Inferencia Estadística

Bienvenido a esta web sobre inferencia estadística aplicada a la física cuántica. Navega por las diferentes pestañas para explorar el marco teórico y la resolución de problemas prácticos.

1. Teoría General

¿Qué es un contraste de hipótesis?

En la investigación científica, no siempre podemos medir a toda una población de estudio. Un contraste de hipótesis es una herramienta matemática que nos permite decidir si la evidencia obtenida de una pequeña muestra es lo suficientemente contundente como para rechazar una suposición inicial sobre toda la población (Fisher, 1925).

Se plantean dos escenarios mutuamente excluyentes:

  • Hipótesis Nula (\(H_0\)): Es la suposición por defecto (el “statu quo” o el marco teórico actual). Asume que cualquier variación en los datos es mero ruido estadístico.
  • Hipótesis Alternativa (\(H_1\)): Es la afirmación que el investigador intenta demostrar, indicando la presencia de un efecto real o una anomalía.

El Algoritmo de Resolución

Siguiendo la formalización matemática desarrollada por Neyman y Pearson (1933), el contraste se resuelve mediante el siguiente protocolo:

  1. Definir el contraste: Establecer matemáticamente \(H_0\) y \(H_1\) (unilateral o bilateral).
  2. Nivel de significancia (\(\alpha\)): Fijar el margen de error tolerado (generalmente 0.05).
  3. Estadístico de prueba: Seleccionar la distribución adecuada (Z, T de Student, proporciones) y calcular el valor empírico con los datos de la muestra.
  4. P-valor y Región Crítica: Calcular la probabilidad de obtener esos datos si \(H_0\) fuera cierta.
  5. Decisión: Si el estadístico cae en la región crítica (o el p-valor \(< \alpha\)), se rechaza \(H_0\).

Parámetros Clave

Todo contraste estadístico asume ciertos riesgos al tomar decisiones basadas en muestras parciales (Neyman & Pearson, 1933):

  • Error Tipo I (\(\alpha\)): Rechazar \(H_0\) cuando en realidad era cierta (Falso positivo).
  • Error Tipo II (\(\beta\)): No rechazar \(H_0\) cuando en realidad era falsa (Falso negativo).
  • Potencia (\(1-\beta\)): Capacidad del test para detectar un efecto real.

2. Problema 1: Decoherencia Cuántica (Test T)

Enunciado del Problema

Un laboratorio de computación cuántica ha desarrollado una nueva aleación de niobio para los sistemas de criogenia de sus procesadores. El estándar actual de la industria dicta que los qubits sufren colapsos por decoherencia térmica con una tasa media poblacional de \(\mu = 15\) errores por milisegundo.

Se selecciona una muestra de \(n = 30\) qubits equipados con la nueva aleación y se registra una media muestral de \(\bar{x} = 13.5\) errores/ms, con una desviación típica muestral de \(s = 2.1\) errores/ms. ¿Existe evidencia estadística suficiente, con un nivel de significancia del \(\alpha = 0.05\), para afirmar que el nuevo sistema reduce significativamente la tasa de errores?

Justificación Teórica del Modelo

Para resolver este problema de inferencia, debemos conectar el marco experimental con la teoría estadística:

  • Dirección del contraste: Nuestro objetivo tecnológico es verificar si la aleación mejora el rendimiento, por lo que planteamos un contraste unilateral por la izquierda. La carga de la prueba recae en demostrar que los errores son estrictamente menores; no nos importa si el material se comporta igual o peor que el estándar.
  • Elección del estadístico: Estamos trabajando con variables continuas (tasas de error medias), pero en el mundo real desconocemos la varianza exacta de toda la población de qubits posibles. Al tener que basarnos únicamente en la desviación típica de nuestra pequeña muestra (\(s = 2.1\)), la inferencia nos exige utilizar la distribución T de Student en lugar de la Normal estandarizada, penalizando así la incertidumbre introducida.

Resolución Matemática

1. Formulación de hipótesis (Contraste unilateral por la izquierda):

  • \(H_0: \mu \ge 15\) (El nuevo sistema no mejora la tasa de errores).
  • \(H_1: \mu < 15\) (El nuevo sistema reduce los errores).

2. Estadístico de prueba: Como se desconoce la desviación típica poblacional (\(\sigma\)) y la muestra es moderada, utilizamos un test T de Student: \[t = \frac{\bar{x} - \mu}{s / \sqrt{n}}\] \[t = \frac{13.5 - 15}{2.1 / \sqrt{30}} = \frac{-1.5}{0.3834} = -3.91\]

3. Región crítica y decisión: Se busca el valor crítico en las tablas de la distribución T de Student para \(\alpha = 0.05\) y \(n-1 = 29\) grados de libertad: \[t_{critico} = -1.699\] Como el valor calculado (\(t = -3.91\)) es mucho menor que el valor crítico (cae en la zona de rechazo), rechazamos la Hipótesis Nula (\(H_0\)).Ver figura 1.

Figura 1. Representación gráfica del contraste T de Student para el análisis de decoherencia térmica. La región sombreada indica la zona de rechazo.

Figura 1. Representación gráfica del contraste T de Student para el análisis de decoherencia térmica. La región sombreada indica la zona de rechazo.

Conclusión

Con un nivel de confianza del 95%, existe evidencia estadística fuertemente significativa para afirmar que la nueva aleación de niobio reduce la decoherencia térmica de los qubits, mejorando el rendimiento del procesador respecto al estándar de la industria.

3. Problema 2: Efecto Túnel en Nanomateriales (Test Z)

Enunciado del Problema

Un equipo de ingeniería de materiales está testeando un nuevo aislante a escala nanométrica para transistores. Debido al efecto túnel, siempre existe una probabilidad de que los electrones atraviesen la barrera de potencial, incluso si clásicamente no tienen energía suficiente. La tolerancia de seguridad técnica para este grosor dicta que el material es viable si la tasa media de fugas es de \(\lambda = 5\) electrones por microsegundo.

Se toma una muestra de \(n = 50\) microsegundos de monitorización en el laboratorio y se registra una media de fugas de \(\bar{x} = 6.2\) electrones/\(\mu s\). ¿Existe evidencia estadística, con un nivel de significancia de \(\alpha = 0.05\), para concluir que la tasa de efecto túnel supera el límite seguro de tolerancia técnica?

Justificación Teórica del Modelo

La validación de este aislante nanométrico requiere un tratamiento estadístico particular:

  • Naturaleza de la distribución: El paso de electrones a través de una barrera cuántica representa un conteo de eventos discretos, independientes y relativamente raros que ocurren en un intervalo de tiempo continuo. Por definición probabilística, este fenómeno sigue una distribución de Poisson.

  • Teorema del Límite Central: Manejar un test exacto de Poisson para muestras grandes es computacionalmente costoso. Sin embargo, dado que nuestro tamaño muestral es amplio (\(n = 50 \ge 30\)), la inferencia nos permite aplicar una aproximación paramétrica a la Normal (Z-test). Esta técnica aprovecha una propiedad única de Poisson: su varianza teórica es igual a su media esperada (\(\lambda_0\)).

  • Dirección del contraste: En términos de seguridad técnica, solo nos preocupa el fallo crítico; es decir, que la tasa de fuga sea anómalamente alta. Por ello, el modelo se diseña como un contraste unilateral por la derecha.

Resolución Matemática

1. Formulación de hipótesis (Contraste unilateral por la derecha):

  • \(H_0: \lambda \le 5\) (La tasa de fugas está dentro de los límites de seguridad).
  • \(H_1: \lambda > 5\) (La tasa de fugas por efecto túnel es anómalamente alta).

2. Estadístico de prueba: El número de electrones que saltan la barrera por unidad de tiempo sigue una distribución de Poisson. Al tener un tamaño de muestra grande (\(n \ge 30\)), podemos aproximar la distribución de la media muestral a una Normal (Z-test) utilizando la media teórica \(\lambda_0 = 5\) y sabiendo que en Poisson la varianza es igual a la media: \[Z = \frac{\bar{x} - \lambda_0}{\sqrt{\lambda_0 / n}}\] \[Z = \frac{6.2 - 5}{\sqrt{5 / 50}} = \frac{1.2}{\sqrt{0.1}} = \frac{1.2}{0.316} = 3.79\]

3. Región crítica y decisión: Se busca el valor crítico en las tablas de la distribución Normal Estandarizada para un nivel de significancia del 5% (\(\alpha = 0.05\) en la cola derecha): \[Z_{critico} = 1.645\] Como el valor calculado (\(Z = 3.79\)) es mucho mayor que el valor crítico (\(3.79 > 1.645\)), el estadístico cae claramente en la región crítica. Rechazamos la Hipótesis Nula (\(H_0\)). Ver figura 2.

Figura 2. Representación gráfica del contraste Normal (Z) para el análisis de fugas por efecto túnel. La región sombreada indica la zona de rechazo.

Figura 2. Representación gráfica del contraste Normal (Z) para el análisis de fugas por efecto túnel. La región sombreada indica la zona de rechazo.

Conclusión

Los datos proporcionan evidencia estadística muy robusta para afirmar que la tasa de electrones que atraviesan el aislante por efecto túnel supera significativamente la tolerancia técnica de \(5 e^-/\mu s\). El material no es viable para su aplicación comercial bajo estos parámetros de diseño.

Referencias

  • Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.
  • Neyman, J., & Pearson, E. S. (1933). On the Problem of the Most Efficient Tests of Statistical Hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231, 289-337.