Professional Documents
Culture Documents
Elsa Moschetti
Susana Ferrero
Gabriela Palacio
Marcelo Ruiz
Uni. Tres primeras letras de Universidad. Uso popular muy nuestro; la Uni.
Universidad del latn universitas (personas dedicadas al ocio del saber),
se contextualiza para nosotros en nuestro anclaje territorial y en la concepcin
de conocimientos y saberes construidos y compartidos socialmente.
El ro. Celeste y Naranja. El agua y la arena de nuestro Ro Cuarto
en constante confluencia y devenir.
La gota. El acento y el impacto visual: agua en un movimiento
de vuelo libre de un nosotros.
Conocimiento que circula y calma la sed.
Consejo Editorial
Facultad de Ingeniera
Prof. Marcelo Gioda y Prof. Jorge Vicario
Equipo Editorial
Secretario Acadmico: Claudio Asaad
Directora:
Elena Berruti
Equipo:
Jos Luis Ammann, Daila Prado, Maximiliano Brito,
y Daniel Ferniot
2013
Este obra est bajo una Licencia Creative Commons Atribucin 2.5 Argentina.
http://creativecommons.org/licenses/by/2.5/ar/deed.es_AR
PRLOGO
Este libro es el resultado, por un lado de la experiencia didctica adquirida por los autores al
brindar cursos de estadstica de grado y posgrado en el rea biolgica; por otro lado tambin es el
fruto de muchos aos de asesoramiento estadstico a investigadores de esta universidad.
El mismo consta de 10 Captulos, en los cuales se desarrollan los conceptos y tcnicas estadsticas
de tal forma que cualquier lector con conocimientos elementales de matemtica pueda entender la
utilidad de las herramientas estadsticas en su rea especfica. La idea principal se basa en
presentar un problema relacionado con el rea de la biologa e introducir los conceptos estadsticos
necesarios para la resolucin del mismo. Todos los problemas, ejemplos y ejercicios presentados
en este libro han sido seleccionados de manera que resulten de inters para el estudiante y
profesionales del rea de las ciencias biolgicas. Los mismos fueron proporcionados por profesores
y/o profesionales del rea biolgica y otros resultaron de los trabajos de asesoramiento.
El objetivo que se desea alcanzar con este texto es el de proveer al eventual lector la
metodologa estadstica elemental adecuada para la resolucin de los diferentes problemas (que
comnmente se les presentan a los investigadores del rea biolgica) e interpretar la solucin de
los mismos. Por las razones expuestas y a pesar de que existen muchos paquetes estadsticos
que permiten resolver rpidamente los clculos involucrados en la resolucin de un problema, en
esta primera edicin no hemos contemplado la resolucin de los ejercicios por medio de ellos.
En este texto, se desea, de alguna manera, poner en relevancia la utilidad de la estadstica
en situaciones en las que hay que tomar decisiones.
Queremos agradecer a todos los docentes que contribuyeron con material y/o sugerencias
para la realizacin de este libro, as como a todos aquellos que de alguna manera incentivaron
nuestro trabajo y confiaron en nuestro esfuerzo. Finalmente, queremos agradecer a la Universidad
Nacional de Ro Cuarto que hizo posible esta publicacin.
Los Autores
INDICE
1 . TRATAMIENTO DE DATOS
1. 1 Introduccin 10
1.2 Formulacin de problemas y algunas definiciones fundamentales . 12
1.3 Tablas y Grficos . 16
1.3.1 Tablas 16
1.3.2 Grficos 19
1.4 Anlisis Descriptivo Multivariado ... 24
1.4.1 Anlisis bivariado para variables cuantitativas ... 24
1.4.2 Anlisis bivariado para variables cualitativas . 25
1.4.3 Otros grficos ... 26
Ejercicios de Aplicacin 28
2 . ESTADSTICOS
2.1 Introduccin . 33
2.2 Estadsticos de Posicin ... 34
2.2.11nterpretacin .... 35
2.2.2 Comparacin entre los estadsticos de posicin ... 35
2.3 Estadsticos de Dispersin ... 36
2.3.11nterpretacin 37
2.3.2 Comparacin entre los estadsticos de dispersin 38
2.4 Diagrama de Caja . 38
2.5 Descripcin conjunta de dos variables . 39
Ejercicios de Aplicacin 40
3 . PROBABILIDADES
3.1 Introduccin . 45
3.2 Algunas definiciones bsicas ... 46
3.3 Relaciones entre sucesos 47
3.4 Definicin clsica de probabilidad .. 48
3.5 Definicin estadstica de probabilidad . 50
3.6 Probabilidad de algunos sucesos importantes .. 51
3.6.1 Probabilidad del Suceso Suma . 51
3.6.2 Probabilidad del suceso complemento . 52
3.6.3 Probabilidad del suceso producto 53
3.7 Teorema de Bayes 56
Ejercicios de Aplicacin 57
7 . PRUEBA DE HIPTESIS
7.1 Introduccin ... 117
7.2 Prueba de hiptesis para la media de una Distribucin Normal ... 117
7.2.1 Con varianza conocida .. 120
7.2.2 Con varianza desconocida .. 123
7.2.3 Algunas consideraciones importantes 124
7.3 Prueba de hiptesis para la varianza de una Distribucin Normal 125
7.4 Prueba de hiptesis para la proporcin de una Distribucin
Binomial para muestras de tamaos grandes . 126
7.5 Prueba de hiptesis para la diferencia de medias de
dos distribuciones Normales .. 127
7.5.1 Muestras Independientes . 127
7.5.2 Muestras dependientes (apareadas) ... 131
7.6 Prueba de hiptesis para la diferencia de proporciones de
dos distribuciones Binomiales independientes 132
7.7 Relacin entre Intervalo de Confianza y Prueba de Hiptesis ... 133
7.8 Comentarios finales ... 134
Ejercicios de Aplicacin .. 135
10 . PRUEBA DE JI-CUADRADO
10.1 Introduccin . 169
10. 2 Prueba de Concordancia . 170
10.3 Tablas de Contingencia ... 173
10.3.1. Prueba de Independencia . 174
10.3.2. Prueba de Homogeneidad de proporciones ... 175
10.4 Prueba de Bondad de Ajuste 177
10.5 Conclusiones Finales ... 179
Ejercicios de Aplicacin . 179
APNDICE
Tablas Estadsticas ... 183
BIBLIOGRAFA ... 196
1 Tratamiento de Datos
Objetivos:
1.1 Introduccin
La Ciencia, en general, avanza por dos metodologas fundamentales: deduccin e
induccin. Con la deduccin, a partir de ciertos principios bsicos y mediante razonamientos
lgicamente correctos, se va tratando de obtener consecuencias y proposiciones que
constituyen la teora. La induccin cientfica, procede por otro camino bien diferente: partiendo
de hechos y observaciones experimentales, trata de llegar a conclusiones generales sobre el
objeto que estudia.
Thomas Bayes, en 1763, fue el primero en introducir elementos matemticos en este
proceso inductivo, dando as los pasos iniciales en lo que ha llegado a ser la estadstica actual.
As, la Estadstica es una rama del Conocimiento Cientfico que se ocupa del estudio
de las mejores formas de agrupar y analizar datos y de establecer conclusiones acerca del
conjunto del que se han recogido tales datos.
Un poco de Historia ...
Desde la antigedad, reyes y emperadores se preocuparon por conseguir datos sobre
sus posesiones. El Imperio Romano, establecido en el ao 27 antes de Cristo, fue el primer
rgimen poltico que recogi una gran cantidad de datos sobre la poblacin, superficie y bienes
de todos los territorios bajo control. Pero hasta comienzos del siglo XVII la estadstica era
puramente descriptiva, es decir, una enumeracin sistemtica y ordenada de datos.
Sin embargo, la palabra estadstica para designar la obtencin, el estudio y la
interpretacin de grandes masas de datos, parece que fue utilizada por primera vez un siglo
ms tarde (a mediados del XVIII) en Alemania.
En la segunda mitad del siglo XIX comienza un perodo de creacin y aplicacin de
tcnicas que permiten inferir el comportamiento de fenmenos a partir de estudios
experimentales.
La estadstica se constituy paulatinamente en una ciencia independiente a principios
del siglo XX con los trabajos de los britnicos Karl Pearson, sobre los mecanismos de la
evolucin y herencia, y de R.A. Fisher, con sus estudios sobre tecnologa agrcola.
Posteriormente la estadstica se ha convertido en una base cientfica esencial para todas las
ciencias.
De ningn modo se pretende escribir la historia de la evolucin de la estadstica sino
slo dar una breve idea del abismal cambio entre sus orgenes y su estado actual.
- 11 -
Tratamiento de Datos
Formulacin de problemas:
1.1 Se propone una nueva dieta para novillos.
1.2 Un laboratorio farmacutico presenta un nuevo medicamento para aliviar el dolor de
cabeza.
1.3 Se trata de imponer una variedad de maz resistente al Mal de Ro Cuarto.
1.4 Una aceitera desea determinar el grado de toxicidad de un lote de semillas de girasol
destinadas a la exportacin.
En cada situacin planteada el problema se reduce a imponer un nuevo "tratamiento",
entendiendo por tratamiento a una nueva situacin.
A continuacin se analizan los distintos problemas:
Problema 1.1: En esta situacin se trata de imponer una nueva dieta, por lo que surgen
naturalmente algunas preguntas como, a quines?, a todos los novillos del pas?, en toda
la provincia?, a novillos de cualquier raza?, hay que tener en cuenta el peso inicial?. En
primer lugar se le dar la dieta a novillos del mismo peso inicial y no de cualquier raza, sino a
novillos de raza Charolais (raza sobre la que se desea imponer la nueva dieta), por tanto se
est restringiendo el efecto de la dieta a un conjunto especial "novillos de la raza Charolais, con
un cierto peso inicial". A este conjunto se lo denomina Poblacin de Unidades.
Problema 1.2: El laboratorio farmacutico desea imponer en el mercado un nuevo
medicamento para disminuir el dolor de cabeza en adultos. Pero este medicamento ser
efectivo para mujeres?, para varones?, para personas con algn sntoma especial?. Dado
que el medicamento es para adultos se debe definir claramente a partir de que edad se
considera a una persona adulta, adems no se hace distincin de sexo ni de ningn sntoma
inicial, por lo tanto se puede pensar que este medicamento est destinado a aliviar el dolor de
cabeza en adultos (hombres, mujeres) mayores de una cierta edad. Este conjunto especial se
llama Poblacin de Unidades.
Problema 1.3: Se desea mejorar en la zona de Ro Cuarto el rendimiento de maz para lo que
se busc un hbrido resistente al Mal de Ro Cuarto, el cual afecta el rendimiento de dicho
cultivo. Las preguntas ahora son cul es la zona sobre la que se recomendar este hbrido?,
en todo el pas?, en la provincia de Crdoba?, en el Departamento Ro Cuarto?. Si se
decide probarlo en el Departamento Ro Cuarto, el conjunto de todas las parcelas del
Departamento Ro Cuarto que podran ser sembradas con la nueva variedad ser la Poblacin
de Unidades.
Problema 1.4: Para determinar el grado de toxicidad de semillas de girasol, almacenadas en
silos de una aceitera, se elige al azar un silo de semillas de girasol con ciertas caractersticas.
As, las preguntas que se pueden realizar son: el silo tiene almacenadas semillas de la misma
zona agrcola?, todos los silos son semejantes, en cuanto a su construccin? todos son
conservados de la misma manera? Luego, en este caso se puede considerar a la Poblacin de
Unidades como el conjunto de todos los grupos de semillas de girasol que conforman los silos
de la aceitera en estudio.
Antes de definir formalmente la poblacin de unidades es necesario dar el concepto de
unidad experimental.
Definicin 1: La Unidad Experimental es el mnimo objeto de estudio sobre el cual se realiza
la medicin cuantitativa o cualitativa.
- 12 -
- 13 -
Tratamiento de Datos
P.U.
X: peso
a1
a2
.
.
an
P.E.
X(a1)
X(a2)
.
.
X(an)
Puestos en el lugar del investigador que desea imponer en cada caso un nuevo
tratamiento, ser conveniente someter a todas las unidades experimentales al tratamiento
para determinar si ste es efectivo?.
La respuesta a esta pregunta es si. Pero por otro lado la inspeccin de todas las
unidades experimentales es imposible o poco prctico por razones de tiempo y costo, a menos
que la poblacin en estudio sea pequea.
Pero entonces, la solucin est en someter slo a una unidad experimental al
tratamiento en estudio?, ste tampoco es el camino correcto pues con la respuesta de slo una
unidad experimental no se puede tomar una decisin vlida. La solucin est en tomar un
subconjunto representativo de la poblacin en estudio. Para determinar cuntas y cules
unidades experimentales debern pertenecer a este subconjunto, se utilizan algunas tcnicas
estadsticas que no sern abordadas en este texto (Steel, R. y Torrie, J. -1980).
De ahora en ms se trabajar con los conceptos sobre uno de los problemas
planteados.
Se desea imponer una nueva dieta en novillos de la raza
Charolais, con un determinado peso inicial.
Como no se puede probar el tratamiento en slo una unidad experimental ni tampoco
en toda la poblacin se trata de encontrar un conjunto representativo donde hacerlo. El
problema ahora es cmo generar dicho conjunto para que sea representativo de la poblacin
en estudio. Una forma de hacerlo para que las tcnicas estadsticas puedan ser aplicadas es la
siguiente:
Elegir n novillos al azar de la raza Charolais de un cierto peso
inicial.
Definicin 5: Cada vez que se seleccionan al azar n unidades experimentales para luego
aplicarles un tratamiento se dice que se realiza un Experimento Aleatorio.
En el Problema 1.1 las n unidades experimentales son los
Charolais con un cierto peso inicial.
n novillos de la raza
- 14 -
Muestra Estadstica: Los n valores de peso correspondientes a los animales a los que se les
aplic la dieta. Esto se puede expresar como
(Peso1, Peso2, ..., Peson)
Puede ocurrir que ms de una unidad experimental tenga el mismo peso, por ello es
que se da la siguiente definicin.
Definicin 8: Se llama frecuencia absoluta de un valor de variable
que este valor aparece en la muestra.
Xi:Peso
498
530
532
544
560
582
fi
2
1
4
2
4
2
15
- 15 -
fri
Fai
2/15
1/15
4/15
2/15
4/15
2/15
1
2
3
7
9
13
15
Tratamiento de Datos
i =1
Definicin 9: Se llama frecuencia relativa (fri) del i-simo valor de variable
absoluta dividida por el tamao de la muestra, en smbolos
Xi a la frecuencia
f
f ri = i
n
Definicin 10: La frecuencia acumulada (Fai) correspondiente al valor
frecuencias absolutas de los valores de variable menores o iguales a Xi.
Xi es la suma de las
498
566
499
562
500
603
532
602
531
610
518
612
516
612
540
525
561
583
Si se trata de construir una tabla como la anterior, se podr observar que la misma no
resume la informacin de la muestra.
Es por ello que surge la necesidad de construir otro tipo de tablas, en las cuales se
agrupan los valores de variable en intervalos.
As en este caso se procede como se indica a continuacin:
Dado que se deben construir intervalos, hay que tener en cuenta la cantidad y la
longitud conveniente de cada uno. En base al Ejemplo 5, una regla prctica para construirlos
es:
1. Usar k=5, donde k indica el nmero de intervalos.
2. Xmx=612
Xmn=490
- 16 -
3.
h=
, donde
fi
fri
4
5
4
2
5
20
4/20
5/20
4/20
2/20
4/20
1
n 50
50 < n 100
100 < n 500
500 < n 2000
n > 2000
n. El nmero k de
k=5,6
k=6,7
k=7,8 o 9
k=10,11,12
k=13,14,...,20
Cuando se trabaja con este tipo de tabla se toma como representante de cada intervalo
al punto medio del mismo, el que recibe el nombre de Marca de clase del intervalo, se denota
~
por Xi para el intervalo i y se calcula como
XLm.Inferior + XLm.Superior
~
Xi =
2
Notar que la eleccin de la tabla para resumir la informacin de la muestra estadstica
no depende solamente de la variable en estudio, sino tambin del tamao de muestra y de las
frecuencias, pues si muchos valores de variable son coincidentes una tabla de frecuencias no
agrupadas seguramente resume muy bien la informacin de la muestra, en tanto que si los
valores de variable no se repiten, entonces una tabla de frecuencias agrupadas es la
adecuada.
- 17 -
Tratamiento de Datos
5
9
6
20
fri
5/20
9/20
6/20
1
1.3.2 Grficos
Otra forma de presentar la informacin muestral es a travs de grficos. stos
permiten, cuando han sido correctamente realizados, obtener en forma rpida una primera idea
del comportamiento de los datos a ser analizados.
En la construccin de los grficos no hay reglas estrictas y generales que deban ser
seguidas pero s es necesario tener en cuenta algunas recomendaciones, como por ejemplo:
a) Aquel grfico que alcance su objetivo con la mxima sencillez ser el ms efectivo.
b) La representacin grfica debe ser clara y simple para que con una mirada se
tenga una idea de la distribucin de los datos.
c) Toda representacin grfica debe explicarse por s misma, para lo cual, deben estar
indicados el ttulo, origen y escala (el ttulo debe expresar con claridad y en forma
breve aquello que se propone mostrar con el grfico).
- 18 -
Nro. de Novillos
0
498
530
532
544
PESO
560
582
Xi le asigna la frecuencia acumulada Fai. Sobre el eje de abscisas se marcan los valores de
- 19 -
Tratamiento de Datos
variable y sobre el eje de ordenadas las frecuencias acumuladas. El grfico para los datos del
Ejemplo 4 se muestra a continuacin.
- 20 -
el valor f1+f2+...+ fi . En la Tabla 4 se presentan las frecuencias acumuladas para los datos del
Ejemplo 5.
El polgono de frecuencias acumuladas se obtiene uniendo los puntos (ti, Fai) mediante
segmentos de recta, donde t1 denota el lmite inferior del primer intervalo y ti denota el lmite
superior del i-simo intervalo con i=2,3,...,k.
Tabla 4: Nmero de animales segn el peso.
X<Xi
Fai
490
515
540
565
590
615
0
4
9
13
15
20
Esta tabla indica que, por ejemplo, no hay ningn animal que pese menos de 490 kg.,
que hay 13 animales que pesan menos de 565 kg..
El siguiente grfico representa las frecuencias acumuladas para una tabla de
frecuencias agrupadas.
- 21 -
Tratamiento de Datos
125
161
114
122
124
127
142
134
152
147
133
113
113
112
172
114
127
111
Agrcolas
74%
Fuente: Bullrich Campos S.A. (extrado del diario La Nacin - 20/6/96)
- 22 -
X: Peso (kg.)
34 28 19
41 21 20 21 39 37 23 17 48
3
Y: Volumen (cm ) 2.3 2.1 1.1 2.8 1.5 1.6 1.4 2.4 2.5 1.5 1.1 3.5
El Diagrama de Dispersin muestra la ubicacin de los pares de observaciones (X,Y)
en un sistema de coordenadas cartesianas, como se puede observar en el grfico siguiente.
4
Volumen
0
0
10
20
30
40
50
Peso
- 23 -
X tambin
Tratamiento de Datos
X disminuyen
Ausencia de Asociacin Lineal: cuando los puntos se dispersan en el plano o estn distribuidos
alrededor de alguna otra curva. (Grfico 8-c y d).
a)
b)
6
0
0
6
X
c)
d)
6
0
0
6
X
- 24 -
La frecuencia de animales zainos con tumor es fZS = 135 . sta indica que de los 1000
estudiados 135 son de color zaino y tienen tumores cutneos.
El grfico ms adecuado asociado a esta tabla es el Diagrama de barras mltiples que
se presenta en la seccin siguiente.
DOLARES/HA.
1984
1988
1992
1996
AO
Invernada
Esta frecuencia puede denotarse f21, donde el subndice 2 indica la fila (Zaino) y el subndice 1 indica la columna
(Si).
- 25 -
Tratamiento de Datos
200
100
0
ALAZAN
SI
ZAINO
TORDILLO
COLOR
NO
DOLARES/HA.
8000
6000
4000
2000
0
1980
Agrcolas
1984
1988
1992
1996
AO
Invernada
- 26 -
DOLARES/HA.
1984
1988
AO
Agrcolas
1992
1996
Invernada
Ejercicios de Aplicacin
1.
Para cada uno de los siguientes ejemplos indicar la Unidad Experimental, la Muestra
de Unidades y la Poblacin de Unidades.
a) Se desea determinar el rendimiento de una nueva variedad de trigo en una zona del
sur de la Provincia de Santa Fe. Para ello se seleccionaron 30 parcelas a las que se
les midi el rendimiento en tn/ha.
b) Para determinar el peso de los huevos de ponedoras Leghorn blanca de una lnea
se consideraron 16 huevos de tales aves y se midi el peso de los mismos.
c) Los lechones suelen ser alimentados en recintos separados de los que comen las
cerdas para evitar que se molesten. Para estudiar el aumento de peso de lechones
alimentados de esa manera, se seleccionaron 20 de ellos y se les midi dicha
variable.
d) Para realizar un estudio acerca de la presencia de ciertos parsitos se realiz un
anlisis coproparasitolgico a 36 nios entre 0 y 13 aos de edad, aplicndoles
cierta tcnica de deteccin de parsitos y registrando la presencia o ausencia de los
mismos.
e) A fin de estimar el nmero de lechones por ao en cerdas Yorkshire Holands se
escogi una muestra de 20 cerdas de dicha raza y se cont el nmero de lechones
por cerda.
f) Se quiere estimar la composicin botnica en la dieta anual de la vicua en libre
pastoreo en la Puna Jujea. Se trabaj con 25 animales, recolectando de cada uno
1 muestra de 100 gramos de sus heces. En cada una de las muestras de heces se
midi el porcentaje de Festuca Scirpifolia y de Deyeuxia Nardifolia (el resto de la
composicin de la dieta se clasific en Otros).
- 27 -
Tratamiento de Datos
Nmero de
Animales
130
800
8
8
1
102
50
9
13
11
5
8
3
170
4
4.
Suponga que los datos correspondientes al inciso e) del Ejercicio 1 son los siguientes:
Nmero de
lechones por ao
10
12
14
15
16
Nmero de cerdas
3
4
7
4
2
- 28 -
5.
I) Sobre la composicin botnica de la dieta de la vicua, se obtuvieron los siguientes
datos respecto de la Festuca (Festuca Scirpifolia) en % (inciso f) del Ejercicio 1:
35
78
63
61.2
50.5
43
65
53
70.3
50.5
52
64
53.5
68.6
53
43
76
57
68
66.5
54
62
55.7
51
72
Girasol
25%
Trigo
25%
Maz
50%
Trigo
- 29 -
Maz
Girasol
Tratamiento de Datos
REA SEMBRADA5
(millones de
4
hectreas)
3
2
1
0
83-84
84-85
85-86
86-87
PERODO
Trigo
Maz
Girasol
REA SEMBRADA10
(Millones de
8
Hectreas)
6
4
2
0
83-84
84-85
85-86
86-87
PERODO
Trigo
Maz
Girasol
- 30 -
Nmero de pavos
25
20
15
10
5
0
7,5
7,9
8,3
8,7
Ganancia de peso
- 31 -
9,1
9,5
Control
Tratado
2 Estadsticos
Objetivos:
Sintetizar la informacin de la muestra a travs de valores representativos.
Reconocer la insuficiencia de los estadsticos de posicin como nicas medidas descriptivas
de una muestra.
Seleccionar los estadsticos que mejor describen una muestra.
Interpretar la informacin brindada por los estadsticos para una situacin particular.
2.1 Introduccin
Hasta ahora se ha logrado resumir la informacin muestral a travs de tablas y grficos.
A continuacin se ver otra manera de caracterizar una muestra, presentando algunos
ejemplos.
Ejemplo 1: Retomando la situacin presentada en el Problema 1.1, suponga que a 7 animales
de un determinado peso inicial de la raza Charolais elegidos al azar se les aplica la nueva dieta.
El peso obtenido por cada uno de ellos es
muestra0 : 200 300 300 400 500 500 600
Qu nmero se puede calcular para tener una idea general del efecto de la nueva
dieta?, es decir con qu valor numrico se podr caracterizar esta muestra de peso de
animales sometidos a la nueva dieta?. Parece natural tomar el promedio, el cual se calcula de
la siguiente manera
X : promedio =
= 400
Ejemplo 2: Se toman tres muestras de 7 animales cada una de la raza Charolais y se les aplica
la nueva dieta, obtenindose los siguientes pesos.
muestra1 : 400 450 500 550 600 680 700
X = 554.29 kg.
X = 287.14 kg.
X = 291.43 kg.
X=
Xi
ni=1
M=
Xn /2 + Xn /2 +1
2
- 34 -
Estadsticos
M=X(n+1)/2
es decir es el valor ubicado en el centro de la muestra ordenada.
Si bien algunos estadsticos de posicin no necesariamente asumen valores obtenidos
en la muestra, todos ellos deben ser valores entre el mnimo y el mximo de la muestra
estadstica.
Si se dispone de los datos resumidos en una tabla de frecuencias no agrupadas, la
media puede calcularse como
X=
1 k
f X
n i=1 i i
Por otra parte, algunas veces no se dispone de los datos reales de la muestra y slo se
tiene acceso a la tabla de frecuencias agrupadas de los mismos. En esos casos se toma como
representante del intervalo a la marca de clase del intervalo y en ese caso la frmula para
determinar la media es
X =
k
~
fi Xi
ni=1
2.2.1 Interpretacin
Ejemplo 3: Usando los datos de la muestra2 del Ejemplo 2, resultan
1)
- 35 -
X 4 = X 5 = m4 = m5 = M4 = M5 = 400
A pesar de lo anterior si se observan los pesos de los animales, se puede decir que el
efecto de la nueva dieta no fue igual en las dos muestras, lo cual indica que no son suficientes
los estadsticos de posicin para describir una muestra.
Lo que se desea es medir la diferencia que se visualiza entre las dos muestras, que en
realidad proviene de la variabilidad de las mismas. Para esto se calcula la diferencia entre el
valor mximo de la muestra (denotado por Xmax) y el valor mnimo (denotado por Xmin) , es
decir XmaxXmin , cuyo valor para cada muestra es:
400 kg. - 400 kg. = 0 kg.
Estos valores indican que en la primera muestra todos los datos son iguales, mientras
que en la segunda no lo son, y ah s se puede observar el efecto diferente de la nueva dieta en
los novillos de las dos muestras. En la primera muestra (donde todos los valores son iguales) la
diferencia es cero, en tanto que, en la segunda muestra (donde no todos los valores son
iguales) el valor de la diferencia es distinto de cero (positivo). Se definirn valores que tengan
precisamente esas caractersticas:
* que resulten 0 cuando todos los datos son iguales;
* que sean positivos cuando hay al menos uno diferente.
Definicin 3: Se denominan Estadsticos de Dispersin a aquellos valores que miden la
variabilidad de una muestra.
Los estadsticos de dispersin ms utilizados son:
Amplitud o Rango: Es la diferencia entre el valor mximo y el valor mnimo observado en la
muestra. Se lo denota con w. En frmula se expresa
w = Xmax - Xmin
Este estadstico no utiliza toda la informacin de la muestra (slo sus extremos), por
ello se proponen otras medidas de dispersin que s la tienen en cuenta. Una de ellas surge en
considerando la diferencia de las observaciones con respecto a la media muestral:
(X
X .
Sin embargo, como sta es una medida para cada observacin y se quiere estudiar la
variabilidad de todos los valores de la muestra, se deberan sumar todas estas diferencias (en
n
smbolos,
i = 1
- 36 -
Estadsticos
sean los datos de la muestra, motivo por el cual no puede ser una medida de variabilidad.
Entonces basados en esta idea se define el siguiente estadstico de dispersin:
Varianza: Es un valor que mide cuanto se desvan en promedio los datos de la media
2
muestral. Se lo denota con S y en notacin matemtica se lo expresa as
n
Xi X
S2 =
i = 1
n 1
Observe que S vale cero cuando los datos son todos iguales y es mayor que cero
cuando al menos uno es diferente, con lo que se logra lo que se espera de una medida de
variabilidad, utilizando adems todos los valores de la muestra.
Dado que este estadstico tiene las unidades de los datos elevadas al cuadrado, se
define otro estadstico que tiene la misma magnitud que los datos.
Si se dispone de los datos resumidos en una tabla de frecuencias no agrupadas, la
varianza puede calcularse como
S2 =
1 k
f X X
n 1 i =1 i i
Por otra parte, si slo se tiene acceso a la tabla de frecuencias agrupadas de los datos
la varianza (usando la marca de clase) se calcula como
S2 =
k
~
fi Xi X
n 1 i = 1
Desviacin Estndar: Este estadstico mide, al igual que la varianza, cuanto se desvan en
promedio los datos de la media muestral, pero con la misma magnitud que los datos. Se lo
expresa de la siguiente manera:
S = + S2
Coeficiente de Variacin: Es el estadstico de dispersin que mide la variabilidad de la
muestra independientemente de la magnitud de la media, o sea determina la variabilidad en
unidades de la media. Se lo denota con CV y se lo calcula como
CV =
S
100
X
2.3.1 Interpretacin
Retomando el Ejemplo 4 se puede observar, a simple vista que, para la primera
2
muestra tanto S 4 como S4 son cero, en tanto que para la segunda muestra ambos valores
resultan mayores a cero:
- 37 -
S52
(200 400)2 + (300 400 )2 + 3.(400 400 )2 + (500 400 )2 + (600 400 )
=
= 16666.67kg 2
S5 = 129.10 kg.
w = 400 kg. significa que la diferencia entre los pesos del animal ms pesado y ms liviano
es 400 kg.
S5 = 129.10 kg. significa que los pesos de los 7 animales se desvan aproximadamente
129.10 kg. del peso promedio.
CV5 = 32.275 % significa que la variabilidad de los pesos relativa al peso promedio es
aproximadamente del 32%.
X E = 10406.4 kg.
SE =557.68 kg.
X R = 0.46 kg.
SR = 0.07 kg.
Si se tiene en cuenta el valor de las desviaciones estndar puede parecer que los pesos
de los elefantes varan mucho ms que los pesos de las ratas. Sin embargo al calcular el
coeficiente de variacin para cada muestra se observa que
CVE = 5.36 %
CVR = 15.22 %
lo cual indica que en realidad vara ms el peso de las ratas que el peso de los elefantes, es
decir que la muestra con los datos de los pesos de los elefantes es ms uniforme que la de los
pesos de las ratas.
- 38 -
Estadsticos
2. El primer cuartil
4. El tercer cuartil
5. El mximo
150
Xmin
Q3
Q1
Xmax
650
PESO
(X i X)(Yi Y)
Cov(X, Y) =
i =1
n 1
- 39 -
r=
n valores de las
Cov ( X, Y )
S XSY
Ejercicios de Aplicacin
1.
Los datos de la tabla corresponden a dos muestras de salarios (en $) de los empleados
en dos establecimientos ganaderos:
a) Calcular para cada muestra los estadsticos de posicin y compararlos.
b) Segn lo obtenido en a), reflejan los estadsticos de posicin la situacin salarial de
ambos establecimientos?. Justificar.
c) Calcular los estadsticos que crea conveniente para reflejar lo observado en b).
d) Representar grficamente las muestras estadsticas y discutir la relacin entre los
valores de los estadsticos y la forma de los grficos.
Establecimiento A
200
200
200
300
300
300
300
900
Establecimiento B
300
300
300
300
300
300
300
400
2.
a) Dar un ejemplo de:
i) una muestra de tamao 5, con media 5 y dispersin nula;
ii) dos muestras con igual media y distinta varianza;
iii) una muestra de 7 datos de manera que el estadstico ms representativo sea la
moda.
b) Si en una granja hay pollos cuyos pesos varan entre 2.8 kg. y 3.8 kg.:
i) Puede el peso medio tomar los valores 2.1 kg. 4.2 kg. ?. Por qu?.
ii) Es posible que la varianza sea nula?.
- 40 -
Estadsticos
3.
En cada uno de los siguientes ejemplos decidir si es posible que los estadsticos tomen
los valores que se informan:
a) En 5 vacunos Ayrshire se encontr que el mnimo porcentaje de grasa en la leche fue
del 4%, el promedio fue de 14% y el rango de 14%.
b) Para otro grupo de 5 vacunos de la misma raza mencionada en el punto anterior, se
encontr el mismo valor mnimo de porcentaje de grasa, pero en cambio el rango
fue de 10% y el valor ms frecuente fue el 14%.
c) En una quinta se seleccionaron 8 repollos y se les cont el nmero de larvas de
cierto insecto y adems se determin su peso. Para la primera variable el rango fue
de 6 larvas, mientras que en la segunda variable el rango fue de 0.5 kg.. Ambas
muestras estadsticas carecieron de moda.
d) En una muestra de huevos de ponedoras Leghorn blanca el rango de pesos fue de 9
gr., con un valor ms frecuente de peso de 45 gr. . El huevo ms pesado present
un peso de 45 gr..
e) Siete ponedoras de la raza mencionada en el punto anterior fueron seleccionadas
para ser pesadas. Los valores de peso encontrados oscilaron entre 1.4 kg. y 2.4 kg..
El peso ms frecuente es 1.4 kg..
4.
En el Ejercicio 6 del Captulo 1 se presentaron datos sobre la distribucin del rea
sembrada entre los aos 83 y 87. Para que cereal hubo mayor variabilidad de la
distribucin del rea sembrada ?.
5.
En el Ejercicio 4 del Captulo 1 se presentaron los nmeros de lechones por ao para
cerdas de la raza Yorkshire holands. Repitiendo la misma experiencia pero para 30
cerdas de la raza Landrase belga, se obtuvo el siguiente conjunto de datos:
Nmero de
lechones por ao
8
9
10
11
12
13
Nmero de cerdas
7
9
4
6
2
2
a) Calcular los estadsticos que crea conveniente para mostrar las diferencias en el
comportamiento de la variable nmero de lechones por ao para ambos grupos de
cerdas.
b) Realizar diagramas de barra para comparar el comportamiento de ambas muestras
estadsticas.
c) En base a los diagramas de cajas para los dos conjuntos de datos presentados,
discutir lo observado en los grficos y relacionar con los estadsticos obtenidos en el
inciso a).
- 41 -
6.
Se seleccionaron un total de 30 muestras de 100 gramos de quesos Sbrinz
determinndose el contenido de vitamina B6 (en mcg.), obtenindose la siguiente
muestra estadstica:
93
96
95
98
97
170
100
90
86
87
92
97
120
78
76
96
95
94
94
92
84
80
97
96
98
73
95
96
95
96
- 42 -
Estadsticos
substanciales encuentra entre este nuevo grfico y el histograma para las muestras
de queso Sbrinz?. Intuitivamente cmo se reflejara este cambio del
comportamiento de los contenidos de vitamina B6 en los estadsticos de posicin y
dispersin?.
Frec. Relativa
Vitamina B6
46.6
45.3
54
47.1
45.2
52.1
48
46.1
53.6
54.3
44.2
52.6
45.7
43.2
56
11.8
33.9
11.6
35.7
11
38.6
10
44
8.7
55.4
7
73.5
4.8
89.2
A partir del siguiente resumen de los principales estadsticos para ambas muestras
realizar un informe, que usted crea conveniente, del comportamiento de los datos:
Consumo de Alimento
Estadsticos
Media
Mediana
Varianza
Mnimo
Mximo
9.27
10
6.8
4.8
11.8
- 43 -
Consumo de Agua
52.9
44
448.14
33.9
89.2
3 Probabilidades
Objetivos:
3.1 Introduccin
Hasta ahora, slo se han
imponer
* un nuevo frmaco;
* una nueva dieta;
* una nueva variedad.
Para resolver estos problemas o para tomar una decisin, por ejemplo sobre si la nueva
dieta es mejor que la utilizada, se ha tomado una muestra y se ha realizado un anlisis descriptivo
de la misma mediante grficos, tablas y/o estadsticos. Pero tambin, se debe tener en claro que
el problema est planteado con fines de conocer caractersticas de la poblacin, las cuales pueden
ser cuantificadas con valores tpicos que reciben el nombre de caractersticas numricas de la
variable o de la poblacin estadstica. Sin embargo, se debe observar tambin que es imposible o
poco prctico (por razones de tiempo o de costo) a menos que la poblacin en estudio sea
pequea, inspeccionar todas las unidades experimentales de la misma por lo que se recurre al
estudio de una muestra extrada de esa poblacin.
Definicin 1: Una caracterstica descriptiva global de una poblacin estadstica se llama
caracterstica numrica de la variable.
Los valores tpicos de la poblacin estadstica pueden ser tambin denominados
parmetros, pero aqu se reservar este trmino para las constantes que identifican un modelo
probabilstico, como se mostrar en los Captulos 4 y 5.
Definicin 2: Una caracterstica descriptiva global de una muestra estadstica se llama estadstico.
A continuacin se muestran los estadsticos y las caractersticas numricas ms utilizados
para describir una muestra y una poblacin respectivamente.
MUESTRA
(Estadsticos)
POBLACIN
(Caractersticas Numricas de la Variable)
X
S2
S
E(X)
Var(X)
Des(X)
Raramente se utilizan los estadsticos slo como resumen descriptivo, se usan ms bien
como indicadores de alguna caracterstica de la poblacin de la cual fue extrada la muestra. As
2
los valores muestrales X y S son de escaso inters a menos que proporcionen alguna
informacin acerca del Promedio poblacional y de la Varianza poblacional.
Las caractersticas numricas de la variable en estudio mencionadas son generalmente
desconocidas, pues su valor slo puede obtenerse examinando a toda la poblacin, lo cual es
prcticamente imposible. Por ello es que se trata de estimarlos con los valores muestrales.
Ahora bien, aunque se trate de tomar la "mejor muestra", es decir, la ms representativa,
nunca se podrn obtener las caractersticas poblacionales con un 100% de seguridad, por no
conocer la informacin de toda la poblacin.
Estimar caractersticas de una poblacin a travs de caractersticas de una muestra, recibe
el nombre de Inferencia Estadstica. Ese hecho tiene un costo, que es el de tener conocimiento
sobre la poblacin con un cierto margen de error, el cual es medido a travs de una probabilidad.
Luego se puede dividir a la estadstica en dos grandes ramas vinculadas por medio de la
probabilidad y modelos probabilsticos.
- Estadstica Descriptiva
- Estadstica Inferencial
2. Arrojar un dado
4. Sembrar una variedad.
- 46 -
Probabilidades
2. S = {1,2,3,4,5,6}
- 47 -
S
Grfico 2: Suceso producto
c) El suceso complemento de A, denotado por AC, es el suceso que ocurre cuando el suceso A
no ocurre.
2. A.B =
3. B.C = {1, 3}
4. CC = {4 ,5, 6}
- 48 -
Probabilidades
Ejemplo 5: En una urna hay 6 fichas idnticas y bien mezcladas 5 de color y 1 blanca. Si se realiza
el siguiente experimento aleatorio
Las posibilidades de obtener una ficha de color son mayores que las de obtener una ficha
blanca. Exactamente son 5/6 y 1/6 respectivamente, donde el nmero 6 indica la cantidad total de
fichas de la urna, es decir el nmero total de resultados posibles del experimento (cantidad de
elementos del espacio muestral) y el nmero 5 indica la cantidad de fichas de color, es decir la
cantidad de resultados favorables al suceso A y el nmero 1 la cantidad de fichas blancas, es decir
la cantidad de resultados favorables al suceso B. A los valores 5/6 y 1/6 se los llama probabilidad.
Definicin 10: La probabilidad de un suceso A es el cociente entre el nmero de resultados
favorables al suceso A y el nmero de resultados posibles del experimento (m y n
respectivamente). En smbolos
P(A) =
m
n
Es importante notar que para aplicar esta definicin deben verificarse dos supuestos muy
importantes
1. El nmero de elementos del espacio muestral debe ser finito.
2. Todos los resultados del experimento aleatorio deben ser igualmente posibles (equiprobables).
Por ello, en el Ejemplo, se resalta el hecho que las fichas "son idnticas" y "estn bien mezcladas".
Ejemplo 6: Suponga que de un mazo de 50 cartas un jugador recibe una carta. Cul es la
probabilidad de que el jugador
a) reciba un rey?
c) reciba una carta?
Solucin:
Para resolver este problema se debe observar primero si se verifican los dos supuestos
indicados anteriormente. En este caso, el nmero de elementos del espacio muestral es finito
n=50 y, bajo el supuesto de que el mazo est bien barajado, cada carta tiene la misma
posibilidad de ser extrada, esto es P(obtener una carta cualquiera)=1/50.
Si se denotan A, B, C y D los sucesos definidos en cada uno de los incisos anteriores, se tiene:
- 49 -
P(A) = 4/50, P(B) = 12/50 , P(C) = P(S) = 50/50=1 y P(D) = P() = 0/50=0
En general se verifica:
1.
2.
P(S) = 1.
3. P() = 0.
En base a las Definiciones 9 y 10 se deducen las siguientes consecuencias:
A.B = s y slo s P(A.B) = 0.
Si P(A.B)
fr 0,5
10
50
100
1000
Nmero de tiradas
- 50 -
Probabilidades
Ejemplo 8: Los siguientes datos son obtenidos de una publicacin de cifras demogrficas relativas
a nacimientos de bebs clasificados por sexo, se tomaron muestras de tamao 10, 100, 1000,
10000, 100000 nacimientos. La frecuencia para cada sexo en cada muestra se indican en la Tabla
1. Observando la columna de frV se nota fcilmente que a medida que aumenta el nmero de
nacimientos, la proporcin de varones nacidos tiende a estabilizarse alrededor de 0.51. Para
simplificar este ejemplo no se consideraron los nacimientos mltiples y adems slo se tomaron
los nacidos vivos.
Tabla 1: Frecuencias por sexo
Tamao de
fV
fM
muestra
10
6
4
100
55
45
1000
526
474
10000
5187
4813
100000
51005
48995
frV
FrM
0.60000
0.55000
0.52600
0.51870
0.51005
0.40000
0.45000
0.47400
0.48130
0.48995
lim f rA = P(A )
frA P(A)
Si se comparan las Definiciones 10 y 11 se puede deducir que, para obtener la
probabilidad de un suceso en base a la definicin clsica no es necesario realizar el experimento,
en tanto que si se la desea obtener en base a la definicin estadstica se lo debe realizar pues la
misma est en funcin de la frecuencia relativa.
Otra manera de presentar la nocin de probabilidad est basada en el mtodo axiomtico
(Meyer, P. 1992). Este abordaje requiere la realizacin del experimento y puede aplicarse sobre
espacios muestrales infinitos Esta forma de definir la probabilidad no ser presentada en este
texto.
- 51 -
B = {sacar un corazn}
B = {impactar en la zona 2}
P(AC) = 1 P(A)
Para verificar esta igualdad se debe tener en cuenta que el espacio muestral se puede
C
pensar como la unin de dos subconjuntos excluyentes, es decir: S = A U A (o equivalentemente
- 52 -
Probabilidades
1 = P(A) + P(AC)
y despejando se obtiene la expresin inicial.
Ejemplo 11: La probabilidad de que un equino tenga tumores cutneos es 0.70. Cul es la
probabilidad de que un equino elegido al azar no tenga tumores cutneos?.
Para determinar esta probabilidad se aplica el resultado anterior. Luego se tiene
P( A / B ) = P( A )
o anlogamente
P( B / A ) = P( B )
Definicin 13: Dos sucesos se dicen estadsticamente dependientes cuando la probabilidad de
que ocurra uno de ellos (A) se ve afectada por la ocurrencia de otro (B). En smbolos
P( A / B ) P( A )
La expresin
suceso B.
P( B / A ) P( B )
P( A / B ) = P(A. B) / P(B)
si
P(B) 0
P( B / A ) = P(A. B) / P(A)
si
P(A) 0
Anlogamente
- 53 -
Ejemplo 12: La Tabla 2 reproduce los datos del Problema 1.6 que trata sobre tumores cutneos
en equinos segn el color del pelaje.
P(A) = nA / n = 250/1000
Lo que indica que aproximadamente el 25% de los animales son de color zaino.
b) Interesa calcular la probabilidad condicional P(A / B) donde B = {animal que presenta tumor}.
Para calcular esta probabilidad se puede utilizar la definicin clsica. La informacin adicional
presenta tumor cutneo" reduce el espacio muestral S al subconjunto de animales con tumor
cutneo, de all que los casos posibles corresponden a la cantidad de animales con tumores
cutneos (en este caso 770), mientras que los casos favorables corresponden a los animales
que verificaron las dos condiciones "color zaino y presenta tumor ". Entonces
P( A / B) =
n A.B 135
=
0.18
nB
770
P( A / B) =
- 54 -
Probabilidades
como P(A / B) P(A) se concluye que los sucesos color zaino y presencia de tumor
cutneo no son sucesos independientes.
Se supone que n=1000 es un tamao suficientemente grande como para verificarse la
aproximacin adecuada entre las frecuencias relativas y las probabilidades respectivas.
Una vez resuelto el problema de cmo determinar la probabilidad condicional se est en
condiciones de abordar el clculo de la probabilidad del suceso producto. Despejando P(A.B) de la
expresin dada en la Definicin 14, se obtiene
P(A / B) = P( A ), entonces
P(A.B) = P(A).P(B)
Cuando los sucesos A y B son resultados de un experimento que consiste en la extraccin
de elementos de una poblacin finita, para calcular la probabilidad del suceso producto (y la
condicional) se debe tener en cuenta si el experimento se ha realizado con reposicin o sin
reposicin.
Para comprender mejor este hecho se desarrollar el siguiente
Ejemplo 13: De un mazo de 52 cartas se seleccionan al azar dos cartas. Cul es la probabilidad
de que ambas sean de diamante?.
Solucin:
Para responder esta pregunta se distinguirn dos casos:
1. La primera carta extrada es devuelta al mazo antes de extraer la segunda.
2. La primera carta extrada no es devuelta al mazo y se extrae la segunda.
Sean los siguientes sucesos:
A = {obtener un diamante en la primera extraccin}.
B = {obtener un diamante en la segunda extraccin}.
La probabilidad buscada es P(A.B)
1.
- 55 -
P Bj / A =
) ( )
P A / B j .P B j
k
P(A / Bi ). P(Bi )
i =1
A = A I S = A I U Bi = U (A I Bi ) .
i =1 i =1
k
Notar que
P(B1 / A ) =
P(A / B1 ). P(B1 )
P(A / B1 ). P(B1 ) + P(A / B 2 ). P(B 2 )
- 56 -
Probabilidades
P(B1 / A) =
0.20 . 0.75
0.15
=
0.46
0.20 . 0.75 + 0.70 . 0.25 0.325
Este resultado est indicando que aproximadamente el 46 % de los animales que estn vacunados
presentan la enfermedad.
Ejercicios de Aplicacin
1. (Un poco de teora de conjuntos y probabilidad)
Sea el experimento de arrojar una moneda equilibrada y un dado regular en ese orden.
a) En la figura siguiente se muestran el espacio muestral de este experimento y dos
sucesos, A y B. Describir estos sucesos y calcular su probabilidad.
b) Calcular P(A. B) y P(A + B) e interpretar el resultado para este caso particular.
S
B
(x,2)
(x,5)
(c,1)
(x,3)
(x,4)
(x,6)
(c,4)
(c,2)
(x,1)
(c,3)
(c,6)
(c,5)
3.
A continuacin se da la clasificacin de 872 campos seleccionados en una investigacin
sobre el rendimiento de arroz, clasificados de acuerdo al tipo de abono e irrigacin.
En este problema y en los siguientes se supone que n es suficientemente grande como para verificarse la
aproximacin adecuada entre las frecuencias relativas y las probabilidades respectivas.
- 57 -
IRRIGACIN
ABONO
Sin Abono
Estircol
Otros Abonos
Si
No
123
81
14
413
223
18
P(sin abono).
P(de estar irrigado y con estircol).
P(sin abono o con estircol, y no irrigado).
P(de estar irrigado dado que no est abonado).
P(tener estircol u otros abonos).
Probabilidad
- 58 -
Probabilidades
0,3
0,2
fr
0,1
500
1000
A
a
A
AA
aA
a
Aa
aa
- 59 -
TIPO DE PELAJE
COLOR DE PELAJE
Blanco
Largo
Corto
0.18
0.56
Manchado
Completar con las probabilidades faltantes de tal manera que los eventos que el gato
posea un color de pelaje blanco y que el gato posea un pelaje largo resulten
independientes.
9.
La queratosis (anomala de la piel) es debida a un gen dominante Q. Una mujer con
queratosis cuyo padre era normal, se casa con un hombre con queratosis cuya madre era
normal. Si esa pareja tiene 4 hijos. Cul es la probabilidad de que todos ellos tengan
queratosis?.
10.
En el pollo las plumas sedosas estn determinadas por un gen cuyo efecto es recesivo
respecto al que rige las plumas normales. Si de un cruzamiento entre individuos
heterocigotas se criasen 98 aves. Utilizando la definicin estadstica de probabilidad:
cuntos pollos cabra esperar que tuvieran plumas sedosas, y cuntos plumas
normales?.
11.
En la produccin de cerdos es estratgicamente importante el control de las enfermedades
respiratorias, ya que stas son causantes de prdidas sustanciales. Una de tales
enfermedades es la neumona, y una manera de cuantificar su impacto es a travs del
rea pulmonar afectada.
En un frigorfico se realiz, a travs del tiempo, una clasificacin de 10000 cerdos segn la
edad y el rea pulmonar afectada por la neumona, ambas convertidas en variables
cualitativas. El siguiente cuadro describe los porcentajes de los animales clasificados
segn esas variables:
EDAD
REA PULMONAR
0-15 %
16% o ms
Menor
Mayor
4000
4300
300
1400
Suponiendo que los datos obtenidos en el frigorfico son una descripcin acertada del
estado de los cerdos de los criaderos de la zona, cul es la probabilidad de que un cerdo
elegido al azar de dichos criaderos:
a) tenga un rea pulmonar afectada del 16% o ms?.
b) que sea de edad menor ?.
c) que sea de edad mayor y tenga un rea pulmonar afectada de 15% o menos?.
d) son independientes los eventos que un cerdo posea 16% o ms de rea pulmonar
afectada y que un cerdo sea de edad mayor.
- 60 -
X1: S
(1,1)
(sss
(1,2)
.
.
.
(6,6)
X2: S
0
1
2
(1,1)
(1,2)
.
(1,6)
.
(6,6)
X3: S
-5
.
-1
0
.
.
5
(1,1)
(1,2)
.
.
.
(6,6)
1
2
.
.
.
36
X: S
s a X(s)
El conjunto de valores posibles que puede asumir una variable aleatoria es llamado recorrido o
imagen de la variable, denotado por R(X). Para el Ejemplo 1
R(X1) = 0, 1, 2
R(X2) = -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5
R(X3) = 1, 2, 3, 4, 5, 6, 8, 9, 10, 12, 15, 16, 18, 20, 24, 25, 30, 36
A cada valor de la variable se le puede asociar su probabilidad de ocurrencia y en base
a ellos se construye una tabla, llamada tabla de distribucin de probabilidades.
Para el Ejemplo 1 las tablas correspondientes a las variables X1 y X2 son:
X1i pi=P(X1=x1i)
0
1
2
9/36
18/36
9/36
1
x2i
pi=P(X2=x2i)
-5
-4
-3
-2
-1
0
1
2
3
4
5
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
1
- 62 -
Definicin 3: Sea X una variable aleatoria discreta, se llama funcin de probabilidad puntual
de la variable X a la funcin P, que asigna a cada resultado posible xi un nmero pi=P(X=xi),
el cual verifica las siguientes condiciones
1. 0
pi 1 para todo i.
2.
i =1
pi
0,5
0,4
0,3
0,2
0,1
0,0
X1
- 63 -
E(X ) = p i X i
i =1
Var (X ) = p i (X i E(X ))
i =1
Des(X ) = + Var(X )
X=
E(Y)
V1. Var(c) = 0
2
V2. Var(c.X) = c
V3.
.Var(X)
E(X1 ) =
9
18
9
36
0+
1+
2=
=1
36
36
36
36
Que la E(X1) = 1 significa que si se repite muchas veces el experimento de arrojar dos veces
un dado y se cuentan en cada repeticin los nmeros pares que aparecen en la cara superior,
entonces la cantidad de nmeros pares en cada repeticin es aproximadamente 1.
- 64 -
Var (X1 ) =
9
18
9
9
18
9
2
2
2
(0 1) +
(1 1) +
(2 1) =
1+
0+
1 = 0 .5
36
36
36
36
36
36
S = {G,NG}
R(X) = 0,1
en
cuenta
que
germine)=10.90=0.10.
- 65 -
R(XBER)=0,1.
Notar que
k
p (1 p )
1 k
k =0
= 1.
4.4.1.Caractersticas Numricas
Las caractersticas numricas de la variable aleatoria Bernoulli son:
1. E(XBER)=p
2. Var(XBER)=pq
3. Des(X BER ) =
pq
- 66 -
X:
1.
(x i 3.6 ) p i = 0.36
2
i =1
3. Des(X)=0.6.
- 67 -
- 68 -
n =
k
n!
k ! ( n k )!
donde n! = n (n1) (n2) ... 2 1 es el factorial del nmero natural n (nmero que se
obtiene al realizar el producto de los primeros n nmeros naturales). Por convencin se define
0! = 1.
Se define a continuacin la forma de calcular la probabilidad buscada.
Definicin 13: La probabilidad de obtener
Bernoulli es:
P(X b = k ) = n p k q n-k
k
De acuerdo a la Definicin 3,
con
k = 0,1,2,...,n
(4.1)
n
n
n k n -k
P(X b = k ) = k p q = 1
k =0
k =0
4!
4 =
=6
2
2!(4 2)!
Este resultado coincide con el nmero de sucesos elementales que contienen dos
xitos (G) y dos fracasos (NG) en la Tabla 2. Por su parte la probabilidad coincide con la
presentada en dicha tabla.
Ejemplo 5: En la situacin del ejemplo anterior se podra haber definido la siguiente variable
aleatoria binomial
0,1,2,3,4.
- 69 -
si p=0.50
pi
Asimtrica
si p>0.50
pi
Simtrica
Asimtrica
1.
3. Des(X b ) =
npq
- 70 -
Solucin:
El experimento E: Extraer 3 plantines sin reposicin.
La variable aleatoria X: Nmero de plantines atacados entre los 3 extrados.
R(X)=0, 1, 2, 3.
Si se observan las caractersticas de este experimento, se ve que tiene mucho en
comn con un experimento que se ajuste al Modelo Binomial; lo nico que lo diferencia de
aquel es que aqu las n repeticiones del Ensayo de Bernoulli (extracciones) son sin reposicin,
luego la probabilidad de xito no es constante y las repeticiones no son independientes.
Cuando un experimento consiste en extraer sin reposicin n elementos de una
poblacin finita de N elementos de los cuales r son xitos, se ajusta al Modelo Probabilstico
Hipergeomtrico.
Definicin 14: Los parmetros de esta distribucin son N (nmero total de elementos de la
poblacin), n (nmero de extracciones o ensayos a realizar) y r (nmero de xitos en la
poblacin).
Definicin 15: Una variable aleatoria hipergeomtrica
extracciones sin reposicin (Ensayos de Bernoulli).
1, 2, 3,..., n.
Definicin 16: Sea Xh una variable aleatoria con distribucin hipergeomtrica. La probabilidad
de obtener k xitos en las n extracciones sin reposicin es
r N r
k n k
P(X h = k ) =
(4.2)
N
n
con k=0, 1, 2, 3,..., n (si n r) o k=0, 1, 2, 3,..., r (si n > r) porque no pueden lograrse ms
xitos de los que hay en todo el conjunto.
r N r
k n k
=1
De acuerdo a la Definicin 3, P(X h = k ) =
n
N
Para el Ejemplo 6 los parmetros son N=100, r=40, n=3 y Xh: Nmero de plantines
atacados entre los 3 extrados. Entonces la probabilidad de que 2 plantines estn atacados es
40 60
2 1
P(X h = 2) = = 0.2894
100
3
Este valor indica que si se extrajeran 3 plantines muchas veces de una poblacin de 100
plantines de los cuales 40 estn afectados, en aproximadamente el 29 % de los casos 2 estn
atacados.
- 71 -
p=
r
como la proporcin de xitos en la poblacin y q=1p como la
N
E(X h ) = n p
Nn
2. Var(X h ) =
npq
N 1
Nn
n pq
3. Des( X h ) =
N 1
1.
r
6000
=
= 0 .6
N 10000
r 1 5999
=
= 0.59999 0.6
N 1 9999
r
6000
P(segundo plantn est atacado/primer plantn no est atacado) =
=
= 0.60006 0.6
N 1 9999
5998
P(tercer plantn est atacado/primero y segundo atacados) =
= 0.5999 0.6
9998
P(tercer plantn est atacado/primero atacado y segundo no atacado o primero no atacado y segundo
5999
atacado) =
= 0.60002 0.6
9998
6000
P(tercer plantn est atacado/primero y segundo no atacados) =
= 0.60001 0.6
9998
P(segundo
Luego en este caso se puede asumir que la variable en estudio se ajusta al Modelo
Probabilstico Binomial.
b) Cuando el tamao de muestra es relativamente grande con respecto al tamao de la
poblacin, la probabilidad de xito en la primera extraccin
r
diferir considerablemente de la
N
r 1
r
o
. Por ejemplo para N=10 y r=6,
N 1 N 1
6
la probabilidad de que el primer plantn est atacado es
= 0.6 , en tanto que la probabilidad
10
probabilidad de xito en la segunda extraccin
- 72 -
de que el segundo plantn est atacado dado que el primero est atacado es
5
= 0.55 mientras
9
que la probabilidad de que el segundo plantn est atacado dado que el primero no est
atacado es
6
= 0.66 . Para la tercera extraccin las probabilidades son 0.5, 0.625 y 0.75,
9
respectivamente.
En este caso la probabilidad de xito difiere considerablemente de un ensayo a otro y
por lo tanto no se las puede suponer iguales en cada repeticin, por lo que el Modelo
Probabilstico Hipergeomtrico parece el adecuado.
R(X)=0, 1, 2, 3, ...
Observar las siguientes caractersticas de este experimento:
1. No se puede fijar el nmero mximo de glbulos rojos que pueden aparecer en la muestra.
Lo que s se sabe es el nmero promedio de glbulos rojos para una muestra de sangre de
una persona normal; en este caso es 10 y se lo denomina .
2. Se puede determinar el nmero de glbulos rojos que hay (nmero de xitos) en la muestra
de sangre, pero no el nmero de glbulos rojos que no hay (nmero de fracasos) en la
muestra de sangre.
Las caractersticas 1 y 2 indican claramente que la variable X no sigue el modelo
binomial, por lo tanto para calcular las probabilidades pedidas se necesita buscar un modelo
probabilstico adecuado para esta situacin.
- 73 -
Para todos los ejemplos anteriores la variable cuenta el nmero de xitos en intervalo
de tiempo, rea o volumen.
Definicin 17: El parmetro del modelo de Poisson es que indica el nmero promedio de
xitos en cada intervalo de tiempo, rea o volumen.
Definicin 18: La variable aleatoria de Poisson
de tiempo, rea o volumen.
1, 2, 3,...
Definicin 19: Sea Xp una variable aleatoria con distribucin de Poisson. La probabilidad de
obtener k xitos en un intervalo de tiempo, rea o volumen es
P Xp = k =
De acuerdo a la Definicin 3
e k
k!
con
k=0, 1, 2, 3,...
(4.3)
e k
=1
k!
k =0
P Xp = k =
k =0
P(X P = 7 ) =
107 e 10
= 0.09008
7!
10 k e 10
= 0.22022
k!
k =0
7
P(X P 7 ) =
- 74 -
1. E(Xp)=
2. Var(Xp)=
3.
Des(Xp)=
k e
P(X b = k ) = n p k q n k
,
k
k!
con = n p
210 e 2
P(X b = 10) = 200 0.01100.99190 =
= 0.000037 ,
10
10!
=2
- 75 -
Ejemplo 9: Se sabe que en una parcela el 20% de las plantas estn atacadas, y se desea
calcular la probabilidad de obtener la primera planta atacada en la tercera extraccin.
Solucin:
El experimento es E: extraer sucesivamente una planta de una parcela hasta obtener una
planta atacada.
La variable aleatoria X: Nmero de extracciones necesarias hasta que salga una planta
atacada.
R(X)=1, 2, 3, ...
El experimento no responde a ninguno de los descriptos anteriormente, aunque tiene
algunas caractersticas en comn con algunos de ellos. Para calcular las probabilidades sobre
variables como sta, se describe un nuevo modelo probabilstico.
Cuando un experimento consiste en repeticiones independientes de un Ensayo de
Bernoulli hasta que ocurra el primer xito, se dice que se ajusta a un Modelo Geomtrico.
Definicin 20: El parmetro del Modelo Geomtrico es p (probabilidad de xito).
Definicin 21: La variable aleatoria geomtrica
hasta que sale el suceso xito por primera vez.
2, 3,....
Definicin 22: Sea Xg una variable aleatoria con distribucin geomtrica. La probabilidad de
que se realicen k ensayos hasta obtener el suceso xito por primera vez es
P(Xg=k) = qk-1 p
Donde
binomial).
con k=1,
2, 3,...
(4.4)
1
p
1.
E(X g ) =
2.
Var (X g ) =
3.
Des(X g ) =
q
p2
q
p2
- 76 -
r y p, que representan el
r+1,....
Definicin 25: Sea Xbn una variable aleatoria con distribucin binomial negativa. La
probabilidad de que se realicen k ensayos hasta obtener r xitos es
k 1 r k r
p q
P(X bn = k ) =
r 1
con k=r,
r+1, ...
(4.5)
E(X bn ) =
r
p
- 77 -
2.
Var (X bn ) =
3.
Des(X bn ) =
rq
p2
rq
p2
Parmetros
del Modelo
Bernoulli
Binomial
nyp
Hipergeomtrico
N, n y r
Variable
Caractersticas Numricas
Esperanza
XBER: Nmero
xitos.
E(XBER)=p
Var(XBER)=pq
Xb: Nmero de
xitos en las n
repeticiones.
E(Xb)=np
Var(Xb)= npq
Xh: Nmero de
xitos en las n
repeticiones.
E(Xh)=np
de
Var(Xb)=
Nn
npq
N 1
p=r/N
Poisson
Xp: Nmero de
xitos en un cierto
intervalo.
E(Xp)=
Geomtrico
Xg: Nmero de
ensayos hasta que
sale el primer xito.
E Xg =
ryp
Xbn: Nmero de
ensayos hasta que
sale el r-simo xito.
E(X bn ) =
Binomial
Negativo
Varianza
( )
Var(Xp)=
1
p
r
p
( )
Var X g =
q
p2
Var (X bn ) =
rq
p2
Ejercicios de Aplicacin
1.
Se lanzan dos dados balanceados y homogneos y se define la variable aleatoria
suma de los nmeros aparecidos en las caras superiores". Hallar:
a) la distribucin de probabilidades de la variable aleatoria definida.
- 78 -
Ii) P(X>3).
2.
Una urna contiene 5 fichas: 3 blancas y 2 azules. Se realiza el experimento extraer una
muestra de tamao 3 con reposicin y se define la variable aleatoria nmero de fichas
blancas extradas.
a) Describir el espacio muestral asociado al experimento aleatorio.
b) Asociar a cada resultado posible del experimento el valor asignado por la variable
aleatoria definida.
c) Hallar la distribucin de probabilidades de la variable aleatoria.
d) Rehacer el inciso c) para el experimento extraer una muestra de tamao 3 sin
reposicin, con la misma variable aleatoria.
3.
Para una inspeccin sanitaria se seleccionan 10 cerdos al azar de los criaderos de la
zona mencionada en el Ejercicio 11 del Captulo anterior. Cul es la probabilidad de
que la mitad de los cerdos seleccionados tengan 16% o ms de rea pulmonar
afectada por neumona?.
a) Cul es el experimento aleatorio que describe el enunciado ? Indicar un elemento
cualquiera del espacio muestral S. Para dicho experimento:
i) Cul es el ensayo de Bernoulli y cules sus resultados posibles ?
ii) Qu significa para este ejemplo que se repita un nmero fijo de veces el ensayo
de Bernoulli ?
iii) Qu significa la independencia de los ensayos?.
iv) Cul es la probabilidad del xito? Qu significa en esta situacin que esta
probabilidad se mantenga constante en la repeticin de los ensayos?.
b) Qu variable asociara al experimento?
c) Calcular la probabilidad pedida, suponiendo que el experimento es binomial.
4.
A partir de la informacin suministrada en Ejercicio 8 del captulo anterior se quiere
hallar la probabilidad de que de un total de 6 descendientes de un cruzamiento de gatos
heterocigotas se obtengan 2 con pelaje manchado.
a) Cul es el experimento aleatorio que describe el enunciado?. Detalle al menos dos
elementos de S. Se ajusta este experimento a un Modelo Binomial?. Por qu?.
b) Cul es la variable que debera asociarse al espacio muestral de tal forma que
resulte una variable aleatoria binomial ?.
c) Cules son los parmetros del modelo en esta situacin ?. Qu significan ?.
d) Hallar las caractersticas numricas de la variable y dar su significado.
e) Calcular la probabilidad requerida.
5.
Se estima que el 90% de la cosecha de papas es buena encontrndose en estado de
putrefaccin las restantes, aunque esto no puede descubrirse a menos que las papas
- 79 -
8.
La probabilidad de que un nio est afectado de Hymenolepis (enfermedad parasitaria)
en ciertos barrios de la ciudad de Ro Cuarto es de 0.5. A diez nios del sector
mencionado se le realizan los anlisis correspondientes y se determina el nmero de
nios infectados por Hymenolepis.
a) Se ajusta la experiencia al Modelo Binomial? Cul sera el supuesto del modelo
binomial que podra no satisfacerse?. Por qu?
b) Realizar una representacin grfica de la distribucin de probabilidades de la
variable aleatoria binomial correspondiente a esta situacin.
c) Calcular la esperanza y la varianza de la variable, dando su significado para esta
situacin. Establecer relaciones entre las caractersticas numricas y el grfico de
la distribucin de probabilidades de la variable.
- 80 -
d) Suponiendo que, en lugar de 0.5, la probabilidad de que un nio est afectado por
el parsito es de 0.1, realizar un anlisis similar al efectuado en los incisos
anteriores.
e) Discutir las similitudes y/o diferencias entre los grficos de las distribuciones de
probabilidad construidos en uno y otro caso.
- 81 -
tiempo de coagulacin;
altura de las personas;
ganancia de peso de animales;
rendimiento de un cultivo;
tiempo de recuperacin de cierta enfermedad;
errores de medicin en experimentos cientficos.
Intervalo
I1=[l0, l1)
.
.
.
Ii=[li-1, li)
fi
.
.
.
In=[ln-1, ln]
fn
Si en el histograma asociado a la tabla se traza una poligonal que pase por los puntos
(ci, fi), con ci la marca de clase del intervalo Ii, a medida que aumenta el tamao de la muestra,
n, esa poligonal se hace ms suave y se acerca cada vez ms a un funcin f, tal como se
muestra en el siguiente grfico.
(5.1)
Pero por otro lado, como se dijo, cada rectngulo tiene base de longitud 1/n y altura fi , de
donde, su rea es (base) (altura)= (1/n) (fi ) = frecuencia relativa del intervalo Ii.
Entonces (5.1) se puede reescribir como:
Area bajo f y por encima del intervalo [a,b]
suma de las frecuencias relativas de los intervalos Ii
- 84 -
(5.2)
pero esta ltima suma no es otra cosa que la frecuencia relativa correspondiente al intervalo
[a,b], es decir:
rea bajo f y por encima del intervalo [a,b]
frecuencia relativa del intervalo [a,b]
(5.3)
Como se estableci en el captulo 3, cuando el tamao de la muestra crece, la frecuencia
relativa se aproxima a la probabilidad, entonces :
Frecuencia relativa del intervalo [a,b] P(a
X b)
(5.4)
X b).
(5.5)
- 85 -
1 x 2
1
y = f (x ) =
exp
2
2
donde x y son nmeros reales cualesquiera y es un nmero real positivo.
- 86 -
(5.6)
es el punto sobre el eje x por donde pasa el eje de simetra de la curva, luego se verifica
que P( X ) = P( X ) = 0.50; es decir la probabilidad de que la variable X
tome valores inferiores o iguales a es igual a la probabilidad de que X tome valores
superiores o iguales a y ambas son iguales a 0.50.
determina la forma de la curva, en cuanto a la agudeza de la misma.
P( - X + ) = 0.6826
P( - 2 X +2 )=0.9546
P( - 3 X + 3)=0.9973
Esta relacin tambin puede expresarse de la siguiente manera:
- 87 -
0 .4
f(x)
0 .3
0 .2
0 .1
0
-6
-3
N ( 3 ,1 )
N ( - 3 ,1 )
N ( 0 ,1 )
0.8
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0
-8
-6
-4
-2
8
x
N (0, 0.5)
N (0, 1)
N (0, 2)
escribe X N( ,).
Las caractersticas numricas de una variable aleatoria con distribucin normal de
parmetros y son
E(X)= , Var(X)=2 y Des(X)=
stas coinciden con los parmetros de dicha distribucin.
Ejemplo 2: Retomando el Problema 1.1, se est interesado en estudiar el peso de novillos de
una cierta edad de la raza Charolais a fin de analizar la posibilidad de suministrarles una nueva
dieta rica en protenas. Se sabe que la variable peso tiene distribucin normal de parmetros
=300 kg. y =20 kg., es decir XN(300,20).
Dado que los parmetros de la distribucin normal coinciden con las caractersticas
numricas de la variable, se tiene que E(X)=300 y Des(X)=20. El significado de cada uno de
estos valores es:
E(X)=300 kg. , indica que los animales pesan alrededor de 300 kg. y que la cantidad de
animales con peso muy alejado de 300 kg. (mayores o menores) es baja.
- 88 -
Des(X)=20 kg. significa que los pesos de los animales se alejan, en promedio, 20 kg. del
peso medio (300 kg.).
0.5
0.4
0.3
f(x)
0.2
0.1
0
-4
-3
-2
-1
- 89 -
5.3.1.2 Estandarizacin
Para convertir una variable aleatoria
estndar se realiza la siguiente transformacin
( X )
Z=
=0 y =1.
El primer resultado es una consecuencia del siguiente resultado general: Una funcin
lineal de una variable aleatoria con distribucin normal es una variable aleatoria con distribucin
normal (Meyer, P. 1992).
El segundo resultado se puede probar fcilmente teniendo en cuenta que los
parmetros coinciden con las caractersticas numricas y usando las propiedades de
Esperanza y Varianza, como se indica a continuacin.
Z=
Sea
(5.7)
X 1
E( Z) = E
= E ( X )
(por E2)
1
[E ( X ) E ( )]
1
= ( )
(por E3)
(por E1 y dado que E(X)=)
1
0= 0
X 1
Var( Z) = Var
Var ( X )
=
2
(por V2)
1
[Var ( X ) + Var ()] (por V3)
2
1
2
= 2 ( 2 0)
(por V1 y dado que Var(X)= )
1
2
=1
2
- 90 -
Z=
Luego
X 300
~ N( 0,1)
20
kg.
- 91 -
Ejemplo 4: Bajo los supuestos del Ejemplo 2, se desea determinar la probabilidad de que el
peso de un novillo de la raza Charolais
a) sea superior a 340 kg.
b) est entre 285 kg. y 350 kg.
c) sea inferior a 220 kg.
Solucin:
Como la variable en estudio X N(300,20), las probabilidades son:
a)
b)
- 92 -
, se
ve que este valor depende slo de n-1 (de los n) sumandos y el restante esta unvocamente
determinado, por esto se dice hay n-1 trminos independientes y cuando se habla de los
grados de libertad asociados a una distribucin, se lo hace en estos trminos.
Y = X i2
i =1
2n es una funcin
x n / 2 exp( x / 2)
2 n ( n )
- 93 -
( )
n grados de
( )
E 2n = n y Var 2n = 2n
Esta distribucin verifica la propiedad reproductiva, o sea, si
aleatorias independientes que tienen distribuciones
variable suma
1992).
2n
2m
respectivamente, entonces la
T=
X
,
Y
donde XN(0,1)
Y=
2n
.
n
f (x ) =
n
(n / 2 ) n
(n +1) / 2
, < x
<
- 94 -
depende del parmetro o sea de los grados de libertad. A continuacin se muestra el grfico de
la funcin de densidad para algunos valores de n.
Var (t n ) =
n
, para n 3
n2
X/n
,
Y/m
donde
X = 2n e Y = 2m
- 95 -
x>0
E (F) =
m
, para m > 2
m2
Var (F) =
2 m 2 (n + m 2 )
n (m 2 ) (m 4 )
2
, para m
>4
- 96 -
mayores a z, P( n
2
z) .
- 97 -
donde
480 es el peso del animal1 de la muestra de animales seleccionada,
500 es el peso del animal2 de la muestra de animales seleccionada,
540 es el peso del animal3 de la muestra de animales seleccionada,
.
.
.
450 es el peso del animaln de la muestra de animales seleccionada.
Las dos muestras estadsticas indicadas anteriormente se obtuvieron despus de
realizar el experimento. Si se deseara indicar los valores de peso de n animales antes de
realizar el experimento se los debera representar como
- 98 -
X1: representa el peso del animal que ser elegido en primer lugar.
X2: representa el peso del animal que ser elegido en segundo lugar.
X3: representa el peso del animal que ser elegido en tercer lugar.
.
.
.
Xn: representa el peso del animal que ser elegido en el lugar n.
Sea X una variable aleatoria con E(X)= y Var(X)= . Sea X el promedio muestral
de una muestra aleatoria de tamao n, entonces:
a)
E( X) =
b)
Var( X) =
2
n
n grande (n30), X N , . Esta ltima expresin es un abuso de notacin pues
n
en realidad X tiende a la distribucin Normal.
c) Para
- 99 -
X , es aproximadamente
Cuando la variable
Normal
)=2
b) Si adems
S2 es
(n 1)S2
1994)
Una aplicacin de estos dos conceptos se presenta en el siguiente
Ejemplo 6: Bajo los supuestos del Ejemplo 2, se selecciona una muestra de
esa raza con el objeto de determinar las siguientes probabilidades:
n=25 novillos de
10.56% de
b) La variable de inters en este caso es la varianza muestral la cual, multiplicada por ciertas
constantes se distribuye de la siguiente manera
(n 1)S2
2
24
24
400
2
- 100 -
1, entonces la variable
X b np
n pq
se aproxima a la distribucin normal estndar (Este resultado es vlido debido al Teorema
Central del Lmite ya citado). As se puede calcular P(aXbb) considerando a
XbN (n p, n p q ) .
Anlogamente la distribucin normal puede aproximar a una distribucin de Poisson
cuando >5, es decir XpN (,
) .
Ejercicios de Aplicacin
1.
Sea X una variable aleatoria continua con distribucin normal, con media cero y
varianza 1. En smbolos X ~ N(0,1). Hallar y graficar:
a) P(X < -1.96)
b) P(X > 0)
d) P(-1.64 < X < 1.64)
2.
Rehacer el ejercicio anterior bajo el supuesto de que X ~ N(3,2).
3.
Bajo el supuesto de que X ~ N(0,1), determinar el valor de a tal que:
a) P(X < a ) = 0.025
4.
a) Encontrar el valor del rea sombreada debajo de las siguientes funciones de
densidad correspondientes a una variable aleatoria normal estndar.
- 101 -
0.9104
0.0739
5.
Dada una variable aleatoria se define como funcin de distribucin a la probabilidad de
que la variable tome valores menores a un valor dado. En smbolos F(x)=P(X<x). El
siguiente grfico corresponde a la funcin de distribucin F(x) de una variable aleatoria
con distribucin normal estndar:
1
0.8
0.6
0.4
0.2
-4
-2
- 102 -
b)
i) F(x)=0.5
ii) 1-F(x)=0.1
6.
Encontrar el valor del rea sombreada para las distribuciones normales con
parmetros:
a) = 20
=3
b)
= 10
=2
7.
Un especialista en ictiologa tropical est interesado en estimar cunto tiempo puede
sobrevivir cierto tipo de pez en aguas con determinado porcentaje de toxicidad. Luego
de una larga serie de experimentos llega a estimar que la vida media de este tipo de
pez alcanza a los 90 das despus de haber sido colocado en el agua venenosa, con
una desviacin estndar de 5 das. Es posible suponer que la distribucin de los "das
de sobrevida" es normal. Cul es la probabilidad de que un pez viva ms de 120
das?.
8.
El peso de las races de alfalfa, que se puede considerar como ndice de crecimiento,
est distribuido normalmente con media 22 gr. y desviacin estndar 10 gr. Hallar:
a) La probabilidad de que el peso de las races sea mayor a 23 gr.
b) La proporcin de races con un peso inferior a los 10gr.
c) El peso tal que por debajo de l se encuentre el 50% de las races.
d) El peso tal que por encima de l se encuentren el 25% de las races (es decir el
primer cuartil de la distribucin).
9.
El peso de las langostas est distribuido normalmente con parmetros =6 gr. y =0.3
gr.
a) Hallar:
i) la proporcin de langostas cuyo peso se encuentra entre 5.8 gr. y 6.4 gr.
ii) el porcentaje de langostas con un peso mayor a 6.7 gr.
- 103 -
13.
Sean las variables aleatorias X1 , X2 , ... ,X9 independientes N(3,2) hallar:
a) P(X < 2.5)
14.
En el estudio mencionado en el Ejercicio 1-f del Captulo 1, suponga que se cuenta
con la informacin de que la variable porcentaje de festuca sigue la distribucin
normal de media 50% con una desviacin del 4%. Para un grupo de 25 vicuas, cul
es la probabilidad de que
a) el porcentaje medio de Festuca sea superior al 60%?
b) el porcentaje medio de Festuca se encuentre entre 45% y 55%.?
15.
Los huevos de las ponedoras Leghorn se embalan en cartones de 2 docenas cada uno.
Los controles de calidad exigen que el peso medio por cartn sea por lo menos 40
gramos. Si el peso del cartn sigue una distribucin normal de media 45 gr. y
- 104 -
- 105 -
6.1 Introduccin
Como se estableci en los Captulos 1 y 3 uno de los objetivos de la estadstica es
hacer inferencia con respecto a la poblacin en base a la informacin contenida en una
muestra. Segn Lehmann (1983) "la inferencia es una adivinanza educada".
Las variables que se definen en los experimentos en general pueden ser asociadas a
distintas distribuciones que dependen de parmetros, por ejemplo:
La distribucin Binomial est definida por una funcin de densidad puntual f(x,n,p)
que depende de los parmetros n y p.
La distribucin Poisson est definida por una funcin de densidad puntual f(x,)
que depende del parmetro .
La distribucin Normal est definida por una funcin de densidad f(x,,) que
depende de los parmetros y .
El objetivo de la mayora de las investigaciones cientficas es hacer inferencia con
respecto a ciertos parmetros poblacionales, los cuales en general son desconocidos y por lo
tanto el problema es obtener la mayor informacin posible acerca de ellos. Si fueran conocidos
la funcin de densidad estara totalmente determinada y no se debera procurar ninguna
informacin sobre ellos. Entonces, utilizando la informacin contenida en una muestra aleatoria
nica, se intenta estimar el valor numrico del o de los parmetros desconocidos de inters.
Por ejemplo si la variable de inters tiene distribucin Normal, entonces se puede estar
interesado en estimar y/o , en tanto que si la variable de inters tiene distribucin Binomial
se puede estar interesado en estimar la proporcin p.
La Inferencia Estadstica utiliza dos tcnicas para lograr su objetivo: la Estimacin
(puntual y por Intervalos) y la Prueba de Hiptesis.
La estimacin tiene muchas aplicaciones prcticas, por ejemplo:
* Un veterinario desea determinar la proporcin de animales de una cierta raza
afectados por una determinada enfermedad en la provincia de Buenos Aires.
* Un fabricante de lavadoras podra estar interesado en estimar la proporcin de
lavadoras que se descomponen antes de que termine el perodo de garanta de un
ao.
* Se desea estimar la cantidad promedio de mercurio que puede extraerse (mediante
un proceso particular) de 1 onza de mineral proveniente de una localidad geogrfica
particular.
* Para optimizar la atencin en un supermercado se podra estar interesado en estimar
el tiempo medio de espera en una caja registradora.
* Para conocer la precisin de un instrumento electrnico, se puede desear estimar la
desviacin estndar de la medicin de dicho instrumento.
Retomando ahora el Problema 1.1, Mediante una nueva dieta se espera que se
incremente el peso en novillos de raza Charolais. La variable aleatoria en estudio X: Peso
tiene asociada una distribucin de probabilidades que puede suponerse Normal. En esta etapa
el objetivo es obtener informacin acerca del peso promedio de todos los novillos de raza
Charolais alimentados con la nueva dieta, esto es E(X)= ( es adems uno de los
parmetros de la distribucin Normal).
Es natural pensar que para estimar el valor de la E(X)= se utilizar la informacin de
la muestra, aunque evidentemente sobre la base de una muestra de tamao n no se puede
reconstruir la verdadera composicin de la poblacin en estudio. En otras palabras, a no ser
que se inspeccione a cada animal de la poblacin no se podr conocer el verdadero valor de
E(X)=. As surge la idea de buscar un valor aproximado para el parmetro. Por ejemplo para
aproximar la media poblacional E(X)= se puede proponer a la media muestral X . En este
caso se est tratando a este estadstico como un estimador, trmino que ser definido a
continuacin.
Definicin 1: Un estimador es un estadstico que se utiliza para estimar un parmetro de la
distribucin.
X y S2, respectivamente.
Definicin 2: Una estimacin puntual de un parmetro es el valor que toma un estimador para
una muestra particular.
Para el Problema 1.1 una estimacin puntual del peso promedio de todos los novillos de
raza Charolais con la nueva dieta es X = 413 kg.
Para estimar el verdadero valor del parmetro, se puede elegir cualquier estadstico
definido en el Captulo 2. Lo que ocurre es que los estadsticos deben cumplir ciertas
propiedades para ser considerados buenos estimadores y se eligen aquellos que cumplan con
ellas. Ni stas ni los mtodos para generar buenos estimadores sern mencionados en este
texto, pues estn fuera del alcance del mismo (Mendenhall, W. et. al. - 1994).
- 108 -
p =
Y
.
n
Dado que los estadsticos X y S verifican las propiedades requeridas para ser un
buen estimador, son utilizados generalmente como estimadores de la E(X) y la Var(X)
respectivamente.
Como la estimacin raramente coincide con el parmetro y no se puede cuantificar la
diferencia entre ellos, surge un segundo procedimiento de estimacin.
, de una
Dado que no es seguro que cualquier intervalo (I,S) contenga a , puede afirmarse que
- 109 -
variable aleatoria
Z=
( X )
/ n
X
P a <
< a = 1
/ n
, a partir de la expresin
P a
< (X ) < a
= 1
n
n
P a
X < < a
X = 1
n
n
P X a
<< X+a
= 1
n
n
(6.1)
De donde se pueden obtener las siguientes expresiones explcitas de los lmites Inferior (I)
y Superior (S):
I= Xa
S = X+a
Es importante notar que los lmites del intervalo son variables aleatorias dado que, en
este caso, X es una variable aleatoria. Luego se ha construido un Intervalo Aleatorio con nivel
1 de confianza para la media de una poblacin Normal con desviacin conocida.
En cuanto al significado del Nivel de Confianza, si ste fuera 0.90, se espera que de
cada 100 intervalos de confianza construidos a partir de 100 muestras de tamao fijo n,
aproximadamente 90 de ellos contengan el verdadero valor de y 10 intervalos no.
- 110 -
Grficamente se tiene
Cuando se reemplaza la media muestral por el valor particular, la expresin anterior deja de
contener la variable aleatoria X y por lo tanto no tiene sentido calcular una probabilidad.
Entonces se reemplaza la P de probabilidad por la C de confianza, o sea
- 111 -
S
S
P X a
<< X+a
= 1
n
n
donde la variable
Z=
X
tn-1 y por lo tanto la abscisa a=tn-1,1-/2 se obtiene de la Tabla
S/ n
D del Apndice.
(n 1) S
se verifica que
2
(n 1) S2 < b = 1
P a <
1
1
P (n 1) S 2 < 2 < (n 1) S 2 = 1
a
b
I=
1
1
2
( n 1) S2 y S = ( n 1) S2 , con a = n 1,1 / 2 y
b
a
- 112 -
1. Si en las
X 1
E( p$ ) = E = E( X) = p
n n
X 1
p ( 1 p)
Var ( p$ ) = Var = 2 Var ( X) =
,
n n
n
p ( 1 p)
p$ ~ N p,
entonces Z =
n
p$ p
~ N ( 0,1) .
p ( 1 p) n
Z no puede utilizarse para encontrar los lmites del intervalo dado que el desvo
$ ( p (1 p) / n ) depende del parmetro desconocido p. Para resolver este problema
de p
4. La variable
P p a p (1 p ) n < p < p + a p (1 p ) n = 1
donde a se obtiene de la Tabla C del Apndice.
Retomando el Ejemplo 4, si de 20 animales resultaron 15 afectados por aftosa y se
fija un nivel de confianza del
X 15
=
= 0.75 y por
n 20
0.75 0.25
0.75 0.25
= 0.95
C 0.75 1.96
< p < 0.75 + 1.96
12
12
- 113 -
Ejercicios de Aplicacin
1.
Se desea estudiar el efecto sobre el aumento de peso de una dieta rica en vitamina A,
en ratas de la especie Calomys Musculynus desde el nacimiento hasta la edad de tres
meses. Estudios anteriores han determinado que la variable aumento de peso puede
2
ajustarse con una distribucin normal, de varianza 9 gr . Para estimar el aumento de
peso promedio, se suministr la dieta a 16 de estas ratas obteniendo una media de 61
gr.
a) Cul es la variable que permitir estudiar el efecto de la nueva dieta? A qu tipo
corresponde esta variable y cul es su distribucin de probabilidades?.
b) Qu se desea estimar ? Ese valor, es de la muestra o de la poblacin? Cul es
su relacin con la variable?.
c) Con que informacin poblacional y muestral se cuenta?.
d) Para el problema de la estimacin por intervalos Qu variable se construye y cul
es su distribucin?.
e) Estimar el parmetro en cuestin con una confianza del 95% e indicar las
conclusiones.
2.
Un dermatlogo que investiga cierto tipo de cncer de piel, desea estimar el tiempo
promedio hasta la desaparicin del mismo con un nuevo frmaco (suponga que el
tiempo se distribuye normalmente). Para ello induce este cncer en 25 ratas y las trata,
obtenindose un promedio de 132 hs. para la desaparicin de la enfermedad con un
desvo estndar de 101 hs.
a) Cul es la variable que permitir estudiar el comportamiento del nuevo
medicamento? A qu tipo corresponde?.
b) Qu se desea estimar ? Ese valor, es de la muestra o de la poblacin? Cul es
su relacin con la variable?.
c) Cul es la informacin poblacional y cul es la brindada por el experimento?.
d) Efectuar la estimacin del parmetro de inters, con una confianza del 99% e
indicar las conclusiones.
3.
Se desea estimar con una confianza del 99%, el contenido promedio de alquitrn de
cierta marca de cigarrillos (suponga que el contenido de alquitrn se distribuye
normalmente). Para ello se selecciona una muestra de 36 cigarrillos, obtenindose una
media de 17,2 mg. y una desviacin estndar de 2 mg.
- 114 -
4.
Un grupo de investigacin desea estimar el porcentaje medio de sacarosa en la caa de
azcar luego de habrsele aplicado un producto compuesto con sales de molibdeno y
otros metales que tienden a inhibir procesos enzimticos. (suponga que el porcentaje
se distribuye normalmente). Para ello fueron seleccionadas 7 plantas de caa de azcar
a las cuales de les aplic el producto, obtenindose una media de 0,84% de sacarosa y
un desvo de 0,18% de sacarosa.
a) Cul es la variable en estudio? Qu representan los parmetros de la distribucin
de la variable en este problema ?
b)
Media
77.76
74.46
78.58
Desvo
8.45
5.27
7.29
c)
7.
Se desea estimar, con un nivel del 90%, la proporcin de personas que tienen sangre
de tipo A positivo en una cierta ciudad. Para ello se tom una muestra aleatoria de 400
personas encontrndose 125 con sangre de tipo A positivo.
8.
En el contexto del Ejercicio 10 del Captulo 5, suponga que se desconoce el valor del
gasto medio por semana, y que slo se sabe de la variable gasto semanal que su
distribucin es normal. Si se elige una muestra de 30 semanas qu valor debera
asumir la varianza de tal modo que, con un 99% de confianza, la media del gasto
semanal se encuentre entre $290 y los $330?.
- 115 -
7 Prueba de Hiptesis
Objetivos:
Analizar un problema dado y plantear las hiptesis correspondientes.
Interpretar la informacin obtenida a travs de una prueba de hiptesis.
Distinguir entre Intervalo de Confianza y Prueba de Hiptesis en cuanto a su utilidad.
7.1 Introduccin
La Inferencia estadstica brinda mtodos que permiten, a travs de una Muestra,
obtener informacin acerca de alguna caracterstica de la Poblacin de la cual fue extrada.
En el Captulo 6 se estudiaron dos mtodos de estimacin denominados Estimacin
Puntual y Estimacin por Intervalos. A continuacin se presenta otro mtodo de inferencia
llamado Prueba de Hiptesis (o Test de Hiptesis).
Definicin 1: Una Prueba o Contraste de Hiptesis es un procedimiento mediante el cual se
investiga la verdad o falsedad de una hiptesis contrastada.
Poblacin de Unidades: Todos los novillos de raza Charolais de cierto peso inicial.
Poblacin Estadstica: El peso de todos los novillos de cierto peso inicial raza Charolais.
P.U.
P.E.
X: Peso
X1X1
X 2X
2
.
.
.
. .
.
Animales
de raza
Charolais
Las caractersticas numricas de una poblacin estadstica son E(X) y Var(X), que en
este caso indican el peso promedio y la varianza del peso de todos los animales sujetos a la
nueva dieta, ambos desconocidos.
Por resultados de experiencias previas se sabe que el peso medio de todos animales
con la dieta que se vena utilizando, es de 390 kg., valor que se puede denotar como 0; luego
lo que se desea es comparar este valor con el peso medio de todos los animales con la nueva
dieta, lo que se puede expresar de la siguiente forma
I)
II)
H0: El peso medio de todos los animales con H1: El peso medio de todos los animales con
la nueva dieta es igual al peso medio de
todos los animales con la dieta usada
habitualmente.
Las situaciones I) y II) pueden ser escritas en lenguaje estadstico, como se indica a
continuacin
H0: = 0
H1: > 0
donde
: indica el peso medio de todos los novillos alimentados con la nueva dieta.
0: indica el peso medio de todos los novillos alimentados con la dieta usada habitualmente.
La variable peso puede asumir dos distribuciones normales diferentes,
N(0,0)
X: Peso
N(,)
Considerando que la nueva dieta puede modificar la media pero no el desvo estndar, se
supone = 0. Las dos distribuciones que la variable X asume pueden visualizar
grficamente de la siguiente manera
- 118 -
Prueba de Hiptesis
H1: > 0
b)
H1: < 0
c)
H1: 0
X.
- 119 -
X o
/ n
es una variable aleatoria (por ser una funcin de la variable aleatoria X ),que tiene asociada
una distribucin de probabilidades que se estudiar a continuacin.
Dado que la variable en estudio X tiene distribucin Normal con parmetros y ,
esto es, XN(,) y si se tiene una muestra aleatoria de tamao n, la variable
X N , / n y por tanto Z =
Entonces
si vale H0 (o sea cuando
( X ) N(0,1).
/ n
=0 ), N(0,1);
o
/ n
Rechazar H0
No Rechazar H0
Vale H0
Error de tipo I
Decisin Correcta
Por lo tanto
- 120 -
No vale H0
Decisin Correcta
Error de tipo II
Prueba de Hiptesis
a
Grfico 3: Zona de Rechazo
Para determinar el valor de a se debe tener en cuenta H1, la distribucin del estadstico
de contraste bajo H0 y el valor de . Para este caso particular se toma =0.01 como nivel de
significacin de la prueba. En el siguiente grfico se pueden observar el nivel de significacin y
su correspondiente zona de rechazo.
a=2.32
Notar que los valores que puede asumir el estadstico de contraste son nmeros reales
(grficamente se ubican en el eje de las abscisas o eje x).
Grficamente:
- 121 -
c =
413 390
= 22.01
4.18 / 16
A partir de la zona de rechazo y del valor numrico del estadstico se establece una
regla para tomar una decisin:
Si c
Z se rechaza H0.
Si c
Z no se rechaza H0.
Para este problema, el valor numrico del estadstico es c=22.01, que pertenece a la
zona de rechazo, luego se rechaza la hiptesis nula con una probabilidad de cometer error de
tipo I de 0.01.
Conclusin: El peso medio de los animales con la nueva dieta es mayor que el peso medio de
los animales con la dieta usada habitualmente.
En la secuencia presentada anteriormente se fija el valor de antes de realizar el
experimento. No siempre se puede o se quiere especificar este valor, por ejemplo porque la
persona que toma la decisin no es quien realiza la investigacin. Por otra parte la eleccin de
es arbitraria y puede suceder que con el mismo conjunto de datos se llegue a conclusiones
diferentes. Una alternativa para evitar esta ambigedad es determinar en primer lugar el valor
del c (despus de realizado el experimento) y luego calcular una probabilidad que depende de
ste, llamada valor p de la prueba.
Definicin 7: El valor p de la prueba es la mnima probabilidad de error de Tipo I que lleva a
rechazar la Hiptesis nula.
Cuando la hiptesis alternativa es H1: > 0, el valor p se calcula como
p = P( c )
que se manifiesta en el siguiente grfico
- 122 -
Prueba de Hiptesis
Grfico 6: Valor p
Para tomar la decisin en base al valor p se debe fijar la mxima probabilidad de error
de tipo I que se est dispuesto a cometer, y compararla con el valor p. Si el valor p es menor
que esta probabilidad se rechaza la hiptesis nula con probabilidad exacta p de cometer error
de tipo I.
Notar que el valor p de la prueba depende de la hiptesis alternativa, de la distribucin
del estadstico y de la informacin brindada por la muestra.
Para el Problema 1.1 como H1: > 390 kg., N(0,1) si vale H0 y c=22.01, el valor
p es p = P( 22.01) 0 por lo cual se rechaza H0 con probabilidad prcticamente nula de
cometer error de tipo I.
. En este caso la prueba de hiptesis para la media de una distribucin Normal se construye
de manera similar a lo desarrollado en la seccin anterior. La diferencia est en que se usa S
como estimador de , lo que determina un cambio en la expresin y en la distribucin del
estadstico .
As, en este caso se tiene que
Si vale H0,
tn-1 central
X o
S/ n
Si no vale H0,
tn-1 no central
- 123 -
1=P(cometer error de Tipo II) = P(no rechazar H0 dado que no vale H0).
Por otra parte la probabilidad de no cometer error de tipo II se llama Potencia de la
prueba y es
=P(no cometer error de Tipo II) = P(rechazar H0 dado que no vale H0)
La potencia de la prueba indica la capacidad o poder de la prueba para rechazar
correctamente una H0 falsa.
Grficamente las probabilidades de error de tipo I y II y la potencia de la prueba son:
- 124 -
Prueba de Hiptesis
a) H1:
> 0
Z=[a,+)
b) H1:
< 0
Z=[-,-a)
c) H1:
Z=[-,-a)[a,+)
H0: 2 = o2
H1: 2 o2
- 125 -
o2 , entonces las
y el estadstico de contraste es
si vale H0,
2n1 central
(n 1) S 2
=
o2
si no vale
o2
si se rechaza
tipo II.
Y = X i donde YB(120,p).
i =1
- 126 -
Prueba de Hiptesis
p=0.80
H1: p0.80
Si vale H0,
2.
n es grande,
N(0,1)
p$ p o
p o (1 p o ) / n
Si no vale H0,
N(c,1)
=0.05, se tiene
p =
Y 90
0.20
=
= 0.75 y el Des(p ) = 0.80
= 0.0365 , luego el c= -1.37
120
n 120
- 127 -
H1: 1 2 > 0
b)
H1: 1 2 < 0
c)
H1: 1 2 0
H0: A B= 0
H1: A B 0
Poblacin. Estadstica
Fertilizante B
XA1
XA2
.
.
.
XB1
XB2
.
.
.
XBk
.
.
X Ak
.
.
E(XA)=A y Var(XA)= 2A
E(XB)=B y Var(XB)= 2B
- 128 -
Prueba de Hiptesis
Llegado a este punto, se deben distinguir diferentes casos que surgen del conocimiento
que se tenga acerca de las varianzas
2A y 2B que son:
CONOCIDAS
VARIANZAS
IGUALES
DESCONOCIDAS
DISTINTAS
En general, cuando se estudian dos distribuciones normales sucede que tanto la media
como la varianza son desconocidas. Sin embargo para facilitar el desarrollo de la prueba se
presentar el caso en que las varianzas son conocidas.
XAN(A, 2A ) y
tamao nA y nB, o sea sobre la base de X A X B . Dado que la media muestral es una
variable aleatoria con distribucin normal, se tiene para este caso que
X A ~ N A , A / n A
X B ~ N B , B / n B
diferencia
(AB) y
(XA X B )
2A 2B
(Mendenhall, W. et. al. - 1994).
+
nA nB
N(0,1)
XA XB
2A 2B
+
nA nB
Si no vale H0,
donde
c=
( A B )
2A 2B
+
nA nB
- 129 -
N(c,1)
2A
Ho : 2 = 1
B
2A
H1 : 2 1
B
El estadstico de contraste es
Si vale H0,
FnA 1, n B 1 central
S 2A
S 2B
Si no vale H0,
FnA 1, n B 1 no central
donde (nA1) y (nB1) indican los grados de libertad para el numerador y denominador de la
distribucin F de Fisher respectivamente.
La zona de rechazo para este caso toma la forma Z=(0,a][b,+) donde
de tablas de la distribucin F de Fisher. Grficamente
a y b se obtienen
t nA + n B 2 central
XA XB
SD
Si no vale H0,
t nA + n B 2 no central
- 130 -
Prueba de Hiptesis
donde
SD =
(n A 1)S2A + (n B 1)S2B
n A + n B 2
nA + nB
nA nB
XA XB
S2A S2B
+
nA nB
Si no vale H0,
donde
f=
S 2A S 2B
+
nA nB
2
S 2A S 2B
n 1 + n 1
A
B
tf no central
el Mtodo de Satterthwaite.
7.5.2
H1:d > 0
b)
H1:d < 0
- 131 -
c)
H1: d 0
donde d = E(di) =
tn-1 central
Xd
sd
n
Si no vale H0,
donde
tn-1 no central
p1 =
190
300
= 0.475 y p 2 =
= 0.375 .
400
800
H0: p1p2 = 0
H1: p1p2 0
- 132 -
Prueba de Hiptesis
normal con
p1 (1 p1 ) p 2 (1 p 2 )
+
. (Para verificar
n1
n2
H0, N(0,1)
p1 p 2
p1 (1 p1 ) p 2 (1 p 2 )
+
n1
n2
Si no vale
1y
Con p
H0, N(c,1)
p 2 estimadores de p1 y p2 .
Si se toma un nivel de significacin del 0.05 el valor crtico es a=1.96, luego la zona de
rechazo que resulta es Z=(,1.96][1.96,+). En este caso el c=3.31, por lo que se
rechaza la hiptesis nula, con probabilidad de cometer error de tipo I.
Conclusin: Las proporciones de animales enfermos en las dos zonas en estudio son
diferentes.
La hiptesis alternativa para otras situaciones tambin podra plantearse como
Para cada una de las pruebas presentadas en este captulo se pueden construir
intervalos de confianza
Ahora ser presentada una forma alternativa de tomar una decisin en una prueba de
hiptesis bilateral.
Para ello suponga que se plantean las siguientes hiptesis acerca de la media de una
poblacin normal.
H0: = 0
H1: 0
Para tomar una decisin acerca de stas hiptesis se pueden seguir dos caminos, tal
como se indica a continuacin:
a) Realizar la prueba de hiptesis construyendo, para un valor de especificado, la zona de
rechazo Z=(,a][a,+), de donde la zona de no rechazo es (a,a).
,X+
Captulo 6 tiene la forma X
.
n
n
- 133 -
Si
a
a
< o < X +
.A
n
n
partir de esta expresin y siguiendo los pasos algebraicos inversos a los realizados para
construir el intervalo de confianza se obtiene que
a <
X o
< a , o equivalentemente a < < a
- 134 -
Prueba de Hiptesis
Ejercicios de Aplicacin
1.
Se sospecha que una mquina embotelladora de leche no funciona adecuadamente. El
3
volumen promedio de leche de las botellas debe ser de 970 cm . Se supone que el
3
desvo estndar de la variable volumen asume un valor de 20 cm .
a) Cul es el objetivo del estudio?. En el marco de la teora de las pruebas de hiptesis,
cmo planteara este objetivo?.
b) Para las hiptesis planteadas en el inciso anterior, qu estadstico de contraste se
debe usar?.
c) Hallar la zona de rechazo para un nivel de significacin de 0.05.
d) Para poder tomar una decisin respecto a las hiptesis planteadas se tomaron al azar 9
3
botellas, encontrndose una media de 977 cm . Hay evidencia estadstica para
concluir que la mquina funciona mal?.
e) Cul sera la conclusin si se hubiesen tomado 49 botellas obteniendo tambin un
3
volumen medio de 977 cm ?
2.
Se sabe que ciertas ratas con una alimentacin habitual tiene una ganancia de peso
medio de 65 gr. durante los tres primeros meses de vida. Para probar el efecto de una
nueva dieta, se alimentaron 30 ratas desde el nacimiento hasta la edad de tres meses,
2
encontrndose un aumento medio de peso de 70.75 gr. y una varianza de 10 gr. .
Hay evidencias estadsticamente significativas para sostener, al nivel del 1%, que la
nueva dieta aumenta la ganancia de peso promedio?.
3.
Un establecimiento dedicado a la elaboracin de alimentos balanceados afirma que su
producto en aves de una cierta raza y de un mes de vida produce un aumento medio
de peso mayor a 100 gr. por semana.
a) Cules son las hiptesis a contrastar?. Estadsticamente e interpretarlas en trminos
del problema.
b) Para tomar una decisin sobre las hiptesis planteadas se eligieron al azar 16 aves de
esa raza y se les suministr el alimento balanceado durante una semana, obtenindose
con estos datos un valor de C=2.13. Realizar el anlisis correspondiente y establecer
conclusiones usando el valor p.
4.
Para cada una de las siguientes situaciones plantear las hiptesis a contrastar y, de
acuerdo al valor p obtenido en base a una muestra de la poblacin en estudio,
responder a las preguntas que se formulan:
a) Investigaciones anteriores han determinado que la duracin media de sobrevida de los
pacientes afectados por cierta enfermedad es de 3.4 meses. Un investigador afirma
que una nueva droga prolonga la vida de estos pacientes. Para p=0.006, qu se
puede afirmar sobre el efecto de la nueva droga?.
b) Un inspector del Instituto Nacional de Tecnologa Agropecuaria sospecha que el
contenido medio de semillas de un cierto producto agrcola es inferior al indicado en la
- 135 -
X . Discutir el
b) Se extraen varias muestras de una poblacin, suponga que la media muestral es 299
en cada una de ellas. En la figura de abajo se muestran los diferentes valores de p
para contrastar las hiptesis Ho: =305 versus H1: 305:
- 136 -
Prueba de Hiptesis
10
15
10
16
13
11
12
16
16
17
9
10
15
14
12
12
13
15
Valor p
0.8941
0.1345
0.1351
e) Hay evidencia para sostener que las varianzas para ambas poblaciones son distintas?
f) Existe diferencia entre los pesos medios para ambas poblaciones ?
9.
Con el objetivo de comparar el contenido total de nitrgeno (en gramos por 100 cm ) en
plasma de ratas albinas normales en distintos momentos de vida, se seleccionaron 6
ratas de 37 das y 6 de 180 das y se determin el contenido de nitrgeno obtenindose
los siguientes valores:
Tratamiento
37 das
180 das
0.98
1.20
0.83
1.18
0.99
1.33
0.86
1.21
0.90
1.2
0.91
1.07
- 137 -
Prueba
Homogeneidad de Varianzas
Igualdad de Medias (suponiendo varianzas iguales)
Igualdad de Medias (suponiendo varianzas distintas)
Valor p
0.5786
0.0001
0.0001
10.
En un experimento se desea determinar si el contenido de hemoglobina en la sangre
de perros cambia al aplicar un tratamiento con niacina. Para ello se tomaron 8 perros, y
se midi el contenido de hemoglobina antes y despus del tratamiento, obtenindose
las siguientes mediciones:
Trat. / Perro
Antes
Despus
1
12.6
10.4
2
12.6
11.5
3
13.7
13.6
4
11.1
12.0
5
11.3
19.3
6
12.2
8.8
7
10
9.4
8
11
10.7
0.454
0.816
0.908
1.362
1.816
4.086
2.27
4.54
3.362
4.086
- 138 -
Conocer la tcnica que permite comparar las medias de dos o ms poblaciones y sobre la
cual se basa el Diseo de Experimentos.
Comprender la utilidad de la tcnica cuando se desean comparar ms de dos medias.
8.1 Introduccin
En el Captulo 7 se present la prueba para comparar las medias de dos poblaciones
normales (diferencias de medias). En muchas situaciones es necesario comparar ms de dos
medias. En estos casos no es conveniente efectuar todas las comparaciones posibles de las
medias tomadas de dos en dos, ya que al realizarlo de esta manera el nivel de significacin
verdadero no es el prefijado para la prueba, lo que puede llevar a conclusiones errneas. Lo
adecuado es estudiar simultneamente las diferencias entre las medias de todas las
poblaciones. Problemas como stos se pueden resolver usando una importante tcnica
1
estadstica conocida como Anlisis de la Varianza (ANOVA) , mtodo que fue desarrollado por
R.A. Fisher.
Algunas situaciones en las que se desea comparar ms de dos medias son:
Un veterinario desea comparar el efecto de tres dietas de engorde en pollos parrilleros.
Un ingeniero agrnomo desea comparar el efecto de dos fertilizantes y un control, para una
cierta variedad de trigo.
Un mdico desea comparar el efecto de cuatro drogas para el dolor de cabeza.
Si bien el Anlisis de la Varianza se puede considerar como una generalizacin de la
prueba de diferencias de medias, el mecanismo en s es muy distinto, pues la tcnica de
ANOVA est basada en la comparacin de varianzas y no de medias.
Al estudiar la variacin de un conjunto de datos cualesquiera, utilizando como medida
de dispersin la varianza, no se han tenido en cuenta las causas de dicha variacin. En
muchos casos la variabilidad total existente es el resultado de ms de una causa. La tcnica de
Anlisis de la Varianza consiste en descomponer la variabilidad total en una variacin atribuible
a causas conocidas (efectos producidos por distintas dietas, fertilizantes o drogas) comnmente
denominadas tratamientos y en otra debida a causas desconocidas que no pueden ser
controladas por el experimentador y son atribuibles al azar. Esta ltima es considerada como la
variacin intrnseca a la unidad experimental.
Xij = i + ij
i=1,2,...,t ; j=1,2,...,ni
donde :
Xij = + i + ij,
i=1,2,...,t , j=1,2,...,ni
donde
i = + i.
H0: 1 = 2 = ... = t
H0: 1 = 2 = ... =t = 0
- 140 -
siguiente manera:
H0: 1 = 2 = 3
P.E. 1
P.U.
1 = ?
X
Ratas
albinas
P.E. 2
X
2 = ?
X
P.E. 3
3 = ?
- 141 -
Tabla 1: Ingesta de agua (en ml.) de ratas albinas sometidas a tres tratamientos
Tratamiento 1
Tratamiento 2
Tratamiento 3
3.80
3.10
3.84
0.61
4.39
4.05
0.81
3.04
1.75
0.81
0.25
2.95
1.49
0.38
5.62
7.56
5.20
5.99
3.00
3.60
4.60
0.70
2.40
3.20
8
X ij
18.78
Xij
2.35
22.45
32.00
2.81
4.00
j=1
3 8
Total General
X = X ij = 73.23
N = 24
i =1 j=1
Es importante destacar que este tipo de anlisis permite el estudio de una sola variable,
medida en situaciones (tratamientos) diferentes, las cuales generan sendas poblaciones
estadsticas (una por cada tratamiento).
La tcnica de Anlisis de la Varianza consiste en descomponer a la variacin total en
una variacin debida al efecto de los tratamientos (variacin entre tratamientos) y una variacin
atribuida al azar (variacin dentro de tratamiento). A continuacin se muestra como obtener
esta descomposicin.
La variabilidad de un conjunto de datos respecto a su media se mide mediante la
varianza, la cual se puede pensar como el cociente entre la suma de cuadrados de los desvos,
denominada en este contexto Suma de Cuadrados Total (SCT) y la cantidad de datos menos 1.
Simblicamente se tiene
3 8
X ij X
S2 =
i =1 j=1
24 1
3 8
X ij
SC T
i =1 j=1
, donde X =
24 1
24
Xij de la media
general X . Para esto, se considera al total de los datos (en este caso 24) como una sola
muestra, entonces esta variacin incluye tanto la producida por los tratamientos como la debida
al azar.
Para determinar la variacin entre tratamientos se toma un representante de cada
muestra
esta variacin mide cunto se apartan, en promedio, las medias de cada tratamiento de la
media general de los 24 datos.
El valor de la variacin dentro de tratamiento mide la variacin dentro de cada muestra,
- 142 -
t ni
X X
SC T i=1 j=1 ij
=
N 1
N 1
t ni
SC T = X ij X = X ij X i
i =1 j=1
i =1 j=1
t ni
+ Xi X
i =1 j=1
X i . Los
sumandos de la expresin anterior son la Suma de cuadrados dentro de Tratamiento (SCee) y la
Suma de cuadrados entre Tratamientos (SCt ), respectivamente. Entonces:
expresin que se obtiene operando algebraicamente luego de sumar y restar
t ni
SC ee = X ij X i
i =1 j=1
t ni
)2
SC t = X i X
i =1 j=1
(X
ij X i
t j=1
SC ee
=
N t i=1
ni 1
t ni
Xi X
SC t i=1 j=1
=
t 1
t 1
2. Notar que
Si las medias de las poblaciones en realidad son diferentes, se espera que las medias
de las muestras difieran mucho una de otra. En ese caso habra mucha dispersin entre ellas y
por lo tanto el CMt sera un nmero grande con respecto al CMee. Por otro lado si las medias
poblacionales son iguales (no hay efecto de tratamiento), se espera que las medias de las
muestras sean muy parecidas y la variacin existente entre ellas slo se deba al azar; por lo
tanto el CMt estara muy prximo al CMee. De acuerdo a este razonamiento parece natural que
el cociente entre estos cuadrados medios permita determinar si hay efecto de tratamiento, o
equivalentemente si las medias poblacionales son distintas.
Por lo tanto el estadstico adecuado para esta prueba est dado por el cociente entre
- 143 -
CM t
CM ee
Si no vale H0,
F Ft-1,N-t no central
2 + n
=
i
i =1
Esto se debe a que los cuadrados medios son variables aleatorias independientes con distribucin 2 y el cociente
de dos variables con distribuciones 2 dividido sus grados de libertad tiene distribucin F de Fisher (Captulo 5).
- 144 -
F2,21,0.05=3.47
SC T = X ij2
i =1 j=1
t ni
X2
, donde X = X ij
N
i =1 j=1
ni
X i2 X 2
SC t =
, donde X i = X ij
N
i =1 n i
j=1
t
SC t =
(73.23)2
= 88.35
24
24
= 11.64
C.M.
5.82
3.65
F
1.593
Como Z no hay evidencias para rechazar H0 con probabilidad de error de tipo II.
Conclusin: no hay evidencias suficientes para decir que la ingesta de agua promedio de todas
las ratas fue diferente para alguna de las tres comidas (tratamientos).
Es usual expresar esta conclusin como no se detectan diferencias significativas entre
las tres comidas (que significa no haber rechazado H0).
- 145 -
equivalentemente se expresa como hay diferencias significativas entre las tres comidas (que
significa haber rechazado H0).
En esta ltima situacin interesa determinar cul o cules son los tratamientos que
producen la diferencia. Para ello se puede recurrir a otras pruebas llamadas Pruebas a
Posteriori. stas permiten realizar las comparaciones entre los tratamientos que intervienen en
la experiencia para detectar entre quienes est la diferencia. Reciben la denominacin de a
posteriori porque se realizan despus de rechazar la hiptesis de que las medias de todos los
tratamientos son iguales.
Las ms usadas son las pruebas de Tukey, Dunnet, Scheff, etc. Ellas pueden ser
consultadas en Steel, R.G.D. y Torrie, J.H. (1985).
Para el problema planteado, en caso de que la conclusin hubiese sido que alguna de
las ingestas medias de agua es diferente, las hiptesis correspondientes a la prueba de Tukey
son:
H0: 1 = 2
H1: 1 2
H0: 1 = 3
H1: 1 3
H0: 2 = 3
H1: 2 3
Otra forma de detectar cules son los tratamientos que producen efectos diferentes es
usar intervalos de confianza para las diferencias de medias (1 2), (1 3), (2 3).
$
eij = Xij X
ij
donde :
- 146 -
Para ms detalles acerca de estos procedimientos se puede consultar Mead, R. et. al.
(1993).
Ejercicios de Aplicacin:
1.
Con el objetivo de comparar dos dietas de engorde con distintos agregados de levadura
(0.6 % y 0.9%) con un testigo sin levadura, se seleccionaron 90 pollos parrilleros
machos de 20 das de vida los cuales fueron divididos en tres grupos de 30 y a cada
grupo se le asignaron las dietas. Al cabo de cierto tiempo se midi la ganancia de peso
para cada pollo, obtenindose los siguientes valores de ganancia media para cada
grupo:
Tratamiento
Media
Levadura al 0.9%
2055.17
Levadura al 0.6%
1952.83
Testigo
1892.17
a) Especificar:
i) la variable en estudio,
ii) la cantidad de poblaciones estadsticas en estudio,
iii) las hiptesis a contrastar.
b) A partir de la siguiente tabla ANOVA extraer conclusiones:
Fuente de
Variacin
Tratamiento
Error
Total
Grados de
Libertad
2
87
89
Suma de
Cuadrado
407215.5556
1031892.5000
1439108.0556
Cuadrado
Medio
203607.7778
11860.8333
Valor F Valor p
17.17
0.0001
Ganancia de Peso
2040
2000
1960
1920
1880
Lev0.6%
Lev0.9%
Testigo
Tratamientos
- 147 -
Levadura al 0.9%
102.34*
2.
Suponga que la experiencia descripta en el ejercicio anterior se hubiese realizado de la
siguiente forma: se seleccionan lo 90 pollos parrilleros y se los divide en 15 corrales de
6 aves cada uno, utilizndose 5 corrales por dieta. En cada corral se mide la variable
conversin por corral. Se muestra a continuacin la tabla de medias correspondientes:
Tratamiento
Levadura al 0.9%
Levadura al 0.6%
Testigo
Media
2.2880
2.4080
2.5160
Cuadrado
Medio
Valor F Valor p
0.108*
0.228*
0.12*
3.
En un estudio se desea comparar el efecto de tres mtodos distintos de congelacin de
semen porcino para la variable motilidad espermtica. La experiencia se realiz de la
siguiente manera: cada eyaculado de un cerdo fue dividido en tres partes y cada una de
ella fue sometida a un mtodo de congelacin: Macropajuela, Micropajuela y Pastilla.
Completar la tabla anova que se presenta a continuacin y establecer conclusiones
Fuente de
Variacin
Tratamiento
Error
Total
Grados de
Libertad
119
Suma de
Cuadrado
10891.85
17343.85
28235.70
Cuadrado
Medio
Valor F Valor p
P
M
21.125*
1.975
- 148 -
19.15*
9.1 Introduccin
En captulos anteriores se ha trabajado con situaciones que involucran la medicin de
una nica variable sobre cada unidad experimental. Sin embargo, existen una gran variedad de
problemas que requieren la consideracin simultnea de dos o ms variables y el objetivo es
estudiar la relacin que existe entre ellas. En consecuencia, es necesario estudiar tcnicas para
analizar problemas de este tipo.
Estas nuevas situaciones llevan a introducir los conceptos de Correlacin y Regresin
Lineal. Las aplicaciones de estas tcnicas son numerosas y se dan en casi todas las ciencias
incluyendo ciencias biolgicas, ingeniera, fsica, economa y ciencias sociales entre otras.
En este texto slo se trata el caso de Correlacin Lineal Simple y Regresin Lineal
Simple es decir, cuando se tienen dos variables (denotadas por X e Y) medidas sobre cada
unidad experimental y la relacin subyacente entre ambas es de tipo lineal.
A continuacin se muestran algunas situaciones en las cuales el inters es estudiar la
relacin entre las variables analizadas:
Un mdico desea saber si hay relacin lineal entre la presin sangunea y el nivel de
colesterol.
Un veterinario desea saber si hay relacin lineal entre el peso de ciertos animales y su
altura.
Un agrnomo desea predecir el rendimiento de cierta especie en base al contenido de
nitrgeno del suelo.
Un bilogo desea predecir el peso del hgado de ciertos animales en funcin del peso
corporal.
No siempre es claro que tipo de anlisis estadstico se debe hacer en situaciones como
las planteadas anteriormente por la estrecha relacin matemtica entre los dos mtodos de
anlisis, pudindose pasar fcilmente de uno al otro. Este texto trata de realizar una
presentacin clara que permita distinguir estos dos conceptos.
El estudio de Correlacin Lineal Simple tiene como objetivo determinar si dos variables
estn relacionadas o no. Por ejemplo, si a los aumentos de presin sangunea corresponden
aumentos en el nivel de colesterol: en este caso, se dice que hay asociacin lineal entre las
variables "presin sangunea" y "nivel de colesterol".
Con la correlacin puede investigarse si dos variables X e Y son independientes o si
covaran, esto es, si varan conjuntamente. Ninguna de estas variables est restringida por el
1
experimentador, o sea que, sobre cada unidad experimental se miden las dos variables
(ambas son variables aleatorias).
En el Problema 1.5 se plantea la siguiente situacin Un grupo de investigadores
sospecha que hay relacin lineal entre el peso y el volumen sanguneo de cabras de una cierta
raza. Los datos, ya presentados en aquel problema, son:
X: Peso (kg.)
34 28 19
41 21 20 21 39 37 23 17 48
Y: Volumen (cm3 ) 2.3 2.1 1.1 2.8 1.5 1.6 1.4 2.4 2.5 1.5 1.1 3.5
En el Grfico 7 del Captulo 1 se present el Diagrama de Dispersin; de acuerdo al
comportamiento de la nube de puntos, se puede pensar que hay asociacin lineal positiva entre
las variables (como se mencionara en aquel captulo). Otras formas de asociacin se
presentaron en el Grfico 8.
La representacin grfica sirve slo para dar una idea general de la asociacin
existente entre las variables, pero no alcanza para dar una medida cuantitativa de dicha
asociacin. Una de estas medidas es el coeficiente de correlacin lineal poblacional. Un
estimador de ste fue presentado en la Seccin 2.5 (Captulo 2). A continuacin se describe el
parmetro poblacional correspondiente.
Definicin 1: Sean
Var(X)= 2X
Cov(X,Y)=E[(XE(X)(YE(Y)]=XY
El inconveniente de esta medida es que su magnitud depende de las unidades
empleadas para medir las variables. Por esta razn es necesario estandarizar la covarianza
para disponer de una buena medida del ajuste. Esto se obtiene con el coeficiente de correlacin
lineal.
Definicin 2: Sean
Var(X)= 2X
Cov(X, Y )
2 1/ 2
- 150 -
XY
XY
1 1.
2. Cuando el coeficiente toma valores en el intervalo (0,1], indica correlacin directa o positiva.
3. Cuando el coeficiente toma valores en el intervalo
negativa.
(X i X )(Yi Y )
n
r=
i =1
(X X )2 n (Y Y )2
i
i
i
i =1
=1
n
1/ 2
r=
X i Yi
i =1
n
1 n
X i Yi
n i =1 i =1
1/ 2
X 2 nX 2
i
i=1
1/ 2
n Y 2 nY 2
i
i =1
n = 12
12
12
i =1
i =1
X i = 348
12
12
i =1
i =1
Yi = 23.8
r=
X = 29
2
X1 = 11276
Y = 1.983
2
Yi = 53.24
12
X i Yi = 772.9
i=1
1
348 23.8
12
2
53.24 12 (1.983)
772.9
[(11276 12
(29)2 )
)]
1/ 2
= 0.98
Este valor es una medida descriptiva para esta muestra particular. Como se puede
observar es un valor cercano a 1, lo que indicara que en esta muestra hay alta correlacin
positiva. Para poder decidir lo que ocurre en la poblacin se debe realizar una prueba de
hiptesis.
- 151 -
=0
H1: 0
r
1 r2
n2
Si no vale H0, tn-2 no central.
=0
H1: 0
H0: No hay asociacin lineal entre el peso y el volumen sanguneo de las cabras.
H1: Hay asociacin lineal entre el peso y el volumen sanguneo de las cabras.
2. El estadstico es
Si vale H0, t10 central.
r
1 r2
n2
Si no vale H0, t10 no central .
3. Si se fija un nivel de significacin =0.05, el valor crtico es a=t10,0.975=2.23 (ver Tabla D del
Apndice) luego la zona de rechazo es Z=(,2.23][2.23,+).
4. El estadstico de contraste calculado es
c =
0.98
1 (0.98)
12 2 = 15.57
- 152 -
- 153 -
6
100
120
110
8
150
130
155
10
180
175
181
200
180
160
PRESION
140
120
100
80
60
40
20
1
11
DOSIS
Yi = +Xi+i
(9.1)
donde
: ordenada al origen;
: pendiente;
Los parmetros del modelo son y (constantes desconocidas). Como no todos los
puntos caen exactamente sobre la recta, se incluye en el modelo el trmino correspondiente al
2
error aleatorio que es una variable aleatoria con distribucin normal con media 0 y varianza .
Por lo tanto las Yi son variables aleatorias independientes con distribucin normal con
2
esperanza +Xi y varianza comn .(Meyer, P. 1992).
= a + bX ,
Y
i
i
i=1,2,...,n
$ , denominadas residuos
Yi y el valor estimado Y
i
- 154 -
muestran los valores observados (experimentales) y los valores estimados, que estn sobre la
recta.
i=1
i =1
e i = Yi Y
i
( Y$ i )
X i Yi
b = i=1
n
1 n
X i Yi
n i =1 i=1
Xi nX
a = Y bX
i =1
$ = a + bX ) pasa
Como a y b son estimadores mnimos cuadrados la recta estimada ( Y
i
i
por el centro de la nube de puntos, y la distancia entre los valores obtenidos experimentalmente
16
i=1
i =1
X i = 92
n=16
2
X i = 664
16
16
i =1
i =1
Yi = 1735
X = 5.75
Yi = 224917
Y = 108.44
16
X i Yi = 12178
i =1
b=
1
92 1735
16
= 16.31
664 16 (5.75)2
12178
a=108.445.7516.31=14.66
- 155 -
= 14.66 + 16.31X
Y
i
i
En este caso el estimador b=16.31 mm. Hg/g indica que la presin aumenta 16.31
mm. Hg al aumentar en un g la dosis de droga. Mientras que a=14.66 mm. Hg indica que
cuando el animal no recibe droga (X=0) la presin sangunea es 14.66 mm. Hg.
El grfico de ajuste del modelo consiste en bosquejar simultneamente el diagrama de
dispersin de los datos y la recta de regresin estimada. Si los puntos del diagrama estn
cercanos a la recta hay indicios de que el modelo es adecuado. El anlisis no es taxativo ya que
es necesario completar con otras tcnicas de diagnstico, que no sern presentadas en este
texto (Montgomery, D. y Peck, E. 1982).
Para el Ejemplo 1, el Grfico 4 es un indicio de que el modelo puede ser el adecuado.
200
180
160
PRESION
140
120
100
80
60
40
20
1
11
DOSIS
b N ,
S xx
donde
1 X
+
a N ,
n S xx
- 156 -
H0: = 0
H1: 0
que indican
b X i nX
i =1
se
Si no vale H0, tn-2 no central
1
2
Yi2 a Yi b Xi Yi
i
i =1
i =1
donde s e = =1
La zona de rechazo es Z=(,a][a,+ ) donde a=tn-2, 1-/2 (de la Tabla D del Apndice).
Si se rechaza H0 la variable X explica linealmente a la variable Y.
En caso de no rechazar H0 no significa necesariamente que las variables X e Y no
estn relacionadas linealmente. El hecho de no poder mostrar estadsticamente que la
pendiente es distinta de cero, puede deberse a una gran variabilidad en los datos producida
por el proceso de medicin de los mismos o a porque el rango de los valores de la variable X
no es el apropiado. Para concluir que =0 se requiere una gran variedad de evidencia no
estadstica y conocimiento del problema.
- 157 -
=0
H1: 0
que indican
= t14;0.975=2.14, luego
Z, la decisin es
Esta prueba debera realizarse slo cuando la regresin es significativa, o sea cuando
se rechaza la hiptesis nula en la prueba anterior.
Las hiptesis son
1.
H0:=0
H1:0
- 158 -
que indican
=
Se
1
+
n
X
n
Xi X
i =1
Y=X
con lo cual se debera comenzar de nuevo el anlisis con este modelo en vez del propuesto en
(9.1). Cabe sealar que este modelo plantea que al valor 0 de la variable X corresponde el
valor 0 de la variable Y, lo cual debera tener sentido en el contexto del problema.
Para el Ejemplo 1 la prueba de significacin de la ordenada al origen es:
1.
H0:=0
H1:0
que indican
3. Si
- 159 -
El valor de X=X0 debe estar entre los valores mnimo y mximo, esto es XminX0Xmax.
La segunda condicin expresa que la relacin establecida por la recta es vlida slo en
el rango de los X considerados. Fuera de este rango la relacin entre las variables puede no
ser la propuesta en (9.1).
Para el Ejemplo 1 se desea estimar la presin sangunea para una dosis de droga de 7
g. Dado que se rechaz H0 en ambas pruebas de hiptesis y que X0=7 est entre el valor
mnimo y mximo, reemplazando en la recta estimada se obtiene el valor deseado, que indica
que para una dosis de 7 g se estima una presin de 128.83 mm. Hg.
1 n
b X i Yj X i Yj
n i =1 j=1
i =1 j=1
R2 =
n
2
2
Y j nY
j=1
Y explicada por
Para el Ejemplo 1, R =0.976 el cual indica que 97.6% de las variaciones producidas en
la presin sangunea estn explicadas por la dosis de droga.
- 160 -
describir la relacin entre las variables X e Y. Para determinar si tal modelo es el adecuado
se debe realizar un anlisis que no est al alcance de este libro (Montgomery, D. y Peck,
E.1982). En los ejercicios de aplicacin se muestran algunas tcnicas de diagnstico
sencillas.
4. La utilizacin de una u otra tcnica depende fundamentalmente del objetivo del
investigador. Una vez elegida, la misma tcnica condiciona la manera de realizar la
experiencia para que sean vlidos los resultados provistos por ella. Si se realiza un Anlisis
de Correlacin, para llevar a cabo la experiencia se miden (sobre cada unidad
experimental) las dos variables de inters; en cambio, cuando se lleva a cabo un anlisis de
Regresin, sobre cada unidad experimental se mide una de las variables (Y) habiendo
fijado de antemano los valores de la otra variable (X).
5. Para completar la informacin provista por ambos anlisis, se podran construir intervalos
de confianza para los parmetros respectivos aunque no sern mostrados en este texto.
Ejercicios de Aplicacin
1.
Para estudiar si el volumen de plasma (X) y la albmina circulante (Y) estn asociados
linealmente se seleccionaron al azar 58 varones, a los que se les midieron las dos
variables.
a) Discutir la presencia o ausencia de asociacin lineal que podra sugerir el siguiente
diagrama de dispersin para los datos de volumen y albmina.
- 161 -
dimetro, seleccionndose para tal fin 9 rboles al azar a los que se les midieron ambas
variables. Los datos obtenidos se presentan en la siguiente tabla:
Dimetro (metros)
Altura (metros)
0.2
4.3
0.4
4.4
0.5
5.3
0.5
6.3
0.6
6.4
0.7
8.5
Valor Crtico de la
Prueba
n=10
n=50
n=100
n=500
c) A partir de la tabla anterior, discutir la relacin entre la sensibilidad de la prueba de
correlacin y el tamao muestral.
4.
En el siguiente grfico se muestran cuatro diagramas de dispersin correspondientes a
muestras del mismo tamao (n=10) pero con distintos valores del coeficiente de
correlacin muestral.
- 162 -
0
20
1
57
2
75
3
102
4
142
5
190
6
200
a) Cules son las variables en estudio? Cul debera elegir como variable X y cul
como variable Y? Justificar.
b) Realizar el diagrama de dispersin.
c) Escribir las hiptesis a contrastar (para ambas pruebas mencionadas).
d) En la siguiente tabla se dan los parmetros estimados y los valores p para las
pruebas de significacin de la regresin y ordenada al origen. Dar la ecuacin de la
recta de regresin estimada y graficar. Indicar las conclusiones para un nivel de
significacin del 5%.
Parmetro
Parmetro Estimado
31.11
18.68
Valor p
0.000
0.038
6.
A los efectos de predecir la temperatura del conejo despus de haber sido inoculado
con virus de morria en tiempos determinados, se realiz el siguiente experimento: se
- 163 -
Temperatura (oF)
107.3
104.5
105.5
106.0
103.9
103.2
102.1
a) Cul de las dos variables es posible escoger como regresora y cul como
respuesta?
b) Realizar el diagrama de dispersin para los datos. Sugiere ste que un modelo de
regresin lineal es el adecuado?
c) Establecer conclusiones para ambas pruebas de significacin a partir de la
siguiente informacin:
Parmetro
Parmetro Estimado
-0.06
108.04
Valor p
0.01
0.00
7.
Un ingeniero agrnomo desea predecir el rendimiento de un cierto forraje a partir de la
cantidad de agua que recibe. Para ello sembr dicho forraje en 6 parcelas regadas con
3
distintas cantidades de agua, medidas en cm . Las cantidades de agua y los
rendimientos obtenidos se indican en la siguiente tabla.
3
Agua (cm )
Rendimiento (tn)
12
5.27
18
5.68
24
6.25
30
7.21
42
8.71
48
8.42
a) Cul de las variable se debe tomar como regresora y cul como respuesta?
b)
partir de la siguiente tabla concluir respecto del problema que se est abordando.
Parmetro
Parmetro Estimado
0.1
4.01
Valor p
0.001
0.000
- 164 -
b) A medida que el valor R aumenta, que sucede con las rectas (estimada y
poblacional)?.
9.
- 165 -
33.9
39.1
34.6
39.7
34.5
39.95
36.9
42.2
37.1
42.81
37.3
43
28.8
33.68
29.6
34.7
30.7
35.6
31.2
36.3
b) Suponga que se efectu una nueva medicin para una temperatura de 31.2 grados
y se obtuvo un porcentaje de rotura del 50%. Cuando este dato se incorpora al
anlisis los valores de p son 0.104 y 0.372 para las pruebas relativas a los
parmetros y , respectivamente. El grfico de ajuste del modelo es el siguiente:
Cmo se ubica el nuevo par (31.2, 50) respecto de los restantes pares? Cul ha sido
el efecto de dicho punto sobre el ajuste del modelo?
- 166 -
- 167 -
10 Prueba de Ji-Cuadrado
Objetivos:
Distinguir las distintas aplicaciones de la prueba de Ji-Cuadrado.
Aplicar la prueba a diferentes situaciones.
10.1 Introduccin
En este captulo se analizan algunas situaciones que no se pueden resolver con las
tcnicas presentadas anteriormente. En captulos anteriores se analizaron variables de tipo
cuantitativo; a continuacin se presentan situaciones que involucran adems variables
cualitativas o categorizadas, que pueden ser analizadas a travs de una prueba de hiptesis
particular, denominada Prueba de Ji- Cuadrado.
Se debe recordar que las variables cualitativas son aquellas cuyos diferentes estados
se pueden expresar por medio de una cualidad, por ejemplo: sexo, raza, color, nivel
educacional, preferencia por un producto, aptitud hacia la lectura. Todas ellas requieren un
anlisis estadstico diferente a los desarrollados hasta el momento.
A continuacin se presentan situaciones en las cuales se puede aplicar la Prueba de JiCuadrado:
1. En el caso de variables cualitativas, se puede estar interesado en saber si sus categoras
se manifiestan en una determinada proporcin o si las variables estn relacionadas. Por
ejemplo:
*
que indican
480
420
900
En el problema planteado se tiene una variable cualitativa Sexo, la cual tiene dos
categoras (Hombre, Mujer). Para poder trabajar este tipo de variables numricamente lo que se
hace es contar el N de observaciones en cada categora de la variable (frecuencia observada
de cada categora), con lo que se pasa de una variable aleatoria cualitativa a una variable
aleatoria discreta.
Los valores observados en este experimento son:
- 170 -
Prueba de Ji-Cuadrado
Parece natural entonces definir un estadstico, para probar estas hiptesis, en funcin
de las frecuencias esperadas o tericas (parmetro a estimar) y de las frecuencias observadas
(variables aleatorias) (Mendenhall, W. et. al. 1994) Luego el estadstico definido para esta
prueba es:
Si vale H0,
2k1 central
( f oi f ei ) 2
=
f ei
i =1
k
Si no vale H0,
2k1 no central
2
donde k1 indica la distribucin Ji-Cuadrado con k grados de libertad (k es la cantidad de
categoras de la variable). En el problema planteado se tienen dos categoras hombre-mujer
2
entonces 1 si vale H0.
Se puede observar que este estadstico toma siempre valores mayores o iguales a cero
pues est definido como un suma de cuadrados dividido un nmero positivo.
Si la frecuencia terica y la frecuencia observada son iguales, la diferencia (foifei) para
cada categora es cero y por lo tanto el estadstico es cero, con lo cual no habra dudas acerca
de la decisin a tomar: no se puede rechazar la H0.
Sin embargo, rara vez las frecuencias observadas son exactamente iguales a las
esperadas por lo cual el estadstico, en general, resulta un valor diferente de cero. Se debe
decidir si esto se debe al azar o a que no se da la proporcin esperada.
Para tomar la decisin, se debe determinar el valor crtico a, que indicar cundo las
diferencias son lo suficientemente grandes como para considerar foi diferente de fei. Luego la
zona de rechazo Z de esta prueba es siempre unilateral derecha, es decir Z=[a,+).
- 171 -
feA=N P(A)
donde N indica el tamao de la muestra.
Utilizando esta definicin en el Ejemplo 1 se tiene que
f e1 = 900
1
= 450
2
f e 2 = 900
1
= 450
2
Estos valores coinciden con los que se obtuvieron anteriormente de manera intuitiva,
aunque no en todos los casos las frecuencias esperadas pueden ser determinadas en forma
inmediata.
El valor numrico del estadstico es:
- 172 -
Prueba de Ji-Cuadrado
p3=p3.0=1/4
es decir
H0: El rasgo se hereda en la proporcin 1:2:1 para Homocigota Dominante (D), Heterocigota
(H) y Homocigota Recesivo (R) respectivamente.
H1: Lo contrario.
2
Si vale H0, k1 central.
2.
( f oi f ei ) 2
f ei
i =1
k
Si no vale H0,
3. Si =0.05, se tiene que el valor crtico es
2k1 no central.
1
= 37.50
4
1
= n P(H ) = 150 = 75
2
1
= n P(R ) = 150 = 37.50
4
f eD = n P(D ) = 150
f eH
f eR
Luego c=7.92.
5. Dado que 7.92
- 173 -
H0: pij=pipj
que indican
(2c1)(f 1) central
( f oi f ei ) 2
f ei
i =1
k
2.
Si no vale H0,
donde
1
(2c1)(f 1) no central
- 174 -
Prueba de Ji-Cuadrado
4. Para calcular el valor numrico del estadstico, se deben determinar las frecuencias
esperadas de cada categora, utilizando la Definicin 1 y bajo el suposicin de que la Hiptesis
nula es verdadera (o sea que las dos variables son independientes).
Entonces, por ejemplo, para calcular la frecuencia esperada del suceso Alazn (A) y S (S) se
procede de la siguiente manera
n A nS n A nS
=
N N
N
donde:
N es el tamao de la muestra.
nA y nS son los totales marginales (nmero de alazanes y nmero de animales con
tumor, respectivamente).
Esta igualdad es vlida por la independencia de los sucesos y por la definicin clsica de
probabilidad.
Para el Ejemplo 3 las frecuencias esperadas son:
f e(AS) =
300 770
= 231
1000
f e(AN ) =
300 230
= 69
1000
f e( ZN ) =
250 230
= 57.5
1000
450 770
= 346.5
1000
f e(TN ) =
450 230
= 103.5
1000
f e(TS ) =
f e( ZS) =
250 770
= 192.5
1000
- 175 -
H0: La proporcin de los adultos que sufrieron infarto de miocardio es igual para el grupo que
recibi placebo y para el que recibi aspirina.
H1: La proporcin de los adultos que sufrieron infarto de miocardio es diferente para el grupo
que recibi placebo y para el que recibi aspirina.
2. El estadstico de contraste es idntico al del caso anterior (expresin y grados de libertad):
Si vale H0,
2c1 f 1 central
( )( )
( f oi f ei ) 2
f ei
i =1
k
Si no vale H0,
3. Si =5%, la zona de rechazo es Z=[a,+), donde
2c1 f 1 no central
( )( )
f e ( PS) =
293 11034
= 146.48
22071
f e ( PN ) =
21778 11034
= 10887.52
22071
f e (AS) =
293 11037
= 146.52
22071
f e(AN ) =
21778 11037
= 10890.48
22071
Entonces c=25.014
5. Como c pertenece a
Tipo I de 0.01.
6. Conclusin: la proporcin de adultos que sufrieron infarto de miocardio es diferente para los
que recibieron placebo y aspirina.
La comparacin que se realiz entre las proporciones de adultos que sufrieron infarto,
puede realizarse equivalentemente para aquellos que no sufrieron infarto.
- 176 -
Prueba de Ji-Cuadrado
H0: Xb B(4,0.70)
H1: Lo contrario
es decir
2k m1 central
( f oi f ei ) 2
=
f ei
i =1
k
Si no vale H0,
2k m1 no central
- 177 -
m la cantidad de parmetros a
X
.
n
=5%, la zona de rechazo es Z=[a,+) con a = 42,0.05 = 9.49 (Tabla E), lo que se
6. Conclusin: no hay evidencias para decir que la variable X: nmero de semillas que germinan
entre las cuatro seleccionadas, no sigue la distribucin Binomial con parmetros n=4 y p=0.70.
En el problema anterior se deseaba ver si la distribucin terica de la variable en
estudio era Binomial. Tambin se podra estudiar si una determinada variable aleatoria tiene
distribucin de Poisson, Normal, etc.; la nica diferencia es que la frecuencia esperada depende
que distribucin planteada en la hiptesis nula (Meyer, P. 1992).
- 178 -
Prueba de Ji-Cuadrado
fe
i =1
6. Las variables cuantitativas pueden categorizarse, no teniendo en cuenta las medidas reales
sino slo las categoras y sus frecuencias.
Ejercicios de Aplicacin
1.
En ciertos casos de herencia se ha encontrado que algunas caractersticas son
heredadas en la proporcin 3:1, es decir a la larga tres cuartos de la descendencia
tendrn una caracterstica dada y un cuarto no.
En un ensayo se cruzaron plantas con cotiledones amarillos con plantas con
cotiledones verdes, observndose que en F2 (segunda generacin filial) 6022 plantas
tenan cotiledones amarillos y 2001 verdes. Se desea probar (estadsticamente) que el
color se hereda en la proporcin 3:1 (amarillos, verdes).
a) Cul sera la prueba adecuada en este caso?
b) Escribir las hiptesis correspondientes.
c) Cul es el estadstico y cul es su distribucin terica?
d) Realizar el anlisis adecuado y escribir la conclusin.
2.
Se desea saber si un tratamiento es efectivo para curar cierta infeccin ocular. Para
tomar una decisin se eligieron aleatoriamente 200 enfermos, algunos de los cuales
recibieron tratamiento y otros no, obtenindose los siguientes resultados:
- 179 -
TRATADOS
NO TRATADOS
CURADOS
140
10
NO-CURADOS
20
30
Benigna
Maligna
87
52
11
34
19
8
- 180 -
Prueba de Ji-Cuadrado
L
l
b
97
1
Xi
fi
1
20
2
44
3
24
4
7
Xi
fi
0
78
1
167
2
243
3
215
4
135
5
81
6 o ms
39
fi
7
11
15
9
8
- 181 -
APNDICE
Tablas Estadsticas
TABLA A
Distribucin Binomial
n
1
2
10
k
0
1
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
0.05
0.9500
0.0500
0.9025
0.0950
0.0025
0.8574
0.1354
0.0071
0.0001
0.8145
0.1715
0.0135
0.0005
0.0000
0.7738
0.2036
0.0214
0.0011
0.0000
0.0000
0.7351
0.2321
0.0305
0.0021
0.0001
0.0000
0.0000
0.6983
0.2573
0.0406
0.0036
0.0002
0.0000
0.0000
0.0000
0.6634
0.2793
0.0515
0.0054
0.0004
0.0000
0.0000
0.0000
0.0000
0.6302
0.2985
0.0629
0.0077
0.0006
0.0000
0.0000
0.0000
0.0000
0.0000
0.5987
0.3151
0.0746
0.0105
0.0010
0.0001
0.0000
0.0000
0.0000
0.1
0.9000
0.1000
0.8100
0.1800
0.0100
0.7290
0.2430
0.0270
0.0010
0.6561
0.2916
0.0486
0.0036
0.0001
0.5905
0.3281
0.0729
0.0081
0.0005
0.0000
0.5314
0.3543
0.0984
0.0146
0.0012
0.0001
0.0000
0.4783
0.3720
0.1240
0.0230
0.0026
0.0002
0.0000
0.0000
0.4305
0.3826
0.1488
0.0331
0.0046
0.0004
0.0000
0.0000
0.0000
0.3874
0.3874
0.1722
0.0446
0.0074
0.0008
0.0001
0.0000
0.0000
0.0000
0.3487
0.3874
0.1937
0.0574
0.0112
0.0015
0.0001
0.0000
0.0000
0.15
0.8500
0.1500
0.7225
0.2550
0.0225
0.6141
0.3251
0.0574
0.0034
0.5220
0.3685
0.0975
0.0115
0.0005
0.4437
0.3915
0.1382
0.0244
0.0022
0.0001
0.3771
0.3993
0.1762
0.0415
0.0055
0.0004
0.0000
0.3206
0.3960
0.2097
0.0617
0.0109
0.0012
0.0001
0.0000
0.2725
0.3847
0.2376
0.0839
0.0185
0.0026
0.0002
0.0000
0.0000
0.2316
0.3679
0.2597
0.1069
0.0283
0.0050
0.0006
0.0000
0.0000
0.0000
0.1969
0.3474
0.2759
0.1298
0.0401
0.0085
0.0012
0.0001
0.0000
0.2
0.8000
0.2000
0.6400
0.3200
0.0400
0.5120
0.3840
0.0960
0.0080
0.4096
0.4096
0.1536
0.0256
0.0016
0.3277
0.4096
0.2048
0.0512
0.0064
0.0003
0.2621
0.3932
0.2458
0.0819
0.0154
0.0015
0.0001
0.2097
0.3670
0.2753
0.1147
0.0287
0.0043
0.0004
0.0000
0.1678
0.3355
0.2936
0.1468
0.0459
0.0092
0.0011
0.0001
0.0000
0.1342
0.3020
0.3020
0.1762
0.0661
0.0165
0.0028
0.0003
0.0000
0.0000
0.1074
0.2684
0.3020
0.2013
0.0881
0.0264
0.0055
0.0008
0.0001
0.25
0.7500
0.2500
0.5625
0.3750
0.0625
0.4219
0.4219
0.1406
0.0156
0.3164
0.4219
0.2109
0.0469
0.0039
0.2373
0.3955
0.2637
0.0879
0.0146
0.0010
0.1780
0.3560
0.2966
0.1318
0.0330
0.0044
0.0002
0.1335
0.3115
0.3115
0.1730
0.0577
0.0115
0.0013
0.0001
0.1001
0.2670
0.3115
0.2076
0.0865
0.0231
0.0038
0.0004
0.0000
0.0751
0.2253
0.3003
0.2336
0.1168
0.0389
0.0087
0.0012
0.0001
0.0000
0.0563
0.1877
0.2816
0.2503
0.1460
0.0584
0.0162
0.0031
0.0004
0.3
0.7000
0.3000
0.4900
0.4200
0.0900
0.3430
0.4410
0.1890
0.0270
0.2401
0.4116
0.2646
0.0756
0.0081
0.1681
0.3602
0.3087
0.1323
0.0284
0.0024
0.1176
0.3025
0.3241
0.1852
0.0595
0.0102
0.0007
0.0824
0.2471
0.3177
0.2269
0.0972
0.0250
0.0036
0.0002
0.0576
0.1977
0.2965
0.2541
0.1361
0.0467
0.0100
0.0012
0.0001
0.0404
0.1556
0.2668
0.2668
0.1715
0.0735
0.0210
0.0039
0.0004
0.0000
0.0282
0.1211
0.2335
0.2668
0.2001
0.1029
0.0368
0.0090
0.0014
0.35
0.6500
0.3500
0.4225
0.4550
0.1225
0.2746
0.4436
0.2389
0.0429
0.1785
0.3845
0.3105
0.1115
0.0150
0.1160
0.3124
0.3364
0.1811
0.0488
0.0053
0.0754
0.2437
0.3280
0.2355
0.0951
0.0205
0.0018
0.0490
0.1848
0.2985
0.2679
0.1442
0.0466
0.0084
0.0006
0.0319
0.1373
0.2587
0.2786
0.1875
0.0808
0.0217
0.0033
0.0002
0.0207
0.1004
0.2162
0.2716
0.2194
0.1181
0.0424
0.0098
0.0013
0.0001
0.0135
0.0725
0.1757
0.2522
0.2377
0.1536
0.0689
0.0212
0.0043
0.4
0.6000
0.4000
0.3600
0.4800
0.1600
0.2160
0.4320
0.2880
0.0640
0.1296
0.3456
0.3456
0.1536
0.0256
0.0778
0.2592
0.3456
0.2304
0.0768
0.0102
0.0467
0.1866
0.3110
0.2765
0.1382
0.0369
0.0041
0.0280
0.1306
0.2613
0.2903
0.1935
0.0774
0.0172
0.0016
0.0168
0.0896
0.2090
0.2787
0.2322
0.1239
0.0413
0.0079
0.0007
0.0101
0.0605
0.1612
0.2508
0.2508
0.1672
0.0743
0.0212
0.0035
0.0003
0.0060
0.0403
0.1209
0.2150
0.2508
0.2007
0.1115
0.0425
0.0106
p
0.45
0.5500
0.4500
0.3025
0.4950
0.2025
0.1664
0.4084
0.3341
0.0911
0.0915
0.2995
0.3675
0.2005
0.0410
0.0503
0.2059
0.3369
0.2757
0.1128
0.0185
0.0277
0.1359
0.2780
0.3032
0.1861
0.0609
0.0083
0.0152
0.0872
0.2140
0.2918
0.2388
0.1172
0.0320
0.0037
0.0084
0.0548
0.1569
0.2568
0.2627
0.1719
0.0703
0.0164
0.0017
0.0046
0.0339
0.1110
0.2119
0.2600
0.2128
0.1160
0.0407
0.0083
0.0008
0.0025
0.0207
0.0763
0.1665
0.2384
0.2340
0.1596
0.0746
0.0229
0.5
0.5000
0.5000
0.2500
0.5000
0.2500
0.1250
0.3750
0.3750
0.1250
0.0625
0.2500
0.3750
0.2500
0.0625
0.0313
0.1563
0.3125
0.3125
0.1563
0.0313
0.0156
0.0938
0.2344
0.3125
0.2344
0.0938
0.0156
0.0078
0.0547
0.1641
0.2734
0.2734
0.1641
0.0547
0.0078
0.0039
0.0313
0.1094
0.2188
0.2734
0.2188
0.1094
0.0313
0.0039
0.0020
0.0176
0.0703
0.1641
0.2461
0.2461
0.1641
0.0703
0.0176
0.0020
0.0010
0.0098
0.0439
0.1172
0.2051
0.2461
0.2051
0.1172
0.0439
0.6
0.4000
0.6000
0.1600
0.4800
0.3600
0.0640
0.2880
0.4320
0.2160
0.0256
0.1536
0.3456
0.3456
0.1296
0.0102
0.0768
0.2304
0.3456
0.2592
0.0778
0.0041
0.0369
0.1382
0.2765
0.3110
0.1866
0.0467
0.0016
0.0172
0.0774
0.1935
0.2903
0.2613
0.1306
0.0280
0.0007
0.0079
0.0413
0.1239
0.2322
0.2787
0.2090
0.0896
0.0168
0.0003
0.0035
0.0212
0.0743
0.1672
0.2508
0.2508
0.1612
0.0605
0.0101
0.0001
0.0016
0.0106
0.0425
0.1115
0.2007
0.2508
0.2150
0.1209
0.7
0.3000
0.7000
0.0900
0.4200
0.4900
0.0270
0.1890
0.4410
0.3430
0.0081
0.0756
0.2646
0.4116
0.2401
0.0024
0.0284
0.1323
0.3087
0.3602
0.1681
0.0007
0.0102
0.0595
0.1852
0.3241
0.3025
0.1176
0.0002
0.0036
0.0250
0.0972
0.2269
0.3177
0.2471
0.0824
0.0001
0.0012
0.0100
0.0467
0.1361
0.2541
0.2965
0.1977
0.0576
0.0000
0.0004
0.0039
0.0210
0.0735
0.1715
0.2668
0.2668
0.1556
0.0404
0.0000
0.0001
0.0014
0.0090
0.0368
0.1029
0.2001
0.2668
0.2335
0.75
0.2500
0.7500
0.0625
0.3750
0.5625
0.0156
0.1406
0.4219
0.4219
0.0039
0.0469
0.2109
0.4219
0.3164
0.0010
0.0146
0.0879
0.2637
0.3955
0.2373
0.0002
0.0044
0.0330
0.1318
0.2966
0.3560
0.1780
0.0001
0.0013
0.0115
0.0577
0.1730
0.3115
0.3115
0.1335
0.0000
0.0004
0.0038
0.0231
0.0865
0.2076
0.3115
0.2670
0.1001
0.0000
0.0001
0.0012
0.0087
0.0389
0.1168
0.2336
0.3003
0.2253
0.0751
0.0000
0.0000
0.0004
0.0031
0.0162
0.0584
0.1460
0.2503
0.2816
0.8
0.2000
0.8000
0.0400
0.3200
0.6400
0.0080
0.0960
0.3840
0.5120
0.0016
0.0256
0.1536
0.4096
0.4096
0.0003
0.0064
0.0512
0.2048
0.4096
0.3277
0.0001
0.0015
0.0154
0.0819
0.2458
0.3932
0.2621
0.0000
0.0004
0.0043
0.0287
0.1147
0.2753
0.3670
0.2097
0.0000
0.0001
0.0011
0.0092
0.0459
0.1468
0.2936
0.3355
0.1678
0.0000
0.0000
0.0003
0.0028
0.0165
0.0661
0.1762
0.3020
0.3020
0.1342
0.0000
0.0000
0.0001
0.0008
0.0055
0.0264
0.0881
0.2013
0.3020
0.9
0.1000
0.9000
0.0100
0.1800
0.8100
0.0010
0.0270
0.2430
0.7290
0.0001
0.0036
0.0486
0.2916
0.6561
0.0000
0.0005
0.0081
0.0729
0.3281
0.5905
0.0000
0.0001
0.0012
0.0146
0.0984
0.3543
0.5314
0.0000
0.0000
0.0002
0.0026
0.0230
0.1240
0.3720
0.4783
0.0000
0.0000
0.0000
0.0004
0.0046
0.0331
0.1488
0.3826
0.4305
0.0000
0.0000
0.0000
0.0001
0.0008
0.0074
0.0446
0.1722
0.3874
0.3874
0.0000
0.0000
0.0000
0.0000
0.0001
0.0015
0.0112
0.0574
0.1937
0.95
0.0500
0.9500
0.0025
0.0950
0.9025
0.0001
0.0071
0.1354
0.8574
0.0000
0.0005
0.0135
0.1715
0.8145
0.0000
0.0000
0.0011
0.0214
0.2036
0.7738
0.0000
0.0000
0.0001
0.0021
0.0305
0.2321
0.7351
0.0000
0.0000
0.0000
0.0002
0.0036
0.0406
0.2573
0.6983
0.0000
0.0000
0.0000
0.0000
0.0004
0.0054
0.0515
0.2793
0.6634
0.0000
0.0000
0.0000
0.0000
0.0000
0.0006
0.0077
0.0629
0.2985
0.6302
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0010
0.0105
0.0746
TABLA A (Continuacin)
n
10
11
12
13
14
k
9
10
0
1
2
3
4
5
6
7
8
9
10
11
0
1
2
3
4
5
6
7
8
9
10
11
12
0
1
2
3
4
5
6
7
8
9
10
11
12
13
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0.05
0.0000
0.0000
0.5688
0.3293
0.0867
0.0137
0.0014
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.5404
0.3413
0.0988
0.0173
0.0021
0.0002
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.5133
0.3512
0.1109
0.0214
0.0028
0.0003
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.4877
0.3593
0.1229
0.0259
0.0037
0.0004
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1
0.0000
0.0000
0.3138
0.3835
0.2131
0.0710
0.0158
0.0025
0.0003
0.0000
0.0000
0.0000
0.0000
0.0000
0.2824
0.3766
0.2301
0.0852
0.0213
0.0038
0.0005
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.2542
0.3672
0.2448
0.0997
0.0277
0.0055
0.0008
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.2288
0.3559
0.2570
0.1142
0.0349
0.0078
0.0013
0.0002
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.15
0.0000
0.0000
0.1673
0.3248
0.2866
0.1517
0.0536
0.0132
0.0023
0.0003
0.0000
0.0000
0.0000
0.0000
0.1422
0.3012
0.2924
0.1720
0.0683
0.0193
0.0040
0.0006
0.0001
0.0000
0.0000
0.0000
0.0000
0.1209
0.2774
0.2937
0.1900
0.0838
0.0266
0.0063
0.0011
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.1028
0.2539
0.2912
0.2056
0.0998
0.0352
0.0093
0.0019
0.0003
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.2
0.0000
0.0000
0.0859
0.2362
0.2953
0.2215
0.1107
0.0388
0.0097
0.0017
0.0002
0.0000
0.0000
0.0000
0.0687
0.2062
0.2835
0.2362
0.1329
0.0532
0.0155
0.0033
0.0005
0.0001
0.0000
0.0000
0.0000
0.0550
0.1787
0.2680
0.2457
0.1535
0.0691
0.0230
0.0058
0.0011
0.0001
0.0000
0.0000
0.0000
0.0000
0.0440
0.1539
0.2501
0.2501
0.1720
0.0860
0.0322
0.0092
0.0020
0.0003
0.0000
0.0000
0.0000
0.0000
0.0000
0.25
0.0000
0.0000
0.0422
0.1549
0.2581
0.2581
0.1721
0.0803
0.0268
0.0064
0.0011
0.0001
0.0000
0.0000
0.0317
0.1267
0.2323
0.2581
0.1936
0.1032
0.0401
0.0115
0.0024
0.0004
0.0000
0.0000
0.0000
0.0238
0.1029
0.2059
0.2517
0.2097
0.1258
0.0559
0.0186
0.0047
0.0009
0.0001
0.0000
0.0000
0.0000
0.0178
0.0832
0.1802
0.2402
0.2202
0.1468
0.0734
0.0280
0.0082
0.0018
0.0003
0.0000
0.0000
0.0000
0.0000
0.3
0.0001
0.0000
0.0198
0.0932
0.1998
0.2568
0.2201
0.1321
0.0566
0.0173
0.0037
0.0005
0.0000
0.0000
0.0138
0.0712
0.1678
0.2397
0.2311
0.1585
0.0792
0.0291
0.0078
0.0015
0.0002
0.0000
0.0000
0.0097
0.0540
0.1388
0.2181
0.2337
0.1803
0.1030
0.0442
0.0142
0.0034
0.0006
0.0001
0.0000
0.0000
0.0068
0.0407
0.1134
0.1943
0.2290
0.1963
0.1262
0.0618
0.0232
0.0066
0.0014
0.0002
0.0000
0.0000
0.0000
0.35
0.0005
0.0000
0.0088
0.0518
0.1395
0.2254
0.2428
0.1830
0.0985
0.0379
0.0102
0.0018
0.0002
0.0000
0.0057
0.0368
0.1088
0.1954
0.2367
0.2039
0.1281
0.0591
0.0199
0.0048
0.0008
0.0001
0.0000
0.0037
0.0259
0.0836
0.1651
0.2222
0.2154
0.1546
0.0833
0.0336
0.0101
0.0022
0.0003
0.0000
0.0000
0.0024
0.0181
0.0634
0.1366
0.2022
0.2178
0.1759
0.1082
0.0510
0.0183
0.0049
0.0010
0.0001
0.0000
0.0000
0.4
0.0016
0.0001
0.0036
0.0266
0.0887
0.1774
0.2365
0.2207
0.1471
0.0701
0.0234
0.0052
0.0007
0.0000
0.0022
0.0174
0.0639
0.1419
0.2128
0.2270
0.1766
0.1009
0.0420
0.0125
0.0025
0.0003
0.0000
0.0013
0.0113
0.0453
0.1107
0.1845
0.2214
0.1968
0.1312
0.0656
0.0243
0.0065
0.0012
0.0001
0.0000
0.0008
0.0073
0.0317
0.0845
0.1549
0.2066
0.2066
0.1574
0.0918
0.0408
0.0136
0.0033
0.0005
0.0001
0.0000
p
0.45
0.0042
0.0003
0.0014
0.0125
0.0513
0.1259
0.2060
0.2360
0.1931
0.1128
0.0462
0.0126
0.0021
0.0002
0.0008
0.0075
0.0339
0.0923
0.1700
0.2225
0.2124
0.1489
0.0762
0.0277
0.0068
0.0010
0.0001
0.0004
0.0045
0.0220
0.0660
0.1350
0.1989
0.2169
0.1775
0.1089
0.0495
0.0162
0.0036
0.0005
0.0000
0.0002
0.0027
0.0141
0.0462
0.1040
0.1701
0.2088
0.1952
0.1398
0.0762
0.0312
0.0093
0.0019
0.0002
0.0000
0.5
0.0098
0.0010
0.0005
0.0054
0.0269
0.0806
0.1611
0.2256
0.2256
0.1611
0.0806
0.0269
0.0054
0.0005
0.0002
0.0029
0.0161
0.0537
0.1208
0.1934
0.2256
0.1934
0.1208
0.0537
0.0161
0.0029
0.0002
0.0001
0.0016
0.0095
0.0349
0.0873
0.1571
0.2095
0.2095
0.1571
0.0873
0.0349
0.0095
0.0016
0.0001
0.0001
0.0009
0.0056
0.0222
0.0611
0.1222
0.1833
0.2095
0.1833
0.1222
0.0611
0.0222
0.0056
0.0009
0.0001
0.6
0.0403
0.0060
0.0000
0.0007
0.0052
0.0234
0.0701
0.1471
0.2207
0.2365
0.1774
0.0887
0.0266
0.0036
0.0000
0.0003
0.0025
0.0125
0.0420
0.1009
0.1766
0.2270
0.2128
0.1419
0.0639
0.0174
0.0022
0.0000
0.0001
0.0012
0.0065
0.0243
0.0656
0.1312
0.1968
0.2214
0.1845
0.1107
0.0453
0.0113
0.0013
0.0000
0.0001
0.0005
0.0033
0.0136
0.0408
0.0918
0.1574
0.2066
0.2066
0.1549
0.0845
0.0317
0.0073
0.0008
0.7
0.1211
0.0282
0.0000
0.0000
0.0005
0.0037
0.0173
0.0566
0.1321
0.2201
0.2568
0.1998
0.0932
0.0198
0.0000
0.0000
0.0002
0.0015
0.0078
0.0291
0.0792
0.1585
0.2311
0.2397
0.1678
0.0712
0.0138
0.0000
0.0000
0.0001
0.0006
0.0034
0.0142
0.0442
0.1030
0.1803
0.2337
0.2181
0.1388
0.0540
0.0097
0.0000
0.0000
0.0000
0.0002
0.0014
0.0066
0.0232
0.0618
0.1262
0.1963
0.2290
0.1943
0.1134
0.0407
0.0068
0.75
0.1877
0.0563
0.0000
0.0000
0.0001
0.0011
0.0064
0.0268
0.0803
0.1721
0.2581
0.2581
0.1549
0.0422
0.0000
0.0000
0.0000
0.0004
0.0024
0.0115
0.0401
0.1032
0.1936
0.2581
0.2323
0.1267
0.0317
0.0000
0.0000
0.0000
0.0001
0.0009
0.0047
0.0186
0.0559
0.1258
0.2097
0.2517
0.2059
0.1029
0.0238
0.0000
0.0000
0.0000
0.0000
0.0003
0.0018
0.0082
0.0280
0.0734
0.1468
0.2202
0.2402
0.1802
0.0832
0.0178
0.8
0.2684
0.1074
0.0000
0.0000
0.0000
0.0002
0.0017
0.0097
0.0388
0.1107
0.2215
0.2953
0.2362
0.0859
0.0000
0.0000
0.0000
0.0001
0.0005
0.0033
0.0155
0.0532
0.1329
0.2362
0.2835
0.2062
0.0687
0.0000
0.0000
0.0000
0.0000
0.0001
0.0011
0.0058
0.0230
0.0691
0.1535
0.2457
0.2680
0.1787
0.0550
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0020
0.0092
0.0322
0.0860
0.1720
0.2501
0.2501
0.1539
0.0440
0.9
0.3874
0.3487
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0025
0.0158
0.0710
0.2131
0.3835
0.3138
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0005
0.0038
0.0213
0.0852
0.2301
0.3766
0.2824
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0008
0.0055
0.0277
0.0997
0.2448
0.3672
0.2542
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0013
0.0078
0.0349
0.1142
0.2570
0.3559
0.2288
0.95
0.3151
0.5987
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0014
0.0137
0.0867
0.3293
0.5688
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0021
0.0173
0.0988
0.3413
0.5404
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0028
0.0214
0.1109
0.3512
0.5133
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0004
0.0037
0.0259
0.1229
0.3593
0.4877
0.9048
0.8187
0.7408
0.6703
0.6065
0.5488
0.4966
0.4493
0.4066
0.3679
0.3329
0.3012
0.2725
0.2466
0.2231
0.2019
0.1827
0.1653
0.1496
0.1353
0.1108
0.0907
0.0743
0.0608
0.0498
0.0408
0.0334
0.0273
0.0224
0.0183
0.0067
0.0025
0.0009
0.0003
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0
0.0905
0.1637
0.2222
0.2681
0.3033
0.3293
0.3476
0.3595
0.3659
0.3679
0.3662
0.3614
0.3543
0.3452
0.3347
0.3230
0.3106
0.2975
0.2842
0.2707
0.2438
0.2177
0.1931
0.1703
0.1494
0.1304
0.1135
0.0984
0.0850
0.0733
0.0337
0.0149
0.0064
0.0027
0.0011
0.0005
0.0002
0.0001
0.0000
0.0000
1
0.0045
0.0164
0.0333
0.0536
0.0758
0.0988
0.1217
0.1438
0.1647
0.1839
0.2014
0.2169
0.2303
0.2417
0.2510
0.2584
0.2640
0.2678
0.2700
0.2707
0.2681
0.2613
0.2510
0.2384
0.2240
0.2087
0.1929
0.1771
0.1615
0.1465
0.0842
0.0446
0.0223
0.0107
0.0050
0.0023
0.0010
0.0004
0.0002
0.0001
2
0.0002
0.0011
0.0033
0.0072
0.0126
0.0198
0.0284
0.0383
0.0494
0.0613
0.0738
0.0867
0.0998
0.1128
0.1255
0.1378
0.1496
0.1607
0.1710
0.1804
0.1966
0.2090
0.2176
0.2225
0.2240
0.2226
0.2186
0.2125
0.2046
0.1954
0.1404
0.0892
0.0521
0.0286
0.0150
0.0076
0.0037
0.0018
0.0008
0.0004
3
0.0000
0.0001
0.0003
0.0007
0.0016
0.0030
0.0050
0.0077
0.0111
0.0153
0.0203
0.0260
0.0324
0.0395
0.0471
0.0551
0.0636
0.0723
0.0812
0.0902
0.1082
0.1254
0.1414
0.1557
0.1680
0.1781
0.1858
0.1912
0.1944
0.1954
0.1755
0.1339
0.0912
0.0573
0.0337
0.0189
0.0102
0.0053
0.0027
0.0013
4
0.0000
0.0000
0.0000
0.0001
0.0002
0.0004
0.0007
0.0012
0.0020
0.0031
0.0045
0.0062
0.0084
0.0111
0.0141
0.0176
0.0216
0.0260
0.0309
0.0361
0.0476
0.0602
0.0735
0.0872
0.1008
0.1140
0.1264
0.1377
0.1477
0.1563
0.1755
0.1606
0.1277
0.0916
0.0607
0.0378
0.0224
0.0127
0.0070
0.0037
5
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0002
0.0003
0.0005
0.0008
0.0012
0.0018
0.0026
0.0035
0.0047
0.0061
0.0078
0.0098
0.0120
0.0174
0.0241
0.0319
0.0407
0.0504
0.0608
0.0716
0.0826
0.0936
0.1042
0.1462
0.1606
0.1490
0.1221
0.0911
0.0631
0.0411
0.0255
0.0152
0.0087
6
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0002
0.0003
0.0005
0.0008
0.0011
0.0015
0.0020
0.0027
0.0034
0.0055
0.0083
0.0118
0.0163
0.0216
0.0278
0.0348
0.0425
0.0508
0.0595
0.1044
0.1377
0.1490
0.1396
0.1171
0.0901
0.0646
0.0437
0.0281
0.0174
7
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0001
0.0002
0.0003
0.0005
0.0006
0.0009
0.0015
0.0025
0.0038
0.0057
0.0081
0.0111
0.0148
0.0191
0.0241
0.0298
0.0653
0.1033
0.1304
0.1396
0.1318
0.1126
0.0888
0.0655
0.0457
0.0304
8
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0001
0.0002
0.0004
0.0007
0.0011
0.0018
0.0027
0.0040
0.0056
0.0076
0.0102
0.0132
0.0363
0.0688
0.1014
0.1241
0.1318
0.1251
0.1085
0.0874
0.0661
0.0473
9
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0002
0.0003
0.0005
0.0008
0.0013
0.0019
0.0028
0.0039
0.0053
0.0181
0.0413
0.0710
0.0993
0.1186
0.1251
0.1194
0.1048
0.0859
0.0663
10
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0002
0.0004
0.0006
0.0009
0.0013
0.0019
0.0082
0.0225
0.0452
0.0722
0.0970
0.1137
0.1194
0.1144
0.1015
0.0844
11
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0002
0.0003
0.0004
0.0006
0.0034
0.0113
0.0263
0.0481
0.0728
0.0948
0.1094
0.1144
0.1099
0.0984
12
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0002
0.0013
0.0052
0.0142
0.0296
0.0504
0.0729
0.0926
0.1056
0.1099
0.1060
13
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0022
0.0071
0.0169
0.0324
0.0521
0.0728
0.0905
0.1021
0.1060
14
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0009
0.0033
0.0090
0.0194
0.0347
0.0534
0.0724
0.0885
0.0989
15
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0014
0.0045
0.0109
0.0217
0.0367
0.0543
0.0719
0.0866
16
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0021
0.0058
0.0128
0.0237
0.0383
0.0550
0.0713
17
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0009
0.0029
0.0071
0.0145
0.0255
0.0397
0.0554
18
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0014
0.0037
0.0084
0.0161
0.0272
0.0409
19
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0006
0.0019
0.0046
0.0097
0.0177
0.0286
20
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0003
0.0009
0.0024
0.0055
0.0109
0.0191
21
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0012
0.0030
0.0065
0.0121
22
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0006
0.0016
0.0037
0.0074
23
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0003
0.0008
0.0020
0.0043
24
TABLA B
Distribucin de Poisson
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
2.2
2.4
2.6
2.8
3
3.2
3.4
3.6
3.8
4
5
6
7
8
9
10
11
12
13
14
TABLA C
Distribucin Normal Estndar (N(0,1))
Esta tabla presenta la probabilidad acumulada
P(Z z), para z 0
P(Z<z)
P(Z<z)
P(Z<z)
P(Z<z)
P(Z<z)
P(Z<z)
P(Z<z)
P(Z<z)
0.00
0.5000
0.50
0.6915
1.00
0.8413
1.50
0.9332
2.00
0.9772
2.50
0.9938
3.00
0.9987
3.50
0.9998
0.01
0.5040
0.51
0.6950
1.01
0.8438
1.51
0.9345
2.01
0.9778
2.51
0.9940
3.01
0.9987
3.51
0.9998
0.02
0.5080
0.52
0.6985
1.02
0.8461
1.52
0.9357
2.02
0.9783
2.52
0.9941
3.02
0.9987
3.52
0.9998
0.03
0.5120
0.53
0.7019
1.03
0.8485
1.53
0.9370
2.03
0.9788
2.53
0.9943
3.03
0.9988
3.53
0.9998
0.04
0.5160
0.54
0.7054
1.04
0.8508
1.54
0.9382
2.04
0.9793
2.54
0.9945
3.04
0.9988
3.54
0.9998
0.05
0.5199
0.55
0.7088
1.05
0.8531
1.55
0.9394
2.05
0.9798
2.55
0.9946
3.05
0.9989
3.55
0.9998
0.06
0.5239
0.56
0.7123
1.06
0.8554
1.56
0.9406
2.06
0.9803
2.56
0.9948
3.06
0.9989
3.56
0.9998
0.07
0.5279
0.57
0.7157
1.07
0.8577
1.57
0.9418
2.07
0.9808
2.57
0.9949
3.07
0.9989
3.57
0.9998
0.08
0.5319
0.58
0.7190
1.08
0.8599
1.58
0.9429
2.08
0.9812
2.58
0.9951
3.08
0.9990
3.58
0.9998
0.09
0.5359
0.59
0.7224
1.09
0.8621
1.59
0.9441
2.09
0.9817
2.59
0.9952
3.09
0.9990
3.59
0.9998
0.10
0.5398
0.60
0.7257
1.10
0.8643
1.60
0.9452
2.10
0.9821
2.60
0.9953
3.10
0.9990
3.60
0.9998
0.11
0.5438
0.61
0.7291
1.11
0.8665
1.61
0.9463
2.11
0.9826
2.61
0.9955
3.11
0.9991
3.61
0.9998
0.12
0.5478
0.62
0.7324
1.12
0.8686
1.62
0.9474
2.12
0.9830
2.62
0.9956
3.12
0.9991
3.62
0.9999
0.13
0.5517
0.63
0.7357
1.13
0.8708
1.63
0.9484
2.13
0.9834
2.63
0.9957
3.13
0.9991
3.63
0.9999
0.14
0.5557
0.64
0.7389
1.14
0.8729
1.64
0.9495
2.14
0.9838
2.64
0.9959
3.14
0.9992
3.64
0.9999
0.15
0.5596
0.65
0.7422
1.15
0.8749
1.65
0.9505
2.15
0.9842
2.65
0.9960
3.15
0.9992
3.65
0.9999
0.16
0.5636
0.66
0.7454
1.16
0.8770
1.66
0.9515
2.16
0.9846
2.66
0.9961
3.16
0.9992
3.66
0.9999
0.17
0.5675
0.67
0.7486
1.17
0.8790
1.67
0.9525
2.17
0.9850
2.67
0.9962
3.17
0.9992
3.67
0.9999
0.18
0.5714
0.68
0.7517
1.18
0.8810
1.68
0.9535
2.18
0.9854
2.68
0.9963
3.18
0.9993
3.68
0.9999
0.19
0.5753
0.69
0.7549
1.19
0.8830
1.69
0.9545
2.19
0.9857
2.69
0.9964
3.19
0.9993
3.69
0.9999
0.20
0.5793
0.70
0.7580
1.20
0.8849
1.70
0.9554
2.20
0.9861
2.70
0.9965
3.20
0.9993
3.70
0.9999
0.21
0.5832
0.71
0.7611
1.21
0.8869
1.71
0.9564
2.21
0.9864
2.71
0.9966
3.21
0.9993
3.71
0.9999
0.22
0.5871
0.72
0.7642
1.22
0.8888
1.72
0.9573
2.22
0.9868
2.72
0.9967
3.22
0.9994
3.72
0.9999
0.23
0.5910
0.73
0.7673
1.23
0.8907
1.73
0.9582
2.23
0.9871
2.73
0.9968
3.23
0.9994
3.73
0.9999
0.24
0.5948
0.74
0.7704
1.24
0.8925
1.74
0.9591
2.24
0.9875
2.74
0.9969
3.24
0.9994
3.74
0.9999
0.25
0.5987
0.75
0.7734
1.25
0.8944
1.75
0.9599
2.25
0.9878
2.75
0.9970
3.25
0.9994
3.75
0.9999
0.26
0.6026
0.76
0.7764
1.26
0.8962
1.76
0.9608
2.26
0.9881
2.76
0.9971
3.26
0.9994
3.76
0.9999
0.27
0.6064
0.77
0.7794
1.27
0.8980
1.77
0.9616
2.27
0.9884
2.77
0.9972
3.27
0.9995
3.77
0.9999
0.28
0.6103
0.78
0.7823
1.28
0.8997
1.78
0.9625
2.28
0.9887
2.78
0.9973
3.28
0.9995
3.78
0.9999
0.29
0.6141
0.79
0.7852
1.29
0.9015
1.79
0.9633
2.29
0.9890
2.79
0.9974
3.29
0.9995
3.79
0.9999
0.30
0.6179
0.80
0.7881
1.30
0.9032
1.80
0.9641
2.30
0.9893
2.80
0.9974
3.30
0.9995
3.80
0.9999
0.31
0.6217
0.81
0.7910
1.31
0.9049
1.81
0.9649
2.31
0.9896
2.81
0.9975
3.31
0.9995
3.81
0.9999
0.32
0.6255
0.82
0.7939
1.32
0.9066
1.82
0.9656
2.32
0.9898
2.82
0.9976
3.32
0.9995
3.82
0.9999
0.33
0.6293
0.83
0.7967
1.33
0.9082
1.83
0.9664
2.33
0.9901
2.83
0.9977
3.33
0.9996
3.83
0.9999
0.34
0.6331
0.84
0.7995
1.34
0.9099
1.84
0.9671
2.34
0.9904
2.84
0.9977
3.34
0.9996
3.84
0.9999
0.35
0.6368
0.85
0.8023
1.35
0.9115
1.85
0.9678
2.35
0.9906
2.85
0.9978
3.35
0.9996
3.85
0.9999
0.36
0.6406
0.86
0.8051
1.36
0.9131
1.86
0.9686
2.36
0.9909
2.86
0.9979
3.36
0.9996
3.86
0.9999
0.37
0.6443
0.87
0.8078
1.37
0.9147
1.87
0.9693
2.37
0.9911
2.87
0.9979
3.37
0.9996
3.87
0.9999
0.38
0.6480
0.88
0.8106
1.38
0.9162
1.88
0.9699
2.38
0.9913
2.88
0.9980
3.38
0.9996
3.88
0.9999
0.39
0.6517
0.89
0.8133
1.39
0.9177
1.89
0.9706
2.39
0.9916
2.89
0.9981
3.39
0.9997
3.89
0.9999
0.40
0.6554
0.90
0.8159
1.40
0.9192
1.90
0.9713
2.40
0.9918
2.90
0.9981
3.40
0.9997
3.90
1.0000
0.41
0.6591
0.91
0.8186
1.41
0.9207
1.91
0.9719
2.41
0.9920
2.91
0.9982
3.41
0.9997
3.91
1.0000
0.42
0.6628
0.92
0.8212
1.42
0.9222
1.92
0.9726
2.42
0.9922
2.92
0.9982
3.42
0.9997
3.92
1.0000
0.43
0.6664
0.93
0.8238
1.43
0.9236
1.93
0.9732
2.43
0.9925
2.93
0.9983
3.43
0.9997
3.93
1.0000
0.44
0.6700
0.94
0.8264
1.44
0.9251
1.94
0.9738
2.44
0.9927
2.94
0.9984
3.44
0.9997
3.94
1.0000
0.45
0.6736
0.95
0.8289
1.45
0.9265
1.95
0.9744
2.45
0.9929
2.95
0.9984
3.45
0.9997
3.95
1.0000
0.46
0.6772
0.96
0.8315
1.46
0.9279
1.96
0.9750
2.46
0.9931
2.96
0.9985
3.46
0.9997
3.96
1.0000
0.47
0.6808
0.97
0.8340
1.47
0.9292
1.97
0.9756
2.47
0.9932
2.97
0.9985
3.47
0.9997
3.97
1.0000
0.48
0.6844
0.98
0.8365
1.48
0.9306
1.98
0.9761
2.48
0.9934
2.98
0.9986
3.48
0.9997
3.98
1.0000
0.49
0.6879
0.99
0.8389
1.49
0.9319
1.99
0.9767
2.49
0.9936
2.99
0.9986
3.49
0.9998
3.99
1.0000
TABLA D
Distribucin t de Student
En el margen superior se leen los percentiles y en
margen izquierdo los grados de libertad.
Esta tabla da los valores de z > 0 para P(tn z)=1-
1-
0.995
0.99
0.975
0.95
0.90
0.80
0.75
63.66
31.82
12.71
6.31
3.08
1.38
1.00
9.92
6.96
4.30
2.92
1.89
1.06
0.82
5.84
4.54
3.18
2.35
1.64
0.98
0.76
4.60
3.75
2.78
2.13
1.53
0.94
0.74
4.03
3.36
2.57
2.02
1.48
0.92
0.73
3.71
3.14
2.45
1.94
1.44
0.91
0.72
3.50
3.00
2.36
1.89
1.41
0.90
0.71
3.36
2.90
2.31
1.86
1.40
0.89
0.71
3.25
2.82
2.26
1.83
1.38
0.88
0.70
10
3.17
2.76
2.23
1.81
1.37
0.88
0.70
11
3.11
2.72
2.20
1.80
1.36
0.88
0.70
12
3.05
2.68
2.18
1.78
1.36
0.87
0.70
13
3.01
2.65
2.16
1.77
1.35
0.87
0.69
14
2.98
2.62
2.14
1.76
1.35
0.87
0.69
15
2.95
2.60
2.13
1.75
1.34
0.87
0.69
16
2.92
2.58
2.12
1.75
1.34
0.86
0.69
17
2.90
2.57
2.11
1.74
1.33
0.86
0.69
18
2.88
2.55
2.10
1.73
1.33
0.86
0.69
19
2.86
2.54
2.09
1.73
1.33
0.86
0.69
20
2.85
2.53
2.09
1.72
1.33
0.86
0.69
21
2.83
2.52
2.08
1.72
1.32
0.86
0.69
22
2.82
2.51
2.07
1.72
1.32
0.86
0.69
23
2.81
2.50
2.07
1.71
1.32
0.86
0.69
24
2.80
2.49
2.06
1.71
1.32
0.86
0.68
25
2.79
2.49
2.06
1.71
1.32
0.86
0.68
26
2.78
2.48
2.06
1.71
1.31
0.86
0.68
27
2.77
2.47
2.05
1.70
1.31
0.86
0.68
28
2.76
2.47
2.05
1.70
1.31
0.85
0.68
29
2.76
2.46
2.05
1.70
1.31
0.85
0.68
30
2.75
2.46
2.04
1.70
1.31
0.85
0.68
31
2.74
2.45
2.04
1.70
1.31
0.85
0.68
32
2.74
2.45
2.04
1.69
1.31
0.85
0.68
33
2.73
2.44
2.03
1.69
1.31
0.85
0.68
34
2.73
2.44
2.03
1.69
1.31
0.85
0.68
35
2.72
2.44
2.03
1.69
1.31
0.85
0.68
36
2.72
2.43
2.03
1.69
1.31
0.85
0.68
37
2.72
2.43
2.03
1.69
1.30
0.85
0.68
38
2.71
2.43
2.02
1.69
1.30
0.85
0.68
39
2.71
2.43
2.02
1.68
1.30
0.85
0.68
40
2.70
2.42
2.02
1.68
1.30
0.85
0.68
45
2.69
2.41
2.01
1.68
1.30
0.85
0.68
50
2.68
2.40
2.01
1.68
1.30
0.85
0.68
55
2.67
2.40
2.00
1.67
1.30
0.85
0.68
60
2.66
2.39
2.00
1.67
1.30
0.85
0.68
65
2.65
2.39
2.00
1.67
1.29
0.85
0.68
70
2.65
2.38
1.99
1.67
1.29
0.85
0.68
75
2.64
2.38
1.99
1.67
1.29
0.85
0.68
80
2.64
2.37
1.99
1.66
1.29
0.85
0.68
90
2.63
2.37
1.99
1.66
1.29
0.85
0.68
100
2.63
2.36
1.98
1.66
1.29
0.85
0.68
120
2.62
2.36
1.98
1.66
1.29
0.84
0.68
TABLA E
Distribucin Ji-Cuadrado
Esta tabla da los valores de z tales que
2
P( n z) =
0 .0 0 5
0 .0 1
0 .0 2 5
0 .0 5
0 .1 0
0 .2 0
0 .4
0 .5 0
0 .7 5
0 .9 0
0 .9 5
0 .9 9 5
n
1
7 .8 8
6 .6 3
5 .0 2
3 .8 4
2 .7 1
1 .6 4
0 .7 1
0 .4 5
0 .1 0
0 .0 2
0 .0 0
0 .0 0
1 0 .6 0
9 .2 1
7 .3 8
5 .9 9
4 .6 1
3 .2 2
1 .8 3
1 .3 9
0 .5 8
0 .2 1
0 .1 0
0 .0 1
1 2 .8 4
1 1 .3 4
9 .3 5
7 .8 1
6 .2 5
4 .6 4
2 .9 5
2 .3 7
1 .2 1
0 .5 8
0 .3 5
0 .0 7
1 4 .8 6
1 3 .2 8
1 1 .1 4
9 .4 9
7 .7 8
5 .9 9
4 .0 4
3 .3 6
1 .9 2
1 .0 6
0 .7 1
0 .2 1
1 6 .7 5
1 5 .0 9
1 2 .8 3
1 1 .0 7
9 .2 4
7 .2 9
5 .1 3
4 .3 5
2 .6 7
1 .6 1
1 .1 5
0 .4 1
1 8 .5 5
1 6 .8 1
1 4 .4 5
1 2 .5 9
1 0 .6 4
8 .5 6
6 .2 1
5 .3 5
3 .4 5
2 .2 0
1 .6 4
0 .6 8
2 0 .2 8
1 8 .4 8
1 6 .0 1
1 4 .0 7
1 2 .0 2
9 .8 0
7 .2 8
6 .3 5
4 .2 5
2 .8 3
2 .1 7
0 .9 9
2 1 .9 5
2 0 .0 9
1 7 .5 3
1 5 .5 1
1 3 .3 6
1 1 .0 3
8 .3 5
7 .3 4
5 .0 7
3 .4 9
2 .7 3
1 .3 4
2 3 .5 9
2 1 .6 7
1 9 .0 2
1 6 .9 2
1 4 .6 8
1 2 .2 4
9 .4 1
8 .3 4
5 .9 0
4 .1 7
3 .3 3
1 .7 3
10
2 5 .1 9
2 3 .2 1
2 0 .4 8
1 8 .3 1
1 5 .9 9
1 3 .4 4
1 0 .4 7
9 .3 4
6 .7 4
4 .8 7
3 .9 4
2 .1 6
11
2 6 .7 6
2 4 .7 3
2 1 .9 2
1 9 .6 8
1 7 .2 8
1 4 .6 3
1 1 .5 3
1 0 .3 4
7 .5 8
5 .5 8
4 .5 7
2 .6 0
12
2 8 .3 0
2 6 .2 2
2 3 .3 4
2 1 .0 3
1 8 .5 5
1 5 .8 1
1 2 .5 8
1 1 .3 4
8 .4 4
6 .3 0
5 .2 3
3 .0 7
13
2 9 .8 2
2 7 .6 9
2 4 .7 4
2 2 .3 6
1 9 .8 1
1 6 .9 8
1 3 .6 4
1 2 .3 4
9 .3 0
7 .0 4
5 .8 9
3 .5 7
14
3 1 .3 2
2 9 .1 4
2 6 .1 2
2 3 .6 8
2 1 .0 6
1 8 .1 5
1 4 .6 9
1 3 .3 4
1 0 .1 7
7 .7 9
6 .5 7
4 .0 7
15
3 2 .8 0
3 0 .5 8
2 7 .4 9
2 5 .0 0
2 2 .3 1
1 9 .3 1
1 5 .7 3
1 4 .3 4
1 1 .0 4
8 .5 5
7 .2 6
4 .6 0
16
3 4 .2 7
3 2 .0 0
2 8 .8 5
2 6 .3 0
2 3 .5 4
2 0 .4 7
1 6 .7 8
1 5 .3 4
1 1 .9 1
9 .3 1
7 .9 6
5 .1 4
17
3 5 .7 2
3 3 .4 1
3 0 .1 9
2 7 .5 9
2 4 .7 7
2 1 .6 1
1 7 .8 2
1 6 .3 4
1 2 .7 9
1 0 .0 9
8 .6 7
5 .7 0
18
3 7 .1 6
3 4 .8 1
3 1 .5 3
2 8 .8 7
2 5 .9 9
2 2 .7 6
1 8 .8 7
1 7 .3 4
1 3 .6 8
1 0 .8 6
9 .3 9
6 .2 6
19
3 8 .5 8
3 6 .1 9
3 2 .8 5
3 0 .1 4
2 7 .2 0
2 3 .9 0
1 9 .9 1
1 8 .3 4
1 4 .5 6
1 1 .6 5
1 0 .1 2
6 .8 4
20
4 0 .0 0
3 7 .5 7
3 4 .1 7
3 1 .4 1
2 8 .4 1
2 5 .0 4
2 0 .9 5
1 9 .3 4
1 5 .4 5
1 2 .4 4
1 0 .8 5
7 .4 3
21
4 1 .4 0
3 8 .9 3
3 5 .4 8
3 2 .6 7
2 9 .6 2
2 6 .1 7
2 1 .9 9
2 0 .3 4
1 6 .3 4
1 3 .2 4
1 1 .5 9
8 .0 3
22
4 2 .8 0
4 0 .2 9
3 6 .7 8
3 3 .9 2
3 0 .8 1
2 7 .3 0
2 3 .0 3
2 1 .3 4
1 7 .2 4
1 4 .0 4
1 2 .3 4
8 .6 4
23
4 4 .1 8
4 1 .6 4
3 8 .0 8
3 5 .1 7
3 2 .0 1
2 8 .4 3
2 4 .0 7
2 2 .3 4
1 8 .1 4
1 4 .8 5
1 3 .0 9
9 .2 6
24
4 5 .5 6
4 2 .9 8
3 9 .3 6
3 6 .4 2
3 3 .2 0
2 9 .5 5
2 5 .1 1
2 3 .3 4
1 9 .0 4
1 5 .6 6
1 3 .8 5
9 .8 9
25
4 6 .9 3
4 4 .3 1
4 0 .6 5
3 7 .6 5
3 4 .3 8
3 0 .6 8
2 6 .1 4
2 4 .3 4
1 9 .9 4
1 6 .4 7
1 4 .6 1
1 0 .5 2
26
4 8 .2 9
4 5 .6 4
4 1 .9 2
3 8 .8 9
3 5 .5 6
3 1 .7 9
2 7 .1 8
2 5 .3 4
2 0 .8 4
1 7 .2 9
1 5 .3 8
1 1 .1 6
27
4 9 .6 5
4 6 .9 6
4 3 .1 9
4 0 .1 1
3 6 .7 4
3 2 .9 1
2 8 .2 1
2 6 .3 4
2 1 .7 5
1 8 .1 1
1 6 .1 5
1 1 .8 1
28
5 0 .9 9
4 8 .2 8
4 4 .4 6
4 1 .3 4
3 7 .9 2
3 4 .0 3
2 9 .2 5
2 7 .3 4
2 2 .6 6
1 8 .9 4
1 6 .9 3
1 2 .4 6
29
5 2 .3 4
4 9 .5 9
4 5 .7 2
4 2 .5 6
3 9 .0 9
3 5 .1 4
3 0 .2 8
2 8 .3 4
2 3 .5 7
1 9 .7 7
1 7 .7 1
1 3 .1 2
30
5 3 .6 7
5 0 .8 9
4 6 .9 8
4 3 .7 7
4 0 .2 6
3 6 .2 5
3 1 .3 2
2 9 .3 4
2 4 .4 8
2 0 .6 0
1 8 .4 9
1 3 .7 9
31
5 5 .0 0
5 2 .1 9
4 8 .2 3
4 4 .9 9
4 1 .4 2
3 7 .3 6
3 2 .3 5
3 0 .3 4
2 5 .3 9
2 1 .4 3
1 9 .2 8
1 4 .4 6
32
5 6 .3 3
5 3 .4 9
4 9 .4 8
4 6 .1 9
4 2 .5 8
3 8 .4 7
3 3 .3 8
3 1 .3 4
2 6 .3 0
2 2 .2 7
2 0 .0 7
1 5 .1 3
33
5 7 .6 5
5 4 .7 8
5 0 .7 3
4 7 .4 0
4 3 .7 5
3 9 .5 7
3 4 .4 1
3 2 .3 4
2 7 .2 2
2 3 .1 1
2 0 .8 7
1 5 .8 2
34
5 8 .9 6
5 6 .0 6
5 1 .9 7
4 8 .6 0
4 4 .9 0
4 0 .6 8
3 5 .4 4
3 3 .3 4
2 8 .1 4
2 3 .9 5
2 1 .6 6
1 6 .5 0
35
6 0 .2 7
5 7 .3 4
5 3 .2 0
4 9 .8 0
4 6 .0 6
4 1 .7 8
3 6 .4 7
3 4 .3 4
2 9 .0 5
2 4 .8 0
2 2 .4 7
1 7 .1 9
36
6 1 .5 8
5 8 .6 2
5 4 .4 4
5 1 .0 0
4 7 .2 1
4 2 .8 8
3 7 .5 0
3 5 .3 4
2 9 .9 7
2 5 .6 4
2 3 .2 7
1 7 .8 9
37
6 2 .8 8
5 9 .8 9
5 5 .6 7
5 2 .1 9
4 8 .3 6
4 3 .9 8
3 8 .5 3
3 6 .3 4
3 0 .8 9
2 6 .4 9
2 4 .0 7
1 8 .5 9
38
6 4 .1 8
6 1 .1 6
5 6 .9 0
5 3 .3 8
4 9 .5 1
4 5 .0 8
3 9 .5 6
3 7 .3 4
3 1 .8 1
2 7 .3 4
2 4 .8 8
1 9 .2 9
39
6 5 .4 8
6 2 .4 3
5 8 .1 2
5 4 .5 7
5 0 .6 6
4 6 .1 7
4 0 .5 9
3 8 .3 4
3 2 .7 4
2 8 .2 0
2 5 .7 0
2 0 .0 0
40
6 6 .7 7
6 3 .6 9
5 9 .3 4
5 5 .7 6
5 1 .8 1
4 7 .2 7
4 1 .6 2
3 9 .3 4
3 3 .6 6
2 9 .0 5
2 6 .5 1
2 0 .7 1
45
7 3 .1 7
6 9 .9 6
6 5 .4 1
6 1 .6 6
5 7 .5 1
5 2 .7 3
4 6 .7 6
4 4 .3 4
3 8 .2 9
3 3 .3 5
3 0 .6 1
2 4 .3 1
50
7 9 .4 9
7 6 .1 5
7 1 .4 2
6 7 .5 0
6 3 .1 7
5 8 .1 6
5 1 .8 9
4 9 .3 3
4 2 .9 4
3 7 .6 9
3 4 .7 6
2 7 .9 9
55
8 5 .7 5
8 2 .2 9
7 7 .3 8
7 3 .3 1
6 8 .8 0
6 3 .5 8
5 7 .0 2
5 4 .3 3
4 7 .6 1
4 2 .0 6
3 8 .9 6
3 1 .7 3
60
9 1 .9 5
8 8 .3 8
8 3 .3 0
7 9 .0 8
7 4 .4 0
6 8 .9 7
6 2 .1 3
5 9 .3 3
5 2 .2 9
4 6 .4 6
4 3 .1 9
3 5 .5 3
65
9 8 .1 0
9 4 .4 2
8 9 .1 8
8 4 .8 2
7 9 .9 7
7 4 .3 5
6 7 .2 5
6 4 .3 3
5 6 .9 9
5 0 .8 8
4 7 .4 5
3 9 .3 8
70
1 0 4 .2 1
1 0 0 .4 3
9 5 .0 2
9 0 .5 3
8 5 .5 3
7 9 .7 1
7 2 .3 6
6 9 .3 3
6 1 .7 0
5 5 .3 3
5 1 .7 4
4 3 .2 8
75
1 1 0 .2 9
1 0 6 .3 9
1 0 0 .8 4
9 6 .2 2
9 1 .0 6
8 5 .0 7
7 7 .4 6
7 4 .3 3
6 6 .4 2
5 9 .7 9
5 6 .0 5
4 7 .2 1
80
1 1 6 .3 2
1 1 2 .3 3
1 0 6 .6 3
1 0 1 .8 8
9 6 .5 8
9 0 .4 1
8 2 .5 7
7 9 .3 3
7 1 .1 4
6 4 .2 8
6 0 .3 9
5 1 .1 7
90
1 2 8 .3 0
1 2 4 .1 2
1 1 8 .1 4
1 1 3 .1 5
1 0 7 .5 7
1 0 1 .0 5
9 2 .7 6
8 9 .3 3
8 0 .6 2
7 3 .2 9
6 9 .1 3
5 9 .2 0
100
1 4 0 .1 7
1 3 5 .8 1
1 2 9 .5 6
1 2 4 .3 4
1 1 8 .5 0
1 1 1 .6 7
1 0 2 .9 5
9 9 .3 3
9 0 .1 3
8 2 .3 6
7 7 .9 3
6 7 .3 3
120
1 6 3 .6 5
1 5 8 .9 5
1 5 2 .2 1
1 4 6 .5 7
1 4 0 .2 3
1 3 2 .8 1
1 2 3 .2 9
1 1 9 .3 3
1 0 9 .2 2
1 0 0 .6 2
9 5 .7 0
8 3 .8 5
TABLA F
Distribucin F de Fisher
En las columnas grados de libertad del numerador, en las filas grados de libertad del denominador.
n2
0.995
0.95
0.975
0.05
0.025
0.01
0.005
198.50
0.00
0.01
0.00
161.45
647.79
4052.18
16212.46
199.01
0.01
0.05
0.03
199.50
799.48
4999.34
19997.36
199.16
0.02
0.10
0.06
215.71
864.15
5403.53
21614.13
199.24
0.03
0.13
0.08
224.58
899.60
5624.26
22500.75
199.30
0.04
0.15
0.10
230.16
921.83
5763.96
23055.82
199.33
0.05
0.17
0.11
233.99
937.11
5858.95
23439.53
199.36
0.06
0.18
0.12
236.77
948.20
5928.33
23715.20
199.38
0.07
0.19
0.13
238.88
956.64
5980.95
23923.81
199.39
0.07
0.20
0.14
240.54
963.28
6022.40
24091.45
199.39
0.08
0.20
0.14
241.88
968.63
6055.93
24221.84
10
199.42
0.08
0.21
0.15
242.98
973.03
6083.40
24333.60
11
199.42
0.09
0.21
0.15
243.90
976.72
6106.68
24426.73
12
199.42
0.09
0.21
0.16
244.69
979.84
6125.77
24504.96
13
199.42
0.09
0.22
0.16
245.36
982.55
6143.00
24572.01
14
199.43
0.09
0.22
0.16
245.95
984.87
6156.97
24631.62
15
199.45
0.09
0.22
0.16
246.47
986.91
6170.01
24683.77
16
199.45
0.10
0.22
0.17
246.92
988.72
6181.19
24728.48
17
199.45
0.10
0.23
0.17
247.32
990.35
6191.43
24765.73
18
199.45
0.10
0.23
0.17
247.69
991.80
6200.75
24802.98
19
199.45
0.10
0.23
0.17
248.02
993.08
6208.66
24836.51
20
199.48
0.11
0.24
0.18
250.10
1001.40
6260.35
25041.40
30
199.48
0.11
0.24
0.18
251.14
1005.60
6286.43
25145.71
40
199.48
0.12
0.25
0.19
252.20
1009.79
6312.97
25253.74
60
199.49
0.12
0.26
0.19
253.25
1014.04
6339.51
25358.05
120
P(Fn1 ,n 2 z) =
0.005
n1
0.26
19.49
39.49
19.48
0.33
99.49
0.25
0.18
39.48
19.47
0.32
41.99
99.48
0.25
0.17
39.47
19.46
0.31
42.15
99.48
0.24
0.16
39.46
19.45
0.30
42.31
99.47
0.22
0.16
39.45
19.44
0.29
42.47
99.45
0.22
0.14
39.45
19.44
0.28
42.78
99.45
0.22
0.14
39.44
19.44
0.28
42.83
99.44
0.22
0.14
39.44
19.43
0.28
42.88
99.44
0.21
0.14
39.44
19.43
0.28
42.94
99.44
0.21
0.13
39.43
19.42
0.27
43.01
99.43
0.21
0.13
39.43
19.42
0.27
43.08
99.43
0.20
0.13
39.42
19.41
0.26
43.17
99.42
0.20
0.12
39.41
19.40
0.26
43.27
99.42
0.19
0.12
39.41
19.40
0.25
43.39
99.41
0.18
0.11
39.40
19.38
0.24
43.52
99.40
0.17
0.11
39.39
19.37
0.23
43.68
99.39
0.17
0.10
39.37
19.35
0.22
43.88
99.38
0.15
0.09
39.36
19.33
0.21
44.13
99.36
0.14
0.08
39.33
19.30
0.19
44.43
99.33
0.12
0.07
39.30
19.25
0.17
44.84
99.30
0.09
0.05
39.25
19.16
0.14
45.39
99.25
0.06
0.04
39.17
19.00
0.10
46.20
99.16
0.03
0.02
39.00
18.51
0.05
47.47
99.00
0.00
0.01
38.51
0.05
0.01
49.80
98.50
0.975
0.00
0.01
0.95
55.55
0.025
0.995
0.005
0.31
8.55
8.57
0.37
13.95
0.30
0.22
26.22
8.59
0.36
19.47
13.99
0.29
0.21
26.32
8.62
0.35
19.61
14.04
0.28
0.20
26.41
8.66
0.34
19.75
14.08
0.26
0.19
26.50
8.67
0.32
19.89
14.17
0.26
0.17
26.69
8.67
0.32
20.17
14.18
0.25
0.17
26.72
8.68
0.32
20.21
14.20
0.25
0.17
26.75
8.69
0.31
20.26
14.21
0.25
0.16
26.79
8.70
0.31
20.31
14.23
0.24
0.16
26.83
8.71
0.30
20.37
14.25
0.24
0.15
26.87
8.73
0.30
20.44
14.28
0.23
0.15
26.92
8.74
0.29
20.51
14.30
0.22
0.14
26.98
8.76
0.29
20.60
14.34
0.22
0.14
27.05
8.79
0.28
20.70
14.37
0.21
0.13
27.13
8.81
0.27
20.82
14.42
0.20
0.12
27.23
8.85
0.26
20.97
14.47
0.18
0.11
27.34
8.89
0.25
21.14
14.54
0.17
0.10
27.49
8.94
0.23
21.35
14.62
0.15
0.09
27.67
9.01
0.21
21.62
14.73
0.13
0.08
27.91
9.12
0.18
21.98
14.88
0.10
0.06
28.24
9.28
0.15
22.46
15.10
0.06
0.04
28.71
9.55
0.11
23.15
15.44
0.03
0.02
29.46
10.13
0.05
24.26
16.04
0.00
0.01
30.82
0.05
0.00
26.28
17.44
0.975
0.00
34.12
0.95
31.33
0.01
0.995
0.025
0.005
21.20
1
18.00
2
16.69
3
15.98
4
15.52
6.16
9.20
15.21
6.09
9.07
14.98
6.04
8.98
14.80
6.00
8.90
14.66
5.96
8.84
14.55
10
5.94
8.79
14.45
11
5.91
8.75
14.37
12
5.89
8.72
14.31
13
5.87
8.68
14.25
14
5.86
8.66
14.20
15
5.84
8.63
14.15
16
5.83
8.61
14.11
17
5.82
8.59
14.08
18
5.81
8.58
14.05
19
5.80
8.56
14.02
20
5.75
8.46
13.84
30
5.72
8.41
13.75
40
5.69
8.36
13.65
60
5.66
8.31
13.56
120
F (Continuacin)
6.26
9.36
TABLA
0.01
6.39
9.60
n1
4
n2
6.59
9.98
0.41
0.35
6.94
0.40
0.33
10.65
0.38
0.32
7.71
0.37
0.31
12.22
0.35
0.28
0.05
0.35
0.28
4 0.025
0.34
0.28
0.26
0.34
0.24
9.11
12.27
0.27
0.23
9.20
12.40
0.33
0.22
9.29
12.53
0.27
0.19
9.38
12.66
0.33
0.19
9.55
12.90
0.26
0.19
9.58
12.94
0.32
0.18
9.61
12.98
0.26
0.18
9.64
13.03
0.31
0.17
9.68
13.09
0.25
0.17
9.72
13.15
0.31
0.16
9.77
13.21
0.24
0.15
9.82
13.29
0.30
0.15
9.89
13.38
4.40
6.07
0.23
0.14
9.96
13.49
4.43
6.12
0.29
13.62
4.46
6.18
0.22
0.13
10.05
4.50
6.23
0.28
13.77
4.56
6.33
0.21
0.11
10.16
4.57
6.34
0.26
13.96
4.58
6.36
0.20
0.10
10.29
4.59
6.38
0.24
14.20
4.60
6.40
0.18
0.08
10.46
4.62
6.43
0.22
14.51
4.64
6.46
0.16
0.06
10.67
4.66
6.49
0.19
14.94
4.68
6.52
0.14
0.04
10.97
4.70
6.57
0.16
15.56
4.74
6.62
0.10
0.02
11.39
4.77
6.68
0.11
16.53
4.82
6.76
0.07
0.01
12.06
4.88
6.85
0.05
18.31
4.95
6.98
0.03
0.00
13.27
5.05
7.15
0.00
22.78
5.19
7.39
0.00
0.995
16.26
5.41
7.76
0.95
0.01
0.005
5.79
8.43
0.975
6.61
10.01
0.05
0.025
0.44
0.37
9.00
0.28
0.42
0.27
0.36
9.12
0.41
0.25
0.34
9.24
0.39
0.24
0.33
9.36
0.37
0.21
0.30
9.59
0.36
0.21
0.30
9.62
0.36
0.20
0.30
9.66
0.36
0.20
0.29
9.71
0.35
0.19
0.29
9.76
0.34
0.19
0.28
9.81
0.34
0.18
0.27
9.88
0.33
9.95
0.17
0.27
0.16
0.32
10.03
4.90
6.97
0.26
0.16
4.96
7.06
0.31
10.13
5.01
7.14
3.70
0.25
0.15
5.07
7.23
3.74
0.30
10.25
5.17
7.40
3.77
0.24
0.13
5.18
7.42
3.81
0.29
10.39
5.20
7.45
3.87
0.22
0.12
5.22
7.48
3.88
0.27
10.57
5.24
7.52
3.90
0.21
0.11
5.27
7.56
3.91
0.25
10.79
5.30
7.60
3.92
0.19
0.09
5.33
7.66
3.94
0.23
11.07
5.37
7.72
3.96
0.17
0.07
5.41
7.79
3.98
0.20
11.46
5.46
7.87
4.00
0.14
0.04
5.52
7.98
4.03
0.16
12.03
5.60
8.10
4.06
0.11
0.02
5.70
8.26
4.10
0.11
12.92
5.82
8.47
4.15
0.07
0.01
5.99
8.75
4.21
0.05
14.54
6.23
9.15
4.28
0.03
0.00
6.60
9.78
4.39
0.00
18.63
7.26
10.92
4.53
0.00
0.005
0.995
8.81
13.75
4.76
0.95
0.01
5.14
0.975
0.025
5.99
0.05
0.46
0.40
0.30
0.44
7.19
0.38
0.29
0.43
7.31
0.36
0.27
0.41
7.42
0.35
0.25
0.38
7.53
0.32
0.22
0.38
7.75
0.32
0.22
0.38
7.79
0.31
0.21
0.37
7.83
0.31
0.21
0.36
7.87
0.30
0.20
0.36
7.91
0.29
0.20
0.35
7.97
0.29
0.19
0.34
8.03
0.28
8.10
0.18
0.33
0.17
0.27
8.18
4.20
5.74
0.32
0.16
4.25
5.82
0.26
8.27
4.31
5.91
0.31
0.15
4.36
5.99
0.25
8.38
4.47
6.16
0.30
0.14
4.48
6.18
0.23
8.51
4.50
6.21
0.28
0.13
4.52
6.24
0.42
3.27
0.21
8.68
4.54
6.28
0.40
3.30
0.26
0.11
4.57
6.31
0.38
3.34
0.20
8.89
4.60
6.36
0.36
3.38
0.23
0.09
4.63
6.41
0.33
3.44
0.17
9.16
4.67
6.47
0.33
3.46
0.20
0.07
4.71
6.54
0.32
3.47
0.14
9.52
4.76
6.62
0.32
3.48
0.16
0.05
4.82
6.72
0.31
3.49
0.11
10.05
4.90
6.84
0.30
3.51
0.11
0.02
4.99
6.99
0.30
3.53
0.07
10.88
5.12
7.19
0.29
3.55
0.05
0.01
5.29
7.46
0.28
3.57
0.03
12.40
5.52
7.85
0.27
3.60
0.00
0.00
5.89
8.45
0.25
3.64
0.00
16.24
6.54
9.55
0.24
3.68
0.95
0.005
0.995
8.07
12.25
0.22
3.73
0.975
0.01
0.20
3.79
0.025
0.18
3.87
0.15
0.32
0.48
3.97
0.30
0.46
0.11
0.28
0.44
4.12
0.27
0.43
0.07
0.23
0.40
4.35
0.23
0.39
0.03
0.22
0.39
4.74
0.22
0.38
0.00
0.21
0.38
5.59
0.21
0.37
0.05
0.20
0.36
0.975
0.19
0.35
0.18
0.34
0.17
4.95
6.06
0.33
5.03
6.18
0.16
5.12
6.29
0.32
5.20
6.40
0.15
5.36
6.61
0.30
5.38
6.64
0.13
5.41
6.68
0.29
5.44
6.72
0.11
5.48
6.76
0.26
5.52
6.81
0.09
5.56
6.87
0.24
5.61
6.94
0.07
5.67
7.01
0.21
5.73
7.10
0.05
5.81
7.21
0.16
5.91
7.34
0.02
6.03
7.50
0.11
6.18
7.69
0.01
6.37
7.95
0.05
6.63
8.30
0.00
7.01
8.81
0.00
7.59
9.60
0.95
8.65
11.04
0.995
11.26
14.69
0.01
0.005
T ABLA
12
12
12
11
11
11
11
11
11
11
10
10
10
10
10
10
10
0.975
0.05
0.025
0.01
0.005
0.995
0.95
0.975
0.05
0.025
0.01
0.005
0.995
0.95
0.975
0.05
0.025
0.01
0.005
0.995
0.95
0.975
0.05
0.025
0.01
0.995
0.95
0.975
0.05
0.025
0.00
0.00
0.00
4.75
6.55
9.33
11.75
0.00
0.00
0.00
4.84
6.72
9.65
12.23
0.00
0.00
0.00
4.96
6.94
10.04
12.83
0.00
0.00
0.00
5.12
7.21
10.56
0.00
0.00
0.00
5.32
7.57
0.01
0.05
0.03
3.89
5.10
6.93
8.51
0.01
0.05
0.03
3.98
5.26
7.21
8.91
0.01
0.05
0.03
4.10
5.46
7.56
9.43
0.01
0.05
0.03
4.26
5.71
8.02
0.01
0.05
0.03
4.46
6.06
0.02
0.11
0.07
3.49
4.47
5.95
7.23
0.02
0.11
0.07
3.59
4.63
6.22
7.60
0.02
0.11
0.07
3.71
4.83
6.55
8.08
0.02
0.11
0.07
3.86
5.08
6.99
0.02
0.11
0.07
4.07
5.42
0.05
0.17
0.11
3.26
4.12
5.41
6.52
0.05
0.17
0.11
3.36
4.28
5.67
6.88
0.05
0.17
0.11
3.48
4.47
5.99
7.34
0.05
0.17
0.11
3.63
4.72
6.42
0.05
0.17
0.11
3.84
5.05
0.07
0.21
0.15
3.11
3.89
5.06
6.07
0.07
0.21
0.15
3.20
4.04
5.32
6.42
0.07
0.21
0.15
3.33
4.24
5.64
6.87
0.07
0.21
0.15
3.48
4.48
6.06
0.07
0.21
0.15
3.69
4.82
0.10
0.25
0.19
3.00
3.73
4.82
5.76
0.10
0.25
0.18
3.09
3.88
5.07
6.10
0.10
0.25
0.18
3.22
4.07
5.39
6.54
0.10
0.24
0.18
3.37
4.32
5.80
0.09
0.24
0.18
3.58
4.65
0.12
0.28
0.21
2.91
3.61
4.64
5.52
0.12
0.28
0.21
3.01
3.76
4.89
5.86
0.12
0.27
0.21
3.14
3.95
5.20
6.30
0.12
0.27
0.21
3.29
4.20
5.61
0.12
0.27
0.20
3.50
4.53
0.14
0.30
0.24
2.85
3.51
4.50
5.35
0.14
0.30
0.24
2.95
3.66
4.74
5.68
0.14
0.30
0.23
3.07
3.85
5.06
6.12
0.14
0.30
0.23
3.23
4.10
5.47
0.13
0.29
0.23
3.44
4.43
0.16
0.33
0.26
2.80
3.44
4.39
5.20
0.16
0.32
0.26
2.90
3.59
4.63
5.54
0.16
0.32
0.25
3.02
3.78
4.94
5.97
0.15
0.31
0.25
3.18
4.03
5.35
0.15
0.31
0.24
3.39
4.36
0.18
0.34
0.28
2.75
3.37
4.30
5.09
0.17
0.34
0.27
2.85
3.53
4.54
5.42
0.17
0.34
0.27
2.98
3.72
4.85
5.85
0.17
0.33
0.26
3.14
3.96
5.26
0.16
0.33
0.26
3.35
4.30
10
0.19
0.36
0.29
2.72
3.32
4.22
4.99
0.19
0.35
0.29
2.82
3.47
4.46
5.32
0.18
0.35
0.28
2.94
3.66
4.77
5.75
0.18
0.35
0.28
3.10
3.91
5.18
0.18
0.34
0.27
3.31
4.24
11
0.20
0.37
0.31
2.69
3.28
4.16
4.91
0.20
0.37
0.30
2.79
3.43
4.40
5.24
0.20
0.36
0.30
2.91
3.62
4.71
5.66
0.19
0.36
0.29
3.07
3.87
5.11
0.19
0.35
0.28
3.28
4.20
12
0.22
0.38
0.32
2.66
3.24
4.10
4.84
0.21
0.38
0.31
2.76
3.39
4.34
5.16
0.21
0.37
0.31
2.89
3.58
4.65
5.59
0.20
0.37
0.30
3.05
3.83
5.05
0.20
0.36
0.30
3.26
4.16
13
0.23
0.39
0.33
2.64
3.21
4.05
4.77
0.22
0.39
0.32
2.74
3.36
4.29
5.10
0.22
0.38
0.32
2.86
3.55
4.60
5.53
0.21
0.38
0.31
3.03
3.80
5.01
0.21
0.37
0.30
3.24
4.13
14
0.24
0.40
0.34
2.62
3.18
4.01
4.72
0.23
0.40
0.33
2.72
3.33
4.25
5.05
0.23
0.39
0.33
2.85
3.52
4.56
5.47
0.22
0.39
0.32
3.01
3.77
4.96
0.21
0.38
0.31
3.22
4.10
15
0.24
0.41
0.35
2.60
3.15
3.97
4.67
0.24
0.41
0.34
2.70
3.30
4.21
5.00
0.23
0.40
0.33
2.83
3.50
4.52
5.42
0.23
0.39
0.33
2.99
3.74
4.92
0.22
0.39
0.32
3.20
4.08
16
0.25
0.42
0.35
2.58
3.13
3.94
4.63
0.25
0.41
0.35
2.69
3.28
4.18
4.96
0.24
0.41
0.34
2.81
3.47
4.49
5.38
0.24
0.40
0.34
2.97
3.72
4.89
0.23
0.39
0.33
3.19
4.05
17
0.26
0.43
0.36
2.57
3.11
3.91
4.59
0.25
0.42
0.36
2.67
3.26
4.15
4.92
0.25
0.41
0.35
2.80
3.45
4.46
5.34
0.24
0.41
0.34
2.96
3.70
4.86
0.23
0.40
0.33
3.17
4.03
18
0.27
0.43
0.37
2.56
3.09
3.88
4.56
0.26
0.43
0.36
2.66
3.24
4.12
4.89
0.25
0.42
0.35
2.79
3.44
4.43
5.31
0.25
0.41
0.35
2.95
3.68
4.83
0.24
0.40
0.34
3.16
4.02
19
0.27
0.44
0.37
2.54
3.07
3.86
4.53
0.27
0.43
0.37
2.65
3.23
4.10
4.86
0.26
0.43
0.36
2.77
3.42
4.41
5.27
0.25
0.42
0.35
2.94
3.67
4.81
0.24
0.41
0.34
3.15
4.00
20
0.31
0.48
0.41
2.47
2.96
3.70
4.33
0.31
0.47
0.41
2.57
3.12
3.94
4.65
0.30
0.46
0.40
2.70
3.31
4.25
5.07
0.29
0.45
0.39
2.86
3.56
4.65
0.28
0.44
0.38
3.08
3.89
30
0.34
0.50
0.44
2.43
2.91
3.62
4.23
0.33
0.49
0.43
2.53
3.06
3.86
4.55
0.32
0.48
0.42
2.66
3.26
4.17
4.97
0.31
0.47
0.41
2.83
3.51
4.57
0.30
0.46
0.40
3.04
3.84
40
0.36
0.52
0.46
2.38
2.85
3.54
4.12
0.36
0.51
0.45
2.49
3.00
3.78
4.45
0.34
0.50
0.44
2.62
3.20
4.08
4.86
0.33
0.49
0.43
2.79
3.45
4.48
0.32
0.48
0.41
3.01
3.78
60
0.39
0.55
0.49
2.34
2.79
3.45
4.01
0.38
0.53
0.48
2.45
2.94
3.69
4.34
0.37
0.52
0.46
2.58
3.14
4.00
4.75
0.36
0.51
0.45
2.75
3.39
4.40
0.34
0.50
0.43
2.97
3.73
120
(Continuacin)
12
0.95
n1
12
0.995
n2
12
12
TABLA
F
3
10
11
12
3.91
4.57
13
3.86
4.51
14
3.82
4.46
15
3.78
4.41
16
3.75
4.37
17
3.72
4.33
18
3.69
4.30
19
3.66
4.27
20
3.51
4.07
30
3.43
3.97
40
3.34
3.87
60
3.25
3.76
120
(Continuacin)
2
3.96
4.64
n1
1
4.02
4.72
4.10
4.82
n2
4.19
4.94
2.25
2.66
4.30
2.30
2.72
5.08
2.34
2.78
4.44
2.38
2.84
5.25
2.46
2.95
4.62
2.47
2.96
5.48
2.48
2.98
4.86
2.50
3.00
5.79
2.51
3.03
5.21
2.53
3.05
6.23
2.55
3.08
5.74
2.58
3.12
6.93
2.60
3.15
6.70
2.63
3.20
8.19
2.67
3.25
9.07
2.71
3.31
11.37
2.77
3.39
0.01
2.83
3.48
0.005
2.92
3.60
13
3.03
3.77
13
3.18
0.55
0.50
4.00
0.53
0.47
3.41
0.51
0.44
4.35
0.48
0.42
3.81
0.44
0.38
4.97
0.44
0.37
4.67
0.43
0.37
6.41
0.42
0.36
0.05
0.42
0.35
0.025
0.41
0.34
13
0.40
0.33
13
0.39
0.32
3.55
0.40
0.38
3.66
0.37
0.31
3.76
0.35
2.55
3.09
0.36
3.86
0.32
2.61
3.18
0.29
4.06
0.28
2.67
3.27
0.35
4.09
0.27
2.73
3.35
0.28
4.12
0.26
2.84
3.51
0.33
4.16
0.26
2.86
3.53
0.26
4.20
0.25
2.88
3.56
0.31
4.25
0.24
2.90
3.59
0.24
4.30
0.23
2.92
3.62
0.28
4.36
0.22
2.95
3.66
0.51
2.18
0.22
4.43
0.21
2.98
3.70
0.48
2.22
0.25
4.51
0.19
3.01
3.75
0.45
2.27
0.19
4.60
0.18
3.05
3.80
0.43
2.31
0.21
4.72
0.16
3.09
3.86
0.38
2.39
0.15
4.86
0.14
3.15
3.94
0.38
2.40
0.17
5.03
0.12
3.21
4.03
0.37
2.41
0.11
5.26
0.10
3.29
4.14
0.36
2.43
0.11
5.56
0.08
3.38
4.28
0.35
2.44
0.07
6.00
0.05
3.50
4.46
0.35
2.46
0.05
6.68
0.02
3.66
4.69
0.34
2.48
0.03
7.92
0.01
3.89
5.04
0.32
2.51
0.00
0.00
4.24
5.56
0.31
2.53
0.00
11.06
4.86
6.51
0.30
2.57
0.95
0.005
0.995
6.30
8.86
0.28
2.60
0.975
0.01
0.26
2.65
13
14
13
0.025
0.24
2.70
13
14
14
0.22
0.41
0.56
2.76
0.38
0.54
0.19
0.35
0.51
2.85
0.33
0.49
0.15
0.28
0.45
2.96
0.27
0.44
0.12
0.27
0.44
3.11
0.26
0.43
0.07
0.25
0.42
3.34
0.24
0.41
0.03
0.23
0.40
3.74
0.22
0.39
0.00
0.21
0.38
4.60
0.20
0.37
0.05
0.18
0.35
0.975
0.16
0.33
14
0.15
0.31
14
0.12
0.28
2.96
3.37
0.10
3.05
3.48
0.25
3.13
3.59
0.08
3.21
3.69
0.22
3.37
3.88
0.05
3.40
3.91
0.17
3.42
3.95
0.02
3.45
3.98
0.11
3.49
4.02
0.01
3.52
4.07
0.05
3.56
4.12
0.00
3.61
4.18
0.00
3.67
4.25
0.95
3.73
4.33
0.995
3.80
4.42
14
3.89
4.54
14
4.00
2.11
2.46
4.67
2.16
2.52
4.14
2.20
2.59
4.85
2.25
2.64
4.32
2.33
2.76
5.07
2.34
2.77
4.56
2.35
2.79
5.37
2.37
2.81
4.89
2.38
2.84
5.80
2.40
2.86
5.42
2.42
2.89
6.48
2.45
2.92
6.36
2.48
2.96
7.70
2.51
3.01
8.68
2.54
3.06
10.80
2.59
3.12
0.01
2.64
3.20
0.005
2.71
3.29
15
2.79
3.41
15
2.90
3.58
0.57
0.51
3.06
0.54
0.49
3.80
0.52
0.46
3.29
0.50
0.43
4.15
0.45
0.39
3.68
0.45
0.38
4.77
0.44
0.37
4.54
0.43
0.37
6.20
0.43
0.36
0.05
0.42
0.35
0.025
0.41
0.34
15
0.39
0.33
15
0.38
3.22
0.42
0.31
3.33
0.39
0.37
3.44
0.36
2.84
0.30
3.54
0.33
2.93
0.35
3.73
0.29
3.02
0.28
3.76
0.28
3.10
0.33
3.80
0.27
3.26
0.27
3.83
0.26
3.28
2.06
2.38
0.31
3.87
0.26
3.31
2.11
2.45
0.24
3.92
0.25
3.34
2.15
2.51
0.28
3.97
0.24
3.37
2.19
2.57
0.22
4.03
0.22
3.41
2.28
2.68
0.25
4.10
0.21
3.45
2.29
2.70
0.19
4.18
0.20
3.50
2.30
2.72
0.22
4.27
0.18
3.55
2.32
2.74
0.16
4.38
0.17
3.62
2.33
2.76
0.17
4.52
0.15
3.69
2.35
2.79
0.12
4.69
0.13
3.78
2.37
2.82
0.11
4.91
0.10
3.89
2.40
2.85
0.07
5.21
0.08
4.03
2.42
2.89
0.05
5.64
0.05
4.20
2.46
2.93
0.03
6.30
0.02
4.44
2.49
2.99
0.00
7.51
0.01
4.77
2.54
3.05
0.00
0.00
5.29
2.59
3.12
0.95
10.58
6.23
2.66
3.22
0.975
0.005
0.995
8.53
2.74
3.34
15
16
15
0.01
2.85
3.50
15
16
3.01
0.58
0.52
3.73
0.55
0.49
3.24
0.53
0.46
4.08
0.50
0.44
3.63
0.46
0.39
4.69
0.45
0.39
4.49
0.44
0.38
6.12
0.44
0.37
0.05
0.43
0.36
0.025
0.42
0.35
16
0.41
0.34
16
0.40
0.33
3.10
0.43
0.38
3.21
0.40
0.32
3.31
0.37
2.32
2.75
0.37
3.41
0.34
2.38
2.83
0.30
3.61
0.29
2.44
2.92
0.35
3.64
0.28
2.50
3.00
0.29
3.67
0.27
2.62
3.16
0.33
3.71
0.27
2.63
3.19
0.27
3.75
0.26
2.65
3.21
0.31
3.79
0.25
2.67
3.24
0.25
3.84
0.24
2.70
3.27
0.29
3.90
0.23
2.72
3.31
0.22
3.97
0.21
2.75
3.35
0.25
4.05
0.20
2.79
3.40
0.19
4.14
0.18
2.82
3.46
0.22
4.25
0.17
2.87
3.52
0.16
4.39
0.15
2.92
3.59
0.17
4.56
0.13
2.98
3.68
0.12
4.78
0.10
3.06
3.79
0.12
5.07
0.08
3.16
3.93
0.07
5.50
0.05
3.28
4.10
0.05
6.16
0.02
3.44
4.34
0.03
7.35
0.01
3.66
4.67
0.00
0.00
4.01
5.19
0.00
10.38
4.62
6.11
0.95
0.005
0.995
6.04
8.40
0.975
0.01
16
17
16
0.025
16
17
17
10
11
12
13
14
0.36
2.31
15
0.37
2.29
16
0.37
2.27
17
0.38
2.26
18
0.39
2.24
19
0.40
2.23
20
0.44
2.15
30
0.47
2.10
40
0.50
2.06
60
0.53
2.01
120
n1
2
0.34
2.33
F (Continuacin)
1
0.33
2.35
TABLA
n2
0.32
2.38
0.44
0.59
0.30
0.56
2.41
0.53
0.40
0.29
0.51
3.10
2.45
0.46
0.37
0.27
0.46
3.20
2.49
0.45
0.34
0.25
0.44
3.30
2.55
0.43
0.29
0.22
0.42
3.50
2.61
0.41
0.29
0.19
0.40
3.53
2.70
0.39
0.28
0.16
0.37
3.56
2.81
0.36
0.27
0.12
0.34
3.60
2.96
0.31
0.26
0.07
0.29
3.64
3.20
0.26
0.25
0.03
0.22
3.68
3.59
0.17
0.24
0.00
0.12
3.73
4.45
0.05
0.23
0.05
0.00
3.79
17 0.975
0.95
0.22
17
17
3.86
2.99
0.20
2.66
3.94
2.75
0.19
2.84
4.03
2.92
0.17
3.08
4.14
3.10
0.15
3.13
4.28
3.16
0.13
3.19
4.44
3.23
0.10
3.27
4.66
3.32
0.08
3.37
1.97
2.26
4.96
3.43
2.02
2.32
0.05
3.51
2.06
2.38
5.37
3.60
2.11
2.44
0.02
3.71
2.19
2.56
6.03
3.84
2.20
2.58
0.01
4.01
2.22
2.60
7.21
4.25
2.23
2.62
0.00
4.58
2.25
2.64
10.22
5.09
2.27
2.67
0.005
6.01
2.29
2.70
0.995
8.29
2.31
2.73
18
0.01
2.34
2.77
17
18
2.37
0.54
2.81
0.50
2.41
0.47
2.87
0.45
2.46
0.40
2.93
0.39
2.51
0.39
3.01
0.38
2.58
0.37
3.10
0.36
2.66
0.35
3.22
0.34
2.77
0.32
0.44
0.59
3.38
0.31
0.41
0.56
2.93
0.29
0.38
0.54
3.61
0.27
0.35
0.51
3.16
0.25
0.30
0.46
3.95
0.22
0.29
0.46
3.55
0.19
0.28
0.45
4.56
0.16
0.27
0.44
4.41
0.12
0.26
0.43
5.98
0.07
0.25
0.42
0.05
0.03
0.24
0.41
0.025
0.00
0.23
0.40
18
0.975
0.22
0.39
18
18
0.20
2.89
0.37
3.00
0.19
3.11
0.36
3.21
0.17
3.40
0.34
3.43
0.15
3.46
0.32
3.50
0.13
3.54
0.29
3.59
0.10
3.64
0.26
3.70
0.08
3.76
2.20
2.58
0.22
3.84
2.27
2.67
0.05
3.93
2.33
2.76
0.17
4.04
2.39
2.84
0.02
4.18
2.51
3.00
0.12
4.34
2.53
3.03
0.01
4.56
2.55
3.05
0.05
4.85
2.57
3.08
0.00
5.27
2.59
3.12
0.00
5.92
2.62
3.15
0.95
7.09
2.65
3.19
0.995
10.07
2.68
3.24
18
0.005
2.72
3.30
18
19
2.76
1.93
3.36
1.98
2.82
2.03
3.43
2.07
2.88
2.16
3.52
2.17
2.96
2.18
3.63
2.20
3.05
2.21
3.77
2.23
3.17
2.26
3.94
2.28
3.33
2.31
0.60
0.54
4.17
2.34
0.57
0.51
3.56
2.38
0.54
0.48
4.50
2.42
0.51
0.45
3.90
2.48
0.47
0.40
5.01
2.54
0.46
0.40
4.51
2.63
0.45
0.39
5.93
2.74
0.45
0.38
5.92
2.90
0.44
0.37
8.18
3.13
0.43
0.36
0.01
3.52
0.42
0.35
0.025
4.38
0.40
0.34
19
0.05
0.39
0.32
19
19
0.38
0.45
0.31
0.41
0.36
0.38
0.29
0.35
0.34
0.30
0.27
0.29
0.32
0.28
2.52
2.81
0.25
0.27
2.61
2.92
0.29
0.27
2.69
3.02
0.22
0.26
2.78
3.12
0.26
0.24
2.94
3.32
0.19
0.23
2.96
3.35
0.22
0.22
2.99
3.38
0.16
0.20
3.02
3.42
0.17
0.19
3.05
3.46
0.12
0.17
3.09
3.50
0.12
0.15
3.13
3.55
0.07
0.13
3.18
3.61
0.05
0.10
3.23
3.68
0.03
0.08
3.29
3.76
0.00
0.05
3.37
3.85
0.00
0.02
3.46
3.96
0.95
0.01
3.56
4.09
0.975
0.00
3.70
4.26
19
0.995
3.87
4.47
19
19
4.10
1.90
2.16
4.76
1.95
2.22
4.43
1.99
2.29
5.17
2.04
2.35
4.94
2.12
2.46
5.82
2.14
2.48
5.85
2.15
2.50
6.99
2.17
2.52
8.10
2.18
2.55
9.94
2.20
2.57
0.01
2.22
2.60
0.005
2.25
2.64
20
2.28
2.68
20
2.31
0.55
2.72
0.51
2.35
0.48
2.77
0.46
2.39
0.41
2.84
0.40
2.45
0.39
2.91
0.38
2.51
0.37
3.01
0.36
2.60
0.35
3.13
0.34
2.71
0.33
3.29
0.31
0.46
0.60
2.87
0.29
0.42
0.57
3.51
0.27
0.38
0.54
3.10
0.25
0.35
0.52
3.86
0.22
0.30
0.47
3.49
0.19
0.29
0.46
4.46
0.16
0.29
0.46
4.35
0.12
0.28
0.45
5.87
0.07
0.27
0.44
0.05
0.03
0.26
0.43
0.025
0.00
0.25
0.42
20
0.975
0.23
0.41
20
20
0.22
2.30
0.39
2.42
1.87
2.11
0.21
2.52
1.94
2.21
0.38
2.63
2.01
2.30
0.19
2.82
2.07
2.39
0.36
2.85
2.20
2.55
0.17
2.89
2.21
2.57
0.34
2.92
2.23
2.60
0.15
2.96
2.26
2.63
0.32
3.01
2.28
2.66
0.13
3.06
2.31
2.70
0.29
3.11
2.34
2.74
0.10
3.18
2.37
2.79
0.26
3.25
2.41
2.84
0.08
3.34
2.46
2.91
0.22
3.45
2.51
2.98
0.05
3.58
2.57
3.07
0.17
3.74
2.65
3.17
0.02
3.95
2.75
3.30
0.12
4.23
2.87
3.47
0.01
4.62
3.03
3.70
0.05
5.24
3.25
4.02
0.00
6.35
3.59
4.51
0.00
9.18
4.18
5.39
0.95
0.005
5.57
7.56
0.995
0.01
20
30
0.025
20
30
30
TABLA F (Continuacin)
0.05
0.00
4.17
0.01
0.05
0.03
3.32
0.02
0.12
0.07
2.92
0.05
0.17
0.12
2.69
0.08
0.22
0.16
2.53
0.11
0.26
0.20
2.42
0.13
0.30
0.23
2.33
0.16
0.32
0.26
2.27
0.18
0.35
0.28
2.21
0.20
0.37
0.30
2.16
10
0.21
0.39
0.32
2.13
11
0.23
0.41
0.34
2.09
12
0.25
0.42
0.35
2.06
13
0.26
0.43
0.37
2.04
14
0.27
0.45
0.38
2.01
15
0.28
0.46
0.39
1.99
16
0.29
0.47
0.40
1.98
17
0.30
0.47
0.41
1.96
18
0.31
0.48
0.42
1.95
19
0.32
0.49
0.43
1.93
20
0.38
0.54
0.48
1.84
30
0.42
0.57
0.51
1.79
40
0.46
0.61
0.55
1.74
60
0.50
0.64
0.59
1.68
120
n1
0.975
0.00
0.00
n2
0.95
30
0.995
0.005
8.83
6.07
4.98
4.37
3.99
2.74
3.29
3.71
2.62
3.12
3.51
2.53
2.99
3.35
2.45
2.89
3.22
2.39
2.80
3.12
2.33
2.73
3.03
2.29
2.66
2.95
2.25
2.61
2.89
2.21
2.56
2.83
2.18
2.52
2.78
2.15
2.48
2.74
2.13
2.45
2.70
2.11
2.42
2.66
2.09
2.39
2.63
2.07
2.37
2.60
1.94
2.20
2.40
1.88
2.11
2.30
1.80
2.02
2.18
1.72
1.92
2.06
30
30
30
40
2.90
0.62
1.58
3.51
0.57
1.64
3.13
0.53
1.69
3.83
0.50
1.74
3.46
0.44
1.84
4.31
0.43
1.85
4.05
0.42
1.87
5.18
0.41
1.89
5.42
0.40
1.90
7.31
0.39
1.92
0.01
0.37
1.95
0.025
0.36
1.97
40
0.34
2.00
40
0.33
0.67
2.04
0.63
0.31
0.59
2.08
0.56
0.29
0.50
2.12
0.49
0.26
0.48
2.18
0.48
0.23
0.46
2.25
0.45
0.20
0.44
2.34
0.43
0.16
0.41
1.83
0.53
2.45
0.40
1.96
0.48
0.12
0.38
2.08
0.44
2.61
0.35
2.19
0.40
0.07
0.33
2.39
0.33
2.84
0.30
2.42
0.32
0.03
0.26
2.45
0.31
3.23
0.22
2.49
0.30
0.00
0.17
2.53
0.29
4.08
0.12
2.57
0.28
0.05
0.05
2.62
0.27
0.975
0.00
2.68
0.25
40
0.95
2.74
0.24
40
40
2.82
1.73
0.22
1.84
2.90
1.94
0.20
2.03
3.01
2.20
0.18
2.22
3.13
2.25
0.16
2.28
3.29
2.31
0.13
2.35
3.49
2.39
0.11
2.44
3.76
2.50
1.47
1.58
0.08
2.56
1.53
1.67
4.14
2.63
1.59
1.74
0.05
2.72
1.65
1.82
4.73
2.82
1.75
1.94
0.02
2.95
1.76
1.96
5.79
3.12
1.78
1.98
0.01
3.34
1.80
2.01
8.49
3.65
1.82
2.03
0.00
4.13
1.84
2.06
0.005
4.98
1.86
2.09
0.995
7.08
1.89
2.13
60
0.01
1.92
2.17
40
60
1.95
0.65
2.22
0.60
1.99
0.55
2.27
0.52
2.04
0.45
2.33
0.44
2.10
0.43
2.41
0.42
2.17
0.41
2.51
0.40
2.25
0.38
2.63
0.37
2.37
0.35
0.57
0.70
2.79
0.33
0.51
0.65
2.53
0.31
0.46
0.61
3.01
0.29
0.41
0.57
2.76
0.26
0.34
0.51
3.34
0.24
0.33
0.51
3.15
0.20
0.32
0.50
3.93
0.16
0.31
0.49
4.00
0.12
0.30
0.47
5.29
0.07
0.29
0.46
0.05
0.03
0.27
0.45
0.025
0.00
0.26
0.44
60
0.975
0.24
0.42
60
60
0.22
1.61
0.40
1.75
0.21
1.87
0.38
1.98
0.18
2.19
0.36
2.22
0.16
2.25
0.33
2.29
0.14
2.33
0.30
2.37
0.11
2.42
0.27
2.48
0.08
2.54
1.43
1.53
0.23
2.62
1.53
1.66
0.05
2.71
1.61
1.76
0.18
2.81
1.69
1.86
0.02
2.93
1.82
2.03
0.12
3.09
1.84
2.06
0.01
3.28
1.87
2.09
0.05
3.55
1.89
2.12
0.00
3.92
1.92
2.15
0.00
4.50
1.94
2.19
0.95
5.54
1.98
2.23
0.995
8.18
2.01
2.28
60
0.005
2.05
2.34
60
120
2.10
1.35
2.40
1.43
2.16
1.50
2.47
1.55
2.22
1.66
2.56
1.67
2.30
1.69
2.66
1.71
2.39
1.73
2.79
1.75
2.52
1.78
2.96
1.80
2.67
1.83
0.74
0.70
3.17
1.87
0.68
0.63
2.89
1.91
0.63
0.58
3.48
1.96
0.59
0.54
3.23
2.02
0.53
0.46
3.95
2.09
0.52
0.45
3.80
2.18
0.51
0.44
4.79
2.29
0.50
0.43
5.15
2.45
0.49
0.42
6.85
2.68
0.47
0.41
0.01
3.07
0.46
0.39
0.025
3.92
0.44
0.38
120
0.05
0.43
0.36
120
120
0.41
0.62
0.34
0.55
0.39
0.48
0.32
0.43
0.36
0.36
0.29
0.35
0.34
0.33
0.27
0.32
0.31
0.31
0.24
0.30
0.27
0.28
0.20
0.27
0.23
0.25
0.16
0.23
0.18
0.21
0.12
0.19
0.12
0.16
0.07
0.14
0.05
0.11
0.03
0.08
0.00
0.05
0.00
0.02
0.95
0.01
0.975
0.00
120
0.995
120
120
BIBLIOGRAFA
Aliaga, M. y Gunderson B. ( 1998). Interactive Statistics. Edition Preliminary. Prentice Hall.
Inc.
Agresti, Alan (1990). Categorical Data Analysis. John Wiley & Sons, Inc.
Agresti, Alan (1996). An Introduction to Categorical Data Analysis. John Wiley & Sons, Inc.
Ato Garca, M. y Lopez Garca, J.J (1996). Anlisis Estadstico para Datos Categricos.
Sntesis S.A. Madrid.
Cook, R.D y Weisberg.S. (1986). Residuals and Influence in Regression Chapman and
Hall.
Dixon, W. y Massey, F.J. (1970). Introduccin al Anlisis Estadstico. McGraw-Hill.Inc.
Mxico.
Freund, J. y Manning Smith, R. (1989). Estadstica. Cuarta Edicin. Prentice Hall
Hispanoamericana S.A. Mxico.
Freund, J. y Walpole, R. (1990). Estadstica Matemtica con Aplicaciones. Cuarta Edicin.
Prentice Hall Hispanoamericana S.A. Mxico.
Guzman M. ; Colera J. y Salvador A. (1987). Matemticas: Bachillerato I. Ed. Anaya
S.A. Madrid.
Harnett, D. y Murphy, J. (1987). Introduccin al Anlisis Estadstico. Segunda Edicin.
Addison-Wesley Iberoamericana.S. A.
Johnson N. L. y Kotz S. (1970). Continuous Univariate Distributions - 2. Houghton Mifflin
Company. Boston.
Lehmann E.L. (1983) . Theory of Point Estimation . John Wiley & Sons, Inc.
Martinez, Ricardo (1995). Diseos Aplicados en Frutales y en Biotecnologa
Simposio Internacional de Estadstica. Departamento de Matemticas y Estadstica.
Universidad Nacional de Colombia.
Mead, R. , Curnow R. N. y Hasted, A.M. (1993). Statistical Methods in Agriculture and
Experimental Biology . Chapman & Hall.
Mendenhall, W. ; Wackerly, D. y Scheaffer, R. (1994). Estadstica Matemtica con
Aplicaciones . Segunda Edicin. Grupo Editorial Iberoamerica.Mxico.
Meyer, Paul. (1992). Probabilidad y Aplicaciones Estadsticas Edicin Revisada. AddisonWesley Iberoamericana.Mxico.
Mischan, M. y Zambello de Pinho, S. (1996). Experimentao Agronmica - Dados NoBalanceados FUNDIBIO. Botucatu. San Pablo. Brasil.