Professional Documents
Culture Documents
2003
INTRODUCCIN
El trmino estadstica, es derivado del latn status, que significa estado. Este concepto
generalmente se aplica de dos maneras:
a) Estadsticas (Plural) se refiere a un conjunto de datos recogidos en forma sistemtica
para obtener informacin sobre asuntos demogrficos, econmicos, sociales, biolgicos o de
otra naturaleza. Algunos ejemplos pueden ser: el nmero de nacimientos anuales en las
diferentes regiones de Chile, poblacin de lobos marinos reproductivamente activa, captura
de anchovetas en la ltima dcada, nmero de goles convertidos por bam bam Zamorano en
la ltima temporada.
b) Estadstica (singular) se refiere a una disciplina que comprende los mtodos de
recoleccin, presentacin, anlisis e interpretacin de datos. Esta disciplina esta
ntimamente ligada al mtodo cientfico ya que permite llevar a la prctica etapas de
verificacin de hiptesis e interpretacin de resultados. El diseo experimental, tcnicas
de muestreo, anlisis e interpretacin de resultados de investigaciones forman parte del
de la metodologa estadstica la que se esta basada esencialmente en la teora de
probabilidades.
Qu es la Bio-Estadstica?
Es la aplicacin de herramientas de la estadstica al rea de las ciencias biolgicas y de la
medicina. Relacionada con ella existe el trmino Biometra aplicado a todo tipo de
mediciones biolgicas.
En relacin a las funciones que puede desempear la estadstica es posible clasificarla de
dos maneras:
-2-
a) Estadstica descriptiva:
Es aquella parte de la estadstica que describe y analiza una poblacin, sin pretender
sacar conclusiones de tipo general. Es decir, las conclusiones obtenidas son validas slo
para dicha poblacin. Solo involucra el ordenamiento y descripcin de un conjunto de
datos. Ejemplo: Ordenacin en tablas de la altura de todos los estudiantes de biologa
marina de la UCN, indicando un promedio de alturas por sexo, o por edad.
b) Estadstica inferencial:
Es aquella parte de la estadstica, cuyo propsito es inferir o inducir leyes de
comportamiento de una poblacin, a partir del estudio de una muestra. Es decir las
conclusiones obtenidas a partir de una muestra, son vlidas para toda la poblacin.
Ejemplo: Utilizando los datos de altura de todos los alumnos de biologa marina de la
UCN se busca realizar una estimacin de la altura de hombres y mujeres de todos los
alumnos de la UCN. O quizs podemos probar si los hombres de la universidad presentan
un promedio de altura mayor al de las mujeres.
Toma de Muestras (muestreo):
Tu no necesitas comerte todo el buey para saber que la carne es dura. Esta es la idea de
tomar muestras: ganar informacin sobre un todo a travs de la examinar solo una parte de
este.
Algunos conceptos estadsticos sobre muestras:
Poblacin o Universo: El todo el grupo de personas, animales o cosas sobre las que
queremos obtener algn tipo de informacin. Es necesario tener en cuenta que nosotros
definimos nuestra poblacin en relacin de nuestro deseo de informacin.
Unidad: Consiste en cualquier miembro individual de la poblacin.
-3-
Muestra: Es una parte de la poblacin sobre la cual hemos recolectado cierta informacin
la que utilizamos para obtener conclusiones sobre la poblacin.
Variable: Caracterstica de una unidad, que puede ser medida en todas las unidades de una
muestra.
Ejemplo: Se desea realizar un estudio sobre el consumo de tabaco en la juventud chilena.
Es necesario definir que se entiende por juventud delimitando que parte de ella se refiere
a ella.
Poblacin
Muestra
100 hombres y mujeres
Mujeres
entre 16 a 26 aos.
capitales regionales de
Chile.
Variable
Nivel
de
nicotina
permiten decir que una planta de 30 cm mide la mitad que una planta de 60 cm o que una
planta con 45 hojas tiene tres veces ms hojas que una con 15 hojas. Otros ejemplos
pueden ser pesos (mg, lb), volmenes (cc), capacidad (ml), tasas (cm/seg, mph, mg/min) y
tiempo (hr, yr).
b) Datos en escala de intervalos
Algunas escalas de medicin poseen un tamao de intervalo constante, pero no poseen un
cero verdadero; estas son las llamadas escalas de intervalo. Un ejemplo son las dos escalas
de temperaturas mas comunes: Celsius (C) y Fahrenheit (F). Es posible decir la diferencia
entre 20C (68F) y 25C (77F) es la misma que entre 5C (41C) y 10C (50F) formando
una escala de medicin compuesta por intervalos de igual tamao. Pero no es posible indicar
que la temperatura de 40C (104F) es dos veces mas caliente que una temperatura de 20C
(68F) ya que el punto cero esta arbitrariamente definido (valores de temperatura
absolutos se miden en escala Kelvin (K) las que puede ser denominada una escala
proporcional, donde el 0 tiene un significados fsico).
c) Datos en escala ordinal:
Si un hombre A pesa 90 kg y un hombre B pesa 80 Kg, entonces el individuo A pesa 10 kg
ms que B. Pero es posible que nuestros datos solo requieran la informacin que indique que
el hombre A pesa ms que B, sin importar cuanto ms. En este caso estamos trabajando con
diferencias relativas entre las magnitudes de nuestra variable. En este sentido, los datos
consisten en ordenamientos o ranking de mediciones son catalogados como una escala
ordinal de mediciones (Ordinal viene del latn que significa orden). Uno puede hablar de
una entidad biolgica que es mas corta, oscura, mas rpida o ms activa que otra, o el
tamao de 5 tipos de clulas puede ser asignado como 1,2,3,4 y 5 para denotar su magnitud
relativa a otra.
-5-
-6-
-7-
Rangos Implicados: El largo del ala de una mariposa es de 5.4cm, tericamente significa
que el verdadero largo se encuentra entre 5.35 y 5.45 cm. lo que comprende al rango
implicado de esta medicin con 2 figuras significativas.
Algunos ejemplos:
Valor
Rango
Figuras significativas
Exactitud
7.5 - 8.5
8.3
8.25 8.35
0.1
8.32
8.315 8.325
0.01
Estas reglas son necesarias siempre tenerlas en cuenta, ya que las calculadoras y
computadores tpicamente entregan los resultados con mas figuras significativas que son
justificadas por nuestros datos.
DISTRIBUCIONES DE FRECUENCIAS
Cuando recogemos y resumimos una gran cantidad de datos, es bastante til representar
esta informacin como una tabla de frecuencia. La que representa una lista de todos los
valores observados de la variable en estudio y cuantas veces cada valor ha sido observado.
Cuando los datos son agrupados en tablas de frecuencia (o distribucin de
frecuencias), el proceso de anlisis e interpretacin es ms fcil
Consideremos el siguiente ejemplo:
Se ha recogido la informacin sobre el consumo de protenas (medido en gramos) en una
muestra de 20 ostiones mantenidos en los acuarios del laboratorio a los que se les
administro una dieta especial. Los datos son los siguientes:
21
24
27
20
25
21
17
19
35
23
26
20
22
16
19
23
18
23
29
22
Al observar estos datos de esta manera, son bastante poca la informacin que se puede
visualizar. Quizs solo podramos decir que existe una variacin entre los datos observados.
De esta manera para ordenar esta informacin se construir una tabla de frecuencias
siguiendo los pasos:
-9-
Rango
Nmero de clases
En este ejemplo Ampl. Inter. = 19/5= 3.8 4 (el valor se redondea slo si los datos son
enteros o discretos).
- 10 -
16
20
24
28
32
19
23
27
31
35
Marca de
clase
Frecuencia
Absoluta
Frecuencia
Relativa
Frec. absoluta
acumulada
Frec. relativa
acumulada
17.5
21.5
25.5
29.5
33.5
5
9
4
1
1
25
45
20
5
5
5
14
18
19
20
25
70
90
95
100
*Notar que la amplitud del rango de clase de 4 unidades 4 (16, 17, 18 y 19).
- 11 -
Histogramas
Frecuencia
8
6
4
2
0
17.5
21.5
25.5
29.5
Proteinas consumidas
b)
33.5
Polgonos de frecuencias
Se produce fcilmente al conectar con una lnea las marcas de clases adyacentes.
10
Frecuencia
8
6
4
2
0
17.5
21.5
25.5
29.5
Proteinas consumidas
- 12 -
33.5
c)
Ojivas
Frecuencia
100
80
60
40
20
0
17.5
21.5
25.5
29.5
Proteinas consum idas
33.5
- 13 -
Muestras Aleatorias: Para muestrear una poblacin de manera aleatoria se requiere que
cada miembro de la poblacin tenga opcin igual e independiente de ser elegida. En este
punto es necesario tener en cuenta un concepto clave para obtener muestras aleatorias:
Las muestras deben ser independientes en el tiempo y el espacio.
Cuando es posible asignar un nmero a cada miembro de la poblacin es til la utilizacin de
tablas de nmeros aleatorios (B.41 de Zar1999), para generar muestras aleatorias. Pero la
mayora de las veces no es posible asignar un nmero a cada miembro de la poblacin, en
este caso una muestra aleatoria implica tener en cuenta consideraciones biolgicas ms que
matemticas. De esta manera, las tcnicas utilizadas para tomar muestras siempre
requieren manejar algo de conocimiento sobre el organismo en que se est trabajando.
Parmetros y Estadsticos:
Existen muchos tipos de mediciones que son tiles para caracterizar y describir una
poblacin. Una cantidad como la estimacin de la tendencia central o la dispersin es
llamada Parmetro, ya que est describiendo una caracterstica de la poblacin. Pero,
raramente es posible calcular parmetros. Sin embargo, a travs de una muestra aleatoria
de la poblacin en estudio, los parmetros pueden ser estimados bastante bien. De esta
forma, una estimacin de un parmetro poblacional es llamado Estadstico. Todo buen
estadstico de una poblacin debe poseen las siguientes caractersticas: ser insesgado,
consistente y eficiente.
Medidas de Tendencia Central:
Media ( X ): Representa el promedio aritmtico de un set de observaciones. Esto es la
suma de las observaciones divididas por el nmero de observaciones.
i=n
La formula es:
X =
Xi
i =1
N
- 15 -
X =
Xi fi
i =1
i=n
fi
i =1
Hacer el clculo para la tabla de frecuencias del consumo de protenas de los ostiones.
Comentarios adicionales concernientes a la media:
i.
Cuando se calcula media, cada punto (valor, Xi) es usado. Es un estadstico poco
resistente, ya que es fuertemente influenciado por los valores extremos.
ii.
iii.
Mediana (Me): Es el valor medio. Esto es el punto medio de las observaciones cuando estas
han sido ordenas en orden ascendente.
Se calcula por:
Si el tamaos de la muestra es impar: Me= X(n+1)/2
Ejemplo: 11,13,15,16,17
Me= 15
Me= 15.5
- 16 -
Lmite inferior +
Del intervalo
x Ancho intervalo
- 17 -
- 18 -
En todos casos las MEDIAS y las MEDIANAS son iguales. Pero las
DISTRIBUCIONES son diferentes
El Rango: Corresponde a la diferencia entre el dato mayor y el dato menor.
Rango = Xmax Xmin
- 19 -
Ejemplo. El tiempo que utilizan 6 nios de igual edad para desarrollar una misma tarea fue
la siguiente: 16, 12, 15, 18, 13, 14 minutos.
El rango es: 18-12= 6 minutos.
Suma de las desviaciones de la media al cuadrado: Tambin es conocida con el nombre
de suma de los cuadrados. Su compresin es clave para entender el significado de cada una
de las dems medidas de dispersin que existen. Este valor entrega una idea de cun lejos
se encuentran los datos con respecto a la media.
SS = ( Xi X ) 2
Reflexiones las siguientes preguntas:
Porqu se emplean desviaciones de la media al cuadrado?
Qu indica una SS grande?
Qu indica una SS pequeo?
Qu indica una SS igual a 0?
Calcule la media y SS para el peso (grs) del msculo abductor de las siguientes almejas: 7.4,
8.1, 6.3, 8.6, 7.9, 6.9
Varianza (S2): Corresponde a la media de la suma de cuadrados (por eso es llamada media
cuadrtica), para la poblacin se denomina por 2 (sigma cuadrado), de esta manera:
( Xi )
=
, es la varianza de la poblacin.
( Xi X )
=
n 1
La varianza de una muestra esta dividida por n-1 (llamado grados de libertad o GL),
permitiendo una estimacin no segada y ms conservadora ya que no sobreestima el valor
de 2 que presenta un N desconocido.
Calcular a partir del ejemplo anterior
Desviacin Estndar (DS o S): Simplemente es estimada a travs la raz cuadrada de la
varianza. Tener en cuenta que este valor tiene las mismas unidades que las mediciones
originales.
Calcular S a travs de varianza estimada anteriormente.
Coeficiente de variacin (CV): Es el cuociente de la desviacin estndar y la media
aritmtica, expresado en porcentaje, es decir:
CV =
DS
100
X
Media
DS
Ratones
0.78 cm
0.26 cm
Elefantes
78.0 cm
26.0 cm
CV
33.3%
33.3%
- 21 -
- 22 -
Esquemticamente tenemos:
1er cuartil
2do cuartel
3er cuartil
25%
25%
25%
25%
p
100
8
4
9
5
9
6
9
7
10
8
12
9
14
10
14
11
15
12
17
13
18
14
25
15
30
16
31
17
64
18
72
19
88
20
89
21
90
22
92
23
La media DS = 34.6 34.1 Son estos los mejores estadsticos para este caso?
Mediana = (24/2+ (24/2+1))/2 variable rankeada 12.5, corresponde a 16.
CALCULO DEL RANGO INTERCUARTILICO (50% del centro de la distribucin)
1. Primer cuartil (25avo percentil) = (24 + 1) x 0.25 = 6.25, es decir, la variable
rankeada en el lugar 6.25. Ya que el valor de la variable es 9 para el ranking 6 y 7,
el primer cuartil es 9.
2. Tercer cuartil (75avo percentil) = (24 + 1) x 0.75 = 18.75, es decir la variable
rankeada en el lugar 18.75. Los valores para las variables rankeadas en el lugar 18
y 19 son el 64 y 72. El valor est 0.75 ms all del valor de la variable rankeada
X18 = 64, por lo tanto (72 64) x 0.75 = 6 Finalmente, 64 + 6 = 70.
3. Conclusin, el rango intercuartlico se extiende entre 9 y 70.
- 23 -
98
24
16
20
24
28
32
19
23
27
31
35
Marca de
clase
Frecuencia
Absoluta
Frec. absoluta
acumulada
17.5
21.5
25.5
29.5
33.5
5
9
4
1
1
5
14
18
19
20
Lmite inferior +
del intervalo
x Ancho intervalo
Lmite inferior +
del intervalo
- 24 -
x Ancho intervalo
1er cuartil
mediana
3er cuartil
mximo
Una manera til y prctica de representar estas medidas es a travs de un grfico de caja
(boxplot):
Valor mximo
75avo percentil = 3er cuartil
50avo percentil = 2do cuartil = mediana
25avo percentil = 1er cuartil
Valor mnimo
Ejercicio: Los siguientes datos corresponden a las lecturas de la presin sangunea
sistlica que se hicieron a 58 adultos que presentaron un examen fsico:
104
126
116
105
114
124
124
a)
b)
c)
d)
e)
f)
112
126
114
120
122
111
122
139
118
117
121
108
111
131
118
117
106
120
122
114
132
116
124
102
112
123
132
113
115
138
112
107
112
122
118
106
123
120
106
123
123
113
116
120
LA DISTRIBUCIN NORMAL
Un problema frecuente en el campo biolgico, es saber si nuestras observaciones se
encuentran dentro de los parmetros normales esperados para la poblacin en estudio. Para
tomar una decisin generalmente se miden caractersticas de un individuo y, si los valores
encontrados son los habituales para otras estimaciones realizadas es posible decir que son
valores normales. As, por ejemplo, consideremos que es normal que una persona adulta
presente una presin arterial de 130mm y anormal que esta sea de 210mm ya que es un
valor muy raro de encontrar en adultos sanos.
Su grafico semeja una campana simtrica, cuyas colas se extienden hacia el infinito
tanto en direccin negativa como en la positiva (es asinttica con respecto al eje
horizontal).
- 26 -
En la figura es posible observar las diferentes reas y posiciones bajo la curva normal de 1, 2 y 3 desviaciones
estndar.
- 27 -
Z=
Xi
nos indica cuantas desviaciones estndar desde la media el valor de Xi esta localizado. La
tabla B.2 (de Zar 1999), nos indica que proporcin de una distribucin normal cae ms all
un valor dado de Z. Este clculo es llamado normalizacin o estandarizacin. La media de un
set de valores estndares normales es 0 y la varianza en 1.
Ejemplo: Calcular la proporcin de una distribucin normal del largo de fmures de leopardo
donde = 60mm y = 10mm.
a) Qu proporcin de la poblacin de huesos presenta un largo mayor a 66mm?
Z=
66mm-60mm
10mm
= 0.60
77.5mm-60mm
10mm
= 1.75
- 29 -
Xi
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
fi
0
2
2
3
5
4
6
5
8
7
7
10
6
3
2
0
0
Fi
0
2
4
7
12
16
22
27
35
42
49
59
65
68
70
70
70
rel Fi
0.0000
0.0286
0.0571
0.1000
0.1714
0.2286
0.3143
0.3857
0.5000
0.6000
0.7000
0.8429
0.9286
0.9714
1.0000
1.0000
1.0000
Z
-2.32
-2.02
-1.71
-1.41
-1.11
-0.81
-0.50
-0.20
0.10
0.40
0.70
1.01
1.31
1.61
1.91
2.21
2.52
P(Z)
0.0102
0.0115
0.0219
0.0357
0.0542
0.0755
0.0995
0.1122
0.1191
0.1156
0.1026
0.0858
0.0611
0.0414
0.0256
0.0145
0.0136
rel Fi
0.0102
0.0217
0.0436
0.0793
0.1335
0.2090
0.3085
0.4207
0.5398
0.6554
0.7580
0.8438
0.9049
0.9463
0.9719
0.9864
1.0000
Di
0.0102
0.0069
0.0135
0.0207
0.0379
0.0196
0.0058
0.0350
0.0398
0.0554
0.0580
0.0009
0.0237
0.0251
0.0281
0.0136
0.0000
Di'
0.0102
0.0217
0.0150
0.0222
0.0335
0.0376
0.0799
0.1064
0.1541
0.1554
0.1580
0.1438
0.0620
0.0177
0.0005
0.0136
0.0000
PROTOCOLO. Cada vez que se va a examinar la normalidad de un set de datos siga este
protocolo:
1.- Inspeccin visual de los datos:
A continuacin se muestran tres formas de examinar visualmente los datos. A) La
distribucin absoluta observada se compara con una distribucin normal. B) La distribucin
acumulada observada se compara con la distribucin acumulada esperada. C) Los datos
individuales se grafican v/s los valores esperados de la distribucin de Z:
- 30 -
El test estadstico es D = max [(max Di), (max Di)]. El valor crtico para este test es D,n y
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
62
Di = 0.0580
Di = 0.1580
rel Fi = 0.7000
rel Fi - 1 = 0.6000
Esperada
Observada
64
66
68 70 72 74 76
Largo de la lengua (mm)
78
Representacin grfica del test de Kolmogorov-Smirnov de bondad de ajuste para normalidad. Se muestra porque
es necesario examinar una frecuencia observada contra una frecuencia esperada. Ambas distribuciones se
presentan en forma de escalera, en que cada escaln corresponde a un intervalo de clase. Lo que se requiere es
detectar el valor mximo de desviacin entre ambas frecuencias. Mediante el clculo de Di y Di se examinan las
distancias verticales a la izquierda y a la derecha de cada escaln.
70
se ajustan a una
- 32 -
estadsticas utilizando el programa SYSTAT. Los pasos para aplicar el test de Lilliefors en
SYSTAT son:
1. Los datos originales (no en tablas de frecuencias) deben estar ordenados en columnas.
Una columna para cada set de datos.
2. La ruta para aplicar el Test de Lilliefors siguiendo las opciones de ventana es:
a) Statistics > Nonparametrics Tests > One sample KS.
b) Seleccionar la(s) variable(s) que se desea(n) examinar. En la ventana Options:
seleccionar Lilliefors presionar OK.
c) El resultado del test se muestra en la pantalla principal (Main) del programa:
Kolmogorov-Smirnov
distribution
Variable
HOJAS
One
Sample
N-of-Cases
MaxDif
50.00000
0.08229
Test
using
Normal(0.00,1.00)
Lilliefors Probability
0.51372
Cannabis sativa. SYSTAT informa para la variable: n, Dmax y la probabilidad para el test.
En este caso P>0.05. Por lo tanto:_______________________.
Concepto de Sesgo (Skewness) y Curtosis (Kurtosis):
Los poligonos de frecuencia suelen presentar como curvas para que puedan analizarse en
trminos de probabilidad y visualizar su grado de dispersin. Dos elementos son esenciales
para estas curvas o polgonos de frecuencias: la simetra y la curtosis.
- 33 -
El sesgo o asimetra (g1) es una estadstica necesaria para conocer cuanto se parece
nuestra distribucin a una distribucin normal y constituye un indicador del lado de la curva
donde se agrupan los datos. Si este indicador es 0, la curva es perfectamente simtrica.
Cuando es positiva quiere decir que hay ms valores agrupados hacia la izquierda de la
curva (por debajo de la media). Cuando es negativa significa que los valores tienden a
agruparse hacia la derecha de la curva (por encima de la media).
La curtosis (g2) es un indicador del grado de apuntamiento de nuestra curva, es decir que
tan plana o apuntada es. Cuando es 0, significa que se trata de una curva normal. Si es
positiva, quiere decir que la curva o distribucin o polgono es ms apuntada o levantada. Si
es negativa, quiere decir que es ms plana..
- 34 -
En resumen
Asimetra:
g1 = 0 , tenemos una distribucin simtrica
g1 > 0 , tenemos un sesgo positivo (la cola se extiende en la direccin +)
g1 < 0, tenemos un sesgo negativo (la cola se extiende en la direccin - )
Curtosis
g2 = 0 , distribucin mesocrtica, datos distribuidos en forma normal.
g2 > 0 , distribucin leptocrtica, muchos valores alrededor de la media y las colas y pocos
entre ellas
g2 < 0,
distribucin platicrtica, los valores entre la media y las colas estn sobre-
representados.
- 35 -
1. Sesgo (skewness):
La figura muestra la distribucin de tallas de una
poblacin de anfpodos Hyale sp. de una poza del
intermareal, sujeta a los procesos naturales de control
poblacional. Las tallas se distribuyen en forma normal,
hasta que ingresa un nuevo depredador al sistema por lo
que se espera que la distribucin de tallas cambie despus
de un tiempo. La flecha indica la talla mnima a la que son
comidos los anfpodos.
Frecuencia relativa
30
25
20
15
10
5
0
0
25
50
75
Media = 75.5 mm
g1 = -0.03
n = 5000
Talla (mm)
Frecuencia relativa
30
25
20
15
10
5
0
0
25
50
Media = 125.5 mm
g1 = -0.27
n = 4330
Talla (mm)
Frecuencia relativa
30
2. Curtosis:
Seguimos con el ejemplo de Hyale. En este nuevo caso, el
nuevo depredador come en forma selectiva animales
dentro de un rango de tallas que va de 45 a 120 mm. Antes
de eso la distribucin de tallas se distribua en forma
normal.
25
20
15
10
Media = 75.5 mm
g2 = -0.02
n = 5000
5
0
0
25
50
75
100
125
150
Talla (mm)
Frecuencia relativa
30
25
20
15
10
Media = 75.5 mm
g2 = -1.15
n = 1800
5
0
0
25
50
75
100
125
150
Talla (mm)
-2-
Es importante tener en cuenta que las hiptesis deben ser establecidas ANTES que
los datos sean recolectados. Proponer hiptesis despus de la examinacin de los
datos puede invalidar un test estadstico.
De esta forma una vez que se tienen los datos se deben seguir los siguientes pasos:
A. Someter los datos a anlisis estadstico.
B. La funcin del test estadstico es generar un valor (el valor de un test
estadstico), el cual es convertido va una tabla o un algoritmo (computador) a
un valor de probabilidad.
C. Interpretacin del test estadstico y su probabilidad.
Qu tan diferentes necesitan ser dos valores para que podamos concluir, al
menos TENTATIVAMENTE, que son diferentes?
Por esto es necesario un criterio objetivo para rechazar o no rechazar una hiptesis
nula de un determinado test. Deben existir algunos puntos prcticos en los que nos
situemos convencidos de rechazar o no rechazar una hiptesis. En este sentido la
probabilidad asociada con el test estadstico que hemos aplicado se encarga de tomar
la decisin por nosotros.
La teora de probabilidades nos provee de los elementos tericos para estar ciertos
de que los resultados de una muestra reflejan los resultados en la poblacin.
La probabilidad de que un evento ocurra oscila entre 0 y 1 (0 = evento imposible y 1 =
siempre ocurre este evento).
la
probabilidad
es
>
que
el
nivel
de
significancia,
entonces
- 42 -
Si Ho es rechazada
Si Ho no es rechazada
Si Ho es verdadera
Error tipo I (alfa)
No hay error
Si Ho es falsa
No hay error
Error tipo II (beta)
o no se ajusta a la distribucin
esperada?.
Planteemos las hiptesis estadsticas:
Ha: las frecuencias observadas son iguales a las frecuencias esperadas.
Ha: las frecuencias observadas son diferentes a las frecuencias esperadas.
El clculo del siguiente estadstico llamado Chi-Cuadrado es usado como medida de
cuan lejos la distribucin observada se encuentra de la distribucin esperada
tericamente:
X2 =
X2 =
( fi fi ) 2
o en palabras:
fi
Contra que comparamos este valor?: contra un valor crtico de X2,. Este se ubica
en la tabla respectiva con grados de libertad de : = k -1 (k es el nmero de clases
que se estn comparando).
En este caso el valor crtico de X2
0.05,3
= 3.841.
Errores de Chi-cuadrado
1. Efecto de frecuencia observada pequea:
Fe = 20.2 y Fo = 22.0; X2 = (22-20.2)2/20.2 = 0.162
Fe = 0.2 y Fo = 2.0; X2 = (2.0-0.2)2/0.2 = 16.2
A pesar que la diferencia absoluta es igual en ambos casos, Chi-cuadrado es 10 veces
ms grande en el segundo caso. Cules pueden ser las consecuencias de esta
situacin?.
En general se recomienda aplicar este test cuando tenemos frecuencias observadas
mayores 5.
2. Problemas de continuidad: Correccin de Yates para continuidad.
a) Permite que los datos de enumeracin discreta se aproximen a la distribucin
continua de X2
- 45 -
( fi fi 0.5) 2
fi
Amarillo
Verde suave
Verde
F obs
152
39
53
250
F esp
140.625
46.875
46.875
15.2625
Ho: La muestra viene de una poblacin que tiene proporciones de 9:3:3:1 de semillas
amarillas suaves, amarillas, verdes suaves y verdes.
Ha: La muestra viene de una poblacin que no tiene proporciones de 9:3:3:1 de semillas
amarillas suaves, amarillas, verdes suaves y verdes.
Gl= k-1= 3;
X2 0.05, 3 = 7.815
Se rechaza Ho.
X2 0.05, 3 = 5.991
No se rechaza Ho.
Las frecuencias observadas provienen de una poblacin que presenta sus primeras
tres frecuencias fenotpicas de 9:3:3 (X2,0.25 < P < 0.50).
Ahora podemos unir las tres primeras frecuencias fenotpicas y compararlas con la
ltima para verificar si sta es la que provoca la diferencia significativas contra los
valores esperados:
Ho: La muestra viene de una poblacin con proporciones de 1:15 de semillas verdes y
otros fenotipos de semillas.
Ho: La muestra no viene de una poblacin con proporciones de 1:15 de semillas verdes
y otros fenotipos de semillas.
Gl= k-1= 1;
X2 0.05, 3 = 3.841
Se rechaza Ho.
- 47 -
Verde
11
7
5
27
13
6
13
9
14
18
Total(n)
36
39
19
97
37
26
45
53
64
62
123
478
X2
0.5926
1.0342
0.0175
0.4158
2.0270
0.0513
0.3630
1.8176
0.3333
0.5376
7.1899
0.1367
7.0532
- 48 -
GL
1
1
1
1
1
1
1
1
1
1
10
1
9
Pasos a seguir:
1. X2 agrupado: Se calcula para decidir si todas las muestras provienen de la misma
poblacin 3:1. Aqu la Ho es la misma que para cada experimento por separado:
Ho: Las frecuencias observadas se ajustan a la proporcin esperada de 3:1.
Ha: Las frecuencias observadas no se ajustan a la produccin de 3:1.
Consultando la tabla de X2 encontramos que el valor crtico para GL = 1, es igual 3.841,
por lo tanto no se rechaza Ho.
2. X2 para heterogeneidad: Se calcula para decidir si las diez muestras provienen de
la misma poblacin. La prueba de heterogeneidad entre replicas del test de bondad de
ajuste, se basa en que la suma de valores individuales de X2 es en s mismo un valor de
Chi-cuadrado. Aqu la Ho es:
Ho: Las diez muestras provienen de la misma poblacin (son homogneas).
Ha: Las diez muestras provienen de al menos dos poblaciones diferentes (son
homogneas).
Es este ejemplo la diferencia entre el valor de X2 total y X2 agrupado es de 7.053 con
Gl= 10-1 = 9. Este valor corresponde a X2 de heterogeneidad. Consultando la tabla
de Chi-cuadrado se obtienen la misma probabilidad, y basado en esto no se rechaza la
Ho. Es decir las 10 muestras provienen de una misma poblacin y se justifica que se
agrupen.
La correccin de Yates solo debe ser aplicada una vez que se ha determinado que los
datos se pueden agrupar. En este ejemplo se debe usar X2c = 0.128 en vez de X2 =
0.137.
- 49 -
Ho: La poblacin muestra una misma proporcin de Petrolisthes laevigatus que usan la
tenaza derecha y la izquierda.
Ha: La poblacin no muestra la misma proporcin de Petrolisthes laevigatus uso de las
tenazas.
- 50 -
Diestras
15
(11.00)
16
(12.00)
12
(8.50)
13
(9.00)
Zurdas
7
(11.00)
8
(12.00)
5
(8.50)
5
(9.00)
56
(40.50)
25
(409.50)
X Heter.
Total (n)
X2
Gl
22
2.9091
24
2.6667
17
2.8824
18
3.5556
12.0138
11.8642
0.1496
81
d max.
di = ( Fi Fi )
Ejemplo: Un total de 35 poliquetos fueron utilizados para verificar cual era la
preferencia de estos animales sobre sustratos con diferente grados de humedad.
Ho: Los poliquetos no muestran presencias por ningn sustrato en especial
Ha: Los poliquetos muestran preferencias por algn sustrato determinado.
F obs
F esp
F obs
acum.
F esp
acum.
di
1
8
7
2
13
7
Grado de Humedad
3
6
7
21
27
33
35
14
21
28
35
d max = 7;
4
6
7
5
2
7
(dmax)0.05, 5 35 = 7
Entonces: Se rechaza Ho
Existe una preferencia de los poliquetos sobre un sustrato con un grado de humedad
determinado (K-S, 0.02< P < 0.05).
Tablas de contingencia
En muchos casos se colectan datos de enumeracin simultneamente para dos
variables, y se desea testear la hiptesis de que las frecuencia de ocurrencia las
categoras de una variable son independientes de las frecuencias observadas en la
segunda variable. Este tipo de datos se dice que son ordenados en una tabla de
- 52 -
Sexo
Macho
Hembra
Negro
32
55
TOTAL
87
C1
Color de pelo
Caf
Rubio
43
16
65
64
108
C2
80
C3
Rojo
9
16
TOTAL
100
200
25
C4
300
R1
R2
C = columnas y R = filas.
En este test, la hiptesis nula es que las frecuencias observadas en las filas son
independientes de las frecuencias observadas en las columnas. En el ejemplo entonces:
Ho: El color de pelo de los humanos es independiente del sexo en la poblacin
muestreada.
Ha: El color de pelo de los humanos es dependiente del sexo en la poblacin
muestreada.
X2 =
( fi fi ) 2
fi
Gl= (r-1)(c-1).
- 53 -
F21= 200*87/300 = 55
F22= 200*108/300 = 65
F23= 200*80/300 = 64
F24= 200*25/300 = 16
Sexo
Macho
Hembra
TOTAL
Negro
32
(29.00)
55
(58.00)
87
Color de pelo
Caf
Rubio
43
16
(36.00)
(26.67)
65
64
(72.00)
(53.33)
108
80
Rojo
9
(8.33)
16
(16.67)
TOTAL
25
300
100
200
X2 0.05,3 = 7.815
Entonces se rechaza Ho.
- 55 -
Viven
Total
Con droga
15
24
X2 = 2.4806
Sin droga
15
10
25
Gl = 1
Total
24
25
49
Experimento 2
Mueren
Viven
Total
Con droga
13
12
25
X2 = 2.1222
Sin droga
18
25
Gl = 1
Total
31
19
50
Experimento 3
Mueren
Viven
Total
Con droga
12
13
25
X2 = 2.0525
Sin droga
17
25
Gl = 1
Total
29
21
50
Experimento 4
Mueren
Viven
Total
Con droga
10
14
24
X2 = 2.4522
Sin droga
16
25
Gl = 1
Total
26
23
49
- 56 -
Mueren
Viven
Total
Con droga
44
54
98
X2 = 8.9262
Sin droga
66
34
100
Gl = 1
Total
110
88
198
Total de X2
= 9.1075
Gl= 4
X2 Agrupado
= 8.9262
Gl= 1
X2 Heterogeneidad
= 0.1813
Gl= 3
X2
0.05,3
= 7.815
Viven
Total
Con droga
44
54
98
Sin droga
66
34
100
Total
110
88
198
Recordar que la correccin de Yates se debe aplicar una vez que se ha determinado
que es vlido agrupar los datos.
De esta manera: X2c = 8.183; GL = y X20.05,1 = 3.841
Cul es la conclusin estadstica para este experimento?
- 57 -
Negro
Caf
Colorn
Total
Hombre
32
43
84
Mujer
55
65
16
136
Total
87
108
25
220
0.05,2
= 5.991
Rubio
No rubio
Total
Hombre
16
84
100
Mujer
64
136
200
Total
80
220
300
Mediante este tratamiento hemos confirmado nuestra sospecha de que entre los
cuatro colores de pelo, el rubio se presenta con frecuencias relativas diferentes de
las que ocurren con los otros colores. Estrictamente hablando, este procedimiento no
se debe aplicar para poner a prueba hiptesis estadsticas y debe ser considerado
solo como una gua para desarrollar nuevas hiptesis con nuevos datos.
- 59 -
Z=
Xi
Xi
ES
t=
2
ES =
n
ES =
determinar si existe o no
Regin de rechazo
Regin de
aceptacin
0.95
Regin de rechazo
0.025
0.025
-0.2
u 0.2
- 60 -
Regin de rechazo
0.5000
0.4500
0.05
-0.2
0.2
Valor crtico de t
2.- La media del grupo al que se aplic el tratamiento ser ms pequea que la media
del grupo control.
Ho: Media Control Media del tratamiento
Ha: Media Control > Media del tratamiento
Regin de rechazo
0.4500
0.5000
0.05
-0.2
Valor crtico de t
- 61 -
0.2
Droga G
9.9
9.0
11.1
9.6
8.7
10.4
9.5
n2 = 7
Gl2 = 6
Media 2 = 9.74 min
SS2 = 4.0171 min2
- 62 -
S
F = 12
S2
F=
S2
S1
t=
s X 1 X 2 =
S p2 =
S p2
n1
X1 X 2
s X 1 X 2
S p2
n2
si n1 y n2 son iguales
SS1 + SS 2
n+n2
- 63 -
s X 1 X 2 =
2 S p2
n
= 5.70
3) t-test:
S p2 =
S X1X 2 =
t=
0.5193 0.5193
+
= 0.0866 + 0.0742 = 0.40 min
6
7
8.75 9.74
= 2.475 ; t0.05(2), 11 = 2.201
0.40
- 64 -
t=
Xa Xb
S12 S 22
+
n1
n2
S12 S 22
+
n2
n1
[S ]
2 2
1
n1 1
[S ]
+
2 2
2
n2 1
- 65 -
Por ejemplo: Queremos verificar la hiptesis nula de que el largo de la pata delantera
y la pata trasera de los Pud del zoolgico, es el mismo. De esta manera los datos son
tabulados en pares:
Pata Delantera
(X1)
142
140
144
144
142
146
149
150
142
148
Ciervo
1
2
3
4
5
6
7
8
9
10
Pata Trasera
(X2)
138
136
147
139
143
141
143
145
136
146
Diferencia
(d = X1 X2)
4
4
-3
5
-1
5
6
5
6
2
o Ho: d = 0
o Ha: d 0
(di d )
t=
d
sd
n 1
n
Gl = n-1
9.3444
= 0.97cm
10
t=
3.3cm
= 3.402 ; t0.05(2),9=2.262
0.97
Control
50.3
55.3
61.5
68.2
76.3
Medias
Experimental
52.1
59.1
68.8
79.3
92.0
Probabilidad
>0.200
0.108
0.041
0.022
0.008
77
1
78
2
80
3
86
4
87
5
- 68 -
90
6
91
7
93
8
97
9
98
10
77
1
1
78
2
2
80
3
3
86
86
4.5
4.5
(4 + 5) / 2 = 4.5
90
6
6
91
91
91
8
8
8
(7 + 8 + 9) / 3 = 8
98
10
10
Grupo B
1.7
2.5
2.6
3.5
3.7
4.4
Transformados
a rangos
Grupo A
2
3
6
9
10
12
Grupo B
1
4
5
7
8
11
R1 + R2 =
[( N + 1) N ]
2
4 Calcular U y U:
n (n1 + 1)
U = n1 n 2 + 1
R1
2
n (n 2 + 1)
U = n2 n1 + 2
R2
2
5 Comprobar que :
U 1 = (n1 n 2 ) U 2
- 69 -
Veamos un ejemplo:
Se desea saber si existen diferencias entre la altura de hombres y mujeres.
Ho: Los hombres y mujeres tiene la misma altura.
Ha: Los hombres y mujeres no tiene la misma altura.
Altura de
hombres
193
188
185
183
180
178
170
n1 = 7
Altura de
mujeres
175
173
168
165
163
Rangos hombres
Rangos mujeres
1
2
3
4
5
6
9
R1 = 30
7
8
10
11
12
n2 = 5
R2 = 48
U = 33 ; U= 2
- 70 -
n2 = 7
R2 = 36.5
I
3.5
I
3.5
I
3.5
I
3.5
I
3.5
II
11
I
3.5
II
11
II
11
II
11
II
11
II
11
II
11
III
19
II
11
III
19
II
11
III
19
III
19
III
19
III
19
III
19
IV
23
III
19
Desarrolle el ejercicio.
U-test para muestras grandes:
Si se pone atencin en la tabla de valores crticos de Mann-Whitney (B.11), es posible
ver que esta solo puede ser utilizada cuando el tamao mximo para el grupo pequeo
es de 20 muestras y como mximo para el grupo de mayor cantidad de datos de 40
muestras. Afortunadamente la distribucin de U se aproxima a la distribucin normal
- 71 -
(n1 )(n 2 )
0.5
2
n=
Suma de los rangos =
Peces a 30 C
25
611
314
Zc =
Recordemos que para P= 0.05, el valor critico de Z= 1.96. De esta manera debido a que
Zc es menor que 1.96, se puede concluir que no se rechaza Ho.
- 72 -
12
N 2 N
Veamos un ejemplo:
Grupo 1
78
79
84
85
85
92
94
95
95
95
97
113
115
115
117
118
123
125
140
142
145
150
151
n1 = 23
donde
Rangos
5
7.5
10
13.5
13.5
17
19
21.5
21.5
21.5
24.5
27
28.5
28.5
32
35
37
38.5
40
41
42
44
45
R1 = 613
- 73 -
T = (t
t)
Grupo 2
55
56
67
78
78
9
83
85
85
85
85
93
95
97
101
117
117
117
117
120
125
147
Rangos
1
2
3
5
5
7.5
9
13.5
13.5
13.5
13.5
18
21.5
24.5
26
32
32
32
32
36
38.5
43
n2 = 22
R2 = 422
Clculos:
U1 = 23 (22) + 23 (24)/2 613 = 169
U2 = 22 (23) + 23 (24)/2 422 = 337
Debido a que n1 y n2 > 20, se debe usar la transformacin de Z:
(23)(22)
0.5
2
= 1.896
(23)(22)(23 + 22 + 1)
12
337
Zc =
Zc= 1.896 no es significativo pero est muy cerca de serlo: P(Z = 1.96) = 0.05.
Entonces es necesario corregir. Seguir los siguientes pasos:
1. Se calcula el nmero de atados pares, atados triples, atados cudruples, etc,
etc
Atados de a:
2
3
4
5
6
T3-t
23 2
33 3
43 4
53 5
63 - 6
Suma de T
F
4
1
1
1
1
T
24
24
60
120
210
438
Datos reales
79, 97, 115, 125
78
95
117
85
2. Se calcula el denominador:
22 23 45 3 45 438
337
Zc =
(23)(22)
0.5
2
= 1.90
43.93
- 74 -
(n+1)/2,
luego se
Muestra 1
6
5
11
Muestra 2
6
8
14
Total
12
13
25
Es posible decir que las dos muestras provienen de una misma poblacin (test de
medianas 0.75 < P < 0.90).
- 76 -
Resultados:
n = 10
Si = 7
No = 3
N!
p x q n x
X ! ( N X )!
P (3) =
10!
(0.5) 3 (0.5) 7 = 0.11719
3!7!
p = 0.04395
p = 0.00977
p = 0.00098
p = 0.11719
p = 0.04395
p = 0.00977
p = 0.00098
0.17189
- 77 -
Debido a que este es un test de dos colas, necesitamos tambin las probabilidades
para X 7.
X=7
X=8
X=9
X = 10
p = 0.11719
p = 0.04395
p = 0.00977
p = 0.00098
0.17189
- 78 -
Pero cuando se tiene n > 25 es necesario corregir para continuidad; Notar que p no
tiene que ser igual a q. La transformacin de datos binomiales a la distribucin de Z
incluye la correccin para continuidad (distribucin discreta continua).
Zc =
( X 0.5) np
npq
0.05(2), 30
- 79 -
8
= 2.92
2.74
- 80 -
Test de Wilcoxon
Es tambin llamado muestra pareada de Wilcoxon , pares agrupados de Wilcoxon
o test de grados con signos. Puede ser utilizado cuando los di no son normales.
Tiene 95% del poder del t-test de pares agrupados.
Puede ser utilizado cuando en aplicaciones cuando se tiene datos de escala
proporcional, de intervalo u ordinal.
El test ocupa los grados asignados a di (T+ y T-), considerando los signos. Si las
muestras que se comparan no son diferentes, entonces se espera que T+ y T- no sean
significativamente diferentes.
Ejemplo: Datos de un estudio relativo a la diferencia en peso de los globos oculares en
una muestra de Lenguados de Caldera.
Ho: No existen diferencias significativas en el peso del ojo derecho e izquierdo en los
lenguados
Ha: Existen diferencias significativas en el peso del ojo derecho e izquierdo en los
lenguados.
Sujeto
A
B
C
D
E
F
G
H
I
Ojo Derecho
7.5
0.9
1.2
2.5
4.7
7.2
1.8
1.7
1.2
Ojo Izquierdo
7.3
0.3
1.2
1.8
3.6
6.8
2.3
1.1
0.9
- 81 -
di
0.2
0.6
0.0
0.7
1.1
0.4
-0.5
0.6
0.3
Ranking
1
5.5
7
8
3
-4
5.5
2
hasta 100
- 82 -
n(n + 1) m(m + 1)
T
0.5
4
Zc =
24
Donde m es el nmero de diferencias iguales a cero; T es para pares atados (igual que
en el caso de Mann-Whitney) y 0.5 es la correccin de continuidad.
Ejemplo: Peso y orden de nacimiento en mellizos.
Ho: El peso al nacer no est relacionado con el orden de nacimiento.
Ha: El peso al nacer est relacionado con el orden de nacimiento.
Alpha = 0.05, dos colas, N=50
A. Test sin correccin y ceros eliminados:
a. Usamos la Tabla: T ms pequeo T = 260.5 N = 50-8 = 42
Valor critico (0.05, 2, 42) = 2.94 ;
b. Ajustar para los rangos atados (RT = 972). Este ajuste es similar al
usado en el caso de Mann-Whitney.
Diferencias iguales a cero = m = 8
RT = 972
N = 50
T = 372.5
50(51) 8(9)
0.5
246.5
4
=
= 2.39
50851)(101) 8(9) 972 / 2 103.25
24
372.5
Zc =
T
Zc =
T
2
24
2. Cuando no hay diferencia igual a cero:
T
Zc =
n(n + 1)
0.5
4
n(n + 1)(2n + 1)
T
2
24
3. Cuando no hay rangos atados:
n(n + 1)
0.5
4
n(n + 1)(2n + 1)
24
T
Zc =
n(n + 1)
4
n(n + 1)(2n + 1)
24
T
- 84 -
1. El test de Dixon: Este test est diseado para muestras de hasta 25 datos. Tiene
cuatro formas distintas de calcular el valor del test, dependiendo del tamao de la
muestra.
n=
3a7
r10 = Y2 Y1
Yn Y1
8 a 10
r11 =
11 a 13
Y2 Y1
Yn - 1 Y1
r21 =
Y3 Y1
Yn - 1 Y1
14 a 25
r22 =
Y3 Y1
Yn 2 Y1
PROCEDIMIENTO:
1. Ordenar los datos de menor a mayor o bien de mayor a menor, pero de tal manera
que el primer dato sea el valor fuera de rango, Y1.
2. Emplear la formula apropiada (dependiendo del valor de n), para calcular el
estadstico r.
3. Determinar la probabilidad asociada a r, usando la tabla de valores crticos de
Dixon.
Ejemplo: Recuento de eritrocitos ( x 106) de 20 tortugas marinas del Pacfico Sur.
3.8 4.1 4.5 4.6 4.8 5.0 5.0 5.0 5.1 5.2 5.2 5.2 5.3 5.4 5.4 5.4 5.7 5.8 5.9 5.9
Notar que los datos fueran ordenados para que el valor 3.8 sea Y1. Debido a que n =
20, aplicamos la formula para n = 14 a 25.
r22 =
Y3 Y1
Yn-2 Y1
2. El test de Grubb: Este test se puede usar para muestras con n > 25. El test
diseado por Grubb es similar al computo de valores de Z.
PROCEDIMIENTO:
1. Calcular la media y la desviacin estndar de la muestra.
2. Computar el test estadstico: (Y1 Y)) / S, donde Y1 es el valor sospechoso de ser
un outlier.
3. Buscar la probabilidad asociada al valor del test en la tabla de valores crticos de
Grubb.
- 86 -
0.055
0.135
0.052
0.077
0.026
0.440
0.300
0.100
0.155
0.025
0.036
0.043
0.100
0.120
0.110
0.100
0.350
0.100
0.300
0.370
0.019
0.011
0.060
0.070
0.050
0.080
0.110
0.110
0.120
0.133
0.100
0.100
0.100
- 87 -
X2
1-Una carretera de alta velocidad necesita saber si las medidas de seguridad
existentes se encuentran en los rangos de seguridad de accidentes, los cuales son:
ileso, leve, intenso, grave y fatal con una proporcin de 15:7:4:2:1.
Se dispone de los siguientes datos:
Ilesos= 47 Leves= 25 Intensos= 9 Graves= 2 Fatales= 1
2- La relacin de ventas de 7 productos sigue una proporcin de 20:15:10:7:5:3:1. En
una muestra de n=200 se determina lo siguiente:
Producto
fi
Total
60
60
60
200
3- Se quiere comprobar que un dado no esta cargado hacia ningn numero. Se lanza el
dado 60 veces y se obtuvo:
fi
Total
13
11
12
60
23
Parte Alta
San Juan
Sindempart
20
20
11
- 88 -
Total
74
Parte Alta
San Juan
24
21
12
Sindempart
5
Total
66
Rojas
14
13
27
16
Rosas
19
28
10
32
46
33
16
Blancas
17
15
23
14
Totales
35
59
17
60
96
63
18
Tablas de Contingencia
1- Se desea conocer si el color del pelo es influido por el sexo de las personas.
Negro
Caf
Rubio
Pelirrojo
Machos
59
61
47
50
Hembras
61
70
33
48
212
120
131
80
98
429
- 89 -
Total
217
Otoo
Invierno
Primavera
Total
Machos
54
61
47
50
217
Hembras
61
70
33
48
212
120
131
80
98
429
Reprobados
Total
Profesor A
13
10
23
Profesor B
15
23
18
46
Total
28
Aprobados
Reprobados
Total
Profesor A
16
23
Profesor B
14
23
Total
30
16
46
Aprobados
Reprobados
Total
Profesor A
15
23
Profesor B
17
23
Total
30
14
46
- 90 -
Kolmogorov-Smirnov
1-Distribucin de Petrolistes en el intermareal rocoso.
Mas Bajo
fi
16
Medio Bajo
Medio Alto
Alto
26
21
96
33
2- Los concesionarios del casino piensan que a los alumnos no les importa el men de
cada da.
Cazuela
fi
Bistec
Porotos
Pescado
Pollo
12
35
Derechos
159
247
- 91 -
13
26
31 14 28
6
14
Machos
44
31
12
15
Hembras
54
40
18
16
Otoo
Invierno
Machos
135
71
43
163
Hembras
77
40
38
86
- 92 -
Primavera
Cultivo 1
Cultivo 2
Anaranjado Rosa
Cultivo 3
Anaranjado Rosa
Anaranjado Rosa
5 mts.
10
21
36
8 mts.
27
18
102
69
25
13
Cultivo 4
Cultivo 5
Anaranjado Rosa
Anaranjado
Rosa
5 mts.
12
8 mts.
22
14
28
24
- 93 -
43.4
45.9
44.6
46.8
45.1
47.6
228.8
224.3
229.6
223.8
218.6
230.8
220.1
223.4
226.5
221.5
224.1
230.2
222.0
60
72
71
79
65
61
68
85
68
71
- 94 -
69
62
62
81
64
63
63
77
66
79
59
b) Mediciones de clmen :
Machos
Hembras
114
118
116
116
118
114
125
121
113
117
120
116
119
120
123
1
8
9
2
9
5
3
5
3
4
8
5
5
8
3
6
9
5
7
7
7
8
9
6
9
9
9
10
9
6
11
9
8
12
8
6
13
7
7
14
7
5
15
8
9
16
7
3
17
7
6
1
97
96
2
84
81
3
72
76
4
61
68
5
81
88
6
84
83
7
77
71
8
61
66
9
104
108
10
116
118
11
84
89
44
32
48
40
36
44
32
44
51
34
45
30
54
26
56
193
175
188
173
185
168
- 95 -
183
165
180
163
178
170
9) Se desea probar que las larvas cultivadas a mayor temperatura se desarrollan mas
rpidamente. Para esto se cultivaron larvas de Langostino Rojo en estanques con
temperaturas de 15 y 20 C durante tres semanas, las sobrevivientes fueron las
siguientes:
15C
20C
I
I
II
I
I
II
II
II
II
II
II III IV
III III IV
IV
10) En nuestro centro de cultivos de borrachillas debemos elegir que tipo de alimento
utilizar (natural o procesado). Para saber cual alimento es ms eficiente se
alimentaron 23 peces con alimento natural y 29 con el alimento procesado. Luego
de un mes se pesaron las muestras de peces y debemos tomar una decisin.
Alimento natural
23
597
N
Suma de rangos
Alimento procesado
29
781
1
2
3
4
5
34.5
0.8
0.9
0.9
0.9
1.0
36.0
0.5
0.5
0.6
0.6
0.6
6
7
8
9
10
34.5
1.0
1.1
1.2
1.3
1.4
36.0
0.6
0.7
0.8
0.8
0.9
11
12
13
14
15
34.5
1.5
1.6
1.7
1.7
1.8
36.0
1.0
1.0
1.1
1.1
1.3
16
17
18
19
20
34.5
1.9
1.9
1.9
2.0
2.2
36.0
1.4
1.4
1.5
1.5
1.6
21
22
23
34.5
2.2
2.3
2.4
36.0
1.6
1.8
1
114
112
2
121
122
3
136
141
4
102
107
- 96 -
5
99
96
6
114
109
7
127
121
8
150
146
9
129
127
10
130
128
1
125
121
2
128
123
3
132
134
4
135
138
5
136
128
6
139
133
7
144
137
8
149
148
Aplique el test que corresponde en cada caso; se debe presentar las hiptesis
(Ho y Ha), valores calculados crticos de cada test, conclusin y frase conclusiva.
- 97 -