antes de calcular, hay que identificar la unidad observacional, la escala de medición, la población objetivo, el período de observación y el diseño. Dos medidas por persona forman un par; veinte medidas de una misma persona no equivalen a veinte personas independientes. Tampoco es intercambiable analizar categorías ordenadas, magnitudes numéricas o categorías nominales.

    PreguntaHerramienta inicialLímite de la respuesta
    ¿Hay asociación lineal entre magnitudes numéricas?Pearson y gráfico de dispersiónPuede omitir relaciones curvas.
    ¿Tienden los valores a mantener un orden creciente o decreciente?Spearman o KendallUn resumen por rangos puede omitir patrones no monótonos.
    ¿Difieren las frecuencias de un evento entre grupos?Tabla de contingencia, riesgos y medidas comparativasEl diseño determina qué riesgos y efectos son identificables.
    ¿El tratamiento causa una diferencia?Diseño y análisis causal adecuadosUna asociación o un valor p aislado no bastan.

    El estimando es la cantidad poblacional de interés; el estimador es la regla para calcularla con una muestra; la estimación es el valor obtenido. Un estadístico de prueba se construye para evaluar la compatibilidad de los datos con una hipótesis. Por ejemplo, ρ es una correlación poblacional, r su estimador y t el estadístico del contraste clásico de correlación nula.

    02 · Covarianza y Pearson: del cambio conjunto a la estandarización

    sXY = ∑i=1n (xi − x̄)(yi − ȳ)n − 1(1)

    Al centrar cada observación respecto de su media, se distingue si está por encima o por debajo del promedio. El producto de las dos desviaciones es positivo cuando tienen el mismo signo y negativo cuando tienen signos opuestos. La suma reúne esas contribuciones. Dividir entre n − 1 produce la covarianza muestral usual, insesgada bajo muestreo independiente e idénticamente distribuido con momentos finitos.

    La covarianza conserva unidades: si X está en grados y Y en puntos porcentuales, sus unidades son el producto de ambos. Por eso su magnitud no ofrece una escala universal de fuerza de asociación.

    r = sXYsXsY = ∑ (xi − x̄)(yi − ȳ)√[∑ (xi − x̄)² ∑ (yi − ȳ)²](2)

    La estandarización elimina las unidades y sitúa r entre −1 y 1. El signo indica dirección y el valor absoluto resume alineación lineal. Los extremos corresponden a una relación afín perfecta en la muestra. Una variable constante tiene desviación estándar nula y hace que el coeficiente quede indefinido.

    Pearson puede emplearse con variables cuantitativas de intervalo o razón; su cálculo no exige normalidad. No representa una proporción de personas ni un porcentaje general de variación compartida. En una regresión lineal simple con intercepto y las mismas observaciones, R² = r², pero esa identidad tiene ese contexto específico.

    Cov(a + bX, c + dY) = bd Cov(X,Y)
    Cor(a + bX, c + dY) = signo(bd) Cor(X,Y),   b,d ≠ 0(3)

    Sumar constantes no modifica la asociación. Multiplicar por factores positivos cambia la covarianza y conserva la correlación; invertir el signo de una sola variable invierte el signo de Pearson. Así se distingue invariancia de unidades de invariancia frente a cualquier transformación.

    03 · Correlación nula, dependencia y geometría

    Si dos variables son independientes y tienen varianzas finitas y positivas, su correlación poblacional es cero. La recíproca es falsa. Tomemos X uniforme en [−1,1] y Y = X²: por simetría, E[X] = E[X³] = 0 y, por tanto, Cov(X,Y) = 0, aunque conocer X determina exactamente Y. La ausencia de asociación lineal no elimina la dependencia.

    Geométricamente, r es el coseno del ángulo entre los vectores muestrales centrados. Si r = 0, esos vectores son ortogonales. Esta ortogonalidad muestral no equivale a independencia probabilística; tampoco debe confundirse con independencia lineal de vectores. Bajo normalidad conjunta bivariada sí existe la equivalencia entre correlación poblacional nula e independencia, pero la normalidad marginal de cada variable por separado no basta.

    [12]
    2026-11-02T13:35:34.325588 image/svg+xml Matplotlib v3.10.8, https://matplotlib.org/ 0 2 4 6 8 10 X 0 2 4 6 8 10 12 Y r = 0.997 ρs = 1.000 A · Relación lineal 0 2 4 6 8 10 X −25 0 25 50 75 100 125 150 175 Y r = 0.865 ρs = 1.000 B · Monótona y curva −6 −4 −2 0 2 4 6 X −5 0 5 10 15 20 25 30 Y r = -0.000 ρs = 0.000 C · Dependencia sin correlación lineal 0 5 10 15 20 X −2 0 2 4 6 8 10 12 Y r = -0.000 ρs = 0.500 D · Un punto influyente
    Figura 1. Datos construidos para comparar patrones. En C, Y = X²: la forma de U revela dependencia aunque Pearson sea cero. En D, un único punto altera una relación previamente perfecta. Los coeficientes son resúmenes de estos puntos, no pruebas de causalidad.

    Conviene inspeccionar los puntos antes de seleccionar el coeficiente: linealidad, monotonía, valores influyentes, agrupamientos y restricciones del rango pueden producir interpretaciones muy distintas. Ninguno de los tres coeficientes considerados constituye un detector universal de dependencia.

    04 · Spearman: correlación entre rangos

    rs = Cor(RX, RY)(4)

    Spearman sustituye las magnitudes por posiciones ordenadas. Una relación estrictamente creciente conserva los órdenes y alcanza +1 cuando no hay discordancias de rangos; una decreciente alcanza −1. Al utilizar el orden, una transformación estrictamente creciente de una variable conserva su coeficiente. Una asociación monótona puede ser curva: aumentar X puede acompañarse de aumentos cada vez mayores de Y.

    rs = 1 − 6∑ di²n(n² − 1)   (sin empates)(5)

    En la fórmula abreviada, di es la diferencia entre los dos rangos de la observación i. Las discrepancias de orden reducen el coeficiente respecto del máximo. Con empates se asignan rangos promedio y se calcula Pearson sobre esos rangos; no se aplica automáticamente la fórmula abreviada. Los métodos por rangos reducen la influencia de magnitudes extremas, pero no eliminan todos los problemas de datos, diseño o interpretación.

    [1]

    05 · Kendall: concordancia, discordancia y empates

    Con n observaciones hay n(n − 1)/2 pares de observaciones. Un par es concordante cuando la observación mayor en X también es mayor en Y; es discordante cuando el orden se invierte. Si existe igualdad, el par requiere un tratamiento específico.

    τa = C − Dn(n − 1)/2   (sin empates)
    τb = C − D√[(C + D + TX)(C + D + TY)](6)

    C y D son los conteos concordantes y discordantes; TX cuenta empates solo en X y TY empates solo en Y. Los pares empatados en ambas variables no contribuyen a esos cuatro conteos. Sin empates, τ puede interpretarse como diferencia entre las probabilidades de concordancia y discordancia para un par aleatorio. La versión τb normaliza atendiendo a los empates y es la que calcula cor(..., method = "kendall").

    Ejemplo mínimo con un empate en X
    ObservaciónXYRango XRango Y
    11111
    2232.53
    3222.52
    44444

    En este ejemplo C = 5, D = 0, TX = 1 y TY = 0. Se obtiene τb = 5/√30 ≈ 0.912871 y Spearman ≈ 0.948683. Los números difieren porque resumen objetos distintos; no conviene evaluar su fuerza mediante umbrales idénticos sin justificación.

    [3]

    06 · Elegir una medida y definir sus supuestos

    MedidaQué resumeQué revisar
    PearsonAsociación lineal entre magnitudesDispersión, puntos influyentes, rango observado y modelo de inferencia.
    SpearmanAsociación por rangos, sensible a monotoníaOrden significativo, empates y método de cálculo del valor p.
    KendallBalance de concordancias y discordanciasEmpates, versión de τ y aproximación de la prueba.

    La decisión debe responder a la pregunta sustantiva y al patrón esperado. Una prueba de normalidad aislada no decide automáticamente qué coeficiente tiene sentido. Pearson sigue siendo un resumen lineal calculable con datos no normales; lo que puede fallar es una inferencia clásica aplicada sin atender al modelo.

    La prueba t exacta de Pearson bajo correlación nula se justifica para pares independientes procedentes del modelo normal bivariado. En la formulación equivalente de regresión con X fija, se trabaja con errores normales independientes y varianza constante. Son marcos relacionados, pero no se sustituyen por comprobar únicamente la normalidad de Y. Los métodos por rangos también requieren un esquema de muestreo y observaciones independientes para sus pruebas ordinarias.

    Con medidas repetidas, conglomerados, series temporales o selección compleja se necesitan procedimientos que respeten esa estructura. Un coeficiente calculado ignorándola puede describir los puntos sin que su valor p habitual sea válido.

    07 · Datos completos y cálculo manual en R

    Se mantienen dos contextos didácticos: condiciones de un proceso de vinilación y asociación entre actividad y metabolismo animal. En el contexto industrial interesa cómo temperatura y presión se relacionan con el porcentaje de conversión; esas asociaciones no identifican por sí mismas las condiciones óptimas de un proceso multivariable.

    # Illustrative data, not the missing original CSV files.
    vinylation <- data.frame(
      temperature = c(60,65,70,75,80,85,90,95),
      pressure = c(2,4,3,5,4,6,5,7),
      conversion = c(22,29,27,38,43,41,52,56)
    )
    activity <- data.frame(
      activity_index = c(2,3,3,4,5,5,6,7,7,8,9,9,10,11,11,12,13,14,14,15),
      metabolic_rate = c(12,14,13,15,18,16,19,21,20,22,25,23,26,29,27,30,31,34,32,35)
    )
    
    # Retain complete, finite pairs; record what was removed.
    prepare_pairs <- function(x, y) {
      stopifnot(is.numeric(x), is.numeric(y), length(x) == length(y))
      ok <- is.finite(x) & is.finite(y)
      x <- x[ok]; y <- y[ok]
      if (length(x) < 4L) stop("At least four complete pairs required.")
      if (sd(x) == 0 || sd(y) == 0) stop("A variable is constant.")
      list(x = x, y = y, n = length(x), removed = sum(!ok))
    }
    pairs_xy <- prepare_pairs(vinylation$temperature, vinylation$conversion)
    x <- pairs_xy$x; y <- pairs_xy$y; n <- pairs_xy$n
    pairs_xy[c("n", "removed")]
    

    El denominador n se obtiene después de seleccionar los pares válidos. La función informa cuántas observaciones se excluyeron y evita correlaciones con variables constantes. Eliminar casos completos es una decisión analítica, no una solución general al sesgo por datos ausentes: hay que estudiar por qué faltan.

    s_xy <- sum((x - mean(x)) * (y - mean(y))) / (n - 1)
    r <- s_xy / (sd(x) * sd(y))
    c(covariance = s_xy, pearson = r)
    stopifnot(isTRUE(all.equal(s_xy, cov(x, y))),
              isTRUE(all.equal(r, cor(x, y))))
    
    S <- cov(vinylation)
    S                         # Variances on the diagonal.
    cor(vinylation)            # Pearson by default.
    cor(vinylation, method = "spearman")
    cor(vinylation, method = "kendall")
    stopifnot(isTRUE(all.equal(cov2cor(S), cor(vinylation))))
    

    En el ejemplo industrial, sXY = 142.857143 y r = 0.971057. Se observa una alineación positiva marcada en ocho puntos ilustrativos; el pequeño tamaño muestral limita la evaluación de supuestos. En la matriz de covarianzas, la diagonal contiene varianzas y las posiciones exteriores contienen covarianzas. En la matriz de correlación, la diagonal es 1 para variables no constantes.

    Para comparar matrices con datos ausentes conviene mantener una muestra común y documentada. La eliminación por pares puede usar observaciones diferentes para cada celda y producir una matriz que no sea semidefinida positiva.

    rx <- rank(x, ties.method = "average")
    ry <- rank(y, ties.method = "average")
    rho_s <- cor(rx, ry)
    stopifnot(isTRUE(all.equal(rho_s, cor(x, y, method = "spearman"))))
    
    # Formula without ties: use only when neither variable has ties.
    if (!anyDuplicated(x) && !anyDuplicated(y)) {
      rho_short <- 1 - 6 * sum((rx - ry)^2) / (n * (n^2 - 1))
      stopifnot(isTRUE(all.equal(rho_s, rho_short)))
    }
    
    kendall_manual <- function(x, y) {
      ij <- combn(seq_along(x), 2)
      sx <- sign(x[ij[1, ]] - x[ij[2, ]])
      sy <- sign(y[ij[1, ]] - y[ij[2, ]])
      C <- sum(sx * sy > 0); D <- sum(sx * sy < 0)
      Tx <- sum(sx == 0 & sy != 0)  # Tied only on x.
      Ty <- sum(sy == 0 & sx != 0)  # Tied only on y.
      den <- sqrt((C + D + Tx) * (C + D + Ty))
      if (den == 0) return(NA_real_)
      (C - D) / den
    }
    tau_b <- kendall_manual(x, y)
    stopifnot(isTRUE(all.equal(tau_b, cor(x, y, method = "kendall"))))
    c(pearson = r, spearman = rho_s, kendall = tau_b)
    
    # Small, tied example: average ranks and pair counts are inspectable.
    u <- c(1, 2, 2, 4); v <- c(1, 3, 2, 4)
    data.frame(u, v, rank_u = rank(u), rank_v = rank(v))
    c(spearman = cor(u, v, method = "spearman"),
      kendall = kendall_manual(u, v))
    

    Los mismos ocho pares producen Spearman = 0.952381 y Kendall = 0.857143. El código hace explícitos los rangos y los conteos de pares, y contrasta las fórmulas manuales con las funciones de R. Los cálculos automáticos no sustituyen la comprensión del objeto estimado.

    08 · Inferencia: hipótesis, valores p y decisiones

    H0: ρ = 0   frente a   H1: ρ ≠ 0
    t = r √[n − 21 − r²],   gl = n − 2(7)

    La muestra aporta r; el contraste evalúa una afirmación sobre ρ. Bajo los supuestos clásicos y H0, el estadístico sigue una distribución t de Student con n − 2 grados de libertad. Para una alternativa bilateral se suman las probabilidades de ambas colas, por eso el código usa el valor absoluto de t.

    El valor p es la probabilidad, bajo el modelo nulo especificado, de obtener un estadístico al menos tan extremo como el observado. No es P(H0 | datos), ni la probabilidad de que el resultado se deba al azar, ni el tamaño del efecto. Un nivel α se fija como parte del procedimiento: el error tipo I consiste en rechazar una hipótesis nula verdadera. No debe interpretarse el p observado como una probabilidad personalizada de haber cometido ese error.

    Si el criterio preestablecido es p ≤ α, se rechaza H0 cuando se cumple. En caso contrario, no se rechaza: la ausencia de evidencia suficiente no prueba correlación exactamente nula. Tampoco un resultado significativo demuestra asociación fuerte, relevancia clínica o causalidad.

    [5]

    Las pruebas por rangos distinguen procedimientos exactos y aproximados. Los empates condicionan qué cálculos están disponibles; exact = FALSE explicita una aproximación en los ejemplos que los contienen. No conviene presentar una transformación t de Spearman como si fuera exacta en toda muestra. En R, incluso la opción denominada exact para Spearman puede utilizar aproximaciones según el tamaño muestral.

    [2]

    09 · Intervalos de confianza: la transformación de Fisher

    zr = atanh(r) = ½ ln[1 + r1 − r]
    EE(zr) ≈ 1√(n − 3)(8)

    El coeficiente r está acotado y su distribución muestral puede ser asimétrica, especialmente cerca de ±1. Fisher lo lleva a una escala no acotada cuya distribución se aproxima a una normal y cuya varianza es aproximadamente estable respecto de ρ. El error estándar mostrado pertenece a esa escala transformada.

    ICz = zr ± z1−α/2√(n − 3)
    ICρ = [tanh(Lz), tanh(Uz)](9)

    Primero se transforma, después se construye el intervalo y finalmente se invierten sus extremos. Así los límites quedan en la escala de correlación. La aproximación requiere n > 3 y |r| < 1; es sensible al modelo y al tamaño muestral. Un intervalo del 95 % se interpreta mediante la cobertura de ese procedimiento en repeticiones del muestreo, no como una probabilidad frecuentista del 95 % asignada al parámetro fijo después de observar los datos.

    [11]
    if (abs(r) >= 1) stop("Perfect correlation: inspect the data separately.")
    t_stat <- r * sqrt((n - 2) / (1 - r^2))
    p_two <- 2 * pt(-abs(t_stat), df = n - 2)
    alpha <- 0.05
    z_r <- atanh(r)
    ci_r <- tanh(z_r + c(-1, 1) * qnorm(1 - alpha/2) / sqrt(n - 3))
    pearson_test <- cor.test(x, y, method = "pearson", conf.level = 1-alpha)
    c(t = t_stat, df = n-2, p = p_two, lower = ci_r[1], upper = ci_r[2])
    stopifnot(isTRUE(all.equal(p_two, pearson_test$p.value)),
              isTRUE(all.equal(as.numeric(ci_r), as.numeric(pearson_test$conf.int))))
    
    # Ties: explicitly request approximations rather than exact p-values.
    cor.test(activity$activity_index, activity$metabolic_rate,
             method = "pearson")
    cor.test(activity$activity_index, activity$metabolic_rate,
             method = "spearman", exact = FALSE)
    cor.test(activity$activity_index, activity$metabolic_rate,
             method = "kendall", exact = FALSE)
    
    # Quantile comparison, not a correlation-confidence-interval recipe.
    cbind(df = c(6, 30, 1000), t975 = qt(.975, c(6, 30, 1000)),
          normal975 = qnorm(.975))
    

    Para los datos industriales: t = 9.958592, gl = 6, p ≈ 0.00005931 e IC del 95 % de Fisher ≈ [0.843728, 0.994925]. Son resultados ilustrativos bajo el modelo descrito. El código contrasta el cálculo manual con cor.test(); sus intervalos ordinarios se ofrecen para Pearson, no automáticamente para las otras dos medidas.

    El ejemplo biológico produce Pearson ≈ 0.994995, Spearman ≈ 0.997742 y Kendall ≈ 0.984084. Es una serie construida con asociación muy marcada, no una estimación sobre animales reales. La convergencia de los cuantiles t hacia los normales cuando aumentan los grados de libertad es un hecho separado: no justifica construir un intervalo para ρ como r ± un cuantil multiplicado por el denominador del estadístico t.

    10 · Dispersión, regresión y diagnóstico

    old_par <- par(mfrow = c(2, 2))
    plot(conversion ~ temperature, data = vinylation,
         xlab = "Temperature (illustrative units)", ylab = "Conversion (%)", pch = 19)
    fit_temp <- lm(conversion ~ temperature, data = vinylation)
    abline(fit_temp, col = "#8b4513", lwd = 2)
    plot(conversion ~ pressure, data = vinylation,
         xlab = "Pressure (illustrative units)", ylab = "Conversion (%)", pch = 19)
    fit_pressure <- lm(conversion ~ pressure, data = vinylation)
    abline(fit_pressure, col = "#8b4513", lwd = 2)
    plot(fitted(fit_temp), residuals(fit_temp),
         xlab = "Fitted conversion", ylab = "Residual", pch = 19)
    abline(h = 0, lty = 2)
    qqnorm(residuals(fit_temp)); qqline(residuals(fit_temp))
    par(old_par)
    
    # y = x^2: strong dependence, zero sample Pearson on a symmetric grid.
    grid_x <- seq(-2, 2, length.out = 101)
    c(pearson = cor(grid_x, grid_x^2),
      spearman = cor(grid_x, grid_x^2, method = "spearman"))
    

    La fórmula conversion ~ temperature sitúa la conversión como respuesta; se conserva ese orden en el modelo y el gráfico. Pearson es simétrico en X e Y, pero una regresión no lo es: intercambiar la respuesta cambia el problema y generalmente la recta estimada.

    Un modelo lineal simple escribe Yi = β0 + β1Xi + εi. El intercepto está incluido por defecto; suprimirlo exige una justificación y altera identidades como R² = r². Más ampliamente, «lineal» se refiere a los parámetros: lm(y ~ x + I(x^2)) sigue siendo lineal en sus coeficientes aunque describa una curva.

    MCO: minimizar ∑ ei²
    MCP: minimizar ∑ wiei²(10)

    Los residuos ei son diferencias entre respuesta observada y ajustada. En mínimos cuadrados ponderados se proporcionan pesos; no se estiman automáticamente como parte de esa minimización. Si las varianzas son conocidas salvo un factor común, suelen usarse pesos inversamente proporcionales a ellas. Pesos enteros de frecuencia o medias agrupadas necesitan cuidado con la variación interna y los grados de libertad.

    lm() también acepta una matriz de respuestas y ajusta cada columna; esto no transforma los pesos en réplicas independientes. La inspección de residuos, el diseño y el conocimiento sustantivo importan más que la mera presencia de una recta dibujada sobre los datos.

    [10]

    11 · De las magnitudes a las categorías: tablas de contingencia

    Una tabla de contingencia organiza conteos de unidades por categorías cruzadas. Para un ensayo de dos grupos y un desenlace binario puede utilizarse la siguiente orientación: filas para tratamiento, columnas para evento. Cada participante contribuye a una sola celda; el período de seguimiento se mantiene comparable.

    Tabla 1. Ensayo hipotético: los conteos no pertenecen al estudio histórico
    GrupoEventoSin eventoTotal
    Aspirina ilustrativa201,9802,000
    Placebo ilustrativo401,9602,000
    Total603,9404,000

    En esta orientación, prop.table(trial, 1) calcula proporciones de desenlace dentro de cada grupo. En cambio, prop.table(trial, 2) calcula la composición por grupo dentro de cada desenlace. Sin margen se obtienen proporciones conjuntas. Ninguna de estas instrucciones produce por sí sola el riesgo relativo.

    Las frecuencias observadas Oij son los datos. Bajo independencia, las frecuencias esperadas se obtienen a partir de los márgenes:

    Eij = ni+n+jN(11)

    ni+ es el total de la fila i, n+j el de la columna j y N el total general. La fórmula aplica a cada fila la proporción marginal de cada categoría de desenlace. Aquí se esperan 30 eventos y 1,970 no eventos por grupo bajo H0. Los esperados pueden ser fraccionarios: son valores medios teóricos, no nuevos participantes.

    12 · Chi-cuadrado, Yates y Fisher: qué se está contrastando

    X² = ∑i,j (Oij − Eij)²Eij
    gl = (F − 1)(C − 1)(12)

    Cuadrar evita la cancelación de discrepancias positivas y negativas; dividir por Eij las expresa en relación con el tamaño esperado. F y C son el número de filas y columnas. Bajo H0 y condiciones de aproximación adecuadas, X² se compara con una distribución chi-cuadrado. No se está correlacionando el número asignado a cada categoría.

    La distribución χ²ν es la de una suma de cuadrados de ν normales estándar independientes. Aparece en bondad de ajuste, independencia y, bajo normalidad, inferencia sobre varianzas. En la tabla, el estadístico tiene una distribución chi-cuadrado aproximada; la definición de la distribución no convierte cualquier suma de cuadrados en una χ² exacta.

    # Hypothetical trial: 2,000 participants per arm, same follow-up.
    # These counts are not results of the historical aspirin trial.
    trial <- matrix(c(20, 1980, 40, 1960), nrow = 2, byrow = TRUE,
      dimnames = list(group = c("Aspirin", "Placebo"),
                      outcome = c("Event", "No_event")))
    addmargins(trial)
    prop.table(trial, margin = 1) # Outcome proportions within each arm.
    prop.table(trial, margin = 2) # Arm composition within each outcome.
    addmargins(prop.table(trial)) # Joint proportions and marginal totals.
    
    # Equivalent representation with aggregated frequencies.
    trial_long <- data.frame(
      group = factor(c("Aspirin", "Aspirin", "Placebo", "Placebo"),
                     levels = c("Aspirin", "Placebo")),
      outcome = factor(c("Event", "No_event", "Event", "No_event"),
                       levels = c("Event", "No_event")),
      freq = c(20, 1980, 40, 1960))
    from_long <- xtabs(freq ~ group + outcome, data = trial_long)
    stopifnot(all(from_long == trial))
    
    expected <- outer(rowSums(trial), colSums(trial)) / sum(trial)
    contributions <- (trial - expected)^2 / expected
    X2 <- sum(contributions)
    df_chi <- (nrow(trial)-1) * (ncol(trial)-1)
    p_chi <- pchisq(X2, df = df_chi, lower.tail = FALSE)
    chi_test <- chisq.test(trial, correct = FALSE)
    expected; contributions
    c(X2 = X2, df = df_chi, p = p_chi)
    stopifnot(isTRUE(all.equal(X2, unname(chi_test$statistic))),
              isTRUE(all.equal(p_chi, chi_test$p.value)))
    
    # Sensitivity comparison; choose the primary method before examining p.
    c(pearson = chi_test$p.value,
      yates = chisq.test(trial, correct = TRUE)$p.value,
      fisher = fisher.test(trial)$p.value)
    fisher.test(trial) # Conditional OR estimate and confidence interval.
    

    El ejemplo da X² ≈ 6.768190, gl = 1 y p ≈ 0.009280 sin corrección. Yates produce p ≈ 0.013455 y Fisher bilateral p ≈ 0.012806. Los tres rechazan al nivel 0.05 en este ejemplo. La comparación informa sobre el procedimiento; no autoriza escoger después el método cuyo p convenga.

    R aplica Yates por defecto en tablas 2 × 2. Su modificación reduce las discrepancias absolutas antes de elevarlas al cuadrado y puede volver conservadora la prueba. Conteos esperados pequeños son una señal para revisar la aproximación, no una orden universal de aplicar Yates. Deben considerarse el diseño, la configuración de la tabla y alternativas exactas o simuladas.

    [6][13]

    Fisher construye una distribución condicional dados los márgenes. Bajo la hipótesis nula de OR = 1, el conteo A de la primera celda sigue una hipergeométrica:

    P(A = k | márgenes) = binom(n1, k) binom(n0, m − k)binom(N, m)(13)

    n1 y n0 son los tamaños de los grupos; m es el total de eventos y N = n1 + n0. «binom(n,k)» cuenta maneras de elegir k elementos entre n. El numerador distribuye los m eventos entre ambos grupos y el denominador cuenta todas las asignaciones compatibles. Para esta parametrización E[A] = n1m/N y Var(A) = n1(m/N)(1 − m/N)(N − n1)/(N − 1).

    La hipergeométrica expresa asignaciones sin reemplazo dentro de un total finito; una binomial presupone ensayos independientes con probabilidad constante. Cuando la fracción muestreada es pequeña, puede ser una aproximación útil. Condicionar en los márgenes no implica que ambos se hayan fijado por diseño: en un ensayo, el total de eventos suele ser aleatorio. Fisher es una inferencia condicional, no la única inferencia posible.

    [7]

    Para tablas grandes y dispersas puede utilizarse simulación condicional documentando el número de réplicas y la semilla. Si los datos son pareados, como un desenlace antes y después en las mismas personas, las pruebas ordinarias de independencia no respetan el diseño; en una tabla binaria pareada correspondería considerar McNemar.

    13 · Riesgo, momios y tamaño del efecto

    Escribamos la tabla como (a,b) en la primera fila y (c,d) en la segunda: eventos y no eventos del tratamiento, seguidos de eventos y no eventos del control. Cada medida responde a una pregunta distinta.

    MedidaDefiniciónInterpretación
    Riesgop₁ = a/(a+b); p₀ = c/(c+d)Probabilidad del evento durante el seguimiento especificado.
    Momios u oddsp/(1−p)Razón de eventos respecto de no eventos.
    Riesgo relativoRR = p₁/p₀Comparación multiplicativa de riesgos.
    Razón de momiosOR = (a/b)/(c/d) = ad/(bc)Comparación multiplicativa de momios.
    Diferencia de riesgosDR = p₁−p₀Cambio absoluto en la probabilidad.
    Reducción absolutaRAR = p₀−p₁Disminución absoluta para un evento adverso.
    Reducción relativaRRR = 1−RRDisminución proporcional respecto del riesgo control.
    Número necesario a tratarNNT = 1/RAR, si RAR > 0Personas tratadas por un evento adverso evitado en el período.

    Con los conteos ilustrativos, p1 = 1 % y p0 = 2 %: 10 frente a 20 eventos por cada mil participantes. RR = 0.50, OR ≈ 0.494949, RAR = 0.01 y RRR = 50 %. La reducción absoluta es un punto porcentual, no cincuenta puntos. El NNT estimado es 100 durante el seguimiento supuesto, bajo una interpretación causal justificada.

    Los momios multiplicados por mil comparan eventos con mil no eventos; para expresar eventos por cada mil participantes se multiplica el riesgo por mil. El OR se aproxima al RR con riesgos pequeños en ambos grupos, pero puede diferir mucho con eventos frecuentes. El OR es compatible con inferencia frecuentista o bayesiana: su definición no pertenece exclusivamente a una de ellas.

    [8]

    Un tamaño del efecto refleja cuantitativamente la magnitud de un fenómeno relevante para una pregunta. Puede ser una correlación, una diferencia o una razón. El mismo valor p puede acompañar magnitudes distintas; también una magnitud parecida puede tener incertidumbre muy diferente según el tamaño y la calidad del estudio. La pertinencia epistemológica y las propiedades matemáticas de la medida deben considerarse juntas.

    [4]
    ICRR = exp{ln(RR) ± z · √[1/a − 1/n1 + 1/c − 1/n0]}
    ICOR = exp{ln(OR) ± z · √[1/a + 1/b + 1/c + 1/d]}(14)

    Estos intervalos aproximados se calculan en escala logarítmica porque las razones positivas suelen tener distribuciones asimétricas. Para DR se muestra una aproximación de Wald no agrupada, con EE = √[p1(1−p1)/n1 + p0(1−p0)/n0]. Son métodos pedagógicos transparentes, no soluciones universales para conteos escasos o celdas nulas; en esas situaciones se requieren alternativas apropiadas, como métodos de puntuación o exactos según la medida.

    a <- trial["Aspirin", "Event"]; b <- trial["Aspirin", "No_event"]
    c0 <- trial["Placebo", "Event"]; d <- trial["Placebo", "No_event"]
    n1 <- a+b; n0 <- c0+d
    p1 <- a/n1; p0 <- c0/n0
    RR <- p1/p0; OR <- (a*d)/(b*c0)
    RD <- p1-p0; ARR <- p0-p1; RRR <- 1-RR
    
    # Large-sample log intervals: all four counts must be positive here.
    stopifnot(all(trial > 0))
    zcrit <- qnorm(.975)
    se_log_RR <- sqrt(1/a - 1/n1 + 1/c0 - 1/n0)
    se_log_OR <- sqrt(1/a + 1/b + 1/c0 + 1/d)
    ci_RR <- exp(log(RR) + c(-1, 1)*zcrit*se_log_RR)
    ci_OR <- exp(log(OR) + c(-1, 1)*zcrit*se_log_OR)
    se_RD <- sqrt(p1*(1-p1)/n1 + p0*(1-p0)/n0)
    ci_RD <- RD + c(-1, 1)*zcrit*se_RD # Unpooled Wald approximation.
    ci_ARR <- -rev(ci_RD)
    NNT <- if (ARR > 0) 1/ARR else NA_real_
    ci_NNT <- if (all(ci_ARR > 0)) 1/rev(ci_ARR) else c(NA_real_, NA_real_)
    rbind(RR = c(RR, ci_RR), OR = c(OR, ci_OR), RD = c(RD, ci_RD))
    c(ARR = ARR, RRR = RRR, NNT = NNT)
    ci_NNT
    
    Tabla 2. Incertidumbre del ensayo construido; métodos indicados en el código
    MedidaEstimaciónIC aproximado del 95 %
    RR0.500000[0.293372, 0.852161]
    OR muestral0.494949[0.288322, 0.849659]
    DR−0.010000[−0.017527, −0.002473]
    NNT100[57.05, 404.43] antes de redondear

    El intervalo del NNT invierte los extremos del intervalo positivo de RAR; si este cruza cero, la inversión pasa por infinito y no debe publicarse como un intervalo finito ordinario. Para comunicar personas enteras suele redondearse el NNT hacia arriba. El OR condicional que devuelve fisher.test() y su intervalo pertenecen a otro procedimiento y pueden diferir del OR muestral ad/bc y su intervalo logarítmico.

    14 · Qué añade realmente un ensayo clínico

    La aleatorización busca que la asignación del tratamiento no dependa de características pronósticas; el ocultamiento de esa asignación protege el reclutamiento y el cegamiento reduce determinadas influencias posteriores. Son mecanismos distintos. El protocolo debe definir población, desenlace, seguimiento, comparación y análisis antes de observar los resultados.

    El análisis por intención de tratar conserva a las personas en el grupo asignado y orienta la estimación hacia el efecto de esa asignación. No elimina los problemas de datos ausentes ni de adherencia. Las pérdidas de seguimiento, los eventos competitivos, las desviaciones del protocolo y el análisis de múltiples desenlaces requieren atención específica. Una tabla 2 × 2 puede simplificar excesivamente un estudio con tiempos de seguimiento diferentes o censura.

    [9]

    Un efecto relativo favorable debe leerse junto con el riesgo basal, la diferencia absoluta, los eventos adversos y la población estudiada. El ejemplo enseña análisis estadístico de un ensayo hipotético; por sí mismo no establece una indicación clínica individual ni permite extrapolar automáticamente los resultados de una población a otra.

    15 · Cómo informar resultados sin perder su significado

    Un informe claro identifica la pregunta y el diseño; describe las variables y sus unidades; presenta el gráfico o la tabla; declara el método, el tamaño efectivo de muestra y el tratamiento de empates o datos ausentes; informa estimación, intervalo y valor p cuando corresponda; y termina delimitando la interpretación.

    La fuerza de una conclusión depende de la correspondencia entre pregunta, diseño, medida e inferencia.

    Para la serie industrial puede escribirse: «En ocho pares de datos ilustrativos se obtuvo r = 0.9711, con IC aproximado del 95 % [0.8437, 0.9949], mediante Fisher; el contraste clásico bilateral dio p ≈ 0.0000593. El resultado describe asociación lineal positiva bajo el modelo especificado y no identifica un efecto causal de la temperatura».

    Para el ensayo construido: «Durante un seguimiento común supuesto, el evento ocurrió en 20/2,000 y 40/2,000 participantes; RR = 0.50 e IC logarítmico aproximado del 95 % [0.2934, 0.8522], con diferencia de riesgos de −1 punto porcentual». La magnitud absoluta sigue siendo necesaria aunque se informe un valor p.

    Al explorar muchas correlaciones conviene distinguir análisis exploratorio y confirmatorio y considerar multiplicidad. No se debe seleccionar el coeficiente, la dirección del contraste o la muestra únicamente para obtener significancia.

    16 · Reproducibilidad y referencias

    Los bloques de R se ejecutan en el orden de lectura, en una sesión nueva, con funciones de R base y del paquete stats, incluido en la instalación habitual. No requieren archivos externos, rutas personales ni paquetes adicionales. Los nombres de objetos y las etiquetas del código se mantienen iguales entre idiomas para facilitar su comparación.

    # Numerical checks of the transparent examples.
    stopifnot(n == 8L, abs(s_xy - 1000/7) < 1e-10,
              abs(RR - 0.5) < 1e-12, abs(ARR - 0.01) < 1e-12,
              abs(X2 - 6.7681895093) < 1e-8,
              abs(kendall_manual(u, v) - 5/sqrt(30)) < 1e-12)
    sessionInfo()
    

    Los controles numéricos contrastan fórmulas manuales y funciones incorporadas. sessionInfo() registra la versión y el entorno, necesarios para documentar diferencias de implementación. Las cifras impresas en el artículo se redondean; los cálculos conservan precisión numérica.

    La bibliografía siguiente permite ampliar el fundamento de las medidas y verificar el comportamiento de R. Se conserva la fecha original de la entrada como referencia editorial; la revisión desarrolla y corrige su contenido.

    Referencias y documentación

    1. R Core Team. Correlation, Variance and Covariance; cor(), cov(), cov2cor().
    2. R Core Team. Test for Association/Correlation Between Paired Samples; cor.test().
    3. Taylor, J. M. G. (1987). Kendall’s and Spearman’s Correlation Coefficients in the Presence of a Blocking Variable. Biometrics, 43, 409–416.
    4. Kelley, K., & Preacher, K. J. (2012). On effect size. Psychological Methods, 17(2), 137–152. DOI: 10.1037/a0028086.
    5. American Statistical Association (2016). Statement on Statistical Significance and P-Values: six principles.
    6. R Core Team. Pearson’s Chi-squared Test for Count Data; chisq.test().
    7. R Core Team. Fisher’s Exact Test for Count Data; fisher.test().
    8. Dicker, R. C. Analyzing and Interpreting Data. The CDC Field Epidemiology Manual, chapter 8.
    9. Steering Committee of the Physicians’ Health Study Research Group (1989). Final report on the aspirin component of the ongoing Physicians’ Health Study. New England Journal of Medicine, 321, 129–135. DOI: 10.1056/NEJM198907203210301.
    10. R Core Team. Fitting Linear Models; lm().
    11. Pennsylvania State University. STAT 509, Lesson 7: Early Phase Studies; correlation and Fisher transformation.
    12. Pennsylvania State University. STAT 414, Lesson 18: The Correlation Coefficient.
    13. Grizzle, J. E. (1967). Continuity Correction in the χ²-Test for 2 × 2 Tables. The American Statistician, 21(4), 28–32. DOI: 10.2307/2682103.
  • ANÁLISIS TEÓRICO DE LA FUNCIÓN CUANTIL EN R STUDIO

    ANÁLISIS TEÓRICO DE LA FUNCIÓN CUANTIL EN R STUDIO

    Estadística matemática · Teoría y práctica en R

    La Función Cuantil en R

    Fundamentos teóricos, interpretación probabilística y aplicaciones

    Publicado originalmente el 5 de septiembre de 2021
    Versión revisada y ampliada · 29 de octubre de 2026

    Conocer una probabilidad y conocer el valor al que corresponde son problemas relacionados, pero distintos. Podemos preguntar qué proporción de una distribución queda por debajo de una nota determinada; también podemos preguntar qué nota delimita una proporción previamente elegida. La función de distribución acumulada responde la primera pregunta. La función cuantil permite responder la segunda.

    Este artículo desarrolla esa relación desde su definición matemática hasta su uso en R. El ejemplo conductor conserva una distribución normal de calificaciones con media 72 y desviación estándar 15.2, y muestra por qué una probabilidad de 0.7850824 conduce aproximadamente a 84 al considerar la cola inferior y a 60 al considerar la superior. A partir de él se estudian los cuantiles discretos, los cuantiles muestrales y el papel de los valores críticos en la inferencia.

    1. Dos preguntas distintas

    Supongamos que una calificación se representa mediante una variable aleatoria X. Si fijamos una nota x, podemos calcular la probabilidad de que X sea menor o igual que ella. Si fijamos una probabilidad p, podemos buscar la nota que alcanza ese nivel acumulado. En un caso conocemos el umbral; en el otro, el nivel probabilístico.

    Del valor a la probabilidad y de la probabilidad al valor
    PreguntaFunción normalDevuelve
    ¿Qué probabilidad queda a la izquierda de x?pnorm(x, ...)Una probabilidad
    ¿Qué valor corresponde a la probabilidad acumulada p?qnorm(p, ...)Un umbral
    ¿Cuál es la densidad en x?dnorm(x, ...)Una altura de densidad
    ¿Cómo generar observaciones de ese modelo?rnorm(n, ...)n realizaciones pseudoaleatorias

    Los prefijos d, p, q y r organizan muchas de las familias probabilísticas disponibles en R. Para variables discretas, las funciones d…() devuelven masas de probabilidad; para variables continuas, densidades. Una altura de densidad no es la probabilidad de observar exactamente ese valor: en el caso continuo, las probabilidades se obtienen sobre intervalos. Véanse las referencias [1] y [2].

    2. La función de distribución acumulada

    Para toda variable aleatoria real X, su función de distribución acumulada se define como:

    FX(x)=P(X≤x),x∈ℝ

    Esta función es no decreciente y continua por la derecha; sus límites son 0 cuando x tiende a −∞ y 1 cuando tiende a +∞. Puede ser continua, presentar saltos o combinar ambas características. Su existencia no depende de que conozcamos una expresión elemental que permita evaluarla a mano.

    Para una normal estándar, la distribución acumulada se denota por Φ:

    Φ(z)=12π∫−∞ze−t2/2dt

    La integral está bien definida, aunque no posee una expresión mediante funciones elementales. En R, pnorm() permite evaluarla numéricamente y qnorm() permite obtener sus cuantiles. La utilidad de estos últimos se explica por la pregunta que resuelven, no por una supuesta ausencia de la función acumulada.

    La distribución acumulada parte de un valor y mide probabilidad; el cuantil parte de una probabilidad y localiza un valor.

    3. La función cuantil como inversa generalizada

    Para cubrir también distribuciones con saltos o tramos constantes, definimos el cuantil inferior mediante:

    QX(p)=inf{x∈ℝ:FX(x)≥p},0<p<1

    El símbolo inf indica el ínfimo: la mayor cota inferior del conjunto de valores cuya probabilidad acumulada alcanza o supera p. Para una variable aleatoria real y un nivel estrictamente entre 0 y 1, esta definición selecciona el primer umbral que satisface la condición.

    Si F es continua y estrictamente creciente, la función cuantil coincide con su inversa ordinaria y se cumple F(Q(p)) = p. Si hay saltos, esa igualdad puede fallar. La relación general relevante es:

    F(q−)≤p≤F(q),q=Q(p)

    Aquí, F(q−) = P(X < q) es el límite por la izquierda, mientras que F(q) = P(X ≤ q) incluye la masa que pueda concentrarse en el umbral. Por ello, en general el cuantil no deja exactamente una proporción p por debajo: asegura que el nivel acumulado se alcanza o se supera.

    Propiedades que ayudan a interpretar

    • Orden: si aumenta el nivel p, el cuantil no disminuye.
    • Unidades: si X mide notas, ingresos o tiempos, el cuantil conserva esas unidades.
    • Posición: Q(0.5) es una elección de mediana; Q(0.25) y Q(0.75) son los cuantiles asociados a los cuartiles primero y tercero.
    • Convención: cuando una distribución admite varias medianas, la definición anterior selecciona una de ellas. Conviene declarar la convención utilizada.

    También se utilizan los nombres función de punto porcentual e inversa de la distribución acumulada. Un percentil corresponde a expresar el nivel p en una escala de cien: el percentil 95 se asocia a p = 0.95. En muestras finitas, su cálculo requiere además especificar un método.

    4. El ejemplo de las notas: una probabilidad y dos colas

    Supongamos que las calificaciones siguen, como modelo de trabajo, una distribución normal con media μ = 72 y desviación estándar σ = 15.2:

    X∼N(72,15.22)

    El segundo parámetro de esta notación es la varianza, σ². En cambio, el argumento sd de R recibe directamente la desviación estándar. Para esta familia se cumple:

    QX(p)=μ+σΦ−1(p),σ>0

    Esta identidad muestra que un cuantil normal estándar se transforma a la escala original multiplicándolo por σ y sumándole μ. La expresión qnorm(p) usa por defecto μ = 0 y σ = 1; al proporcionar otros parámetros, estamos trabajando con otra distribución normal, no con la normal estándar.

    4.1. Cola inferior: el umbral es aproximadamente 84

    Buscamos una nota cuya probabilidad acumulada inferior sea 0.7850824. La llamada y su verificación son:

    R · Cola inferior y comprobación

    p_objetivo <- 0.7850824
    mu_notas <- 72
    sigma_notas <- 15.2
    
    q_inferior <- qnorm(p_objetivo, mean = mu_notas,
                        sd = sigma_notas)
    q_inferior
    # Aproximadamente 84.00000012
    
    pnorm(q_inferior, mean = mu_notas, sd = sigma_notas)
    # Aproximadamente 0.7850824

    Bajo el modelo, aproximadamente el 78.50824 % de las calificaciones es menor o igual a 84. El valor devuelto está muy cerca de 84, pero no es idéntico en aritmética exacta: se ha proporcionado una probabilidad decimal redondeada.

    4.2. Cola superior: el umbral es aproximadamente 60

    Ahora buscamos un valor por encima del cual quede esa misma probabilidad. Se cambia la cola y se conserva el nivel solicitado:

    R · Cola superior y comprobación

    q_superior <- qnorm(p_objetivo, mean = mu_notas,
                        sd = sigma_notas, lower.tail = FALSE)
    q_superior
    # Aproximadamente 59.99999988
    
    pnorm(q_superior, mean = mu_notas,
          sd = sigma_notas, lower.tail = FALSE)
    # Aproximadamente 0.7850824
    
    pnorm(q_superior, mean = mu_notas, sd = sigma_notas)
    # Aproximadamente 0.2149176

    La lectura es: aproximadamente el 78.50824 % de la distribución está por encima de 60. Su probabilidad acumulada inferior es aproximadamente 0.2149176. Para esta distribución continua, incluir o excluir exactamente el umbral no altera la probabilidad, porque la masa de cualquier punto individual es cero.

    Una misma probabilidad, dos umbralesDos densidades normales. Arriba, el área a la izquierda de 84 es 0.7850824. Abajo, el área a la derecha de 60 es la misma. La media es 72 y la desviación estándar es 15.2.A · Cola inferior: P(X ≤ 84) ≈ 0.7850824244860728496120Nota xDensidad f(x) · el área representa probabilidadB · Cola superior: P(X > 60) ≈ 0.7850824244860728496120Nota xDensidad f(x) · el área representa probabilidad
    Figura 1. La superficie coloreada representa aproximadamente el 78.50824 % en ambos paneles. La distribución es la misma; cambian la cola y el umbral. La curva se muestra en un rango finito para facilitar la lectura.

    En una normal, la simetría explica que ambos umbrales estén a la misma distancia de la media: 84 − 72 = 72 − 60 = 12, salvo el redondeo numérico. Esa simetría es una propiedad de este modelo; no debe suponerse para toda distribución.

    Una misma probabilidad p = 0.7850824
    Cola solicitadaUmbralProbabilidad bajo el modelo
    Inferior≈ 84P(X ≤ 84) ≈ 0.7850824
    Superior≈ 60P(X > 60) ≈ 0.7850824
    Inferior del segundo umbral≈ 60P(X ≤ 60) ≈ 0.2149176
    De la probabilidad al umbral en la distribución acumuladaLa curva F(x) es creciente. Una línea horizontal parte de p igual a 0.7850824 hasta la curva y una vertical desciende hasta x igual a 84.00,250,50,7512448728496120F(x) = P(X ≤ x)p = 0.7850824Q(p) ≈ 84Nota x
    Figura 2. pnorm() recorre la relación desde el valor hacia la probabilidad; qnorm() permite recorrerla desde la probabilidad hacia el valor.
    La curva de cuantiles normalesFunción Q(p) de una normal con media 72 y desviación estándar 15.2. Es creciente, pasa por p igual a 0.5 y nota 72, y por p igual a 0.7850824 y nota 84.36486072849610800,250,50,751Q(p): probabilidad → notaQ(0.5) = 72Q(0.7850824) ≈ 84Probabilidad acumulada p
    Figura 4. La curva cuantil toma probabilidades en el eje horizontal y devuelve notas en el vertical. En una normal no degenerada, sus límites son −∞ y +∞ al aproximarse a los extremos 0 y 1.

    4.3. ¿Es apropiada una normal para las notas?

    La normal tiene soporte en toda la recta real. Si las calificaciones están acotadas entre 0 y 100, el modelo asigna alguna probabilidad a valores imposibles. Con estos parámetros, la probabilidad por encima de 100 es aproximadamente 3.27 %: una discrepancia que merece examinarse, especialmente si interesan los percentiles altos.

    R · Probabilidad fuera de la escala 0–100

    p_menor_0 <- pnorm(0, mean = mu_notas, sd = sigma_notas)
    p_mayor_100 <- pnorm(100, mean = mu_notas,
                         sd = sigma_notas, lower.tail = FALSE)
    c(p_menor_0 = p_menor_0, p_mayor_100 = p_mayor_100)

    Su uso exige estudiar la forma de los datos y el propósito del análisis. Según el caso, puede ser más apropiado trabajar con cuantiles empíricos, una distribución truncada o un modelo sobre soporte acotado. El ejemplo ilustra el mecanismo de inversión; no valida automáticamente la normalidad de las calificaciones.

    5. Sintaxis, argumentos y precisión numérica en R

    Una llamada válida, con todos los argumentos principales explícitos, es:

    R · Llamada completa

    qnorm(p = 0.95, mean = 0, sd = 1,
          lower.tail = TRUE, log.p = FALSE)
    # Aproximadamente 1.644854
    Cómo interpretar los argumentos
    ArgumentoSignificadoCuidado principal
    pNivel de probabilidadUsar 0.95, no 95, para el 95 %
    meanMedia del modeloNo confundir con una estimación sin indicar su origen
    sdDesviación estándar del modeloNo es varianza ni error estándar
    lower.tailSelecciona la cola inferior o superiorLa probabilidad suministrada se interpreta en la cola elegida
    log.pIndica si la entrada es el logaritmo natural de la probabilidadNo pide devolver el logaritmo del cuantil

    La escritura explicativa «TRUE o FALSE» no se copia literalmente como argumento: en una llamada se escoge un valor lógico concreto. Es preferible escribir TRUE y FALSE completos. Los nombres abreviados T y F pueden reasignarse y resultar ambiguos en una sesión de trabajo.

    5.1. Colas complementarias

    En el caso normal, para un nivel interior p, el umbral superior corresponde al cuantil inferior de nivel 1 − p. Pero cambiar lower.tail devuelve otro valor, no la probabilidad complementaria como resultado. En colas extremas conviene proporcionar directamente la probabilidad de la cola de interés.

    R · Logaritmos y colas extremas

    qnorm(log(0.95), log.p = TRUE)
    # El mismo cuantil que qnorm(0.95)
    
    qnorm(1 - 1e-20)
    # Inf: la resta se redondea a 1
    
    qnorm(1e-20, lower.tail = FALSE)
    # Aproximadamente 9.26234
    
    qnorm(-1000, lower.tail = FALSE, log.p = TRUE)
    # Cuantil finito para una probabilidad superior exp(-1000)

    Restar una probabilidad diminuta de 1 puede producir 1 exactamente en la representación de punto flotante. Por eso qnorm(1 - 1e-20) puede devolver Inf, mientras que la llamada de cola superior conserva un umbral finito. Con log.p = TRUE se puede representar una probabilidad mediante su logaritmo aun cuando la probabilidad ordinaria sea demasiado pequeña para almacenarse con precisión útil.

    5.2. Vectorización y casos límite

    R · Varios niveles y extremos

    qnorm(c(0.025, 0.5, 0.975), mean = 72, sd = 15.2)
    # Aproximadamente: 42.20855  72.00000  101.79145
    
    qnorm(c(0, 1))
    # -Inf  Inf

    Para la interpretación normal no degenerada asumimos sd > 0. R también contempla sd = 0 como una masa puntual y señala los valores negativos de sd como inválidos. Un nivel probabilístico fuera de [0, 1] tampoco es válido cuando log.p = FALSE. Las opciones y los detalles numéricos se documentan en [2].

    6. Cuando la distribución tiene saltos

    Consideremos el número de éxitos en cuatro ensayos de Bernoulli independientes, cada uno con probabilidad de éxito 0.5. Para X ~ Binomial(4, 0.5), se obtiene:

    R · Cuantil binomial y probabilidades alcanzadas

    q_discreto <- qbinom(0.5, size = 4, prob = 0.5)
    q_discreto
    # 2
    
    pbinom(q_discreto - 1, size = 4, prob = 0.5)
    # 0.3125
    
    pbinom(q_discreto, size = 4, prob = 0.5)
    # 0.6875
    
    qbinom(0.5, size = 4, prob = 0.5, lower.tail = FALSE)
    # 2
    pbinom(2, size = 4, prob = 0.5, lower.tail = FALSE)
    # 0.3125

    No existe ningún valor con probabilidad acumulada exactamente igual a 0.5. Hasta 1 éxito se acumula 0.3125; al llegar a 2 se acumula 0.6875. Por eso el cuantil de nivel 0.5 es 2: se trata del menor valor que alcanza o supera el nivel solicitado. Esta es la definición operativa de qbinom(), descrita en [3].

    El cuantil en una distribución con saltosDistribución acumulada de una binomial con cuatro ensayos y probabilidad 0.5. F(1) es 0.3125, F(2) es 0.6875. El nivel 0.5 cae dentro de un salto y el cuantil es 2.00,250,50,75101234X ~ Binomial(4, 0.5)F(2) = 0.6875F(1) = 0.3125p = 0.5Número de éxitos x
    Figura 3. El primer valor que alcanza o supera 0.5 es 2. Los puntos llenos indican el valor incluido en cada escalón; los vacíos, el extremo excluido. Ningún resultado tiene probabilidad acumulada exactamente igual a 0.5.

    En este ejemplo, P(X < 2) = 0.3125, P(X ≤ 2) = 0.6875, P(X > 2) = 0.3125 y P(X ≥ 2) = 0.6875. Incluir el umbral cambia la probabilidad porque P(X = 2) = 0.375.

    7. Cuantiles teóricos y cuantiles muestrales

    qnorm() calcula cuantiles de una distribución normal especificada. quantile() trabaja con una muestra y un método de cálculo. Incluso si los datos parecen normales, ambas operaciones responden a construcciones diferentes: una depende del modelo y sus parámetros; la otra, de los datos ordenados y la convención elegida.

    Consideremos seis notas ilustrativas, creadas únicamente para mostrar los métodos de cálculo:

    R · Comparar dos métodos muestrales

    notas <- c(58, 65, 70, 72, 80, 91)
    niveles <- c(0.25, 0.5, 0.75)
    
    quantile(notas, probs = niveles, type = 1)
    # 25% 50% 75%
    #  65  70  80
    
    quantile(notas, probs = niveles, type = 7)
    #  25%   50%   75%
    # 66.25 71.00 78.00
    
    acumulada_empirica <- ecdf(notas)
    acumulada_empirica(70)
    # 0.5
    La misma muestra, dos métodos de cuantiles
    Niveltype = 1type = 7
    0.256566.25
    0.507071
    0.758078

    7.1. La distribución empírica y su inversa

    La distribución acumulada empírica asigna a cada umbral la proporción observada de datos menores o iguales que él:

    Fn(x)=1n∑i=1n𝟙{Xi≤x}

    La expresión 𝟙 representa una función indicadora: vale 1 cuando la condición se cumple y 0 cuando no se cumple. Para 0 < p ≤ 1, la inversa generalizada de esta función corresponde a type = 1. Si las observaciones ordenadas se denotan por x(1), …, x(n), devuelve x(⌈np⌉). Por ejemplo, con seis notas y p = 0.5, el índice es 3 y se obtiene 70.

    7.2. La interpolación predeterminada

    El método predeterminado de R es type = 7. Para una muestra finita de tamaño al menos dos, sitúa el nivel p en la posición h = 1 + (n − 1)p e interpola linealmente entre las observaciones adyacentes cuando esa posición no es entera. Así, para p = 0.25 se obtiene h = 2.25 y el resultado es 65 + 0.25(70 − 65) = 66.25.

    Para el nivel 0.5, la interpolación se sitúa entre 70 y 72 y devuelve 71. Ambos métodos siguen convenciones legítimas; no están resolviendo una discrepancia aritmética. El resultado interpolado tampoco tiene que coincidir con una nota observada.

    R ofrece nueve métodos de cuantiles muestrales. No es necesario desarrollar aquí todos sus algoritmos, pero sí declarar el elegido, especialmente al comparar resultados entre programas. La documentación oficial presenta las nueve definiciones y su relación con los estadísticos de orden; véase [4].

    7.3. Valores ausentes y trazabilidad

    R · Valores ausentes

    notas_con_na <- c(notas, NA_real_)
    sum(is.na(notas_con_na))
    # 1
    
    quantile(notas_con_na, probs = niveles,
             type = 7, na.rm = TRUE)
    # 66.25 71.00 78.00

    Eliminar valores ausentes permite efectuar el cálculo, pero no resuelve el problema de por qué faltan. En una investigación se deben informar el tamaño muestral utilizado, la política de tratamiento de ausencias, el nivel solicitado y el método de cuantiles. Si hay pesos de muestreo o un diseño complejo, el procedimiento también debe reflejarlos.

    8. Cuantiles, valores críticos e intervalos de confianza

    Las funciones de cuantiles intervienen en muchos procedimientos inferenciales porque permiten localizar valores críticos de una distribución de referencia. Sin embargo, llamar a qnorm() o qt() no construye por sí mismo un intervalo de confianza. Es necesario especificar qué parámetro se estima, qué estadístico se utiliza y bajo qué supuestos se conoce o aproxima su distribución.

    8.1. Un intervalo para la media

    Si X1, …, Xn son observaciones independientes de una misma distribución normal con media μ y varianza positiva desconocida, el pivote:

    T=X¯−μS/n∼tn−1

    sigue una distribución t de Student con n − 1 grados de libertad. Al invertir la desigualdad probabilística del pivote se obtiene el intervalo bilateral de confianza:

    X¯±t1−α/2,n−1Sn

    En esta fórmula, la media muestral es el estimador; S/√n es su error estándar estimado; y el cuantil t1−α/2,n−1 es el valor crítico calculado mediante qt(). Véanse [5] y [6].

    R · Intervalo t para la media

    notas <- c(58, 65, 70, 72, 80, 91)
    n <- length(notas)
    confianza <- 0.95
    alpha <- 1 - confianza
    media_muestral <- mean(notas)
    desviacion_muestral <- sd(notas)
    error_estandar <- desviacion_muestral / sqrt(n)
    critico_t <- qt(1 - alpha / 2, df = n - 1)
    
    ic_media <- media_muestral + c(-1, 1) *
      critico_t * error_estandar
    ic_media
    # Aproximadamente: 60.50649  84.82684
    
    ic_automatico <- t.test(notas, conf.level = confianza)$conf.int
    unname(ic_automatico)
    
    stopifnot(isTRUE(all.equal(
      as.numeric(ic_media), as.numeric(ic_automatico),
      tolerance = 1e-10
    )))

    Con estas seis notas ilustrativas, el intervalo al 95 % es aproximadamente [60.50649, 84.82684]. El cálculo se presenta para mostrar el procedimiento; una muestra tan pequeña exige examinar cuidadosamente la plausibilidad del supuesto normal. Para poblaciones no normales, el uso aproximado de este intervalo necesita justificación y puede ser problemático con asimetría intensa, colas pesadas, dependencia o valores atípicos influyentes.

    8.2. Tres objetos que no deben confundirse

    El objeto de interés determina el procedimiento
    ObjetoPreguntaEjemplo
    Intervalo central de una distribución¿Entre qué valores queda una proporción del modelo?Dos cuantiles normales de niveles 0.025 y 0.975
    Intervalo de confianza¿Cómo estimar un parámetro con cobertura especificada?Intervalo t para la media
    Intervalo de predicción¿Cómo acotar una observación futura con cobertura especificada?Procedimiento que incorpora la variación individual y la incertidumbre de estimación

    R · Intervalo central del modelo normal

    qnorm(c(0.025, 0.975), mean = 72, sd = 15.2)
    # Aproximadamente: 42.20855  101.79145
    # Intervalo central del modelo, no intervalo para su media

    Para una normal conocida con estos parámetros, el intervalo central del 95 % es aproximadamente [42.20855, 101.79145]. No es un intervalo de confianza para μ. El límite superior también recuerda la cautela necesaria cuando se aplica una normal a notas cuyo máximo real es 100.

    8.3. Valores críticos y valores p

    En una prueba bilateral sobre una media, el valor crítico se obtiene fijando un nivel α antes de evaluar el estadístico. El valor p se calcula a partir del estadístico observado y la distribución bajo la hipótesis nula. La letra p del argumento de qnorm() o qt() designa una probabilidad de entrada; no significa automáticamente «valor p de una prueba».

    R · Cuantil crítico y valor p bilateral

    mu_nula <- 72
    t_observado <- (media_muestral - mu_nula) / error_estandar
    p_bilateral <- 2 * pt(abs(t_observado), df = n - 1,
                          lower.tail = FALSE)
    
    c(t_observado = t_observado,
      critico_t = critico_t, p_bilateral = p_bilateral)
    
    abs(t_observado) > critico_t
    # FALSE
    p_bilateral < alpha
    # FALSE

    En el ejemplo, ambas decisiones coinciden: no se rechaza μ = 72 al nivel 0.05. Esto no demuestra que la hipótesis nula sea verdadera ni que sea imposible una diferencia sustantiva. El cálculo usa una distribución de referencia simétrica; para otros contrastes deben establecerse la cola, el estadístico y la distribución correspondientes.

    9. Simulación mediante la función cuantil

    La función cuantil también permite construir realizaciones de una distribución a partir de una variable uniforme. Si U tiene distribución uniforme en (0, 1), entonces QX(U) tiene la distribución acumulada FX. La definición mediante inversa generalizada permite aplicar este principio también a distribuciones discretas.

    R · Transformación inversa

    set.seed(2021)
    uniformes <- runif(1000)
    notas_simuladas <- qnorm(uniformes, mean = 72, sd = 15.2)
    
    mean(notas_simuladas)
    sd(notas_simuladas)
    # Aproximaciones muestrales a 72 y 15.2
    
    # Generación normal mediante la función específica:
    set.seed(2021)
    notas_directas <- rnorm(1000, mean = 72, sd = 15.2)
    # No se espera igualdad elemento a elemento entre ambos métodos

    Este es el principio de transformación inversa. La semilla hace reproducible la secuencia dentro de una configuración compatible del generador; no elimina la variación muestral ni convierte la media observada en el parámetro exacto. rnorm() ofrece generación normal directa desde la perspectiva del usuario, pero este ejemplo no pretende describir todos los algoritmos internos con los que R puede producirla.

    La aplicación vuelve visible el vínculo central del artículo: una colección de niveles probabilísticos se transforma en valores de una variable. Además de la simulación, esta relación aparece en percentiles descriptivos, umbrales de decisión y diagnósticos que comparan cuantiles empíricos con cuantiles teóricos.

    10. Reproducir los gráficos en R

    Los gráficos integrados en este artículo representan las funciones matemáticas de los ejemplos. El siguiente bloque produce sus equivalentes con herramientas de R base: dos áreas de densidad, una curva acumulada, una curva cuantil y una acumulada discreta. No requiere instalar paquetes.

    R · Figuras con R base

    graficar_cuantiles <- function() {
      parametros_previos <- par(no.readonly = TRUE)
      on.exit(par(parametros_previos))
    
      papel <- "#fffdf7"
      tinta <- "#2c2418"
      cobre <- "#8b4513"
      area <- "#e4d1bb"
      mu <- 72
      sigma <- 15.2
      p <- 0.7850824
      q_izq <- qnorm(p, mean = mu, sd = sigma)
      q_der <- qnorm(p, mean = mu, sd = sigma,
                     lower.tail = FALSE)
      rejilla <- seq(12, 132, length.out = 1201)
      densidad <- dnorm(rejilla, mean = mu, sd = sigma)
    
      par(mfrow = c(2, 1), mar = c(4, 4, 3, 1),
          bg = papel, fg = tinta, col.axis = tinta,
          col.lab = tinta, col.main = tinta)
    
      for (cola in c("inferior", "superior")) {
        corte <- if (cola == "inferior") q_izq else q_der
        rango <- if (cola == "inferior") {
          c(12, corte)
        } else {
          c(corte, 132)
        }
        xs <- seq(rango[1], rango[2], length.out = 600)
        ys <- dnorm(xs, mean = mu, sd = sigma)
        plot(rejilla, densidad, type = "n",
             xlab = "Nota", ylab = "Densidad",
             main = paste("Cola", cola, "- probabilidad", p))
        polygon(c(xs[1], xs, tail(xs, 1)), c(0, ys, 0),
                col = area, border = NA)
        lines(rejilla, densidad, col = cobre, lwd = 2)
        segments(corte, 0, corte,
                 dnorm(corte, mean = mu, sd = sigma), col = cobre)
        abline(v = mu, col = "#c4956a", lty = 3)
        mtext(sprintf("Umbral: %.2f", corte), side = 3,
              line = 0.2, cex = 0.8)
      }
    
      par(mfrow = c(1, 1))
      plot(rejilla, pnorm(rejilla, mean = mu, sd = sigma),
           type = "l", col = cobre, lwd = 2, ylim = c(0, 1),
           xlab = "Nota", ylab = "Probabilidad acumulada",
           main = "De p al umbral: distribucion acumulada")
      segments(12, p, q_izq, p, lty = 2, col = cobre)
      segments(q_izq, 0, q_izq, p, lty = 2, col = cobre)
      points(q_izq, p, pch = 19, col = cobre)
    
      niveles_grafico <- seq(0.005, 0.995, length.out = 1000)
      plot(niveles_grafico,
           qnorm(niveles_grafico, mean = mu, sd = sigma),
           type = "l", col = cobre, lwd = 2,
           xlab = "Probabilidad acumulada p", ylab = "Cuantil",
           main = "Funcion cuantil normal")
      points(c(0.5, p), c(mu, q_izq), pch = 19, col = cobre)
    
      plot(NA_real_, NA_real_, type = "n", xlim = c(-0.5, 4.5),
           ylim = c(0, 1), xlab = "Numero de exitos",
           ylab = "Probabilidad acumulada",
           main = "Binomial(4, 0.5): acumulada con saltos")
      abline(h = 0.5, lty = 2, col = "#c4956a")
      segments(-0.5, 0, 0, 0, col = cobre, lwd = 2)
      for (k in 0:4) {
        acumulada <- pbinom(k, size = 4, prob = 0.5)
        extremo <- min(k + 1, 4.5)
        segments(k, acumulada, extremo, acumulada,
                 col = cobre, lwd = 2)
        points(k, acumulada, pch = 19, col = cobre)
        if (k < 4) {
          points(k + 1, acumulada, pch = 21,
                 col = cobre, bg = papel)
        }
      }
      segments(2, 0, 2, pbinom(2, 4, 0.5), lty = 2, col = cobre)
      invisible(NULL)
    }
    
    graficar_cuantiles()
    # En RStudio, usar las flechas del panel Plots para ver las figuras.
    # Para conservar todas las paginas en un PDF desde R:
    # pdf("graficos_cuantiles.pdf", width = 8, height = 7)
    # graficar_cuantiles()
    # dev.off()

    Las regiones coloreadas en las densidades corresponden a probabilidades; las alturas son densidades. En la acumulada, la altura sí representa una probabilidad acumulada. En la curva cuantil se intercambian las funciones de los ejes: el nivel probabilístico pasa a ser la entrada y el valor de la variable, la salida.

    11. Errores que conviene evitar

    Una guía de lectura y revisión
    ConfusiónInterpretación correcta
    qnorm() devuelve una probabilidadDevuelve un umbral asociado a una probabilidad
    sd significa error estándarEs la desviación estándar del modelo normal
    La función cuantil se usa porque la acumulada no existeLa acumulada existe; la inversión responde a otra pregunta
    Todo cuantil satisface exactamente F(q) = pLos saltos pueden hacer que se supere el nivel solicitado
    La cola superior es simplemente el mismo umbral con otra explicaciónAl mantener p y cambiar la cola, generalmente cambia el umbral
    Un cuantil enumera los datos que quedan debajoLocaliza un valor; identificar observaciones exige los datos
    Una proporción del modelo se cumple exactamente en cualquier muestraLas frecuencias observadas varían entre muestras
    quantile() y qnorm() son intercambiablesTrabajan con una muestra y con un modelo especificado, respectivamente
    Un par de cuantiles siempre es un intervalo de confianzaLa cobertura inferencial depende de un procedimiento y sus supuestos
    x <- rnorm genera notasGuarda una función; hay que llamarla con argumentos

    Para interpretar cualquier resultado conviene registrar cuatro elementos: la variable y sus unidades, la distribución o muestra utilizada, el nivel probabilístico solicitado y la convención de cálculo. Si el resultado se emplea en inferencia, también deben explicitarse el parámetro, el estadístico y los supuestos que sostienen el procedimiento.

    Un cuantil convierte una proporción en una posición dentro de una distribución. Su interpretación depende de qué distribución se estudia y de cómo se define esa posición.

    12. Script completo y comprobaciones

    El apartado desplegable reúne, en orden de ejecución, los ejemplos y las figuras. Puede copiarse a un archivo .R y ejecutarse desde una sesión nueva. Los datos de seis notas son ilustrativos; no proceden de un estudio empírico. Las cifras impresas pueden variar en sus últimos decimales según la versión y la plataforma.

    Desplegar el script completo de R

    R · Archivo completo

    # LA FUNCION CUANTIL EN R
    # JOSÉ MAURICIO GÓMEZ JULIÁN
    # Datos ilustrativos; funciones de R base y stats.
    
    # COLA INFERIOR Y COMPROBACIÓN
    p_objetivo <- 0.7850824
    mu_notas <- 72
    sigma_notas <- 15.2
    
    q_inferior <- qnorm(p_objetivo, mean = mu_notas,
                        sd = sigma_notas)
    q_inferior
    # Aproximadamente 84.00000012
    
    pnorm(q_inferior, mean = mu_notas, sd = sigma_notas)
    # Aproximadamente 0.7850824
    
    # COLA SUPERIOR Y COMPROBACIÓN
    q_superior <- qnorm(p_objetivo, mean = mu_notas,
                        sd = sigma_notas, lower.tail = FALSE)
    q_superior
    # Aproximadamente 59.99999988
    
    pnorm(q_superior, mean = mu_notas,
          sd = sigma_notas, lower.tail = FALSE)
    # Aproximadamente 0.7850824
    
    pnorm(q_superior, mean = mu_notas, sd = sigma_notas)
    # Aproximadamente 0.2149176
    
    # PROBABILIDAD FUERA DE LA ESCALA 0–100
    p_menor_0 <- pnorm(0, mean = mu_notas, sd = sigma_notas)
    p_mayor_100 <- pnorm(100, mean = mu_notas,
                         sd = sigma_notas, lower.tail = FALSE)
    c(p_menor_0 = p_menor_0, p_mayor_100 = p_mayor_100)
    
    # LLAMADA COMPLETA
    qnorm(p = 0.95, mean = 0, sd = 1,
          lower.tail = TRUE, log.p = FALSE)
    # Aproximadamente 1.644854
    
    # LOGARITMOS Y COLAS EXTREMAS
    qnorm(log(0.95), log.p = TRUE)
    # El mismo cuantil que qnorm(0.95)
    
    qnorm(1 - 1e-20)
    # Inf: la resta se redondea a 1
    
    qnorm(1e-20, lower.tail = FALSE)
    # Aproximadamente 9.26234
    
    qnorm(-1000, lower.tail = FALSE, log.p = TRUE)
    # Cuantil finito para una probabilidad superior exp(-1000)
    
    # VARIOS NIVELES Y EXTREMOS
    qnorm(c(0.025, 0.5, 0.975), mean = 72, sd = 15.2)
    # Aproximadamente: 42.20855  72.00000  101.79145
    
    qnorm(c(0, 1))
    # -Inf  Inf
    
    # CUANTIL BINOMIAL Y PROBABILIDADES ALCANZADAS
    q_discreto <- qbinom(0.5, size = 4, prob = 0.5)
    q_discreto
    # 2
    
    pbinom(q_discreto - 1, size = 4, prob = 0.5)
    # 0.3125
    
    pbinom(q_discreto, size = 4, prob = 0.5)
    # 0.6875
    
    qbinom(0.5, size = 4, prob = 0.5, lower.tail = FALSE)
    # 2
    pbinom(2, size = 4, prob = 0.5, lower.tail = FALSE)
    # 0.3125
    
    # COMPARAR DOS MÉTODOS MUESTRALES
    notas <- c(58, 65, 70, 72, 80, 91)
    niveles <- c(0.25, 0.5, 0.75)
    
    quantile(notas, probs = niveles, type = 1)
    # 25% 50% 75%
    #  65  70  80
    
    quantile(notas, probs = niveles, type = 7)
    #  25%   50%   75%
    # 66.25 71.00 78.00
    
    acumulada_empirica <- ecdf(notas)
    acumulada_empirica(70)
    # 0.5
    
    # VALORES AUSENTES
    notas_con_na <- c(notas, NA_real_)
    sum(is.na(notas_con_na))
    # 1
    
    quantile(notas_con_na, probs = niveles,
             type = 7, na.rm = TRUE)
    # 66.25 71.00 78.00
    
    # INTERVALO T PARA LA MEDIA
    notas <- c(58, 65, 70, 72, 80, 91)
    n <- length(notas)
    confianza <- 0.95
    alpha <- 1 - confianza
    media_muestral <- mean(notas)
    desviacion_muestral <- sd(notas)
    error_estandar <- desviacion_muestral / sqrt(n)
    critico_t <- qt(1 - alpha / 2, df = n - 1)
    
    ic_media <- media_muestral + c(-1, 1) *
      critico_t * error_estandar
    ic_media
    # Aproximadamente: 60.50649  84.82684
    
    ic_automatico <- t.test(notas, conf.level = confianza)$conf.int
    unname(ic_automatico)
    
    stopifnot(isTRUE(all.equal(
      as.numeric(ic_media), as.numeric(ic_automatico),
      tolerance = 1e-10
    )))
    
    # INTERVALO CENTRAL DEL MODELO NORMAL
    qnorm(c(0.025, 0.975), mean = 72, sd = 15.2)
    # Aproximadamente: 42.20855  101.79145
    # Intervalo central del modelo, no intervalo para su media
    
    # CUANTIL CRÍTICO Y VALOR P BILATERAL
    mu_nula <- 72
    t_observado <- (media_muestral - mu_nula) / error_estandar
    p_bilateral <- 2 * pt(abs(t_observado), df = n - 1,
                          lower.tail = FALSE)
    
    c(t_observado = t_observado,
      critico_t = critico_t, p_bilateral = p_bilateral)
    
    abs(t_observado) > critico_t
    # FALSE
    p_bilateral < alpha
    # FALSE
    
    # TRANSFORMACIÓN INVERSA
    set.seed(2021)
    uniformes <- runif(1000)
    notas_simuladas <- qnorm(uniformes, mean = 72, sd = 15.2)
    
    mean(notas_simuladas)
    sd(notas_simuladas)
    # Aproximaciones muestrales a 72 y 15.2
    
    # Generación normal mediante la función específica:
    set.seed(2021)
    notas_directas <- rnorm(1000, mean = 72, sd = 15.2)
    # No se espera igualdad elemento a elemento entre ambos métodos
    
    # FIGURAS CON R BASE
    graficar_cuantiles <- function() {
      parametros_previos <- par(no.readonly = TRUE)
      on.exit(par(parametros_previos))
    
      papel <- "#fffdf7"
      tinta <- "#2c2418"
      cobre <- "#8b4513"
      area <- "#e4d1bb"
      mu <- 72
      sigma <- 15.2
      p <- 0.7850824
      q_izq <- qnorm(p, mean = mu, sd = sigma)
      q_der <- qnorm(p, mean = mu, sd = sigma,
                     lower.tail = FALSE)
      rejilla <- seq(12, 132, length.out = 1201)
      densidad <- dnorm(rejilla, mean = mu, sd = sigma)
    
      par(mfrow = c(2, 1), mar = c(4, 4, 3, 1),
          bg = papel, fg = tinta, col.axis = tinta,
          col.lab = tinta, col.main = tinta)
    
      for (cola in c("inferior", "superior")) {
        corte <- if (cola == "inferior") q_izq else q_der
        rango <- if (cola == "inferior") {
          c(12, corte)
        } else {
          c(corte, 132)
        }
        xs <- seq(rango[1], rango[2], length.out = 600)
        ys <- dnorm(xs, mean = mu, sd = sigma)
        plot(rejilla, densidad, type = "n",
             xlab = "Nota", ylab = "Densidad",
             main = paste("Cola", cola, "- probabilidad", p))
        polygon(c(xs[1], xs, tail(xs, 1)), c(0, ys, 0),
                col = area, border = NA)
        lines(rejilla, densidad, col = cobre, lwd = 2)
        segments(corte, 0, corte,
                 dnorm(corte, mean = mu, sd = sigma), col = cobre)
        abline(v = mu, col = "#c4956a", lty = 3)
        mtext(sprintf("Umbral: %.2f", corte), side = 3,
              line = 0.2, cex = 0.8)
      }
    
      par(mfrow = c(1, 1))
      plot(rejilla, pnorm(rejilla, mean = mu, sd = sigma),
           type = "l", col = cobre, lwd = 2, ylim = c(0, 1),
           xlab = "Nota", ylab = "Probabilidad acumulada",
           main = "De p al umbral: distribucion acumulada")
      segments(12, p, q_izq, p, lty = 2, col = cobre)
      segments(q_izq, 0, q_izq, p, lty = 2, col = cobre)
      points(q_izq, p, pch = 19, col = cobre)
    
      niveles_grafico <- seq(0.005, 0.995, length.out = 1000)
      plot(niveles_grafico,
           qnorm(niveles_grafico, mean = mu, sd = sigma),
           type = "l", col = cobre, lwd = 2,
           xlab = "Probabilidad acumulada p", ylab = "Cuantil",
           main = "Funcion cuantil normal")
      points(c(0.5, p), c(mu, q_izq), pch = 19, col = cobre)
    
      plot(NA_real_, NA_real_, type = "n", xlim = c(-0.5, 4.5),
           ylim = c(0, 1), xlab = "Numero de exitos",
           ylab = "Probabilidad acumulada",
           main = "Binomial(4, 0.5): acumulada con saltos")
      abline(h = 0.5, lty = 2, col = "#c4956a")
      segments(-0.5, 0, 0, 0, col = cobre, lwd = 2)
      for (k in 0:4) {
        acumulada <- pbinom(k, size = 4, prob = 0.5)
        extremo <- min(k + 1, 4.5)
        segments(k, acumulada, extremo, acumulada,
                 col = cobre, lwd = 2)
        points(k, acumulada, pch = 19, col = cobre)
        if (k < 4) {
          points(k + 1, acumulada, pch = 21,
                 col = cobre, bg = papel)
        }
      }
      segments(2, 0, 2, pbinom(2, 4, 0.5), lty = 2, col = cobre)
      invisible(NULL)
    }
    
    graficar_cuantiles()
    # En RStudio, usar las flechas del panel Plots para ver las figuras.
    # Para conservar todas las paginas en un PDF desde R:
    # pdf("graficos_cuantiles.pdf", width = 8, height = 7)
    # graficar_cuantiles()
    # dev.off()
    
    # Comprobaciones numericas con tolerancia
    stopifnot(
      abs(q_inferior - 84) < 1e-5,
      abs(q_superior - 60) < 1e-5,
      abs(pnorm(q_inferior, mu_notas, sigma_notas) -
            p_objetivo) < 1e-10,
      abs(pnorm(q_superior, mu_notas, sigma_notas,
                 lower.tail = FALSE) - p_objetivo) < 1e-10,
      q_discreto == 2,
      pbinom(q_discreto - 1, 4, 0.5) < 0.5,
      pbinom(q_discreto, 4, 0.5) >= 0.5,
      isTRUE(all.equal(
        as.numeric(quantile(notas, niveles, type = 1)),
        c(65, 70, 80))),
      isTRUE(all.equal(
        as.numeric(quantile(notas, niveles, type = 7)),
        c(66.25, 71, 78)))
    )
    
    sessionInfo()
    

    13. Referencias y documentación

    Las siguientes fuentes documentan las funciones, convenciones y procedimientos utilizados. Las explicaciones matemáticas y los ejemplos se presentan desarrollados en el cuerpo del artículo; estos enlaces permiten consultar los detalles de implementación.

    1. R Core Team. Distributions in the “stats” Package. Manual oficial de R. Familias d, p, q y r.
    2. R Core Team. The Normal Distribution. Manual oficial de R. dnorm, pnorm, qnorm y rnorm.
    3. R Core Team. The Binomial Distribution. Manual oficial de R. Binomial y definición de sus cuantiles.
    4. R Core Team. Sample Quantiles. Manual oficial de R. quantile y sus nueve métodos. La documentación remite a Hyndman, R. J. y Fan, Y. (1996), Sample Quantiles in Statistical Packages, como referencia de la clasificación.
    5. R Core Team. The Student t Distribution. Manual oficial de R. dt, pt, qt y rt.
    6. R Core Team. Student’s t-Test. Manual oficial de R. t.test e intervalos de confianza.

    Volver al inicio ↑

  • GENERALIDADES SOBRE LA TEORÍA ESTADÍSTICA DE ENCUESTAS POR MUESTREO

    GENERALIDADES SOBRE LA TEORÍA ESTADÍSTICA DE ENCUESTAS POR MUESTREO

    TEORÍA DE ENCUESTAS · MUESTREO · INFERENCIA

    GENERALIDADES SOBRE LA TEORÍA ESTADÍSTICA DE ENCUESTAS POR MUESTREO

    Notas conceptuales y técnicas sobre diseño muestral, marcos, probabilidades de inclusión, inferencia basada en el diseño, no respuesta, error total de encuesta y estimación.

    La teoría estadística de las encuestas por muestreo suele aprenderse como un conjunto de procedimientos: cómo seleccionar una muestra, cómo estimar un total o una media, cómo calcular un error estándar y cómo decidir un tamaño de muestra. Sin embargo, detrás de cada procedimiento hay una cuestión conceptual previa. ¿Qué es exactamente la población a la cual se pretende inferir? ¿Qué entidad se selecciona en cada etapa? ¿Qué hace que una selección sea probabilística? ¿De dónde proviene la aleatoriedad que permite hablar de precisión? ¿Qué parte del error de una encuesta puede ser cuantificada por el diseño muestral y qué parte procede de cobertura, no respuesta, medición o procesamiento?

    Las notas que siguen se organizan a partir de problemas que aparecen en la literatura clásica de muestreo —en particular Cochran (1977), Kish (1965) y Lohr (2021)— y los desarrollan con herramientas de la teoría contemporánea de encuestas. El propósito no es sustituir la lectura de esos autores, sino explicitar las condiciones bajo las cuales sus afirmaciones adquieren sentido y las consecuencias operativas que de ellas se siguen. Cuando se introduce terminología más reciente, se recurre especialmente a Särndal, Swensson y Wretman (1992), Groves et al. (2009), Biemer y Lyberg (2003), las definiciones de AAPOR y las guías de Naciones Unidas, Statistics Canada y U.S. Census Bureau.

    · · ·

    1. En una encuesta, ¿los costos son altos y la administración es más compleja?

    La respuesta depende necesariamente del término de comparación. Frente a un censo, una encuesta por muestreo suele ser más barata y administrativamente menos exigente porque observa sólo una parte de la población. Precisamente una de las razones históricas para el desarrollo del muestreo probabilístico fue obtener información suficientemente precisa con un costo muy inferior al de una enumeración completa.

    Pero la comparación cambia si el referente es un procedimiento cualitativo de menor escala, como un grupo focal, una entrevista en profundidad o una observación intensiva. Una encuesta probabilística nacional puede requerir un marco, selección muestral, programación del instrumento, capacitación, supervisión, recontactos, ponderación, control de calidad, estimación de varianzas y documentación. Un grupo focal puede ser mucho menos costoso, pero tampoco cumple la misma función inferencial. La elección no debe hacerse preguntando cuál técnica es «más barata» en abstracto, sino qué técnica permite responder a la pregunta de investigación con el tipo de evidencia que se necesita.

    Un grupo focal, por ejemplo, puede ser extraordinariamente útil para comprender vocabularios, categorías de sentido, mecanismos y problemas de comprensión de un cuestionario. No es, sin embargo, un sustituto directo de una encuesta probabilística cuando el objetivo es estimar parámetros de una población definida. El costo debe juzgarse, por tanto, en relación con el objetivo, la precisión requerida y el tipo de inferencia que se pretende realizar.

    2. ¿Qué es una pregunta bidimensional o double-barreled?

    Es una pregunta que solicita una sola respuesta respecto de dos o más proposiciones que podrían recibir respuestas diferentes. El problema no consiste en que el entrevistado tenga «dos opciones de respuesta»; casi toda pregunta cerrada las tiene. El problema consiste en que la redacción fusiona dos objetos de juicio y obliga al entrevistado a condensarlos en una única respuesta.

    Por ejemplo:

    ¿Está satisfecho con su salario y con las condiciones de trabajo?

    Una persona puede estar satisfecha con el salario y disconforme con las condiciones, o a la inversa. Si la escala ofrece una sola respuesta, no existe una interpretación unívoca del dato. La solución es separar los componentes cuando cada uno constituye una dimensión sustantivamente diferenciable.

    Este problema muestra algo más general: un cuestionario no es un recipiente neutral al que se le «introducen» variables ya constituidas. La formulación concreta contribuye a determinar qué operación cognitiva realiza el entrevistado y, por consiguiente, qué dato termina registrándose. Por eso el diseño del instrumento forma parte de la medición y no es una tarea puramente editorial.

    3. ¿Cuándo un cuestionario es demasiado largo?

    No existe un número universal de preguntas o minutos a partir del cual un cuestionario se vuelva demasiado largo. La carga depende del modo de administración, la complejidad cognitiva de las preguntas, la sensibilidad de los temas, la población entrevistada, la necesidad de consultar registros, el número de saltos y la repetición de escalas, entre otros factores.

    Una entrevista cara a cara puede tolerar una duración distinta de una entrevista telefónica o un cuestionario autoadministrado en línea. Del mismo modo, veinte preguntas que exigen recordar montos, fechas o episodios pueden imponer mayor carga que cincuenta ítems muy breves y homogéneos.

    La prueba piloto es importante, pero conviene distinguirla del pretest cognitivo. Un piloto reproduce a menor escala procedimientos de campo y permite estudiar duración, tasas de contacto, saltos, funcionamiento logístico y problemas de implementación. Una entrevista cognitiva, en cambio, busca comprender cómo interpreta el entrevistado la pregunta, cómo recupera la información y cómo selecciona su respuesta. El U.S. Census Bureau incluye, además, pruebas de usabilidad, codificación de conducta, debriefing y diseños split-panel entre las herramientas de evaluación de cuestionarios.

    Por ello, la regla metodológica no es «hacerlo lo más corto posible», sino conservar todo aquello que sea necesario para medir los conceptos definidos y eliminar aquello que introduce carga sin aportar información sustantiva. Brevedad y calidad no son sinónimos.

    4. ¿Qué significa que un marco contenga duplicaciones?

    Un marco de muestreo es el dispositivo operacional mediante el cual las unidades de muestreo pueden ser identificadas o alcanzadas para realizar la selección. A veces adopta la forma de una lista; otras veces consiste en áreas geográficas, direcciones, registros administrativos, números telefónicos potenciales o procedimientos que permiten generar las unidades seleccionables.

    Una duplicación ocurre cuando una misma unidad de la población queda representada más de una vez en el mecanismo de selección. Si se seleccionan registros con igual probabilidad y una persona aparece dos veces, esa persona puede adquirir una probabilidad de inclusión mayor que otra que aparece una sola vez. Pero el problema no debe describirse diciendo que cualquier desigualdad de probabilidades vuelve «no aleatoria» la muestra. Existen diseños probabilísticos deliberadamente desiguales.

    Lo importante es distinguir entre desigualdad diseñada y conocida y multiplicidad accidental o desconocida. Un marco puede presentar, entre otros problemas:

    • subcobertura: unidades de la población objetivo que no pueden ser alcanzadas por el marco;
    • sobrecobertura: registros que no pertenecen a la población objetivo;
    • duplicados o multiplicidad;
    • registros desactualizados;
    • unidades que han cambiado de condición o ubicación;
    • relaciones muchos-a-uno o uno-a-muchos entre registros y unidades objetivo.

    La consecuencia estadística depende del mecanismo concreto de selección y de si la multiplicidad puede ser medida y corregida en las probabilidades de inclusión o en la ponderación.

    5. ¿Qué significa editar datos y qué hacer con la no respuesta?

    En el trabajo de encuestas, «editar» no debe entenderse como borrar observaciones que parezcan extrañas. La edición consiste en aplicar reglas explícitas de validez, consistencia y plausibilidad para identificar registros que requieren revisión. Una respuesta improbable no es automáticamente falsa y una respuesta incoherente no debe desaparecer sin dejar rastro.

    Un flujo razonable conserva siempre la información bruta y separa etapas:

    1. dato capturado;
    2. validación de rango, tipo y estructura;
    3. verificación de saltos y consistencias lógicas;
    4. eventual recontacto, cuando sea posible y esté previsto;
    5. reglas documentadas de edición;
    6. marcación de valores faltantes;
    7. eventual imputación;
    8. producción de la base analítica, sin destruir la base original.

    Supóngase que una sección del cuestionario sólo corresponde a hogares que declararon una determinada actividad económica. Si aparecen respuestas en esa sección para hogares que, según la pregunta filtro, no realizan dicha actividad, existen varias posibilidades: el filtro fue capturado incorrectamente, la respuesta posterior fue capturada incorrectamente, el entrevistador omitió el salto, la definición no fue comprendida o existe una situación real que el diseño no previó. El dato debe investigarse; no basta con declararlo «obviamente equivocado».

    También es necesario distinguir estados que a menudo se mezclan bajo una sola etiqueta de valor faltante: No aplica, No sabe, No responde, rechazo explícito, ausencia de contacto, salto estructural, error de captura y valor perdido por procesamiento. «No aplica» no es simplemente otra forma de NS/NR: expresa que la pregunta no pertenece al universo lógico de esa unidad.

    No respuesta de unidad y no respuesta de ítem

    La no respuesta de unidad ocurre cuando no se obtiene información sustantiva de una unidad seleccionada; la no respuesta de ítem ocurre cuando existe entrevista, pero faltan respuestas particulares. La primera suele tratarse mediante ajustes de ponderación y la segunda puede requerir imputación u otros métodos, aunque las técnicas concretas dependen del mecanismo de ausencia y del objetivo analítico (Kalton y Kasprzyk, 1986).

    Una tasa alta de no respuesta no implica mecánicamente que una variable sea inutilizable, del mismo modo que una tasa alta de respuesta no demuestra ausencia de sesgo. El sesgo de no respuesta depende de la relación entre la propensión a responder y las variables que se desean estimar.

    AAPOR distingue, entre otras medidas, tasa de respuesta, tasa de cooperación, tasa de contacto y tasa de rechazo. No son sinónimos. La tasa de respuesta relaciona entrevistas obtenidas con el conjunto de casos elegibles —con variantes sobre cómo tratar elegibilidad desconocida y entrevistas parciales—; la cooperación condiciona sobre unidades contactadas; la tasa de contacto estudia el éxito del contacto; y la de rechazo cuantifica una forma específica de no respuesta.

    Finalmente, el sondeo o probing del entrevistador debe ser estandarizado. El objetivo no es presionar hasta que «nunca quede una encuesta incompleta», sino facilitar una respuesta válida sin inducirla y respetar el consentimiento del participante.

    6. Eficiencia, muestreo repetido e intervalos de confianza

    Cochran plantea la teoría del muestreo como un problema conjunto de precisión y costo: diseñar procedimientos de selección y estimación que produzcan la exactitud necesaria al menor costo posible. La idea de fondo sigue siendo fundamental. No existe «el mejor» diseño fuera de un objetivo; existe un diseño más o menos eficiente para determinados estimandos, restricciones y costos.

    La precisión de un procedimiento se estudia mediante su distribución bajo repeticiones hipotéticas del mecanismo de muestreo. En una perspectiva basada en el diseño, los valores de la población finita pueden considerarse fijos y la aleatoriedad procede del conjunto de muestras que el diseño podría haber seleccionado.

    Aquí conviene precisar la interpretación de un intervalo de confianza. Si un procedimiento construye intervalos con nivel de confianza del 95%, eso no significa que 95 de cada 100 muestras producirán «valores similares» al valor observado en nuestra muestra. Significa que, bajo los supuestos del procedimiento y repitiendo hipotéticamente el diseño, aproximadamente el 95% de los intervalos construidos de esa manera contendrían el parámetro poblacional fijo.

    Una vez observado un intervalo frecuentista concreto, el parámetro no se vuelve aleatorio por ese hecho. La aleatoriedad pertenece al procedimiento que habría producido otros intervalos bajo otras muestras posibles.

    Tamaño de muestra para una proporción

    En un planteamiento elemental bajo muestreo aleatorio simple, si se desea un margen de error aproximado \(e\) para una proporción con nivel asociado a \(z_{1-\alpha/2}\), puede partirse de

    \[ n_0=\frac{z_{1-\alpha/2}^2\,p(1-p)}{e^2}. \]

    Cuando no existe información previa útil sobre \(p\) y se busca un caso conservador, se utiliza \(p=0.5\) porque la función

    \[ p(1-p) \]

    alcanza su máximo en \(p=0.5\). Ésa es la razón matemática. No es una consecuencia del teorema central del límite.

    Si la población es finita y la fracción muestral ya no es despreciable, el tamaño puede ajustarse, en el mismo esquema simple, mediante

    \[ n=\frac{Nn_0}{N+n_0-1}. \]

    En diseños complejos, el cálculo debe incorporar estratificación, conglomeración, probabilidades desiguales, objetivos por dominios, no respuesta prevista y, cuando sea pertinente, un efecto de diseño esperado. El tamaño de muestra no debe calcularse aislado del diseño.

    7. ¿Existen «muestras de tamaño común»?

    En la práctica profesional aparecen tamaños recurrentes —400, 800, 1000 entrevistas, por ejemplo— porque ciertas combinaciones de precisión, presupuesto y modalidad se repiten. Pero esos números no constituyen constantes estadísticas.

    Para una proporción cercana a 0.5, un muestreo aleatorio simple de alrededor de 1067 unidades produce, por aproximación normal y sin corrección por población finita, un margen de muestreo cercano a tres puntos porcentuales al 95%. De allí proviene parte de la recurrencia de tamaños próximos a mil en sondeos. Sin embargo, ese cálculo no demuestra por sí mismo que una encuesta sea nacionalmente representativa ni que su error total sea ±3 puntos.

    Si hay conglomeración, pesos muy variables, dominios pequeños, tasas de respuesta desiguales o cobertura incompleta, el mismo \(n\) puede producir una precisión y una calidad muy distintas. La pregunta correcta no es «¿cuál es el tamaño tradicional?», sino «¿qué precisión necesito para qué estimando, bajo qué diseño y con qué costos?».

    8. Dos diferencias entre la teoría clásica y la teoría de encuestas

    8.1. Distribuciones, modelos y diseño

    Una observación clásica de Cochran contrasta parte de la inferencia estadística basada en modelos con la teoría de encuestas sobre poblaciones finitas. En muchos problemas clásicos se supone que las observaciones proceden de una distribución con forma matemática especificada y se estiman sus parámetros. En el muestreo de encuestas, en cambio, una tradición central desarrolla inferencia a partir del mecanismo de selección sin requerir una distribución paramétrica para los valores poblacionales.

    La expresión «pocas mediciones en cada unidad» no se refiere a una muestra con menos de 30 o 50 casos. Se refiere al número y tipo de variables medidas sobre cada unidad. Una gran encuesta puede recoger muchas variables con distribuciones muy diferentes; no existe razón para imponer a todas una misma familia paramétrica simplemente porque el conjunto de datos sea grande.

    La capacidad de cómputo no elimina esta diferencia conceptual. Hoy conviven, al menos, tres perspectivas:

    • inferencia basada en el diseño: la aleatoriedad se atribuye al mecanismo de selección;
    • inferencia asistida por modelos: se utilizan modelos para mejorar estimadores, calibrar o explotar información auxiliar, manteniendo propiedades justificadas por el diseño;
    • inferencia basada en modelos: la inferencia descansa de manera más directa en un modelo probabilístico para los valores o mecanismos observados.

    Särndal, Swensson y Wretman (1992) desarrollan de forma sistemática la perspectiva asistida por modelos. La distinción no es un vestigio anterior a las computadoras modernas; responde a preguntas diferentes sobre cuál es la fuente de la aleatoriedad y qué supuestos sostienen la inferencia.

    8.2. Poblaciones finitas y corrección por población finita

    Una población es finita si contiene \(N<\infty\) unidades. Ello no depende de que el investigador conozca \(N\) con exactitud. Puede existir una población finita cuyo tamaño sea desconocido o incierto.

    Bajo muestreo aleatorio simple sin reemplazo, para la media poblacional \(\bar Y\), si

    \[ S^2=\frac{1}{N-1}\sum_{i=1}^{N}(Y_i-\bar Y)^2, \]

    entonces

    \[ \operatorname{Var}(\bar y) =\left(1-\frac{n}{N}\right)\frac{S^2}{n}. \]

    El factor

    \[ 1-f,\qquad f=\frac{n}{N}, \]

    es la corrección por población finita en la varianza. Cuando \(f\) es muy pequeño, \(1-f\approx1\) y su efecto puede ser despreciable. Cuando la muestra abarca una proporción grande de la población, ignorarlo puede sobreestimar sustancialmente la varianza de muestreo.

    La razón es materialmente sencilla: si se observa sin reemplazo una proporción creciente de una población finita, queda cada vez menos incertidumbre sobre el conjunto que no fue observado. Cuando \(n=N\), se realizó un censo de esa población y la varianza debida al mecanismo de muestreo es cero, aunque puedan seguir existiendo errores de medición, cobertura, procesamiento u otras fuentes.

    9. ¿Qué significa ser sensible a las expectativas del entrevistado?

    El entrevistador debe mantener una combinación que no siempre es fácil: rapport sin inducción. Debe establecer una relación que facilite la comunicación, explicar el propósito de la entrevista, escuchar y utilizar sondeos permitidos; pero no debe conducir al entrevistado hacia una respuesta que considere socialmente deseable o compatible con las expectativas del investigador.

    Empatía no significa abandonar la estandarización. Una entrevista puede ser humana, respetuosa y sensible al contexto sin modificar arbitrariamente el significado de las preguntas. En instrumentos estandarizados, una parte importante del entrenamiento consiste precisamente en aprender qué aclaraciones están permitidas y cómo utilizar sondeos neutrales.

    La sensibilidad también tiene una dimensión ética. El entrevistador debe reconocer incomodidad, fatiga, privacidad, riesgos y derecho a no responder. La calidad del dato no puede perseguirse mediante coerción.

    10. Cortesía, tono, deseabilidad social, consentimiento y posición

    La interacción entre entrevistador y entrevistado puede afectar la medición. El tono de voz, la forma de presentar opciones, las reacciones verbales o gestuales, la percepción de estatus del entrevistador y la sensibilidad del tema pueden modificar la respuesta observada.

    Conviene distinguir varios mecanismos:

    • deseabilidad social: tendencia a ofrecer una respuesta que se percibe como socialmente aceptable;
    • aquiescencia: inclinación a aceptar formulaciones independientemente del contenido;
    • efecto del entrevistador: variación sistemática asociada a características o conductas del entrevistador;
    • efecto de modo: diferencias asociadas a entrevista presencial, telefónica, web, papel u otras modalidades;
    • efecto de contexto y orden: respuestas condicionadas por preguntas precedentes o por la estructura del instrumento.

    El consentimiento informado, sin embargo, no es un sesgo. Es una condición ética de la investigación con personas. Otra cuestión es que la decisión de participar pueda producir autoselección o no respuesta diferencial. Esa eventual fuente de sesgo debe estudiarse como parte del proceso de participación, no presentarse como una razón para debilitar el consentimiento.

    11. Diseño de la encuesta y tamaño absoluto de la muestra

    Lohr insiste en una idea que conviene formular con cuidado: una muestra enorme no rescata un diseño defectuoso. La cantidad relevante en su discusión es el tamaño absoluto de la muestra, no el tamaño absoluto de la población.

    Para poblaciones grandes, la precisión de un estimador bajo muestreo aleatorio simple depende fundamentalmente de \(n\); \(N\) aparece en la corrección por población finita y tiene poco efecto cuando \(n/N\) es pequeño. Por ello una muestra de mil personas puede tener un error de muestreo semejante si la población contiene un millón o cien millones de personas, siempre que el mecanismo de selección y los demás supuestos sean comparables.

    Pero esta afirmación no significa que cualquier muestra de mil unidades sea adecuada. Una muestra de conveniencia de cien mil personas puede tener un sesgo de selección mayor que una muestra probabilística de mil. Aumentar \(n\) reduce la variabilidad aleatoria bajo el mecanismo asumido; no borra automáticamente errores sistemáticos de cobertura, selección, medición o no respuesta.

    De aquí se sigue una regla que debe mantenerse presente en toda lectura de sondeos:

    \[ \text{muestra grande}\;\not\Rightarrow\;\text{representatividad}. \]

    Y también:

    \[ \text{margen de muestreo pequeño}\;\not\Rightarrow\;\text{error total pequeño}. \]

    12. Contenido, unidades, extensión y tiempo al definir una población

    Una población de estudio debe definirse de manera suficientemente precisa para decidir quién o qué pertenece a ella. Es útil especificar el contenido sustantivo, las unidades que la componen, la extensión espacial y el tiempo o período de referencia.

    El contenido no es simplemente la localización espacio-temporal; eso corresponde principalmente a extensión y tiempo. El contenido determina qué clase de entidad y qué condición sustantiva hacen que una unidad pertenezca a la población. Por ejemplo: «personas de 18 años o más residentes habituales en hogares particulares de Costa Rica durante el período de referencia». Allí aparecen una entidad, una condición de edad, una condición de residencia, una delimitación de hogares y una extensión territorial-temporal.

    Las distintas unidades

    La palabra «unidad» tiene un sentido general —algo que puede ser considerado como una entidad para determinado análisis—, pero en encuestas adquiere funciones técnicas distintas. No conviene confundirlas.

    Elemento o unidad objetivo. Entidad de la población sobre la cual se quiere producir información: una persona, un hogar, una empresa, una parcela, una escuela.

    Unidad de análisis o de estudio. Entidad a la cual se atribuyen las variables analizadas. Puede coincidir con el elemento objetivo, aunque no siempre.

    Unidad de observación. Entidad sobre la cual se realiza directamente la observación o medición.

    Unidad informante. Persona o entidad que proporciona la información. En una encuesta de hogares, un adulto puede informar sobre otros miembros; la unidad informante y la unidad analítica no son entonces idénticas.

    Unidad de muestreo. Unidad seleccionable en una etapa concreta del diseño. En una primera etapa puede ser un segmento geográfico; en una segunda, una vivienda; en una tercera, una persona.

    Unidad primaria de muestreo (UPM). Unidad seleccionada en la primera etapa de un diseño multietápico. No se define por ser «un lugar» ni por contener necesariamente una sola unidad final.

    Unidad de listado. Unidad identificada durante una operación de listado para construir o actualizar el marco de una etapa posterior. Su función es operacional.

    Una misma entidad puede cumplir varias funciones. Si se dispone de una lista completa de estudiantes y se seleccionan estudiantes directamente para preguntarles sobre sí mismos, el estudiante puede ser elemento, unidad de análisis, unidad de observación, unidad informante y unidad de muestreo. Pero esta coincidencia empírica no vuelve sinónimos los conceptos.

    13. Dominio, estrato, clase y subclase

    Un dominio de estimación es una subpoblación para la cual se desean estimaciones separadas. Puede estar definido por región, sexo, edad, sector económico u otra condición relevante.

    Un estrato, en cambio, es una partición utilizada por el diseño de muestreo antes de seleccionar la muestra. Los estratos suelen buscar control de composición, eficiencia o representación suficiente de grupos relevantes.

    Un dominio puede coincidir con un estrato, pero no tiene que hacerlo. Puede atravesar varios estratos o definirse mediante información obtenida después de la selección. Por ejemplo, la población puede estratificarse por provincia y, posteriormente, estimarse un dominio formado por personas ocupadas en determinada rama económica dentro de todas las provincias.

    La noción de clase como intervalo de una distribución de frecuencias pertenece a otro problema. No es necesaria para definir un dominio de estimación. Del mismo modo, «subclase» no debe utilizarse como sinónimo general de dominio salvo que una fuente defina explícitamente esa terminología para un esquema particular.

    14. ¿Qué representa \(Y_i\)?

    Si la población finita es

    \[ U=\{1,2,\ldots,N\}, \]

    y \(Y\) es una variable de estudio, entonces \(Y_i\) representa el valor que esa variable adopta en la unidad \(i\). No representa «las características» de la unidad en plural, sino una realización concreta de una variable definida.

    El total poblacional es

    \[ T_Y=\sum_{i=1}^{N}Y_i, \]

    y la media poblacional

    \[ \bar Y=\frac{1}{N}\sum_{i=1}^{N}Y_i. \]

    En inferencia basada en el diseño, una idea particularmente importante es que el vector

    \[ (Y_1,\ldots,Y_N) \]

    puede tratarse como fijo. La distribución que utilizamos para estudiar un estimador surge del diseño muestral: qué muestras \(s\) podían ser seleccionadas y con qué probabilidades.

    Esto evita una confusión frecuente. El hecho de utilizar probabilidades no exige pensar que cada característica material de la población fue «generada» por una distribución paramétrica conocida. La probabilidad puede estar en el acto de selección.

    15. ¿Qué significa selección MESIP?

    En la terminología utilizada en distintos textos latinoamericanos, MESIP suele designar una selección con igual probabilidad de los elementos. Debe entenderse como una clase particular de diseño probabilístico, no como definición de todo muestreo probabilístico.

    Si \(\pi_i\) es la probabilidad de inclusión de la unidad \(i\),

    \[ \pi_i=P(i\in s), \]

    un diseño de probabilidades iguales satisface, para las unidades comparables del diseño,

    \[ \pi_i=\pi_j. \]

    Pero un diseño probabilístico general puede tener

    \[ \pi_i\neq\pi_j. \]

    La desigualdad puede ser deliberada, por ejemplo cuando se selecciona con probabilidad proporcional a una medida de tamaño.

    16. ¿Qué significa «muestreo irrestricto aleatorio»?

    La expresión se utiliza en parte de la literatura en español para referirse al muestreo aleatorio simple sin reemplazo: de una población de tamaño \(N\) se selecciona una muestra de tamaño fijo \(n\) de tal modo que cada subconjunto posible de \(n\) unidades tenga la misma probabilidad de ser escogido.

    Si \(S\) es el conjunto de todas las muestras posibles de tamaño \(n\), entonces para cada \(s\in S\),

    \[ P(S=s)=\binom{N}{n}^{-1}. \]

    De ello se deriva que cada unidad tiene probabilidad de inclusión

    \[ \pi_i=\frac{n}{N}. \]

    Es un diseño fundamental precisamente porque permite derivaciones transparentes y sirve como punto de referencia. Pero no es «el muestreo aleatorio tal y como se conoce» en sentido exhaustivo: el muestreo probabilístico incluye diseños estratificados, sistemáticos, por conglomerados, multietápicos y con probabilidades desiguales.

    17. Error cuadrático medio, varianza y sesgo

    Sea \(\hat\theta\) un estimador del parámetro \(\theta\). Su error cuadrático medio es

    \[ \operatorname{ECM}(\hat\theta) =E\left[(\hat\theta-\theta)^2\right]. \]

    Puede descomponerse como

    \[ \operatorname{ECM}(\hat\theta) =\operatorname{Var}(\hat\theta) +\operatorname{Bias}(\hat\theta)^2, \]

    con

    \[ \operatorname{Bias}(\hat\theta) =E(\hat\theta)-\theta. \]

    La identidad puede verse escribiendo

    \[ \hat\theta-\theta =\bigl(\hat\theta-E(\hat\theta)\bigr) +\bigl(E(\hat\theta)-\theta\bigr), \]

    elevando al cuadrado y tomando esperanza. El término cruzado desaparece porque

    \[ E\left[\hat\theta-E(\hat\theta)\right]=0. \]

    El sesgo no es la diferencia entre una realización observada de \(\hat\theta\) y su esperanza. Esa diferencia es una desviación aleatoria de la realización respecto del centro de su distribución. El sesgo es una propiedad del procedimiento de estimación: la diferencia entre la esperanza del estimador y el parámetro que pretende estimar.

    La descomposición es conceptualmente importante porque muestra un intercambio posible entre variabilidad y sesgo. Un estimador con varianza ligeramente mayor puede tener menor ECM si reduce suficientemente el sesgo, y viceversa. La «precisión» y la «exactitud» no deberían reducirse a una única intuición coloquial cuando el análisis exige distinguir sus componentes.

    18. ¿Qué son los conglomerados y qué relación tienen con las UPM?

    Un conglomerado en muestreo es una agrupación de unidades elementales que puede utilizarse como unidad de selección. No debe confundirse con un cluster producido por un algoritmo de aprendizaje automático. En clustering, el agrupamiento suele ser el resultado de un criterio algorítmico de similitud o distancia; en muestreo, el conglomerado pertenece al diseño y puede estar definido por geografía, organización administrativa, viviendas, escuelas, establecimientos u otras estructuras.

    Una UPM es, sencillamente, la unidad que se selecciona en la primera etapa. En muchos diseños de hogares la UPM es un conglomerado geográfico —por ejemplo, un segmento censal—, de modo que ambas nociones coinciden empíricamente. No son, sin embargo, sinónimos por definición.

    Diseño Primera unidad seleccionada Etapas ¿Probabilidades iguales obligatorias?
    Aleatorio simple Elemento 1 Sí, en el diseño simple clásico
    Estratificado Elemento dentro de estrato 1 No necesariamente entre estratos
    Conglomerados, una etapa Conglomerado 1 No
    Multietápico UPM; luego unidades secundarias, etc. 2 o más No
    PPS/PPT Unidad con probabilidad proporcional a tamaño 1 o más No

    La conglomeración importa porque las unidades de un mismo conglomerado suelen parecerse entre sí. Si existe correlación intraclase positiva, entrevistar veinte personas dentro del mismo conglomerado puede aportar menos información que entrevistar veinte personas distribuidas entre muchos conglomerados.

    Esta pérdida o ganancia relativa de precisión se resume frecuentemente mediante un efecto de diseño,

    \[ \operatorname{deff} =\frac{\operatorname{Var}_{\text{diseño}}(\hat\theta)}{\operatorname{Var}_{\text{MAS}}(\hat\theta)}, \]

    comparando la varianza bajo el diseño real con una referencia de muestreo aleatorio simple de tamaño comparable. Un \(\operatorname{deff}>1\) indica mayor varianza que la referencia; no constituye un «error» del algoritmo, sino una propiedad que puede surgir del diseño, la correlación intraclase y la variabilidad de pesos.

    19. ¿Qué significa el «margen de error»?

    En el lenguaje de sondeos, el margen de error suele ser el semiancho de un intervalo de confianza asociado a la incertidumbre de muestreo bajo un diseño y un método de estimación determinados. No es «la cantidad total de error que tiene la encuesta».

    Para una estimación \(\hat\theta\), una forma genérica es

    \[ \hat\theta\pm z_{1-\alpha/2}\,\widehat{SE}(\hat\theta), \]

    de modo que el margen es

    \[ MOE=z_{1-\alpha/2}\,\widehat{SE}(\hat\theta). \]

    En diseños complejos, \(\widehat{SE}\) debe corresponder al diseño: estratos, conglomerados, probabilidades desiguales, calibración o pesos de réplica, según el caso. Calcular un margen como si la muestra hubiera sido aleatoria simple cuando no lo fue puede subestimar o sobreestimar la incertidumbre.

    Margen de muestreo y error total de encuesta

    El paradigma de Total Survey Error obliga a separar la variabilidad muestral de otras fuentes de error. Entre ellas se encuentran:

    • error de cobertura;
    • error de no respuesta;
    • error de medición;
    • error de especificación del concepto;
    • error de procesamiento y codificación;
    • errores de edición e imputación;
    • errores del marco y de vinculación;
    • errores derivados de modelos o ajustes.

    Por eso una frase como «la encuesta tiene un margen de error de ±3%» debe entenderse, salvo especificación adicional, como una declaración sobre una componente de incertidumbre. No demuestra que el valor verdadero esté a menos de tres puntos ni que todas las demás fuentes de error sean pequeñas.

    20. ¿Por qué se prefiere el muestreo probabilístico? ¿Sólo éste puede ser útil?

    Un diseño probabilístico proporciona una distribución conocida de selección y, por ello, permite justificar inferencias basadas en el diseño y estimar la variabilidad de muestreo bajo condiciones explícitas. Ésta es una ventaja enorme cuando el objetivo es inferir a una población definida.

    Pero «no probabilístico» no significa automáticamente «inútil». Muestras por conveniencia, juicio, cuotas, redes o autoselección pueden ser adecuadas para exploración, investigación cualitativa, desarrollo de instrumentos, estudios de mecanismos, poblaciones de difícil acceso o preguntas donde la inferencia poblacional basada en el diseño no es el objetivo.

    El problema aparece cuando se atribuyen a esas muestras propiedades que el mecanismo de selección no justifica. Si un investigador estudia un grupo localizado porque reúne una característica rara, puede producir conocimiento válido sobre ese grupo o sobre determinados mecanismos. No puede inferir sin supuestos adicionales que la prevalencia de esa característica en el país sea igual a la observada en el grupo.

    La palabra representatividad debe usarse con cautela. Una muestra probabilística puede sufrir subcobertura, no respuesta diferencial o error de medición. Por ello es preferible decir exactamente qué propiedad se ha asegurado: marco de cobertura definido, probabilidades conocidas, calibración a determinados totales, balance en variables auxiliares o capacidad de inferencia bajo un diseño especificado.

    La ética metodológica exige documentar el método de selección y los límites de la inferencia. Una muestra no probabilística no debe presentarse como probabilística; una muestra probabilística tampoco debe presentarse como libre de los restantes errores de encuesta.

    21. «La aleatorización es una operación física»: ¿qué significa?

    Kish insiste en que una muestra probabilística requiere algo más que escribir una distribución en un papel. Debe existir un procedimiento efectivo de selección cuya operación sea congruente con el modelo probabilístico especificado.

    La palabra «física» no debe entenderse como oposición a lo computacional. Un algoritmo implementado en una computadora puede formar parte perfectamente de la operación material de selección. Lo que Kish contrapone es un mecanismo de azar efectivamente ejecutado frente a una mera creencia, suposición o declaración de que las unidades «son como si hubieran sido aleatorias».

    Podemos separar dos niveles:

    \[ \text{modelo probabilístico}\neq\text{procedimiento de aleatorización}, \]

    pero un diseño probabilístico requiere correspondencia entre ellos. Si el protocolo dice que cada una de \(N\) unidades tiene igual probabilidad de ser seleccionada, el procedimiento real —tabla de números aleatorios, algoritmo pseudoaleatorio auditado, sorteo u otro mecanismo— debe implementar esa propiedad.

    Esta distinción tiene interés filosófico. La probabilidad en una encuesta probabilística no es únicamente una propiedad formal del lenguaje con el que describimos la selección; se vincula con una práctica objetiva reproducible. La teoría adquiere capacidad inferencial porque existe una relación controlada entre el mecanismo material y el espacio de muestras definido matemáticamente.

    22. ¿Qué significa que el marco incluye «listas físicas» y procedimientos sin listarlas efectivamente?

    Kish utiliza marco en un sentido más amplio que «archivo con todos los nombres». Una lista física puede ser un registro de personas, establecimientos, direcciones, parcelas o unidades administrativas. Pero también pueden existir procedimientos que permitan seleccionar unidades sin construir una lista exhaustiva de todos los elementos finales.

    Un marco de áreas, por ejemplo, puede dividir un territorio en segmentos seleccionables; dentro de los segmentos escogidos se realiza luego un listado de viviendas. En marcación aleatoria de números telefónicos, el marco puede ser conceptual o algorítmico: se define el espacio de números elegibles y se generan selecciones sin poseer previamente un archivo de todos los abonados.

    «Listar efectivamente» significa enumerar explícitamente todas las unidades relevantes en una lista operativa. Evitar ese esfuerzo no quiere decir reemplazar lo físico por «lo informático» en sentido abstracto; quiere decir construir un mecanismo de cobertura y selección que no requiere una enumeración previa exhaustiva de todas las unidades finales.

    23. ¿Por qué es tan difícil construir un marco para poblaciones humanas?

    Porque población objetivo, marco y localización de campo no son la misma cosa. Un registro electoral, por ejemplo, puede ser excelente para una población de electores inscritos y, al mismo tiempo, ser inadecuado para una población definida como «todas las personas residentes» si excluye menores, no inscritos u otros grupos.

    Además, las poblaciones humanas cambian. Las personas nacen, mueren, migran, cambian de vivienda, forman o disuelven hogares, usan varios teléfonos, pierden números, comparten dispositivos y pueden residir temporalmente en lugares diferentes. Un marco perfecto sería costoso no porque necesitemos saber dónde se encuentra cada persona en cada hora, sino porque debe mantener una correspondencia suficientemente buena entre las unidades objetivo y las unidades seleccionables.

    Los grandes sistemas estadísticos resuelven este problema con estrategias diversas: marcos de direcciones, registros administrativos integrados, marcos de áreas, listados de viviendas dentro de UPM, marcos duales o múltiples y actualizaciones periódicas. Cada solución distribuye de manera distinta los costos y los riesgos de subcobertura, duplicación y desactualización.

    La pregunta metodológica correcta no es «¿existe una lista completa de todos los habitantes?», sino «¿qué marco o combinación de marcos ofrece una vía documentada para que las unidades de la población objetivo tengan probabilidades de inclusión conocidas o modelables conforme al diseño?».

    24. ¿Qué es el muestreo polietápico?

    Es un diseño en el que la selección se realiza en dos o más etapas. En una encuesta de hogares, por ejemplo, podría seleccionarse:

    1. UPM o segmentos geográficos;
    2. viviendas dentro de las UPM;
    3. una persona dentro de cada vivienda.

    Si las selecciones son condicionales, la probabilidad global de inclusión de una persona \(i\) puede expresarse, esquemáticamente, como producto de probabilidades de cada etapa:

    \[ \pi_i =\pi_{h}\,\pi_{j\mid h}\,\pi_{i\mid j,h}, \]

    según la notación adoptada para UPM, vivienda y persona.

    El peso básico de diseño es entonces

    \[ w_i=\frac{1}{\pi_i}. \]

    En la práctica, ese peso puede modificarse posteriormente por no respuesta, calibración, postestratificación, recorte de pesos u otros procedimientos. Debe distinguirse siempre el peso básico de diseño de los pesos finales analíticos.

    El muestreo multietápico permite trabajar con poblaciones enormes sin construir desde el comienzo una lista nacional de todos los elementos finales. Su costo suele ser mucho menor, aunque la concentración geográfica puede aumentar la varianza respecto de un muestreo aleatorio simple del mismo tamaño.

    25. Multiplicidad, probabilidades desiguales y estimación de Horvitz-Thompson

    Supóngase que un marco telefónico permite que un hogar con dos líneas aparezca dos veces mientras otro hogar con una línea aparece una vez. Si se seleccionan líneas con igual probabilidad y el objetivo final son hogares, las probabilidades de inclusión de hogares pueden ser desiguales. Si esa multiplicidad es desconocida y se ignora, puede producir sesgo.

    Pero no se sigue de allí que todo muestreo aleatorio exija igual probabilidad. La teoría de encuestas dispone explícitamente de diseños con probabilidades desiguales. Lo fundamental es que el mecanismo probabilístico esté especificado y que las probabilidades necesarias para la estimación sean conocidas o calculables.

    Para una población \(U\) y un total

    \[ T_Y=\sum_{i\in U}Y_i, \]

    si cada unidad posee probabilidad de inclusión positiva \(\pi_i>0\), el estimador de Horvitz-Thompson es

    \[ \widehat T_{HT} =\sum_{i\in s}\frac{Y_i}{\pi_i}. \]

    Su lógica es inmediata: una unidad difícil de seleccionar representa más unidades de la población que una unidad con mayor probabilidad de inclusión. Por eso aparece el inverso de \(\pi_i\).

    Bajo el diseño apropiado,

    \[ E_p\left(\widehat T_{HT}\right)=T_Y, \]

    donde \(E_p\) denota esperanza respecto del diseño de muestreo. La importancia histórica del resultado de Horvitz y Thompson (1952) es precisamente que demuestra cómo tratar muestras sin reemplazo con probabilidades desiguales sin convertirlas por ello en muestras «no aleatorias».

    Esto permite volver al problema de los duplicados con mayor precisión. Si la multiplicidad modifica \(\pi_i\) de una manera conocida y el estimador la incorpora correctamente, la desigualdad puede ser tratada. Si la multiplicidad es desconocida, se convierte en un problema de marco que impide conocer adecuadamente las probabilidades y puede distorsionar la inferencia.

    · · ·

    Algunas consecuencias generales

    De los problemas anteriores pueden extraerse cuatro principios que atraviesan la teoría de encuestas.

    Primero, el diseño y la estimación forman una unidad. No existe un estimador cuyo significado inferencial pueda separarse completamente del modo en que se produjo la muestra. La ponderación, la estimación de varianzas y la interpretación de los intervalos dependen del diseño.

    Segundo, aleatoriedad no significa necesariamente igualdad. Un diseño puede ser probabilístico y asignar probabilidades desiguales; lo decisivo es que el mecanismo sea probabilísticamente definido y que sus probabilidades relevantes puedan incorporarse en la inferencia.

    Tercero, error de muestreo no es error total de encuesta. Un intervalo estrecho puede coexistir con subcobertura, no respuesta diferencial, medición deficiente o errores de procesamiento. La precisión matemática de una componente no debe confundirse con validez global.

    Cuarto, la operación estadística es también una operación material. Marcos, listados, entrevistas, algoritmos de selección, saltos de cuestionario y reglas de edición son prácticas concretas. La teoría no flota por encima de ellas: sus supuestos se realizan —o se violan— en el proceso efectivo de producir el dato.

    Referencias

    AAPOR. (2023). Standard Definitions: Final Dispositions of Case Codes and Outcome Rates for Surveys (10th ed.). American Association for Public Opinion Research. https://aapor.org/standards-and-ethics/standard-definitions/

    Biemer, P. P., & Lyberg, L. E. (2003). Introduction to Survey Quality. Wiley. https://doi.org/10.1002/0471458740

    Cochran, W. G. (1977). Sampling Techniques (3rd ed.). Wiley.

    Groves, R. M. (1989). Survey Errors and Survey Costs. Wiley. https://doi.org/10.1002/0471725277

    Groves, R. M., Fowler, F. J. Jr., Couper, M. P., Lepkowski, J. M., Singer, E., & Tourangeau, R. (2009). Survey Methodology (2nd ed.). Wiley.

    Horvitz, D. G., & Thompson, D. J. (1952). A generalization of sampling without replacement from a finite universe. Journal of the American Statistical Association, 47(260), 663-685. https://doi.org/10.1080/01621459.1952.10483446

    Kalton, G., & Kasprzyk, D. (1986). The treatment of missing survey data. Survey Methodology, 12(1), 1-16.

    Kish, L. (1965). Survey Sampling. Wiley.

    Lohr, S. L. (2021). Sampling: Design and Analysis (3rd ed.). CRC Press.

    Särndal, C.-E., Swensson, B., & Wretman, J. (1992). Model Assisted Survey Sampling. Springer.

    Statistics Canada. (2003). Survey Methods and Practices. Catalogue no. 12-587-X. https://www150.statcan.gc.ca/n1/en/pub/12-587-x/12-587-x2003001-eng.pdf

    United Nations Statistics Division. (2008). Designing Household Survey Samples: Practical Guidelines. Studies in Methods, Series F, No. 98. https://unstats.un.org/unsd/publication/seriesf/seriesf_98e.pdf

    U.S. Census Bureau. (2021). Questionnaire Testing and Evaluation Methods for Censuses and Surveys. https://www.census.gov/about/policies/quality/standards/appendixa2.html

    Sitios de interés adicional

    Los siguientes recursos pueden ser útiles para orientación rápida, discusión, ejemplos o navegación bibliográfica. No sustituyen las fuentes metodológicas citadas arriba.

  • MODELO LOGIT O REGRESIÓN LOGÍSTICA

    MODELO LOGIT O REGRESIÓN LOGÍSTICA

    Estadística matemática · Modelos lineales generalizados

    Modelo logit o regresión logística

    Sobre la especificación estadística, la transformación logit y el vínculo entre probabilidades, odds y predictores lineales


    Como señalan Aldrich y Nelson (1984), toda inferencia estadística presupone alguna especificación del fenómeno que se pretende estudiar. No basta, por tanto, con disponer de un modelo matemáticamente elegante ni con poseer un procedimiento computacional capaz de estimarlo. El problema previo es otro: determinar si las propiedades matemáticas del modelo guardan una correspondencia científicamente defendible con las propiedades del objeto real que se investiga.

    Ésta es una cuestión que antecede a la estimación. La teoría estadístico-matemática puede decirnos qué propiedades posee un estimador bajo determinadas condiciones; no puede, por sí sola, garantizar que esas condiciones describan adecuadamente el proceso material, económico, social o natural del cual proceden los datos. Cuando la especificación fracasa, también pueden fracasar las propiedades inferenciales sobre las cuales descansan nuestras conclusiones.

    El modelo logit constituye un buen ejemplo de este problema general. Su utilidad no se deriva simplemente de que sea popular o de que los programas estadísticos permitan estimarlo con facilidad. Se deriva de la relación específica que establece entre una variable de respuesta dicotómica, una probabilidad condicionada y una función matemática capaz de transformar dicha probabilidad en una magnitud que puede ser representada mediante un predictor lineal.

    La simplicidad constituye una buena hipótesis de partida cuando no existe conocimiento que obligue a hacer otra cosa. Pero allí donde la teoría o la evidencia indican una estructura distinta, la simplicidad deja de ser una justificación para imponerla.

    1. El problema del modelo de probabilidad lineal

    Supongamos una variable dicotómica \(Y_i\), que puede tomar únicamente los valores cero y uno. Podemos definir:

    \[ P_i \equiv P(Y_i=1\mid X_i). \]

    La esperanza condicional de una variable de Bernoulli coincide precisamente con su probabilidad de éxito:

    \[ E(Y_i\mid X_i)=P_i. \]

    Una primera posibilidad consiste en representar esa probabilidad mediante una función lineal de las variables explicativas:

    \[ P_i = \beta_0+\beta_1X_{i1}+\cdots+\beta_kX_{ik}. \]

    El problema matemático aparece inmediatamente. Una probabilidad debe satisfacer:

    \[ 0\leq P_i\leq1, \]

    mientras que un predictor lineal como \(\beta_0+\beta_1X_{i1}+\cdots+\beta_kX_{ik}\) no posee, en general, tales límites. Puede producir números menores que cero o mayores que uno. Un modelo lineal de probabilidad puede ser útil en determinados contextos como aproximación y posee algunas ventajas interpretativas, pero esta incompatibilidad entre el rango del predictor lineal y el rango de una probabilidad constituye una razón fundamental para buscar otra especificación.

    No necesitamos abandonar el predictor lineal. Lo que podemos hacer es transformar la probabilidad.

    2. De la probabilidad a los odds y al logit

    Si \(0<P_i<1\), podemos formar el cociente:

    \[ \frac{P_i}{1-P_i}. \]

    Esta cantidad recibe habitualmente el nombre de odds o razón de posibilidades. Compara la probabilidad de que ocurra el acontecimiento con la probabilidad de que no ocurra.

    Por ejemplo, si \(P_i=0.75\):

    \[ \frac{0.75}{1-0.75}=3. \]

    Los odds son, por tanto, de 3 a 1 a favor del acontecimiento. Esta transformación elimina el límite superior de la probabilidad, pero no elimina todas las restricciones:

    \[ \frac{P_i}{1-P_i}\in(0,\infty). \]

    Los odds siguen siendo necesariamente positivos. Para obtener una magnitud capaz de recorrer toda la recta real se aplica el logaritmo natural:

    \[ \log\left(\frac{P_i}{1-P_i}\right)\in(-\infty,\infty). \]

    Esta transformación es el logit de la probabilidad:

    \[ \operatorname{logit}(P_i) = \log\left(\frac{P_i}{1-P_i}\right). \]

    Ahora sí tenemos una cantidad cuyo dominio de valores es compatible con el de un predictor lineal. Podemos, entonces, especificar:

    \[ \log\left(\frac{P_i}{1-P_i}\right) = \beta_0+\beta_1X_{i1}+\cdots+\beta_kX_{ik} \equiv Z_i. \]
    Distinción fundamental

    La probabilidad \(P_i\) pertenece al intervalo \((0,1)\); los odds \(P_i/(1-P_i)\) pertenecen a \((0,\infty)\); y los log-odds o logit pertenecen a toda la recta real \((-\infty,\infty)\). Son tres escalas distintas y no deben confundirse.

    3. La función logística

    Una vez establecida la relación anterior, podemos despejar \(P_i\). Partimos de:

    \[ \log\left(\frac{P_i}{1-P_i}\right)=Z_i. \]

    Aplicando la función exponencial:

    \[ \frac{P_i}{1-P_i}=e^{Z_i}. \]

    Mediante manipulación algebraica:

    \[ P_i = \frac{e^{Z_i}}{1+e^{Z_i}} = \frac{1}{1+e^{-Z_i}}. \]

    Hemos llegado a la función logística estándar. La transformación resuelve precisamente el problema que nos interesaba: \(Z_i\) puede adoptar cualquier valor real, pero el resultado de la función siempre se encuentra entre cero y uno.

    01

    Si \(Z_i\rightarrow-\infty\), entonces \(P_i\rightarrow0\).

    02

    Si \(Z_i=0\), entonces \(P_i=0.5\).

    03

    Si \(Z_i\rightarrow+\infty\), entonces \(P_i\rightarrow1\).

    La función es continua, suave y monótonamente creciente. Su forma es la conocida curva sigmoidea o curva en S. La logística estándar posee además simetría rotacional alrededor del punto \((0,1/2)\).

    Una expresión más general de la función logística es:

    \[ f(x) = \frac{L}{1+e^{-k(x-x_0)}}, \]

    donde \(L\) determina el límite superior, \(k\) regula la rapidez del crecimiento y \(x_0\) determina la posición del punto medio. La función logística estándar empleada habitualmente para transformar un predictor lineal en una probabilidad corresponde a:

    \[ L=1,\qquad k=1,\qquad x_0=0. \]

    Conviene distinguir, además, la función logística utilizada aquí como inversa de la función enlace de la distribución logística. Ambos objetos están relacionados, pero no son sinónimos.

    4. ¿Por qué una función logística?

    Haber encontrado una función matemáticamente conveniente no resuelve por sí solo el problema de la especificación. Como observan Aldrich y Nelson (1984), existen muchas funciones capaces de transformar un predictor no restringido en una probabilidad. La logística no constituye la única posibilidad.

    Entre los modelos alternativos más conocidos se encuentra el probit, que utiliza como inversa del enlace la función de distribución acumulada normal estándar. También existe, entre otros, el enlace complementary log-log. Cada elección impone una estructura matemática diferente a la relación entre el predictor y la probabilidad.

    Modelo Función enlace Rasgo principal
    Logit \(\log[p/(1-p)]\) Interpretación natural mediante odds y odds ratios.
    Probit \(\Phi^{-1}(p)\) Utiliza la distribución normal acumulada.
    Complementary log-log \(\log[-\log(1-p)]\) Introduce una respuesta asimétrica respecto de la probabilidad.

    Logit y probit suelen producir resultados empíricos muy semejantes en una gran cantidad de aplicaciones, especialmente en la zona central de sus respectivas curvas. Esto no significa que sean matemáticamente idénticos ni que la elección pueda hacerse siempre de manera indiferente. El criterio correcto sigue siendo sustantivo y estadístico: qué estructura resulta justificable para el fenómeno, qué propiedades inferenciales necesitamos y qué aspectos de la respuesta interesa representar.

    La existencia de un modelo estadístico disponible no constituye una prueba de que ese modelo corresponda al objeto. Elegir una función enlace es también formular una hipótesis acerca de la forma matemática de la relación estudiada.

    5. El modelo estadístico

    Hasta este punto hemos examinado principalmente la geometría de la transformación. Pero una regresión logística no consiste únicamente en dibujar una curva en S. Es un modelo probabilístico.

    Cuando cada observación representa un resultado individual dicotómico, la formulación natural es:

    \[ Y_i\mid X_i \sim \operatorname{Bernoulli}(P_i), \]

    con:

    \[ P_i = \frac{1} {1+\exp[-(\beta_0+\beta_1X_{i1}+\cdots+\beta_kX_{ik})]}. \]

    Si, en cambio, las observaciones están agrupadas y registramos \(Y_i\) éxitos dentro de \(n_i\) ensayos, podemos escribir:

    \[ Y_i\mid X_i \sim \operatorname{Binomial}(n_i,P_i). \]

    Esta distinción es importante. No resulta preciso afirmar simplemente que «el conjunto de datos sigue una distribución binomial». La distribución probabilística se especifica para la variable de respuesta condicionada a las covariables y depende de la estructura de observación de los datos.

    En el lenguaje de los modelos lineales generalizados, la regresión logística combina tres elementos:

    I

    Componente aleatorio: una respuesta Bernoulli o binomial.

    II

    Componente sistemático: el predictor lineal \(X_i\beta\).

    III

    Función enlace: \(g(P_i)=\log[P_i/(1-P_i)]\).

    La función logística \(g^{-1}(Z)=1/(1+e^{-Z})\) es, por tanto, la inversa de ese enlace.

    6. Estimación mediante máxima verosimilitud

    Los coeficientes de una regresión logística no se obtienen habitualmente minimizando la suma de cuadrados de los residuos como en la regresión lineal ordinaria. Se estiman mediante máxima verosimilitud.

    Para observaciones Bernoulli independientes condicionadas a las covariables, la contribución de cada observación a la verosimilitud puede escribirse como:

    \[ P_i^{Y_i}(1-P_i)^{1-Y_i}. \]

    Para \(n\) observaciones:

    \[ L(\beta) = \prod_{i=1}^{n} P_i^{Y_i}(1-P_i)^{1-Y_i}. \]

    El procedimiento busca los valores de los parámetros \(\beta\) que hacen más verosímiles los resultados efectivamente observados bajo el modelo especificado. En la práctica se maximiza normalmente el logaritmo de la verosimilitud:

    \[ \ell(\beta) = \sum_{i=1}^{n} \left[ Y_i\log(P_i) +(1-Y_i)\log(1-P_i) \right]. \]

    No existe en general una fórmula cerrada equivalente a la de mínimos cuadrados ordinarios para obtener los coeficientes. La solución se obtiene mediante procedimientos numéricos iterativos.

    7. Cómo interpretar los coeficientes

    Éste es uno de los puntos que más confusión provoca cuando se pasa de la regresión lineal a la logística. Si:

    \[ \log\left(\frac{P_i}{1-P_i}\right) = \beta_0+\beta_1X_{i1}+\cdots+\beta_kX_{ik}, \]

    entonces \(\beta_j\) no representa directamente el cambio en la probabilidad producido por una unidad adicional de \(X_j\). Representa el cambio en los log-odds, manteniendo constantes las demás variables del predictor.

    Al exponenciar el coeficiente obtenemos una interpretación más intuitiva:

    \[ e^{\beta_j}. \]

    Éste es el factor por el cual se multiplican los odds cuando \(X_j\) aumenta en una unidad, ceteris paribus.

    Ejemplo

    Si \(\beta_j=0.5\), entonces:

    \[ e^{0.5}\approx1.65. \]

    Una unidad adicional de \(X_j\) multiplica los odds por aproximadamente 1.65, es decir, los incrementa aproximadamente en un 65 %, manteniendo constantes las demás variables. Esto no significa que la probabilidad aumente 0.5 ni 50 puntos porcentuales.

    El efecto sobre la probabilidad no es constante

    La razón es que la relación entre \(Z_i=X_i\beta\) y \(P_i\) es no lineal. Para una variable continua \(X_j\), y en la especificación aditiva simple, el efecto marginal es:

    \[ \frac{\partial P_i}{\partial X_{ij}} = \beta_jP_i(1-P_i). \]

    Por tanto, un mismo coeficiente \(\beta_j\) puede corresponder a cambios diferentes en la probabilidad dependiendo del punto de la curva en que se encuentre cada observación. La respuesta es más sensible en la región central de la función logística y menos sensible cerca de sus extremos.

    Ésta no es una dificultad accidental del modelo. Es una consecuencia directa de la estructura matemática que hemos decidido utilizar.

    8. Evaluación y diagnóstico

    Estimar un conjunto de coeficientes no termina el problema. Hay que preguntarse si el modelo describe suficientemente bien la información que se pretende explicar y, sobre todo, si las inferencias que deseamos extraer de él son defendibles.

    Razón de verosimilitudes

    Una comparación clásica consiste en enfrentar el modelo que contiene las variables explicativas con otro que contiene únicamente la constante. El estadístico de razón de verosimilitudes puede escribirse como:

    \[ LR = 2\left[ \ell(\widehat{\beta}_{\text{modelo}}) – \ell(\widehat{\beta}_{\text{restringido}}) \right], \]

    y, bajo condiciones regulares, posee aproximadamente una distribución chi-cuadrado con grados de libertad correspondientes al número de restricciones contrastadas.

    Este contraste puede indicarnos si el conjunto de predictores mejora el ajuste respecto de un modelo más restringido. No debe confundirse, sin embargo, con una evaluación completa de la utilidad científica del modelo.

    La significancia no basta

    Dependiendo del objetivo de la investigación conviene examinar también aspectos como:

    • la calibración de las probabilidades estimadas;
    • la capacidad de discriminación entre resultados;
    • la deviance y los residuos apropiados para modelos lineales generalizados;
    • la estabilidad de los coeficientes;
    • la presencia de observaciones influyentes;
    • el desempeño fuera de muestra cuando el objetivo es predictivo;
    • y, sobre todo, la adecuación de la forma funcional y de los supuestos al problema científico.

    9. La especificación vuelve al centro

    Llegamos así nuevamente al problema con el cual comenzamos. La regresión logística resuelve elegantemente una dificultad matemática: permite relacionar un predictor no restringido con una probabilidad necesariamente comprendida entre cero y uno. Pero esta virtud matemática no convierte al logit en una elección automática para todo fenómeno dicotómico.

    Su utilización presupone una determinada estructura. Entre otras cosas, conviene estudiar si el predictor lineal es una representación adecuada de los log-odds, si la dependencia entre observaciones ha sido correctamente modelada, si existen interacciones o no linealidades relevantes y si aparece separación completa o cuasicompleta, circunstancia capaz de producir estimaciones de máxima verosimilitud problemáticas o no finitas.

    Algunas preguntas previas a la inferencia
    • ¿Existe una justificación científica para las variables incluidas y la forma en que entran en el predictor?
    • ¿La relación aproximadamente lineal que se supone corresponde a los log-odds, o hacen falta transformaciones, términos no lineales o interacciones?
    • ¿La estructura de dependencia de las observaciones está representada adecuadamente?
    • ¿Hay suficiente información en los datos para identificar los parámetros?
    • ¿El objetivo es explicativo, predictivo, descriptivo o causal?

    La última pregunta merece especial atención. Una asociación obtenida mediante regresión logística no adquiere carácter causal por haber sido expresada mediante coeficientes, probabilidades u odds ratios. La causalidad exige supuestos y un diseño capaces de justificar esa interpretación.

    Del mismo modo, un modelo puede ser una aproximación útil aun sin constituir una descripción literalmente exacta del proceso generador de los datos. El problema científico consiste entonces en determinar qué propiedades de la aproximación son suficientemente robustas para el propósito inferencial concreto.

    · · ·

    La enseñanza más general no se limita, por tanto, a la regresión logística. Un modelo estadístico es un instrumento matemático que contiene una estructura específica: un espacio de resultados posibles, una distribución probabilística, una forma funcional, parámetros y supuestos acerca de las relaciones entre las magnitudes. Aplicarlo significa afirmar —explícita o implícitamente— que esas propiedades guardan alguna correspondencia relevante con el fenómeno estudiado.

    Desde este punto de vista, el problema de la especificación posee un contenido genuinamente gnoseológico. La matemática no es una decoración colocada posteriormente sobre los datos. Tampoco los datos, por sí solos, determinan qué modelo debe emplearse. Entre el objeto real y la expresión matemática existe una mediación teórica que debe ser examinada, criticada y contrastada.

    El logit constituye una solución particularmente elegante porque transforma una probabilidad restringida en una magnitud sin restricciones y permite recuperar posteriormente una probabilidad válida mediante la función logística:

    \[ \boxed{ \log\left(\frac{P_i}{1-P_i}\right)=X_i\beta \quad\Longleftrightarrow\quad P_i=\frac{1}{1+e^{-X_i\beta}} }. \]

    Pero la elegancia de la transformación no sustituye a la investigación del objeto. Precisamente porque el modelo posee propiedades matemáticas determinadas, debemos preguntarnos cuándo esas propiedades son pertinentes. Allí se encuentra el punto de contacto entre estadística, matemática y conocimiento científico.

    Nota terminológica
    En este texto se utiliza logit para designar la función enlace \(\log[p/(1-p)]\) y función logística para su inversa \(1/(1+e^{-z})\). En aplicaciones con respuestas binarias individuales se emplea una distribución Bernoulli condicionada a las covariables; con conteos agrupados de éxitos puede emplearse una distribución binomial.

    Referencias

    Aldrich, J. H., & Nelson, F. D. (1984). Linear Probability, Logit, and Probit Models. Beverly Hills: Sage University Papers Series, Quantitative Applications in the Social Sciences.

    Liao, T. F. (1994). Interpreting Probability Models: Logit, Probit, and Other Generalized Linear Models. Sage University Papers Series, Quantitative Applications in the Social Sciences.

    McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (2nd ed.). London: Chapman & Hall.

  • CONJUNTOS Y COMBINATORIA EN R: UNA EXPLORACIÓN COMPUTACIONAL DEL PRODUCTO CARTESIANO, EL CONJUNTO POTENCIA, LAS PERMUTACIONES Y LAS COMBINACIONES

    CONJUNTOS Y COMBINATORIA EN R: UNA EXPLORACIÓN COMPUTACIONAL DEL PRODUCTO CARTESIANO, EL CONJUNTO POTENCIA, LAS PERMUTACIONES Y LAS COMBINACIONES

    Marxist Philosophy of Science
    Matemática · Computación · Método

    Conjuntos y Combinatoria en R

    Una exploración computacional del producto cartesiano, el conjunto potencia, las permutaciones y las combinaciones

    JOSÉ MAURICIO GÓMEZ JULIÁN

    Publicado originalmente el 4 de abril de 2021 · Versión revisada y ampliada

    Resumen

    Este artículo articula definiciones, argumentos de conteo y experimentos reproducibles en R para estudiar construcciones sobre conjuntos finitos. Se examinan el producto cartesiano y el conjunto potencia, las selecciones ordenadas con y sin repetición, las combinaciones y las permutaciones de multiconjuntos. La exposición distingue los objetos matemáticos de sus representaciones informáticas, explica el papel del orden y de las multiplicidades, precisa la relación entre conjunto potencia y σ-álgebra y separa el cálculo de cardinalidades de la enumeración exhaustiva.

    Palabras clave: conjuntos finitos; combinatoria; R; RStudio; producto cartesiano; conjunto potencia; σ-álgebra; permutaciones; combinaciones; reproducibilidad.

    Contar es establecer qué diferencias hacen que dos objetos deban considerarse distintos. Antes de ejecutar una función o aplicar una fórmula, necesitamos decidir si el orden importa, si un elemento puede reaparecer y si estamos construyendo subconjuntos, secuencias o colecciones con multiplicidades. R ofrece un laboratorio accesible para hacer visibles estas decisiones y confrontar sus consecuencias con resultados que podemos inspeccionar.

    La aproximación empírica que aquí se propone consiste en construir ejemplos finitos, comparar representaciones y verificar identidades en casos concretos. Esa actividad tiene valor exploratorio, pedagógico y de control de implementación. Una identidad válida para todos los tamaños exige, además, un argumento general: ejecutar un programa para varios valores no convierte por sí solo una regularidad observada en un teorema.

    1. Objetos matemáticos y representaciones en R

    Un conjunto es una colección de elementos en la que la pertenencia resulta determinante: repetir la escritura de un elemento o alterar el orden de presentación no produce otro conjunto. Así, {a, b, a} y {b, a} representan el mismo conjunto. En cambio, las secuencias (a, b) y (b, a) son diferentes, y la secuencia (a, a) tiene dos posiciones aunque solo emplee un símbolo distinto.

    Un multiconjunto conserva cuántas veces aparece cada tipo de elemento, sin distinguir posiciones. Por ejemplo, {a, a, b} y {a, b, a} describen el mismo multiconjunto, diferente de {a, b, b}. En esta notación, las llaves se usan de manera informal para mostrar multiplicidades; el contexto aclarará cuándo representan un conjunto ordinario y cuándo un multiconjunto.

    Qué diferencias conserva cada objeto
    ObjetoOrdenMultiplicidadEjemplo
    ConjuntoNo distingue posicionesSolo pertenencia{a, b} = {b, a, a}
    Secuencia o tuplaSí distingue posicionesPuede incluir repeticiones(a, b) ≠ (b, a)
    MulticonjuntoNo distingue posicionesSí conserva cantidades{a, a, b} ≠ {a, b, b}

    Un vector de R posee posiciones y puede tener valores repetidos; por ello, no es automáticamente un conjunto matemático. Para los ejemplos de este artículo, representaremos los conjuntos mediante vectores numéricos finitos o de texto sin duplicados ni valores ausentes. La función unique() elimina valores repetidos; setequal() compara pertenencia ignorando orden y duplicados, mientras que identical() compara de manera estricta los objetos de R. Las operaciones conjuntistas de R se documentan en [1].

    Código en R
    x <- c("a", "b", "a")
    A <- unique(x)
    A
    # [1] "a" "b"
    
    setequal(x, c("b", "a"))
    # [1] TRUE
    
    identical(c("a", "b"), c("b", "a"))
    # [1] FALSE

    1.1. Operaciones básicas y leyes verificables

    La unión A ∪ B reúne elementos presentes en al menos uno de los conjuntos; la intersección A ∩ B conserva los comunes; la diferencia A ∖ B retiene los que pertenecen a A y no a B. El complemento requiere especificar un universo Ω: Ac = Ω ∖ A. Sin universo explícito, la expresión “todo lo que no está en A” no determina un conjunto concreto.

    Código en R
    S <- c("a", "b")
    T <- c("b", "c")
    Omega <- c("a", "b", "c", "d")
    union(S, T)             # "a" "b" "c"
    intersect(S, T)         # "b"
    setdiff(S, T)           # "a"
    setdiff(T, S)           # "c"
    setdiff(Omega, S)       # "c" "d"
    all(S %in% union(S, T)) # TRUE: S es subconjunto de S unión T

    Para conjuntos finitos, la identidad |S ∪ T| = |S| + |T| − |S ∩ T| corrige el doble conteo de los elementos compartidos. Las leyes de De Morgan describen cómo interactúan complemento, unión e intersección: (S ∪ T)c = Sc ∩ Tc y (S ∩ T)c = Sc ∪ Tc. Se justifican examinando la pertenencia de un elemento arbitrario; el script también las verifica en este ejemplo.

    2. Preparación del entorno y contrato de lectura

    R es el lenguaje y entorno de cálculo; RStudio es una interfaz de desarrollo que permite trabajar con R. El código también puede ejecutarse en la consola de R o mediante Rscript. Los ejemplos básicos utilizan R y sus paquetes estándar; las enumeraciones adicionales recurren a gtools, y se conserva rje::powerSet() como alternativa para el conjunto potencia [7].

    Código en R
    # Ejecutar una sola vez si no están instalados:
    # install.packages(c("gtools", "rje"))
    
    A <- c("a", "b", "c")  # Ejemplo pequeño e inspeccionable
    B <- c(1, 2, 3)
    conjunto <- 1:10        # Caso numérico de referencia
    n <- length(conjunto)
    k <- 3                 # Longitud de selección, cuando corresponda

    Las salidas precedidas por # son comentarios que anticipan resultados, no instrucciones adicionales. Las secciones siguientes contienen fragmentos didácticos; el script completo reúne las funciones auxiliares y las comprobaciones en un orden ejecutable. Los nombres de paquetes se explicitan con paquete::funcion() para identificar de dónde procede cada operación.

    Las representaciones visuales y las tablas se construyen como texto y HTML accesible. Esto permite seleccionar los símbolos, ampliar la página y consultar las fórmulas sin depender de capturas de pantalla.

    3. Producto cartesiano: construir pares y tuplas

    Dados dos conjuntos A y B, su producto cartesiano A × B es el conjunto de todos los pares ordenados (a, b) tales que a pertenece a A y b pertenece a B. Si ambos son finitos, cada elemento de A puede emparejarse con cada elemento de B:

    A × B = {(a, b) : a ∈ A, b ∈ B}
    |A × B| = |A| · |B|

    Las barras verticales indican cardinalidad.

    El producto cartesiano conserva la posición de las coordenadas. En general, A × B y B × A son conjuntos diferentes, aunque tengan la misma cardinalidad. Si ambos factores son el mismo conjunto, pueden aparecer pares como (a, a): compartir el conjunto de origen no obliga a que las coordenadas sean distintas.

    A = {a, b, c}; B = {1, 2, 3}; nueve pares ordenados
    A / B123
    a(a, 1)(a, 2)(a, 3)
    b(b, 1)(b, 2)(b, 3)
    c(c, 1)(c, 2)(c, 3)

    En R, expand.grid() produce una fila por cada combinación de coordenadas. Aquí, “combinación” en la documentación de la función alude a una configuración de valores de las variables, no a una selección sin orden en el sentido combinatorio de las secciones posteriores. Especificamos stringsAsFactors = FALSE para conservar el texto como texto y omitimos atributos auxiliares con KEEP.OUT.ATTRS = FALSE [2].

    Código en R
    producto <- expand.grid(
      A = A, B = B,
      KEEP.OUT.ATTRS = FALSE,
      stringsAsFactors = FALSE
    )
    nrow(producto)
    # [1] 9
    
    producto_10 <- expand.grid(
      x = conjunto, y = conjunto,
      KEEP.OUT.ATTRS = FALSE,
      stringsAsFactors = FALSE
    )
    nrow(producto_10)
    # [1] 100

    Para k coordenadas elegidas en A, escribimos Ak. Si |A| = n, entonces |Ak| = nk. Para k = 0 se adopta A0 = {()}, el conjunto que contiene la tupla vacía. Esta convención mantiene la cardinalidad igual a 1 incluso cuando A es vacío.

    4. Conjunto potencia: todos los subconjuntos

    El conjunto potencia de A, escrito 𝒫(A), reúne todos sus subconjuntos, incluidos ∅ y el propio A. Cada elemento de A enfrenta dos posibilidades al construir un subconjunto: se incluye o no se incluye. Para n elementos distintos, el principio multiplicativo da:

    𝒫(A) = {S : S ⊆ A}
    |𝒫(A)| = 2n

    Para A = {a, b, c}, los ocho subconjuntos pueden agruparse según su tamaño. Esta disposición por niveles hace visible la distribución 1, 3, 3, 1; para representar un diagrama de Hasse completo habría que añadir las relaciones de cobertura entre niveles contiguos.

    Conjunto potencia por niveles de cardinalidad

    Podemos construirlo con R estándar enumerando combinaciones de cada tamaño. En el código se emplean índices, para evitar que un vector numérico de longitud uno sea interpretado por combn() como un tamaño de población.

    Código en R
    A <- c("a", "b", "c")
    PA <- list(A[0])  # Una lista que CONTIENE el subconjunto vacío
    for (k in seq_len(length(A))) {
      indices <- utils::combn(seq_along(A), k, simplify = FALSE)
      PA <- c(PA, lapply(indices, function(i) A[i]))
    }
    length(PA)
    # [1] 8
    
    # Alternativa con el paquete empleado en la versión inicial:
    # PA <- rje::powerSet(A)
    # P10 <- rje::powerSet(1:10)
    # length(P10)  # 1024

    4.1. Por qué el conjunto potencia es una σ-álgebra

    Una σ-álgebra ℱ sobre un universo Ω es una familia de subconjuntos que contiene Ω, es cerrada bajo complementos relativos a Ω y es cerrada bajo uniones numerables. De estas condiciones se sigue que también contiene ∅. El conjunto potencia 𝒫(Ω) satisface estas condiciones porque contiene todos los subconjuntos posibles de Ω [6].

    Sin embargo, “conjunto potencia” y “σ-álgebra” no son sinónimos. Sobre Ω = {a, b, c}, tanto {∅, Ω} como {∅, {a}, {b, c}, Ω} son σ-álgebras; ninguna coincide con los ocho elementos de 𝒫(Ω). La primera solo distingue el evento imposible del seguro; la segunda distingue el bloque {a} del bloque {b, c}.

    En un universo finito, toda familia de subconjuntos es finita. Por ello, comprobar cierre por uniones binarias, junto con los demás axiomas, permite establecer cierre por uniones numerables: en una unión numerable solo interviene un número finito de subconjuntos distintos. El script ofrece un verificador para este escenario finito. Tal procedimiento no se extrapola sin más a universos infinitos.

    4.2. Relación con las combinaciones

    Los subconjuntos de A quedan particionados por sus tamaños. Hay exactamente un subconjunto de tamaño cero, n de tamaño uno y, en general, un número binomial de tamaño k. Por tanto:

    ∑k=0n C(n, k) = 2n

    El resultado cuenta todos los subconjuntos una vez, incluidos el vacío y el conjunto completo.

    La correspondencia entre un subconjunto y su vector de indicadores de pertenencia también establece una biyección entre 𝒫(A) y {0, 1}n. Es una conexión estructural con las secuencias binarias, no una mera coincidencia numérica.

    5. Selecciones ordenadas sin repetición

    Elegimos k elementos distintos entre n disponibles y asignamos una posición a cada uno. Para la primera posición hay n posibilidades; para la segunda, n − 1; y así sucesivamente. Para 0 ≤ k ≤ n:

    P(n, k) = n(n − 1) ··· (n − k + 1) = n!(n − k)!

    Estas construcciones se denominan también variaciones, arreglos o permutaciones parciales sin repetición, según la tradición terminológica. Cuando k = n se obtienen las permutaciones completas: P(n, n) = n!. Si k > n no hay selecciones posibles sin repetición, y para k = 0 hay una única selección vacía.

    Con A = {a, b, c} y k = 2 obtenemos seis secuencias: (a, b), (a, c), (b, a), (b, c), (c, a) y (c, b). Una misma pareja de símbolos puede aparecer en dos órdenes distintos.

    Código en R
    n <- 10
    k <- 3
    prod(n - seq_len(k) + 1)
    # [1] 720
    
    # Enumeración pequeña; requiere gtools:
    # p2 <- gtools::permutations(3, 2, v = A)
    # nrow(p2)  # 6

    El producto descendente evita calcular dos factoriales grandes por separado, aunque también puede desbordar para tamaños elevados. La función general del script trata primero k = 0, de modo que no construye intervalos descendentes engañosos.

    5.1. Sumar longitudes diferentes

    Contar todas las secuencias no vacías de longitudes 1 a n corresponde a sumar P(n, k), no a calcular una sola permutación. Para n = 10, el total es 9.864.100; si incluimos la tupla vacía, asciende a 9.864.101. Las longitudes distinguen objetos: una secuencia de dos posiciones nunca es la misma que una de tres.

    Código en R
    n <- 10
    conteos <- vapply(seq_len(n), function(k) {
      prod(n - seq_len(k) + 1)
    }, numeric(1))
    sum(conteos)
    # [1] 9864100

    6. Selecciones ordenadas con repetición libre

    Si un símbolo puede reaparecer en cada posición, siempre hay n opciones y no se reduce el conjunto disponible. Las secuencias de longitud k forman el producto cartesiano Ak:

    R(n, k) = nk

    Para A = {a, b, c} y k = 2, los nueve resultados son (a, a), (a, b), (a, c), (b, a), (b, b), (b, c), (c, a), (c, b) y (c, c). Respecto del apartado anterior, se han añadido los pares de símbolos iguales.

    Código en R
    n <- 10
    k <- 3
    n^k
    # [1] 1000
    
    # Con repetición libre, indicado de manera explícita:
    # r2 <- gtools::permutations(
    #   3, 2, v = A, repeats.allowed = TRUE
    # )
    # nrow(r2)  # 9
    
    # Sin paquetes externos para el caso de dos posiciones:
    pares <- expand.grid(x = A, y = A,
                         KEEP.OUT.ATTRS = FALSE,
                         stringsAsFactors = FALSE)
    nrow(pares)
    # [1] 9

    Para n = 10 y k = 10, el conteo es 10.000.000.000. Aquí conviene calcular la cardinalidad y detenerse: no es un ejemplo razonable para generar de forma exhaustiva en una computadora corriente. La protección de memoria del script impide esa enumeración.

    7. Combinaciones sin repetición: elegir subconjuntos

    Ahora elegimos k elementos distintos y dejamos de distinguir el orden. Cada subconjunto de tamaño k da lugar a k! secuencias ordenadas. Al dividir el conteo anterior por esa cantidad obtenemos:

    C(n, k) = nk = n!k!(n − k)!

    Dominio factorial: 0 ≤ k ≤ n. Por convenio combinatorio, C(n, k) = 0 cuando k > n.

    Con A = {a, b, c} y k = 2, hay tres subconjuntos: {a, b}, {a, c} y {b, c}. Que un programa escriba {a, b} siguiendo el orden del vector de entrada no significa que el subconjunto tenga posiciones.

    Código en R
    choose(10, 3)
    # [1] 120
    
    A <- c("a", "b", "c")
    indices <- utils::combn(seq_along(A), 2, simplify = FALSE)
    subconjuntos <- lapply(indices, function(i) A[i])
    length(subconjuntos)
    # [1] 3
    
    # Otra representación: cada columna es una combinación.
    utils::combn(A, 2)
    #      [,1] [,2] [,3]
    # [1,] "a"  "a"  "b"
    # [2,] "b"  "c"  "c"

    choose() calcula cardinalidades; combn() genera selecciones. Por defecto, la segunda organiza los resultados por columnas, mientras que gtools::combinations() los organiza por filas. Confundir estas orientaciones lleva a contar la longitud de la selección en lugar de la cantidad de selecciones [3].

    Para un conjunto de diez elementos, sumar las combinaciones de tamaños 1 a 10 da 1.023 subconjuntos no vacíos. Al añadir el vacío obtenemos los 1.024 elementos de su conjunto potencia. La igualdad C(n, k) = C(n, n − k) se explica, además, mediante la biyección que asigna a cada subconjunto su complemento.

    8. Combinaciones con repetición: elegir multiplicidades

    Tenemos n tipos disponibles, elegimos un total de k unidades y permitimos repetir tipos, sin distinguir posiciones. Un resultado puede describirse mediante multiplicidades enteras no negativas x₁, …, xₙ que satisfacen:

    x₁ + x₂ + ··· + xₙ = k,   xᵢ ≥ 0

    Para n ≥ 1, el método de estrellas y barras representa las k unidades mediante estrellas y separa las n categorías con n − 1 barras. Elegir las posiciones de las estrellas entre k + n − 1 lugares equivale a elegir las multiplicidades:

    M(n, k) = C(n + k − 1, k) = (n + k − 1)!k!(n − 1)!

    Con A = {a, b, c} y k = 2, las seis selecciones son {a, a}, {a, b}, {a, c}, {b, b}, {b, c} y {c, c}. En particular, {a, b} y {b, a} representan el mismo resultado. Para n = 10 y k = 3, el conteo asciende a 220.

    Código en R
    n <- 10
    k <- 3
    choose(n + k - 1, k)
    # [1] 220
    
    # Enumeración pequeña; requiere gtools:
    # m2 <- gtools::combinations(
    #   3, 2, v = A, repeats.allowed = TRUE
    # )
    # nrow(m2)  # 6

    Como ejemplo visual adicional, con los cuatro símbolos {1, 2, 3, 4} y tamaño 2, las selecciones son 11, 12, 13, 14, 22, 23, 24, 33, 34 y 44. Son diez combinaciones con repetición; las secuencias ordenadas serían dieciséis porque distinguirían, por ejemplo, 12 de 21. Un árbol que enumera solo esas diez ramas corresponde a esta sección.

    9. APPLE: permutar un multiconjunto fijo

    La palabra APPLE tiene cinco posiciones, pero cuatro tipos de letras: A, P, L y E. La letra P aparece dos veces. Si intercambiamos esas dos P, la palabra visible no cambia. Por eso, sus reordenamientos distintos no son 5!, ni tampoco las secuencias libres de cinco letras tomadas de cuatro símbolos.

    Cuando n objetos tienen multiplicidades fijadas m₁, …, mᵣ cuya suma es n, cada secuencia visible se contabiliza m₁! ··· mᵣ! veces si distinguimos artificialmente todos los objetos. Al eliminar esa distinción:

    N = n!m₁! m₂! ··· mᵣ!
    NAPPLE = 5!1! · 2! · 1! · 1! = 60
    Código en R
    letras <- strsplit("APPLE", "", fixed = TRUE)[[1]]
    multiplicidades <- as.numeric(table(letras))
    factorial(length(letras)) / prod(factorial(multiplicidades))
    # [1] 60

    La distinción es doble: las combinaciones con repetición eligen las multiplicidades; las permutaciones de un multiconjunto las reciben ya fijadas y cuentan los órdenes posibles. El script verifica el ejemplo APPLE mediante una enumeración pequeña: permuta las cinco posiciones y elimina las palabras repetidas. Esa estrategia es didáctica; resulta ineficiente para multiconjuntos grandes porque genera duplicados antes de descartarlos.

    La fórmula correcta depende de qué diferencias conserva el objeto que queremos contar.

    10. Cuadro comparativo y totales por longitud

    Las siguientes fórmulas responden a problemas diferentes. Para n = 10 y k = 3, su contraste muestra cuánto cambia el conteo al modificar la importancia del orden o la posibilidad de repetición.

    Cuatro problemas de selección; n = 10 y k = 3
    ConstrucciónOrdenRepeticiónCardinalidadResultado
    Ordenadas sin repeticiónImportaNon! / (n − k)!720
    Ordenadas con repetición libreImportaSínk1.000
    Combinaciones sin repeticiónNo importaNoC(n, k)120
    Combinaciones con repeticiónNo importaSíC(n + k − 1, k)220

    Las dos fórmulas sin repetición requieren k ≤ n para usar la expresión factorial. La fórmula de combinaciones con repetición se aplica directamente para n ≥ 1. Todos los modelos incluyen una selección vacía cuando k = 0.

    Contar y enumerar son operaciones diferentes
    ObjetoContarEnumerar en ejemplos pequeños
    Producto A × Blength(A) * length(B)expand.grid()
    Conjunto potencia2^length(A)potencia() del script; rje::powerSet()
    Ordenadas sin repeticióncontar_ordenadas(n, k)gtools::permutations()
    Ordenadas con repeticiónn^kgtools::permutations(..., repeats.allowed = TRUE)
    Combinaciones sin repeticiónchoose(n, k)utils::combn()
    Combinaciones con repeticiónchoose(n + k - 1, k)gtools::combinations(..., repeats.allowed = TRUE)

    10.1. Los once tamaños del caso n = 10

    La fila k = 0 resulta indispensable para mantener las identidades que incluyen el objeto vacío. La tabla presenta conteos, sin generar las colecciones correspondientes.

    n = 10; k desde cero hasta diez
    kOrdenadas
    sin repetición
    Ordenadas
    con repetición
    Combinaciones
    sin repetición
    Combinaciones
    con repetición
    01111
    110101010
    2901004555
    37201.000120220
    45.04010.000210715
    530.240100.0002522.002
    6151.2001.000.0002105.005
    7604.80010.000.00012011.440
    81.814.400100.000.0004524.310
    93.628.8001.000.000.0001048.620
    103.628.80010.000.000.000192.378

    10.2. Totales no vacíos: k de 1 a 10

    Sumas sobre longitudes, con n = 10
    FamiliaSumaTotal
    Ordenadas sin repetición∑ P(10, k)9.864.100
    Ordenadas con repetición libre∑ 10k11.111.111.110
    Combinaciones sin repetición210 − 11.023
    Combinaciones con repeticiónC(20, 10) − 1184.755

    El último resultado se obtiene de la identidad ∑k=0m C(n + k − 1, k) = C(n + m, m), para n ≥ 1. Una justificación consiste en añadir una categoría auxiliar que absorba las unidades faltantes hasta llegar a m: elegir hasta m unidades entre n tipos equivale a distribuir exactamente m unidades entre n + 1 tipos. Quitamos una unidad del conteo final para excluir la selección vacía.

    Con repetición libre y al menos un símbolo disponible, dejar crecer k sin cota produce infinitas secuencias y también infinitos multiconjuntos finitos. Por eso debe indicarse el intervalo de tamaños cuando se presenta un “total”.

    Código en R
    n <- 10
    ks <- 0:n
    resumen <- data.frame(
      k = ks,
      ordenadas_sin = vapply(ks, function(k) {
        if (k == 0) 1 else prod(n - seq_len(k) + 1)
      }, numeric(1)),
      ordenadas_con = n^ks,
      combinaciones_sin = choose(n, ks),
      combinaciones_con = choose(n + ks - 1, ks)
    )
    colSums(resumen[-1, -1])
    # ordenadas_sin       ordenadas_con
    #       9864100         11111111110
    # combinaciones_sin   combinaciones_con
    #             1023              184755

    11. Escalabilidad, límites y precisión numérica

    Conocer una cardinalidad no obliga a materializar todos los objetos. Una matriz hipotética con 1010 filas, diez columnas y ocho bytes por celda necesitaría alrededor de 800 GB decimales solo para los datos, antes de contar estructuras auxiliares y copias temporales. Es una estimación para esa representación concreta; el consumo real depende del tipo de dato y del algoritmo.

    Por ello, el script establece límites didácticos de 100.000 resultados y 1.000.000 de celdas estimadas antes de enumerar. Esos límites no garantizan que cualquier trabajo admitido sea rápido o que use poca memoria; impiden que los ejemplos más grandes se ejecuten accidentalmente. Para tareas de mayor escala conviene estudiar generación perezosa, recorridos parciales o algoritmos específicos.

    11.1. Desbordamiento y aritmética aproximada

    Los números de tipo double de R no representan exactamente todos los enteros arbitrariamente grandes. Aun cuando el resultado no sea infinito, puede haber redondeo. El cociente de factoriales tampoco evita ese problema: los factoriales intermedios pueden desbordar aunque el resultado final sea representable.

    choose() calcula coeficientes binomiales y lchoose() permite obtener su logaritmo sin formar primero la cantidad completa; lfactorial() cumple una función análoga para factoriales [5]. Para un orden de magnitud:

    Código en R
    # Logaritmo decimal de C(2000, 1000):
    log10_binomial <- lchoose(2000, 1000) / log(10)
    log10_binomial
    # Aproximadamente 600.3114
    
    # Logaritmo de P(n, k), dentro del dominio 0 <= k <= n:
    n <- 1000
    k <- 500
    log_P <- lfactorial(n) - lfactorial(n - k)

    Trabajar con logaritmos reduce problemas de rango numérico; no convierte un cálculo en aritmética entera exacta. Tampoco conviene exponenciar automáticamente un logaritmo enorme, porque puede reaparecer el desbordamiento. Si se necesitan todos los dígitos de un entero grande, hace falta una herramienta de precisión arbitraria elegida y validada para ese propósito.

    11.2. Qué verifican las comprobaciones

    El script compara conteos con enumeraciones pequeñas, revisa las identidades de suma y comprueba casos frontera. También evita confundir una lista vacía con una lista que contiene la selección vacía. Estas pruebas detectan errores de implementación, convenciones inconsistentes y regresiones. Las explicaciones mediante biyecciones y principios de conteo justifican los resultados más allá de la malla finita comprobada.

    12. Interpretación matemática y aplicaciones

    Las construcciones anteriores se relacionan mediante funciones y correspondencias concretas. Al olvidar el orden de una secuencia sin repetición de longitud k obtenemos un subconjunto de tamaño k, y cada subconjunto tiene k! preimágenes. Si permitimos repeticiones, olvidar el orden produce un multiconjunto; en ese caso el número de secuencias que corresponde a cada multiconjunto depende de sus multiplicidades.

    Esta diferencia explica por qué no es válido dividir nk por k! para obtener, en general, el número de combinaciones con repetición. Para A = {a, b} y k = 2, las secuencias aa y bb tienen cada una un único orden visible, mientras que ab y ba se agrupan en el mismo multiconjunto. El tamaño de los grupos no es uniforme.

    12.1. Probabilidad: enumerar no fija la distribución

    Supongamos dos extracciones independientes con reemplazo de un mecanismo que produce a y b con probabilidad 1/2 cada uno. Las secuencias aa, ab, ba y bb tienen probabilidad 1/4. Al olvidar el orden, los tres multiconjuntos {a, a}, {a, b} y {b, b} tienen probabilidades 1/4, 1/2 y 1/4. Por tanto, escoger uniformemente un multiconjunto entre los tres no reproduce el mismo experimento.

    La fórmula “casos favorables / casos posibles” exige equiprobabilidad de los resultados que se están contando. Definir el espacio muestral, el mecanismo de selección y la distribución es un paso adicional a enumerar objetos.

    12.2. Diseño experimental y ciencia de datos

    • Producto cartesiano: construir todas las configuraciones de una rejilla de parámetros o todas las combinaciones de niveles de factores. Si los factores tienen tamaños distintos, se multiplican sus cardinalidades.
    • Conjunto potencia: describir selecciones posibles de variables. Un conjunto de n variables admite 2n subconjuntos, incluido el modelo sin predictores seleccionados.
    • Ordenadas sin repetición: asignar puestos distintos a personas diferentes, con un candidato por puesto y sin reutilización.
    • Combinaciones sin repetición: seleccionar comités o subconjuntos de observaciones cuando el orden de selección no forma parte del resultado.
    • Combinaciones con repetición: distribuir unidades indistinguibles entre categorías identificadas, con cantidades no negativas y sin límites superiores.

    Cada aplicación necesita revisar sus supuestos. La presencia de incompatibilidades entre factores, inventarios limitados, probabilidades desiguales o restricciones adicionales cambia el problema. Una tabla de fórmulas orienta la elección; la definición del objeto y del mecanismo determina cuál es pertinente.

    12.3. Alcance epistemológico

    La representación informática selecciona qué información retener. Convertir una secuencia en un conjunto elimina orden y multiplicidad; convertirla en un multiconjunto elimina orden, pero conserva frecuencias. Estas transformaciones permiten observar que una abstracción matemática no es un simple cambio de nombre: modifica las distinciones que organizan el problema y, con ellas, los resultados de conteo.

    La experimentación computacional resulta más informativa cuando esa selección se vuelve explícita. Definir, representar, deducir, ejecutar y contrastar son momentos complementarios de una investigación reproducible sobre objetos finitos.

    13. Script completo reproducible

    El siguiente programa integra el artículo. Copiá su contenido en un archivo de texto llamado conjuntos_combinatoria.R, guardalo como UTF-8 y ejecutalo con source("conjuntos_combinatoria.R", encoding = "UTF-8") o con Rscript conjuntos_combinatoria.R. Los paquetes externos se usan solo si están instalados; el programa informa si omite esos bloques.

    Las funciones de conteo validan tamaños enteros no negativos. Los enumeradores representan cada selección como un vector dentro de una lista, incluidos los casos vacíos. La protección de tamaño se aplica antes de llamar a los enumeradores. El dominio de representación se limita a vectores numéricos finitos y de texto, sin valores ausentes; para conjuntos de objetos más complejos se necesita diseñar una relación de igualdad adecuada.

    Abrir el script completo · funciones, ejemplos y comprobaciones
    Script completo · copiar desde la primera línea hasta sessionInfo()
    # CONJUNTOS Y COMBINATORIA EN R
    # JOSÉ MAURICIO GÓMEZ JULIÁN
    # Script del artículo. Guardar como conjuntos_combinatoria.R (UTF-8).
    # Los ejemplos base no requieren paquetes externos.
    # install.packages(c("gtools", "rje")) # Solo si se desean los bloques opcionales.
    
    # 1. Validación y funciones de conteo -------------------------------
    entero_no_negativo <- function(x, nombre) {
      if (!is.numeric(x) || is.complex(x) || length(x) != 1L || is.na(x) ||
          !is.finite(x) || x < 0 || x != floor(x)) {
        stop(nombre, " debe ser un entero no negativo y finito.")
      }
      invisible(TRUE)
    }
    
    validar_nk <- function(n, k) {
      entero_no_negativo(n, "n")
      entero_no_negativo(k, "k")
    }
    
    normalizar_conjunto <- function(x) {
      if ((!is.numeric(x) && !is.character(x)) || is.complex(x) ||
          !is.null(dim(x)) || anyNA(x) ||
          (is.numeric(x) && any(!is.finite(x)))) {
        stop("Usar un vector numérico finito o de texto, sin NA ni dimensiones.")
      }
      unique(x)
    }
    
    contar_ordenadas <- function(n, k, repeticion = FALSE) {
      validar_nk(n, k)
      if (!is.logical(repeticion) || length(repeticion) != 1L ||
          is.na(repeticion)) stop("repeticion debe ser TRUE o FALSE.")
      if (k == 0) return(1)
      if (repeticion) return(n^k)
      if (k > n) return(0)
      # Producto descendente: evita formar dos factoriales por separado.
      prod(n - seq_len(k) + 1)
    }
    
    contar_combinaciones <- function(n, k, repeticion = FALSE) {
      validar_nk(n, k)
      if (!is.logical(repeticion) || length(repeticion) != 1L ||
          is.na(repeticion)) stop("repeticion debe ser TRUE o FALSE.")
      if (k == 0) return(1)
      if (n == 0) return(0)
      if (repeticion) return(choose(n + k - 1, k))
      if (k > n) return(0)
      choose(n, k)
    }
    
    limitar_enumeracion <- function(filas, columnas,
                                    max_filas = 1e5,
                                    max_celdas = 1e6) {
      if (!is.finite(filas) || filas > max_filas ||
          filas * max(1, columnas) > max_celdas) {
        stop("Enumeración detenida por el límite didáctico; calcular solo el conteo.")
      }
      invisible(TRUE)
    }
    
    # Todas las enumeraciones devuelven listas de vectores.
    # El caso k=0 devuelve list(x[0]): una lista con un vector vacío.
    enumerar_ordenadas <- function(x, k, repeticion = FALSE) {
      x <- normalizar_conjunto(x)
      n <- length(x)
      total <- contar_ordenadas(n, k, repeticion)
      limitar_enumeracion(total, k)
      if (k == 0) return(list(x[0]))
      if (total == 0) return(list())
      if (!requireNamespace("gtools", quietly = TRUE)) {
        stop("Este enumerador requiere gtools: install.packages('gtools').")
      }
      m <- gtools::permutations(n, k, v = x,
                                repeats.allowed = repeticion)
      lapply(seq_len(nrow(m)), function(i) unname(m[i, ]))
    }
    
    enumerar_combinaciones <- function(x, k, repeticion = FALSE) {
      x <- normalizar_conjunto(x)
      n <- length(x)
      total <- contar_combinaciones(n, k, repeticion)
      limitar_enumeracion(total, k)
      if (k == 0) return(list(x[0]))
      if (total == 0) return(list())
      if (!repeticion) {
        # Usar índices evita que combn(5, 1) interprete 5 como 1:5.
        indices <- utils::combn(seq_len(n), k, simplify = FALSE)
        return(lapply(indices, function(i) x[i]))
      }
      if (!requireNamespace("gtools", quietly = TRUE)) {
        stop("Este enumerador requiere gtools: install.packages('gtools').")
      }
      m <- gtools::combinations(n, k, v = x, repeats.allowed = TRUE)
      lapply(seq_len(nrow(m)), function(i) unname(m[i, ]))
    }
    
    potencia <- function(x) {
      x <- normalizar_conjunto(x)
      n <- length(x)
      limitar_enumeracion(2^n, n)
      resultado <- list(x[0])
      for (k in seq_len(n)) {
        resultado <- c(resultado, enumerar_combinaciones(x, k))
      }
      resultado
    }
    
    mostrar_familia <- function(F) {
      vapply(F, function(x) {
        if (length(x) == 0) "{}" else paste0("{", paste(x, collapse = ", "), "}")
      }, character(1))
    }
    
    # 2. Conjuntos y producto cartesiano -------------------------------
    A <- c("a", "b", "c")
    B <- c(1, 2, 3)
    conjunto <- 1:10
    n <- length(conjunto)
    
    stopifnot(
      setequal(c("a", "b", "a"), c("b", "a")),
      !identical(c("a", "b"), c("b", "a")),
      identical(normalizar_conjunto(c(1, 1, 2)), c(1, 2))
    )
    
    producto <- expand.grid(A = A, B = B,
                            KEEP.OUT.ATTRS = FALSE, stringsAsFactors = FALSE)
    stopifnot(nrow(producto) == length(A) * length(B))
    producto_10 <- expand.grid(x = conjunto, y = conjunto,
                               KEEP.OUT.ATTRS = FALSE, stringsAsFactors = FALSE)
    stopifnot(nrow(producto_10) == 100)
    print(producto)
    
    # Operaciones y leyes de conjuntos en un universo explícito.
    S <- c("a", "b")
    T <- c("b", "c")
    Omega <- c("a", "b", "c", "d")
    stopifnot(
      length(union(S, T)) == length(S) + length(T) - length(intersect(S, T)),
      setequal(setdiff(Omega, union(S, T)),
               intersect(setdiff(Omega, S), setdiff(Omega, T))),
      setequal(setdiff(Omega, intersect(S, T)),
               union(setdiff(Omega, S), setdiff(Omega, T)))
    )
    
    # 3. Conjunto potencia y sigma-álgebra finita ----------------------
    PA <- potencia(A)
    P10 <- potencia(conjunto)
    stopifnot(length(PA) == 8, length(P10) == 1024,
              sum(lengths(PA) == 0) == 1)
    print(mostrar_familia(PA))
    
    contiene <- function(x, F) {
      any(vapply(F, function(y) setequal(x, y), logical(1)))
    }
    
    es_sigma_finita <- function(F, omega) {
      if (!is.list(F)) return(FALSE)
      if (!all(vapply(F, function(x) all(x %in% omega), logical(1)))) {
        return(FALSE)
      }
      if (!contiene(omega[0], F) || !contiene(omega, F)) return(FALSE)
      for (x in F) {
        if (!contiene(setdiff(omega, x), F)) return(FALSE)
        for (y in F) if (!contiene(union(x, y), F)) return(FALSE)
      }
      TRUE
    }
    
    F_min <- list(A[0], A)
    F_intermedia <- list(A[0], "a", c("b", "c"), A)
    stopifnot(es_sigma_finita(F_min, A),
              es_sigma_finita(F_intermedia, A),
              es_sigma_finita(PA, A),
              !es_sigma_finita(list(A[0], "a", A), A))
    # En un universo finito, cierre por uniones binarias basta aquí:
    # cualquier unión numerable solo reúne un número finito de subconjuntos distintos.
    
    # 4. Enumeración base de secuencias pequeñas -----------------------
    pares <- expand.grid(x = A, y = A,
                         KEEP.OUT.ATTRS = FALSE, stringsAsFactors = FALSE)
    sin_repeticion <- pares[pares$x != pares$y, , drop = FALSE]
    stopifnot(nrow(pares) == 9, nrow(sin_repeticion) == 6,
              length(enumerar_combinaciones(A, 2)) == 3)
    
    # 5. Cuadro de conteos para n=10, k=0,...,10 ------------------------
    ks <- 0:n
    resumen <- data.frame(
      k = ks,
      ordenadas_sin = vapply(ks, function(k) contar_ordenadas(n, k), numeric(1)),
      ordenadas_con = vapply(ks, function(k) contar_ordenadas(n, k, TRUE), numeric(1)),
      combinaciones_sin = vapply(ks, function(k) contar_combinaciones(n, k), numeric(1)),
      combinaciones_con = vapply(ks, function(k) contar_combinaciones(n, k, TRUE), numeric(1))
    )
    print(resumen, row.names = FALSE)
    stopifnot(sum(resumen$combinaciones_sin) == 2^n,
              sum(resumen$combinaciones_sin[-1]) == 1023,
              sum(resumen$ordenadas_sin[-1]) == 9864100,
              sum(resumen$ordenadas_con[-1]) == 11111111110,
              sum(resumen$combinaciones_con[-1]) == 184755)
    
    # Las listas de todas las longitudes se ilustran con n=3.
    # No se enumeran millones de secuencias de n=10.
    combinaciones_por_k <- lapply(0:length(A), function(k) {
      enumerar_combinaciones(A, k)
    })
    stopifnot(sum(lengths(combinaciones_por_k)) == 8)
    
    # 6. APPLE: permutaciones de un multiconjunto -----------------------
    letras <- strsplit("APPLE", "", fixed = TRUE)[[1]]
    multiplicidades <- as.numeric(table(letras))
    numero_apple <- factorial(length(letras)) /
      prod(factorial(multiplicidades))
    stopifnot(numero_apple == 60)
    
    # 7. Casos frontera y protección de memoria ------------------------
    stopifnot(contar_ordenadas(0, 0) == 1,
              contar_ordenadas(0, 0, TRUE) == 1,
              contar_ordenadas(0, 2, TRUE) == 0,
              contar_ordenadas(2, 3) == 0,
              contar_combinaciones(0, 0, TRUE) == 1,
              contar_combinaciones(0, 2, TRUE) == 0,
              length(potencia(numeric(0))) == 1,
              identical(enumerar_combinaciones(5, 1), list(5)),
              length(enumerar_combinaciones(A, 0)) == 1)
    
    fallo_esperado <- tryCatch({
      limitar_enumeracion(10^10, 10)
      FALSE
    }, error = function(e) TRUE)
    stopifnot(fallo_esperado)
    
    # Conteos grandes: trabajar en escala logarítmica no da aritmética exacta.
    log10_binomial <- lchoose(2000, 1000) / log(10)
    print(log10_binomial)
    
    # 8. Bloque opcional: gtools ---------------------------------------
    if (requireNamespace("gtools", quietly = TRUE)) {
      p2 <- enumerar_ordenadas(A, 2)
      r2 <- enumerar_ordenadas(A, 2, TRUE)
      c2 <- enumerar_combinaciones(A, 2)
      m2 <- enumerar_combinaciones(A, 2, TRUE)
      stopifnot(length(p2) == 6, length(r2) == 9,
                length(c2) == 3, length(m2) == 6)
    
      # Comparar objetos generados y fórmulas en una malla pequeña.
      for (nn in 1:4) {
        xx <- letters[seq_len(nn)]
        for (kk in 0:4) {
          for (rr in c(FALSE, TRUE)) {
            stopifnot(
              length(enumerar_ordenadas(xx, kk, rr)) ==
                contar_ordenadas(nn, kk, rr),
              length(enumerar_combinaciones(xx, kk, rr)) ==
                contar_combinaciones(nn, kk, rr)
            )
          }
        }
      }
      ordenadas_por_k <- lapply(0:length(A), function(k) {
        enumerar_ordenadas(A, k)
      })
      stopifnot(sum(lengths(ordenadas_por_k)) == 16)
    
      # APPLE: primero distinguir posiciones; después quitar palabras duplicadas.
      posiciones <- gtools::permutations(length(letras), length(letras))
      palabras <- apply(posiciones, 1, function(i) paste0(letras[i], collapse = ""))
      palabras_apple <- unique(palabras)
      stopifnot(length(palabras_apple) == numero_apple)
      print(head(palabras_apple))
    } else {
      message("gtools no instalado: se omiten sus ejemplos; los conteos base se ejecutaron.")
    }
    
    # 9. Bloque opcional: rje ------------------------------------------
    if (requireNamespace("rje", quietly = TRUE)) {
      PA_rje <- rje::powerSet(A)
      stopifnot(length(PA_rje) == 8,
                all(vapply(PA_rje, function(x) contiene(x, PA), logical(1))))
    } else {
      message("rje no instalado: se usó la construcción base del conjunto potencia.")
    }
    
    cat("Comprobaciones ejecutadas sin errores.\n")
    sessionInfo()
    

    La salida de sessionInfo() registra la versión de R, la plataforma y los paquetes cargados o asociados al espacio de nombres. Conviene conservarla junto con los resultados. La ausencia de gtools o rje no se interpreta como una comprobación exitosa de sus respectivos bloques: esos ejemplos se omiten con un mensaje explícito.

    14. Referencias y documentación

    Las referencias siguientes respaldan las funciones utilizadas y la precisión conceptual sobre σ-álgebras. Las explicaciones de conteo se desarrollan en el cuerpo del artículo mediante principios multiplicativos, biyecciones y argumentos de identificación de resultados.

    1. R Core Team. Set Operations. Documentación oficial del paquete base. Operaciones de unión, intersección, diferencia y comparación de conjuntos. Consultar documentación.
    2. R Core Team. Create a Data Frame from All Combinations of Factor Variables. Documentación de expand.grid(). Consultar documentación.
    3. R Core Team. Generate All Combinations of n Elements, Taken m at a Time. Documentación de utils::combn(). Consultar documentación.
    4. Documentación del paquete gtools. Enumerate the Combinations or Permutations of the Elements of a Vector. Referencia de combinations(), permutations() y sus argumentos. Consultar documentación en CRAN.
    5. R Core Team. Special Functions of Mathematics. Documentación de choose(), lchoose(), factorial() y lfactorial(). Consultar documentación.
    6. Kehle, Christoph (2025). Introduction to Functional Analysis. Apuntes de 18.102, Massachusetts Institute of Technology, sección 3.1, definición 3.1 y ejemplo, pp. 25–26. Definición de σ-álgebra y ejemplo del conjunto potencia con medida de conteo. Consultar apuntes.
    7. Documentación del paquete rje. Miscellaneous Useful Functions for Statistics. Índice de referencia, entrada powerSet; puede consultarse también desde R con help("powerSet", package = "rje"). Consultar índice del paquete.

    JOSÉ MAURICIO GÓMEZ JULIÁN · Marxist Philosophy of Science

    Comprender el objeto que contamos es el primer paso para comprender el resultado.

    Consultar el manual de R
  • SOBRE EL ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

    SOBRE EL ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

    Marxist Philosophy of Science · Estadística matemática

    Sobre el Análisis de Componentes Principales (PCA)

    Intuición geométrica, fundamentos algebraicos, interpretación estadística y alcance epistemológico de la reducción de dimensionalidad

    JOSÉ MAURICIO GÓMEZ JULIÁN

    Representar un fenómeno mediante muchas variables permite describirlo con riqueza, pero también puede dificultar la identificación de sus principales relaciones. El análisis de componentes principales —PCA, por su denominación inglesa, Principal Component Analysis— construye coordenadas nuevas para estudiar la variación conjunta de esas variables. La pregunta decisiva es cómo reducir la complejidad de una representación sin perder de vista qué se conserva, qué se descarta y bajo qué condiciones resulta legítima su interpretación.

    Resumen

    Este ensayo desarrolla el PCA desde cuatro perspectivas conectadas: como transformación geométrica de una nube de observaciones; como problema de optimización con restricciones; como descomposición matricial; y como instrumento de exploración e interpretación científica. Se mantienen los ejemplos de expresión génica y evaluación financiera, los criterios de retención de componentes, los diagnósticos gráficos, la distancia de Mahalanobis, la discusión de NIPALS y la comparación con regresión lineal. Se amplían la derivación matemática, la reproducibilidad y las condiciones de validez de las inferencias.

    Nota de edición. Se conservan todos los ejes temáticos y las 51 figuras del documento de 2021. Las formulaciones que requerían precisión se revisan en el desarrollo; las imágenes originales se reúnen, sin recortes, en el archivo visual y mantienen sus atribuciones. El PDF histórico permanece disponible al final.

    I. Variables, atributos y dimensionalidad

    Un conjunto de datos organiza observaciones de determinadas unidades de estudio: personas, animales, empresas, territorios, productos o estados de un sistema físico. Cada unidad se describe mediante variables. Si se registran p variables numéricas sobre n unidades, la representación habitual es una matriz X de tamaño n × p: las filas corresponden a observaciones y las columnas a variables. Cada fila puede interpretarse como un punto del espacio de características ℝp.

    La palabra atributo exige una precisión. En ciencia de datos puede designar una característica medida; en R también nombra metadatos asociados a un objeto, como sus dimensiones, nombres o clase. La observación de Adler sobre la importancia de los atributos de los objetos de R es pertinente para comprender su representación informática, pero esos metadatos no deben identificarse automáticamente con las variables estadísticas de una investigación. Un atributo de clase puede modificar cómo interpreta R un objeto sin añadir una dimensión al fenómeno medido. [1]

    La dimensionalidad de la representación es el número de coordenadas utilizadas. La dimensionalidad intrínseca, en cambio, se refiere a los grados de libertad necesarios para describir la estructura subyacente, según el modelo considerado. Una nube situada aproximadamente sobre un plano puede tener muchas coordenadas y, sin embargo, admitir una representación aproximadamente bidimensional. Con ruido, la dimensionalidad efectiva depende además de la tolerancia de aproximación. No existe siempre un único número mínimo independiente del propósito del análisis.

    Selección de variables y extracción de componentes

    Reducir dimensiones admite estrategias diferentes. La selección de variables conserva un subconjunto de las columnas originales; la extracción de características construye variables nuevas a partir de ellas. El PCA pertenece a la segunda familia: una componente puede combinar información de todas las variables iniciales. No consiste, por definición, en identificar cuáles columnas deben eliminarse ni en resolver una búsqueda combinatoria entre subconjuntos. Tales problemas pueden vincularse al PCA, pero tienen una formulación distinta.

    Esta distinción también delimita el significado de «información esencial». En el PCA ordinario, el criterio operativo es la varianza representada por un subespacio lineal. Que esa variación sea esencial para una explicación biológica, económica o social requiere un argumento adicional sobre las mediciones, la escala, el contexto y la pregunta de investigación.

    II. Bellman, Pearson y el problema de la representación

    La expresión maldición de la dimensionalidad, asociada a Richard Bellman, reúne dificultades que aparecen al aumentar el número de dimensiones: crecimiento del costo de ciertos procedimientos, escasez relativa de observaciones, pérdida de eficacia de algunas nociones de vecindad y necesidad de imponer estructura al problema. En una malla con diez posiciones por eje, explorar sistemáticamente p dimensiones produce 10p combinaciones. Es una ilustración de crecimiento exponencial, no una ley universal que obligue a todo método estadístico a requerir exactamente esa cantidad de datos. [3]

    La dificultad depende del problema, la distribución, la regularidad y las relaciones entre variables. Por eso conviene distinguir el espacio de características del espacio muestral de la teoría de la probabilidad: el primero organiza coordenadas observables; el segundo contiene los resultados posibles del experimento. Pueden relacionarse mediante variables aleatorias, pero no son conceptos intercambiables.

    En 1901, Karl Pearson estudió líneas y planos de mejor ajuste a sistemas de puntos. Su enfoque geométrico permite aproximar una nube mediante una recta o un plano minimizando la suma de los cuadrados de las distancias ortogonales. La posterior formulación de Hotelling contribuyó a consolidar el análisis de componentes principales como técnica multivariada. Esta genealogía es anterior al vocabulario contemporáneo del aprendizaje automático. [11] [22]

    Contexto histórico y criterio científico

    El documento original caracteriza políticamente a Pearson como marxista. Se conserva aquí la cuestión de la relación entre biografía intelectual, historia de la estadística y filosofía de la ciencia, pero esa clasificación requiere una investigación histórica específica y no se utiliza como premisa de la derivación del PCA. La validez matemática del método y la evaluación histórica de su autor pertenecen a planos de argumentación que deben fundamentarse por separado.

    La línea de Pearson proporciona una intuición útil: una nube alargada puede describirse con relativa precisión mediante una coordenada sobre su dirección dominante. Sin embargo, identificar esa dirección no implica demostrar una causa del fenómeno. El ajuste describe una estructura de variación de las mediciones; su explicación exige teoría y evidencia adicionales.

    III. Definición y optimización del PCA

    Sean x un vector aleatorio de p variables, μ su media y Σ su matriz de covarianza, suponiendo segundos momentos finitos. La primera componente principal es una combinación lineal de las variables centradas cuya varianza es máxima, bajo una restricción de normalización de sus coeficientes. En el análisis de una muestra sustituimos la covarianza poblacional por su estimación S.

    PC1 = a1T(x − μ) = ∑j=1p aj1(xj − μj)
    maximizar aTΣa, sujeto a aTa = 1.

    El vector a₁ define una dirección; la componente es la variable obtenida al proyectar sobre ella. La restricción unitaria impide aumentar artificialmente la varianza multiplicando todos los coeficientes por una constante.

    Sin esa restricción, multiplicar a por un número arbitrariamente grande incrementaría sin límite la varianza de la combinación. La normalización hace comparable la variación de distintas direcciones. La segunda componente maximiza la varianza restante, con un vector de coeficientes unitario y ortogonal al primero. El procedimiento continúa de manera sucesiva.

    ak ∈ arg max aTΣa
    sujeto a aTa = 1 y aTaℓ = 0 para ℓ < k.

    Cada nueva dirección se elige en el complemento ortogonal de las anteriores. Esta formulación caracteriza la solución, con independencia del algoritmo usado para calcularla.

    La función de Lagrange para la primera dirección es L(a, λ) = aTΣa − λ(aTa − 1). La condición de estacionariedad conduce a Σa = λa. Por tanto, las direcciones principales son autovectores de la matriz de covarianza y sus varianzas son los autovalores correspondientes. La primera dirección se asocia al mayor autovalor; las restantes se ordenan en sentido decreciente. Si existen autovalores repetidos, una base particular del subespacio asociado puede no ser única.

    La interpretación matemática tiene dos niveles. Los autovectores especifican cómo combinar las coordenadas originales; los autovalores cuantifican la variación a lo largo de esas combinaciones. Las puntuaciones de las observaciones muestran dónde queda cada unidad de estudio en el nuevo sistema de coordenadas. Mantener separados estos tres objetos evita confundir pesos, observaciones y cantidades de variación.

    La dirección indica cómo mirar los datos; la puntuación sitúa una observación en esa mirada; el autovalor mide cuánta variación aparece en ella.

    IV. Dos genes y seis ratones

    Siguiendo el ejemplo pedagógico de Josh Starmer utilizado en el documento original, consideremos seis ratones descritos mediante medidas de expresión de dos genes. Las unidades de estudio son los ratones y las variables son los genes. La transcripción es la síntesis de ARN a partir de ADN; debe distinguirse de la traducción que produce proteínas. Las cantidades se mantienen como valores didácticos: no se les atribuye una unidad experimental ni una precisión biológica que el ejemplo no documenta. [13]

    Datos del ejemplo original · transpuestos para mostrar una observación por fila
    RatónGen 1Gen 2
    1106
    2114
    385
    433
    522,8
    611

    En un gráfico bidimensional, cada ratón ocupa la posición definida por sus dos mediciones. Los primeros tres presentan valores relativamente altos en ambos genes y los restantes valores menores. La nube permite formular preguntas sobre covariación y agrupamientos, sin que una figura por sí sola establezca diferencias poblacionales o mecanismos causales.

    El primer paso del PCA centrado consiste en restar a cada variable su media. Para estos valores, la media del gen 1 es aproximadamente 5,8333 y la del gen 2 es 3,6333. El centroide se traslada al origen; las diferencias entre pares de observaciones permanecen intactas.

    xijc = xij − x̄j
    Xc = X − 1x̄T.

    El superíndice c denota centrado; 1 es un vector columna de n unos. Centrar no equivale a dividir por desviaciones estándar.

    La secuencia original de Starmer se conserva íntegramente en el archivo visual. La nueva figura muestra los mismos seis puntos centrados, con la dirección principal calculada a partir de la tabla y los residuos ortogonales que intervienen en el criterio de ajuste.

    Proyección ortogonal calculada para los seis ratones de la tabla original.
    Figura de la edición revisada. Proyecciones calculadas para los seis ratones de la tabla. El centrado preserva las distancias; la proyección sobre PC1 introduce los residuos indicados.

    El ejemplo sirve para aprender la mecánica geométrica. Un estudio real de expresión génica exige considerar el proceso de medición, profundidad de secuenciación, transformaciones apropiadas, efectos de lote, replicación e incertidumbre. El PCA de una tabla de conteos sin preparar puede reflejar magnitudes técnicas antes que diferencias biológicas de interés.

    V. Transformaciones, estructura y conservación

    Una transformación es una aplicación entre espacios. Puede ser lineal, afín o de otra naturaleza. No tiene por qué llevar un dominio al mismo conjunto: en general se escribe f: D → C y su imagen es el conjunto de valores efectivamente alcanzados en el codominio. Para el PCA ordinario importan especialmente las traslaciones, los cambios ortogonales de coordenadas y las proyecciones sobre subespacios.

    Transformaciones presentes en la discusión original y sus propiedades
    TransformaciónCaracterizaciónQué conviene distinguir
    Traslaciónx ↦ x + bPreserva distancias y diferencias entre puntos; generalmente no es lineal porque no fija el origen.
    Rotaciónx ↦ Qx, con QTQ = I y det Q = 1Preserva productos internos, normas, ángulos y distancias.
    ReflexiónTransformación ortogonal con cambio de orientaciónTambién conserva distancias. Una matriz ortogonal puede combinar rotaciones y reflexiones.
    Dilatación o contracción uniformex ↦ cxMultiplica todas las distancias por |c|; es isometría solo cuando |c| = 1.
    Estiramiento en uno o varios ejesx ↦ Dx, con D diagonalModifica la geometría relativa cuando los factores de escala son distintos.
    CizallamientoDeformación lineal que desplaza coordenadas según otrasPuede preservar áreas o volúmenes en casos específicos, pero generalmente altera ángulos y longitudes.
    Proyección ortogonalx ↦ Px, con PT = P y P² = PGeneralmente no es invertible; al reducir dimensiones puede contraer distancias y hacer coincidir puntos diferentes.

    Isomorfismo, homeomorfismo e isometría

    Un isomorfismo preserva la estructura que se haya especificado: por ejemplo, suma y multiplicación por escalares en espacios vectoriales. Un homeomorfismo es una biyección continua con inversa continua. Una isometría preserva distancias; cuando además es sobreyectiva, establece una equivalencia de espacios métricos. Estas nociones se relacionan, pero ninguna debe emplearse como sustituto indiscriminado de las otras.

    Conservar la topología no implica conservar la norma ni la métrica: multiplicar todas las coordenadas por dos proporciona un contraejemplo elemental. La transformación es un homeomorfismo de ℝp y altera todas las distancias no nulas. Asimismo, una traslación preserva distancias sin ser un isomorfismo lineal para las operaciones vectoriales originales, salvo que sea la traslación nula.

    En un espacio con producto interno, la norma euclidiana se define por ‖x‖ = √⟨x,x⟩ y la distancia inducida por d(x,y) = ‖x − y‖. La norma mide longitud de vectores; la métrica mide distancia entre puntos. Los espacios de Hilbert generalizan este marco a espacios completos con producto interno. Estas extensiones ayudan a situar el PCA en un paisaje matemático amplio, pero no autorizan a trasladar sin demostración sus propiedades a cualquier espacio normado.

    La discusión filosófica de materia y forma

    La reflexión original sobre Aristóteles y Platón puede mantenerse como una pregunta por el vínculo entre los elementos de un sistema y las relaciones que lo organizan. Conviene, sin embargo, distinguir esa interpretación filosófica de la definición matemática de estructura. Clasificar objetos «salvo isomorfismo» significa agruparlos según una equivalencia estructural especificada; no significa que pertenezcan a cualquier clasificación ni que no pertenezcan a ninguna.

    Desde una perspectiva materialista, la abstracción matemática puede examinarse como una operación que selecciona propiedades de fenómenos concretos para estudiar relaciones determinadas. La exigencia crítica es declarar qué se abstrae y qué se conserva. En el PCA se conservan exactamente ciertas propiedades al cambiar una base ortonormal completa; otras solo se aproximan cuando se descartan coordenadas. El análisis filosófico gana precisión cuando parte de esa diferencia.

    VI. Proyección ortogonal y reconstrucción

    Sea a un vector unitario que define una recta por el origen y sea z una observación centrada escrita como vector columna. Su coordenada sobre esa recta es t = aTz. Su proyección en el espacio original es ẑ = aaTz. La diferencia e = z − ẑ es perpendicular a la dirección de proyección.

    z = ẑ + e,   ⟨ẑ,e⟩ = 0
    ‖z‖² = ‖ẑ‖² + ‖e‖².

    El teorema de Pitágoras expresa la descomposición de la longitud al cuadrado en una parte representada y una residual.

    Para una nube centrada fija, la suma de ‖z‖² sobre todas las observaciones es constante. Por eso maximizar la suma de las longitudes proyectadas al cuadrado equivale a minimizar la suma de los residuos ortogonales al cuadrado. La equivalencia depende de la misma geometría, del mismo conjunto de datos y de comparar subespacios de igual dimensión.

    ∑i ‖zi‖² = ∑i ti² + ∑i ‖ei‖².

    Las dos formulaciones no distinguen un PCA «analítico» de otro «numérico». Son objetivos matemáticamente equivalentes que pueden resolverse con distintos algoritmos.

    El cuadrado es esencial. Minimizar la suma de distancias sin elevar al cuadrado define, en general, un problema diferente y puede conducir a otra solución. Tampoco es necesario calcular los componentes mediante desigualdades de Minkowski o de Cauchy–Schwarz: esas herramientas permiten demostrar propiedades de normas y productos internos, pero no sustituyen una especificación del procedimiento de optimización.

    La proyección es una transformación lineal que puede definirse sin elegir coordenadas. Una vez elegida una base, admite una representación matricial precisa; no existe una oposición entre proyección «puramente matemática» y matriz «meramente computacional». Para un subespacio con columnas ortonormales reunidas en Vk, la matriz de proyección es Pk = VkVkT.

    La discusión original de geometría proyectiva se conserva como contexto, con una delimitación: la proyección ortogonal del PCA pertenece aquí a la geometría euclidiana y al álgebra lineal. No necesita confundirse con toda la geometría proyectiva, cuyo desarrollo histórico es colectivo y no puede atribuirse sin más a Lobachevski.

    En varias dimensiones, el criterio se escribe como la minimización de la norma de Frobenius de los residuos de reconstrucción. La aproximación mediante los primeros k componentes es óptima entre las aproximaciones de rango a lo sumo k bajo esa pérdida cuadrática. «Óptima» siempre significa óptima respecto de un criterio declarado; no respecto de toda finalidad científica posible.

    Tk = XcVk,   X̂c,k = TkVkT
    ‖Xc − X̂c,k‖F² = (n − 1) ∑j>k λj.

    La igualdad usa autovalores de la covarianza muestral con divisor n − 1. Para reconstruir en las coordenadas originales se añade la media; si se estandarizó, también se revierte el escalamiento.

    VII. Pendiente, vectores unitarios y componentes

    La explicación geométrica original utiliza una recta con pendiente 0,25, representada por un desplazamiento de cuatro unidades en el primer eje y una en el segundo. Su vector director es (4,1)T. La longitud de ese vector es √17 ≈ 4,1231; al dividir sus coordenadas por esa longitud se obtiene una dirección unitaria.

    a1 = (4,1)T/√17 ≈ (0,9701; 0,2425)T
    a2 = (−1,4)T/√17 ≈ (−0,2425; 0,9701)T.

    Los vectores tienen norma uno y producto interno nulo. Los valores redondeados 0,97 y 0,242 del material original ilustran esta normalización.

    La recta puede escribirse como y = 0,25x; su pendiente coincide con la derivada de esa función lineal. Pero los coeficientes de la dirección principal no son, en general, «las derivadas del fenómeno». Aquí la pendiente es el cociente entre las coordenadas del vector director. El autovector unitario contiene una representación normalizada de esa dirección y se determina por la estructura de covarianza de los datos.

    Normalizar (4,1) no consiste en estandarizar cada observación ni en convertir los datos en una distribución normal. Tampoco hace que la media de una nube sea cero. Produce un vector de longitud unitaria. Con esa dirección, la primera coordenada de una observación centrada sería aproximadamente t1 = 0,9701x1c + 0,2425x2c; la segunda sería t2 = −0,2425x1c + 0,9701x2c.

    Ilustración y cálculo exacto

    La dirección (4,1) pertenece a la explicación gráfica del original. Los ejes calculados exactamente a partir de la tabla de seis ratones pueden diferir de esa pendiente didáctica. Para mantener trazabilidad, la figura nueva y la tabla numérica de esta edición utilizan la SVD de los valores transcritos, mientras el archivo visual conserva la construcción original.

    La desigualdad de Cauchy–Schwarz garantiza que |⟨x,a⟩| ≤ ‖x‖‖a‖ y permite controlar la longitud de una proyección. La desigualdad de Minkowski expresa la desigualdad triangular para normas Lp, con p ≥ 1. Pitágoras proporciona una identidad exacta cuando los componentes son ortogonales en un espacio con producto interno. Estas relaciones cumplen funciones diferentes; no son tres algoritmos alternativos para «encontrar» los componentes.

    VIII. Autovalores, autovectores y SVD

    Para la matriz centrada Xc, con observaciones en filas, la covarianza muestral es S = XcTXc/(n − 1). Es una matriz real, simétrica y semidefinida positiva. Por el teorema espectral admite una base ortonormal de autovectores, reunidos como columnas de V. Sus autovalores son reales y no negativos.

    S = VΛVT,   VTV = I
    Λ = diag(λ1, …, λp),   λ1 ≥ ⋯ ≥ λp ≥ 0
    T = XcV,   Cov(T) = Λ.

    V describe las direcciones y T contiene las puntuaciones. La matriz diagonal Λ concentra las varianzas y expresa la incorrelación muestral entre componentes distintos.

    La descomposición en valores singulares de la matriz de datos proporciona la misma solución del PCA centrado. En su forma reducida, si el rango es r, se escribe Xc = UΣsVrT, con U de tamaño n × r, Vr de tamaño p × r y Σs diagonal de tamaño r × r. El subíndice distingue los valores singulares de la covarianza poblacional.

    Xc = UΣsVrT,   Tr = UΣs
    λj = σj²/(n − 1),   σj = √((n − 1)λj).

    Los valores singulares de Xc son raíces cuadradas de los autovalores de XcᵀXc. Para obtener las varianzas de los componentes debe incluirse el divisor n − 1.

    Qué diferencia a ambas descomposiciones

    La SVD existe para cualquier matriz real rectangular o cuadrada. Una diagonalización por semejanza exige una matriz cuadrada y no siempre es posible; para matrices generales, los autovalores pueden ser complejos y una base de autovectores puede no ser ortogonal. Sin embargo, esas advertencias generales no describen una dificultad de la matriz de covarianza del PCA: su simetría garantiza una diagonalización ortogonal y su semidefinición positiva garantiza autovalores no negativos.

    En una diagonalización general A = PDP−1, las matrices laterales son inversas. En una SVD A = UΣVT, las matrices U y V tienen papeles diferentes y no son, en general, inversas entre sí. Si son rectangulares, ni siquiera tiene sentido atribuirles una inversa bilateral. En sus versiones cuadradas completas representan transformaciones ortogonales; una SVD reducida contiene bases ortonormales de subespacios.

    El vínculo entre autovectores y vectores singulares es especialmente directo en el PCA, porque los vectores singulares derechos de Xc son autovectores de S. No estamos ante dos teorías incompatibles, sino ante dos formulaciones conectadas que permiten calcular la misma representación bajo las mismas convenciones de centrado y escala. [2] [4]

    Varianza explicada y varianza descartada

    ρj = λj/∑ℓ=1p λℓ
    Ck = ∑j=1k ρj,   Rk = 1 − Ck.

    ρj es la proporción explicada por el componente j; Ck es la acumulada en los primeros k; Rk es la fracción de varianza excluida de esa representación. Se supone varianza total positiva.

    El autovalor de un componente retenido representa variación conservada en ese eje, no «información perdida». La pérdida de reconstrucción se relaciona con la suma de los autovalores descartados. Esta relación cuadrática no convierte la varianza en una medida universal de significado, causalidad o información en el sentido de Shannon.

    IX. Centrado, estandarización y elección de matriz

    El centrado resta la media. La estandarización por puntuaciones z resta la media y divide por la desviación estándar de cada variable. La normalización de un vector, en el sentido usado antes, divide por su norma. Son operaciones diferentes, aunque todas pueden describirse informalmente como cambios de escala.

    zij = (xij − x̄j)/sj,   sj > 0
    R = ZTZ/(n − 1).

    Si sj se calcula con el divisor n − 1, la covarianza muestral de Z es la matriz de correlaciones R de las variables originales. Las columnas constantes requieren tratamiento previo.

    La transformación z produce media cero y varianza unitaria según la convención usada. No impone normalidad: una distribución asimétrica sigue siendo asimétrica después de una transformación afín con escala positiva. El PCA descriptivo puede calcularse sin suponer una distribución normal multivariada; ciertos contrastes, intervalos o límites de control sí exigen supuestos adicionales.

    Dos decisiones legítimas con objetivos diferentes
    Base del análisisInterpretaciónDecisión sustantiva
    CovarianzasSe analizan las variables centradas en sus escalas de medición.Puede ser apropiado cuando las unidades son comparables y las diferencias de varianza tienen significado.
    CorrelacionesSe analiza la covarianza de variables estandarizadas.Da a cada variable la misma varianza inicial; suele ser pertinente con unidades heterogéneas, aunque también puede amplificar variables poco fiables.

    Una variable medida en miles puede dominar a otra medida en fracciones si el cambio de unidades incrementa su varianza. Pero el tamaño de la media no determina, por sí solo, la varianza de una variable. La decisión de escalar exige examinar dispersión, unidades y propósito, no solo valores absolutos grandes o pequeños.

    La estandarización modifica el problema geométrico: establece una ponderación diferente de las coordenadas originales. No debe presentarse como una operación neutral que siempre mejora el análisis. También importa declarar si la desviación estándar utiliza n o n − 1. En una misma muestra, aplicar coherentemente uno u otro divisor a todas las variables solo introduce un factor común entre las dos estandarizaciones; las direcciones y proporciones de varianza coinciden, pero las magnitudes de las puntuaciones y varianzas cambian.

    La relación con el ensayo sobre reescalamiento del mismo autor sigue siendo pertinente. La versión web debe conservar ese enlace y enfatizar estas distinciones para que ambos textos se apoyen sin reproducir la confusión entre estandarizar y normalizar una distribución. [9]

    X. Ortogonalidad, incorrelación y rango

    Dos vectores no nulos con producto interno cero son ortogonales y, por ello, linealmente independientes. La recíproca no es cierta: dos vectores pueden ser linealmente independientes sin ser perpendiculares. «Ortogonal» y «perpendicular» no designan propiedades reservadas respectivamente a tres y dos dimensiones; la noción de ortogonalidad se aplica en cualquier dimensión dentro del marco de un producto interno.

    Para los coeficientes de componentes distintos, ajTak = 0. Para las variables principales, la covarianza es ajTΣak = 0. Estas igualdades se conectan por la ecuación de autovalores. No deben confundirse con la independencia estadística, que exige la factorización de la distribución conjunta.

    Un contraejemplo de independencia

    Si U tiene distribución uniforme en [−1,1], las variables U y U² tienen covarianza cero por simetría, pero U² está completamente determinada por U. La ausencia de correlación lineal no elimina la dependencia. En el caso de una distribución conjunta normal, la incorrelación entre componentes sí permite concluir independencia.

    El número de componentes con varianza positiva es el rango de la matriz centrada. Para n observaciones y p variables, ese rango no supera min(n − 1, p). Una descomposición completa de la covarianza puede proporcionar p autovectores, pero algunos autovalores serán cero cuando exista dependencia lineal o insuficiente rango muestral.

    Si se conserva una base ortonormal completa de ℝp, el cambio de coordenadas preserva distancias euclidianas. Si se retienen todos los componentes de varianza positiva, también se reconstruye exactamente la nube centrada observada. Con menos componentes, la aproximación generalmente deja residuos; esos residuos desaparecen solo cuando los datos ya pertenecen al subespacio retenido.

    El orden de los ejes está fijado por los autovalores, salvo empates; su orientación de signo es arbitraria. Cambiar simultáneamente aj por −aj y las puntuaciones por sus opuestas describe la misma solución. Por ello no se comparan signos aislados entre programas sin alinear primero sus convenciones.

    XI. Cuántos componentes conservar

    Retener componentes es una decisión metodológica. Depende del objetivo, la calidad de las mediciones y el costo de descartar variación. Un plano puede ser útil para visualizar y resultar insuficiente para otra tarea. El documento original reúne Kaiser, Cattell, MAP, Bartlett, Horn y Lawley; se mantienen todos, precisando sus ámbitos. [15]

    Varianza acumulada y error de reconstrucción

    Puede elegirse el menor k que alcance una proporción de varianza previamente justificada. Umbrales como 80 %, 90 % o 95 % son decisiones convencionales, no garantías de suficiencia científica. Para una aplicación predictiva, la selección debe contrastarse con desempeño fuera de muestra; para reconstrucción puede justificarse mediante un error tolerable en las unidades pertinentes.

    Kaiser (1960): autovalores mayores que uno

    En un PCA sobre correlaciones, cada variable estandarizada aporta varianza uno y el promedio de los p autovalores es uno. La regla conserva componentes con λ > 1, es decir, que explican más variación que una variable estandarizada promedio. Ese fundamento no se traslada automáticamente a una covarianza con unidades arbitrarias. La regla puede retener demasiados o demasiado pocos componentes y no debe funcionar como decisión automática.

    Cattell (1966): gráfico de sedimentación

    El scree test busca un cambio de pendiente entre los primeros autovalores y una cola más plana. Aporta una lectura visual de rendimientos decrecientes. La presencia de un «codo» puede ser ambigua; distintas personas pueden señalar cortes diferentes y algunos espectros no muestran una inflexión clara. La propuesta original de examinar una línea base en la cola puede conservarse como ayuda gráfica, explicitando su componente interpretativo.

    Velicer (1976): mínimo promedio parcial (MAP)

    El criterio MAP examina la correlación residual entre variables después de retirar sucesivamente componentes y normalizar los residuos para obtener correlaciones parciales. Se busca un mínimo del promedio de sus cuadrados fuera de la diagonal. La intuición es detenerse cuando retirar más componentes deja de reducir de manera útil la asociación residual y empieza a extraer estructura específica o ruido.

    El MAP no debe confundirse con la selección de un porcentaje de varianza ni con un contraste universal de causalidad latente. La recomendación citada en el original de contar con varias variables de peso alto puede ser útil para una interpretación estable, pero no es una identidad matemática que defina al criterio. Existen implementaciones accesibles, como las documentadas en psych, por lo que la dificultad práctica de acceso debe actualizarse. [24]

    Bartlett (1950, 1951): contraste sobre autovalores restantes

    La familia de pruebas mencionada en el original evalúa hipótesis sobre la estructura de los autovalores restantes, como su igualdad, bajo supuestos de distribución y aproximaciones específicas. No equivale al conocido contraste de esfericidad aplicado a la matriz de correlación completa. Cuando se usa secuencialmente, deben declararse la hipótesis exacta, los grados de libertad, el tamaño muestral y el criterio de parada.

    No rechazar una hipótesis no demuestra que sea verdadera: también puede reflejar baja potencia. Tampoco toda significación estadística obliga a añadir una dimensión útil. La interpretación debe distinguir el contraste de estructura poblacional de la decisión práctica sobre una representación.

    Horn (1965): análisis paralelo

    El análisis paralelo compara los autovalores observados con los obtenidos bajo una referencia aleatoria del mismo tamaño n × p. La simulación o permutación reproduce un escenario de asociación ausente según un mecanismo explícito. Se retienen los componentes cuyos autovalores superan el valor de referencia correspondiente. Es necesario declarar si se compara con medias o con un cuantil, por ejemplo el percentil 95, y cuántas réplicas se emplean.

    La lógica corrige una limitación de Kaiser: aun cuando la correlación poblacional sea la identidad, los autovalores muestrales fluctúan y no serán todos exactamente uno. También debe especificarse si el análisis paralelo se plantea para componentes o para factores comunes, pues las matrices y comparaciones no son idénticas. [25]

    Lawley (1940): razón de verosimilitudes y análisis factorial

    Los procedimientos de razón de verosimilitudes asociados al análisis factorial por máxima verosimilitud evalúan si un número de factores permite reproducir adecuadamente una estructura de covarianzas o correlaciones bajo un modelo probabilístico. Se mantienen aquí como parte del panorama original, pero no se presentan como una propiedad automática del PCA descriptivo.

    Un modelo de factores comunes distingue variación compartida y variación específica; el PCA descompone la variación total de las variables analizadas. Confundir componentes con factores puede llevar a aplicar criterios o interpretaciones fuera de su marco. Cuando un programa ofrece ambos procedimientos, debe comprobarse cuál se ha ejecutado.

    Decisión documentada

    Conviene informar el criterio principal, contrastarlo con otro de naturaleza distinta, examinar la estabilidad de los resultados y justificar las diferencias. Ninguna regla sustituye el juicio científico. Si el objetivo cambia de visualización a predicción o a un modelo de factores latentes, también puede cambiar la elección apropiada de dimensiones.

    XII. Interpretación del ejemplo financiero

    El documento utiliza una salida de Minitab basada en ocho variables: ingresos, educación, edad, residencia, empleo, ahorros, deuda y tarjetas de crédito. Se reproduce la tabla de autovalores y la matriz completa de coeficientes que figuran en esa salida. Las etiquetas requieren consultar cómo se midió o codificó cada variable; «residencia», por ejemplo, no identifica por sí sola si se trata de duración, condición de vivienda u otra medida. [6]

    Autovalores, proporción y acumulado · ejemplo financiero de Minitab
    PCAutovalorProporciónAcumulado
    PC13,54760,4430,443
    PC22,13200,2660,710
    PC31,04470,1310,841
    PC40,53150,0660,907
    PC50,41120,0510,958
    PC60,16650,0210,979
    PC70,12540,0160,995
    PC80,04110,0051,000
    Matriz completa de coeficientes · redondeo de la salida original
    VariablePC1PC2PC3PC4PC5PC6PC7PC8
    Ingresos0,3140,145-0,676-0,347-0,2410,4940,018-0,030
    Educación0,2370,444-0,4010,2400,622-0,3570,1030,057
    Edad0,484-0,135-0,004-0,212-0,175-0,487-0,657-0,052
    Residencia0,466-0,2770,0910,116-0,035-0,0850,487-0,662
    Empleo0,459-0,3040,122-0,017-0,014-0,0230,3680,739
    Ahorros0,4040,2190,3660,4360,1430,568-0,348-0,017
    Deuda-0,067-0,585-0,078-0,2810,6810,245-0,196-0,075
    Tarjetas de crédito-0,123-0,452-0,4680,703-0,195-0,022-0,1580,058

    Los tres primeros componentes tienen autovalores mayores que uno y reúnen aproximadamente el 84,1 % de la variación. Los dos primeros reúnen cerca del 71,0 %. Por tanto, representar únicamente PC1 y PC2 deja fuera alrededor del 29 % de la variación total: un gráfico bidimensional es informativo, pero no agota el resultado de una solución con tres componentes.

    Los coeficientes positivos relativamente altos de edad, residencia, empleo y ahorros en PC1 motivan la interpretación de estabilidad financiera de largo plazo presentada en el original. PC2 contrapone, entre otras contribuciones, educación y ahorros a deuda y tarjetas de crédito. El signo elegido hace que estas últimas aparezcan con coeficientes negativos; invertir el eje conserva la misma estructura. PC3 recoge un contraste diferente, con coeficientes negativos importantes de ingresos, educación y tarjetas.

    Los nombres «estabilidad», «historial crediticio» o «calificaciones académicas y de ingresos» son resúmenes interpretativos, no variables directamente observadas ni constructos automáticamente validados. Para sostenerlos hay que examinar todas las cargas, la codificación y el conocimiento del dominio. Un componente no se convierte en un indicador válido de riesgo, solvencia o conducta por recibir una etiqueta plausible.

    Cómo se calcula una puntuación

    Como el ejemplo utiliza una matriz de correlaciones, sus coeficientes se aplican a las variables estandarizadas. Para una observación concreta, la primera puntuación se obtiene mediante:

    t1 = 0,314zIngresos + 0,237zEducación
    + 0,484zEdad + 0,466zResidencia
    + 0,459zEmpleo + 0,404zAhorros
    − 0,067zDeuda − 0,123zTarjetas.

    La fórmula emplea coeficientes publicados con tres decimales; pueden aparecer diferencias menores frente al cálculo interno del programa con mayor precisión.

    Como comprobación didáctica añadida, una observación hipotética situada una desviación estándar por encima de la media en edad, residencia, empleo y ahorros, y exactamente en la media de las otras variables, tendría una puntuación aproximada de 0,484 + 0,466 + 0,459 + 0,404 = 1,813. No es una nueva observación del conjunto de Minitab: ilustra cómo sustituir valores en la combinación lineal.

    Las puntuaciones corresponden a observaciones; los coeficientes pertenecen a las direcciones. No son elementos de una misma matriz con nombres diferentes. Si las direcciones están en las columnas de V, la transformación para todas las observaciones se calcula como T = ZV. El espacio principal es el subespacio generado por las direcciones retenidas; no debe identificarse sin precisión con una matriz particular que lo representa.

    XIII. Distancia de Mahalanobis

    Una observación puede ser poco extraña en cada variable por separado y, sin embargo, resultar inusual por la combinación de sus valores. Si dos variables suelen crecer juntas, un punto con valor alto en una y bajo en la otra puede alejarse del patrón conjunto aunque ninguno de sus valores marginales sea extremo. Esa es la intuición del ejemplo original.

    DM²(x) = (x − μ)TΣ−1(x − μ)
    DM(x) = √DM²(x).

    La fórmula supone una covarianza invertible. En datos muestrales se sustituyen μ y Σ por estimaciones, y la interpretación de los umbrales depende de cómo se obtuvieron.

    Mahalanobis pondera la desviación respecto del centro teniendo en cuenta la escala y la covariación. En coordenadas principales, si todos los autovalores son positivos, la distancia al cuadrado es la suma de las puntuaciones al cuadrado divididas por sus varianzas.

    DM²(x) = ∑j=1p tj²/λj.

    Una desviación modesta en una dirección de muy baja varianza puede resultar más inusual que una desviación mayor en una dirección de alta varianza.

    Si la covarianza es singular, la inversa ordinaria no existe. Puede considerarse una pseudoinversa, una regularización o un modelo en un subespacio, pero cada opción cambia qué desviaciones detecta el diagnóstico. La pseudoinversa ignora direcciones del núcleo; por eso un diagnóstico restringido al subespacio debe complementarse con la inspección de residuos cuando interese detectar puntos fuera de él.

    La distancia clásica utiliza estimaciones de media y covarianza que pueden ser afectadas por los mismos valores atípicos que se pretende detectar. No es universalmente «más potente» bajo cualquier contaminación o distribución. Su ventaja conceptual sobre una revisión marginal es incorporar el patrón multivariado, pero su desempeño depende del estimador y del modelo.

    Con parámetros poblacionales conocidos y normalidad multivariada, la distancia al cuadrado sigue una distribución chi-cuadrado con grados de libertad iguales a la dimensión. Al estimar parámetros con la misma muestra, los límites apropiados pueden requerir correcciones distintas. No conviene aplicar una línea de corte sin declarar su fundamento.

    XIV. Gráfica de sedimentación

    La gráfica de sedimentación ordena los autovalores de mayor a menor y los representa frente al número de componente. Es una representación del espectro de la covarianza o de la correlación analizada. Debe indicarse si el eje vertical muestra autovalores, proporciones de varianza o alguna transformación de esas magnitudes.

    Autovalores del ejemplo financiero y referencia de Kaiser.
    Figura de la edición revisada. Autovalores de la tabla financiera original; la línea discontinua indica la referencia de Kaiser para un análisis sobre correlaciones.

    En el ejemplo financiero existe un descenso importante durante los primeros componentes y una cola posterior de menor contribución. La interpretación original de retener tres componentes es compatible con Kaiser y con una acumulación cercana al 84,1 %. No demuestra que los cinco componentes restantes carezcan de toda relevancia: podrían contener contrastes importantes para un objetivo específico.

    Un espectro aproximadamente uniforme sugiere que ninguna dirección concentra gran parte de la variación; en ese caso, una reducción fuerte pierde una fracción considerable. Un autovalor dominante sugiere una dirección de variación común, pero no prueba por sí mismo la existencia de una sola causa. La forma del espectro depende también del escalamiento y del ruido.

    XV. Gráfica de puntuaciones

    Una gráfica de puntuaciones representa observaciones en las coordenadas de dos o más componentes. En el plano PC1–PC2, cada punto es una unidad de estudio, no una variable original. Los ejes deben indicar la proporción de variación que representan; de ese modo el lector sabe cuánto de la nube queda visible.

    Se examinan agrupamientos, gradientes, separaciones, posiciones extremas y observaciones próximas al centro. La figura del original señala un punto en una esquina inferior como candidato a investigación. La proximidad a un extremo del plano no permite declarar automáticamente un error, un grupo nuevo o un caso atípico significativo.

    La distribución alrededor del origen resulta del centrado de las puntuaciones. No constituye una prueba de normalidad ni implica que la nube tenga forma circular. Cada componente tiene su propia varianza; una representación con escala gráfica desigual puede alterar visualmente ángulos y distancias. Cuando la geometría de la figura sea relevante deben declararse las escalas de los ejes y, preferiblemente, mantener una relación de aspecto apropiada.

    Si dos puntos están separados en el plano, también difieren en el espacio completo. Si se ven próximos, podrían diferir en componentes no representados. De forma análoga, un agrupamiento proyectado puede ser útil para explorar y no bastar para establecer conglomerados estables, categorías naturales o diferencias entre poblaciones.

    Colorear las observaciones con etiquetas experimentales conocidas puede ayudar a interpretar la representación, pero esas etiquetas no intervienen en el cálculo ordinario del PCA. Si se busca explícitamente separar grupos conocidos, debe evaluarse una técnica supervisada pertinente y validarla fuera de muestra.

    XVI. Gráfica de cargas o influencias

    La gráfica denominada de «influencias» en el documento corresponde al loading plot: representa las coordenadas asociadas a variables en dos componentes. Es preferible acompañar el nombre tradicional con «gráfica de cargas» para evitar confundirla con un diagnóstico de influencia de observaciones en regresión.

    El término carga no tiene una convención universal. Algunos programas muestran coeficientes unitarios de los autovectores; otros muestran coeficientes multiplicados por la raíz del autovalor o correlaciones variable–componente. El tipo de representación debe declararse antes de comparar magnitudes, interpretar longitudes o utilizar umbrales.

    Corr(xℓ, PCj) = √λj aℓj/sℓ
    Para variables estandarizadas: Corr(zℓ, PCj) = √λj aℓj.

    Estas igualdades usan una componente sin blanqueamiento y convenciones coherentes de covarianza y escala.

    Un coeficiente unitario cercano a cero indica una contribución pequeña a esa combinación lineal concreta; no declara que la variable carezca de importancia en todo el análisis. Puede contribuir a otros componentes o a una pregunta no recogida por la varianza principal. Los coeficientes de un autovector están entre −1 y 1, pero en muchas dimensiones todos pueden ser bastante menores que uno sin que exista un componente irrelevante.

    En el ejemplo financiero, edad, residencia y empleo se orientan hacia PC1; deuda y tarjetas tienen peso notable en la dirección negativa de PC2. Se interpreta el patrón conjunto de signos y magnitudes, incluyendo las cargas menores cuando aportan un contraste relevante. La consistencia de una interpretación debe examinarse frente a cambios razonables en observaciones, escala o selección de variables.

    XVII. Gráfica de doble proyección o biplot

    El biplot reúne en una misma figura marcadores de observaciones y de variables. Su fundamento es una factorización de la aproximación de rango reducido de la matriz, no una superposición arbitraria de dos gráficos con unidades distintas. A partir de X̂c,k = UkΣs,kVkT, existen diferentes maneras de repartir los valores singulares entre ambos conjuntos de marcadores.

    G = UkΣs,kα,   H = VkΣs,k1−α
    X̂c,k = GHT.

    La elección de α modifica la escala de observaciones y variables. Debe consultarse la convención del programa antes de interpretar distancias o ángulos.

    Las posiciones de las observaciones ayudan a identificar patrones; los vectores o marcadores de variables ayudan a relacionarlos con las mediciones originales. Bajo escalas adecuadas, los productos internos permiten reconstruir aproximadamente valores centrados; ciertas orientaciones de las variables pueden aproximar correlaciones. Estas lecturas dependen de la normalización y de la calidad de la aproximación en los ejes visibles.

    En la figura financiera se mantienen las lecturas originales de PC1 y PC2 y la sugerencia de investigar el punto apartado. Se añade que PC3 también tiene una contribución apreciable y no aparece en el plano. La cercanía aparente entre una flecha y un punto no debe interpretarse como una distancia ordinaria entre objetos del mismo tipo.

    Un biplot debería informar: matriz de partida, preprocesamiento, componentes mostrados, varianza representada y escalamiento de sus marcadores. Sin esos datos, una figura visualmente convincente puede admitir interpretaciones incompatibles.

    XVIII. Gráfica de valores atípicos

    La gráfica original representa, para cada observación, una distancia de Mahalanobis y una referencia de detección. En ella ningún punto supera el límite mostrado. Se conserva ese resultado específico, evitando convertirlo en una prueba de que el conjunto carece de cualquier anomalía posible: el diagnóstico se refiere a una métrica y un umbral concretos.

    Una observación por encima de una línea de referencia es una señal para investigar. Puede reflejar un error de registro, una falla de medición, una unidad perteneciente a otra población, una condición excepcional o un acontecimiento real y científicamente importante. Eliminarla de manera automática puede borrar precisamente la variación que requiere explicación.

    Es útil distinguir dos posiciones: lejos del centro dentro del subespacio retenido y lejos del subespacio mismo. La primera puede examinarse mediante una distancia ponderada de puntuaciones; la segunda mediante un residuo de reconstrucción, frecuentemente resumido por una suma de cuadrados residual.

    Dk²(x) = ∑j=1k tj²/λj,   Q(x) = ‖xc − VkVkTxc‖².

    Un límite para Dk² no sustituye un límite para Q. Sus distribuciones de referencia y correcciones dependen del modelo y del tipo de aplicación.

    La práctica defendible es verificar la procedencia del dato, corregir errores demostrados, documentar decisiones y comparar resultados con y sin casos discutidos cuando corresponda. Si hay múltiples observaciones examinadas, también importa considerar que una serie de umbrales marginales puede producir falsas alarmas acumuladas.

    XIX. Cálculo numérico y NIPALS

    La formulación variacional define qué solución buscamos; el algoritmo determina cómo la calculamos. Es posible obtener el PCA mediante descomposición espectral de la covarianza, SVD de la matriz preparada, métodos iterativos o aproximaciones diseñadas para matrices grandes. El descenso de gradiente es una posibilidad para ciertas formulaciones, no el mecanismo obligatorio que «orquesta» todo PCA.

    Vías de cálculo y decisiones computacionales
    ProcedimientoIdeaConsideración principal
    Descomposición espectralDiagonalizar S o R.Formar XTX puede amplificar problemas de condicionamiento; útil cuando el tamaño de la matriz de variables es manejable.
    SVD directaDescomponer la matriz centrada o estandarizada.Evita formar explícitamente la covarianza y conecta directamente direcciones, puntuaciones y reconstrucción.
    Métodos iterativos truncadosAproximar solo los primeros componentes.Requieren tolerancias y control de convergencia; resultan útiles cuando se desean pocos ejes.
    SVD aleatorizadaAproximar el subespacio dominante mediante proyecciones y refinamiento.Su precisión depende del espectro y de parámetros como sobremuestreo e iteraciones; debe fijarse la semilla si se requiere repetibilidad.
    NIPALSExtraer componentes sucesivamente mediante actualizaciones alternadas y deflación.Las implementaciones pueden incorporar tratamiento de faltantes; deben declararse convergencia y supuestos.
    PCA incrementalActualizar una aproximación por lotes.Reduce memoria, pero los detalles del algoritmo y de los lotes afectan la aproximación.

    NIPALS, paso a paso

    NIPALS significa Non-linear Iterative Partial Least Squares, habitualmente traducido como mínimos cuadrados parciales iterativos no lineales. El nombre histórico del algoritmo no convierte automáticamente la representación producida en un PCA no lineal. En su uso para PCA, busca sucesivamente aproximaciones de rango uno de la matriz residual. La discusión original sigue siendo útil para comprender cargas y puntuaciones. [4]

    1. Preparar los datos y definir una matriz residual inicial E = Xc, o E = Z si se estandarizó.
    2. Elegir una columna no nula de E para inicializar un vector de puntuaciones t.
    3. Actualizar la dirección mediante p = ETt/(tTt) y normalizar p a longitud uno.
    4. Actualizar las puntuaciones mediante t = Ep y repetir hasta cumplir una tolerancia declarada.
    5. Guardar t y p, retirar su contribución con E ← E − tpT y continuar con otro componente si corresponde.

    La secuencia anterior describe el caso de datos completos. Algunas implementaciones ajustan los productos y actualizaciones sobre valores observados para trabajar con faltantes. No basta con sustituirlos por ceros, ni puede suponerse que cualquier patrón de ausencia sea inocuo. La identificabilidad, el porcentaje de información disponible y el mecanismo de ausencia condicionan el resultado.

    La extracción secuencial permite detener el cálculo cuando se han obtenido suficientes componentes. La deflación y el redondeo también pueden acumular errores numéricos; por ello conviene controlar ortogonalidad, convergencia y residuo de reconstrucción. La afirmación de que «la mayoría de los programas utiliza NIPALS» debe tratarse como una observación histórica de la fuente consultada, no como una propiedad general de los programas actuales.

    En un informe reproducible se declara el algoritmo efectivamente utilizado. Decir únicamente «se realizó PCA en Python» o «en R» no indica la matriz de partida, el centrado, la escala, el tratamiento de faltantes ni el criterio de retención. Los programas facilitan el cálculo, pero no resuelven por sí solos las decisiones de diseño.

    XX. PCA y regresión lineal

    La comparación del original con regresión lineal permite precisar dos sentidos de «recta de mejor ajuste». En una regresión ordinaria de y sobre x, se eligen coeficientes para minimizar errores en la variable de respuesta, medidos verticalmente en la representación habitual. En el PCA bidimensional, se busca una recta que minimice la suma de distancias ortogonales al cuadrado, tratando conjuntamente las coordenadas conforme a la métrica elegida.

    Regresión de y sobre x: minβ₀,β₁ ∑i (yi − β₀ − β₁xi)²
    PCA de rango uno: min‖a‖=1 ∑i ‖zi − aaTzi‖².

    La primera formulación selecciona una respuesta. La segunda aproxima una nube centrada sin designar una variable dependiente.

    Por tanto, la diferencia no consiste en que la regresión «carezca de toda ortogonalidad». En mínimos cuadrados, el vector residual es ortogonal al espacio generado por las columnas del diseño, bajo las condiciones usuales. Esa propiedad algebraica no equivale a medir distancias geométricas perpendiculares desde cada punto a una recta en el plano de variables.

    El PCA puede relacionarse con regresión ortogonal o mínimos cuadrados totales, pero aplicar una interpretación de errores en todas las variables requiere supuestos sobre sus escalas y precisiones de medición. La simetría del criterio no vuelve irrelevantes las unidades: cambiar la escala de un eje puede cambiar la recta principal.

    También existe la regresión sobre componentes principales, que utiliza puntuaciones como predictores. En ella, escoger componentes solo por su varianza puede descartar una dirección de pequeña variación que sea informativa para la respuesta. El número de componentes debe seleccionarse considerando la tarea predictiva y validación independiente.

    Una asociación geométrica tampoco establece causalidad. La distinción entre descripción, predicción y explicación debe mantenerse aunque ambas técnicas compartan herramientas algebraicas o representaciones mediante rectas y planos.

    XXI. Tres genes y dimensiones superiores

    El ejemplo original incorpora un tercer gen manteniendo los mismos seis ratones. Los datos de la primera tabla tridimensional son los siguientes. Se añade la tercera coordenada para mostrar cómo una estructura apenas visible en un plano puede hacerse más clara al examinar otra variable.

    Extensión tridimensional del ejemplo de expresión génica
    RatónGen 1Gen 2Gen 3
    110612
    21149
    38510
    4332,5
    522,81,3
    6112

    Ahora cada unidad ocupa un punto de ℝ³. PC1 señala la dirección de mayor variación; PC2 se elige en su complemento ortogonal, y PC3 completa una base ortonormal. El plano formado por PC1 y PC2 proporciona la mejor aproximación bidimensional bajo el criterio cuadrático euclidiano aplicado a los datos preparados.

    Los ratones 1, 2 y 3 tienen valores mayores del tercer gen que los ratones 4, 5 y 6. Ese patrón puede contribuir a una separación en las coordenadas principales. Pero un componente combina las tres variables: no se identifica necesariamente con el eje de un gen particular. Examinar sus coeficientes permite describir cuánto participa cada medición en la dirección obtenida.

    Las figuras finales de Starmer incluidas en el documento también presentan variantes ilustrativas donde cambian los valores del tercer gen. Se conservan esas variantes en el archivo visual. Los porcentajes rotulados en ellas —por ejemplo, 91 % y 4 %, o 79 %, 15 % y 6 %— corresponden a las escenas didácticas en las que aparecen; no deben trasladarse a otra tabla o a otro preprocesamiento como si fueran resultados universales.

    Para evitar esa mezcla, los resultados numéricos añadidos aquí se recalculan exclusivamente a partir de las tablas transcritas y con PCA sobre covarianzas, es decir, centrando sin estandarizar. El código posterior permite verificar la diferencia si se decide trabajar con correlaciones.

    Resultados recalculados · datos centrados sin estandarizar
    DatosPCAutovalorVarianza (%)Acumulado (%)
    Dos genesPC121,28401296,336896,3368
    Dos genesPC20,8093213,6632100,0000
    Tres genesPC142,45597095,750995,7509
    Tres genesPC21,3576643,061998,8129
    Tres genesPC30,5263661,1871100,0000
    Puntuaciones recalculadas · dos genes, PCA sobre covarianzas
    RatónPC1PC2
    14,719998-0,826949
    24,9888611,392896
    32,500152-0,558086
    4-2,881249-0,356784
    5-3,890244-0,504866
    6-5,4375180,853790

    Convención de signo: primer coeficiente de cada dirección no negativo. En el caso de dos genes, a₁ ≈ (0,941711; 0,336424)ᵀ y a₂ ≈ (0,336424; −0,941711)ᵀ. Cambiar el signo de una dirección y sus puntuaciones conserva el resultado.

    El mismo argumento se generaliza a p genes, aunque no sea posible dibujar el espacio original. Una tabla con miles de variables y pocas observaciones admite un cálculo de PCA, pero su rango muestral está limitado por n − 1. La existencia de componentes calculables no garantiza que las direcciones estimadas sean estables ni que reproduzcan fielmente las de una población.

    Las separaciones observadas pueden ser compatibles con diferencias biológicas, pero también con diferencias técnicas o de preparación. Identificar al gen 3 como «responsable» de un agrupamiento exige distinguir contribución geométrica de mecanismo causal. El PCA ayuda a descubrir preguntas e hipótesis; el diseño y la validación permiten decidir qué explicaciones están sustentadas.

    XXII. Alcance científico y lectura multidimensional

    El interés del PCA excede una receta de reducción de datos. Permite estudiar cómo una multiplicidad de mediciones puede organizarse mediante relaciones que no coinciden con las variables aisladas. Ese paso de coordenadas originales a combinaciones nuevas puede ser filosóficamente fértil, siempre que no convierta una construcción estadística en una esencia ontológica demostrada.

    Relaciones, totalidad y mediación

    Desde una lectura materialista, las variables son mediciones producidas en prácticas concretas y los datos expresan aspectos de procesos naturales o sociales. El análisis de sus covariaciones puede revelar regularidades que una inspección marginal no muestra. Sin embargo, la totalidad de un fenómeno no se agota en una matriz de covarianza: pueden importar relaciones no lineales, temporalidad, heterogeneidad, condiciones históricas y mecanismos de interacción.

    La idea de «relaciones esenciales» debe tratarse como una hipótesis interpretativa que requiere investigación. Un autovector resume una estructura matemática de variación; atribuirle el carácter de relación fundamental del sistema exige conectar esa estructura con teoría sustantiva y evidencia independiente. Esta separación fortalece la discusión filosófica porque hace explícitas sus mediaciones.

    Seis dimensiones de evaluación

    Evaluar el método desde niveles complementarios
    DimensiónPregunta de control
    Matemática¿Qué objetivo se optimiza, con qué restricciones y bajo qué métrica?
    Geométrica¿Se está cambiando de coordenadas o descartando direcciones? ¿Qué distancias se conservan?
    Estadística¿La muestra, las mediciones y la estabilidad respaldan las regularidades observadas?
    Computacional¿Qué algoritmo, tolerancias y tratamiento de datos producen la solución?
    Sustantiva¿La interpretación del componente tiene sentido en biología, economía o el dominio investigado?
    Epistemológica¿Se está describiendo, prediciendo o explicando? ¿Qué salto inferencial requiere evidencia adicional?

    Aplicaciones y límites

    En biología, el PCA puede explorar patrones conjuntos de expresión o morfología. En economía puede resumir series o indicadores relacionados. En procesos industriales puede ayudar a vigilar comportamientos multivariados. En imágenes puede aproximar variación mediante una base de menor dimensión. En cada caso, la utilidad depende del objetivo, la preparación de los datos y la interpretación de sus componentes.

    Los principales límites incluyen sensibilidad a observaciones extremas, dependencia de unidades y escalamiento, incapacidad del modelo lineal para describir por completo estructuras curvas y falta de un objetivo explícito de separación de clases. El PCA ordinario tampoco distingue automáticamente señal de ruido, ni identifica por sí mismo variables causales o constructos latentes.

    La validación puede incluir sensibilidad al preprocesamiento, remuestreo para examinar estabilidad, contraste entre submuestras, revisión de residuos y evaluación fuera de muestra. Cuando los autovalores son muy próximos, direcciones individuales pueden cambiar notablemente con pequeñas perturbaciones mientras el subespacio conjunto permanece más estable. En ese caso conviene evaluar el subespacio y no aferrarse al nombre de un eje aislado.

    Finalmente, una representación de baja dimensión no debe utilizarse para naturalizar clasificaciones de personas o grupos. El ejemplo financiero ilustra una operación estadística; cualquier uso decisorio exige una validación adecuada al contexto, al significado de las variables y a las consecuencias de las decisiones.

    Alcance del resultado

    El PCA muestra las direcciones de mayor variación lineal de una representación elegida. El conocimiento científico requiere además explicar por qué esa representación es pertinente, qué relaciones puede captar y qué evidencia permite interpretar sus patrones.

    XXIII. Implementación reproducible en Python y R

    La reproducibilidad exige conservar datos, orientación de la matriz, transformaciones, algoritmo y convenciones. Los siguientes ejemplos recalculan los resultados de las tablas de genes. El código en Python utiliza NumPy y una SVD directa; el de R emplea prcomp. Ninguno presupone etiquetas de grupo ni utiliza los porcentajes de las capturas como entradas.

    En ambos casos se distingue entre centrar sin escalar y centrar con estandarización muestral. El divisor de la covarianza es n − 1. Los signos de los componentes pueden diferir entre implementaciones; para comparar coordenadas se alinean primero sus direcciones. En presencia de empates espectrales debe compararse el subespacio, no necesariamente cada columna.

    Python: cálculo y verificaciones

    """PCA del ejemplo de seis ratones. Requiere Python y NumPy."""
    import numpy as np
    
    X = np.array([
        [10, 6], [11, 4], [8, 5],
        [3, 3], [2, 2.8], [1, 1]
    ], dtype=float)
    X3 = np.column_stack((X, [12, 9, 10, 2.5, 1.3, 2]))
    
    def pca_svd(datos, estandarizar=False):
        """Filas: observaciones. Escala muestral ddof=1."""
        x = np.asarray(datos, dtype=float)
        if x.ndim != 2 or x.shape[0] < 2:
            raise ValueError("Se requieren al menos dos observaciones.")
        if not np.isfinite(x).all():
            raise ValueError("Resolver los valores faltantes/no finitos antes del PCA.")
        media = x.mean(axis=0)
        escala = x.std(axis=0, ddof=1) if estandarizar else np.ones(x.shape[1])
        if np.any(escala == 0):
            raise ValueError("No estandarizar columnas constantes.")
        z = (x - media) / escala
        _, singular, vt = np.linalg.svd(z, full_matrices=False)
        direcciones = vt.T.copy()
        # Convención de signo reproducible: primer coeficiente no negativo.
        signos = np.where(direcciones[0, :] < 0, -1.0, 1.0)
        direcciones *= signos
        puntuaciones = z @ direcciones
        autovalores = singular**2 / (x.shape[0] - 1)
        total = autovalores.sum()
        if total <= 0:
            raise ValueError("La variación total debe ser positiva.")
        proporciones = autovalores / total
        return dict(z=z, media=media, escala=escala,
                    direcciones=direcciones, puntuaciones=puntuaciones,
                    autovalores=autovalores, proporciones=proporciones)
    
    if __name__ == "__main__":
        np.set_printoptions(precision=6, suppress=True)
        for nombre, datos in [("Dos genes", X), ("Tres genes", X3)]:
            for escalar in (False, True):
                r = pca_svd(datos, estandarizar=escalar)
                v, t, lam = r["direcciones"], r["puntuaciones"], r["autovalores"]
                print(nombre, "correlaciones" if escalar else "covarianzas")
                print("Autovalores:", lam)
                print("Varianza explicada (%):", 100 * r["proporciones"])
                print("Direcciones (columnas):\n", v)
                print("Puntuaciones:\n", t)
                # Propiedades independientes para verificar el resultado publicado.
                assert np.allclose(v.T @ v, np.eye(v.shape[1]))
                assert np.allclose(np.cov(t, rowvar=False), np.diag(lam))
                assert np.allclose(t @ v.T, r["z"])
                assert np.isclose(lam.sum(), np.var(r["z"], axis=0, ddof=1).sum())
                for k in range(1, v.shape[1] + 1):
                    aproximacion = t[:, :k] @ v[:, :k].T
                    error = np.sum((r["z"] - aproximacion)**2)
                    assert np.isclose(error, (datos.shape[0] - 1) * lam[k:].sum())
        # Verificación de la distinción entre incorrelación e independencia.
        # Si U es uniforme en [-1,1], Cov(U,U²)=0 por simetría,
        # aunque U² está determinada por U; no se exige un test simulado.
    

    Las verificaciones comprueban ortonormalidad de direcciones, covarianza diagonal de puntuaciones, reconstrucción con todos los componentes y coincidencia entre la variación descartada y el error cuadrático. Estas identidades permiten detectar errores de transposición o de escala que una figura plausible puede ocultar.

    R: la misma convención muestral

    # PCA de los mismos datos. Requiere R base.
    X <- matrix(c(10,6, 11,4, 8,5, 3,3, 2,2.8, 1,1),
                ncol = 2, byrow = TRUE)
    colnames(X) <- c("Gen1", "Gen2")
    rownames(X) <- paste0("Raton", 1:6)
    X3 <- cbind(X, Gen3 = c(12, 9, 10, 2.5, 1.3, 2))
    for (datos in list(X, X3)) {
      for (escalar in c(FALSE, TRUE)) {
        ajuste <- prcomp(datos, center = TRUE, scale. = escalar)
        print(ajuste$sdev^2)                  # autovalores muestrales
        print(100 * ajuste$sdev^2 / sum(ajuste$sdev^2))
        print(ajuste$rotation)                # direcciones
        print(ajuste$x)                       # puntuaciones
        reconstruccion <- ajuste$x %*% t(ajuste$rotation)
        stopifnot(max(abs(reconstruccion -
                          scale(datos, center=TRUE, scale=escalar))) < 1e-8)
      }
    }
    # Los signos pueden diferir de Python sin cambiar la solución.
    # Para análisis paralelo, instalar psych si se desea:
    # set.seed(2026)
    # psych::fa.parallel(X3, fa="pc", n.iter=1000, quant=.95)
    # Con seis observaciones esto es una ilustración, no una recomendación empírica.
    

    El ejemplo de análisis paralelo queda comentado porque requiere el paquete adicional psych. La función distingue explícitamente componentes mediante fa="pc". Una muestra didáctica de seis unidades no debe utilizarse para recomendar conclusiones empíricas estables sobre agrupamientos o dimensionalidad poblacional.

    Aplicar el modelo a observaciones nuevas

    Para transformar un dato nuevo se utilizan las medias, escalas y direcciones ajustadas en los datos de entrenamiento. No se recalculan con el conjunto de prueba. Si el PCA es parte de un proceso predictivo, su ajuste y todo preprocesamiento aprendido deben ejecutarse dentro de cada partición de entrenamiento de la validación cruzada. De otro modo se filtra información del conjunto de evaluación.

    Tnuevo = ((Xnuevo − 1x̄entrenamientoT)Dentrenamiento−1)Vk.

    D contiene las desviaciones utilizadas al ajustar el modelo. Sin estandarización, D es la identidad.

    En implementaciones como sklearn.decomposition.PCA, el centrado y el escalamiento son operaciones distintas: no se debe inferir que PCA estandariza automáticamente. Si se usa StandardScaler, su convención de varianza por defecto utiliza divisor n; conviene declararlo al comparar magnitudes exactas con R o con el código anterior. El blanqueamiento es otra transformación: divide las coordenadas principales por una medida de su dispersión y modifica las varianzas de salida.

    XXIV. Archivo íntegro de las 51 figuras originales

    Este archivo conserva todos los elementos gráficos extraídos de las 49 páginas del PDF, en su orden de aparición y sin recortar su contenido. Se incluyen la figura histórica de Pearson, la tabla de transformaciones, la secuencia de Starmer, los esquemas de Dunn y los resultados y gráficos de Minitab y de la Universidad Carlos III de Madrid. La presentación cromática se integra al artículo mediante un filtro visual; el enlace de cada figura permite consultar el original en color dentro del PDF.

    Cómo leer el material histórico

    Las capturas conservan las etiquetas y convenciones del documento original. Cuando presentan una suma de cuadrados como «eigenvalue», debe distinguirse el autovalor de la matriz de productos cruzados de la varianza de un componente. Cuando describen como «standardizing» una división por la hipotenusa, se trata de normalización vectorial en ese paso. Las aclaraciones del desarrollo prevalecen para interpretar la notación. Los porcentajes de escenas diferentes no se combinan entre sí.

    A. Pearson y transformaciones geométricas · figuras 1–5
    Figura original 1. Recta de aproximación ortogonal en la ilustración histórica de Pearson.
    Figura original 01 · PDF, página 3. Recta de aproximación ortogonal en la ilustración histórica de Pearson. Fuente: Pearson (1901); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 2. Expresión del gen 1 en los seis ratones y cálculo de su promedio.
    Figura original 02 · PDF, página 6. Expresión del gen 1 en los seis ratones y cálculo de su promedio. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 3. Expresión del gen 2 y cálculo de su promedio.
    Figura original 03 · PDF, página 6. Expresión del gen 2 y cálculo de su promedio. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 4. Centro de la nube a partir de las dos medias.
    Figura original 04 · PDF, página 7. Centro de la nube a partir de las dos medias. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 5. Tabla original de transformaciones geométricas y sus características.
    Figura original 05 · PDF, página 7. Tabla original de transformaciones geométricas y sus características. Fuente: Weisstein, Transformation (2021); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    B. Centrado, ajuste y proyección · figuras 6–15
    Figura original 6. Traslación de la nube al origen de coordenadas.
    Figura original 06 · PDF, página 8. Traslación de la nube al origen de coordenadas. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 7. Conservación de las posiciones relativas tras el centrado.
    Figura original 07 · PDF, página 9. Conservación de las posiciones relativas tras el centrado. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 8. Primera recta candidata que atraviesa el origen.
    Figura original 08 · PDF, página 10. Primera recta candidata que atraviesa el origen. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 9. Rotación de la recta candidata frente a la nube centrada.
    Figura original 09 · PDF, página 11. Rotación de la recta candidata frente a la nube centrada. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 10. Ilustración de una proyección entre planos.
    Figura original 10 · PDF, página 11. Ilustración de una proyección entre planos. Fuente: Weisstein, Projection (2021); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 11. Dos criterios de ajuste expresados mediante proyecciones.
    Figura original 11 · PDF, página 12. Dos criterios de ajuste expresados mediante proyecciones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 12. Residuo perpendicular y distancia proyectada al origen.
    Figura original 12 · PDF, página 13. Residuo perpendicular y distancia proyectada al origen. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 13. Triángulo rectángulo que relaciona dato, proyección y residuo.
    Figura original 13 · PDF, página 14. Triángulo rectángulo que relaciona dato, proyección y residuo. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 14. Identidad pitagórica: suma constante y partes complementarias.
    Figura original 14 · PDF, página 14. Identidad pitagórica: suma constante y partes complementarias. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 15. Descomposición de un vector en puntuación y residuo.
    Figura original 15 · PDF, página 15. Descomposición de un vector en puntuación y residuo. Fuente: Dunn (2021); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    C. Sumas de cuadrados y dirección principal · figuras 16–25
    Figura original 16. Elección de una recta candidata para medir el ajuste.
    Figura original 16 · PDF, página 16. Elección de una recta candidata para medir el ajuste. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 17. Proyección de una observación sobre la dirección candidata.
    Figura original 17 · PDF, página 16. Proyección de una observación sobre la dirección candidata. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 18. Distancia de una proyección al origen.
    Figura original 18 · PDF, página 17. Distancia de una proyección al origen. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 19. Suma de cuadrados de las proyecciones para los seis ratones.
    Figura original 19 · PDF, página 18. Suma de cuadrados de las proyecciones para los seis ratones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 20. Comparación de direcciones y criterio de máxima suma de cuadrados.
    Figura original 20 · PDF, página 18. Comparación de direcciones y criterio de máxima suma de cuadrados. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 21. Vector director con coordenadas 4 y 1 y longitud aproximada 4,12.
    Figura original 21 · PDF, página 20. Vector director con coordenadas 4 y 1 y longitud aproximada 4,12. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 22. Normalización de la dirección dividiendo por su longitud.
    Figura original 22 · PDF, página 22. Normalización de la dirección dividiendo por su longitud. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 23. Coeficientes normalizados para la combinación ilustrativa de los genes.
    Figura original 23 · PDF, página 22. Coeficientes normalizados para la combinación ilustrativa de los genes. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 24. Vector singular o autovector: terminología de la dirección principal.
    Figura original 24 · PDF, página 23. Vector singular o autovector: terminología de la dirección principal. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 25. Suma de cuadrados y valor singular: convención de la captura original.
    Figura original 25 · PDF, página 24. Suma de cuadrados y valor singular: convención de la captura original. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    D. Segunda componente y coordenadas · figuras 26–35
    Figura original 26. Segunda dirección perpendicular a PC1 en dos dimensiones.
    Figura original 26 · PDF, página 24. Segunda dirección perpendicular a PC1 en dos dimensiones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 27. Combinación lineal ilustrativa que define PC2.
    Figura original 27 · PDF, página 25. Combinación lineal ilustrativa que define PC2. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 28. Normalización del vector de la segunda dirección.
    Figura original 28 · PDF, página 25. Normalización del vector de la segunda dirección. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 29. Coeficientes de PC2 y comparación con los de PC1.
    Figura original 29 · PDF, página 26. Coeficientes de PC2 y comparación con los de PC1. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 30. Cargas, puntuaciones y suma de cuadrados en la segunda dirección.
    Figura original 30 · PDF, página 27. Cargas, puntuaciones y suma de cuadrados en la segunda dirección. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 31. Cambio de coordenadas de los ratones al plano PC1–PC2.
    Figura original 31 · PDF, página 28. Cambio de coordenadas de los ratones al plano PC1–PC2. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 32. Ubicación de cada observación según sus puntuaciones principales.
    Figura original 32 · PDF, página 29. Ubicación de cada observación según sus puntuaciones principales. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 33. Conversión de sumas de cuadrados en varianzas mediante n − 1.
    Figura original 33 · PDF, página 29. Conversión de sumas de cuadrados en varianzas mediante n − 1. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 34. Varianza explicada ilustrativa y gráfica de sedimentación.
    Figura original 34 · PDF, página 30. Varianza explicada ilustrativa y gráfica de sedimentación. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 35. Esquema geométrico de componentes y aproximación en varias dimensiones.
    Figura original 35 · PDF, página 31. Esquema geométrico de componentes y aproximación en varias dimensiones. Fuente: Dunn (2021); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    E. Ejemplo financiero y diagnósticos · figuras 36–43
    Figura original 36. Salida completa del análisis financiero en Minitab.
    Figura original 36 · PDF, página 32. Salida completa del análisis financiero en Minitab. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 37. Expresión matricial de las combinaciones lineales de variables.
    Figura original 37 · PDF, página 35. Expresión matricial de las combinaciones lineales de variables. Fuente: Universidad Carlos III de Madrid (2006); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 38. Punto marginalmente ordinario pero inusual en el patrón conjunto.
    Figura original 38 · PDF, página 36. Punto marginalmente ordinario pero inusual en el patrón conjunto. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 39. Gráfica de sedimentación del ejemplo financiero.
    Figura original 39 · PDF, página 37. Gráfica de sedimentación del ejemplo financiero. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 40. Gráfica de puntuaciones del ejemplo financiero.
    Figura original 40 · PDF, página 38. Gráfica de puntuaciones del ejemplo financiero. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 41. Gráfica de cargas, denominada de influencias en el original.
    Figura original 41 · PDF, página 39. Gráfica de cargas, denominada de influencias en el original. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 42. Gráfica de doble proyección o biplot del ejemplo financiero.
    Figura original 42 · PDF, página 40. Gráfica de doble proyección o biplot del ejemplo financiero. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 43. Distancias y límite de referencia en la gráfica de valores atípicos.
    Figura original 43 · PDF, página 41. Distancias y límite de referencia en la gráfica de valores atípicos. Fuente: Minitab (2019); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    F. Tres genes y extensión geométrica · figuras 44–51
    Figura original 44. Tabla de tres genes medidos sobre seis ratones.
    Figura original 44 · PDF, página 43. Tabla de tres genes medidos sobre seis ratones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 45. Incorporación de un tercer eje al espacio de características.
    Figura original 45 · PDF, página 44. Incorporación de un tercer eje al espacio de características. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 46. Valores altos del tercer gen para los primeros tres ratones.
    Figura original 46 · PDF, página 44. Valores altos del tercer gen para los primeros tres ratones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 47. Valores bajos del tercer gen para los últimos tres ratones.
    Figura original 47 · PDF, página 45. Valores bajos del tercer gen para los últimos tres ratones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 48. Variante ilustrativa con mayor separación asociada al tercer gen.
    Figura original 48 · PDF, página 46. Variante ilustrativa con mayor separación asociada al tercer gen. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 49. Pesos de una combinación ilustrativa en el espacio tridimensional.
    Figura original 49 · PDF, página 46. Pesos de una combinación ilustrativa en el espacio tridimensional. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 50. Otra dirección principal y sus pesos en tres dimensiones.
    Figura original 50 · PDF, página 47. Otra dirección principal y sus pesos en tres dimensiones. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color
    Figura original 51. Variante final con tres porcentajes de varianza explicada.
    Figura original 51 · PDF, página 47. Variante final con tres porcentajes de varianza explicada. Fuente: Starmer (2018); reproducción del documento de Isadore Nabi.
    Consultar la página original en color

    XXV. Glosario y correspondencia con el documento

    Vocabulario para mantener separados los niveles del análisis
    TérminoDefinición en esta edición
    ObservaciónUnidad de estudio representada por una fila de X y, después de transformar, por una fila de T.
    Variable originalMedición que corresponde a una columna de X.
    Dirección principalAutovector unitario de la covarianza o correlación elegida.
    Componente principalVariable obtenida como combinación lineal centrada según una dirección principal.
    PuntuaciónValor de una observación en una componente.
    CargaCoeficiente o asociación variable–componente, según la convención declarada.
    AutovalorVarianza de una componente cuando se refiere a la covarianza o correlación correspondiente.
    Valor singularMagnitud no negativa de la SVD; su cuadrado es un autovalor de XcTXc.
    Subespacio principalEspacio generado por las direcciones retenidas.
    ProyecciónAproximación ortogonal de una observación en el subespacio.
    ResiduoDiferencia entre la observación preparada y su reconstrucción.
    Dimensionalidad efectivaNúmero de direcciones considerado suficiente bajo un criterio de aproximación declarado.
    Correspondencia temática · sin supresión de apartados del original
    Contenido del PDF de 2021Desarrollo en esta versión
    I. Generalidades conceptuales y matemáticasI–III, VIII–X: atributos, dimensionalidad, Bellman, Pearson, combinaciones lineales, restricciones y espectro.
    II. Intuición geométrica y marco conceptualIV–X: genes, centrado, transformaciones, estructura, topología, proyecciones, normas, pendientes, SVD y ortogonalidad.
    III.I–III.III. Resultados, autovalores, criterios y componentesXI–XII: todos los criterios originales, tabla financiera completa, cargas y puntuaciones.
    III.IV. Distancia de MahalanobisXIII: definición, geometría, equivalencia espectral, singularidad y supuestos de umbrales.
    III.V–III.IX. Sedimentación, puntuaciones, influencias, doble proyección y atípicosXIV–XVIII: los cinco diagnósticos, su lectura y sus condiciones de interpretación.
    III.X. Consideraciones finalesXIX–XX: NIPALS, otros algoritmos y comparación con regresión lineal.
    IV. Intuición geométrica en ℝ³XXI: tres genes, seis ratones, variantes gráficas y extensión a dimensiones mayores.
    V. ReferenciasXXVI: todas las entradas bibliográficas originales, con depuración editorial y ampliaciones técnicas.
    Figuras del documentoXXIV: archivo de las 51 figuras, con página de procedencia y acceso al PDF histórico.
    Desarrollos añadidosDerivaciones, reconstrucción, estabilidad, epistemología, código y trazabilidad en XXII–XXIII y en notas de los apartados anteriores.

    El recorrido mantiene la ambición multidisciplinaria del ensayo: relacionar intuición, formalización, cálculo e interpretación. La precisión de sus distinciones permite que esas perspectivas se complementen sin atribuir a una fórmula resultados que pertenecen a otro nivel de análisis.

    XXVI. Referencias y documento completo

    Se conserva el repertorio bibliográfico del documento original. Se corrigen la grafía de Jolliffe y la presentación editorial de las entradas; las fuentes enciclopédicas y los foros permanecen como apoyos históricos o didácticos. Las ampliaciones incorporan documentación técnica y trabajos académicos adicionales. Una referencia incluida en el original no se presenta como verificada de nuevo en su totalidad ni como respaldo automático de todas sus afirmaciones.

    1. Adler, J. (2012). R in a Nutshell (2.ª ed.). O’Reilly Media.
    2. Alger, N. (2013, 4 de marzo). Intuitively, what is the difference between Eigendecomposition and Singular Value Decomposition? Respuesta en Mathematics Stack Exchange. Consulta y respuestas.
    3. Bellman, R. (1972). Dynamic Programming (impresión consultada en el original). Princeton University Press. Publicación original: 1957.
    4. Dunn, K. G. (2021). Process Improvement Using Data. Capítulo 6: métodos de variables latentes; sección sobre PCA. Libro del autor. Documento PDF.
    5. Jolliffe, I. T. (2002). Principal Component Analysis (2.ª ed.). Springer.
    6. Minitab. (2019, referencia del original). Interpretar todos los estadísticos y gráficas para Análisis de componentes principales. Documentación en español. Página técnica en inglés consultada para contrastar la tabla.
    7. Massachusetts Institute of Technology. (2011; consulta de 2021 en el original). Linear transformations and their matrices. MIT OpenCourseWare, Linear Algebra. Curso y materiales.
    8. Nabi, I. (2020). Sobre los estimadores de Bayes, el análisis de grupos y las mixturas gaussianas. Documento inédito citado en la versión original.
    9. Nabi, I. (2021, 3 de abril). ¿Por qué se realiza un ajuste por re-escalamiento, normalización o estandarización sobre los datos en el contexto del aprendizaje automático? Marxist Philosophy of Science. Entrada relacionada.
    10. Nabi, I. (2021, 2 de abril). Una interpretación multidisciplinaria de los espacios característicos, vectores característicos y valores característicos. Documento completo.
    11. Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559–572. https://doi.org/10.1080/14786440109462720.
    12. Mathematics Stack Exchange. (2015, 13 de marzo). Understanding proof of isometry implies isomorphism. Discusión citada en el original. Su alcance depende de las estructuras y de las hipótesis de sobreyectividad especificadas.
    13. Starmer, J. (2018, 2 de abril, según la referencia original). Principal Component Analysis (PCA). StatQuest. Video citado. Índice de materiales del autor. Fuente de las secuencias didácticas de expresión génica.
    14. Universidad Carlos III de Madrid. (2006, 7 de noviembre, según la referencia original). Análisis de componentes principales. Material docente citado.
    15. Universitat de Girona. (2002, 24 de enero, según la referencia original). Número de factores a conservar. Material sobre análisis factorial. Dirección histórica citada. Se conserva la referencia; la discusión revisada distingue componentes de factores comunes.
    16. Weisstein, E. W. (consulta de 2021). Projection. MathWorld, Wolfram Research. Artículo de referencia.
    17. Weisstein, E. W. (consulta de 2021). Transformation. MathWorld, Wolfram Research. Artículo de referencia.
    18. Wikipedia. (2020, versión citada en el original). Curse of dimensionality. Entrada enciclopédica.
    19. Wikipedia. (2020, versión citada en el original). Isomorfismo. Entrada en español.
    20. Wikipedia. (2021, versión citada en el original). Isomorphism. Entrada en inglés.
    21. Wikipedia. (2021, versión citada en el original). Transcripción genética. Entrada enciclopédica. La transcripción sintetiza ARN a partir de ADN; la traducción es el proceso que produce una cadena polipeptídica a partir del ARN mensajero.
    22. Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology. Referencia histórica complementaria.
    23. Jolliffe, I. T., y Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A, 374, 20150202. DOI. Texto completo de acceso abierto.
    24. Revelle, W. VSS: Very Simple Structure, MAP, and other criteria. Documentación del paquete psych. Documentación del autor. Incluye la referencia a Velicer (1976), Determining the number of components from the matrix of partial correlations, Psychometrika, 41, 321–327.
    25. Revelle, W. fa.parallel: Scree plots of data or correlation matrix compared to random matrices. Documentación del paquete psych. Documentación del autor. Incluye la referencia a Horn (1965), A rationale and test for the number of factors in factor analysis, Psychometrika, 30, 179–185.
    26. Scikit-learn developers. PCA. Documentación oficial. Algoritmos, centrado, atributos y convenciones.
    27. Scikit-learn developers. StandardScaler. Documentación oficial. Estandarización y convención de varianza.
    28. R Core Team. prcomp: Principal Components Analysis. Documentación de R, paquete stats. Cálculo mediante SVD, escalamiento y puntuaciones.

    El documento histórico permite consultar la composición original, las capturas a color y el desarrollo tal como fue publicado en 2021. Esta edición web amplía su exposición y precisa sus distinciones matemáticas, estadísticas y filosóficas, manteniendo trazabilidad entre ambas versiones.

    Consultar el documento completo · PDF

    JOSÉ MAURICIO GÓMEZ JULIÁN · Documento original de 49 páginas
    Edición web revisada y ampliada