Estadistica Aplicada

Estadstica Aplicada
A. Aspectos preliminares
1. Competencias
1.1. Conceptuales
Reconoce el concepto de estimacin puntual y por intervalos.
1.2. Procedimentales
Calculan estimaciones puntuales o intervlicas de los parmetros de
una poblacin.
1.3. Actitudinales
Resuelve situaciones en donde se quiere estimar los parmetros de
una poblacin en estudio.
B. Desarrollo del contenido, sus procedimientos y modalidad
1. Contenido programtico
El contenido programtico de la unidad referida es el siguiente:
Estimacin de parmetros: Introduccin: Estimacin Puntual
(Estimacin puntual para la media poblacional Estimacin
Puntual para la varian!a poblacional Estimacin de parmetros
de dos poblaciones Estimacin puntual de una poblacin de
variable cualitativa Estimacin puntual de dos poblaciones de
variables cualitativas" y Estimacin por intervalos (Intervalo de
confian!a para la media poblacional Intervalo de confian!a para
la diferencia de medias poblacionales Intervalo de confian!a
para la proporcin poblacional Intervalo de confian!a para la
diferencia de proporciones poblacionales".
2. Modalidad y procedimiento de desarrollo de la unidad
Durante la fase a distancia
a" Cada alumno lee la primera unidad del mdulo.
b" Cada alumno desarrolla las prcticas dirigidas y los traba#os
prcticos.
c" Remite las prcticas y los traba#os a la pgina $eb de PR%E&'(
Durante la fase presencial/tutorial
a" E)posicin sobre los traba#os elaborados y remitidos.
b" Refuer!o del profesor con incidencia y correccin en los puntos
fuertes y debilidades.
PROESAD Programa de Educacin Superior a Distancia
*+
Mg. Mara Vallejos Atalaya
utor!a "#
$stimaci%n de parmetros& estimaci%n
puntual y estimaci%n por inter'alos
1.1. (")*D+CC(,"
,os m-todos estad.sticos inferenciales constituyen una forma de e)traer conclusiones respecto a
una poblacin de los datos obtenidos realmente de una muestra.
,a inferencia estad.stica comprende dos tipos principales de t-cnicas: Estimacin de parmetros y
contrastacin de /iptesis. Independientemente de la t-cnica que se utilice la finalidad general es
utili!ar datos de una muestra para e)traer conclusiones respecto a una poblacin.
1.2. $-(MAC(," D$ PA).M$)*-
,as t-cnicas de estimacin son utili!adas cuando el investigador no tiene /iptesis previa respecto
al valor de una caracter.stica de la poblacin y desea conocer cul podr.a ser tal valor.
,a estimacin puede asumir 0 formas:
1 Estimacin puntual
1 Estimacin por intervalos
1.2.1. $stimaci%n puntual
Contiene el clculo de una sola cifra num-rica esto es un valor estad.stico para evaluar el
parmetro desconocido de la poblacin.
2na desventa#a de esta forma de estimacin es que no aporta la precisin de la estimacin del
parmetro.
,as estimaciones puntuales ms usuales son:
('" Estimacin Puntual para la media poblacional.
&e /alla mediante las siguientes frmulas.
1 Para datos simples 1 Para datos agrupados
f
f
x
= x =
n
x
= x =
i
i
i i

(3" Estimacin Puntual para la varian!a poblacional.
&e /alla mediante las siguientes frmulas.
1
*4
Estadstica Aplicada
1 Para datos simples 1 Para datos agrupados
f
x n f x
=
s
=
n
x n x
=
s
=
2 2 2
1
) (
1
) (
2 2
2
2 2
(C" Estimacin de parmetros de dos poblaciones

&ea 5* una variable aleatoria que se distribuye como una distribucin normal con media
1

y varian!a
2
1
e 50 otra variable aleatoria que se distribuye como una distribucin normal
con media
2
y varian!a
2
2
.
,a estimacin de parmetros de dos poblaciones se pueden reali!ar mediante:
a" ,a comparacin de sus medias luego:

2 1 2 1 2 1
x - x = - = -
b" ,a comparacin de sus varian!as luego:
s
s
= =
2
x
2
x
x
x
x
2
x
2
1
2
1
2
2
1
2
((" Estimacin puntual de una poblacin de variable cualitativa

&ea 5 una variable cualitativa con:
tica caracters la de Presencia : A
P - 1 = Q y
A X si 0,
A X si 1,
N
M
N
X
P con
X
i

'
,uego:
p - 1 = q y
A x si 0,
A x si 1,
n
m
N
x
p con
x
i

'
Entonces:
P p
(E" Estimacin puntual de dos poblaciones de variables cualitativas
&ea 5* la variable aleatoria de una poblacin cualitativa con P)* proporcin de aciertos en 5*
y sea 50 la variable aleatoria de otra poblacin cualitativa con P)0 proporcin de aciertos en
50 luego:
p - p =
P
-
P
=
P
-
P
x x x x
x x
2 1 2 1
2 1

1.2.2. $stimaci%n por inter'alos
,a estimacin por intervalos de un parmetro nos indica l.mites dentro de los cuales el parmetro
tiene la probabilidad especificada de estar. ,os estimados por intervalos se conocen como
intervalos de confian!a y los l.mites inferior y superior como los l.mites de confian!a.
*6

En general el intervalo de confian!a para el parmetro se e)presa:
P( - k + k ) = 1 -

< <
(onde:
7 Parmetro
7 Estimador
8 7 9alor tabulado
7 (esviacin estndar del estimador

* 7 :ivel de confian!a
,os intervalos de confian!a ms usuales son:
('" Intervalo de confian!a para la media poblacional (
"
Para determinar el intervalo de confian!a para la media poblacional se debe tomar en cuenta
lo siguiente:
1 Cuando se conoce la varian!a de la poblacin y;o el tama<o de muestra n +=.
P( x - Z
n
x + Z
n
) = 1 -
2 2
( ) ( ) 1 1
< <

1 Cuando no se conoce la varian!a de la poblacin y el tama<o de muestra n > +=.

P( x - t
s
n
x + t
s
n
) = 1 -
( n (
2
,n-1) 1
2
1 1
< <

, )
(3" Intervalo de confian!a para la diferencia de medias poblacionales
&e presentan los siguientes casos:
1 &i
2
1
y
2
2
son conocidos

- 1 = ]
n
+
n
Z
+ ) x - x ( -
n
+
n
Z
- ) x - x P[(
2 2 2 2
2
2
2
1
1
)
2
1 ( 2 1 2 1
2
2
1
1
) 1 ( 2 1
< <
1 &i
2
1
y
2
2
no son conocidos
se presentan dos casos:
a. &i
2
1
es apro)imadamente igual a
2
y
entonces

2
1

2
2

2

- 1 = ] )
n
1
+
n
1
(
s t
+ ) x - x ( - )
n
1
+
n
1
(
s t
- ) x - x P[(
2
1) - n ,
2
(
2
1) - n ,
2
(

2 1
1 2
1
2 1
2 1
1 2
1

< <
2 -
n
+
n
s
1) -
n
( +
s
1) -
n
(
=
s
: donde
2 2
2
2 1
2 2 1 1
b. Cuando
2
1
es diferente a
2
2

*?
Estadstica Aplicada

- 1 = ]
n
s
+
n
s
t
+ ) x - x ( -
n
s
+
n
s
t
- ) x - x P[(
2 2
1) - n
2 2
1) - n ,
2
(
2
2
1
1
,
2
1 (
2
1
2 1
2
2
1
1
1
2 1

%bservacin:
&. n*@ n0 1 0 += el valor tabulado es A(* 1 ;0"
&. n* @ n0 1 0 > += el valor tabulado es t(n* @ n0 B 0 * 1 ;0"
(C" Intervalo de confian!a para la proporcin poblacional
&e presentan los siguientes casos:
1 Cuando el tama<o de muestra es grande (n +="

P(p - Z
p
n
P p + Z
p
n
= 1 -
2 2
( ) ( )
)
1 1
< <

1 Cuando el tama<o de muestra es peque<o (n > +="

P(p - t
p
n
P p + t
p
n
) = 1 -
(
2
,n-1) (
2
,n-1) 1 1
< <

((" Intervalo de confian!a para la diferencia de proporciones poblacionales

&e pueden presentan los siguientes casos:
- &i n* y n0 son muestras grandes (n* @ n0 1 0 +="

- 1 = ]
n
p
+
n
p
Z
+ ) p - p ( P -
P
n
p
+
n
p
Z
- ) p - p P[(
2 2
2
2 2
1
1 1
) 1 (
2 1 2 1
2
2 2
1
1 1
) 1 (
2 1

< <
- &i n* y n0 son muestras peque<as (n* @ n0 1 0 < +="

- 1 = ]
n
p
+
n
p
t
+ ) p - p (
P
-
P
n
p
+
n
p
t
- ) p - p P[(
1) - n ,
2
( 1) - n ,
2
(
2
2 2
1
1 1
1
2 1
2 1
2
2 2
1
1 1
1 (
1 1

< <
:ota: &i los tama<os de muestra son muy diferentes por e#emplo n* 7 C= n0 7 0= se
recomienda emplear:
n
+
n
p
n
+ p
n
= p : donde

)
n
1
+
n
1
)( p - (1 p =
s
y x
2
2 1
2
2
1
1
esta proporcin denota la proporcin con#unta de las dos muestras.
*D
$/emplo 1.1
Se ensaya n test para deter!inar el c"ciente de inteli#encia a $ al!n"s% l"s resltad"s &er"n:
'$, 10$, '2, 111, 102, '(, $', 11()
(etermine: a" estimacin puntual y b" estimacin por intervalo (use el E=F de confian!a" para el
promedio verdadero del cociente de inteligencia.
-oluci%n
n 7 C x 7 *=*.06 la desviacin estndar del estimador s lo calcularemos a partir de la frmula de
la varian!a para datos simples:
1 $
) 2( ) 101 ( $ ) 11( $' '( 102 111 '2 10$ '$ (
1
) (
2 2 2 2 2 2 2 2 2
2 2
+ + + + + + +
n
x n x
=
s
=
2 2
',*++
+
( ) ,1(

Estos es redondeando s 7 E.+C
'/ora como nos estn pidiendo considerar el E=F de confian!a escribimos as.: - 1 7 =.E= y a
fin de buscar en la tabla el valor p. ' la igualdad - 1 dividimos entre 0 a cada uno de sus
miembros
2
'0 ) 0
2 2
1

sumamos G ambos miembros

2
1
2
'0 ) 0
2 2
1
2
1
+ +

7 =.E= y
obtenemos:

2
1 7 =.E6
3uscamos en tabla del ap-ndice nH 6 (que est en la parte final de este mdulo" el nImero que
concuerda para una poblacin n1* 7 C1* 7D en la columna de la i!quierda y p 7 =.E6 en la fila
superior de la tabla y vemos que el nImero que coincide es *.CE6.
.
Como el nImero de la muestra n es menor que += (n < +=" entonces n ser considerado dentro
del par-ntesis en la e)presin t:
t(n B * * 1 ;0" 7 t(D=E6" 7 *.CE6
Podemos obtener este nImero introduciendo en E)cel 0 valores& pro0a0ilidad 1 1 ) 0 2 y los
*C
Estadstica Aplicada
grados de li0ertad que es el nImero de la muestra menos la unidad (C1*7 C1* 7D". Esto es:
("3..2C 1pro0a0ilidad4 grados5de5li0ertad2
INV.T.2C (0,1; 7)= 1,894578605
a2 $stimaci%n puntual&
2samos la frmula para calcular la media poblacional:

i x
= x =
n

2( ) 101
x
Por lo tanto el cociente de inteligencia medio verdadero de los C alumnos es de *=*.06
02 $stimaci%n por inter'alo&
'/ora. Para calcular estimacin del promedio del verdadero cociente de inteligencia por intervalo
al E=F de confian!a usamos la frmula:
- 1 = )
n
s
t
+ x
n
s
t
- x P(
) ( ( '( ) 0 , + ) '( ) 0 ,) +
< <
Reempla!ando los datos n 7 C x 7 *=*.06 s 7 E.+C y
$'( ) 1
) '( ) 0 ,) +

t(
:
- 1 = ) - P(
$
*$ ) '
$'( ) 1 2( ) 101
$
*$ ) '
$'( ) 1 2( ) 101 + < <
&e obtiene
- '0 (* ) 10+ '+ ) '. = ] P[ < <
,uego el promedio verdadero del cociente de inteligencia de los alumnos se encuentra entre E4.ED
y *=D.6+ para un intervalo de confian!a de E=F.
)$P*)$ D$ -P--
Paso 1: Introducimos los datos a nombre: CI y etiqueta c"ciente de inteli#encia a $ al!n"s
*E
Paso 2: En la pesta<a de vista de datos elegimos en Janali!arK Jcomparar mediasK y luego damos
clic en Jprueba L para una muestraK.
Paso 3: (amos clic en KopcionesK y en la casilla al pie de Jporcenta#e del intervalo de confian!aK
escribimos E=F de acuerdo al problema.
0=
Estadstica Aplicada
Paso 3: /esltad"s)
,uego el promedio verdadero del cociente de inteligencia de los alumnos se encuentra entre E4.ED
y *=D.6+ para un intervalo de confian!a de E=F.
$/emplo 1.2
2na muestra aleatoria de *== /ogares de una ciudad indica que el promedio de los ingresos
mensuales es de M 6==. Encuentre un intervalo de confian!a del E6 F para la media poblacional
de los ingresos de todos los /ogares de esa ciudad. &uponga N 7 M **=.
-oluci%n
n 7 *== x 7 6== N 7 M **= - 1 7 =.E6.
(onde 0( ) 0 es la probabilidad de la poblacin estimada. ,uego
2
1 7 =.ED6. Como n O
+= entonces no consideramos en A la poblacin slo p 7 * 1 ;07=.ED6. Esto es:
A (* 1 ;0" 7 A (=.ED6" 7 *.E?
Podemos obtener este nImero introduciendo en E)cel 0 valores& pro0a0ilidad 1 0( ) 0 2 y los
grados de li0ertad que es el nImero de la muestra menos la unidad (n1*7 *==1* 7EE". Pero como
nO+= el grado de libertad cuando tiende a infinito es ms e)acto. Por e#emplo si ponemos *==== el
nImero A ser cada ve! ms e)acto. Claro en E)cel slo se acepta /asta die! d.gitos (*=
*=
".

Esto es:
("3..2C 1pro0a0ilidad4 grados5de5li0ertad2
INV.T.2C(0,05; 10000000000)=1,959964409
0*
En la tabla del apnd!e n" 5 (d#t$b%!&n a!%'%lat(a) )alla'*# e#te +lt'* n+'e$* al
,nal de la !*l%'na del n+'e$* p = =.ED6 en n .
Por formula
(1 ) (1 )
2 2
) P( x - x + = 1 -
Z Z
n n

< <
Reempla!ando
00
Estadstica Aplicada
110 110
(00 1)', (00 1)', ) '(-
100 100
P( - + = < <
&e obtiene
.+$).. (21)(, '(- P[ ] = < <
Esto es se tiene una confian!a del E6F que el promedio del ingreso familiar poblacional de esa
ciudad est en el intervalo M 4DC.44 y M 60*.6?.
$/emplo 1.3
Como parte de un e)perimento una gran empresa manufacturera encontr que el tiempo
promedio requerido para que *? empleados escogidos al a!ar completaran una tarea determinada
era de 0? minutos la desviacin estndar 6 minutos. Construir el intervalo de confian!a del E6F
para la media poblacional.
-oluci%n
n 7 *? x 7 0? s 7 6 *1 7 =.E6 ,uego
2
1 7 =.ED6
como n > += entonces t(n B * * 1 ;0" 7 t(*6 =.ED6" 7 0.*+*
Por formula
- 1 = )
n
s
t
+ x
n
s
t
- x P(
) ( ( '+( ) 0 , 1( ) '+( ) 0 , 1(
< <
Reempla!ando
- '( )
1,
(
1*1 ) 2 2,
1,
(
1*1 ) 2 2, = + - P( < <
&e obtiene
- '( ,, ) 2$ *. ) 2* = ] P[ < <
Esto es se tiene una confian!a del E6F que el promedio real del tiempo(en minutos" requerido
para que *? empleados escogidos al a!ar completen una tarea est- en el intervalo 0+.+ y 0C.?
minutos.
$/emplo 1.6
&e /a /ec/o un estudio de las diferencias entre estudiantes universitarios del primer a<o que
estuvieron en academias y estudiantes que no estuvieron. Para ello se tom una muestra aleatoria
de 6= estudiantes universitarios que /ab.an asistido a academias y una muestra aleatoria simple
independiente de ?= estudiantes que no lo /ab.an /ec/o. 'l final del primer semestre se
administr a los estudiantes una prueba de rendimiento en matemtica. ,os que /ab.an asistido a
academias obtuvieron un punta#e promedio de *46 con una varian!a de 4CP y el punta#e
promedio para el grupo que no /ab.a asistido a la academia fue de *+D6 con una varian!a de
?4. Construya un intervalo de confian!a para la diferencia entre las dos medias poblacionales
(use EEF de confian!a".
-oluci%n
A-(-($)*" ACAD$M(A
"* A-(-($)*"
ACAD$M(A
n1
7 6=
1 x
7*4.6
s
2
1
7 4.C
n2
7 ?=
2
x 7*+.D6
s
2
2
7 ?.4
* 1 7 =.EE luego *1
2
7 =.EE6
Como n1
@ n2
1 0 O += entonces A (* 1 ;0" 7 A(=.EE6" 7 0.6C
Por formula
0+

- 1 = ]
n
s
+
n
s
!
+ ) x - x ( -
n
s
+
n
s
!
- ) x - x P[(
2 2
)
2 2
)
2
(
2
2
1
1
2
1 (
2
1
2 1
2
2
1
1
1
2 1

Reempla!ando
- ''
,0
. ) ,
(0
$ ) .
($ ) 2 +( ) 1* ( ) 1.
,0
. ) ,
(0
$ ) .
($ ) 2 +( ) 1* ( ) 1.
2 1
= ] + + ) - ( - + - ) - P[( < <
&e obtiene
- '' '1 ) 1 .1 ) 0
2 1
= ] - P[ < <
$/emplo 1.7
,os estudiantes que se matricularon en un curso de investigacin educativa fueron distribuidos al
a!ar en dos grupos. El grupo ' utili! numerosas t-cnicas y actividades para enriquecer el curso.
El grupo 3 estudi mediante el m-todo tradicional de conferencias. ,os punta#es obtenidos en una
prueba de rendimiento /ec/a al terminar el curso dieron los siguientes resultados:
Qrupo n x s
' (*" *= C= C
3 (0" *0 D0 *=
Construir el intervalo de confian!a del E=F para la diferencia de los punta#es promedios
poblacionales.
-oluci%n
* 1 7 =.E= luego * 1
2
7 =.E6
Como n* @ n0 B0 > += entonces t (n* @ n0 B0*B ;0" 7 t(0= =.E6" 7 *.D06
Por formula

- 1 = ]
n
s
+
n
s
t
+ )
x
-
x
( -
n
s
+
n
s
t
- )
x
-
x
P[(
2 2
n (n
2 2
n (n
2
2
1
1
) 2 0 1 , 2
2 1 2 1
2
2
1
1
) 2 0 1 , 2
2 1 2 1 2 1
+ +
< <
Reempla!ando
- '0
12
100
10
,.
+2( ) 1 +2 $0
12
100
10
,.
+2( ) 1 +2 $0
2 1
= ] + + ) - ( - + - ) - P[( < <
&e obtiene
- '0 ,2 ) 1. *$ ) 1
2 1
= ] - P[ < <
$/emplo 1.8
2na encuesta para verificar las actitudes de los empleados ante el bolet.n mensual se les pidi a
6== empleados de una gran organi!acin nacional que indicaran con que frecuencia le.an el
bolet.n de noticias. (e los 6== +D6 informaron que le.an todas las ediciones. Construir el intervalo
de confian!a del E6F para la proporcin real de los que opinan afirmativamente.
-oluci%n&
n 7 6==
p
7
(00
*+(
7 =.D6
7=.06 *1 7 =.E6 luego

2
1 7 =.ED6
04
Estadstica Aplicada
Como n O += entonces A(* 1 ;0" 7 A(=.ED6" 7 *.E?
Por formula

- 1 = ]
n
p
Z
+ p P
n
p
Z
- P[p
) 2 0 1 ( ) 2 0 1 (
< <
Reempla!ando
- '(
(00
) 2( ) 0 ( +( ) 0
', ) 1 +( ) 0
(00
) 2( ) 0 ( +( ) 0
', ) 1 +( ) 0 = ] + P - P[ < <
&e obtiene
- '( +' ) 0 +1 ) 0 = ] P P[ < <
$/emplo 1.9
En una muestra aleatoria de 4== adultos y ?== #venes que vieron un cierto programa de
televisin *== adultos y +== #venes reconocieron que les /ab.a gustado. (eterminar los l.mites
de confian!a del EEF para la diferencia de proporciones de todos los adultos y #venes que vieron
con agrado el programa.
-oluci%n
AD+:*- ;,3$"$-
n1
7 4==
"1
7 *==
p
1
7
2( ) 0
1
1
n
"
1
7 *1p* 7 =.D6
n2
7 ?= =
"2
7 +==
p
2
7
( ) 0
2
2
n
"
2
7 * B p0 7 =.6
* 1 7 =.EE ,uego *1
2
7 =.EE6
Como n*@ n0 1 0 O += entonces A (* 1 ;0" 7 A(=.EE6" 7 0.6C
Puesto que los tama<os de muestras son muy diferentes se emplea la varian!a mancomunada
as.:
n
+
n
p
n
+ p
n
= p
2 1
2
2
1
1
Reempla!ando
. ) 0
1000
.00
,00 .00
*00 100

+
+
= p

)
n
1
+
n
1
)( p - (1 p =
s
2 1

)
1
+
1
)( ( =
s
0*2 ) 0
,00 .00
, ) 0 . ) 0
Por formula

- 1 = ] )
n
1
+
n
1
)( p - (1 p
Z
+ ) p - p (
P
-
P
)
n
1
+
n
1
)( p - (1 p
Z
- ) p - p P[(
2 1
2 0 0 1 (
2 1
2 1
2 1
2 0 0 1 (
2 1
< <
Reempla!ando
06
- '' ) 0*2 ) 0 ( ($ ) 2 ( ) 0 2( ) 0 ) 0*2 ) 0 ( ($ ) 2 ( ) 0 2( ) 0 = ] + ) (
P
-
P
- ) P[(
# $
< <
&e obtiene
- '' 1+ ) 0 ** ) 0
2 1
= ]
P
-
P
P[ < <
0?
Estadstica Aplicada
A+*$3A:+AC(,"
*. &e<ale con una 9 si es verdadero o R si es falso en los siguientes enunciados:
( " El m-todo de estimacin de un parmetro puede ser: puntual o por intervalos.
( " ,a Inferencia estad.stica comprende dos tipos principales de t-cnicas.
( " ,a estimacin por intervalos contiene el clculo de una sola cifra num-rica.
( " &e obtiene conclusiones de la poblacin a trav-s de la informacin de la muestra.
( " En la estimacin puntual incluye un intervalo en el que estn comprendidos los
valores del parmetro.
0. (e una poblacin se escogieron al a!ar *= personas y se les tomo la estatura. ,os resultados
en cm fueron: *?= *D= *D= *6= *?= *C= *?= *D= *+= *6=.
a" Estime la media y la varian!a.
+. En una universidad se desea conocer la opinin de los estudiantes acerca de ciertas medidas
que /an tomado las directivas. (e *0= estudiantes consultados E= estuvieron a favor.
a" Estime la proporcin de estudiantes que estn a favor de las medidas
4. Para estimar la media del consumo (dlares" en el restaurante de una universidad se tom
una muestra de 4E profesores. &uponga una desviacin estndar poblacional de 6 dlares. &i
la media en la muestra fue de 04.C= dlares mensuales.
a" SCul fue el intervalo de confian!a de E6F para el consumo medio poblacionalT
6. ,os siguientes nImeros representan el tiempo(en minutos" que tardaron *6 operarios en
familiari!arse con el mane#o de una nueva mquina adquirida por la empresa: +.4 0.C 4.4
0.6 +.+ 4 4.C 0.E 6.? 6.0 +.D + +.? 0.C 4.C.
a" (etermina e interpreta un intervalo del E6F de confian!a para el verdadero tiempo
promedio.
b" El instructor considera que el tiempo promedio requerido por los traba#adores es
mayor que 6 minutos Squ- se puede decir de acuerdo con el intervalo /alladoT
?. 2na marca de lavadoras quiere saber la proporcin de amas de casa que preferir.an usar su
marca. Loman al a!ar una muestra de *== amas de casa y 0= dicen que la usar.an.
a" Calcula un intervalo de confian!a del E6F para la verdadera proporcin de amas de
casa que preferir.an dic/a lavadora.
0D
+nidad 2
P)+$BA D$ <(P*$-(- D$ PA)AM$)* P*B:AC(*"A:$-
:H de tutor.as: (os
utor!a "# 1& PR2E3' (E UIPVLE&I&: C%:CEPL%& 3W&IC%&P PR2E3' (E
UIPVLE&I& P'R' 2:' XE(I'P 2:' 9'RI':A' Y (%& 9'RI':A'
P%3,'CI%:',
utor!a "# 2& PR2E3' (E UIPVLE&I&: PR%P%RCIV: P%3,'CI%:',P (%&
XE(I'& P%3,'CI%:',E&P (%& PR%P%RCI%:E& P%3,'CI%:',E&.
0C
Estadstica Aplicada
0E
1. Competencias
1.1. Conceptuales
Reconoce el concepto de prueba de /iptesis para los parmetros.
Comprobar las pruebas de /iptesis en las investigaciones cient.ficas.
1.3. Actitudinales
Resuelve situaciones en donde el inter-s es probar /iptesis de los
parmetros de una poblacin en estudio.
El contenido programtico de la unidad referida es el siguiente:
Introduccin Concepto prueba de /iptesis /iptesis nula /iptesis
alternativa errores de prueba y nivel de significacin pruebas
bilaterales y unilaterales prueba de /iptesis referida a la media
poblacional prueba de /iptesis sobre la varian!a poblacional prueba
de /iptesis referida a dos variancias poblacionales prueba de
/iptesis referida a la proporcin poblacional prueba de /iptesis
referida a la diferencia entre dos medias poblacionales prueba de
/iptesis referida a la diferencia entre dos proporciones poblacionales
prcticos.
+=
Estadstica Aplicada
utor!a "#
Prue0a de =ip%tesis& conceptos 0sicos4
prue0a de =ip%tesis para una media4 una
'arian>a y dos 'arian>a po0lacional
2.1. (")*D+CC(,"
El ob#etivo es dar algunos m-todos que se usan para tomar decisiones sobre poblaciones a partir
de los resultados de una muestra aleatoria escogida de esa poblacin. Para llegar a tomar
decisiones estad.sticas se debe partir de afirmaciones o con#eturas con respecto a la poblacin en
el que estamos interesados. Lales suposiciones pueden ser verdaderas o no. 2na con#etura
/ec/a sobre una poblacin o sobre sus parmetros deber ser sometida a comprobacin
e)perimental con el propsito de saber si los resultados de una muestra aleatoria e)tra.da de esa
poblacin contradicen o no tal con#etura.
' continuacin definiremos algunos conceptos bsicos para la prueba de /iptesis.
2.2. <(P,$-(-
Es una afirmacin que esta su#eta a verificacin o comprobacinP as. un educador puede /acerse
la /iptesis de que cierto m-todo de ense<an!a me#ora el rendimiento de los alumnos. Uiptesis
establecidas en esta forma proporcionan con frecuencia motivo para reali!ar una investigacin.
Por esta ra!n se le denomina /iptesis de investigacin.
Qeneralmente /ay que volver a plantear las /iptesis de investigacin convenientemente de tal
forma que se puedan comprobar mediante los m-todos estad.sticos as. planteadas las /iptesis
reciben el nombre de /iptesis estad.stica.
2.3. <(P,$-(- $-AD?-(CA-
2na /iptesis estad.stica es un enunciado o proposicin respecto a uno o ms parmetros de la
poblacin. ' fin de probar una proposicin es preciso formular una /iptesis denominada nula
#untamente con otra denominada /iptesis alternativa.
2.3.1. <ip%tesis nula 1<o2
&on aquellas que estn referidas a algIn parmetro de la poblacin o de las poblaciones de
estudio. Estas son llamadas /iptesis cient.ficas.
2.3.2. <ip%tesis alternati'a 1<a2
Zunto a la /iptesis nula se debe formular la denominada /iptesis alternativa que es la que sirve
para contrastarla.
2.6. $))*)$- D$ P)+$BA @ "(3$: D$ -(A"(B(CAC(,"
2
+*
Lengamos presente que si bien Uo puede ser cierta tendremos siempre la probabilidad no nula de
que por efecto del a!ar nuestra decisin sea la de rec/a!ar /iptesisP en tal caso estaremos
cometiendo el denominado ERR%R (E LIP% I.
(e otro lado podr.a Uo ser falsa y nuevamente el efecto aleatorio conducirnos a la decisin
equivocada de aceptar Uo en tal caso estaremos cometiendo el ERR%R (E LIP% II. %bviamente
si Uo es cierta y no lo rec/a!amos o si es falsa y rec/a!amos estaremos decidiendo bien.
'l error de tipo I se le fi#a una probabilidad de ocurrencia previamente a la prueba a dic/a
probabilidad se le denomina en ocasiones se le llama P valIe pero en ambos casos
corresponde al :I9E, (E &IQ:IRIC'CIV:.
P(ERR%R LIP% I" 7
Podemos ob#etivi!ar la decisin de Uo respecto a la naturale!a de -sta de ser cierta o falsa.
D$C(-(,"
-*B)$ <o
"A+)A:$CA D$ <o
Cierta Balsa
:o rec/a!ar
Rec/a!ar
(ecisin
Correcta
Error tipo I
(Probabilidad "
Error tipo II
(probabilidad "
(ecisin
correcta
Es deseable que ambas probabilidades fuesen lo menores posibles. &in embargo no es posible
minimi!ar ambas probabilidades a la ve! ya que estn .ntimamente relacionadas de tal modo que
al disminuir una de ellas la otra aumenta. 's. si queremos minimi!ar inmediatamente aumenta la
probabilidad de y viceversa. Qeneralmente el investigador fi#a apriori el error que est
dispuesto a tolerar es decir la probabilidad m)ima de cometer el error de tipo I.
,a decisin de una prueba estad.stica est asociada al nivel de significacin:
a" &i P > =.=6 ( 7 =.=6"
se dice que e)iste significacin en la prueba
b" &i P > =.=* ( 7 =.=*"
se dice que e)iste alta significacin en la prueba
Pruebas bilaterales y unilaterales
Cuando tenemos /iptesis alternativa de la forma:
Uo :
7
0
Uo : P 7 Po
Ua :
Ua : P Po
'l rec/a!ar Uo optaremos por que el parmetro es diferente del supuesto pudiendo ser mayor
significativamente o acaso menor significativamente. En tales casos el nivel de significacin
queda partido en ;0 en cada lado de la distribucin del estad.stico o funcin de prueba.
Lendremos entonces una prueba bilateral o no direccionada (dos puntos cr.ticos"
(e otro lado si la /iptesis se orienta a un solo lado entonces el nivel de significacin tambi-n
+0
1
2
1
2
Estadstica Aplicada
estar en aquel lado y consecuentemente estas pruebas se llaman unilaterales o direccionada (un
punto cr.tico"
Uo :
7
0
Ua :
>
0
Uo :
7
0
Ua :
<
0
' las regiones de valores de abscisas comprendidas en la parte sombreada se le llama REQIV:
(E RECU'A% y a las no sombreadas se le llama REQIV: (E 'CEPL'CIV:.
2na prueba de contrastacin de /iptesis estad.stica se conduce bsicamente segIn el siguiente
procedimiento.
*. Plantear las /iptesis
1 Uiptesis nula (Uo"
1 Uiptesis alternativa (Ua"
2) Establecer el nivel de significacin de prueba ("
+. Identificar o construir la funcin de prueba y la ley de probabilidad que sigue dic/a funcin de
prueba.
4. Efectuar el reempla!o num-rico en la funcin de prueba con la informacin muestral.
6. (eterminar las regiones de aceptacin o rec/a!o en la distribucin de la funcin de prueba
segIn se trate de pruebas bilaterales o unilaterales.
?. Lomar una decisin sobre Uo segIn la siguiente regla:
a. Rec/a!ar Uo si el valor de la funcin de prueba cae en la regin de rec/a!o.
En tal caso se concluir que Uo se rec/a!a en favor de Ua con una significacin
estad.stica.
b. :o rec/a!ar Uo si el valor de la funcin de prueba cae en la regin de aceptacin.
En tal caso se concluir de que la informacin muestral no brinda suficientes evidencias
como para sospec/ar de que Uo no sea cierta.
D. Establecer la conclusin segIn la /iptesis que se acepte.
2.7. P)+$BA D$ <(P,$-(- )$B$)(DA A :A M$D(A P*B:AC(*"A:
Esta prueba se aplica aIn a poblaciones que no se ale#an demasiado de las caracter.sticas de una
poblacin normal.
,as /iptesis referentes a este parmetro pueden ser:
Uo: [ 7 [o
Ua: [ [o Prueba bilateral o de dos colas
Uo: [ 7 [o
Ua: [ > [o Prueba unilateral de cola a la derec/a
++
1
Uo: [ 7 [o
Ua: [ < [o Prueba unilateral de cola a la i!quierda
(ic/a prueba se efectIa mediante la siguiente funcin de prueba:
a" &i la desviacin estndar poblacional no es conocida o n>+=
o
o
(n-1)
t =
x -
s% n
t
b" &i la desviacin estndar poblacional es conocida n\+=

n

n %
- x
=
! (&,1)
o
o

$/emplo 2.1
El se<or Xart.ne! afirma que su programa de entrenamiento en ventas de seguro de vida le
permite a su compa<.a vender ms pli!as que las compa<.as ]promedio]. El promedio mensual
de ventas de todos los agentes de la compa<.a es de M+==. ' una muestra de agentes que /an
recibido el programa de entrenamiento se le encuentra las siguientes ventas en dlares: +== 0D=
+?= +E= +=E 4=6 +?= 40= +D6 ++=. &i usted fuera el supervisor de estos agentes adoptar.a
para los restantes el programa de entrenamiento propuesto por el se<or Xart.ne!. Emplee 6F de
significacin.
-oluci%n&
7 +== n 7 *= x 7 +6*.E s 7 4C.?4 - 1 7 =.E6

como n < += entonces t(n B * *B" 7 t(E=.E6" 7 *.C++
*" Uo:
*00
Ua:
*00 >
0" 7 =.=6
+" f.p.
0
0
x
t
s
n

.)
0
*(1)' *00
*)*+
.$),.
10
t

)$P*)$ D$ -P--
Paso 1: Introducimos los datos a nombre: JventaK y a etiqueta: Jmuestra de agentes que /an
recibido el programa de entrenamiento de venta en dlaresK.
+4
Estadstica Aplicada
Paso 2: En la pesta<a de vista de datos elegimos en Janali!arK Jcomparar mediasK y luego damos
clic en Jprueba L para una muestraK.
Paso 3: En JopcionesK se /alla el intervalo de confian!a ya en E6F tal como se nos pide en el
problema - 1 7 =.E6. &egIn el problema el valor de prueba es +==. Ya que el promedio mensual
de ventas de todos los agentes de la compa<.a que se sugiere es de M+==. Por lo tanto escribimos
en valor de prueba: +==.
+6
9emos que & 7 4C.?4+ y t= 7 +.+D4
6" t(E=.E6" 7 *.C++
?" (ecisin: Como t= pertenece a la regin de rec/a!o entonces rec/a!amos la /iptesis nula a
favor de la /iptesis alternativa.
D" Conclusin: El programa de entrenamiento de ventas de seguro de vida le permite a su
compa<.a vender ms pli!as de seguro que la compa<.a promedio por lo cual se adoptar para
el resto de los agentes el programa propuesto por el se<or Xart.ne!.
$/emplo 2.2
2n investigador afirma que la ingestin diaria de nutrientes (prote.na" recomendada en varones de
*C1+4 a<os moderadamente activos tiene un promedio de D6 grs. para contrastar tal /iptesis se
tom una muestra de **? varones saludables obteniendo los siguientes resultados:
+?
/A
1 - = 0,'(
//
= 0,0(
t
t
= 1,$**
t
0
= *,*+
Estadstica Aplicada
Prote.na encontrada (gr" :Imero de
varones
D*
D+
D6
DD
DE
C
0=
?=
*C
*=
Lotal **?
Pueden estos resultados sostener la /iptesis formulada por el investigador. 2se el 6F de
significacin.
-oluci%n&
7 D6 n 7 **? x 7 D6.=+ s 7*.E6 7 =.=6

como n O += entonces A(* 1 ;0" 7 A(=.ED6" 7 *.E? ( 9er ap-ndice nH 6 "
*" Uo:
7 D6
Ua:
D6
0" 7 =.=6
+" f.p.
o
o
x -
=
Z
s
n
.)
+()0* +(
0)1+
1)'(
11,
o
=
Z

6"
', ) 1
) '+( , 0 (
Z = Z
t
?" (ecisin: Como
Z
o
R' aceptamos Uo
D" Conclusin: &e sostiene la /iptesis formulada para el investigador.
2.8. P)+$BA D$ <(P,$-(- -*B)$ :A 3A)(A"CA P*B:AC(*"A:
'lgunas veces se necesitan pruebas sobre la varian!a o la desviacin estndar de una poblacin.
Uo: 7 o
Ua: o Prueba bilateral
Uo: 7 o
Ua: > o Prueba unilateral
+D
//
2 = 0,02(
1
t
= -1,',
/A
1 - = 0,'(
//
2 = 0,02(
1
t
=1,',
1
0
= 0,1+
Uo: 7 o
Ua: < o Prueba unilateral
Procedimiento:
&upngase que se desea probar la /iptesis de que la varian!a de una poblacin normal
0
es
igual a un valor espec.fico por e#emplo
0
o. &ea 5* 50 ... 5n una muestra aleatoria de n
observaciones tomadas de esta poblacin. Para probar
Uo:
0
7
0
o
Ua:
0

0
o
&e utili!a el estad.stico de prueba
2
2
2
) 1 (
o
o
' n
X
donde &
0
es la varian!a muestral. '/ora si Uo:
0
7
0
o es verdadera entonces el estad.stico de
prueba 5
0
o sigue una distribucin #i1cuadrada con n1* grados de libertad. Por consiguiente se
calcula el valor de la estad.stica de prueba 5
0
o y la /iptesis Uo:
0
7
0
H debe rec/a!arse si:
2
2 0 1 , 1
2
2
2 0 , 1
2
>
<
n o
n o
si o
donde 5
0
n1*;0 y 5
0
n1**1;0 son los puntos que corresponden a los porcenta#es *==;0 inferior y
superior de la distribucin #i1cuadrada con n1* grados de libertad respectivamente.
El mismo estad.stico se utili!a para /iptesis alternativas unilaterales Para /iptesis unilateral:
Uo:
0
7
0
o
Ua:
0
O
0
o
&e rec/a!a si& 5
0
o O 5
0
n1**1
Para la otra /iptesis unilateral: Uo:
0
7
0
o
Ua:
0
>
0
o
&e rec/a!a si& 5
0
o > 5
0
n1*
+C
/A
1 2
2
) 2 0 , 1 ( n
X
//
02
//
02
2
) 2 0 1 , 1 ( n
X
/A
1 2
//
2
) 1 , 1 ( n
X
/A
1 2
//
2
) , 1 ( n
X
Estadstica Aplicada
P)*C$D(M($"* PA)A M+$-)A- A)A"D$-
,as /iptesis planteadas son id-nticas a las mencionadas anteriormente lo que se modifica es la
funcin de prueba que cuando el tama<o de muestra es mayor que += se utili!a la distribucin
normal.
El estad.stico de prueba es:
n
s
Z
o
o
o
2
El grfico utili!ado ser.a acampanado.

$/emplo 2.3
Consid-rese una mquina de llenado de botellas. 'l tomar una muestra aleatoria de 0=
botellas se obtiene una varian!a muestral para el volumen de llenado de ==*6+ (on!as
de fluido"
0
. &i la varian!a del volumen de llenado es mayor que ==* (on!as de fluido"
0

entonces e)iste una proporcin inaceptable de botellas que sern llenadas con una
cantidad menor de l.quido. SE)iste evidencia en los datos muestrales que sugiera que el
fabricante tiene un problema con el llenado de botellasT 2tilice 6F de significacin de
prueba.
-oluci%n&
0
7 =.=* n 7 0= s
0
7 =.=*6+ 7 =.=6. Como n > += entonces
2
) 1 , 1 ( n
X 7
1 ) *0
2
) '( ) 0 , 1' (
X . El valor del #i cuadrada la /allamos en la tabla del ap-ndice de este mdulo.

Podemos obtener este nImero introduciendo en E)cel 0 valores& pro0a0ilidad 1 0( ) 0 2 y los
+E
grados de li0ertad que es el nImero de la muestra menos la unidad (0=1*7 *E". 3uscamos entre
las funciones estad.sticas:
("3.C<(C+AD.CD 1pro0a0ilidad4grados5de5li0ertad2
- $ee'pla.and* l*# dat*# *btene'*#/ INV.C0IC123.C3(0,05;19) = 40,14452721
'/ora:
Uo:
0
7 =.=*
Ua:
0
O =.=*
7 =.=6
f.p. 0+ ) 2'
01 ) 0
) 01(* ) 0 )( 1' ( ) 1 (
2
2
2

o
o
' n
X
1 ) *0
2
) '( ) 0 , 1' (
X
(ecisin: Como 0+ ) 2'
2
o
X R' aceptamos Uo
Conclusin: El fabricante no tiene problemas con el llenado de botellas pues la varian!a es igual a
=.=*.
2.9. P)+$BA D$ <(P,$-(- )$B$)(DA A D*- 3A)(A"C(A- P*B:AC(*"A:$-
,a prueba de comparacin de muestras requiere que las variancias de las dos poblaciones
muestreadas sean iguales. En esta seccin describiremos una prueba para la /iptesis nula
0
* 7
0
0 que se aplica a muestras aleatorias independientes obtenidas de dos poblaciones normalesP
debe utili!arse con muc/o cuidado por ser muy sensible a las desviaciones de tal suposicin.
Uo: * 7 0
Ua: * 0 Prueba bilateral
Uo: * 7 0
Ua: * > 0 Prueba unilateral
Uo: * 7 0
Ua: * < 0 Prueba unilateral
&i las muestras aleatorias independientes de tama<o n* y n0 se e)traen de poblaciones normales
que tiene la misma variancia para la prueba de igualdad de variancias se utili!a el siguiente
estad.stico.
4=
/A
1 2 = 0)'(
//
= 0)0(
1 ) *0
2
t
X
0+ ) 2'
2
o
X
Estadstica Aplicada
2
2
2
1
s
s
(
que es un valor de una variable aleatoria que tiene la distribucin R con n* 1 * y n0 B * grados de
libertad.
%bs. R* 1
(v*v0" 7
) , ( 3
1
1 2
) )

)egiones cr!ticas para pro0ar
2
2
2
1

1Po0laciones normales2
Uiptesis alterna Estad.stico de
prueba
Rec/a!a la /iptesis nula si:
0
* >
0
0
2
2
2
1
s
s
(
R > R
(n* B * n0 B *"
0
* O
0
0
2
2
2
1
s
s
(
R O R*1
(n* B * n0 B *"
0
*
0
0
2
2
m
M
s
s
(
R > R
;0(nX B * nm B *"
R O R*1;0(nX B * nm B *"
(onde: s
0
X : la mayor de las dos variancias muestrales
s
0
m : la ms peque<a de las variancias.
Para /iptesis unilateral: Uo:
2
2
2
1

Ua:
2
2
2
1

El mismo estad.stico se utili!a para /iptesis alternativas unilaterales Para /iptesis unilateral: Uo:
2
2
2
1

Ua:
2
2
2
1
>
Para la otra /iptesis unilateral: Uo:
2
2
2
1

4*
/A
1 2
) 1 , 1 (
2 0

m
n
M
n (
//
02
//
02
) 1 , 1 (
2 0 1

m
n
M
n (

/A
1 2
//
) 1
2
, 1
1
(
1

n n (

Ua:
2
2
2
1
<
P)*C$D(M($"* PA)A M+$-)A- A)A"D$-
,as /iptesis planteadas son id-nticas a las mencionadas anteriormente lo que se modifica es la
funcin de prueba que cuando el tama<o de muestra es mayor que += se utili!a la distribucin
normal.
El estad.stico de prueba es:
2 1
2 1
2
1
2
1
n n
s
s s
Z
p
o
+
2
) 1 ( ) 1 (
:
2 1
2
2 2
2
1 1 2
+
+
n n
s n s n
s
donde
p
$/emplo 2.6
&e requiere determinar si e)iste menos variabilidad en el plateado reali!ado por la compa<.a * que
el efectuado por la compa<.a 0. &i las muestras aleatorias independientes de tama<o 12 del
traba#o desempe<ado por las compa<.as producen s*7==+6 mil y s07==?0 mil pru-bese la
/iptesis nula de que
0
* 7
0
0 contra la /iptesis alterna de que
0
* >
0
0 con un nivel de
significancia de ==6.
-oluci%n&
n* 7 n0 7 *0 s1 7 =.=+6 s2 7 =.=?0 7 =.=6
como n* @ n0 > += entonces
*(( ) 0 ) 11 , 11 ( ) 1 , 1 (
0( , 0 2 1
( n n ( =
(t

40
/A
1 2
//
) 1
2
, 1
1
(
1

n n (

Estadstica Aplicada
En la tabla anterior. P es la probabilidad equivalente a =.=6 9* que se<ala los nImeros de la fila
superior de la tabla son las primeras muestras menos la unidad. En este caso 9* 7 n1* 7 *01* 7 **
y 90 de la columna i!quierda de la tabla indica el nImero de las segundas muestras menos la
unidad. En este caso 90 7 n1* 7 *01* 7 **. (e a/. que podemos obtener el nImero =+66
conociendo 0( ) 0 11 1 12 1
1
n 11 1 12 1
2
n .
*(( ) 0 ) 11 , 11 ( ) 1 , 1 (
0( , 0 2 1
( n n ( =
(t
'/ora:
Uo:
2
2
2
1

Ua:
2
2
2
1
<
7 =.=6
f.p. *1' ) 0
) 0,2 ) 0 (
) 0*( ) 0 (
2
2
2
2
2
1

s
s
(

(ecisin: Como
0
( R' se acepta Uo
Conclusin: ,a variabilidad de plateado de la compa<.a * es menor que de la compa<.a 0. 2sando
6F de significacin de prueba.
4+
/A
1 2 = 0)'(
//
= 0)0(
*(( ) 0
t
(
*1' ) 0
0
(
44
Estadstica Aplicada
A+*$3A:+AC(,"
( " El rec/a!o de Uo cuando es verdadera se llama error de tipo I
( " &i la funcin de prueba cae en la regin cr.tica entonces aceptamos la <o
( " <a se formula con el propsito de rec/a!arla es la que se va a someter a prueba.
( " Es una prueba bilateral cuando la /iptesis se orienta a un solo lado.
( " :o rec/a!ar la <o si el valor de la funcin de prueba cae en la regin de aceptacin.
0. 2n estudio de 0E familias de una !ona residencial de la ciudad de ,ima revela que el ingreso
medio por familia durante el a<o *EEE fue de M 6=C con una desviacin estndar de M *?.
Probar la /iptesis de que el verdadero ingreso medio por familia en ,ima durante *EEE fue de
M 6== frente a la alternativa de que no fue de M 6==. 2tili!ar un nivel de significancia del 6F.
+. &e escoge una muestra aleatoria de *+ tiendas y se encuentra que las ventas de la semana
de un determinado producto de consumo popular tiene una desviacin estndar 4, s . &e
supone que las ventas del producto tienen una distribucin normal. 'l nivel de significancia del
6F Sse podr.a inferir que la varian!a de la poblacin es menor que M4=T
4. ,os pesos netos (en gramos" de las latas de conserva de una muestra fueron los siguientes:
*0*P **EP *04P *0+P **EP *0*P *04.
S&e puede concluir que el peso neto poblacional medio es mayor que *0+.6T 2tilice un nivel
de significancia del *F.
6. 2n determinado proceso de empaquetar un producto est controlado si el peso medio del
producto empaquetado es 4== gramos. &i en una muestra aleatoria de *== paquetes del
producto se /a encontrado que el peso medio es de +E6 gramos. S&e podr.a concluir que el
proceso est fuera de control al nivel de significacin 6FT. &uponga que el peso de los
productos empaquetados se distribuye normalmente con desviacin estndar de 0= gramos.
?. En un proceso de fabricacin se plantea la /iptesis que la desviacin estndar de las
longitudes de cierto tipo de tornillo es 0.= mm. En una muestra de die! tornillos elegidos al
a!ar del proceso de produccin se /an encontrado las siguientes longitudes en mil.metros:
D* ?? ?4 D0 ?E ?D D= ?C ?6 ?E. Con estos datos se #ustifica la suposicin que
la desviacin estndar verdadera es 0.= mmT 2se el nivel de significacin ^7=.=6 y suponga
que la distribucin de las longitudes es normal.
46
utor!a "#
Prue0a de =ip%tesis& proporci%n po0lacional4
dos medias po0lacionales4 dos proporciones
po0lacionales
3.1. P)+$BA D$ <(P,$-(- )$B$)(DA A :A P)*P*)C(," P*B:AC(*"A:
,a /iptesis se refiere al parmetro P la proporcin de individuos de la poblacin con una
determinada caracter.stica.
Uo: P 7 Po
Ua: P Po Prueba bilateral
Uo: P 7 Po
Ua: P > Po Prueba unilateral
Uo: P 7 Po
Ua: P < Po Prueba unilateral
,a funcin de prueba para valores de n += es:
o
o
o o
(&,1)
! =
P - p
p (1- p ) % n
n
,a funcin de prueba para valores de n < += es:
o
o
o o
(n-1)
t =
P - p
p (1- p ) % n
t
$/emplo 3.1
El alcalde de una ciudad cree que ms del ?=F de los residentes de un suburbio adyacente est a
favor de ane)arse a la ciudad. En una muestra aleatoria de *0= adultos D6 di#eron que estaban a
favor. SProporcionan estos datos evidencia suficiente como para apoyar la opinin del alcaldeT
-oluci%n&
P 7 =.?= n 7 *0= m 7 D6 ,2( ) 0
120
+(
p 7 =.=6
como n O += entonces
,.( ) 1
) '( , 0 ( ) 1 (

Z Z =
Zt

Uo: ,0 ) 0 P
Ua: ,0 ) 0 P >
3
4?
Estadstica Aplicada
7 =.=6
f.p.
(, ) 0
120
) . ) 0 ( , ) 0
, ) 0 ,2( ) 0
0

)%n
P
- (1 P
P - p
= Z
o o
o

(ecisin: Como
Z
o
R' aceptamos Uo
Conclusin: ,os datos no proporcionan suficiente evidencia como para aceptar la opinin del
alcalde. 2sando un 6F de significacin de prueba.
$/emplo 3.2
&e tom una muestra aleatoria de 4== escolares de los cuales *0= tuvieron signos de
desnutricin. 9erifique la /iptesis de que el porcenta#e de desnutridos no e)cede a 06F en la
cobertura de estudio (2se 6F como nivel de significacin".
&olucin
P 7 =.06 n 7 4== m 7 *0= *0 ) 0
.00
120
p 7 =.=6
como n O += entonces
,.( ) 1
) 0( , 0 ( ) (
Z Z =
Zt

Uo: 2( ) 0 P
Ua: 2( ) 0 < P
7 =.=6
f.p.
*1 ) 2
.00
) +( ) 0 ( 2( ) 0
2( ) 0 *0 ) 0
Zo
(ecisin: Como
Z
o
R' se acepta Uo
Conclusin: ,a proporcin de desnutridos no e)cede al 06F en la cobertura de estudio. En un 6F
de significacin de prueba.
3.2 P)+$BA D$ <(P,$-(- )$B$)(DA A :A D(B$)$"C(A $")$ D*- M$D(A-
P*B:AC(*"A:$-
Cuando la comparacin de dos poblaciones es con respecto a sus medias la /iptesis natural es
4D
//
= 0,0(
1
t
= -1,,.(
/A
1 - = 0,'(
1
0
= 2,*1
/A
1 - = 0,'(
//
= 0,0(
1
t
= 1,,.(
1
0
= 0,(,
,.( ) 1
) '( , 0 (
Z =
Zt
,.( ) 1
) '( , 0 ( ) 1 (

Z Z =
Zt
que ambas tienen igual promedio o en otras palabras que la diferencia de ambos promedios es
nula o difieren en alguna cantidad espec.fica.
Uo: [* 7 [0
Ua: [* [0 Prueba bilateral
Uo: [* 7 [0
Ua: [* > [0 Prueba unilateral
Uo: [* 7 [0
Ua: [* < [0 Prueba unilateral
Pueden presentarse varias situaciones dependiendo de como son sus varian!as:
*. Con varian!as conocidas:
,a funcin de prueba es:
n

n
+
n
) - ( - ) x - x (
=
! (&,1)
2 2
o

2
2
1
1
2 1 2
1

0. Con varian!as desconocidas y diferentes:
t

n
s
+
n
s
) - ( - ) x - x (
=
t 2) - n + n (
2 2
o
2 1
2
2
1
1
2 1 2 2

Cuando n* @ n0 0 > += entonces esta funcin de prueba sigue una distribucin normal estndar.
+. Con varian!as desconocidas y apro)imadamente iguales:
t

n
1
+
n
1
s
) - ( - ) x - x (
=
t 2) - n + n (
2
o
2 1
2 1
2 1 2 1
,
_

'qu. s
0
es la varian!a mancomunada
2 -
n
+
n
s
1) - (n +
s
1) - (n
=
s
2 2
2
2 1
2 2 1 1
'l igual que en el caso anterior si n* @ n0 0 += entonces la funcin de prueba sigue una
distribucin normal estndar.
*0ser'aci%n& 'ntes de reali!ar la prueba de comparacin de medias es conveniente efectuar la
prueba de comparacin de varian!as para determinar si los datos de ambas poblaciones tienen
varian!as apro)imadamente iguales o diferentes.
$/emplo 3.3
2na compa<.a desea comparar las e)pectativas salariales anuales de su personal de ventas
femenino y masculino segIn un nuevo plan de compensaciones venta1ms1comisin. &e pidi a
n* 7 4= vendedoras y n0 7 4= vendedores muestreados al a!ar predi#eron sus ingresos anuales
ba#o el nuevo plan. ,as medias y desviaciones muestrales eran:
1 x 7 M +* =C+
2 x 7 M 0E D46
4C
Estadstica Aplicada
1
s 7 M 0 +*0
2
s 7 M 0 6?E
SProporcionan estos datos evidencia que indique una diferencia en el promedio del ingreso anual
esperado tanto entre los vendedores como las vendedorasT Uaga la prueba con 7 =*=.
-oluci%n&
Uo:
2 1
( ) ('+2((2
2 1
2 2 1 2
2 -
n
+
n
s
1) - (n +
s
1) - (n
=
s
2 2
2
Ua:
2 1

,.( ) 1
) '( , 0 (
Z =
Zt
7 =.*=
f.p.
.( ) 2
.0
1
.0
1
( ) ('+2((2(2
0 2'+.( *10$*
1 1
2 1
2
2 1 2 1
,
_
,
_
+
n
+
n
s
) - ( - ) x - x (
=
Zo

(ecisin: Como
Z
o
RR no e)iste suficiente evidencia como para aceptar la /iptesis
nula por consiguiente aceptamos la Ua.
Conclusin: ,os datos proporcionan suficiente evidencia como para indicar una diferencia en el
promedio del ingreso anual esperado tanto entre los vendedores usando un *=F de significacin
de prueba.
3.3. P)+$BA D$ <(P,$-(- )$B$)(DA A :A D(B$)$"C(A $")$ D*- P)*P*)C(*"$-
P*B:AC(*"A:$-
Cuando se desea comparar dos poblaciones cualitativas.
Uo: P* 7 P0
Ua: P* P0 Prueba bilateral
Uo: P* 7 P0
Ua: P* > P0 Prueba unilateral
Uo: P* 7 P0
Ua: P* < P0 Prueba unilateral
( )
n

n
1
+
n
1
p - 1 p
)
P
-
P
( - ) p - (p
= !
(&,1)
,
_
2 1
2 1 2 1
'qu.
p
es la proporcin mancomunada:
n
+
n
p
n
+ p
n
= p
2 1
2
2
1
1
4E
//
2 = 0,0(
1
t
= -1,,.(
/A
1 - = 0,'0
//
2 = 0,0(
1
t
=1,,.(
1
0
= 2,.,
$/emplo 3.6
2n socilogo cree que la proporcin de /ombres que pertenecen a un grupo socioeconmico
determinado (grupo '" y que ven regularmente luc/a en L9. supera muc/o a un segundo grupo de
/ombres (grupo 3" que tambi-n ven luc/a. Xuestras aleatorias simples de los dos grupos
arro#aron los siguientes resultados.
tama<o de :Imero de /ombres que ven
Qrupo la muestra regularmente luc/a en L9
' (*" n* 7 *6= a* 7 EC
3 (0" n0 7 0== a0 7 C=
SProporcionan estos datos evidencia suficiente como para apoyar la tesis del socilogoT use 7
==6
-oluci%n&
Uo:
2 1
P P (1 ) 0
*(0
$0 '$
p
Ua:
2 1
P P >
,.( ) 1
) '( ) 0 (
Z =
Zt
.0 ) 0
200
$0
,( ) 0
1(0
'$
2
2
2
1
1
1

n
"
p
n
"
p
7 =.=6
f.p.
( )
,* ) .
200
1
1(0
1
) .' ) 0 ( (1 ) 0
0 ) . ) 0 ,( ) 0 (
2 1
2 1 2 1
0

,
_
,
_

+
n
1
+
n
1
p - 1 p
)
P
-
P
( - ) p - (p
= Z
(ecisin: Como
Z
o
RR rec/a!amos Uo en favor Ua
Conclusin: ,os datos proporcionan suficiente evidencia como para apoyar la opinin del
socilogo con un 6F de significacin de prueba.
6=
/A
1 - = 0,'(
//
2 = 0,0(
1
t
=1,,.(
1
0
= .,,*
Estadstica Aplicada
6*
A+*$3A:+AC(,"
( " ,a /iptesis Uo: P O Po es una prueba bilateral.
( " En la prueba B los n*1* y n01* son conocidos como los grados de libertad.
( " Cuando el tama<o de muestra es mayor que += se utili!a la distribucin normal.
( " Cuando Bo pertenece a la Regin de aceptacin entonces se rec/a!a <o.
( " ,a /iptesis Uo: P O Po es una prueba unilateral a la derec/a.
0. El gerente de una empresa insiste en que a lo ms del ++F de los clientes de la empresa esta
de acuerdo con el cambio de su producto. (e C= clientes tomados al a!ar 0E estn de
acuerdo con el cambio del producto. 'l nivel de significancia de 6F Stiene ra!n el gerenteT
+. E#emplo: 2na muestra aleatoria de +== /ombres y otro de 4== mu#eres de una determinada
poblacin revel que *0= /ombres y *0= mu#eres estaban a favor de cierto candidato. S&e
puede concluir a un nivel de significacin del 6F que la proporcin de /ombres a favor del
candidato es mayor que la proporcin de mu#eresT
4. (os fabricantes ' y 3 producen un art.culo similar cuyas vidas Itiles tienen desviaciones
estndar respectivas de *0= /oras y E= /oras. Para comparar el promedio de vida Itil de estos
art.culos se e)trae una muestra aleatoria de ?= art.culos de cada fabricante encontrndose la
duracin media de *.0+= /oras para la marca ' y de *.*E= /oras para la marca 3. S&e puede
concluir a un nivel de significacin del 6F que los art.culos de marca ' tienen mayor duracin
media que los art.culos de marca 3T
6. &e controla la calidad de una muestra aleatoria de 4= pie!as producidas por un fabricante. &i
se /allaron 4 pie!as defectuosas Sse deber.a inferir que el porcenta#e de todas las pie!as
defectuosas es ms del 6F al nivel de significacin del 6FT
?. 2n inversionista est por decidir entre dos provincias para abrir un centro comercial. Par esto
debe probar la /iptesis de que /ay diferencia en el promedio de ingresos familiares de las
dos provincias. &i una muestra de +== /ogares de la pro'incia 1 da
5
1 4.00 x
y
1
4'0 s y
otra muestra de 4== /ogares de la pro'incia 2 da
5
2
4.20 x
y
2
4120 s . Sse puede inferir
que las dos medias poblacionales son diferentesT si es as. Sen cual de las provincias deber.a
abrir la sucursalT 2tilice 7=.=6.
2
4120 s
5
2
4.20 x
5
1 4.00 x
60
Estadstica Aplicada
+nidad 3
A"A:(-(- D$ 3A)(A"CA
:H de tutor.a: 2no
utor!a "# 6&
':W,I&I& (E 9'RI':A' : ':W,I&I& (E 9'RI':A' (E 2:' 9_' Y
(E (%& 9_'&.
6+
64
Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce el modelo del anlisis de varian!a.
Prueba las diferencias entre 81medias.
1.3. Actitudinales
Comparan las medias de 81grupos o poblaciones.
El contenido programtico de la unidad referida es el siguiente: 'nlisis
de varian!a: conceptos bsicos 'nlisis de varian!a de una v.a
(concepto modelo prueba de /iptesis"P 'nlisis de varian!a de dos
v.as (concepto clases: sin interaccin y con interaccin modelos"
prcticos.
66
utor!a "#
Anlisis de 'arian>a& anlisis de 'arian>a de
una '!a y de dos '!as
6.1. A".:(-(- D$ 3A)(A"CA
El anlisis de varian!a se emplea para probar las diferencias entre 8 medias. 2na suposicin
bsica impl.cita en el anlisis de varian!a es que las diversas medias muestrales se obtienen de
las poblaciones distribuidas normalmente que tienen la misma varian!a `. &in embargo se /a
descubierto que el procedimiento de pruebas no se ve afectado por las violaciones de la
suposicin de normalidad cuando las poblaciones son unimodales y los tama<os de muestra son
apro)imadamente iguales.
Lodos los procedimientos de clculo presentados son para efectos fi#os contrariamente a los
modelos de efectos aleatorios.
El concepto bsico en el anlisis de varian!a fue desarrollado por R.'. Ris/er y la distribucin R se
/a denominado en /onor suyo. El ra!onamiento conceptual es el siguiente:
(1) &e calcula la media para cada grupo de la muestra y despu-s se determina el error estndar
de la media &a con base slo en las diversas medias muestrales.
(2) (ada la frmula &a 7 &; n tenemos que s 7
X
' n y que
X
' n s
2
. Esta estimacin
resultante de la varian!a de la poblacin se llama la media cuadrtica entre los grupos
(XCE".
(*) &e calcula la varian!a dentro de cada grupo muestral y con respecto a cada media de grupo.
,uego se combinan estos valores de la varian!a ponderndolos de acuerdo a n1* para cada
muestra. ,a estimacin resultante de la varian!a de la poblacin se llama media cuadrtica
dentro de los grupos (XC(".
(.) &i la /iptesis nula * 7 0 7 + 7 ... 7 8 es verdadera entonces tenemos que las dos medias
cuadrticas obtenidas en (0" y (+" no estn sesgadas y son estimadores independientes de
la misma varian!a de la poblacin `. &i la /iptesis nula es falsa entonces el valor
esperado de la XCE es mayor que el de la XC(. Esencialmente todas las diferencias entre
las medias de la poblacin inflarn la XCE mientras que no afectarn la XC(.
(() Con base al numeral (4" se involucra una prueba de una cola y la frmula general de la
prueba R en el anlisis de la varian!a es:
4
6?
Estadstica Aplicada
M*+
M*,
(
&i la relacin R est en la regin de rec/a!o para el nivel de significacin especificado
entonces se rec/a!a la /iptesis de que las diversas medias muestrales se obtuvieron de la
misma poblacin.
Para simplificar este procedimiento con dise<os en t-rminos del modelo lineal que identifica
los componentes que influyen sobre la variable aleatoria y se presenta una tabla estndar de
anlisis de varian!a que muestra los clculos necesarios de la media cuadrtica para cada
tipo de dise<o e)perimental.
6.2. A".:(-(- D$ 3A)(A"CA D$ +"A 3?A
El modelo del anlisis de varian!a de una v.a se relaciona con la prueba de la diferencia entre 8
medias muestrales cuando los su#etos se asignan aleatoriamente a cada uno de los diversos
grupos de tratamiento.
,a ecuacin lineal que representa el modelo del anlisis de varian!a de una v.a es:
5i8 7 @ 8 @ i8
donde:
7 media global de todos los 8 grupos de tratamiento
8 7 efecto del tratamiento en el grupo espec.fico 8 del cual se muestreo el valor
i8 7 error aleatorio relacionado con el proceso de muestreo.
,a tabla siguiente es un resumen del anlisis de varian!a de una v.a en la cualP XC( pasa a ser la
media cuadrtica entre los ' grupos de tratamiento (XC'" y (XCE" es llamada media cuadrtica
del error : asigna el tama<o total de la muestra para todos los grupos de tratamiento combinados
antes que el tama<o de la poblacin. L8 representa la suma (total" de los valores muestreados en
todos los grupos combinados.
,a /iptesis nula y alternativa son:
Uo: 8 7 = para todos los niveles de tratamiento
Ua: 8 = para todos los niveles de tratamiento
&i la /iptesis nula es verdadera entonces tenemos que :
* 7 0 7 + 7 ... 7 8 .
Ruente de
variacin
&uma de los
cuadrados &C
Qrados de
libertad gl
Xedia
cuadrtica XC
Relacin R
Entre grupos
de tratamiento
'

,
_
N
-
n
-
'*$
k
k
2 2 8 B *
1
k
'*$
M*$
M*+
M*$
(
0
Error de
muestreo E
'*$ '*- '*+ n B 8
k n
'*+
M*+
Lotal L

N
-
X '*-
2
2
: 1 *
$/emplo 6.1
buince personas que se capacitan en un programa t-cnico son asignadas en forma aleatoria a
6D
tres tipos diferentes de enfoques de instruccin. ,os punta#es de las pruebas de rendimiento al
concluir la especiali!acin se presentan en la tabla siguiente. 2se el procedimiento de anlisis de
varian!a para probar la /iptesis nula de que las tres medias muestrales son iguales a un nivel de
significacin del 6F.
X-todo de
Instruccin
Punta#e de la prueba
L8
Lotal
'*
'0
'+
C?
E=
C0
DE
D?
?C
C*
CC
D+
D=
C0
D*
C4
CE
C*
4==
406
+D6
Lotal *0==
-oluci%n&
&uma de cuadrados de tratamiento 7
,
_
N
-
n
-
'*$
k
k
2 2
7
2(0
1(
1200
(
*+(
(
.2(
(
.00
2 2 2 2

1
]
1
+ +
&uma de cuadrados del total 7

N
-
X '*-
2
2
7 [ ] ,'$
1(
1200
+1 $2 +0 ))) $2 '0 $,
2
2 2 2 2 2 2
+ + + + + +
&uma de cuadrados del error 7 '*$ '*- '*+
7 ?EC B 06= 7 44C
Ruente de
variacin
&uma de
cuadrados &C
grados de
libertad gl
Xedia
cuadrtica XC
relacin R
Entre grupos
de trat. ' &C' 7 06= 0 XC' 7*06 Ro 7 +.+6
Error de
muestreo E &CE 7 44C *0 XCE 7+D.++ Rt 7 +.CE
Lotal L &CL 7 ?EC *4
Rt 7 R(*1 gl' glE" 7 R(=.E6 0 *0" 7 +.CE
Uo: 0
* 2 1

Ua:
0 l#
i
.n "
7 =.=6
f.p. Ro 7 +.+6
(ecisin: Como
/$ (
0
se acepta Uo
Conclusin: :o /ay efecto asociado a los niveles del m-todo de instruccin por lo tanto las
6C
/A
1 2 = 0,'(
//
= 0,0(
3
t
= *,$'
3
0
= *,*(
Estadstica Aplicada
diferencias de m-todos no son significativo con un 6F de significacin de prueba.
$/emplo 6.2
,a tabla siguiente presenta el promedio de palabras mecanografiadas por minuto en diferentes
marcas de mquinas el-ctricas por individuos asignados aleatoriamente sin e)periencia previa en
estas mquinas despu-s del mismo per.odo de instruccin. Pruebe la /iptesis nula de que la
media de palabras por minuto lograda para las tres mquinas no es diferente usando un nivel de
Xarca de las
mquinas
Promedio de palabras por minuto
L8
Lotal
'*
'0
'+
DE
D4
C*
C+
C6
?6
?0
D0
DE
6*
1
66
DD
1
1
+60
0+*
0C=
Lotal C?+
-oluci%n
,
_
N
-
n
-
'*$
k
k
2 2
7
+2 ) 10*
12
$,*
.
2$0
*
2*1
(
*(2
2 2 2 2

1
]
1
+ +

N
-
X '*-
2
2
7 [ ] ', ) 1*+,
12
$,*
(( +' ,( ))) ,2 $* +'
2
2 2 2 2 2 2
+ + + + + +
&uma de cuadrados del error 7 '*$ '*- '*+
7 *+D?.E? B *=+.D0 7 *0D+.0=
Ruente de
variacin
&uma de
cuadrados &C
Qrados de
libertad gl
Xedia
cuadrtica XC
Relacin
R
Entre grupos
de trat. '
&C' 7 *=+.D0 0 XC' 7 6*.C? Ro 7 =.+D
Error de
muestreo E
&CE 7 *0D+.0= E XCE 7 *4*.4D Rt 7 4.0?
Lotal L &CL 7 *+D?.E0 **
Uo:
0
* 2 1

Ua: 0 l#
i
.n "
7 =.=6
f.p. Ro 7 =.+D
Rt 7 4.0?
(ecisin: Como /$ (
0
se acepta Uo
6E
/A
1 2 = 0,'(
//
= 0,0(
3
t
= .,2,
3
0
= 0,*+
Conclusin: :o e)iste diferencia significativa entre las + mquinas de escribir en t-rminos de
velocidad de mecanograf.a con un 6F de significacin de prueba.
6.3. A".:(-(- D$ 3A)(A"CA D$ D*- 3?A-
El anlisis de varian!a de dos v.as se basa en dos con#untos de clasificaciones o tratamientos. Por
e#emplo al anali!ar el nivel de rendimiento de un programa de capacitacin podr.amos considerar
ambos efectos el del m-todo de instruccin y el del rendimiento escolar anterior. 'simismo
podr.amos investigar el 8ilometra#e de gasolina segIn la categor.a de peso del automvil y el
grado de la gasolina. En las tablas de datos los tratamientos identificados en los encabe!amientos
de la columna se llaman t.picamente tratamientos 'P aquellos en los encabe!amientos de fila se
denominan tratamientos 3.
,a interaccin en un e)perimento de dos factores significa que los dos tratamientos no son
independientes y que el efecto particular de los niveles de tratamiento en un factor difiere segIn
los niveles del otro factor. Por e#emplo al estudiar el 8ilometra#e de un automvil una gasolina de
octana#e ms alto puede me#orar el 8ilometra#e para ciertos tipos de autos pero no p ara otros.
'dems la efectividad de varios m-todos de instruccin puede diferir segIn los niveles de
capacidad de los estudiantes. Con el ob#eto de probar la interaccin en cada c-lula de la tabla de
datos de dos v.as debe incluirse ms de una observacin o medicin muestreada (reiteracin".
6.3.1. Anlisis de 'arian>a de dos '!as sin interacci%n 1diseDo de 0loEue aleatori>ado2
El modelo de anlisis de varian!a de dos v.as en el cual /ay una sola observacin por c-lula se
denomina a menudo diseo de bloque aleatorizado debido a un tipo particular de uso para este
modelo. El ob#etivo de utili!ar -ste dise<o no tiene propsito espec.fico de probar un efecto de los
]bloques]. Xs bien al ser capa! de asignar alguna variabilidad a los su#etos antes del
rendimiento la XCE puede reducirse y la prueba resultante del efecto de los tratamientos ' ser
ms sensible.
,a ecuacin lineal para el modelo del anlisis de varian!a de dos v.as sin interaccin es:
5#8 7 @ # @ 8 @ #8
(onde:
7 media global de cualquier tratamiento
# 7 efecto del tratamiento # o del bloque # en la dimensin 3 de clasificacin.
8 7 efecto del tratamiento 8 en la dimensin ' de clasificacin.
,as /iptesis correspondientes ser.an:
Uo : 8 7 =
Ua : 8 =
,a tabla de resumen para el anlisis de varian!a de dos v.as sin interaccin se da a continuacin:
Ruente de
variacin
&uma de los
cuadrados &C
Qrados
de
libertad
gl
Xedia cuadrtica
XC
Relacin R
Entre grupos
de
tratamiento
'

,
_
N
-
n
-
'*$
k
k
2 2 c 1 *
1
0
'*$
M*$
M*+
M*$
(
0
Entre grupos
de
tratamiento
3

N
-
-
k
'*1
2
2
2
1
Z 1 *
1
#
'*1
M*1
Error de (ZB*" (cB
?=
Estadstica Aplicada
muestreo E '*1 '*$ '*- '*+ *"
) 1 ( ) 1 (
0 #
'*+
M*+
Lotal L

N
-
X '*-
2
2
: 1 *
$/emplo 6.3
Para los datos de la tabla siguiente suponga que en la realidad se utili! un dise<o de bloque
aleatori!ado y que se parearon los participantes antes del e)perimento asignando un participante
de cada grupo de aptitud (con base en los rendimientos anteriores del curso" a cada m-todo de
instruccin. ,a tabla siguiente es una revisin de la tabla del e#emplo * en el sentido que los
valores presentados se /an reorgani!ado para refle#ar el dise<o de bloque aleatori!ado. &in
embargo observe que en cada grupo de tratamiento ' se incluyen los mismos valores e)cepto
que se indican de acuerdo a los grupos de aptitud 3 y por lo tanto estn dispuestos en un orden
diferente. Pruebe la /iptesis nula de que no e)iste diferencia en el desempe<o promedio entre los
tres m-todos de instruccin y los niveles de aptitud utili!ando un nivel de significacin del 6F.
:ivel de
aptitud
X-todo de instruccin L#
Lotal
'* '0 '+
3* C? E= C0 06C
30 C4 CE C* 064
3+ C* CC D+ 040
34 DE D? ?C 00+
36 D= C0 D* 00+
Lotal L8 4== 406 +D6 *0==
-oluci%n&
,
_
N
-
n
-
'*$
k
k
2 2
7
2(0
1(
1200
(
*+(
(
.2(
(
.00
2 2 2 2

1
]
1
+ +
&uma de cuadrados de bloque 7

N
-
-
k
'*1
2
2
2
1
7
** ) *,+
1(
1200
*
22*
*
22*
*
2.2
*
2(.
*
2($
2 2 2 2 2 2

1
]
1
+ + + +

N
-
X '*-
2
2
7 [ ] ,'$
1(
1200
+1 $2 +0 ))) $2 '0 $,
2
2 2 2 2 2 2
+ + + + + +
&uma de cuadrados del error 7
'*1 '*$ '*- '*+
7 ?EC B 06= B +?D.++ 7 C=.CD
Ruente de
variacin
&uma de
cuadrados &C
grados de
libertad gl
Xedia
cuadrtica
XC
relacin R
?*
Entre grupos
de trat. '
&C' 7 06= 0 XC' 7 *06
Ro 7 *0.4
Rt 7 4.4?
Entre grupos
de bloque 3
&C3 7 +?D.++ 4 XC3 7 E*.C+
Error de
muestreo E
&CE 7 C=.CD (0"(4" 7 C XCE 7 *=.EC
Lotal L &CL 7 ?EC *4
Uo: 0
* 2 1

Ua:
0 l#
i
.n "

7 =.=6
f.p. Ro 7 *0.4
Rt 7 4.4?

(ecisin:
Como
// (
0
rec/a!amos Uo
Conclusin:
E)iste diferencia significativa entre los porcenta#es de rendimiento para los diferentes m-todos de
instruccin cuando se consideran el nivel de aptitud. 2tili!ando una prueba significativa.

6.3.2. Anlisis de 'arian>a de dos '!as con interacci%n 1" o0ser'aciones por cFlula2
Cuando se utili!a este dise<o se pueden probar por el anlisis de varian!a tres /iptesis nulas
diferentesP que no /ay efectos de columna (las medias de las columnas no son significativamente
diferentes" y que no /ay efectos de fila (las medias de las filas no son significativamente
diferentes" y que no /ay interaccin entre los dos factores (los dos factores son independientes".
2n efecto de interaccin significativo indica que el efecto de los tratamientos para un factor var.a
segIn los niveles del otro factor. En tal caso la e)istencia de efectos de columna y de fila puede
no tener muc/o significado desde el punto de vista de la aplicacin de los resultados de la
investigacin.
,a ecuacin lineal para el modelo del anlisis de varian!a de dos v.as sin interaccin es:
5i#8 7 @ # @ 8 @ i#8 @ i#8
(onde:
7 media global independiente de cualquier tratamiento
# 7 efecto del tratamiento # en la dimensin 3.
8 7 efecto del tratamiento 8 en la dimensin '.
i#8 7 efecto de la interaccin entre el tratamiento # (del
factor 3" y el tratamiento 8 (del factor '"
,as /iptesis correspondientes ser.an:
Uo : 8 7 = Uo : # 7 = Uo : I#8 7 =
Ua : 8 = Ua : # = Ua : I#8 =
,a tabla de resumen para el anlisis de varian!a de dos v.as con interaccin se da a continuacin:
Ruente de
variacin
&uma de los
cuadrados &C
Qrados
de
libertad
gl
Xedia cuadrtica
XC
Relacin R
?0
/A
1 2 = 0,'(
//
= 0,0(
3
t
= .,.,
3
0
= 12,.
Estadstica Aplicada
Entre grupos
de
tratamiento
'

N
-
-
n
'*$
k
2
2
1
c 1 *
1
0
'*$
M*$
M*+
M*$
(
0
Entre grupos
de
tratamiento
3

N
-
-
k n
'*1
2
2
2
1
Z B *
1
#
'*1
M*1
M*+
M*1
(
0
Interaccin
(entre
grupos de
tratamiento
' y 3" I
( )
N
-
'*1 '*$
X
n
'*3
2
2 1

,
_

(ZB*" (cB
*"
) 1 ( ) 1 (
0 #
'*3
M*3
M*+
M*3
(
0
Error de
muestreo E
'*3
'*1 '*$ '*- '*+

Zc (nB*"
) 1 (
n #0
'*+
M*+
Lotal L

N
-
X '*-
2
2
: 1 *
$/emplo 6.6
:ueve personas que se capacitan en cada una de cuatro reas temticas diferentes fueron
asignadas en forma aleatoria a tres m-todos de instruccin distintos. &e asignaron tres
estudiantes a cada m-todo de instruccin. &e refiere a la tabla siguiente pruebe las diversas
/iptesis nulas que son de inter-s respecto a tal dise<o a un nivel de significacin del 6F.
Wrea
temtica
X-todo de instruccin Lotal L#
'* '0 '+
3* D=
DE
D0
C+
CE
DC
C*
C?
DE
D*D
00* 06= 04?
30 DD
C*
DE
DD
CD
CC
D4
?E
DD
D=E
0+D 060 00=
3+ C0
DC
C=
E4
C+
DE
D0
DE
D6
D00
04= 06? 00?
34 C6
E=
CD
C4
E=
CC
?C
D*
?E
D+0
0?0 0?0 0=C
Lotal L8 E?= *=0= E== L70CC=
-oluci%n&
&uma de cuadrados de tratamiento ' 7

N
-
-
nk
'*$
k
2
2
1
7
,00
*,
2$$0
12
'00
12
1020
12
',0
2 2 2 2

1
]
1
+ +
&uma de cuadrados de tratamiento 3 7

N
-
-
n2
'*1
2
2
2
1
?+
7
$ ) *0
*,
2$$0
'
+*2
'
+22
'
+0'
'
+1+
2 2 2 2 2

1
]
1
+ + +
&uma de cuadrados de la interaccin 7
( )
N
-
'*1 '*$
X
n
'*3
2
2 1

,
_

7
' ) (**
*,
2$$0
$ ) *0 ,00
*
20$
*
2,2
*
2,2
)))
*
2.,
*
2(0
*
221
2 2 2 2 2 2 2

1
]
1
+ + + + + +

N
-
X '*-
2
2
7 [ ] 0 ) 1,00
*,
2$$0
,' $$ $+ ))) $1 $* +0
2
2 2 2 2 2 2
+ + + + + +
&uma de cuadrados del error 7
'*3 '*1 '*$ '*- '*+
7 *?== B ?== B +=.C B 6++.E 7 4+6.+
Ruente de
variacin
&uma de
cuadrados
&C
Qrados de
libertad gl
Xedia
cuadrtica XC
relacin R
Entre grupos
de trat. '
(m-todo"
&C' 7 ?==.= +1* 7 0 XC' 7 +== Ro 7 *?.6D
Entre grupos
de trat. 3
(tema"
&C3 7 +=.C 41* 7 + XC3 7 *=.+ Ro 7 =.6D
Interaccin
entre
m-todo y
tema I
&CI 7 6++.E (0"(+" 7 ? XCI 7 *C.* Ro 7 4.E0
Error de
muestreo E
&CE 7 4+6.+
(4"(+"(0" 7
04
XCE 7 *C.*
Lotal L &CL 7
*?==.=
+?1*7+6
Uo:
* 2 1 $ $ $

Uo:
* 2 1 1$ 1$ 1

Uo:
0
2k
3
Ua: 0 l#
i
.n " Ua:
0 l#
2
.n "
Ua:
0
2k
3
7 =.=6
f.p.
Ro 7 *?.6D Ro 7 =.6D
Rt 7 R(004=.E6" 7 +.4 Rt 7 R(+04=.E6" 7 +.=
?4
/A
1 2 = 0,'(
//
= 0,0(
/A
1 2 = 0,'(
//
= 0,0(
3t = *). 3t = *)0
3" = 1,)(+ 3" = 0)(+
Estadstica Aplicada
Ro 7 4.E0
Rt 7 R(?04=.E6" 70.6

(ecisin:
*. Como // (
0
rec/a!amos Ua
0. Como
/$ (
0
aceptamos Uo
+. Como // (
0
aceptamos Ua
Conclusin: Uay diferencia satisfactoria entre los porcenta#es de los m-todos de instruccin no
/ay diferencia significante entre las distintas reas /ay interaccin importante entre los dos
factores:
,a Iltima conclusin indica que var.a la efectividad de los tres m-todos de instruccin para las
diferentes reas temticas.
?6
/A
1 2 = 0,'(
//
= 0,0(
3t = 2)(
3" = .)'2
A+*$3A:+AC(,"
( " El anlisis de varian!a se emplea para probar las diferencias entre 8 medias.
( " El anlisis de varian!a de dos v.as se basa en dos con#untos de tratamientos
( " 'l anlisis de varian!a de dos v.as sin interaccin se le conoce como dise<os de bloque
aleatori!ado.
( " El modelos del anlisis de varian!a de dos v.as es: 5i8 7 @ 8 @ i8
( " XCE es llamada media cuadrtica del error
0. En *0 depsitos al por menor se establecieron 4 tipos de e)/ibiciones de publicidad con tres
depsitos asignados en forma aleatoria a cada una de las e)/ibiciones con el propsito de
estudiar el impacto de la e)/ibicin en el punto de venta. Refiri-ndose a la tabla siguiente
pruebe la /iptesis de que no e)iste diferencia entre las medias de los valores de venta para
los cuatro tipos de e)/ibiciones usando un nivel de significancia del 6F.
ipo
De $G=i0ici%n
3$"A-
1 2 3
E*
E0
E+
E4
4= 44 4+
6+ 64 6E
4C +C 4?
4C ?* 4D
+. ,os siguientes son los nImeros de /ornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compa<.a distribuidora de art.culos dom-sticos
-+C+)-A: A:BA 21 11 19 2H
-+C+)-A: B$A 29 17 1H 28 19 21
-+C+)-A: AAMMA 26 19 31 12 17
Realice un ':9' para probar con un nivel de significancia de =.=6 si la /iptesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
4. Completar la siguiente tabla de anlisis de varian!a (':9'"
R2E:LE
9'RI'CI%:
&2X' (E
C2'(R'(%
&
QR'(% (E
,I3ERL'(
XE(I'
C2'LR'(LIC'
R
Lratamiento 0
Error E *=
Lotal *0=
6. 2n e#ecutivo de mar8eting llev a cabo un estudio para e)aminar el efecto comparativo de +
t-cnicas diferentes de promocin en 4 !onas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguiente. (eterminar las conclusiones a las que puede llegar usando
los resultados de la tabla ':9' y formule en forma clara las /iptesis de contraste.
R2E:LE
9'RI'CI%:
&2X' (E
C2'(R'(%&
QR'(% (E
,I3ERL'(
XE(I'
C2'(R'LIC'
R
Entre t-cnicas
promocionales
D.4C
Entre !onas de
ventas
+
Error +.E= ?
Lotal **.4* **
??
Estadstica Aplicada
?D
+nidad 6
$*)(A D$ :A *MA D$ D$C(-(*"$-
:H de tutor.a: 2no
utor!a "# 7
Leor.a de la toma de decisiones
?C
Estadstica Aplicada
?E
1. Competencias
1.1. Conceptuales
Reconoce los conceptos del anlisis estad.stico en la toma de
decisiones.
Elaboran tabla diagrama en base a las probabilidades para la toma de
decisiones.
1.3. Actitudinales
Reali!a toma de decisiones basadas en un anlisis estad.stico en un
problema de investigacin.
El contenido programtico de la unidad referida es el siguiente: ,a
estructura bayesiana comparada con la estad.stica clsica conceptos
fundamentales (conceptos generales" estructura de la tabla de
decisinP toma de decisiones basadas en probabilidades (criterios:
probabilidad m)ima esperan!a del evento"P toma de decisiones con
base slo en las consecuencias econmicas (criterios: ma)imin
m)ima) pena m.nima)"P toma de decisiones con base en
probabilidades y consecuencias econmicas (criterios: del valor
esperado o criterio bayesiano m.nima p-rdida de oportunidad o pena
esperada"P anlisis de rbol de decisin.
prcticos.
c" Remite las prcticas y los traba#os a la pgina $eb de PR%E&'(.
D=
Estadstica Aplicada
utor!a "#
eor!a de la toma
de decisiones
7.1. :A $-)+C+)A BA@$-(A"A C*MPA)ADA C*" :A $-AD?-(CA C:.-(CA
,a estad.stica clsica trata en lo fundamental dos problemas estrec/amente relacionados:
1) El problema de la estimacin de algunos parmetros de la poblacin como la media aritm-tica
de la poblacin y la proporcin poblacional p.
0. El problema de probar una /iptesis respecto a alguna caracter.stica o parmetro de la
poblacin
Pero ya sea que el problema consista en estimar algIn parmetro de la poblacin o probar (o
contrastar o verificar" una /iptesis respecto al valor de ese parmetro el m-todo que se usa para
resolver el problema es uno y el mismoP se selecciona una muestra aleatoria de la poblacin y esta
informacin muestral se convierte en la base de todas las inferencias acerca de los parmetros de
la poblacin. Para e#emplificar esto supngase que el problema inmediato es estimar el porcenta#e
de estudiantes del quinto a<o de secundaria en un colegio. &i una muestra aleatoria de *==
estudiantes seleccionados de este colegio revela que /ay *= esudiantes del Iltimo a<o entonces
se estimar el porcenta#e de estudiantes del Iltimo a<o de todo el colegio como *=;*== *=F.
,a informacin que se puede utili!ar al /acer una inferencia sobre una caracter.stica de la
poblacin por lo general se clasifica en dos clases: la informacin ob#etiva y la informacin
sub#etiva. Por e#emplo la informacin que se obtiene por medio de muestreos es informacin
ob#etiva. Por otra parte la opinin personal del e)perto en un campo es informacin sub#etiva. 'l
estimar el porcenta#e de estudiantes del Iltimo a<o del colegio como *=F se /a adoptado el
m-todo tradicional o clsico de la inferencia estad.stica un m-todo en el que la inferencia acerca
de la poblacin se basa de una manera estricta en informacin muestral ob#etiva.
En contraste con el m-todo estad.stico clsico en el que slo se puede utili!ar informacin
muestral ob#etiva un enfoque alternativo de la estad.stica llamado estad.stica de 3ayes puede
utili!arse toda la informacin disponible pertinente: sub#etiva y ob#etiva. En la estad.stica de 3ayes
una inferencia sobre un parmetro de la poblacin puede /acerse partiendo de informacin
sub#etiva e)clusivamente. &in embargo si posteriormente se cuenta con informacin muestral
ob#etiva se combinan la informacin sub#etiva y la ob#etiva y las inferencias sobre el parmetro de
la poblacin se basan en esta informacin combinada.
,a distincin entre la estad.stica clsica y la de 3ayes puede presentarse desde una perspectiva
definida considerando el e#emplo siguiente: 2na compa<.a manufacturera est considerando la
compra de una nueva mquina denominada la mquina '. ,a decisin de si se compra o no la
mquina ' se basar en el porcenta#e de partes defectuosas que produ!ca la mquina. En base a
su e)periencia pasada con otras mquinas seme#antes el ingeniero de control de calidad de la
5
D*
compa<.a estima el porcenta#e de partes defectuosas producidas por la mquina ' segIn la
siguiente tabla:
P*)C$"A;$ D$ PA)$-
D$B$C+*-A-
P)*BAB(:(DAD
==6
==?
==D
=+=
=6=
=0=
Esto significa que el ingeniero de control de calidad no est absolutamente seguro del porcenta#e
de partes defectuosas que produce la mquina '. &in embargo en base a cualquier conocimiento
o e)periencia que posee el ingeniero piensa personalmente que es de =+= la probabilidad de que
el porcenta#e de partes defectuosas producidas por la mquina ' sea 6F es de =6= la
probabilidad de que el porcenta#e de partes defectuosas sea ?F y /ay un riesgo de =0= en que el
porcenta#e de partes defectuosas sea DF.
(os observaciones importantes pueden /acerse en esta fase de la discusin. Primera la
informacin del ingeniero de control de calidad respecto a la mquina ' es personal o sub#etiva
puesto que algIn otro ingeniero bien podr.a dar una estimacin del porcenta#e de partes
defectuosas que produce la mquina '. &egunda en contraste con la estad.stica de 3ayes est
especialmente dise<ada para /acer uso ms constructivo de este tipo de informacin. (e /ec/o
usando la informacin sub#etiva del ingeniero de control de calidad la estad.stica de 3ayes
permitir a la compa<.a decidir si compra o no la mquina '.
Continuando el caso de la mquina ' supngase adems que en una serie de pruebas una
muestra aleatoria de *== partes producidas por la mquina ' revela que /ay 4 partes defectuosas.
'/ora bien segIn la estad.stica el porcenta#e de partes defectuosas producidas por la mquina '
se estima como 4F. &in embargo usando la estad.stica de 3ayes la informacin muestral se
combina con la informacin sub#etiva del ingeniero de control de calidad y una estimacin del
porcenta#e de partes defectuosas producidas por la mquina ' se /ace partiendo de esta
combinacin de informacin.
El uso de informacin sub#etiva en la inferencia estad.stica es slo una de las caracter.sticas de la
estad.stica bayesiana. En los Iltimos a<os la estad.stica bayesiana se /a convertido en una teor.a
integrada para la toma de decisiones llamada la teor.a de decisin bayesiana.
,a teor.a de decisin bayesiana trata el problema de la toma de decisiones ba#o condiciones de
incertidumbre. Esta teor.a le proporciona a quien toma una decisin un procedimiento racional y
sistemtico que le permite elegir entre varios cursos de accin posible cuando las consecuencias
de cada una de estas acciones estn su#etas a incertidumbre.
(. $structura de ta0las de decisi%n
2na tabla de decisin identifica la ganancia (o p-rdida" ocasional asociada por todas las
combinaciones posibles de actos y sucesos de decisin tambi-n indica la probabilidad de
ocurrencia para cada uno de los eventos mutuamente e)cluyentes.
AB:A 1
$-)+C+)A A$"$)A: D$ +"A AB:A D$ D$C(-(,"
$3$"*
P)*B.
AC*-
A1 A2 A3 ... An
E*
E0
E+
...
Em
p*
p0
p+
...
pm
5**
50*
5+*
...
5m*
5*0
500
5+0
...
5m0
5*+
50+
5++
...
5m+
...
...
...
...
...
5*n
50n
5+n
...
5mn
Donde&
'ctos: &on los cursos de accin alternativos o estrategias que estn a disposicin de la
persona que toma la decisin. Como resultado del anlisis se elige uno de estos
actos como el me#or.
Eventos: Identifica las ocurrencias que estn fuera del control de la persona que toma la
decisin y que determina el nivel de -)ito de un acto dado.
D0
Estadstica Aplicada
Probabilidad: (eben estar disponibles pueden basarse en actos ob#etivos o determinarse
sub#etivamente con base en el criterio. ,as sumas de las probabilidades siempre
es *==.
,as entradas en las c-lulas: &on valores condicionales o consecuencias econmicas
condicionales. Rrecuentemente se denominan pagos y son condicionales pues el
resultado econmico depende del acto de decisin que se elige y del evento que
ocurre.
((. oma de decisiones 0asadas en pro0a0ilidades
Esto se efectIa /aciendo uso de la primera y segunda columna de la tabla *.
Criterios
*H Probabilidad m)ima: Es aquel que se selecciona el acto del evento que presenta mayor
probabilidad.
0H Esperan!a del evento: Es aquel que se selecciona el acto del evento considerando la
esperan!a matemtica del evento. E(e" 7 e p(e"
%bs. Representa una base incompleta para efectuar toma de decisin.
(((. oma de decisiones con 0ase s%lo en las consecuencias econ%micas
,a tabla que se usa es similar a la tabla * e)cepto que por la ausencia de las probabilidades
de los eventos.
Criterios
*H Xa)imin: Esta estrategia de decisin es ]altamente conservadora] pues la persona que
toma la decisin se preocupa de que ]pueda suceder lo peor] respecto a cada acto.
Clculo& &e determina el valor m.nimo de cada columna. El me#or acto es aquel para el
cual el valor resultante es mayor.
0H X)imas: Es el estndar por el cual el me#or acto es el para el que el valor m)imo es
mayor que el m)imo de cualquier otro acto de decisin. Este criterio se opone
filosficamente al criterio ma)imin pues la persona que toma las decisiones est
orientada /acia ]lo me#or que puede suceder] con respecto a cada acto.
Clculo& &e determina el valor m)imo de cada columna. El me#or acto es aquel para el
cual el valor resultante es mayor.
+H Pena Xinima) (P-rdida de oportunidad condicional": Es la diferencia entre el resultado
econmico del me#or acto dado que /a ocurrido en un evento particular y el resultado
econmico de acto. El valor ]me#or] o ms deseado de la pena es ]=].
Clculo& &e determina la tabla pena minim) restando el resultado de cada acto del
me#or en cada fila luego el valor m)imo de cada columna. El me#or acto es aquel para
el cual el valor resultante es menor.
(3. oma de decisiones con 0ase en pro0a0ilidades y consecuencias econ%micas
Estos m-todos utili!an toda la informacin contenida en la tabla *.
Criterios
*H (el valor esperado (9E" o Criterio 3ayesiano: Es la norma por el cual el me#or acto es
aquel para el que el resultado econmico esperado es el ms alto como promedio a
largo pla!o.
Clculo& &e determina multiplicando el valor condicional para cada combinacin
evento;acto por la probabilidad del evento y sumando estos resultados para cada acto
(columna". El me#or acto es aquel para el cual el valor resultante es mayor.
0H Xinima p-rdida esperada de oportunidad (PE%" o Pena esperada.1 El acto con la mayor
ganancia esperada tendr.a la menor pena esperada.
Clculo& &e determina la tabla pena minim) restando el resultado de cada acto del
me#or en cada fila luego se multiplicando el valor condicional para cada combinacin
evento;acto por la probabilidad del evento y sumando estos resultados para cada acto
D+
(columna". El me#or acto es aquel para el cual el valor resultante es menor.
3. Anlisis de r0ol de decisi%n
Es el m-todo que puede utili!arse para identificar el me#or acto inicial como tambi-n los
me#ores actos subsiguientes.
Proceso
*H Construir el rbol de decisin de i!quierda a derec/a con sus puntos de decisin (puntos
secuenciales en los cuales tiene que /acerse la eleccin" y eventos causales (puntos
secuenciales en los cuales ocurrir un evento probabil.stico". (epende del anlisis
apropiado de la situacin global de decisin.
0H &e colocan en el diagrama los valores de probabilidad asociados con los eventos
causales y las consecuencias econmicas. ,os valores esperados de los actos
alternativos en el punto inicial de decisin los valores esperados se calculan
sistemticamente de derec/a a i!quierda en el rbol de decisin. Este proceso se llama
]devolverse].
$/emplo 7.1
2n contratista de calefaccin y aire acondicionado debe comprometerse a comprar unidades de
aire acondicionado desde el *ero de abril para reventa e instalacin durante la pr)ima temporada
de verano. Con base en la demanda del verano anterior en las actuales condiciones econmicas
y en los factores de competencia del mercado calcula que /ay una probabilidad de =*= de vender
slo 6 unidades una probabilidad de =+= de vender *= unidades una probabilidad de =4= de
vender *6 unidades y una probabilidad de =0= de vender 0= unidades. ,os equipos de aire
acondicionado se pueden ordenar slo en grupos de cinco siendo el costo unitario de M*=== y el
precio al por menor de M*+== (ms gastos de instalacin". Lodas las unidades que no se /an
vendido al t-rmino de la temporada se devuelven al fabricante por un cr-dito neto de MC==
despu-s de deducir los gastos de embarque. (etermine los me#ores actos de decisin desde el
punto de vista de los criterios.
a" basada slo en probabilidades (probabilidad m)ima y esperan!a del evento".
b" basada slo en las consecuencias econmicas (ma)imin ma)ima) pena minima)".
c" basada en probabilidades y consecuencias econmicas (criterio bayesiano y pena esperada
de oportunidad".
-oluci%n&
(Labla de ganancias"
E
(emanda
P (E"
'CL%& (Compra B &toc8"
'* 7 6 '0 7 *= '+ 7 *6 '4 7 0=
E* 7 6
E0 7 *=
E+ 7 *6
E4 7 0=
=.*=
=.+=
=.4=
=.0=
*6==
*6==
*6==
*6==
6==
+===
+===
+===
(6=="
0===
46==
46==
(*6=="
*===
+6==
?===
9alor esperado *++
Xa)imin *6== 6== (6==" (*6=="
X)ima ) *6== +=== 46== ?===
C. 3ayesiano *6== 0D6= +06= 0D6=
(Labla de p-rdida de oportunidad"
E
(emanda
P (E"
'CL%& (Cantidad de orden"
'* 7 6 '0 7 *= '+ 7 *6 '4 7 0=
E* 7 6
E0 7 *=
E+ 7 *6
E4 7 0=
=.*=
=.+=
=.4=
=.0=
=
*6==
+===
46==
*===
=
*6==
+===
0===
*===
=
*6==
+===
0===
*===
=
Pena Ximi ma) 46== +=== 0=== +===
Pena esperada de
oportunidad
066= *+== C== *+==
D4
Estadstica Aplicada
a" i" Como la probabilidad m)ima es 4=F entonces el me#or acto de decisin es ordenar la
compra de *6 unidades de aire acondicionado.
ii" Como el valor esperado 7 EP(E" 7 *++ y las ordenes se afectan en grupos de 6 luego el
me#or acto de decisin es ordenar la compra de *6 unidades de aire acondicionado.
b" Xa)iminin: ordenar comprar 6 unidades de aire acondicionado
Xa)imima): ordenar comprar 0= unidades de aire acondicionado
Pena m.nimas: ordenar comprar *6 unidades de aire acondicionado
c" Criterio 3ayesiano: ordenar comprar *6 unidades de aire acondicionado
Pena esperada de oportunidad: ordenar comprar *6 unidades de aire acondicionado
$/emplo 7.2
a. ' un fabricante se le present un proyecto para un producto nuevo y debe decidir si
desarrollarlo o no. El costo del desarrollo de proyecto es &;. 0== ===P la probabilidad de -)ito
es =D=. &i el desarrollo no tiene -)ito se termina el proyecto. &i tiene -)ito el fabricante debe
entonces decidir si el nivel de produccin /a de ser alto o ba#o. &i la demanda es alta el
aumento en la utilidad dado un nivel elevado de produccin es de &;. D== ===P dado un nivel
ba#o es de &;. *6= ===. &i la demanda es ba#a el incremento en la utilidad dado un nivel
elevado de produccin es &;. *== ===P dado un nivel ba#o es &;. *6= ===.
Lodos estos incrementos en utilidades son cifras brutas (es decir antes de restar los &;. 0== ===
del costo de desarrollar el producto". &e estima que la probabilidad de una demanda elevada es
=4= y para la demanda ba#a es =?=. Elabore el rbol de decisiones para esta situacin.
,a figura muestra el rbol de decisin de este problema:
: Puntos de decisin
: Eventos aleatorios
b. Con referencia a la figura * determine si el fabricante debe intentar el desarrollo de este
producto o no determinando la ganancia esperada correspondiente a las acciones alternativas
JdesarrollarK y Jno desarrollarK.
En la figura 0 se repite el rbol de decisin presentado en la figura * pero a/ora se incluyen las
ganancias esperadas correspondientes a cada una de las decisiones posibles del proceso
secuencial y se eliminan las acciones no preferidas de cada decisin cru!ando con dos rayas la
rama correspondiente. Lraba#ando de derec/a a i!quierda se determina la ganancia esperada de
D6
Rigura *. (iagrama del rbol de decisin
la decisin Jnivel alto de produccinK y que es de &;. *4= === de la siguiente manera:
QE (nivel alto de fabricacin" 7 (=4=" (6== ===" @
(=?=" (1*== ==="
7 &;. *4= ===
(e manera anloga:
QE (nivel ba#o de fabricacin" 7 (=4=" (16= ===" @
(=?=" (16= ==="
7 &;. 6= ===
'l comparar las dos ganancias esperadas la me#or decisin es Jnivel alto de fabricacinKP se
elimina la posibilidad de la otra accin. Pasando a la i!quierda /acia el siguiente punto de decisin
(que es tambi-n el punto inicial de decisin en este caso" las ganancias esperadas para las dos
posibles decisiones son:
QE (desarrollar" 7 (=D=" (*4= ===" @
(=+=" (10== ==="
7 &;. +C ===
QE (no desarrollar" 7 &;. =
'l comprar las dos ganancias esperadas la me#or accin en el punto inicial es JdesarrollarK. 'l
calcular la ganancia esperada de JdesarrollarK debe observarse que la probabilidad de =D= (para
Jdesarrollo con -)itoK" se multiplica por &;. *4= === y se ignora la rama adyacente de &;. B6= ===
debido a que corresponde a una decisin eliminada en la etapa previa de anlisis.
D?
Rigura 0: (iagrama del rbol con reversin
Estadstica Aplicada
A+*$3A:+AC(,"
( " ,a pena m.nima) se calcula en la tabla de perdida.
( " El criterio que ma)imi!a los pagos m.nimos de todos los actos se llama m)imas.
( " En el criterio m)ima) el me#or acto es aquel para el cual el valor resultante es mayor.
( " ,os eventos son los cursos de accin alternativos que estn a disposicin de la
persona que toma la decisin.
( " ,a teoria bayesiana trata el problema de la toma de decisiones ba#o condiciones de
incertidumbre.
0. &upngase que un fabricantes de equipos de oficina debe decidir si ampliar la capacidad de
su planta a/ora o espera otro a<o. &us conse#eros le advierten que si /ace a/ora la
ampliacin y las condiciones econmicas siguen siendo favorable se lograr una utilidad de M
+?E ===P si /ace a/ora la ampliacin y e)iste alguna recesin econmica /abr un p-rdida
(utilidad negativa" de M E== ===P si espera otro a<o y las condiciones econmicas siguen
siendo favorables se lograr una utilidad de M *C= ===P y si espera otro a<o y e)iste una
recesin econmica se lograr una peque<a utilidad de M *C ===.
a" Construya una tabla de pagos.
b" Construya una tabla de p-rdida
+. 2n canillita debe ordenar los peridicos con un d.a de anticipacin. El costo de los peridicos
es de M 0 la docena y el precio de venta es de M 4 la docena. ,os peridicos no vendidos al
cabo del d.a deben devolverse. &i el canillita estima la demanda diaria de su clientela por
peridicos en la forma siguiente: (emanda diaria en docenas: *0 *+ *4. Probabilidad de la
demanda =.0= =.+= =.6=.
a" Establecer la tabla de pago y de p-rdida.
b" (etermine los me#ores actos de decisin desde el punto de vista de los criterios:
Probabilidad m)ima valor esperado ma)imin m)ima) pena m.nima) criterio
bayesiano y pena esperada de oportunidad
4. (ada la siguiente tabla de resultados:
2LI,I('(E&
&uceso Probabilidad 'cciones
' * '0 '+ '4
'
3
C
(
=.*
=.0
=.6
=.0
0= = 1+= 14=
0= 4= 0= =
0= 4= ?= 4=
0= 4= ?= C=
a" (eterm.nese la accin ptima mediante la Probabilidad X)ima
b" (eterm.nese la accin ptima utili!ando el criterio 3ayesiano y Pena Esperada de
%portunidad
c" (eterm.nese la accin ptima utili!ando el criterio XW5IX'5 X'5IXI: XI:IX'5
6. ,a #unta directiva de un /ospital privado debe decidir sobre fases financieras si autori!a
fondos a un nuevo centro de atencin a pacientes cardiacos. ,a #unta considera que si se
construye el nuevo centro y contratan a un cardilogo de prestigio nacional el centro percibir
M D.0 millones. &i se construye el nuevo centro pero no pueden contratar un cardilogo
eminente /abr una p-rdida de M *.06 millones. &i se remodela el antiguo centro de
cardiolog.a y se contrata a un cardilogo eminente el centro captar M 0 millones. &i se
remodela el centro y no contratan a un cardilogo eminente la institucin slo percibir M =.6
millones.
a" Construya una tabla de pagos.
b" Lrace un rbol de decisin.
DD
+nidad 7
C*")* D$ CA:(DAD
:H de tutor.as: (os
utor!a "# 8& C%:LR%, (E C',I('(: QR'RIC' (E C%:LR%, P'R' ,'
XE(I' (E, PR%CE&%.
utor!a "# 9& C%:LR%, (E C',I('(: QR'RIC' (E C%:LR%, P'R' ,'
9'RI'CIV: (E, PR%CE&% Y P'R' ,' PR%P%RCIV: (E (ERECL2%&%&.
DC
Estadstica Aplicada
DE
1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las t-cnicas muy Itiles que se usan en la
industria para controlar y me#orar la calidad del producto.
Elaboran diagramas de control para controlar y me#orar el producto de
un proceso de manufactura.
1.3. Actitudinales
'segurar que las variables que miden la calidad de un producto queden
dentro de los intervalos que son aceptables para posibles clientes.
El contenido programtico de la unidad referida es el siguiente: control
de calidad introduccin m-todos de control de calidad: t-cnicas de
supervisin t-cnicas de locali!acin de problemas t-cnicas de
seleccin supervisin de la calidad mediante graficas o diagramas de
control grafica de control para media del proceso: diagrama de x P
grfica de control para la variacin del proceso: diagrama de r grfica
de control para la proporcin de defectuosos: diagrama de pP grfica
de control para el nImero de defectuosos por unidad: diagrama de c
prcticos.
C=
Estadstica Aplicada
utor!a "#
Control de calidad& grafica de control para la
media del proceso
$-+D(* D$ +" CA-*
$l Caso del Aceite Perdido
Consid-rese un problema administrativo en el que usted es el encargado de la operacin de llenar
latas de aceite lubricante para motores. ,os envases de un cuarto de galn el tipo que se compra
en una estacin de servicio local se llenan con una mquina que tiene 0C boquillas (inyectores".
Cada boquilla descarga el aceite en una lata y la mquina llena as. los 0C envases uno con cada
inyector.
El problema se presenta cuando los controladores de la compa<.a detectan una discrepancia
e)tra<a. 'unque la cantidad de aceite que se recibe mensualmente para la operacin de llenado
asciende a *= === === de cuartos de galn el nImero de latas de una cuarto que se llenan es
siempre considerablemente menor. &i el nImero de latas llenadas de un mes dado es de E D==
=== Squ- pas con los +== === cuartos de aceite perdidoT
El problema que acabamos de describir es similar al problema encontrado por 9. Rilimon y sus
colegas quienes traba#an en ese tiempo para la Estndar %il Company en Cleveland %/io (9.
Rilimon R. Xaggass (. Rra!ier y '. Rlingel J&ome 'pplications of buality Control Lec/niques in
Xotor %il Can Riling Industrial buality Control 9ol. *0 *EE6K". &u operacin consisti en usar tres
maquinas llenadoras cada una con ? boquillas para latas de un cuarto otra con 0C boquillas
tambi-n para un cuarto y una mas con *? inyectores para latas de un galn.
,a bIsqueda del aceite perdido se concentro rpidamente en la maquina llenadora. S&e puede
a#ustar una mquina para que una boquilla descargue e)actamente un cuarto de aceite en cada
lataT ,a respuesta es negativa porque la cantidad de aceite descargada para una sola boquilla
difiere ligeramente de la que descargue otra debido a la variacin en el flu#o del aceite por la
citada boquilla. 's. la cantidad ) de aceite descargada en una lata medida en volumen o en peso
varia de una lata a otra y tiene una distribucin de frecuencias relativas. Esta variacin en el peso
de llenado llevo a Rilimon y a sus colegas a sospec/ar que el aceite perdido sal.a de la planta en
las mismas latas.
,a operacin de llenar los envases y sus problemas in/erentes es comparable a la mayor.a de
las operaciones actuales en los negocios. Cada operacin origina un producto que se considera
aceptable o inaceptable dependiendo de una o ms variables que miden la calidad del producto.
El producto de una operacin de llenado de envases de aceite es una lata de aceiteP una medida
de su calidad es la cantidad de aceite depositado en cada lata. El producto de una mquina que
origina lmparas el-ctricas es una bombilla o un foco y una medida de su calidad es la cantidad
de lu! que emita. El producto de un /ospital es el tratamiento m-dico y el cuidado para un solo
6
C*
paciente. ,a calidad del cuidado de un paciente se medir.a sin duda mediante un cierto nImero
de variables de calidad.
En esta unidad presentaremos algunas t-cnicas administrativas y estad.sticas para supervisar
me#orara y controlar la calidad del producto de una operacin actual en los negocios.
8.1. (")*D+CC(*"
El ob#etivo de este capitulo es presentar algunas t-cnicas muy Itiles que se usan en la industria
para controlar y me#orar la calidad de productos manufacturados as. como para el me#oramiento
de la calidad de sistemas de administracin.
Como lo indica el titulo la metodolog.a del control de calidad se estructuro para controlar y me#orar
el producto de un proceso de manufactura. ,os perfiles o barras de acero deben tener una
resistencia a la tensin especificaP un #abn tiene que ser producido con un nivel ba#o de
impure!asP una ca#a de cereales debe tener un contenido en peso espec.fico y los datos de
entrada financieros en una computadora para administracin tienen que ser e)actos y preciso con
una alta probabilidad. 's. el ob#etivo de un programa de control de calidad es asegurar que las
variables que miden la calidad de un producto queden dentro de los intervalos que son aceptables
para posibles clientes.
8.2. MI*D*- D$ C*")*: D$ CA:(DAD
,os m-todos de control de calidad se clasifican en tres categor.as:
8.2.1. Fcnicas de super'isi%n
(ise<adas para seguir o rastrear el nivel de las variables de calidad y para detectar cambios
indeseables en la calidad del productoP
8.2.2. Fcnicas de locali>aci%n de pro0lemas
Ideadas para ayudar a ubicar las causas de cambios indeseables en la calidad del productoP y
8.2.3. Fcnicas de selecci%n
(ise<adas para eliminar productos defectuosos o de mala calidad que entran al proceso como
materia prima y sirven para reali!ar el mismo traba#o en el caso de los productos acabados antes
de enviarlos a un cliente.
&e dice a menudo que el control de calidad consta del *=F de Estad.stica y de E=F de ingenier.a
y sentido comIn. Como se aprender la mayor.a de los m-todos de control de calidad se basan en
los conceptos estad.sticos elementales. El verdadero problema ocurre cuando se detecta uno de
los procesos de supervisin o monitoreo o de seleccin. 's. los m-todos de control de calidad
pueden decir cuando pero no porEue ocurren los problemas. Para descubrir la causa de la ba#a
calidad en productos y corregir la situacin es necesario conocer el proceso y tener aptitudes y
/abilidad para resolver problemas.
Esta unidad trata de dos de los tres tipos de m-todos de control de calidad los procedimientos
para controlar un proceso de produccin actual y los m-todos utili!ados para eliminar materia
prima poco satisfactoria que entra al proceso o productos defectuosos que salen del proceso o
ambas cosas. ,a tercera categor.a metodolgica los procedimientos estad.sticos para locali!ar la
causa de un cambio que /aga ba#ar la calidad del producto consiste en todos los m-todos
desarrollados en esta asignatura como en estad.stica general. (os de los procedimientos de
mayor utilidad son el anlisis de regresin y el anlisis por tablas de contingencia que pueden
establecer con correlacin entre una o ms materias primas o variables del proceso o del entorno
y la calidad del producto.
C0
Estadstica Aplicada
8.3. -+P$)3(-(*" D$ :A CA:(DAD M$D(A"$ A)AB(CA- * D(AA)AMA- D$ C*")*:
,as mediciones de una variable de calidad var.an en el tiempo. Por e#emplo las mediciones del
dimetro interior de un co#inete cuyo valor es pulgada variarn ligeramente de una pie!a a otra. El
dimetro del co#inete tiende a /acerse mas peque<o debido al desgaste del utensilio de corte del
proceso de maquinado. 2na variacin de este tipo se denomina definida por una causa
atri0ui0le. %tra variacin en la que ocurre peque<os cambios fortuitos que se deben a la gran
cantidad de variables desconocidas que afectan el dimetro: cambios en la materia prima
condiciones ambientales etc. se considera como una 'ariaci%n aleatoria.
&i la variacin de una variable de calidad es Inicamente el tipo aleatorio se dice que el proceso
esta ba#o control. El /ec/o de estar ba#o control no indica que el producto origine productos *==F
aceptables. ,os valores de la variable de la calidad pueden o no locali!arse de manera fortuita
dentro de los l.mites especificados por los clientes del fabricante.
,a figura * (a" muestra una representacin grafica o diagrama de los valores de dimetros de
co#inetes segIn una medicin por /ora en el caso de un proceso industrial que se encuentra ba#o
control y que produce co#inetes que cumplen con las especificaciones de los clientes por e#emplo
de =.EC= a *.=0= pulgadas.
,a figura * (b" muestra una grfica similar para un proceso que se encuentra ba#o control pero
que produce muc/os co#inetes con dimetros que no cumplen las especificaciones y que se
considerar.an defectuosos.
,a figura * (c" ilustra como seria una grafica si e)istiera una causa de variacin atribuible.
%bs-rvese que los dimetros se<alados ya no parecen variar de modo aleatorio sino que tienen
una manifiesta tendencia decreciente con respecto al tiempo.
C+
1 2 * . ( , + $ ' 10 1112 1. 1* 1(1,1+1$1'20 21
)'$0
1)000
1)020
6!ite in&eri"r de especi&icaci7n

6!ite speri"r de especi&icaci7n
8ie!p" (en 9"ras)
(a) Proceso bajo c"ntr"l qe c!ple las
especi&icaci"nes
:
i
;
!
e
t
r
"

d
e
l

c
"
<
i
n
e
t
e
1 2 * . ( , + $ ' 10 1112 1. 1* 1(1,1+1$1'20 21
)'$0
1)000
1)020
8ie!p" (en 9"ras)

(=) Proceso bajo c"ntr"l qe n" c!ple las
especi&icaci"nes
:
i
;
!
e
t
r
"

d
e
l

c
"
<
i
n
e
t
e
1 2 * . ( , + $ ' 10 1112 1. 1* 1(1,1+1$1'20 21

)'$0
1)000
1)020

8ie!p" (en 9"ras)
(c) Proceso &era de c"ntr"l
:
i
;
!
e
t
r
"

d
e
l

c
"
<
i
n
e
t
e

RIQ2R' *: Qrficas respecto al tiempo de los dimetros de co#inetes producidos.
El primer ob#etivo de un fabricante es liminar las causas de variacin atribuibles de una variable de
calidad y mantener el proceso ba#o control. El siguiente paso es reducir la variacin del proceso y
tener la distribucin de las mediciones de calidad dentro de especificaciones. El valor medio de la
distribucin tendr.a que encontrarse cerca o en el centro del intervalo de los valores de
especificacin y la varian!a de la distribucin tendr.a que ser la ms peque<a posible. 2na
distribucin deseable para los dimetros interiores de co#inetes es que se cumple absolutamente
con las especificaciones como se muestra en la figura 0.
RIQ2R' 0. 2na distribucin deseable.
2na ve! que un proceso esta ba#o control y que produce productos satisfactorios se controlan el
medio del proceso y su varian!a mediante diagramas de control. &e sacan muestras de n
art.culos del proceso a intervalos de tiempo espec.ficos digamos cada media /ora o cada /ora y
se calcula la media muestral x y la amplitud total (JrangoK" R. &e transportan estas variables
estad.sticas a grficas de x y R similares a las que se tienen en la figura * &e utili!a el diagrama
de control de la media muestral G para detectar posibles corrimientos en la media de la
distribucin de una variable de calidad. (e igual manera se emplea un diagrama de control para la
amplitud de variacin de la muestra R, a fin de detectar cambios en la variancia de las distribucin.
&e anali!an los diagramas de control para la media x y para la amplitud ) respectivamente.
8.6. A)AB(CA D$ C*")*: PA)A M$D(A D$: P)*C$-*& D(AA)AMA D$ x
&uponga que se seleccionan n art.culos del proceso de produccin a intervalos iguales (en el
tiempo o en los nImeros de art.culos producidos" y que se registran las mediciones de la variable
de calidad. Por e#emplo la figura + presenta una grfica de la media de los dimetros de n J 7
co#inetes seleccionados cada /ora de un proceso de maquinado.
C4
:i;!etr" 0)'$0
x
1 2 * . ( , + $ ' 10 1112 1. 1* 1(1,1+1$1'20
2(
6!ite in&eri"r de c"ntr"l, 6>?
@A!er" de la !estra
6!ite speri"r de c"ntr"l, 6S?
21 22 2* 2.
x
*
x
*
6nea central
Estadstica Aplicada
RIQ2R' +. (iagrama de ) par control
,a lgica que apoya un diagrama x para control es que si el proceso esta controlado las medias
muestrales tendrn que variar alrededor de la media poblacional
de manera aleatoria y que

casi todos los valores de x tendrn que estar en un intervalo (

t
X
*
".
'unque se desconoce el valor e)acto de la media del proceso de
es posible obtener una

estimacin precisa promediando un nImero grande K (por lo menos 06"
*
de medias muestrales.
Est estimacin fi#a el e#e o l.nea central del diagrama de control. En la notacin tradicional de
control de calidad se representa tal estimacin por el s.mbolo x (es decir la media de las
medias mu-strales".
,os l.mites superior e inferior de control se locali!an.
n
X

*
*
'rriba y aba#o del e#e. Puede estimarse el valor de calculando la desviacin estndar muestral
s utili!ando el con#unto combinado de los datos de las K muestras. &i se ingresan en una
computadora los datos obtenidos cada periodo se logra la estimacin de s mediante un
comando. &i no se dispone de tal sistema (lo que era el caso cuando se desarrollaron estos
m-todos" el clculo de s es tardado y algunas veces est ms all de las aptitudes en aritm-tica
de algunos traba#adores en la produccin. Por esta ra!n /a sido tradicional el clculo de una
estimacin de mediante la amplitud total o JrangoK. Para establecer dic/o valor se obtiene )
para cada muestra es decir la diferencia entre la mayor y la menor de las mediciones de la
muestra. (espu-s se determina el promedio
/
para los 06 (o ms" valores de ). Entonces:
2
1
2
d
0
/
d
/
0
i
i
(onde d
0
es la constante que /ace de
un estimador insesgado de cuando se reali!a el

muestreo de una poblacin distribuida normalmente.
0
&ustituyendo tal estimacin de en la
frmula de
X
* resulta
/ $
n d
/
n
2
2
* * *

2
$ =
n d
2
*
Donde&
,os valores de '0 y d0 para n J 2 a 27 se dan en la tabla C del ap-ndice.
,os detalles para un diagrama de x se resumen en el siguiente recuadro y se ilustran en el
e#emplo que sigue.
1 Qrant y ,eaven$ort/ (*EDE" recomienda el nImero K 27. Este nImero no es cr.tico es decir K podr.a ser ms
peque<o digamos peque<o como 0=. Cuanto mas grande sea el valor de K, tanto me#or ser la grfica.
2 Esta estimacin de
/
mediante la amplitud de ) puede resultar segada si la poblacin de las mediciones de calidad
no es apro)imadamente normal. El intervalo grande
X
, (en ve! de
X
. " entre los limites de control

probablemente compensa el error en la estimacin de . &in embargo en esta era de las computadoras ser.a me#or
estimar
2
utili!ando la variancia muestral

2
s
basada en las Kn mediciones de las K muestras con n mediciones cada
una.
C6
Arafica de control para la media del proceso& diagrama de G
E#e o l.nea de control
0
x
x
0
i
i
,.mite superior de control :-C J x @ '0 /

,.mite inferior de control :(C J x 1 '0 /
(onde:
k
/
/
0
i
i
+
1
Y los valores de '0 se tienen en la tabla :o C del ap-ndice

Sp"sici7n k 2(
$/emplo 8.1
2n vuelo retrasado es de preocupacin de los pasa#eros as. como de las l.neas a-reas. 'lgunos
clientes tienen citas que ellos esperan satisfacer y otros tienen que tomar otros vuelos de
cone)in que prefieren no perder. 2na aerol.nea obtiene observaciones de los tiempos de retraso
de los vuelos (en minutos" como se muestra en la tabla a continuacin. Construya grficos de
control apropiados y comente sobre el nivel de funcionamiento.

a0la 1
"# de
*0ser'aci%n
*0ser'aciones 1en minutos2
Media
Muestral
Amplitud
muestra, R
1 2 3 6
1 6.0 E.6 D.0 D.+ D.+== 4.+
2 C.E *0.D *=.C **.E **.=D6 +.C
3 *+.C C.6 *0.0 *4.0 *0.*D6 6.D
6 *+.0 **.0 *=.0 E.= *=.E== 4.0
7 E.+ **.6 *+.+ *=.D **.0== 4.=
8 D.6 C.6 6.0 D.4 D.*6= +.+
9 E.= *=.* E.+ *+.* *=.+D6 4.*
H C.4 *=.4 *=.+ E.E E.D6= 0.=
L ?.4 D.0 D.? E.? D.D== +.0
1M C.0 D.0 D.C **.= C.66= +.C
11 C.D *=.E E.6 *0.E *=.6== 4.0
12 C.= **.C E.E *=.E *=.*6= +.C
13 C.+ *0.+ **.+ *=.0 *=.606 4.=
16 **.+ C.0 E.4 D.C E.*D6 +.6
17 D.= E.0 D.0 D.E D.C06 0.0
18 *+.= *=.6 E.E C.E *=.6D6 4.*
19 *+.6 E.+ *=.= E.E *=.?D6 4.0
1H D.= C.? C.E *=.C C.C06 +.C
1L **.C *=.0 C.0 C.E E.DD6 +.?
2M *0.? E.4 E.= E.C *=.0== +.?
21 D.= E.C **.0 C.= E.=== 4.0
22 D.C *=.= E.4 ?.D C.4D6 +.+
C?
x
x
x
x
Estadstica Aplicada
23 D.E **.E *=.6 C.E E.C== 4.=
26 ?.0 D.0 C.4 E.= D.D== 0.C
27 E.0 *0.4 *=.D E.C *=.606 +.0
E.6E? +.D*?
-oluci%n&
&e calcularon la media muestral x y la amplitud de la muestra de ) para cada una de las K J 27
muestras. Por e#emplo la media muestral x y la amplitud ) para la muestra * son:
*00 ) +
.
* ) + 2 ) + ( ) ' 2 ) (
+ + +
x * ) . 2 ) ( ( ) ' /
&e ofrecen las medias y las amplitudes muestrales en las columnas ? y D respectivamente
de la tabla *. ,a media x de los K J 27 valores de y la media de
/
de los K J 27
valores muestrales de ), se tienen al final de sus respectivas columnas.
,a figura 4 presenta el diagrama de x elaborado a partir de los datos. ,a l.nea central se
encuentra en 7 E.6E?. ,a estimacin de
X
* es
/ $
2
*
(onde
/
7 +.D*? y el valor de '0 para n J 6 (dado en la tabla del ap-ndice :H C" es =.D0E. Por
lo tanto:
/ $
2
*
7 (=.D0E"(+.D*?" 7 0.D=E
:-C J @ / $
2
7 E.6E? @ 0.D=E 7 *0.+=6
:(C J 1 / $
2
7 E.6E? B 0.D=E 7 ?.CCD
Por consiguiente las l.neas que ubican los l.mites superiores e inferior de control se encuentran
en *0.+=6 y ?.CCD respectivamente.
RIQ2R' 4. (iagrama de
x
para los tiempos de retraso de los vuelos de la tabla *
&i se supone que las muestras utili!adas para construir la grfica x de la Rigura 4 se
recolectaron cuando el proceso estaba ba#o control puede emplearse a/ora la grfica para
detectar cambios en la media del proceso. Es posible graficar las medias muestrales
peridicamente sobre la grfica. &i la media no est dentro de los l.mites de control entonces
env.a una advertencia de un posible cambio en la media del proceso. &e estudiar el proceso
detenidamente y se tratar de locali!ar la causa de la media errante. S9ar.an las medias
muestrales en la figura 4 aleatoriamente alrededor del e#e o l.nea central o indican tendencias y la
posibilidad de causas atribuibles en la variacinT
CD
06.==
0+.==
0*.==
*E.==
*D.==
*6.==
*+.==
**.==
E.==
D.==
6.==
+.==
*.==
*0.60=
**.=6C
E.6E?
C.*+4
?.?D0
x
:-C
:(C
utor!a "#
Control de calidad& grafica de control para la
'ariaci%n del proceso y para la proporci%n de
defectuosos
9.1. A).B(CA D$ C*")*: PA)A :A 3A)(AC(," D$: P)*C$-*& D(AA)AMA D$ R
'l igual que es importante mantener el valor medio de una variable de calidad cerca del centro del
intervalo de especificacin es deseable controlar la variacin del proceso. Cuanto ms peque<a
se la variancia de las mediciones de calidad tanto mayor ser la probabilidad de que las
mediciones est-n dentro de los l.mites especificados (suponiendo que la media del proceso est
dentro de las especificaciones".
&e supervisa (o monitorea" la variacin de una variable de calidad en un proceso al transportar la
amplitud de la muestra ) a una grfica. El diagrama ) se construye esencialmente igual que el del
e#e x . &e locali!a una recta central en el valor estimado de
/
y los l.mites de control se ubican
/
* arriba y deba#o de
/
.
,a estimacin de
/
es
/
la media de las amplitudes (o JrangosK" de las K muestras utili!adas
para construir la grfica de x . El clculo de los l.mites de control
:-C J
/
@
/
* y :(C J
/
1
/
*
&e reducen a uno solo:
:-C J (4 /
y :(C J (+ /
,os valores de (4 y (+ basados en un muestreo de una poblacin distribuida normalmente se dan
en la tabla del ap-ndice :H C para diferentes valores de n. ,os detalles para el diagrama de ) se
resumen en el recuadro siguiente y se ilustran en el e#emplo 0
Arfica de control para la 'ariaci%n del proceso& Diagrama de R
E#e central
0
/
/
0
i
i
/

1

,.mite superior de control :-C J (4 /
,.mite inferior de control :(C J (+ /
7
CC
Estadstica Aplicada
(onde:
k
/
/
0
i
i
+
1
,os valore de (+ y (4 para el tama<o muestral de n se dan
en la tabla :o C del ap-ndice

&uposicin k 06
$/emplo 9.1
Lra!ar un diagrama de ) basados en los datos de la tabla *?.*.
-oluci%n&
En el e#emplo *?.*se /all que
/
7 +.D*?. Para un tama<o muestral de n J 6, la tabla del
ap-ndice :H C da (+ 7 = y (4 7 0.0C0. Por lo tanto el e#e de la grfica de control se locali!a en
/
7
+.D*? y los limites superior e inferior de control son
:-C J (4 /
7 (0.0C0"(+.D*?" 7 C.4C=
:(C J (+ /
7 (="(+.D*?" 7 =
El (iagrama de R aparece en la Rigura 6
RIQ2R' 6. (iagrama de R para los tiempos de retraso de los vuelos de la tabla *
&e evalIa la grfica de R de la figura 6 en la misma manera que la de x . ,a amplitud muestral R
calculada para muestras sacadas peridicamente debe variar alrededor del e#e central
/
de
manera aleatoria y estar dentro de los limites de control cuando el proceso este ba#o control. 2na
amplitud muestral que quede fuera de los l.mites de control se tomar como una advertencia de un
posible cambio en la variacin del proceso. &e e)aminar el mismo para determinar si el valor
e)traordinariamente grande (o peque<o" de R se debi a cambios en la materia prima el ambiente
o a una de muc/as otras variables que afectan el proceso.
&i el limite inferior de control
/ /
* es negativo para el tama<o muestral n J 6. Como una
amplitud R no puede ser negativa se asume el valor =.
9.2. A).B(CA D$ C*")*: PA)A :A P)*P*)C(," D$ D$B$C+*-*-& D(AA)AMA D$
p.
CE
06.== 0+.== 0*.== *E.== *D.== *6.== *+.== **.== E.== D.== 6.== +.== *.==
*=
C
?
4
0
=
:(C
:-C

'lgunas veces lo que se observa en art.culos manufacturados es simplemente si un art.culo
cumple con las especificaciones del fabricante (o del cliente". Entonces cada art.culo se considera
como defectuoso o no. &i la proporcin
+
de pie!as defectuosas producidas por un proceso es p,
entonces el nImero de defectuosos G, en una muestra aleatoria de n art.culos posee la
distribucin de probabilidad binomial.
Para la vigilancia de art.culos que son defectuosos o no se seleccionan muestras de tama<o n a
intervalos peridicos y se calcula la proporcin muestral
p . &i el proceso est ba#o control la
proporcin muestral
p tendr.a que estar en el intervalo
p
p * t
donde p es la proporcin
media de defectuosos del proceso y
n
p p
p
) 1 (

&e estima la proporcin media de defectuosos p del proceso utili!ando el promedio de K
proporciones muestrales
k
p
p
k
i
i
Y se valora
p
mediante
n
p p
p
) 1 (

El e#e del diagrama de p se locali!a en
p y los l.mites superior e inferior de control son:
:-C J
p @
p
*
7
n
p p
p
) 1 (
*

+
:(C J
p 1
p
*
7
n
p p
p
) 1 (
*

,os detalles para la grfica de p se resumen en el recuadro siguiente y se ilustran en el e#emplo

que sigue.
Arfica de control para la proporci%n de defectuosos& Diagrama de p.
E#e central
0
p
p
0
i
i
,.mite superior de control :-C J

n
p p
p
) 1 (
*

+
,.mite inferior de control :(C J
n
p p
p
) 1 (
*

&uposicin k 06
* En los libros de control de calidad suele decirse Jfraccin de defectuososK en ve! deJ proporcin de defectuososK.
E=
Estadstica Aplicada
$/emplo 9.2
2n fabricante de bol.grafos muestra al a!ar 4== plumas al d.a y prueba a cada una para e)aminar
si es aceptable el flu#o de la tinta. ,as proporciones diarias de los bol.grafos considerados
defectuosos durante un periodo de 4= d.as se ofrecen en la tabla +.
Construya un diagrama de control para la proporcin
p de defectuosos en muestras de n J 6MM
bol.grafos seleccionados del proceso.
E*
a0la 3
Proporciones de defectuosos en muestras de n J 6MM 0ol!grafos
D!a Proporci%n D!a Proporci%n D!a Proporci%n D!a Proporci%n
1 =.=0== 11 =.=*== 21 =.=+== 31 =.=006
2 =.=*06 12 =.=*D6 22 =.=0== 32 =.=*D6
3 =.=006 13 =.=06= 23 =.=*06 33 =.=006
6 =.=*== 16 =.=*D6 26 =.=*D6 36 =.=*==
7 =.=*6= 17 =.=0D6 27 =.=006 37 =.=*06
8 =.=0== 18 =.=0== 28 =.=*6= 38 =.=+==
9 =.=0D6 19 =.=006 29 =.=0== 39 =.=0==
H =.=*D6 1H =.=*== 2H =.=06= 3H =.=*6=
L =.=0== 1L =.=*D6 2L =.=*6= 3L =.=*6=
1M =.=06= 2M =.=0== 3M =.=*D6 6M =.=06=
-oluci%n&
,a estimacin de la proporcin de defectuosos del proceso es el promedio de las K J 6M
proporciones muestrales de la Labla +. Por lo tanto el e#e de la grfica de control se locali!a en:

01' ) 0
.0
+,00 ) 0
.0
022( ) 0 012( ) 0 200 ) 0
1

+ + +

+

0
p
p
0
i
i
2na estimacin de
p
la desviacin estndar de las proporciones muestrales es

00,$* ) 0
.00
) '$1 ) 0 )( 01' ) 0 ( ) 1 (

k
p p
p
Y
p
*
7 (+" (=.==?C+"7=.=0=6. Por lo tanto los l.mites superior e inferior de control para la grfica
p se encuentra en
:-C J
p @
p
*
7 =.=*E= @ +d=.==?C+ 7 =.=+E6
:(C J
p 1
p
*
7 =.=*E= B +d=.==?C+ 7 1=.==*6
% bien ya que p no puede ser negativa :(C J M.
+E.==
+D.==
+6.==
++.==
+*.==
0E.==
0D.==
06.==
0+.==
0*.==
*E.==
*D.==
*6.==
*+.==
**.==
E.==
D.==
6.==
+.==
*.==
.=6
.=4
.=+
.=0
.=*
=.==
RIQ2R' ?. Qrfica de la proporcin de defectuosos para los bol.grafos.
&e presenta la grfica de control
p en la figura ?. 'dvi-rtase que las 4= proporciones muestrales
estn dentro de los l.mites de control. &i una proporcin muestral observada en algIn momento
en el futuro est fuera de los l.mites de control ser una advertencia para el fabricante de un
posible aumento en el valor de la proporcin de defectuosos del proceso. &e reali!arn esfuer!os
E0
:-C
:-C
p
Estadstica Aplicada
para buscar las posibles causas del aumento en la proporcin de las pie!as defectuosas en el
proceso.
'unque es conveniente escoger muestras del mismo tama<o n para cada muestreo puede /aber
ocasiones en que el nImero de art.culos es una muestra difiera de los recolectados en muestras
anteriores. Como
p
:-C y :(C dependen del tama<o de la muestra n, puede no ser posible
calcular los l.mites para un tama<o muestral Inico. Cuando el tama<o de la muestra var.a para
cada muestreo la estimacin de la proporcin media de defectuosos p, del proceso es igual a la
proporcin muestral basada en el nImero de defectuosos en las k muestras. Entonces /ay que
comparar cada
i
p con los valores para :-C y :(C calculados para el tama<o particular de tal
muestra. Este proceso /ace que los l.mites de control cambien de una muestra a otra y que las
grficas de los l.mites de control sean una sucesin de segmentos de recta.
9.3. A).B(CA D$ C*")*: PA)A $: "NM$)* D$ D$B$C+*-*- P*) +"(DAD&
D(AA)AMA D$ c
2na medida importante de calidad para algunos productos es el nImero de defectos por unidad
producida. 2n fabricante de te)tiles califica muc/as veces como defectos las irregularidades que
aparecen en un producto te#ido. Ya que el precio de venta final de material depende de su calidad
el fabricante quiere reducir a un m.nimo el nImero de defectos por yarda cuadrada cuando el
proceso est ba#o control.
El nImero de defectos por unidad de rea de volumen o de peso o en una sola unidad producida
es una medida importante de la calidad de muc/os productos. E#emplos comunes son el nImero
de defectos en la pintura de un automvil nuevo o en la capa de barni! de un mueble el nImero
de /uecos en una pulgada cIbica de queso y el nImero de entradas incorrectas de notas de
factura por pgina de impreso de computadora e el caso de una compa<.a de instalaciones de
plomer.a.
El nImero de defectos por unidad de rea volumen peso o por un solo art.culo denotado
normalmente por el s.mbolo c, se controla a intervalos de tiempo iguales utili!ando un diagrama
de c. En la mayor.a de las aplicaciones se puede apro)imar la distribucin de probabilidad de c
mediante una distribucin de probabilidad de Poisson la cual tiene una propiedad muy especial.
&u variancia
2
es igual a su media
es decir
c c

2
y
c c

Por lo tanto el nImero de defectos c por unidad tendr.an que locali!arse en el intervalo
c c
* t o bien
c c
4 * t
Para construir una grfica de c, muestreamos el proceso mientras -ste se encuentra ba#o control y
se registra el valor de c para por lo menos k J 27 puntos en el tiempo.
&e estima la media del proceso
c
por la media muestral:
k
c
c
k
i
i
c
y se calcula la desviacin estndar del proceso

c
con:
c
c

El e#e d la grfica c se ubica en c y los l.mites superior e inferior son:
:-C J c c
c c
* * + +
:(C J c c
c c
* *
,as caracter.sticas de una grfica de c se resumen en el recuadro siguiente y las ilustra el e#emplo
que sigue.
Arfica de control para el nOmero de defectos por unidad& Diagrama de c
E+
E#e
k
c
c
k
i
i
c

,.mite superior de control :-C J c c
c c
* * + +
,.mite inferior de control :(C J c c
c c
* *
&uposicin k 06
$/emplo 9.6
2n interventor o auditor e)amina semanalmente el sistema de facturacin de una compa<.a. ,a
inspeccin se reali!a comparando las facturas reales con las entradas de computadora para todos
los asientos que aparecen en die! pginas de la impresin de computadora. &e registr el nImero
c de entradas incorrectas en die! pginas semanarias de impresin durante 4= semanas. ,os
datos figuran en la Labla 4. Emplee los datos para tra!ar una grfica de c para el proceso de
auditoria.
a0la 6
"Omero c de entradas incorrectas por die> pginas
de impresi%n de computadora
-emana * 0 + 4 6 ? D C E *=
C
* + 0 = = * 4 0 * *
-emana ** *0 *+ *4 *6 *? *D *C *E 0=
C * = * * + 0 * * = +
-emana 0* 00 0+ 04 06 0? 0D 0C 0E +=
C = 0 * = * * 0 0 * =
-emana +* +0 ++ +4 +6 +? +D +C +E 4=
C * 0 = + * * 0 = * =
-oluci%n&
El valor de c calculado para los datos obtenidos durante K J 6M semanas es
22( ) 1
.0
.'
1

k
c
c
k
i
i
Entonces el e#e se encuentra en c 7 *.006 y los l.mites superior e inferior de control se /allan en
:-C J 22( ) 1 * 22( ) 1 * + + c c
7 4.66
:(C J 22( ) 1 * 22( ) 1 * c c
7 10.*=
% puesto que c no puede ser negativo :(C J M.
E4
Estadstica Aplicada
+E.==
+D.==
+6.==
++.==
+*.==
0E.==
0D.==
06.==
0+.==
0*.==
*E.==
*D.==
*6.==
*+.==
**.==
E.==
D.==
6.==
+.==
*.==
6
4
+
0
*
=
RIQ2R' D. Qrfica de c para el nImero de entradas de facturas incorrectas.
,a grfica de c para los datos #unto con los valores ubicados de c se muestra en la figura D.
%bs-rvese que los k J 6M valores de c estn dentro de los l.mites superior e inferior de control
algo que esperar.amos si el proceso estuviera controlado.
'l utili!ar la grfica de c se registrarn los valores de -sta semanalmente en el futuro y se llevarn
en la grfica de c. 2n valor de c que se localice fuera de los l.mites de control ser un aviso de los
posibles problemas en la operacin de recoleccin de datos.
E6
:-C
:(C
22( ) 1 *
A+*$3A:+AC(,"
( " 2n diagrama de control se caracteri!a por tres l.neas /ori!ontales.
( " En un diagrama de control cuando los puntos caen fuera de los l.mites se
dice que esta fuera de control.
( " En la grafica de control para la variacin del proceso el diagrama es R
( " ,os m-todos de control de calidad se clasifican en tres categor.as.
( " En la grfica de control para la proporcin de defectuosos el diagrama es p.
0. ,os datos que siguen son los valores de x y R para 04 muestras de tama<o n76
obtenidas de un proceso de fabricacin de co#inetes. ,as mediciones se reali!an para el
dimetro interior del co#inete y se registran solamente las tres Iltimas cifras decimales (+4.6
debe ser =.6=+46"
:Imero de :Imero de
Xuestra x R Xuestra x R
* +4.6 + *+ +6.4 C
0 +4.0 4 *4 +4.= ?
+ +*.? 4 *6 +D.* 6
4 +*.6 4 *? +4.E D
6 +6.= 6 *D ++.6 4
? +4.* ? *C +*.D +
D +0.? 4 *E +4.= C
C ++.C + 0= +6.* 4
E +4.C D 0* ++.D 0
*= ++.? C 00 +0.C *
** +*.E + 0+ ++.6 +
*0 +C.? E 04 +4.0 0
a" %btenga los diagrama de control de x y R para este proceso. SParece estar ba#o control
estad.stico tal procesoT
+. ,os siguientes datos se refieren a las notas de *= estudiantes en 6 pruebas
determine si el proceso de aprendi!a#e est ba#o control. Qraficar x y R
Estudiantes Pruebas
* 0 + 4 6
x
R
*
0
+
4
6
?
D
C
E
*=
*6 *= *0 *+ *6
** *0 *+ *0 *?
*= *4 *0 *4 *=
=C *6 *4 *6 =?
*4 *+ *0 *+ *4
*+ *0 *= *0 *=
*0 *= *+ ** *0
=C *4 *= *0 *+
*? *0 ** *0 *=
*0 *= *+ *4 *0
4. &e calcularon las medias y las amplitudes de += muestras de tama<o n7*= para
un proceso que se consider ba#o control. ,as medias de los += valores de ) y de los +=
valores de R fueron )70=.D4 y R7+.4E
a" 2tilice los datos para determinar los l.mites superior e inferior de control para una grfica
b" Construya un diagrama de ) para el proceso y e)plique como se puede aplicar
c" Elaborar un diagrama de R. SCul es el propsito de una grfica de RT
E?
Estadstica Aplicada
+nidad 8
)$A)$-(*" @ C*))$:AC(*"
:H de tutor.as: 2no
utor!a "# H& Regresin lineal Correlacin.
ED
EC
Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce los conceptos de regresin lineal y correlacin.
Elaboran modelos para predecir una variable en funcin de otra
variable y medir la relacin entre dos variables.
1.3. Actitudinales
Resuelve situaciones en donde se quiere estimar una variable en
funcin a otra variable y tambi-n cuando se quiere saber si dos
variables estn relacionadas.
El contenido programtico de la unidad referida es el siguiente: anlisis
de regresin: nocin importanciaP elementos y tipos de anlisis de
regresinP anlisis de regresin lineal simple: desviacin o error t.pico
en la recta de regresin test de la significatividad de coeficiente de
regresinP variacin de la variable dependiente y e)plicada por el
anlisis de regresinP anlisis de regresin no linealP anlisis de
correlacin: ob#etivos y supuestos del anlisis de correlacin
coeficiente de determinacin coeficiente de correlacin diagramas de
dispersin significacin del coeficiente de correlacin errores y
limitaciones asociados con el anlisis de regresin y el de correlacin.
prcticos.
EE
utor!a "#
)egresi%n lineal, correlaci%n,
)egresi%n lineal y anlisis de regresi%n
H.1. "*C(," $ (MP*)A"C(A
El estudio estad.stico de las relaciones entre dos variables de intervalo presenta los aspectos
fundamentales siguientes:
*. E)istencia de asociacin entre las dos variables.
0. (ireccin de la asociacin.
+. Qrado de asociacin y
4. :aturale!a y forma de la asociacin.
,os dos primeros aspectos quedan determinados cuando se /alla el coeficiente de correlacin r
de Pearson. Este coeficiente indica:
a" ,a e)istencia o no de covariacin o variacin con#unta entre las dos variables segIn sea o no
distinto de cero.
b" ,a direccin de la asociacin por su signo positivo o negativo.
c" El grado de la covariacin segIn el mayor o menor valor que alcance entre = y mas y menos
uno.
En cuanto al cuarto aspecto naturale!a y forma de la relacin se estudia y resuelve mediante el
anlisis de regresin. Este anlisis es el que sirve para establecer la funcin matemtica y la forma
geom-trica que representen lo ms e)actamente posible la variacin con#unta de ambas variables.
(e a/. que pueda decirse propiamente que sirve para estudiar la naturale!a y la forma de
asociacin entre dos variables de intervalo.
El ob#etivo pues del anlisis de regresin es /allar la funcin algebraica y la forma geom-trica
que me#or e)presen la relacin emp.rica entre ambas variables es decir la pauta y l.nea de
evolucin en la realidad de una variable en funcin de la otra.
El carcter bsico de esta finalidad del anlisis de regresin da idea de la importancia de esta
t-cnica estad.stica.
En primer lugar al servir el anlisis de regresin para determinar el tipo de relacin entre dos
variables y la pauta de comportamiento que siguen las variables de que se trate en su evolucin
con#unta constituye el modelo matemtico primario de relaciones entre variables de que dispone
el cient.fico base de otros modelos mas complicados.
El anlisis de regresin como tal modelo matemtico proporciona la e)presin matemtica de la
relacin entre variables de un modo: a" preciso y b" singulari!ado y en este sentido es cuando es
aplicable a los dados un buen instrumento de prediccin cient.fica.
8
*==
Estadstica Aplicada
a" ,o /ace de un modo preciso porque dada la medida de escala de intervalo que supone en las
variables permite determinar dentro de ciertos l.mites estad.sticos de error el valor definido
de una variable dados determinados valores de otra u otras variables. ,os niveles de medida
nominal y ordinal tambi-n pueden permitir la prediccin pero solo de una manera vaga en
t-rminos de aumento o disminucin correlativos de las variables pero sin precisar la cuant.a
del mismo.
b" ,o /ace de un modo singulari!ado porque a diferencia del coeficiente de correlacin que sirve
para predecir globalmente el grado en que el conocimiento de una variable ayuda a predecir o
me#orar la prediccin de otra variable el anlisis de regresin sirve para predecir un valor
especifico de un variable dado cualquier valor espec.fico de otra.
En segundo lugar con relacin a los aspectos a investigar se<alados que presentan la relacin
entre dos variables el anlisis de regresin es la t-cnica principal y fundamental de tal modo que
el coeficiente de correlacin que responde matemticamente a tres de los aspectos indicados se
/alla .ntimamente enla!ado al anlisis de regresin y se puede presentar como una derivacin del
mismo.
H.2. $:$M$"*- @ (P*- D$ A".:(-(- D$ )$A)$-(,"
,os elementos fundamentales del anlisis de regresin son las variables y la ecuacin de
regresin.
,as variables pueden ser dos o ms. 2na de ellas es la variables dependiente y laP restantes son
las variables independientes. ,a variable dependiente es aquella cuyo cambio se considera en
funcin o dependencia del cambio o variacin de la o las variables independientes. ' veces puede
estar claro cul es la variable dependienteP otra su eleccin puede ser convencional.
En los e)perimentos la variable independiente es la que el investigador /ace variar cuando como
y en la medida que quiere mientras que la variable dependiente es aquella en la que se estudia la
variacin producida en la misma por la variacin controlada de la variable independiente.
En cuanto a los tipos se tiene una regresin simple o total y otra regresin mIl tiple. ,a primera se
refiere a la naturale!a y forma de la covariacin entre dos variables Inicamente y la segunda
entre mas de dos variables.
' su ve! ambos tipos de regresin pueden ser lineales y no lineales. Cuando la ecuacin que es
e)presin matemtica de la relacin entre las variables es una ecuacin lineal cuya
representacin grafica da lugar a una l.nea recta se esta en el caso de la regresin lineal y de la
no lineal en el caso contrario.
H.3. A".:(-(- D$ )$A)$-(," :("$A: -(MP:$
Es como se /a indicado el que sirve para estudiar la naturale!a y forma de la asociacin entre
dos variables siempre que dic/a relacin pueda ser e)presada matemticamente por la ecuacin
de la l.nea recta.
J,a correlacin y la regresin lineal son muc/o mas comInmente usadas que la no lineal en la
investigacin sociolgica incluso cuando la presuncin de linealidad no esta #ustificada
lgicamenteK.
El anlisis de regresin simple lineal se concreta como todo anlisis de regresin en la ecuacin
correspondiente. Por ello para comprender me#or este anlisis parece conveniente e)plicar la
ra!n de ser de dic/a ecuacin.
&upongamos que tenemos los datos emp.ricos que representan para cada uno de los su#etos de
un grupo los valores de dos variables por e#emplo la edad y la estatura. Entonces llevando en un
espacio de coordenadas cartesianas los valores de la edad al e#e de las 5 y los de la estatura al
e#e de las Y obtendr.amos una serie de puntos. Esta serie suele recibir el nombre de nube de
puntos y constituye la representacin grafica de la posicin en el espacio cartesiano de cada
su#eto del grupo respecto a las variables en cuestin.
*=*
' veces la simple observacin visual de la nube de puntos o lo que es lo mismo de la /uella
emp.rica del fenmeno puede bastar para indicar gen-ricamente la e)istencia y el signo de la
relacin entre las variables.
&in embargo normalmente los puntos aparecern en esta /uella emp.rica dispersos de forma
irregular y no definida claramente dif.cilmente mane#able e interpretable estad.sticamente en tal
estado. 'dems e)iste la necesidad de cifrar cuantitativamente la forma de la relacin entre las
variables cosa que la simple inspeccin visual no /ace.
Para solucionar este problema la estad.stica tiene que recurrir de nuevo como es corriente en
ella a un proceso de simplificacin o de reduccin de la nube de puntos dispersa e irregular a una
simple l.nea regular recta o curva que represente a todo el con#unto de puntos lo mas
perfectamente posible.
Este proceso de simplificacin se puede ver como una manifestacin del proceso de reduccin
que supone la media estad.stica. Imaginemos con 3laloc8 (*E?? p.+=0" que para cada valor de 5
variable independiente tenemos una distribucin o con#unto de valores de Y variable
dependiente.
Es obvio que para cada distribucin o con#unto de valores de Y con relacin a los distintos valores
de 5 se puede /allar su media y formar lo que se /ace en un grafico una l.nea uniendo los puntos
de espacio cartesiano que corresponden a estas me d.as. Pues bien la l.nea resultante no es otra
cosa que la e)presin grafica de la ecuacin de regresin entre ambas variables. Estas ecua1
ciones son las leyes de la ciencia a veces muy e)actas sobre todo en el campo de las ciencias
naturales aunque lo sean menos en el de las ciencias sociales.
&in embargo este procedimiento de obtener la l.nea de regresin no es Itil en la practica porque
lo corriente es que se tenga un solo valor de Y y no muc/os para cada valor de 5.
Por ello en este caso comIn /ay que utili!ar otro procedimiento para la determi nacin de la l.nea y
ecuacin de regresin.
Este procedimiento recibe el nombre espec.fico de proceso de a#uste y comprende dos
operaciones fundamentales:
*
a
Estimar la forma lineal o no de la ecuacin.
0
a
Calcular los parmetros de esta ecuacin.
,a primera operacin se suele reali!ar /ipot-ticamente es decir e)aminando la /uella emp.rica o
sea la representacin grafica de las dos variables en el e#e de coordenadas y adoptando la
/iptesis de acuerdo con este e)amen que la ecuacin de regresin es de tipo lineal
e)ponencial parablica etc.
,a pertinencia de esta decisin se puede comprobar una ve! que se /aya efectuado la segunda
operacin aludida comprobando la bondad del a#uste que supone la ecuacin de regresin
obtenida.
En cuanto a la segunda operacin consiste en especificar la ecuacin de a#uste elegida. Para ello
slo se precisa calcular los parmetros de la misma porque una ve! /allados estas se tiene la
pauta norma o ley de variacin de una variable en funcin de la otra. Por tanto aplicando la
ecuacin especificada con los parmetros /allados podemos saber los valores de Y que
corresponden a todos los valores de 5 que e)istan en la realidad o podemos imaginar.
E)isten varios procedimientos para calcular los parmetros en cuestin pero el ms conocido y
utili!ado es el de los m.nimos cuadrados. Consiste en /allar los parmetros de la ecuacin de la
recta que /ace m.nima dados unos valores emp.ricos determinados la suma de los cuadrados de
las distancias en vertical de dic/os puntos emp.ricos a la l.nea buscada.
En este procedimiento la recta que pasa por los m.nimos cuadrados de distancia a los puntos
emp.ricos tiene una ecuacin de la forma siguiente:
Y 7 e= @ e *5
*=0
Estadstica Aplicada
,as constantes o parmetros ao y a* se calculan resolviendo el siguiente sistema de ecuaciones
que reciben el nombre de ecuaciones normales para la recta de m.nimos cuadrados:

+
+
2
1 0
1 0
X X X5
X n 5

E)iste tambi-n otras formulas que dan directamente sin necesidad de resolver este sistema de
ecuaciones los valores de
o
y
1
o de a y b como se designa frecuentemente.
&on las siguientes:
n
X
n
5
X X n
5 X 5 X n
i i
i i
i
i
i i i

1 0
2 2
1
1
) (
) ( ) (

El parmetro eo representa el punto en el que la recta de regresin corta al e#e de las Y e indica el
valor que corresponde a Y segIn la ecuacin cuando 5 es cero. El parmetro e* es la pendiente
de la recta de regresin y se<ala la tasa de cambio de Y por una unidad de cambio en 5.
H.3.1. Des'iaci%n o error t!pico en la recta de regresi%n
Como se /a indicado la ecuacin y la recta de regresin constituyen una reduccin y
simplificacin respecto a los verdaderos valores emp.ricos obtenidos. &upone la sustitucin de
estos valores que no se pueden tratar estad.sticamente sin ms por los valores de la recta de
regresin que s. lo pueden ser.
(e a/. que salvo el caso raro en la prctica de una regresin emp.rica perfecta que coincida en
todos sus puntos con la recta de regresin correspondiente los valores de la recta de regresin
implican una desviacin o si se quiere un error mayor o menor con relacin a los
correspondientes valores emp.ricos que representan.
En este error se pueden distinguir varias formulas. ,a primera se funda en la desviacin que
representan los valores emp.ricos de los que se /a partido como datos del problema de los
valores calculados segIn la recta de regresin. Esta desviacin es simplemente el cuadrado de las
diferencias entre dic/os valores emp.ricos Y y estimados Yest correspondientes y su formula por
tanto es similar a la de la varian!a:
N
5 5
'
est
x y
2
2
,
) (
,a segunda formula da el error de estimacin basndose para ello en la desviacin t.pica s de !

y el coeficiente de correlacin r entre " e !.
2
,
1
xy y x y
6 ' '
Lambi-n se puede obtener este error en funcin de los coeficientes de regresin eo # e* segIn
esta formula:
2
) (
1
2
2
,

N
X5 5 5
'
o
x y

,a ra.! cuadrada del error de estimacin recibe el nombre de error t.pico de estimacin.
&egIn se<alan Qlass y &tanley $ 1 % & ' p ( 1 ' ) * en el caso de un grupo numeroso de
individuos al que se aplique la ecuacin de regresin se tendr que apro)imadamente el ?C % +
# % % & , de los individuos obtendrn puntuaciones reales que se /allaran en el intervalo de
*=+
confian!a o dentro de los l.mites formados por la puntuacin media estimada de los mismos
segIn la recta de regresin mas y menos uno dos o tres errores t.picos respectivamente.
H.3.2. est de la significati'idad de coeficiente de regresi%n
Para comprobar la /iptesis nula de si el coeficiente b de la ecuacin de regresin obtenido con
los datos de una muestra sacada al a!ar de una poblacin determinada no difiere
significativamente de determinados valores prefi#ados del coeficiente b correspondiente se puede
utili!ar (9id. &piegel 1 % & ' p ( 2 ' & * la siguiente formula:
2 B
0
,
1
n
' '
1
t
x x y
o bien esta otra:

2 B
1
2
1
n
6
1
t

,os resultados se contrastan con la tabla de la distribucin t de &tudent para n10 grados de
libertad.
-1 7 el coeficiente de regresin /alladoP
. 7 el coeficiente de regresin prefi#adoP
r//# 7 el coeficiente de correlacin entre " e !P
S#/ 7 el error tipo de la estima de la recta de regresinP
S/ 7 la desviacin t.pica de "(
n 7 nImero de datos de la distribucin de frecuencias.
Lambi-n se puede /allar teniendo en cuenta este error de estimacin t.pico el intervalo de
confian!a dentro del cual debe encontrarse para un valor determinado de Yest. segIn la ecuacin
de regresin obtenida de la muestra con la que se /a traba#ado el valor real de Yen la poblacin
de que procede la muestra con el nivel de significacin que se adopte en el e#emplo se supone es
el del E6F.
,a frmula es la siguiente:
2
2
0
,
) (
1
2
) 2 0 1 , 2 (
x
x y
est
'
X X
n
n
' n t
5

+ +

t

t 7 valor de t ubicado en la tabla de la distribucin t.
n1 0 7 grados de libertad.
S/# 7 el error de estimacin de la regresinP
"0 7 el valor dado de 5P
" 7 la media de los valores de 5 de la muestra.
H.6. 3A)(AC(," D$ :A 3A)(AB:$ D$P$"D($"$ @ $PP:(CADA P*) $: A".:(-(- D$
)$A)$-(,"
El error t.pico de la estima no representa otra cosa sino la parte de la variacin de Y no e)plicada
por el anlisis de regresin.
'/ora bien la variacin total de Y es conocida y viene medida por 1$! 23*
2
decir la suma de los
cuadrados de las desviaciones de los valores de Y respecto a la media de la distribucin de Y.
Por tanto restando de esta variacin total el error t.pico de la estimacin o variacin no e)plicada
por el anlisis de regresin 1 $!4 !est *
2
se tendr la variacinP e)plicada por dic/o anlisis.
'lgebricamente:

2 2
2
) ( ) ( ) (
est est
5 5 5 5 5 5
*=4
Estadstica Aplicada
,a ra!n entre la variacin e)plicada por el anlisis de regresin y la variacin total e)presa la
proporcin de la variacin total de Y e)plicada por el anlisis de regresin. Recibe el nombre de
coeficiente de determinacin y se escribe r
0
. &u ra.! cuadrada r no es otra cosa que el coeficiente
de correlacin r de Pearson.
H.7. A".:(-(- D$ )$A)$-(," "* :("$A:
,a ecuacin de la l.nea recta es la ms simple y la ms comInmente usada entre las e)presiones
matemticas con las que se representa la forma y la naturale!a de la relacin entre dos o ms
variables pero no la Inica.
E)iste prcticamente un nImero ilimitado de ecuaciones no lineales que pueden cumplir tambi-n
dic/a funcin en el caso de que la l.nea recta no se a#uste debidamente a la /uella emp.rica del
fenmeno.
El fundamento lgico de todas ellas es el e)puesto. &in embargo como es fcilmente
comprensible su fundamentacin matemtica es distinta en cada caso y por lo general bastante
complicada.
'qu. solo vamos a /acer referencia a dos de los tipos mas usados de estas ecuaciones: la
parablica y la logar.tmica.
En la parablica la ecuacin de regresin presenta la siguiente forma:
5
,os parmetros de esta ecuacin son por tanto eo e* # e0 y se obtienen resolviendo el

siguiente sistema de tres ecuaciones con tres incgnitas:

+ +
2
2 1 0 i i i
X X n 5

+ +
*
2
2
1 0 i i i i i
X X X 5 X

+ +
.
2
*
1
2
0
2
i i i i i
X X X 5 X
,a forma logar.tmica de la ecuacin de regresin es la siguiente:
! 7 5o @ 51 log "
Esta ecuacin se puede transformar en una ecuacin de la recta efectuando un cambio de
variable es decir /aciendo 5o log " 7 6 o sea ! 7 5o @ 51 6.
$/ercicio H.1
2n analista toma una muestra aleatoria de *= embarques por camin /ec/os recientemente por
una compa<.a y registra la distancia en 8ilmetros y el tiempo de entrega al medio d.a ms
cercano. ,a tabla siguiente muestra esta informacin.
Embarque
muetreado
* 0 + 4 6 ? D C E *=
(istancia
(en 8ilmet."
C06 0*6 *=D= 66= 4C= E0= *+6= +06 ?D= *0*6
Liempo de
entrega
( en d.as"
+6 *= 4= 0= *= += 46 *6 += 6=
'" Indicar las variables e)istentes en la tabla y su tipo.
Embarque muestreado: unidades de observacin.
(istancia en 8ilmetros: 9ariable cuantitativa continua independiente (5".
Liempo de entrega en d.as: 9ariable cuantitativa continua dependiente (Y".
*=6
3" (iscutir si se puede emplear el anlisis de regresin en este caso.
Es factible el anlisis de regresin pues ambas variables son cuantitativas continuas y se
desea verificar su relacin entre ambas.
C" (ibu#ar la nube de puntos en un e#e de coordenados que e)prese grficamente la relacin
entre las variables en cuestin e)aminarla y determinar mediante la inspeccin de la
misma la e)istencia signo y grado de relacin entre las variables as. como el tipo
probable de regresin lineal o no lineal.
(istancia en Xillas
*4== *0== *=== C== ?== 4== 0==
L
i
e
m
p
o

d
e

e
n
t
r
e
g
a

e
n

d
.
a
s
?
6
4
+
0
*
=
&egIn la figura:
E)iste relacin entre las variables como se observa tendencia positiva entonces e)iste
asociacin positiva entre las variables es decir las variables son directamente
proporcionales as. a mayor distancia en 8ilmetros mayor ser el tiempo de entrega. ,a
asociacin debe ser alta porque no /ay muc/a dispersin. El tipo de regresin se a#usta a
una recta lineal por su tendencia.
(" Ual l ar l os parmetros o coefi ci entes de regresi n de l a ecuacin
correspondi ente escri bi r esta ecuaci n
Embarque
muestreado
(istancia
5
Liempo de
entrega
Y 5Y 5
0
Y
0
* C06 +.6 0CCC ?C=?06 *0.06
0 0*6 *.= 0*6 4?006 *
+ *=D= 4.= 40C= **44E== *?
4 66= 0.= **== +=06== 4
6 4C= *.= 4C= 0+=4== *
? E0= +.= 0D?= C4?4== E
D *+6= 4.6 ?=D6 *C006== 0=.06
C +06 *.6 4CD.6 *=6?06 0.06
E ?D= +.= 0=*= 44CE== E
*= *0*6 6.= ?=D6 *4D?006 06
&uma D?0= 0C.6 0?+D= D*=4+== EE.D6
*=?
Estadstica Aplicada
( )
1 2 2
2
0 1 1
1
10(2,*+0) (+,20)(2$)()
0)00.
10(+10.*00) (+,20)
2$)( +,20
0)00. 0)11$
10 10

0)11$ 0)00.
o
n X5 X 5
n X X
5 X
y x
n n
5 X 5 X
_

,
+ +

E" (ada la ecuacin de regresin /allada dibu#ar la recta de regresin correspondiente
calcular los valores estimados de Y variable dependiente segIn la ecuacin /allar el
error t.pico de estimacin que suponen y fi#ar grficamente l.mites dentro de los que deben
encontrarse el E6.6=F de las observaciones.
(istancia 5
(en 8ilmet."
Liempo de
entrega Y
(en d.as"
5
(Y1
5
"
0
C06 +.6 +.4*C =.==?
0*6 *.= =.EDC =.===4
*=D= 4.= 4.+EC =.*6C
66= 0.= 0.+*C =.*=*
4C= *.= 0.=+C *.=DD
E0= +.= +.DEC =.?+?
*+6= 4.6 6.6*C *.=+?
+06 *.6 *.4*C =.==?
?D= +.= 0.DEC =.=4=
*0*6 6.= 4.EDC =.===4
&uma +.=?=C
2
2 2
( )
*)0,0$
0)*$2, 0)*$2, 0),1$
2 $
yx X5 yx
5 5
' ' '
n

(istancia en millas
*4== *0== *=== C== ?== 4== 0==
L
i
e
m
p
o

d
e

e
n
t
r
e
g
a

e
n

d
.
a
s
?
6
4
+
0
*
=
,as rectas punteadas se grafica sumando y restando &Y5 a la recta estimada de regresin.
R" Estime el tiempo de entrega del embarque de *=== 8ilmetros. S&e podr.a estimar para el
tiempo de 06== 8ilmetrosT

0)11$ 0)00. 0)11$ 0)00.(1000) .)11$ 5 X 5 + +
*=D
Para la distancia de 06== 8ilmetros no es conveniente estimar el tiempo pues este valor
cae fuera del rango.
Q" Construya el intervalo de confian!a del E6F para el tiempo de *=== 8ilmetros.
2
,
0
2
2
( 2,1 0 2)
( )
1
2
2)*0,(0),1$) (1000 +,2)
.)11$ 11
$ 1..20+
*)*'' .)+1'
y x
x
t n '
X X
5 n
n '
$s7
+ntonces
y

t + +
t +
El intervalo de confian!a se<ala que el tiempo de entrega verdadero para una distancia de
*=== 8ilmetros ser entre + d.as y medio a 4 d.as. Con un E6F de seguridad.
C) (etermine el intervalo de confian!a del E6F para para la informacin de la distancia en
camin y el tiempo de entrega presentados en los items anteriores.
DX
=
2 2 2
S 0),1$
S = = 0)000(.
x - n x +10.*00-10(+,2)

1 (n-2) =
t S 0)00. 2)*0,(0)000(.) t t
'si el intervalo est entre: =.==0 y =.==6
I" Pruebe la Uo: 7 = para la distancia en camin y tiempo de entrega a un nivel de
*. Uo: 7 =
Ua: =
0. 7 =.=6
+.
1
- 0)00. 0
= 2 $ ,)'(1
Syx0Sx 0),1$0 *+')+.,
t n

4. t(C=.ED6" 70.+=?
6. (ecisin: Como t 7 ?.E6* es mayor que 0.+=? entonces se rec/a!a la /iptesis nula.
,) Conclusin: E)iste significatividad del coeficiente obtenido respecto a la poblacin
de que procede la muestra.
$/ercicios H.2
,a tabla que sigue presenta la evolucin temporal de *E?= a *ED= por intervalos de *= a<os del
porcenta#e de poblacin activa de Espa<a empleada en la agricultura y pesca:
'<os
F de la poblacin activa ocupada en
la agricultura y pesca
*E== ?C
*E*= ?4
*E0= 6E
*E+= 4D
*E4= 60
*E6= 6=
*E?= 40
*=C
Estadstica Aplicada
*ED= 0?
Ruente: Informe sociolgico sobre la situacin social en Espa<a *ED=. Rundacin Roessa *ED6. Pg. *?E.
,os datos de los a<os *E== a *E?= proceden de los Censos de la poblacin activa del I:E y el del
a<o *ED= es una estimacin basada en datos de la Comisar.a del Plan de (esarrollo.
A* Indicar las variables e)istentes de la tabla y su tipo y discutir si se puede emplear el anlisis
de regresin.
E)isten 0 variables:
,os a<os: la cual es una variable cuantitativa continua. Independiente (5".
El porcenta#e de la poblacin activa ocupada en la agricultura: variable cuantitativa continua.
(ependiente (Y".
.* (ibu#ar en un e#e de coordenadas la /uella emp.rica que e)prese grficamente la relacin
entre las variables en cuestin e)aminarla y determinar mediante la inspeccin de la
misma la e)istencia signo y grado de relacin entre las dos variables as. como su tipo
probable.
'f%&
*EC= *E?= *E4= *E0= *E== *CC=
F

P
E
'

D=
?=
6=
4=
+=
0=
&egIn la figura:
E)iste relacin entre las variables como se observa tendencia negativa entonces e)iste
asociacin negativa entre las variables es decir las variables son inversamente
proporcionales as. al correr los a<os el porcenta#e de poblacin econmicamente activa en
agricultura a disminuido. ,a asociacin debe ser alta porque no /ay muc/a dispersin. El
tipo de regresin los datos tiene a ser curvil.neos por su tendencia.
7* &upuesto que la asociacin entre las dos variables es no lineal parablica escribir la
ecuacin de la parbola correspondiente y calcular sus parmetros.

+ +
+ +
+ +
+ +
.
2
*
1
2 2
*
2
2
1
2
2 1
2
2 1
y x
xy
n y
x x x
x x x
x x
x x 5
o
o
o
o

: son es coeficient los obtener para ecuaciones ,as
5 Y 5Y 50 50Y 5+ 54
= ?C = = = = =
* ?4 ?4 * ?4 * *
0 6E **C 4 0+? C *?
+ 4D *4* E 40+ 0D C*
4 60 0=C *? C+0 ?4 06?
*=E
6 6= 06= 06 *06= *06 ?06
? 40 060 +? *6*0 0*? *0E?
D 0? *C0 4E *0D4 +4+ 04=*
0C 4=C *0*6 *4= 66E* DC4 4?D?
Reempla!ando los valores en las ecuaciones se tiene:
4=C 7 C e= @ 0C e * @ *4= e 0
*0*6 7 0C e = @ *4= e * @ DC4 e 0
66E* 7 *4= e = @ DC4 e * @ 4?D? e 0
(espe#ando las constantes por ecuaciones simultneas o matrices se tiene:
e = 7 ??.+66 e * 7 10.?66 e 0 7 1=.+46*
2
*.(1 ) 0 ,(( ) 2 *(( ) ,,
:
x x 5
84e9o

D* (ada la ecuacin obtenida /allar los valores estimados de Y para cada uno de lo valores
emp.ricos de 5 segIn los datos del programa dibu#ar la curva de regresin /allar el error
t.pico de estimacin que suponen los valores estimados en relacin a los valores emp.ricos y
fi#ar grficamente los limites dentro de los que deben encontrarse el ?CF de los puntos
correspondientes a los valores emp.ricos.
5 Y Yest (Y1Yest" (Y1Yest"
0
= ?C ??.+? *.?6 0.D*
* ?4 ?+.+6 =.?6 =.40
0 6E 6E.?? 1=.?? =.44
+ 4D 66.0C 1C.0C ?C.?+
4 60 6=.0* *.DE +.*E
6 6= 44.46 6.66 +=.DD
? 40 +C.== 4.== *6.EE
D 0? +=.C? 14.C? 0+.?0
Lotal *46.DD
'* ) . * ) 2. * ) 2.
,
++ ) 1.(
2
)
(
2
2
2

yx X5 yx
' '
n
5 5
'
'f%&
*EC= *E?= *E4= *E0= *E== *CC=
F

P
E
'

D=
?=
6=
4=
+=
0=
**=
Estadstica Aplicada
E* En el supuesto que el tipo de asociacin es logar.tmica del tipo log ! 8 eo 9 e* "
i* CalcIlense los parmetros de esta ecuacin.
X y E=l"#y x
2
E
2
xE
0 ,$ 1)$* 0 *)*, 0)00
1 ,. 1)$1 1 *)2, 1)$1
2 (' 1)++ . *)1. *)(.
* .+ 1),+ ' 2)$0 ()02
. (2 1)+2 1, 2)'. ,)$,
( (0 1)+0 2( 2)$' $).'
, .2 1),2 *, 2),* ')+.
+ 2, 1).1 .' 2)00 ')'0
2$ .0$ 1*)(* 1.0 2*)02 .()*+
( )
x y x ! x !
n
X
n
5
x y
x x n
! x x! n
o
o
0( ) 0 $(' ) 1 l"# 0( ) 0 $(' ) 1

$(' ) 1
$
2$
) 0( ) 0 (
$
(* ) 1*
0( ) 0
) 2$ ( ) 1.0 ( $
) (* ) 1* )( 2$ ( ) *+ ) .( ( $
1
1 1
2 2
1
+

,
_
ii* (ada la ecuacin obtenida /allar los valores estimados de Y para cada uno de los
valores emp.ricos de 5 segIn los datos del e#ercicio /allar el error t.pico de
estimacin que suponen dic/os 'alores estimados y comparar el a#uste logrado
en este caso con el anterior que supone la ecuacin parablica.
) 7 * log y 7 *.C6E1=.=6(*" 7 *.C=E
entonces antilog y 7 antilog *.C** 7 ?4.40
X y yest (y-yest) (y-yest)
2
0 ,$ +2)2$ -.)2$ 1$)2'
1 ,. ,.).2 -0).2 0)1+
2 (' (+).1 1)(' 2)(2
* .+ (1)1+ -.)1+ 1+)*+
. (2 .(),0 ,).0 .0)'1
( (0 .0),. ')*, $+)(*
, .2 *,)22 ()+$ **)*,
+ 2, *2)2$ -,)2$ *')(0
8"tal 2*'),,
.+ ) ( ', ) 2' ', ) 2'
,
,, ) 2*'
2
)
(
2
2
2

yx X5 yx
' '
n
5 5
'
Como:
&y) cuadrtica 7 4.E+
&y) logar.tmica 7 6.4D
Entonces la ecuacin cuadrtica se a#usta muc/o me#or a los datos que la ecuacin
***
logar.tmica.
H.8. A".:(-(- D$ C*))$:AC(,"
H.8.1. *0/eti'os y supuestos del anlisis de correlaci%n
El ob#etivo del anlisis de correlacin es medir el grado de relacin que e)iste entre las
variables.
&upuestos:
,a relacin entre las dos variables es lineal.
,as dos variables son aleatorias.
Para cada variable las varian!as condicionales dados diferentes valores de la otra
variable son iguales (/omocedasticidad".
Para cada variable las distribuciones condicionales dados valores diferentes de la otra
variable son todas distribuciones normales.
%bs. ,as suposiciones se aplican a ambas variables a diferencia que en la regresin a
valores espec.ficos de la variable independiente.
H.8.2. Coeficiente de determinaci%n
Es la media Itil de relacin entre dos variables (terico"
2
2
= 1 -
2
5X
5
6
'
'
5X
5
2
2
= 1 -
2
2 2
2
1 2
y n -
y n - xy F y
=
y
6
o

H.8.3. Coeficiente de correlaci%n
Xide el grado de relacin entre las variables.
= % r =
2 2
6
6
n x n y y
=
n xy - x y
- ( x) - ( )
2 2

G HG H
2 2
Labla de interpretacin para el valor del
coeficiente de correlacin:
) relaci%n correlaci%n
r 7 = :o e)iste nula
===> r =0= muy poco intensa peque<a
=0=> r =4= peque<a;apreciab. ba#a
=4=> r =?= considerable regular
=?=> r =C= intensa alta
=C=> r *== muy intensa muy alta
**0
Estadstica Aplicada
%bs. El coeficiente muestral de correlacin r est algo sesgado como un estimador de . Este
factor posee un sesgo leve e)cepto para muestras muy peque<as. 2n estimador no sesgado para
el coeficiente de determinacin de la poblacin se puede obtener as.:
2
= 1 - (1 - r ) (
n - 1
n - 2
2
)
El valor del coeficiente de correlacin y de determinacin var.a como sigue:
1* r * P = r
0
*
H.8.6. Diagramas de dispersi%n
H.8.7. -ignificaci%n del coeficiente de correlaci%n
Uo: 7 =
Ua: =
t
o
=
r
1 - r
n - 2
t = t
2
t (1 - 02, n-2)

H.8.8. $rrores y limitaciones asociados con el anlisis de regresi%n y el de correlaci%n
(1) El anlisis de regresin para un valor de y no se puede estimar leg.timamente si el valor de )
est fuera del rango que sirvi de base para la ecuacin de regresin.
**+
y
(a) r = F1
r
2
= 1
x
x
y
(=) r = 0
r
2
= 0
y
(c) r = -1
r
2
= 1
x
x
y
(d) r = 0,,0
r
2
= 0,*,
y
(e) r = -0,'0
r
2
= 0,$1
x
(2) &i la estimacin de y involucra la prediccin de un resultado que no /a ocurrido todav.a la
informacin /istrica que sirvi como base de la ecuacin de regresin puede ser pertinente
para eventos futuros.
(*) El uso de una prediccin o de un intervalo de confian!a se basa en distribuciones
condicionales de Y que son normales y tienen varian!as iguales
(.) 2n coeficiente de correlacin significativo no indica necesariamente causacin pero si
puede indicar una concatenacin con otros eventos.
(() 2na correlacin JsignificativaK no es necesariamente una correlacin importante. (ada una
muestra grande una correlacin de digamos r 7 @=.*= puede ser significativamente
diferente de = con 7 ==6 sin embargo el coeficiente de determinacin es r
0
7 ==* para
este e#emplo indica que slo *F de la varian!a de Y se e)plica estad.sticamente
conociendo 5.
(,) ,a interpretacin de los coeficientes de correlacin y determinacin se basa en la suposicin
de la distribucin normal bivariada para la poblacin y para cada variable varian!as
condicionales iguales.
(+) Para los anlisis de correlacin y regresin se supone un modelo lineal. Para una relacin
curvilineal se puede disponer de una transformacin para lograr la linealidad. %tra
posibilidad es limitar el anlisis al rango de valores dentro del cual la relacin es
esencialmente lineal.
$/emplo H.3
Para el e#emplo del tiempo de entrega en funcin a la distancia en 8ilmetros. (eterminar:
(a) El coeficiente de correlacin
'( ) 0
2
) ( ) 2$ ( ) +( ) '' ( 10
2
) +,20 ( ) +10.*00 ( 10
) ( ) 2$ )( +,20 ( ) 2,*+0 ( 10
=

H
2
) ( -
2
HG
2
x) ( -
2
G
y x - xy n
= r

] [ ] [
y y n x n
Interpretacin: E)iste muy alta correlacin entre la distancia y el tiempo de entrega de los
embarques.
(=) El coeficiente de determinacin.
'0 ) 0 (0)'() =
2 2
6
Interpretacin: ,a variabilidad del tiempo de entrega es e)plicada por la distancia en un
E=F.
(c) (etermine la significacin del coeficiente de correlacin.
*" Uo: 7 =
Ua: =
0" 7 =.=6
+"
(0 ) $
$
0)'0 - 1
0)'(
2 - n
r - 1
r
=
2

o
t
4"
*0, ) 2
$) (0)'+(, 2) - n 02, - (1
t = t =
t
t
**4
t
t
= -2)*0,
/A
1 - = 0,'(
//
2 = 0,02(
t
t
=2)*0,
t
0
= $)(0
//
2 = 0,02(
Estadstica Aplicada
6" (ecisin: Como t= RR rec/a!amos la Uo
?" Conclusin: ,a relacin entre las variables es significativa.
$/emplo H.6
Para una muestra de n 7 *= de beneficiarios anteriores de pr-stamos en una compa<.a financiera
el coeficiente de correlacin entre los ingresos familiares y la cantidad de la deuda pendiente a
corto pla!o es r 7 @=.6=.
(a) Pruebe su significacin.
*" Uo: 7 =
Ua: =
0" 7 =.=6
+"
,* ) 1
$
(0)(0) - 1
0)(0
2 - n
r - 1
r
=
2 2

o
t
4"
*0, ) 2
$) (0)'+(, 2) - n 02, - (1
t = t =
t
t
6" (ecisin: Como t= R' aceptamos Uo
?" Conclusin: ,a relacin entre las variables no es significativa.
**6
t
t
= -2)*0,
/A
1 - = 0,'(
//
2 = 0,02(
t
t
=2)*0,
t
0
= 1),*
//
2 = 0,02(
A+*$3A:+AC(,"
( " &e tiene la regresin de Y sobre 5 donde 5 es variable independienteP Y es la variable
independiente.
( " El modelo de la ecuacin de la regresin lineal es Y 7 e= @ e *5.
( " 'l diagrama de dispersin se le conoce tambi-n como Jnube de puntosK.
( " Cuando el valor del coeficiente de correlacin ( r 7 =" decimos que la correlacin es
muy alta.
( " El coeficiente de correlacin mide el grado de relacin que e)iste entre las variables.
0. 2na compa<.a se encuentra en un proceso de evaluacin de su personal. En el
(epartamento de produccin en el primer turno se tienen la siguiente informacin:
Horas de
Trabajo
C *0 *4 *4 *? ?4
Unidades de
Produccin
D E *+ *0 *C 6E
a" Qrafique el diagrama de dispersin la recta de regresin e interprete.
b" Uallar e interpretar la Ecuacin de regresin para estimar la produccin de los operarios
c" Calcule el error estndar de la estimacin
d" Uallar el coeficiente de correlacin e interprete su significado
e" SCuntas unidades de produccin predecir.a usted con 0= /oras de traba#oT Interpretar
+. ,os valores de 5 e Y son los siguientes:
5 0 + 4 6 ?
Y * 0 + + ?
a" Calcular el coeficiente de correlacin
b" Xultiplicar por 0 los valores de 5 y por + los valores de Y y calcular seguidamente el
coeficiente de correlacin correspondiente a estas dos nuevas series
c" Comente los resultados
4. 2n funcionario de un /ipdromo querr.a pronosticar la cantidad de dinero
apostado (en miles de dlares" con base en la asistencia de pIblico. &e selecciona una
muestra aleatoria de *= d.as y los resultados se presentaron en la tabla siguiente:
(.a * 0 + 4 6 ? D C E *=
'sistencia (miles" *4.6 0*.0 **.? +*.D 4?.C +*.4 4=.= 0*.= *?.+ +0.*
Cantidad apostada (miles
dlares"
=.D= =.C+ =.?0 *.*= *.0D *.=0 *.*6 =.C= =.D* *.=4
a" ConstrIyase una nube de puntos o diagrama de dispersin y trcese la recta de regresin.
b" 9erifique que la regresin de la muestra es y7 =.400@=.=*E)
c" Calcular el coeficiente de correlacin e interprete
d" Prediga la cantidad apostada en un d.a en que /ay una asistencia de 0= === personas
6. &e /ace un estudio para determinar la relacin entre las edades de un gran
grupo de mquinas en una fbrica y las eficiencias de las mquinas. ,os datos se dan
en la siguiente tabla.
$dad 1P2 0 4 ** E 4 ? D C
$ficiencia 1@2 E= ?6 06 4= C= ?= +6 6=
a" Representar los datos en un diagrama de dispersin.
b" Calcular el coeficiente de correlacin entre 5 e Y. Interprete.
c" '#ustar dic/a informacin a una recta de regresin lineal de Y sobre 5 y representar la
recta en la grfica de la parte a".
d" SCul es la me#or estimacin de la eficiencia de una mquina de *= a<osT
**?
Estadstica Aplicada
+nidad 9
-$)($- D$ ($MP* @ "+M$)* ("D(C$
:H de tutor.as: (os
utor!a "# L& &eries de Liempo.
utor!a "# 1M& :Imero _ndice.
**D
**C
Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las componentes de la series de tiempo y
de los nImeros .ndices.
Elaboran modelos para predecir una variable de serie de tiempo y
mostrar m-todos para calcular los nImeros .ndice.
1.3. Actitudinales
Resuelve situaciones en donde se quiere pronosticar una variable de
serie de tiempo. 2tili!ar los nImeros .ndices para predecir condiciones
econmicas o industriales.
El contenido programtico de la unidad referida es el siguiente: series
de tiempo: introduccin componentes de las series de tiempo:
tendencia ciclo estacin irregularP prediccin nImeros .ndices
nocin aplicacin de los nImeros .ndices relaciones de precios:
propiedades de las relaciones de preciosP relaciones de cantidad o
volumen: propiedades de las relaciones de cantidadP relaciones de
valor: propiedades de las relaciones de valorP m-todos para calcular los
nImeros .ndices: m-todo de agregacin simpleP m-todo de agregacin
ponderada m-todo del promedio ponderado de relacionesP cambio de
base en los nImeros .ndicesP deflacin de series en el tiempo.
prcticos.
**E
utor!a "#
-eries de tiempo y predicci%n
$-+D(* D$ +" CA-*
El vicepresidente financiero de &out/ern 'ir$ays est considerando la adquisicin de dos nuevos
aviones. En un momento cr.tico para la compa<.a. ,as aerol.neas ms grandes estn aumentando
su trfico y la mayor.a de los nuevos clientes son antiguos clientes de las aerol.neas ms
peque<as. Parte de la ra!n de este cambio de preferencias del pasa#ero parece ser lo deseable
de volar en aviones ms nuevos y ms cmodos.
Uay tres alternativas para &out/ern. Primera puede decidirse por comprar dos nuevos aviones lo
cual probablemente tendr.a por resultado un aumento gradual de la participacin de la compa<.a
en el mercado con incremento notable en los ingresos que comen!ar.an al segundo a<o despu-s
de la compra.
,a segunda alternativa es comparar un nuevo avin solamente lo cual se espera que permitiera a
la &out/ern mantener su puesto en el mercado durante los tres o cuatro a<os siguientes. &e
espera que para entonces se disponga de nuevos ingresos y de otras fuentes de fondos que
permitan a la &out/ern aumentar su flota y con ello ganar una mayor participacin en el trfico
a-reo en los a<os subsiguientes.
,a tercera alternativa es diversificar los fondos que pondr.an emplearse en la adquisicin de los
aviones para /acer otras inversiones. ,a participacin de la &out/ern en el mercado se
desme#orar.a /aci-ndosele luego muy dif.cil a la compa<.a reconquistar su actual posicin en el
mercado. El resultado final bien podr.a ser que la &out/ern 'ir$ays de#ara de operar como
aerol.nea de pasa#eros.
(e las tres alternativas la &out/ern preferir.a con muc/o la adquisicin de los dos aviones. ,a
segunda y tercera alternativas se podr.an seguir solo en el caso de que la primera no fuera
factible. &i se determina que la compra de los dos nuevos aviones no es aconse#able entonces se
someter.an las dos alternativas restantes a un cuidadoso e)amen en cuanto a las posibles
consecuencias de cada una de ellas.
&i la primera alternativa no es aconse#able ser porque la compa<.a tenga dificultades en cumplir
las obligaciones de la financiacin de la compra. ,os fondos para la compra de los aviones
provendr.an de tres fuentes. Primera se emitir.an accionesP esta fuente se utili!ar.a ante todo
porque la &out/ern no incurre con ello en obligaciones reales.
,a segunda fuente utili!ada ser.a la venta de bonos de la sociedad cada una de las cuales e)igir.a
que la &out/ern pagara una suma total cada seis meses. :o obstante este tiempo ser.a suficiente
para permitir a la &out/ern acumular los fondos necesarios para cumplir estas obligaciones.
9
*0=
Estadstica Aplicada
(ic/as dos fuentes de fondos producir.an capital suficiente para permitir la compra de un avin.
'dems estas fuentes no presentan serios problemas en cuanto al cumplimiento de las
obligaciones financieras que imponen.
&in embargo si la compa<.a va a comprar el segundo avin /abr.a que obtener capital
suplementario mediante un empr-stito. ,as obligaciones impuestas por el empr-stito comprenden
a bonos mensuales. Es la cuestin del servicio de esta deuda lo que preocupa en este momento.
&i la &out/ern incumple en el empr-stito los futuros intentos de conseguir capital por alguno de
los tres m-todos mencionados ser.an en e)tremo dificultosos. ,os inversionistas estar.an muy
reacios a comprar acciones corrientes de la &out/ern o sus emisiones de bonos.
,a decisin depende la capacidad de la &out/ern para el servicio de la deuda que ser.a necesaria
par la compra de dos aviones. (ebido al aumento sustancial en ingresos que se anticipan para el
segundo a<o despu-s de la compra de dos avionesP el periodo cr.tico para la &out/ern ser.a el
primer a<o despu-s de la compra durante el cual la &out/ern e)perimentar.a lo ms dif.cil para
cumplir las obligaciones mensuales de la deuda.
Es responsabilidad del vicepresidente financiero el determinar la capacidad de servicio de la
deuda de la &out/ern en el primer a<o despu-s de la compra de los dos aviones.
&e est a/ora en enero de *E5E. ,os dos aviones pedidos entrar.an en servicio en #ulio de este
a<o momento en el cul comen!arn los abonos a la deuda.
,os costos que implica la operacin de la &out/ern estn estrec/amente vinculados con la tasa de
inflacin. En realidad pueden /acerse proyecciones muy precisas tomando el costo total en
diciembre de *E5C que fue de M4 +0= === y calculando un aumento del =.6F mensual. En #ulio si
los aviones se compran /abr que a<adir los pagos mensuales de M0*= ===.
,os ingresos por otra parte plantean un problema ms dif.cil pues no /ay frmula simple que
pueda emplearse para proyectar los ingresos. ' veces los ingresos /an aumentado y a veces /a
disminuido. Parecen estar su#etos a ms fluctuaciones que los costos.
&e necesita pues una manera de predecir o proyectar los ingresos.
L.1. (")*D+CC(*"
(ado que las condiciones econmicas y los negocios var.an con el tiempo los e#ecutivos deben
encontrar formas de conocer los efectos de esos cambios en sus operaciones particulares. 2nos
m-todos que pueden utili!ar los directivos de los negocios como ayuda para controlar las
operaciones actuales y en la planeacin de futuras necesidades (mediante el pronstico de
acontecimientos probables en ventas materia prima mano de obra etc." es un anlisis de series
de tiempo.
&e llama &eries de Liempo a un con#unto de mediciones de cierto fenmeno o e)perimento
registrado secuencialmente en el tiempo. El primer paso para anali!ar una serie de tiempo es
graficarla esto permite: identificar la tendencia el ciclo la estacionalidad las variaciones
irregulares (componente aleatoria".
El fin principal del anlisis de las series cronolgicas es la prediccin de los valores futuros de un
proceso aleatorio.
L.2. C*MP*"$"$- D$ :A- -$)($- D$ ($MP*
' menudo es Itil anali!ar sucesiones de observaciones de variables aleatorias a lo largo del
tiempo. 2na sucesin de esta clase se llama serie cronolgica. Pero prcticamente en todos los
anlisis precedentes se /a supuesto por lo menos impl.citamente que las observaciones eran
independientes y de distribucin id-ntica con la que constitu.an una muestra aleatoria. ' veces
este supuesto es apropiado al anali!ar series cronolgicas. Pero en este cap.tulo se supone que
las observaciones son dependientes entre si. En esencia lo que est suponiendo aqu. es que el
tiempo u otra variable vinculada a este influyen en los valores observados de la variable aleatoria.
Como se /a visto una y otra ve! el ob#etivo del anlisis estad.stico es la interpretacin de los
datos. El proceso de interpretacin tiene dos resultados finales. El primero es la descripcin del
*0*
proceso de base en t-rminos de un modelo la distribucin normal de probabilidades el modelo de
regresin lineal o cualquiera otro. El segundo es la inferencia de relaciones fundamentales. Por
e#emplo podr.a contratarse la productividad media antes y despu-s de una sesin de
adiestramiento y sacar conclusiones sobre el grado de efectividad de la sesin de adiestramiento.
En el anlisis de series cronolgicas se interpreta la influencia del tiempo sobre la variable
aleatoria que se est- estudiando. Y de ello se infiere la futura influencia de los factores temporales
sobre la variable aleatoria y la prediccin de observaciones futuras.
Como las condiciones econmicas cambian por el tiempo el comportamiento de las variables
aleatorias de inter-s en decisiones empresariales cambien de carcter con el tiempo. ,as medias
pueden variarP las varian!as pueden modificarse. Lal ve! no es apropiado /ablar en t-rminos de
tiempo como la variable de influencia cuando en realidad son las condiciones econmicas
cambiantes las conducen a las variaciones de la distribucin de la variable aleatoria. Pero el
tiempo es el factor comIn y la vinculacin de los cambios de las condiciones econmicas y de las
variables empresariales mediante la variable tiempo /a dado resultados.
&er.a deseable aislar e identificar las principales influencias observables en datos de series
cronolgicas. Estas influencias principales sern los componentes de los modelos de series
cronolgicas. 2na ve! aisladas se las puede anali!ar para interpretar me#or las ra!ones
econmicas de las observaciones pasadas. ,o que es ms importante en la &ituacin I de que se
trata es que estas componentes pueden incorporarse a un modelo para predecir ocurrencias
futuras y tomar decisiones.
Uay cuatro influencias principales que se observan en los datos de series cronolgicas.
&on:
*. Lendencia .
0. Ciclo C.
+. Estacin -.
4. Irregular (.
El anlisis de estudio se organi!ar segIn estas componentes.
L.2.1. endencia
Lendencia es una influencia a largo pla!o que origina variaciones lentas. ,a e)presin Ja largo
pla!oK significa aqu. que la influencia de una tendencia se e)tiende por varios a<os. 'lgunas
condiciones econmicas generales que producen efectos de tendencia son las variaciones del
tama<o de la poblacin las me#oras graduales de la tecnolog.a las variaciones del nivel de vida y
la inflacin o la deflacin. %tros factores son por e#emplo los cambios de preferencia del
consumidor y el grado /asta donde se me#oran por el aprendi!a#e el rendimiento y la eficacia (en el
proceso de produccin por e#emplo". ,a figura * indica una posible tendencia de los datos de una
serie cronolgica.
RIQ2R' *.
Lodos estos factores identifican con claridad aspectos importantes para fines de planificacin.
Lodos sugieren cambios potenciales por e#emplo en las utilidades. En ciertos casos las ventas
var.an porque el mercado se est e)pandiendo o contrayendo. En otros los costos suben o ba#an
debido a variaciones en la calidad del rendimiento del proceso de produccin. %tras variables
importantes pueden tambi-n resultar relacionadas con estos factores.
*00
1 2 * .
8ie!p" (aI"s)
( , +
J
e
n
t
a
s
Estadstica Aplicada
&e va a considerar brevemente la influencia de la inflacin o la deflacin. 'ntes de comen!ar el
anlisis de una serie cronolgica /ay que eliminar de los datos dic/a influencia mediante un
.ndice adecuado de precios. ,a inflacin de la ilusin de mayores ventas porque suben los
recaudos lo cual podr.a llevar a los directivos a aumentar la produccin ampliar la fuer!a laboral o
emprender alguna otra actuacin costosa para /acer frente al aumento de la demanda que se
anticipa erradamente. Para evitar esta mala interpretacin primero /ay que a#ustar los datos a fin
de eliminar la influencia de la inflacin. Pero /ay veces en que al anali!ar datos de series
cronolgicas la influencia de la inflacin puede considerarse con toda propiedad como parte de l
componente de tendencia. Por e#emplo con cifras de utilidades la inflacin o deflacin en los
ingresos y en los costos quedan de /ec/as incorporadas a las cifras. ,a diferencia entre estas dos
tasas de inflacin o deflacin podr.a considerarse una informacin apropiada a la tendencia.
L.2.2. Ciclo
,a componente c.clica se refiere a la influencia de los ciclos econmicos en los datos de series
cronolgicas. ,os ciclos econmicos son oscilaciones o movimientos ascendentes y descendentes
de la actividad econmica general. &e /abla a veces de Jfases ascendentes o de e)pansinK o de
Jfases descendentes o de contraccinK o tambi-n JrecesionesK. ,os ciclos econmicos son
imprescindibles en alto grado en cuanto a la amplitud (magnitud del movimiento /acia arriba o
/acia aba#o" duracin (el tiempo que se mantiene la fase" y forma (rapide! de ascenso o
descenso". Por lo general los movimientos o fases descendentes son ms rpidos que los
ascendentesP pero /ay otros cuantos comentarios de naturale!a general aplicable a los ciclos
econmicos. ,a figura 0 es un e#emplo de ciclo y la figura + indica la tendencia de la figura *
despu-s de su distorsin por la componente c.clica que se representa en la figura 0.
RIQ2R' +
,os ciclos econmicos influyen ciertamente en las variables que afectan a la marc/a de la firma.
Por e#emplo durante la fase descendente las firmas que comerciali!an art.culos de primera
necesidad solo se refrenan lentamente. (ebido a este efecto y a su naturale!a variable respecto a
las diferentes industrias la influencia c.clica es componente importante en el anlisis de series
cronolgicas.
L.2.3. $staci%n
,a estacin describe los movimientos ascendentes y descendentes debidos al tiempo o estacin
del a<o. 9arias industrias ofrecen e#emplos de esta influencia. 's. en un caso las ventas de
equipos para esquiar muestran movimientos considerables durante el curso de un a<o. (esde
luego otras industrias pueden e)perimentar efectos escasos o nulos de tipo estacional. 'unque
ciertos alimentos tienen sus estaciones las ventas de las tiendas de alimentacin e)perimentan
t.picamente muy poca o ninguna influencia estacional. ,a figura 4 ilustra una modalidad estacional.
*0+
1 2 * .
8ie!p" (aI"s)
( , +
J
e
n
t
a
s
1 2 * .
8ie!p" (aI"s)
( , +
J
e
n
t
a
s
1
Liempo (a<os"
2
J
e
n
t
a
s
RIQ2R' 0
RIQ2R' 4.
,os efectos de la componente estacional se compensan en promedio durante el curso del a<o.
(espu-s de un a<o el proceso vuelve a su punto de partida suponiendo claro est que no /ay
influencia de tendencia c.clica o irregular. :o /ay beneficio o p-rdidas netos en la serie
cronolgica que sean atribuibles a esta componente.
Como la influencia estacional est asociada a la -poca del a<o su momento de ocurrencia es
predecible. ,a influencia e#ercida por la llegada de la primavera en las industrias de modas
femeninas se vio en la pasada primavera y se ver en la siguiente. Pero al variar las costumbres
el grado de esa influencia puede variar tambi-n. Por consiguiente puede /aber ligeras variaciones
en la medida de los efectos estacionales en per.odos de tiempo prolongados. ,a autoridad que
decide o el analista deben elegir uno de los supuestos siguientes al tratar la componente
estacional:
*. El efecto de la componente estacional es constante de un a<o a otro.
0. El efecto estaminal var.a ligeramente de un a<o a otro.
+. El efecto de la influencia estacional cambia espectacularmente.
Rara ve! se ve el tercer supuesto pero a veces es necesario. Por e#emplo si la industria
automovilitaria cambiara el momento de instruccin de los nuevos modelos ser.a de esperar un
gran cambio en el efecto estacional.
L.2.6. (rregular
,a componente irregular incorporar dos tipos de influencia. El primero es la ocurrencia de sucesos
individuales inslitos que /an repercutido sobre la serie cronolgica. &ucesos posibles de tal
naturale!a son las /uelgas el elevado ausentismo por causa de una epidemia de gripe o un
cambio de importancia de la pol.tica econmica de gobierno. Lodas estas influencias podr.an
originar grandes variaciones en el proceso aleatorio que produ#o la serie cronolgica. Y es t.pico
pues que el proceso tenga nuevas caracter.sticas de evolucin despu-s de esa variacin.
El segundo tipo de influencia incorporado a la componente irregular es la fluctuacin aleatoria que
por lo general es de naturale!a modesta y produce variaciones dentro de un g 6F por e#emplo.
Como se /i!o en el anlisis de regresin las fluctuaciones aleatorias se suponen con media de
cero es decir que su efecto neto se /ace igual a cero en su anlisis.
El proceso de a#uste del primer tipo de influencia irregular es un anlisis estad.stico bastante
especiali!ado. Y el caso tampoco da indicacin de sucesos econmicos separados inslitos. Por
consiguiente se tratar la componente irregular como constituida solamente de fluctuaciones
aleatorias.
,a figura 6 ilustra una serie de variaciones aleatorias en una serie cronolgica. ,a figura ? est
compuesta de la tendencia de la figura * el ciclo de la figura 0 la estacin de la figura 4 y la
variacin irregular de la figura 6. 's. pues la figura ? podr.a ser la ilustracin del grfico t.pico de
datos de series cronolgicas.
*04
1 2 * .
8ie!p" (aI"s)
(
J
e
n
t
a
s
RIQ2R' 6
1 2 * .
8ie!p" (aI"s)
( , +
J
e
n
t
a
s
RIQ2R' ?
Estadstica Aplicada
L.3. P)$D(CC(,"
,a base lgica de la prediccin es un proceso en dos etapas. Primero se constituye un modelo a
partir de las observaciones pasadas del procesoP luego se utili!a ese modelo para predecir
ocurrencias futuras. 'nte todo /ay que estimar la influencia de las diversas componentes y luego
combinar las componentes para tener un modelo de prediccin.
Como el m-todo de estimacin de los efectos componentes depende de la forma que se eli#a para
el modelo se anali!ar ante todo la forma del modelo.
,a manera ms corriente de combinar las componentes en un modelo es por multiplicacin de los
componentes. &ea @ la variable aleatoria que se trata de predecir. E, modelo que se utili!a se
llama modelo multiplicati'o y sugiere que:
@ J .C. -. (
2na consecuencia importante de este modelo es que indica las unidades de medida de las cuatro
componentes. &i se estn prediciendo ventas medidas por ingresos totales los valores @ se
e)presan en dlares. &e medir tambi-n en dlares. ,as otras tres componentes pueden
interpretarse como porcenta#es. Cuando la componente estacional por e#emplo no tienen
influencia sobre una observacin particular el valor de - es *.=.
Puede decirse lo mismo en cuanto a las componentes C e (. &i las tres componentes porcentuales
son iguales a * es decir si:
C = S = I J 1.M
Entonces el valor observado podr.a llamarse ocurrencia JpromedioK o Jt.picaK. Por la primera
igualdad es tambi-n cierto que:
@ J
&i C = S = I J 1.M. 's. pues el modelo multiplicativo de la componente de la tendencia como el
valor t.pico y las otras componentes pueden considerarse como a#ustes. 2n valor de C J 1.M17
indica que la condicin predominante del ciclo econmico producir un valor observado de *.6 por
ciento mayor que el valor t.picoP una componente estacional de valor S J M.L9M indica que el
tiempo del a<o producir un valor observado +F inferior al t.pico. Lodas las observaciones pueden
ser consideradas en consecuencia como a#ustes de la t.pica ya sea por los ciclos econmicos ya
por el tiempo del a<o ya por las fluctuaciones aleatorias.
2n plan de solucin al problema de estimacin puede ser el siguiente:
*. Est.mese la componente T de tendencia utili!ando datos anuales. (Pueden emplearse
observaciones mensuales o trimestrales si estn a#ustadas estacionalmente es decir si se /a
eliminado la componente estacional".
0. Est.mese la componente estacional S utili!ando los datos JbrutosK es decir los datos
mensuales sin modificar. (Pueden emplearse datos trimestrales si son apropiados para el
problema de decisin".
+. Est.mese la componente irregular I Jsuavi!andoK los datos ya a#ustados estacionalmente.
4. Est.mese la componente c.clica C utili!ando los datos brutos originales y las estimaciones de
T, S e I.
' esta altura ya puede e)aminarse la bondad del modelo anali!ando los valores de la
componente irregular estimados en +. El e)amen se concentrar en si los valores de I son
indicativos de fluctuaciones aleatorias. Esto se determinar decidiendo si los valores son
independientes entre s.. &i lo son el modelo puede #u!garse como aceptable.
Para el anlisis completo se pasar por estas cuatro etapas.
Es decir que el analista o autoridad decisoria puede:
*06
a2 predecir las observaciones futuras y
02 /acer el anlisis de observaciones pasadas para determinar causaciones econmicasP esto es
por que se observ lo que se /a observado. &in embargo aqu. solo se /a propuesto lo
primero por el momento. Para lograr predecir ingresos mensuales futuros es necesario
estimar Inicamente y - porque en gracia de brevedad se /ar un supuesto en cuanto a C y
se dir simplemente que los valores de ( constituyen fluctuaciones aleatorias.
Para ilustrar los procedimientos que suponen los problemas de estimacin se tomar el caso
propuesto.
El primer paso es estimar la componente de tendencia utili!ando datos anuales. &upngase que la
tabla * da los ingresos anuales de &out/ern 'ir$ays durante los oc/o a<os pasados.
&e est buscando cierta relacin entre el tiempo en a<os y los ingresos. &iguiendo el
procedimiento de a#uste de curva. &e representan los datos de la tabla * as. como el diagrama de
dispersin en la figura D. Parece como si una recta pudiese describir muy bien la componente de
tendencia. Es decir se podr.a suponer que si t representa tiempo en a<os a partir de *E5=.
a0la 1& (ngresos anuales
(en millones de dlares"
ADo (ngresos ADo (ngresos
1LP1 6C.=+ 1LP7 6C.C4
1LP2 6C.0D 1LP8 6C.D0
1LP3 6C.0E 1LP9 6C.D4
1LP6 6C.6C 1LPH 6E.*?
J =h Q *tQ
Y estimar = hy * por el m-todo de m.nimos cuadrados descritos en el tema anterior.
&i consideramos a los a<os e ingresos como la variables ) e y respectivamente.
2tili!ando las siguiente frmulas.

) x ( -
y x -
2 2
1

x n
xy n
n
x
n
y
= x - y =
1
5
1
5
0

&e tiene: RM 7 6D.E6
R1 7 =.*4*
's. mismo la frmula de correlacin:
6
n x n y y
=
n xy - x y
- ( x) - ( )
2 2

G HG H
2 2
&e tiene:
r 7 =.E4?4
r
2
7 =.CE6D
El valor de r
2
indica que el CE.6D F de la variacin de los ingresos anuales se e)plica por la
variacin de t, el tiempo en a<os a partir de *E5=. 's. que se concluye que el modelo es una
descripcin aceptable de la relacin entre ingresos anuales y tiempo. Por lo tanto se toma como
componente de tendencia
J 6D.E6 @ =.*4*t
*0?
Estadstica Aplicada
(onde t es el tiempo en a<os despu-s de *E5=.
&e tiene a/ora la componente de tendencia e)presada en ingresos anuales. Esto es que esta
componte de tendencia es la mas Itil para predecir ingresos anuales. Pero tambi-n puede
utili!arse para predicciones mensuales. bui!s la manera ms fcil de adaptar estas cifras de
tendencia anual a cifras de tendencia mensual es dividir las predicciones anuales por *0. ,o cual
supone que no /ay influencia de tendencia durante el a<o. En ciertas aplicaciones tal supuesto
puede ser algo irra!onable pero para los propsitos tra!ados aqu. ser suficiente.
c2 El paso siguiente es estimar la componente estacional utili!ando datos mensuales brutos.
&upngase que la tabla 0 da los ingresos mensuales en los cuatro a<os pasados para la
&out/ern.
a0la 2& (ngresos mensuales
(en millones de dlares"
Mes 1LP7 1LP8 1LP9 1LPH
$nero 4.?E 4.C6 4.C? 4.D?
Be0rero 4.DC 4.6? 4.4+ 4.?D
Mar>o 4.+? 4.4* 4.?6 4.+E
A0ril 4.6= 4.D= 4.60 4.06
Mayo 6.=E 6.== 6.0* 6.=0
;unio 6.00 6.?? 6.0E 6.+?
;ulio 6.44 6.*+ 6.4* 6.4D
Agosto 6.04 6.=E 6.== 6.4C
-eptiem0re 4.CE 6.=6 6.** 4.CD
*ctu0re 4.?C 4.?4 4.+C 4.D*
"o'iem0re 4.00 4.0+ 4.4* 4.40
Diciem0re 6.D+ 6.4= 6.4D 6.D?
En este momento /ay que resolver dos cuestiones. ,a primera es si se van a obtener valores
mensuales para S o valores trimestrales para S. 2n e)amen a la tabla 0 puede ayudar a resolver
esto. En cada uno de los a<os los ingresos del mes de diciembre son considerablemente ms
altos de los de octubre y noviembre. Esto sin duda se debe a que se via#a ms en las vacaciones
de navidad. Pero el caso es que el utili!ar una componente estacional trimestral tender.a a
distorsionar el modelo de esta influencia especial porque un valor de S estar.a asociado a
(iciembre y a otros dos meses muy diferentes (octubre y noviembre" de la actividad de la
aerol.nea. :o quedar.a satisfec/a apropiadamente la necesidad de predecir los ingresos
mensuales porque las proyecciones de octubre y noviembre ser.an demasiados grandes.
,a segunda cuestin /ay que resolver es la de si se supone una componente estacional constante
de a<o en a<o. :uevamente puede ayudar el observar la tabla 0. &e observa que no /ay mayores
variaciones de la influencia de un mes particular sobre los ingresos de a<o en a<o. &e
observar.an luego las condiciones econmicas para tratar de decidir si podr.a /aber una variacin
gradual de S con el tiempo. Para los propsitos del anlisis se supondr que la componente
estacional es constante.
,as cinco etapas para estimar S son:
*. 's.gnese a cada mes el promedio de las cinco observaciones ms cercanas a ese mes. Por
e#emplo se asignar.a a abril el promedio de las observaciones de febrero mar!o abril mayo y
#unio. &e asignar.a a mayo el promedio de las observaciones de mar!o abril mayo #unio y
#ulio. Es este un proceso de suavi!acin en que se calcula un promedio mvil de cinco puntos.
0. Para cada mes calcIlese la relacin entre el valor observado y el promedio mvil de cinco
puntos. Esta relacin se llama estacin espec.fica &&. ,a tabla + indica las etapas * y 0
efectuadas sobre los datos de la tabla 0.
+. (escrtese el tercio m)imo y el tercio m.nimo apro)imadamente de las estacionales
espec.ficas. Importa descartar igual nImero de valores elevados y valores ba#os de
estacionales espec.ficas. &e /ace esto para eliminar los efectos de datos e)teriores.
*0D
4. Est.mese la componente estacional - como el promedio de las restantes estacionales
espec.fica.
6. '#Istense las estacionales de modo que sumen *0. &e /ace esto para que no /aya influencia
neta de las estacionales sobre el curso de todo el a<o. &i se calcularan estacionales
trimestrales la suma ser.a 4.
,a tabla 4 muestra los clculos finales de las estacionales para los datos de la tabla 0. ,os datos
de la tabla 0 pueden a#ustarse a/ora en cuanto a la componente estacional. Esto se logra
dividiendo cada observacin por la correspondiente estacional.
Estos datos a#ustados pueden emplearse para estimar una componente de tendencia de los
ingresos mensuales de la misma manera que se utili!aron los datos anuales. &er.a probable
encontrar una ecuacin diferente para la componente de tendencia del a#uste de la ecuacin 0 que
se va utili!ar aqu..
a0la 3
Clculo de $stacionales espec!ficas, SS
Mes 1LP7 1LP8 1LP9 1LPH
$nero )eal 4.?E= 4.C6= 4.C?= 4.D?=
Promedio 4.D?= 4.D0= 4.D4=
-- *.=*E *.=+= *.==4
Be0rero )eal 4.DC= 4.6?= 4.4+= 4.?D=
Promedio 4.C6= 4.DC= 4.D*=
-- =.E4= =.E0D =.EE0
Mar>o )eal 4.+?= 4.4*= 4.?6= 4.+E=
Promedio 4.?C= 4.D*= 4.D4= 4.?0=
-- =.E+0 =.E*0 =.EC* =.E6=
A0ril )eal 4.6== 4.D== 4.60= 4.06=
Promedio 4.DE= 4.CD= 4.C0= 4.D4=
-- =.E+E =.E?6 =.E+C =.CED
Mayo )eal 6.=E= 6.=== 6.0*= 6.=0=
Promedio 4.E0= 4.EC= 6.=0= 4.E==
-- *.=+6 *.==4 *.=+C *.=04
;unio )eal 6.00= 6.??= 6.0E= 6.+?=
Promedio 6.*== 6.*0= 6.=E= 6.*0=
-- *.=04 *.*=6 *.=+E *.=04
;ulio )eal 6.44= 6.*+= 6.4*= 6.4D=
Promedio 6.*C= 6.*E= 6.0*= 6.04=
-- *.=6= =.ECC *.=+C *.=44
Agosto )eal 6.04= 6.=E= 6.=== 6.4C=
Promedio 6.=E= 6.*0= 6.=4= 6.*C=
-- *.=0E =.E44 =.EE0 *.=6C
-eptiem0re )eal 4.CE= 6.=6= 6.**= 4.CD=
Promedio 4.CE= 4.C+= 4.CD= 4.EE=
-- *.=== *.=4? *.=4E =.ED?
*ctu0re )eal 4.?C= 4.?4= 4.+C= 4.D*=
Promedio 4.E6= 4.CE= 4.CC= 6.=6=
-- =.E46 =.E4E =.CEC =.E++
"o'iem0re )eal 4.00= 4.0+= 4.4*= 4.40=
Promedio 4.CD= 4.C4= 4.C+=
-- =.C?D =.CD4 =.E*+
Diciem0re )eal 6.D+= 6.4== 6.4D= 6.D?=
Promedio 4.C*= 4.D0= 4.D4=
-- *.*E* *.*44 *.*64
*0C
Estadstica Aplicada
a0la 6
Clculo de la componente $stacional, S
Mes $staciones espec!ficas
Promedio de
ercio
Central
-
A/ustada
$nero *.=*E *.=+= *.==4 *.=*E *.=0
Be0rero =.E4= =.E0D =.EE0 =.E4= =.E4
Mar>o =.E+0 =.E*0 =.EC* =.E6= =.E4* =.E4
A0ril =.E+E =.E?6 =.E+C =.CED =.E+C =.E4
Mayo *.=+6 *.==4 *.=+C *.=04 *.=+= *.=+
;unio *.=04 *.*=6 *.=+E *.=4D *.=4+ *.=6
;ulio *.=6= =.ECC *.=+C *.=44 *.=4* *.=6
Agosto *.=0E =.EE4 =.EE0 *.=6C *.=*0 *.=0
-eptiem0re *.=== *.=4? *.=4E =.ED? *.=0+ *.=+
*ctu0re =.E46 =.E4E =.CEC =.E++ =.E+E =.E4
"o'iem0re =.C?E =.CD4 =.E*+ =.CD4 =.CC
Diciem0re *.*E* *.*44 *.*64 *.*64 *.*?
otal **.E64 *0.==
&e tienen los valores de y - y todo lo que queda por /acer es la estimacin de C e (.
&e supondr en esta etapa que C J 1.M. Esto representa en esencia la creencia de que el ciclo
econmico no va a tener influencia en los ingresos mensuales de la &out/ern el pr)imo a<o.
Para cada uno de los 4C meses de la tabla 0 la componente c.clica es apro)imadamente *.=.
,a componente irregular ( se puede estimar utili!ando los datos mensuales a#ustados
estacionalmente. &e suavi!an estos datos utili!ando una variante del promedio mvil de cinco
puntos utili!ado antes. El ob#etivo de estimar la componente irregular es determinar la bondad del
modelo. &i los valores de ( indican variacin aleatoria se acepta el modelo multiplicativo como
descripcin bien a#ustada y por consiguiente como dispositivo ra!onable de prediccin. Pero el
contraste de los valores de ( es un proceso complicado. 'dm.tase por tanto que el modelo utili!ado
en este anlisis es aceptable y pros.gase.
Ya con , C y - definido puede pasar a predecirse. ,a prediccin para cualquier mes es
simplemente el producto de las componentes de la tendencia c.clica y estacional para ese mes.
Esto es la prediccin dada es:
@ J . C .-
Esta prediccin es comparable a la estimacin /ec/a anteriormente. ,a analog.a est en el
supuesto de que no /ay error aleatorio. 's.:
x : : y
1 0
+
Era la estimacin de un valor particular de la variable aleatoria #( El t-rmino de error se /i!o igual a
cero. En nuestro caso se toma ( J 1.M lo que indica nuevamente que no /ay error aleatorio.
RE9I&IV: (E, C'&%
bueda as. completa la fase de estimacin y pueden predecirse ya los costos e ingresos
mensuales para los *C meses siguientes. ,os costos mensuales se proyectan aumentando el
costo total actual de M4 +0= === en =.6F al mes. Ue aqu. estas proyecciones en millones:
$ne. M4.+4 ;un. M4.46 "o'. M4.6? Mar. M4.?6
Be0. M4.+? ;ul. M4.4D Dic. M4.6C A0r. M4.?C
Mar. M4.+E Ago. M4.4E $ne. M4.?* May. M4.D=
A0r. M4.4* -ep. M4.60 Be0. M4.?+ ;un. M4.D0
May. M4.4+ *ct. M4.64
Estos son costos proyectados por mes si los dos aviones no se compran. &i se compran los
aviones la &out/ern incurre en un costo mensual adicional de 0*= === comen!ando en #ulio. Esta
adicin al costo se debe desde luego al pr-stamo necesario para a compra de los aviones y
altera las proyecciones de costo mensual en millones as.:
*0E
$ne. M4.+4 ;un. M4.46 "o'. M4.DD Mar. M4.C?
Be0. M4.+? ;ul. M4.?C Dic. M4.DE A0r. M4.CE
Mar. M4.+E Ago. M4.D= $ne. M4.C0 May. M4.E*
A0r. M4.4* -ep. M4.D+ Be0. M4.C4 ;un. M4.E+
May. M4.4+ *ct. M4.D6
,as proyecciones de ingresos se /acen con el modelo multiplicativo
@ J . C. -
&iendo
J 6D.E6 @=.*4*t
t J tiempo en a<os despu-s de *E5=
C J *.=
- J segIn lo da la tabla 4
&e van a predecir los ingresos de *C meses. ,os primeros *0 meses van /asta el a<o *E5E as.
que t J L. Para los ? meses subsiguientes se emplea t J 1M. Con t J L, se predice la componente
de tendencia del ingreso anual que da:
J 6D.E6 @ =.*4*(E" 7 M6E.00
Y del ingreso mensual:
/12 J M4.E4
2tili!ando las estacionales de la tabla 4 se obtienen las siguientes predicciones e)presadas en
millones:
$ne. M6.=4 A0r. M4.?4 ;ul. M6.*E *ct. M4.?4
Be0. M4.?4 May. M6.=E Ago. M6.=4 "o'. M4.06
Mar. M4.?4 ;un. M6.*E -ep. M6.=E Dic. M6.D+
Para los ? meses subsiguientes se emplean t J 1M y los factores estacionales de la tabla4. Esto
da:
J 6D.E6 @ =.*4*(*=" 7 M6E.+?
y
/12 J M4.E6
Por Iltimo los ingresos predic/os en millones son
$ne. M6.=6 Mar. M4.?6 May. M6.*=
Be0. M4.?6 A0r. M4.?6 ;un. M6.0=
Estas proyecciones se basan en:
@ J . C. -
Pero los ingresos reales sern:
@ J . C. -. (
Esto es teniendo en cuenta la variacin aleatoria. Esta variacin se sitIa t.picamente entre 16 por
ciento y @6 por ciento pero se /a de tener en cuenta que la fluctuacin aleatoria puede tener un
enorme efecto. En realidad puede ser la diferencia entre cumplir con los pagos del pr-stamo y el
no cumplirlos. Como las consecuencias de incumplimiento son tan graves ser.a deseable ser
prudentes en las predicciones de ingresos futuros. Esto se logra incorporando el modelo de
prediccin un valor ( menor que *.=. Como ( puede dar /asta 6 por ciento de disminucin de
ingresos se utili!a ( J M.L7. Incorporando este factor se obtienen las siguientes predicciones en
millones para los siguientes *C meses:
*+=
Estadstica Aplicada
$ne. M4.DE ;un. M4.E+ "o'. M4.=4 Mar. M4.40
Be0. M4.4* ;ul. M4.E+ Dic. M6.44 A0r. M4.40
Mar. M4.4* Ago. M4.DE $ne. M4.C= May. M4.C4
A0r. M4.4* -ep. M4.C4 Be0. M4.40 ;un. M4.E4
May. M4.C4 *ct. M4.4*
,os aspectos de clculo de este problema se completan en la tabla 6. ,a columna importante del
problema de decisin de la &out/ern es la Iltima J2tilidades acumuladasK. Lodos los valores de
esa columna deben ser positivos antes de que sea factible el plan de comparar dos aviones. En
este caso se ve que todos estos valores son positivos. Con base en las predicciones /ec/as
parece que la &out/ern puede servir la deuda ocasionada por los pr-stamos necesarios para la
compra de dos aviones.
a0la 7& Predicciones de utilidades
(En millones de dlares"
Mes
Proyectadas
+tilidades
Acumuladas
(ngresos Costos +tilidad neta
$nero 4.DE 4.+4 =.46 =.46
Be0rero 4.4* 4.+? =.=6 =.6=
Mar>o 4.4* 4.+E =.=0 =.60
A0ril 4.4* 4.4* =.== =.60
Mayo 4.C4 4.4+ =.4* =.E+
;unio 4.E+ 4.46 =.4C *.4*
;ulio 4.E+ 4.?C =.06 *.??
Agosto 4.DE 4.D= =.=E *.D6
-eptiem0re 4.C4 4.D+ =.** *.C?
*ctu0re 4.4* 4.D6 1=.+4 *.60
"o'iem0re 4.=4 4.DD 1=.D+ =.DE
Diciem0re 6.44 4.DE =.?6 *.44
$nero 4.C= 4.C0 1=.=0 *.40
Be0rero 4.40 4.C4 1=.40 *.==
Mar>o 4.40 4.C? 1=.44 =.6?
A0ril 4.40 4.CE 1=.4D =.=E
Mayo 4.C4 4.E* 1=.=D =.=0
;unio 4.E4 4.E+ =.=* =.=+
$MP:$* D$ 3A)(AB:$- A+P(:(A)$-
En el Caso se construy un modelo empleado Inicamente valores de la variable que se deseaba
predecir. ' veces este enfoque es apropiadoP las observaciones pasadas cuando se utili!an para
estimar las componentes de una serie cronolgica ofrecen suficiente e)plicacin para predecir
predicciones e)actas. 'qu. lo supuesto es desde luego que todos los factores econmicos que
influyen sobre el proceso pueden clasificarse dentro de las componentes de la serie cronolgica y
que sus efectos sobre el proceso se pueden describir como funciones del tiempo.
Pero en otros casos puede /aber maneras ms adecuadas y ms eficaces de incorporar la
influencia de las condiciones econmicas al proceso. En particular una cierta variable puede tener
efecto considerable pero su efecto puede resultar diluido por asociacin con otras variables en
una componente. Por e#emplo la componente de tendencia incorpora entre otras cosas el
tama<o de la poblacin. Puede ser que el tama<o de la poblacin solo tenga considerable poder
e)plicativo en cuanto a describir los movimientos del proceso a trav-s del tiempo. ,a e)plicacin
de la variacin del proceso por el tama<o de la poblacin puede e)ceder incluso la e)plicacin
que da las componentes de tendencia en su integridad.
&e oye con frecuencia que los economistas del gobierno proyectan movimientos en la econom.a.
Esto suele /acerse con base en Jindicadores gu.aK e)presin en la que JindicadorK se refiere a
una variable que JindicaK variaciones en el proceso econmico porque la variante indicadora y la
variable proceso econmico tienden a moverse al tiempo. ,a palabra Jgu.aK se utili!a para
*+*
significar que la variable indicadora Jgu.aK la variable del proceso en el sentido de que las
variaciones de la variable indicadora proceden en el tiempo las variaciones de la variable de
proceso.
En el tema anterior se vio el valor de aprovec/ar las relaciones entre variables en problemas de
estimacin. &e estaban /aciendo ciertas predicciones naturalmente en los temas cuando se
/icieron estimaciones de un valor particular de la variable dependiente. En esta seccin se
e)amina ms en detalle el empleo de un modelo de regresin para predicciones.
&upngase que un constructor que se especiali!a en viviendas unifamiliares y bifamiliares.
Es due<o de un terreno en el cual piensa /acer una parcelacin pero antes de invertir la
considerable suma necesaria para empe!ar la construccin quiere saber si las casas que va a
construir se vendern relativamente pronto despu-s de reali!ada su construccin.
's. podr adquirir ms capital para continuar las construcciones.
El constructor piensa que es factor muy importante en el mercado de las viviendas y en la
actividad en dic/o mercado la tasa de inter-s predominante sobre pr-stamos en primeras
/ipotecas. En particular cuando la tasa de inter-s es elevada las ventas de casas nuevas son
relativamente lentas y cuando la tasa es ba#a las ventas dic/as son bastante activas. &u decisin
depende de su prediccin de la tasa de inter-s en primera /ipoteca.
El constructor cree que los movimientos de la tasa de inter-s se pueden e)plicar bastante bien por
la tasa de inter-s preferencial y por la tasa de inter-s corriente sobre pr-stamos en primera
/ipoteca. Es decir que espera poder predecir la nueva tasa de inter-s sobre pr-stamos en primera
/ipoteca utili!ando un modelo basado en la tasa de inter-s preferencial y por la tasa de inter-s
corriente sobre primeras /ipotecas.
Recolecta entonces los siguientes datos para construir un modelo de prediccin de la tasa de
inter-s sobre primera /ipoteca.
iempo
A-A D$ ("$)I- S
PrFstamos so0re
primera =ipoteca
asa
Preferencial
1 E.== C.==
2 E.06 C.06
3 E.06 C.==
6 E.06 D.D6
7 E.== D.D6
8 E.== D.6=
9 E.== D.06
H C.D6 ?.D6
L C.D6 ?.D6
1M E.== ?.6=
&e emplear un modelo de regresin lineal mIltiple con las variables definidas as.:
3aria0le dependiente J tasa de inter-s sobre primera /ipoteca del per.odo.
3aria0le independiente J tasa de inter-s sobre primera /ipoteca del ultimo per.odo.
3aria0le independiente J tasa de inter-s preferencial del ultimo per.odo.
Esta identificacin de variables comprend.a la opinin del constructor de que la tasa de inter-s
sobre primera /ipoteca en un periodo dado puede describirse mediante una e)presin lineal en
que entren la tasa de inter-s sobre primera /ipoteca del per.odo precedente y la tasa de inter-s
preferencial del periodo precedente. 's. pues para describir el comportamiento de la tasa de
inter-s sobre primera /ipoteca #t en el tiempo t se utili!ar el modelo:
#t 7 = @ h* #t1* @ h0/t1* @
&iendo ytT1 7 tasa de inter-s sobre primera /ipoteca en el tiempo t U 1
xtT17 tasa preferencial en el tiempo t U 1
*+0
Estadstica Aplicada
Para este problema de regresin se tiene los datos siguientes:
iempo yt ytT1 xtT1
2 E.06 E.== C.==
3 E.06 E.06 C.06
6 E.06 E.06 C.==
7 E.== E.06 D.D6
8 E.== E.== D.D6
9 E.== E.== D.6=
H C.D6 E.== D.06
L C.D6 C.D6 ?.D6
1M E.== C.D6 ?.D6
'l anali!ar estos datos mediante un programa de ordenador de anlisis de regresin lineal mIltiple
(se sugiere el &P&&" se calculan los siguientes valores:
0M 7 C.44*
01 7 1=.0+D
02 7 =.+?=
)
2
7 =.??+4
) 7 =.C*46
B2.8 7 6.E*+
El valor del estad.grafo B es significante al nivel h7 =.=6 de significancia lo que da confian!a de
que el modelo proporciona una buena descripcin de los movimientos de las tasas de inter-s
sobre primera /ipoteca.
Xediante la descripcin que da el modelo de regresin mIltiple se predicen las tasas de inter-s
de primera /ipoteca con la ecuacin:
0)*,0x 0)2*+y - $).11
1 - t 1 - t
+
t
y
(e los valores que tiene el constructor para el periodo *= se predice la tasa de inter-s sobre
primera /ipoteca del periodo venidero periodo **:
y11 7 C.4** B =.0+D y1M@ =.+?=G1M
y11 7 C.4** B =.0+D 1L.MM2@ =.+?=18.7M2
y11 7 C.?4C
Como este valor es inferior a cualquiera de las die! tasas observadas en el pasado reciente el
constructor podr.a iniciar sus obras.
Este procedimiento de prediccin se /a llamado prediccin con variables au)iliares.
Es decir se /a empleado la informacin disponible en variables distintas de las que estn
prediciendo. Lodo lo dic/o en el anlisis de regresin y su uso se aplica aqu.. En particular los
comentarios /ec/os con respecto a la seleccin de variables independientes en un modelo de
regresin tambi-n son aqu. aplicables. &e tomar.an variables au)iliares que se creen relacionados
con la variable que interese.
2na observacin final sobre la prediccin utili!ando el modelo de regresin con variables
au)iliares: aqu. se emplea el mismo enfoque general de la prediccin es decir que se utili!an
datos pasados para conformar un modelo que describa el comportamiento de la variable que
interesa predecir. ,uego se utili!a ese modelo descriptivo para predecir ocurrencias u
observaciones futuras de la variable que interesa.
D$$)M("AC(," D$ AP:(CAC(*"$-
*++
,a necesidad de predecir es general en la decisin empresarial. El directivo debe estar siempre
atento a proyectar las consecuencias posibles de cada uno de los posibles cursos de actuacin.
&in embargo estas proyecciones no siempre se desarrollan utili!ando las t-cnicas vistas en este
tema porque aqu. se /an /ec/o supuestos acerca de las relaciones entre las condiciones
econmicas y la disponibilidad de los datos que bien pueden no cumplirse en una aplicacin real.
En el anlisis de series cronolgicas se identifican dos tipos de influencias sobre los datos
influencias sistemticas e influencias aleatorias. ,as fluctuaciones aleatorias se captan en la
componente irregular. ,as fluctuaciones sistemticas se clasifican en tres grupos: tendencia ciclo
y estacin pero se supone que cada grupo puede describirse por una sola variable de tiempo. ,as
componentes de tendencia c.clica y estacional son todas funciones del tiempo y el efecto de
cualquier ocurrencia o condicin econmica se supone modelado por una de estas funciones del
tiempo. Es esta una cuestin que /ay que resolver si va a aplicarse o no en el anlisis de series
cronolgicas.
2na segunda condicin del anlisis de series cronolgicas es la cantidad de datos necesarios. :o
se e)pres esto e)pl.citamente pero el anlisis /ec/o en el caso indica la necesidad de una gran
cantidad de datos. El estimar la componente de tendencia con datos anuales sugiere que debe
disponerse de datos de varios a<os. &e utili!aron 4C observaciones mensuales para estimar las
componentes estacionales pero /ubiera sido muc/o me#or disponer de una muestra todav.a ms
numerosa. Estas necesidades de datos plantean otra cuestin: S/asta dnde son estables o
estacionarias estas influencias (es decir las de tendencia c.clica y estacional" en nuestra
econom.a en rpido cambio y en nuestro medio cambianteT &on cuestiones que /ay que resolver
antes de aplicar el anlisis de series cronolgicas.
'l predecir con variables au)iliares no se concentra necesariamente la atencin en el tiempo
como factor de primera importancia sino que ms bien se trata de aprovec/ar las relaciones entre
ciertas variables econmicas y la variable que se desea predecir. Estas variables pueden
comprender valores pasados de la variable cuyo comportamiento se est tratando de predecir. El
enfoque t.pico es emplear un modelo de regresin para describir las observaciones pasadas de la
variable de inter-s. Esa descripcin se emplea luego para la prediccin de observaciones futuras.
,os supuestos necesarios para aplicar la regresin deben cumplirse aqu. para poder /acer este
tipo de prediccin.
*+4
Estadstica Aplicada
utor!a "#
"Omeros !ndices
1M.1. "*C(,"
Es una medida estad.stica dise<ada para poner en relieve cambios en una variable o en un grupo
de variables relacionadas con respecto al tiempo situacin geogrfica ingresos o cualquier otra
caracter.stica.
&eries de .ndices: Es una coleccin de nImeros .ndices para diferentes a<os lugares etc.
1M.2. AP:(CAC(," D$ :*- "NM$)*- ?"D(C$-
&irven para /acer comparaciones como:
Costos de alimentacin durante un a<o con los del a<o anterior (econom.a"
Produccin de acero de un a<o en una !ona del pa.s con otro (industria"
Inteligencia relativa de estudiantes en diferentes sitios o a<os (educacin"
,os nImeros .ndices se elaboran con el propsito de predecir condiciones econmicas o
industriales tales como: .ndices de paro de produccin salarios y otros. El ms conocido es el
.ndice de precios al consumo que prepara el I:EIP este produce aumentos salariales automticos
correspondientes a los aumentos del .ndice de precios al consumo.
1M.3. )$:AC(*"$- D$ P)$C(*-
Es el cociente entre el precio de un art.culo en un per.odo dado y su precio en otro per.odo
conocido como per.odo base o de referencia. &e supondr que los precios en cada per.odo son
constantes adems se tomar un promedio adecuado para el per.odo de modo que la suposicin
sea esencialmente vlida.
/P =
p
p
)))))))))))))))))))) (1)
n
"
(onde: pn : precio de un art.culo durante el per.odo dado
po : precio de un art.culo durante el per.odo base
(d" El resultado /abitualmente se e)presa en porcenta#e.
:otacin
' la relacin de precios de un per.odo dado y un per.odo base se denota por:
10
*+6
P
p
o n
o
0
=
p
n
En general: si pa y pb son precios de un art.culo durante los per.odos a y b respectivamente.
P
p
" :
"
0
=
p
=
$/emplo 1M.1
&uponga que el precio al consumo de un litro de lec/e en los a<os *EE= y *EEC eran de &;.=C6 y
&;.*6= respectivamente. Lomando como a<o base *EE= y luego *EEC /allar la relacin de
precios.
-oluci%n&
PE=;EC 7
- 1+, +, ) 1
$( ) 0
(0 ) 1
1''0
1''$

P
P
PEC;E= 7
- (+ (+ ) 0
(0 ) 1
$( ) 0
1''$
1''0

P
P
"ota& ,a relacin de precios para un per.odo dado con respecto al mismo per.odo es siempre
*==F o sea *==. Esto se escribe por e#emplo J*EE=7*==K para indicar que se /a tomado *EE=
como per.odo base.
1M.3.1. Propiedades de las relaciones de precios
&. pa pb pc denotan precios en los per.odos a b y c respectivamente se tiene las siguientes
propiedades para las relaciones de precios asociadas.
*. Propiedad identidad:
Pa;a 7 * o sea *==F
0. Propiedad inversa temporal:
Pa;b Pb;a 7 * es decir Pa;b 7
" :
P
0
1

+. Propiedad c.clica o circular:
Pa;b Pb;c Pc;a 7 * Pa;b Pb;c Pc;d Pd;a 7 *
4. Propiedad c.clica o circular modificada:
Pa;b Pb;c 7 Pa;c Pa;b Pb;c Pc;d 7 Pa;d
1M.6. )$:AC(*"$- D$ CA"(DAD * 3*:+M$"
En ve! de comparar precios se puede estar interesado en comparar cantidades (volImenes" de
produccin consumo o e)portacin. En tales casos /ablamos de relaciones de cantidad o
relaciones de volumen.
&e /alla mediante la siguiente frmula.
/? =
q
q
)))))))))))))))))))) (2)
n
"

donde: qn : cantidad de un art.culo que se /a producido consumido o e)portado durante el per.odo
dado.
qo : cantidad de un art.culo que se /a producido consumido o e)portado durante el
per.odo base.
*+?
Estadstica Aplicada
"otaci%n
' la relacin de cantidad de un per.odo dado y un per.odo base se denota por:
o n
o
0
=
q
n
1M.6.1. Propiedades de las relaciones de cantidad
&. qa qb qc denotan cantidades (o volImenes" en los per.odos a b y c respectivamente se tiene
las siguientes propiedades para las relaciones de cantidad asociadas.
qa;a 7 * o sea *==F
qa;b qb;a 7 * es decir qa;b 7
" :
P
0
1
qa;b qb;c qc;a 7 * qa;b qb;c qc;d qd;a 7 *
qa;b qb;c 7 qa;c qa;b qb;c qc;d 7 qa;d
1M.7. )$:AC(*"$- D$ 3A:*)
&. p es el precio de un art.culo durante un per.odo y q es la cantidad (o volumen" producida
vendida etc. durante ese per.odo.
9alor total 7 pq
$/emplo 1M.2
&. *=== litros de lec/e se venden a &;.*+= litro.
9alor total 7 pq 7 (*+="(*===" 7 &;.*+==
&. poqo y pnqn son el precio y la cantidad de un art.culo durante un per.odo base y dado
respectivamente los valores totales durante esos per.odos vienen dados por 9o y vn
respectivamente.
) * (
0 0 0 0
0 0 0

n n
n n n
p /* x /P
p
p
)
)
/;
,
_
,
_

En general: &. pa;b qa;b y va;b denota las relaciones de precio cantidad y valor del per.odo b con
respecto al per.odo a.
R9 7 9a;b 7 pa;b qa;b
&e le llama propiedad de inversin de factores.
1M.7.1. Propiedades de las relaciones de 'alor
&. va vb vc son valores en los per.odos a b y c respectivamente se cumplen las siguientes
propiedades.
va;a 7 * o sea *==F
va;b vb;a 7 * es decir va;b 7
" :
P
0
1
*+D
va;b vb;c vc;a 7 * va;b vb;c vc;d vd;a 7 *
va;b vb;c 7 va;c va;b vb;c vc;d 7 va;d
Problemas impl.citos en el clculo de nImeros .ndices
En problemas prcticos no se desea comparar los precios en a<os de un slo art.culo sino
comparar varios art.culos. &e podr.a /acer una lista con todos esos precios pero lo deseable es
disponer de un slo nImero .ndice que compare los precios en ambos per.odos en promedio.
"otaci%n
*" pn
(*"
pn
(0"
pn
(+"
i &e utili!a para identificar los precios del *
er
0
do
+
er
i art.culo durante un
per.odo dado.
0" po
(*"
po
(0"
po
(+"
i &e utili!a para identificar los precios del *
er
0
do
+
er
i art.culo durante
un per.odo base.
+" : total de art.culos.
4" p
n
2
2
N
2 ( ) ( )

1
" p " p
n n
: Es la suma de los precios de todos los art.culos durante
un per.odo dado.
6" p
o
2
2
N
2 ( ) ( )

1
" p " p
" "
: Es la suma de los precios de todos los art.culos durante
un per.odo base.
(d" anlogamente se usa para la notacin de cantidades y de valores.
1M.8. MI*D*- PA)A CA:C+:A) :*- "NM$)*- ?"D(C$-
1M.8.1. MFtodo de agregaci%n simple
:ndice de precios por agregacin simple
3P$'
p
o
=
p
))))))))))))))))))))))))) (.)
n
Des'enta/as&
*. :o tiene en cuenta la importancia relativa de los diversos art.culos.
0. ,as unidades escogidas al anotar los precios afecta al .ndice (galones libras etc.".
:ndice de la media aritm;tica simple de relaciones de precios
3M$'/
p
N
o
=
p
))))))))))))))))))))))))) (()
n
( 0 )
Des'enta/a&
:o tiene en cuenta la importancia relativa de los diversos art.culos.
:ndice de la media geom;trica de relaciones de precios
(,) )))) )))))))))) ))))))))))
p
p
)
p
p
)
p
p
=
) * (
"
) * (
n
) 2 (
"
) 2 (
n
) 1 (
"
) 1 (
n
n 3M</
Des'enta/a&
*+C
Estadstica Aplicada
:ndice de la mediana de relaciones de precios $<=R*
&e ordena las relaciones de precios y se toma el del valor central de la serie si esta es impar o la
semisuma de los dos valores centrales si la serie es par.
Des'enta/a&
$/emplo 1M.8
&upongamos que se tiene la siguiente informacin:
'f%& 0=== 7 *== 0==0
'RL_C2,%& ,ECUE
(*"
A'P'L%&
(0"
P'&'ZE
&
(+"
,ECUE
(*"
A'P'L%
&
(0"
P'&'ZE&
(+"
PRECI% *D= ?= =?= 0== C= *==

Uallar:
a" _ndice de precios por agregacin simple (IP'&"
b" _ndice de la media aritm-tica simple de relaciones de precios (IX'&R"
c" _ndice de la media geom-trica de relaciones de precios (IXQR"
d" _ndice de la mediana de relaciones de precios (IXR"
-oluci%n&
Calculando las relaciones de precio por art.culo:
,ec/e: 1$ ) 1
+0 ) 1
00 ) 2
) 1 (
2000 0 2002
P
Aapatos: ** ) 1
,0
$0
) 2 (
2000 0 2002
P
Pasa#es: ,+ ) 1
,0 ) 0
00 ) 1
) * (
2000 0 2002
P
a" - 1** ** ) 1
,0 ) 0 ,0 +0 ) 1
00 ) 1 $0 00 ) 2
2000
2002

+ +
+ +

P
P
3P$'
b"
( )
- 1*' *' ) 1
*
,+ ) 1 ** ) 1 1$ ) 1
0
2000 2002

+ +

N
P P
3M$'/
c" - 1*$ *$ ) 1 ) ,+ ) 1 )( ** ) 1 ( 1$ ) 1
*
) * (
2000
) * (
2002
) 2 (
2000
) 2 (
2002
) 1 (
2000
) 1 (
2002

,
_
,
_
,
_
N
P
P
P
P
P
P
3M</
d" - 1** ** ) 1 3M/
%rdenando las relaciones de precios por art.culo: *.*CP *.++P *.+E
El .ndice de la mediana de relaciones de precios es el valor central
1M.8.2. MFtodo de agregaci%n ponderada
Con el fin de evitar las desventa#as del m-todo de agregacin simple asignamos un peso al precio
de cada art.culo puede ser la cantidad vendida durante el a<o base durante el a<o dado o algIn
a<o t.pico (puede ser un promedio de varios a<os". Lales pesos indican la importancia del art.culo
en cuestin (denotados respectivamente por qo qn y qt".
:ndice de >aspe#res o m;todo del ao base :
*+E
38
p
p
n o
o o
= )))))))))))))))))))))))))))))) (+)
:ndice de Paasc?e o m;todo del ao dado :

3P
p
p
n n
o n
= )))))))))))))))))))))))))))))) ($)
:ndice del ao t@pico:

3$-
p
p
n t
o t
= )))))))))))))))))))))))))))))) (')
:ndice ideal de Ais?er

33(
p
p
p
p
n o
n o
n n
n n
= >6 x >P = )))))))))))))))))))))))))))))) (10) ( )( )
El .ndice ideal de Ris/er satisface los criterios de inversin temporal y de inversin de factores lo
que confiere cierta venta#a terica sobre otros nImeros .ndices.

:ndice de =ars?all4EdgeBort?
2sa un a<o t.pico en que los pesos se toman como la media aritm-tica de las cantidades del a<o
base y del a<o dadoP es decir qt 7 G(qo @ qn". &ustituyendo este valor de q en la ecuacin (E"
resulta:
3M +
p
p
n o n
o o n
+
+
= )))))))))))))))))))))))))))))) (11)
( )
( )
%bs. ,os .ndices calculados por el m-todo de agregacin ponderada tienen la desventa#a que las
unidades escogidas al anotar los precios son diferentes. E#. galones libras pares etc.
1M.8.3. MFtodo del promedio ponderado de relaciones
Estos m-todos eliminan las desventa#as de los m-todos anteriores.
=edia aritm;tica ponderada de relaciones de precios usando pesos del ao base.
M$P/ o
p p
p
p
p
o o o
o o
n o
o o
0
0 )( )
( )
=
(p
= ))))))))))))))))))) (12)
n
=edia aritm;tica ponderada de relaciones de precios usando pesos del ao dado.

M$P/ n
p p
p
o n n
n n
0
0 )( )
( )
=
(p
))))))))))))))))))))))))))))))))))))) (1*)
n
=edia aritm;tica ponderada de relaciones de precios usando pesos del ao t@pico.

M$P/ t
p p
p
o t t
t t
0
0 )( )
( )
=
(p
))))))))))))))))))))))))))))))))))))) (1.)
n
:Imeros .ndices de cantidad o volumen

:ndice de la media aritm;tica de relaciones de cantidad(
(1() )) )))))))))) )))))))))) )))))))))) )))))))))) ))))))))))
) 0 (q

n
N
3M$'/*
o
:ndice de agregacin ponderada de cantidad con pesos del ao base(

*4=
Estadstica Aplicada
3$P/* o
p
p
o
o
0
q
q
)))))))))))))))))))))))))))))))))))))))))))))))))))) (1,)
n
"
:ndice de agregacin ponderada de cantidad con pesos del ao dado(

3$P/* n
p
p
n
n
0
q
q
)))))))))))))))))))))))))))))))))))))))))))))))))))) (1+)
n
"
(d" ,as frmulas (*?" y (*D" se llaman .ndices de volumen de ,aspeyres y de Paasc/e
respectivamente.
%bs. En estas frmulas se toman los precios como pesos de forma parecida se modifican las
frmulas (E" a (*4".
$/emplo 1M.9
,a tabla siguiente muestra los precios y cantidades de consumo de gallinas en lima metropolitana
para los a<os *EEE y 0===. Lomando *EEE como base calcular el .ndice de precios para el a<o
0=== por los m-todos:
Qallina Precio
1-oles por Kilo2
Cantidad
1+nidades2
1LLL 2MMM 1LLL 2MMM
:egra
Colorada
Reproductora
?.+4
4.?0
4.*D
6.0
4.6+
4.?E
*DE =D=
+0C DD=
D+? C+D
*40 C+E
+0C ?4C
?6D *DE
Ruente: Centros de 'copio de &an ,uis Independencia &an Xiguel 'te19itarte y 'v. El &ol.
a" _ndice de precios por agregacin simple
b" _ndice de la media aritm-tica simple de relaciones de precios
c" _ndice de la media geom-trica de relaciones de precios
d" _ndice de la mediana de relaciones de precios
e" _ndice de ,aspeyres o m-todo del a<o base
f" _ndice de Paasc/e o m-todo del a<o dado
g" _ndice ideal de Ris/er
/" _ndice de Xars/all1Edge$ort/
i" Xedia aritm-tica ponderada de relaciones de precios usando pesos del a<o dado
-oluci%n&
Aallina
Precio
1-oles por Kilo2
Cantidad
1+nidades2
)p Pesos
pM pn EM En pn/pM pnEn
:egra
Colorada
Reproductora
?.+4
4.?0
4.*D
6.0
4.6+
4.?E
*DE =D=
+0C DD=
D+? C+D
*40 C+E
+0C ?4C
?6D *DE
=.C0=0
=.EC=6
*.*04D
D40D?0.C
*4CCDD6.4
+=C0*?E.6
Lotal *6.*+ *4.40 * 044 ?DD * *0C ??? 0.E064 6+*+D=D.C
Gallina
Laspeyres
Paasche Marshall
Edgewort
Pormedio
Ponderado
Pn q0 p0 q0 pn qn p0 qn pn(q0+q0) p0(q0+q0)
Negra
Colorada
Reproductora
931164
1489328
3455766
1135303.8
1518917.4
3072610.3
742762.8
1488775.44
3082169.51
905599.3
1518354
2740436
1673927
2978104
6537935
2040903
3037271
5813047
609206
1459773
3466517
Total 5876258 5726831.5 5313707.75 5164389.3 11189966 10891221 5535496
d Labla traba#ada en E)cel.
a" _ndice de precios por agregacin simple
- *1 ) '( '(*1 ) 0
1* ) 1(
.2 ) 1.
0

p
p
3P$'
n
b" _ndice de la media aritm-tica simple de relaciones de precios
*4*
- (1 ) '+ '+(1 ) 0
*
'2(. ) 2
) 0 (
0

N
p p
3M$'/
n
c" _ndice de la media geom-trica de relaciones de precios
( ) ( ) ( ) - +1 ) ', ',+1 ) 0 12 ) 1 '$ ) 0 $2 ) 0
*
) * (
0
) * (
) 2 (
0
) 2 (
) 1 (
0
) 1 (

,
_
,
_
,
_
n
n n n
p
p
p
p
p
p
3M</
d" _ndice de la mediana de relaciones de precios
- 0( ) '$ '$0( ) 0 3M/
e" _ndice de ,aspeyres o m-todo del a<o base
- ,1 ) 102 02,1 ) 1
( ) (+2,$*1
($+,2($
0 0
0

p
p
38
n
f" _ndice de Paasc/e o m-todo del a<o dado
- $' ) 102 02$' ) 1
* ) (1,.*$'
+( ) (*1*+0+
0

n
n n
p
p
3P
g" _ndice ideal de Ris/er
( ) ( ) - +( ) 102 02+( ) 1 02$' ) 1 02,1 ) 1 3P x 38 33(
/" _ndice de Xars/all1Edge$ort/
( )
( )
- +. ) 102 02+. ) 1
10('1221
111$'',,
0 0
0

+
+

n
n n
p
p
+ 3M
i" Xedia aritm-tica ponderada de relaciones de precios usando pesos del a<o dado
- 1+ ) 10. 0.1+ ) 1
( ) (+2,$*1
((*(.',
) (
) ( ) 0 (
0
0

n n
n n n
n
p
p p p
M$P/
:Imeros .ndices de valor
:ndice de agregacin simple de Calor(
3$'/;
n
o

p
p

n
"
donde:
poqq : 9alor total de todos los art.culos en el per.odo base.
pnqn : 9alor total de todos los art.culos en el per.odo dado.
1M.9. CAMB(* D$ BA-$ $" :*- "NM$)*- ?"D(C$-
Consiste en dividir todos los nImeros .ndices para los diversos a<os correspondientes al per.odo
base antiguo por los nImeros .ndices correspondientes al nuevo per.odo base e)presando los
resultados en porcenta#es.
Este m-todo es aplicable slo en los nImeros .ndices que satisfacen el criterio circular.
's.:
p#;* 7 p*;p# 7 p* 7 p8;* etc.
p#;8 p8;p# p8
1M.H. D$B:AC(," D$ -$)($- $" $: ($MP*
*40
Estadstica Aplicada
' veces los ingresos crecen tericamente pero no real porque el aumento de sus ingresos no crecen
como crece el costo de vida por lo cual /ace que disminuya el poder adquisitiCo.

El ingreso real se obtiene dividiendo el ingreso aparente entre el nImero .ndice del costo de vida en
el a<o.
$/emplo 1M.H
&. los ingresos de una persona en *EED son el *6=F de sus ingresos en *EE6 (/a crecido el 6=F" y
el costo de vida se /a doblado (IC970==F"
IR*EED 7
200
1(0
7 =D6 7 D6F lo que era en *EE6
*4+
A+*$3A:+AC(,"
( " El ciclo es una de las componentes de la serie de tiempo.
( " ,a estacin describe los movimientos ascendente y descendente debido al
tiempo o la estacin del a<o.
( " ,a necesidad de predecir es general en la decisin empresarial.
( " El .ndice de precio de ,ayperes es un m-todo de agregacin no ponderado
( " En ingreso real se obtiene dividiendo el ingreso aparente entre el nImero
.ndice del costo de vida en el a<o.
0. ,os siguientes datos corresponden a la e)portacin mensual de esprragos en conserva
(LX" en *EEE. &i adems se sabe que 2,110
i i
X 5
y
2
110
i
X
Xeses Ene. Reb. Xar!. 'br. Xay. Zun. Zul. 'gos. &et. %ct.
Exportacin i *.+C *.*+ *.=? *.04 *.*? *.00 *.04 *.*C *.04 *.?*
a" Qraficar la serie de los datos
b" Sbu- valor tiene la variable 5T Y construir la ecuacin de tendencia lineal. Interprete los
resultados de la ecuacin de tendencia. Sbu- tipo de tendencia tieneT
c" Realice el pronstico de la e)portacin de esprragos para los meses de noviembre
diciembre y enero de 0===.

+. En el cuadro siguiente se tiene de la e)portacin de Uarina de Pescado en el per.odo
*ECC B *EED. (eterminar los correspondientes nImeros .ndices para cada uno de los die!
a<os utili!ando como a<o base:
a" *ECC b" *EE* e" Interpretar
c" *EE4 d" *EED
ADos salarios
1LHH J 1MMS
(ndices
1LL1 J 1MMS 1LL6 J 1MMS 1LL9 J 1MMS
*ECC
*ECE
*EE=
*EE*
*EE0
*EE+
*EE4
*EE6
*EE?
*EED
DEC
***D
***4
**6*
*=CC
*DC6
006+
*DDC
*6??
*?DD
4. En la tabla siguiente se tienen los precios promedios en dlares y las cantidades de
consumo promedios en 8ilogramos de un art.culo desde *EC= a *EC0. Lomando como base el
a<o *EC= calcular los .ndices de precios de cantidades y los valores para *EC* y *EC0.
'<o Precio M Cantidad cg. _ndice
precios
_ndice cantidad _ndice
valor
*EC=
*EC*
*EC0
*6
0=
06
?.6
D.4
D.C
*44
Estadstica Aplicada
6. En el siguiente cuadro se dan los promedios de los salarios en dlares de los
traba#adores de una empresa de *ED6 a *EC+.
Calcular los correspondientes nImeros .ndices para cada uno de los nueve a<os utili!ando
como a<o base:
a" *ED6 b" *EDC c" *EC+
'<os salarios
*ED6 7 *==
Indices
*EDC 7 *== *EC+ 7 *==
*ED6
*ED?
*EDD
*EDC
*EDE
*EC=
*EC*
*EC0
*EC+
+*=
++=
+D=
+C=
4+=
46=
4C=
64=
6D=
*46
$;$)C(C(*- P)*P+$-*-
P)(M$)A +"(DAD
En cada uno de los e#ercicios interprete su resultado.
*. bueremos conocer con el E=F de confian!a el peso medio de los empleados de cierta
empresa. En una encuesta entre dic/os empleados y en una muestra de 46 de ellos se
encontr un peso medio de ?C 8ilos. &i la desviacin estndar de los pesos de todos los
empleados de la empresa es *4 8ilos determine los l.mites del intervalo buscado.
0. 2n estudiante desea conocer el gasto medio por usuario en la cafeter.a de su universidad.
&elecciona para ello una muestra al a!ar de 46 usuarios encontrando en ella un gasto medio
de &;.+=. &i aceptamos por encuestas anteriores la desviacin estndar del gasto de los
clientes de la cafeter.a en &;.C Scules sern los l.mites del C6F para el gasto medioT
+. En un e)perimento el tiempo promedio para que C fusiles se quemen cuando soportan un 06F
de sobrecarga fue *06 minutos con desviacin estndar de 0+ minutos. (etermine el
intervalo del EEF de confian!a para el tiempo promedio que este tipo de fusibles tarda en
quemarse cuando soporta un 06F de sobrecarga.
4. En una parada principal de camiones se /a llevado registros detallados de varias transacciones
con los clientes. En una muestra aleatoria de 06 de estos registros se encuentra una venta
promedio de 046 galones de combustible con desviacin estndar de +C galones. Construya el
intervalo del E6F de confian!a para la media poblacional correspondiente si se acepta que las
ventas siguen una distribucin normal.
6. Cinco recipientes de un disolvente comercial tomados al a!ar de un gran lote de produccin
pesan +6.6P +6.+P +?.=P +6.=P y +6.C libras. Construya el intervalo del EEF de confian!a para el
peso medio de todos los recipientes de donde fue e)tra.da la muestra.
?. En una muestra de *C tubos de televisin la vida Itil media de operacin es E=== /oras con
desviacin estndar de ?== /oras construya el intervalo de confian!a del EEF para la vida
media de la poblacin si en este caso la vida Itil de operacin de todos los tubos no pueden
suponerse normalidad distribuida.
D. &uponga que desea estimar la venta media por distribuidor de un producto determinado en el
transcurso del a<o pasado. (etermine el intervalo de confian!a del E6F si se supone que las
cantidades de venta de una muestra de 06 vendedores tienen una media de M ?6== y una
desviacin estndar de M+6=.
C. &e toma una muestra al a!ar de +C alumnos provenientes de una clase de 0== estudiantes
encontrndose en ello un punta#e medio de D= puntos con desviacin estndar de *= puntos en
la calificacin calcule el intervalo de confian!a del C6F para la calificacin de todos los
estudiantes.
E. En una muestra al a!ar de 06 presidentes de corporaciones industriales se encontr que *?
ten.an estudios superiores. (etermine la estimacin del intervalo del ECF de confian!a para la
proporcin de todos los presidentes de corporaciones industriales que tienen estudios
superiores.
*=. &e seleccion una muestra de += docentes de la 2niversidad Peruana 2nin con el ob#eto de
estimar la e)periencia docente media de ellos. ,os resultados obtenidos en la muestra (en
a<os" fueron:
4 4 ? 0 + 4 ? 0 4 +
? 4 + 4 4 D + 4 6 ?
* ? 4 6 4 + 0 4 + 4
2tili!ando la informacin anterior:
a" Estimar puntualmente la media y la desviacin estndar poblacional. Interpretar.
b" %btener un intervalo con un EEF de confian!a para estimar la e)periencia docente media
de los profesores de la universidad Peruana 2nin.
*4?
Estadstica Aplicada
**. &e toma una muestra aleatoria de 46 alumnos de una poblacin de estudiantes de estad.stica
de 00* alumnos la cual arro#a una media de D= puntos y una desviacin estndar de E
puntos.
a" Estimar puntualmente el parmetro.
b" Estimar un intervalo de confian!a del ECF para la media de los 00* alumnos.
*0. ,as estaturas de *== estudiantes de la Racultad de Ciencias Contables y 'dministrativas
representan una muestra aleatoria de las estaturas de los estudiantes matriculados. &i la
media de la muestra es de *?E metros y la desviacin estndar es de D cent.metros. Calcular
un intervalo de confian!a del EEF para estimar la estatura media de los estudiantes de la
facultad.
*+. 2na muestra aleatoria de 6= calificaciones de un test mental arro#a una media de D6 y una
desviacin estndar de *=. Calcular un intervalo de confian!a del E6F para estimar la media de
las calificaciones.
*4. 2tili!ando la informacin del problema (*+" diga 2d. con qu- grado de confian!a la media de
las calificaciones es D6 g *.
*6. (e una muestra aleatoria de ?4 ve/.culos de transporte urbano se /a calculado que el nImero
medio de pasa#eros que suben por 8ilmetro es de +6. Estudios anteriores arro#an una
desviacin estndar de la poblacin de *? pasa#eros por 8ilmetro. Construya un intervalo de
confian!a del E6F para el nImero medio de pasa#eros por 8ilmetro para la poblacin.
*?. ' 6= vendedores de la compa<.a ' y 6= de la compa<.a 3 se les someti a la misma prueba
de inter-s vocacional obteni-ndose los siguientes resultados:
Compa<.a ' Compa<.a 3
5* 7 D+?
&* 7 *=
50 7 D04
&0 7 C
Uallar un intervalo de confian!a del E=F para estimar la diferencia verdadera en puntuacin
media entre los vendedores de las compa<.as ' y 3.
*D. En una campa<a electoral una encuesta previa a las elecciones /ec/as entre *== electores
dio al candidato Zuan P-re! el ?=F del electorado a su favor. Construya un intervalo de
confian!a del ECF para la proporcin del electorado en favor de Zuan P-re!.
*C. 2n gran comerciante de ropa al por menor reali! un estudio para comparar la efectividad de
un anuncio en el peridico en una de dos ciudades grandes. &e public un anuncio e)tenso
en el peridico ms importante de cada ciudad. 2na organi!acin de investigacin de
mercado reali! inmediatamente despu-s una encuesta telefnica con *=== personas
seleccionadas al a!ar que viven en un rea suburbana de ingresos medios y altos en cada
una de las dos ciudades a fin de determinar la proporcin que ley el anuncio en cuestin.
,as proporciones eran:
pj* 7 =*C y pj0 7 =*4. (etermine un intervalo de confian!a de E6F para la diferencia en las
proporciones de los adultos que leyeron el anuncio.
*E. &e reali! una auditor.a para estimar la diferencia en el promedio de la reduccin porcentual
(debida a robos da<os etc." en el inventario de dos grandes almacenes. &e seleccionaron al
a!ar cien art.culos de cada almac-n y se registr el porcenta#e de cada uno disponible
realmente en comparacin con el total indicado en los registros de inventario. ,a media y la
desviacin estndar de la reduccin porcentual para los *== art.culos aparecen en la
siguiente tabla para cada almac-n. Estime la diferencia en el promedio de la reduccin
porcentual entre los dos almacenes utili!ando un intervalo de confian!a del E6F. Interprete.

'lmac-n * 0
Lama<o muestral
media muestral
desviacin estndar
*==
6+
0D
*==
?4
0E
0=. &uponga que usted es uno de los ?==== aficionados al fItbol que asistieron a un gran
estadio. Ua tomado una muestra aleatoria de ?6= aficionados y encontr que 00= de ellos
*4D
eran mu#eres. Estime la proporcin poblacional del nImero de mu#eres asistentes mediante
un intervalo de confian!a del E?F.
0*. 'nte las continuas que#as que recib.a el Zefe de oficina de que su secretaria se dedicaba gran
parte del tiempo a tareas a#enas a su traba#o efectu una serie de 06= observaciones al a!ar
sobre la labor que ella estaba desempe<andoP D6 de ellas indicaban que la secretaria se
encontraba en estado no productivo. Podr.a usted se<alar con el E6F de confian!a Sbue
proporcin de la #ornada de traba#o la secretaria se encontraba en estado no productivoT
00. &e /i!o un estudio de las causas de fracaso con una muestra de 4== peque<as empresas
durante el a<o *EE?. &i 0?4 de estas empresas ten.an activos fi#os superiores al D6F del
valor total en el momento del fracaso. Ualle un intervalo de confian!a del E6F para la
verdadera proporcin de peque<as empresas que fracasaron ese a<o y cuyos activos fi#os
superaban el D6F del valor total en el momento de fracasar.
0+. 2na muestra aleatoria de 6== muertes de peatones en una gran rea suburbana se /all que
*0= v.ctimas estaban cru!ando la calle por fuera de un cruce se<alado o bien por el medio de
la man!ana. Uallar un intervalo de confian!a del EEF de la verdadera proporcin de muertes
de peatones en esa rea suburbana en que los peatones cru!an una calle por paso sin
se<alar o por el medio de una man!ana.
04. Cierta compa<.a desea conocer la diferencia entre los salarios medios correspondientes a los
turnos diurnos y nocturno de los empleados que prestan servicios en ella. En una muestra de
6= empleados del turno diurno se encontr un salario medio de &;.?== con una desviacin
estndar de &;.*+6. En una muestra de ?= empleados del turno nocturno se encontr un
salario medio de &;. D6= con desviacin estndar de &;.0*=. Sbu- podr.a afirmar usted con el
E=F de confian!a con relacin a la diferencia de salarios medios de los empleados en ambos
turnosT
06. 2na muestra de 0== pilas de la marca ' para radio transistores tiene una vida media de *?=
/oras con desviacin estndar de *0 /oras y una muestra de *+= pilas a la marca 3
proporciona una vida media de *0C /oras con desviacin estndar de *= /oras. (etermine el
intervalo de confian!a del E6F para la diferencia de la vida media entre las pilas de las marcas
' y 3.
0?. En una muestra de *0 facturas correspondientes a la venta del fin de semana se encontraron +
de ellas con errores pero en una muestra de *6 facturas correspondientes a las ventas del
principio de semana se detectaron 6 de ellas con errores. Sbu- podr.a usted afirmar con el EEF
de confian!a respecto a la diferencia de proporciones de facturas con errores entre ambos
grupos de d.as de la semanaT
0D. En un banco ' se seleccion una muestra sencilla de +6= personas entre sus numerosos
cuentacorrentistasP simultneamente el banco 3 seleccion una muestra sencilla de *C=
personas entre sus numerosos cuentacorrentistas. &e detect que D= personas del banco ' 4C
del banco 3 pertenecientes a las muestras respectivas estaban utili!ando en forma regular otros
servicios que ofrec.a el banco del que eran clientes. Estime con el E0F de confian!a la
diferencia entre las proporciones de clientes con cuentas corrientes en los bancos ' o 3 que
utili!an regularmente otros servicios ofrecidos por los bancos.
0C. 2na muestra sencilla de 06= ciudades seleccionadas de la produccin del turno de d.a
contienen 00 unidades defectuosas mientras que en una muestra sencilla de 06= unidades
seleccionadas de la produccin del turno nocturno contiene +? unidades defectuosas.
Estime la diferencia en la proporcin de unidades defectuosas entre los turnos de d.a y de la
noc/e con un intervalo de confian!a del ECF.
0E. &e /a /allado que 4 de las *? pantallas para L9: tomadas de las producidas por el proceso '
ten.an defectos y dos de las *0 tomadas de las producidas por el proceso 3. (etermine la
estimacin para la verdadera diferencia entre las proporciones de pantallas defectuosas
producidas por cada uno de los procesos ' y 3 con el EEF de confian!a.
+=. (eseamos estimar la diferencia entre los efectos producidos por una p.ldora para dormir en
/ombres y mu#eres. Lomemos una muestra de +? /ombres y en ella se obtiene una media
muestral de CD6 /oras con varian!a E mientras que en una muestra de ?4 mu#eres se obtiene
*4C
Estadstica Aplicada
una media muestral de D06 /oras con varian!a de 4. (etermine los l.mites del intervalo del
E6F de confian!a para la verdadera diferencia entre las /oras promedio de sue<o entre /ombre
y mu#eres.
-$A+"DA +"(DAD
*. El resultado promedio sobre una prueba de aptitud tomada a nivel nacional fue de D? puntos y
la desviacin estndar correspondiente fue de C puntos. Con el fin de evaluar el estado del
sistema de educacin se escogieron al a!ar *== estudiantes de una localidad. Estos
obtuvieron un promedio de D0 puntos. 2tili!ando un nivel de significacin del 6F Puede
concluir que los resultados locales difieren significativamente del promedio nacional.
0. 2n bibliotecario universitario est interesado en determinar su /a cambiado o no el nImero
promedio de libros que cada estudiante saca por visita. 'nteriormente se sacaba un promedio
de +6 libros. &in embargo en una muestra de += estudiantes dio un promedio de 40 libros por
visita con una desviacin estndar de *C libros. 2tili!ando 7==6 el bibliotecario podr
concluir que /a cambiado el promedio de libros sacados por visita.
+. Cierta compa<.a compra un gran lote de cables de acero indicando que la resistencia media
deseada a la traccin era de *0=6 libras con desviacin estndar *C libras. 3asndose en la
inspeccin de *== cables en la muestra se encontr que la media a la traccin era de **6
libras. S'ceptara el comprador la mercader.a al nivel de significacin 6FT
4. Cierta empresa sostiene que tiene un sistema de entrenamiento mediante el cual puede me#orar
el ritmo de traba#o de una secretaria en 4= palabras por minuto. 2sted que /a permitido que *0=
de las secretarias de su empresa sigan el curso /a observado que la me#ora /a sido
Inicamente de +C6 palabras con desviacin estndar C palabras en una muestra de D= de
ellas. (etermine si lo afirmado por el responsable del sistema de entrenamiento est o no
sobreestimado al utili!ar los niveles de significacin del *F y del 6F.
6. &uponga que un grupo de secretarias escribe un promedio de 6= palabras por minuto. 2n grupo
de secretarias de una determinada escuela presenta la velocidad de palabras por minuto
siguiente: 66 C6 6= ?= 46 6= D6 ?6 C= ?= D6 6= C= C= 6= C=. SPodr.amos aceptar al
nivel del *F que esta escuela gradIa me#orar secretariasT
?. 2n proveedor vende fibras naturales a una fbrica se<ala que las fibras tienen una resistencia
media de ++ libras y una varian!a de ?4. 2na muestra aleatoria de 06 libras da una resistencia
media de += libras. El comprador sostiene que la resistencia media de todas las fibras del
embarque es de += y no de ++ libras como pretende el vendedor. Sbu- opinar usted al nivel
del 6FT
D. ,a empresa que fabrica cierta clase de tubos fluorescentes pretende que tienen la vida
promedio de *?== /oras con desviacin *?= /oras pero una muestra aleatoria de ?4 tubos dio
una media de *64= /oras. SEstar.a usted de acuerdo con el fabricante a un nivel del 0FT
C. &e /a dise<ado un camin para trasladar ?C tn. de tierra por via#e. En una operacin de ensayo
se /icieron *0= cargas como muestra que arro#aron una media de ?= toneladas con una
varian!a de 006. 3asndose en la informacin de la muestra descartar usted la /iptesis nula
a favor de algunas de las /iptesis alternativas siguientesT
a" media menor de ?+ nivel del 6F
b" media menor de ?+ nivel del *F
b" media diferente de ?+ nivel del 6F
E. 2n %rganismo Qubernamental de Control anali!a una muestra de +? paquetes de carne que
vende el supermercado. El rtulo de cada paquete dice ]no contiene ms de 06F de grasa].
Puede el %rganismo Qubernamental concluir que la carne que vende el supermercado tiene
ms del 06F de grasa si la muestra arro#a un contenido medio de =0?6 con desviacin
estndar ==CT 2tilice nivel 6F.
*=. En cierto modelo de automviles se afirma que el 8ilometra#e medio es de *0 8ilmetros por
litro de gasolina corriente. 2n organismo de defensa del consumidor piensa que ese
8ilometra#e es e)agerado. :ueve automviles de este modelo son conducidos del mismo
modo con un litro de gasolina corriente. ,os 8ilmetros recorridos por los diversos
*4E
automviles son *0P **P *=.6P **.6P **P *0.6P *=P *=.6P **.+. 'l nivel del *F Sbu- conclusin
deber llegar el organismo de defensa del consumidorT
**. &uponga el promedio de clientes que entran a una tienda por d.a era de *D6 se /ace una
campa<a publicitaria durante D semanas. (urante la campa<a el promedio de clientes aument
a *C* por d.a con varian!a 44*. S'ument en forma significativa el nImero de clientes que
entran a la tienda gracias a la campa<a al nivel del *F o al nivel del 6FT
*0. 2na muestra aleatoria de 6== alumnos de la 2niversidad Peruana 2nin da *== alumnos en el
primer ciclo. El (irector de 3ienestar Estudiantil afirma que la proporcin de alumnos de primer
ciclo es de slo *6F. 2sando 7 ==* puede concluir que es correcta la afirmacin del (irector
de 3ienestarT
*+. 'pro)imadamente * de cada *= consumidores favorecen el refresco de cola marca '. (espu-s
de una campa<a de promocin en una regin de ventas dada se seleccion aleatoriamente
0== bebedores de ese producto de los consumidores en el rea del mercado se les entrevist
para determinar la efectividad de la campa<a. El resultado de la encuesta mostr que un total
de 0? personas e)pres su preferencia para la bebida marca '. S&on los datos suficientes para
indicar un aumento en la aceptacin de la marca ' en la reginT
*4. Cierta L9 afirma que el D=F de los aparato de L9 sintoni!an un programa especial su
competidor pone ello en duda y al tomar una muestra aleatoria de 06= familias encuentra una
proporcin del ?CF SPuede el competidor al nivel del 6F afirmar que su supuesto era vlidoT
*6. 9arios a<os de e)periencia /an se<alado que la mquina :H+? en promedio produce un *=F
de art.culos defectuosos. El ingeniero de control de calidad sospec/a que kltimamente la
calidad de producto manufacturado se /a deteriorado. Loma una muestra aleatoria de *==
unidades y encuentra *4 defectuosos. 'l nivel del 6F Sa qu- conclusin debe llegar el
ingenieroT
*?. ,a proporcin de audiencia en L9 que ve cierto programa fue del 6=F segIn se /a encontrado
previamente. &e sospec/a que la proporcin /a ba#ado al 4=F. 2na muestra de *==
televidentes a quienes se entrevist dio como resultado 46 ve.an el programa. 'l nivel del 06F
concluiremos que la proporcin /a ba#ado realmente al 4=FT
*D. 2n editor asegura que los estudiantes que reciben instruccin en matemticas usando un nuevo
te)to obtendrn me#or rendimiento que los que usan el te)to antiguo. &e seleccionan
aleatoriamente +? estudiantes de cada tipo obteni-ndose la siguiente informacin:
:uevo Le)to Le)to antiguo
5*7 C+
&* 7 D
50 7 DE
&0 7 6
2sando un nivel de significacin del *F puede 2d. concluir que la aseveracin del editor es
correcta.
*C. 2n profesor de estad.stica dividi a los alumnos de contabilidad en dos grupos cada uno con +?
estudiantes al primer grupo se le asign un ambiente cmodo con todos los implementos necesarios
para utili!acin de material didctico al segundo grupo se le asign un ambiente usado
comInmente al final del ciclo se obtuvieron los siguientes resultados:
Qrupo * Qrupo 0
5*7 *D
&* 7 D
50 7 *4
&0 7 6
2sando 7==* podr.a asegurar que el rendimiento de ambos grupos son iguales.
*E. &e present un mismo e)amen a dos grupos diferentes. El primero de 4C alumnos con
rendimiento D0 puntos y la desviacin *0. El segundo con +? estudiantes media D6 y
desviacin ?. SUay al nivel del 6F diferencia significativa entre las medias obtenidasT
*6=
Estadstica Aplicada
0=. 2na persona posee dos gran#as. El peso medio de *= pavos de la primera fue *4+6 libras con
desviacin 06 libras mientras que en la segunda 0= pavos tuvieron peso medio *0*E lbs. con
desviacin dos libras. SUabr diferencia significativa entre las medias obtenidasT
0*. ' un grupo de personas se le aplic un test de aptitud acerca de tema pol-mico. ,uego el grupo
asisti a la proyeccin de una pel.cula favorable al tema y acto seguido se le propuso el mismo
test. ,os resultados fueron:
'ntes: *? *C 0= 04 04 00 0= *C *= C 0=
(espu-s: 04 0= 04 0C += 0= 04 00 *C *C 04
Contrastar al *F.
00. ' *= /ombres #venes se los someti el e#-rcito a un programa de entrenamiento f.sico
intensivo. &e anotaron sus pesos antes y despu-s del programa encontrndose:
'ntes: *0D *E6 *?0 *D= *4+ 0=6 *?C *D6 *ED *+?
(espu-s: *+6 0== *?= *C0 *4D 0== *D0 *C6 *E4 *4*
'l 6F Safecta el programa el pesoT
0+. 2na gran casa de descuento anuncia que sus precios son inferiores a los de su competidor
ms fuerte. Para probar la valide! de su declaracin se seleccionan al a!ar *6 art.culos y se
comparan. ,os resultados son los siguientes:
Casa de
descuento
Competidor
+DD
D6=
4E6
+*C
6DD
04E
CDD
?EC
0EE
*EC
=4E
66=
=CE
?4E
64E
+E6
DD6
4EE
+06
6EC
0+E
E4E
?4E
0E6
04E
=60
6C0
=EC
???
666
SCul es su conclusin para 76FT
04. 2n fabricante modific una l.nea de produccin para reducir el promedio de la fraccin de
defectuosos. Para determinar si la modificacin fue efectiva el fabricante sac una muestra
aleatoria de 4== art.culos antes de la modificacin de la l.nea de produccin y otra muestra
aleatoria de 4== art.culos despu-s de tal cambio. ,os porcenta#es de defectuosos en las
muestras eran:
antes: 606F
despu-s: +6 F
a" Sbu- tendr que escoger el fabricante como /iptesis alternativa si la modificacin no
pudiera incrementar la fraccin de defectuososT Sbu- escoger.a para la /iptesis nulaT
=) ,leve a cabo la prueba utili!ando 7 ==6. Interprete.
06. 2na muestra de 4== amas de casa se<ala que el 0=F prefer.a cierta marca de detergente a
las dems. (espu-s de una gran campa<a por radio y L9 se seleccion otra muestra de ?=
amas de casa la que dio el 00F de preferencia para la misma marca anterior. 'l nivel del
*=F rec/a!ar la /iptesis de que la campa<a fue inefica!T
0?. El &r. P-re! tiene dos grupos de alumnos el ' y el 3. &omete a un entrenamiento especial al '
pero no lo /ace con el 3. 'l final del curso *=C de los *0= estudiantes del ' aprobaron el curso
*6*
mientras que ?C de los C= del 3 lo /icieron. Probar la /iptesis al 6F de que el entrenamiento
especial ayud a los del grupo '.
$)C$)A +"(DAD
*. En *0 depsitos al por menor se establecieron cuatro tipos de e)/ibiciones de publicidad con
tres depsitos asignados en forma aleatoria a cada una de las e)/ibiciones con el propsito
de estudiar el impacto de la e)/ibicin en el punto de venta. Refiri-ndose a la tabla siguiente
pruebe la /iptesis de que no e)isten diferencias entre las medias de los valores de venta
para los cuatro tipos de e)/ibiciones usando un nivel de significacin del 6F.
3$"A- D$ AC+$)D* A :A $P<(B(C(,"
D$ P+B:(C(DAD
ipo de
eG=i0ici%n
3entas
3entas
totales
'* 4= 44 4+ *0D
'0 6+ 64 6E *??
'+ 4C +C 4? *+0
'4 4C ?* 4D *6?
0. ,a tabla siguiente presenta los datos de venta para un producto de consumo en oc/o
regiones seleccionadas aleatoriamente. Pruebe el efecto de los dos factores y de la
interaccin entre los dos factores sobre los niveles de venta semanales usando un nivel de
significacin del *F.
3$"A- -$MA"A:$-, $" M(:$- D$ D,:A)$-, C*" @ -("
P+B:(C(DAD @, C*" @ -(" D$-C+$"* $" :*- P)$C(*-
Descuento en
los precios
Pu0licidad
otal,
/
Con -in
Con EC
*=?
?=
6+
+*D
&in ?0
D*
4+
+E
0*6
Lotal L8 ++D *E6 Qran total
L76+0
+. ,os modelos producidos por cuatro dise<adores de automviles son evaluados por tres
peritos distintos como se indica en la siguiente tabla. Pruebe la /iptesis de que las
clasificaciones promedio de los dise<os no son diferentes usando un nivel de significacin del
*F.
C:A-(B(CAC(*"$- D$ :*- D(-$V*- D$
A+*M,3(:$-
Perito
DiseDador
otal,
/
1 2 3 6
' CD DE C+ E0 *0D
3 C+ D+ C6 CE *??
*60
Estadstica Aplicada
C E* C6 E= E0 *+0
Lotal L8 0?* 0+D 06C 0D+ Qran total
L7*=0E
4. &upngase que queremos comparar la accin limpiadora de tres detergente con base en las
siguientes lecturas de blancura en *6 muestras de tela blanca que primero se manc/aron con
tinta c/ina y despu-s se lavaron en una mquina tipo agitador con los detergente respectivos.
Pruebe al nivel de significacin de =.=* si las diferencias entre las medias de las lecturas de
blancura son significativas
D$$)A$"$ A 99 H1 91 98 HM
D$$)A$"$ B 92 7H 96 88 9L
D$$)A$"$ C 98 H7 H2 HM 99
6. Completar la siguiente tabla de anlisis de varian!a (':9'"
R2E:LE
9'RI'CI%:
&2X' (E
C2'(R'(%
&
QR'(% (E
,I3ERL'(
XE(I'
C2'LR'(LIC'
R
Lratamiento 0
Error E *=
Lotal *0=
?. ,os siguientes son los nImeros de /ornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compa<.a distribuidora de art.culos dom-sticos
-+C+)-A: A:BA 21 11 19 2H
-+C+)-A: B$A 29 17 1H 28 19 21
-+C+)-A: AAMMA 26 19 31 12 17
Realice un ':9' para probar con un nivel de significancia de =.=6 si la /iptesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
D. 2n investigador reali! un e)perimento para evaluar los efectos de 4 drogas diferentes sobre
los tiempos de reaccin en seres /umanos. ' cuatro su#etos de cada uno de los 6 grupos de
edades que form se le asigno una de las cuatro drogas. ,a siguiente tabla da los tiempos de
reaccin ante determinado est.mulo despu-s de /aber sido aplicadas las drogas (los datos se
/an codificado para facilitar los clculos". (espu-s de eliminar el efecto de la edad Spuede el
investigador concluir que las drogas tienen diferentes efectosT
Qrupo
edad
(R%Q'
' 3 C (
*
0
+
4
6
? D 4 D
? C E E
E *0 C ?
C E 6 E
C *= D ?
C. 2n e#ecutivo de mar8eting llev a cabo un estudio para e)aminar el efecto comparativo de +
t-cnicas diferentes de promocin en 4 !onas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguientes. (eterminar las conclusiones a las que puede llegar usando
los resultados de la tabla ':9' y formule en forma clara las /iptesis de contraste.
R2E:LE
9'RI'CI%:
&2X' (E
C2'(R'(%&
QR'(% (E
,I3ERL'(
XE(I'
C2'(R'LIC'
R
Entre t-cnicas
promocionales
D.4C
Entre !onas de
ventas
+
Error +.E= ?
Lotal **.4* **
*6+
C+A)A +"(DAD
*. 3asado en un nuevo enfoque tecnolgico un fabricante /a desarrollado un televisor en colores
con un tubo de +? pulgadas. El propietario de un peque<o almac-n minorista estima que al
precio de venta de M*C== los valores de probabilidad asociados con el /ec/o que -l venda
0+4 6 televisores durante los tres meses que nos interesan son =+= =4= =0= y =*=
respectivamente. Con base slo en estos valores de probabilidad Sbu- nImero de televisores
deber.a pedir el minorista para tener en inventario suponiendo que no se pueden efectuar
nuevas rdenes durante el per.odoT
0. Para la situacin de decisin de inventarios del problema (*" el margen de utilidad para cada
televisor vendido es M0==. &i no se venden algunos televisores durante los tres meses la
p-rdida total por aparato para el minorista ser de M+==. 3asndose slo en consecuencias
econmicas determine los me#ores actos de decisin desde el punto de vista de los criterios
ma)imin ma)ima) y la pena minima)
+. Con referencia al e#ercicio (*" y (0" determine el me#or acto desde el punto de vista del criterio
bayesiano y la pena esperada de oportunidad.
.) ,a tabla siguiente presenta los valores condicionales (retornos" asociados con cinco tipos
alternativos de decisiones de inversin para un per.odo de * a<o. (ado que las
probabilidades relacionadas con los posibles enunciados no estn disponibles determine los
me#ores actos desde el punto de vista de los criterios: ma)imin ma)ima) pena minima).
$stado de la
econom!a
Decisi%n de in'ersi%n
Cuenta
de
a=orros
Bonos
corporati'o
s
3alores1r
a clase
Acciones
especulati'a
s
Acciones
opcionales
E*:Recesin
E0:Estable
E+:E)pansin
M?==
?==
?==
M6==
E==
E==
M(06=="
C==
4===
M(6==="
4==
*====
M(*===="
(6=="
0====
6. 2n analista de inversiones estima que e)iste cerca de 6=F de probabilidad de un ]vuelco
/acia arriba] en la industria qu.mica durante el *er trimestre del a<o y que las probabilidades
de que ]no /aya cambio] y de que se presente ]un vuelco /acia aba#o] sean iguales. 2n
cliente est considerando invertir ya sea M*==== en un fondo mutuo que se especiali!a en
acciones comunes de la industria o invertir en bonos corporativos de la categor.a ''' que
producen CF al a<o. &i la industria qu.mica e)perimenta un vuelco /acia arriba en el *er
trimestre el valor de las acciones del fondo mutuo (incluyendo dividendos" aumentar en *6F
durante los pr)imos *0 meses. &i no /ay cambio el valor aumentar en +F. &i se presenta
un vuelco /acia aba#o el valor disminuir en *=F. &in considerar los costos de comisin
construya una tabla de decisin para este problema de inversin.
?. Para el e#ercicio (6" determine el me#or acto desde el punto de vista de los criterios: ma)imin
ma)ima) pena minima) bayesiano y pena esperada de oportunidad.
D. 2n comerciante minorista compra un cierto producto en M+ la ca#a y lo vende a M6 la ca#a. El alto
margen de ganancia refle#a la perecibilidad del producto ya que despu-s de 6 d.as no tiene
valor. 3asndose en la e)periencia con productos similares el minorista conf.a en que la
demanda por este art.culo ser alrededor de entre E y *0 ca#as. Construya una tabla de decisin
adecuada. (etermine el me#or acto desde el punto de vista de los criterios: ma)imin ma)ima)
pena minima).
C. Lomando como base el e#ercicio (D" el comerciante minorista estima que los valores de
probabilidad asociados con la venta de E a *0 ca#as del art.culo son =+= =4= =0= y =*=
respectivamente. (etermine los me#ores actos de decisin desde el punto de vista de los
criterios: bayesiana y pena esperada de oportunidad.
*64
Estadstica Aplicada
E. 2n inversionista est considerando colocar un depsito de M*==== para reservar la
oportunidad de concesin por * a<o en un nuevo sector residencial. E)isten dos reas de
incertidumbre asociadas con esta situacin de decisin secuencial: si un competidor de
primera clase decidir o no ubicar un negocio en el mismo sector y si el rea residencial se
desarrollar o no como mercado moderado o grande. El inversionista estima que /ay una
probabilidad de 6= a 6=F que el sistema de concesin de la competencia estable!ca un
negocio. (e esta manera el inversionista debe decidir primero si /ace el pago base de
M*====. (espu-s de conocer la decisin del competidor el inversionista debe decidir si
construye o no el negocio. &i /ay competencia y el mercado es grande la ganancia neta
durante el per.odo correspondiente se estima en M*6===P si el mercado es moderado /abr
una p-rdida neta de M*====. &i no /ay competencia y el mercado es grande la ganancia
neta ser de M+====P si el mercado es moderado /abr una ganancia neta de M*====. El
inversionista estima que /ay alrededor de 4=F de probabilidad de que el mercado sea
grande. 2sando el anlisis de rbol de decisin determine si debe o no /acerse el depsito
inicial de M*====.
W+("A +"(DAD
*. &e calcularon las medias y las amplitudes de += muestras de tama<o n J 1M para un proceso
que se consider ba#o control. ,as medias de los += valores de x y de los += valores de ),
fueron x 7 0=.D4 y
/
7+.4E.
a" &e<ale una estimacin mediante la amplitud para la desviacin estndar del proceso.
b" E)plique porque una desviacin estndar muestral calculada a partir de +==
observaciones de += muestras podr.a producir una me#or estimacin de que la
estimacin mediante el JrangoK.
c" 2tilice los datos para determinar los l.mites superior e inferior de control para una grfica.
d" SCul es el propsito de un diagrama de x T
e" Construya un diagrama de x para el proceso y e)plique como se puede aplicar.
0. &e calcularon las medias y las amplitudes de 4= muestras de tama<o n J 7 para un proceso
que se consider ba#o control. ,as medias de los 4= valores de x y de los 4= valores de R,
fueron x 7 *66.E y
/
7 *D.0.
a" &e<ale una estimacin mediante la amplitud para la desviacin estndar del proceso.
b" 2tilice los datos para determinar los l.mites superior e inferior de control para un diagrama
de G.
c" Construya un diagrama de x para el proceso y e)plique cmo se puede usar.
+. 2tilice la informacin del E#ercicio * para elaborar un diagrama de R. SCul es el propsito de
una grfica de RT
4. 2tilice la informacin del E#ercicio 0 para tra!ar una grfica de R. SCul es el propsito de un
diagrama de RT
6. 2n restaurante registra y grafica la media y la amplitud de las ganancias o p-rdidas diarias en
cinco mesas en grficas de x y R. ,as medias de las medias y de las amplitudes para 4=
semanas fueron:
x J M*= D60 (dlares" y
/
7 M? 406
a" Lrace una grfica de x para la ganancia media diaria por mesa de #uego
b" Sbu- venta#as obtendr.a el gerente del restaurante con la grfica de x T
?. Lrace una grfica de R para la ganancia diaria por mesa. Sbu- venta#as obtendr.a con est
grfica el gerente del restauranteT
D. El gerente del restaurante del E#ercicio 6 tambi-n grafic las ganancias o p-rdidas diarias para
cada mesa. Es esencialmente un diagrama de x para el caso particular cuando n J 1. ,a
ganancia media para la mesa * calculada segIn 4= d.as fue x 7 M*= E4= (dlares" y la
desviacin estndar de la muestra fue de M6 *+=.
*66
a" &i la ganancia G para el que atiende en la mesa * tuviera una distribucin con media
y
desviacin estndar Sdentro de qu- limites esperar.a que cayera G casi todos los
d.asT
b" Ya que dispone de estimacin para
y trace una grfica de x (n J 1" para las

ganancias diarias en la mesa *.
c" Sbu- valor tendr.a la grfica del inciso (b" para el gerente del restauranteT

C. 2na planta energ-tica que quema carbn prueba y mide tres muestras de combustible
diariamente para vigilar el porcenta#e de ceni!a en -ste. ,as medias de las += medias y
amplitudes muestrales fueron x 7D.04 y
/
7=.0D.
a" Lrace una grfica de x para el proceso y e)plique que venta#as puede obtener de ella el
superintendente de la planta.
b" Construya una grfica de R para el proceso. E)plique que beneficios se pueden obtener
del diagrama.
E. E)plique la diferencia entre los diagramas de p y de c.
*=. &e seleccionaron muestras de n J 1MM art.culos cada /ora durante *== /oras y se calcul la
proporcin muestral de defectuosos por /ora. ,a media de las *== proporciones muestrales
fue de =.=+6.
a" 2tilice los datos para obtener los l.mites superior e inferior de control para un diagrama de
p.
b" Lrace una grfica de p para el proceso y e)plique como se puede aprovec/ar.
**. &e seleccionaron muestras de n J 2MM art.culos cada /ora durante *== /oras y se calcul la
proporcin muestral de defectuosos por /ora. ,a media de las *== proporciones muestrales
fue de =.=4*.
a" 2tilice los datos para obtener los l.mites superior e inferior de control para un diagrama de
p.
b" Construya un diagrama de p para el proceso y e)plique como se puede utili!ar.

*0. &e registro el nImero de c de defectos de /orarios por unidad durante *== /oras y el nImero
medio de defectos por unidad fue igual a =.D.
b" 2se los datos para obtener los l.mites superior e inferior de control para un diagrama de c.
c" Construya un diagrama de c y e)plique como se puede utili!ar.
*4. &e registro el nImero de c de defectos de /orarios por unidad durante 0== /oras y el nImero
medio de defectos por unidad fue igual a *.+.
b" 2tilice los datos para obtener los l.mites superior e inferior de control para un diagrama de
c.
c" Construya tal grfica y e)plique como se puede emplear.
*6. 2n fabricante de remac/es de latn muestra 4== pie!as cada /ora y calcula la proporcin de
defectuosos en la muestra. ,a proporcin muestral media calculada para 0== muestras fue
igual a =.=0*. Lrace una grfica de control para la proporcin de defectuosos en muestras de
4== remac/es. E)plique que venta#as puede lograr el administrador con la grfica de control.
*?. 2n director de personal locali!a el nImero de accidentes personales en la planta por mes en
una grfica de control. En un periodo de += meses el promedio del nImero de accidentes por
mes fue de +.D. Elabore un diagrama de control y e)plique como se podr utili!ar.
*D. 2na compa<.a registra y locali!a en una grfica de control el nImero de que#as de control el
nImero de que#as de clientes recibidas semanalmente. El promedio del nImero de que#as
recopiladas durante 60 semanas fue de 4.E que#as semanales. Lrace una grfica de control
para el nImero de que#as de clientes por semana. (iga que valor representa la grfica de
control para un administrador o gerente.
*C. El director de una compa<.a de materiales para la construccin muestra al a!ar madera nueva
*6?
Estadstica Aplicada
a fin de comprobar si satisface las especificaciones de calidad. &e e)aminan *== pie!as de
madera de 0 ) 4 pulgadas de cada cargamento y se #u!ga segIn si son de primera clase
(aceptables" o de segunda (defectuoso". ,as proporciones de las pie!as 0 ) 4 de segunda
clase registradas para += cargamentos fueron:
=.*4 =.0* =.*E =.*C =.0+ =.0= =.06 =.*E =.00 =.*D =.0* =.*6 =.0+ =.*0 =.*E =.00
=.*6 =.0? =.00 =.0* =.*4 =.0= =.*C =.00 =.0* =.*+ =.0= =.0+ =.*E =.0?.
Construya una grfica de control para la proporcin de pie!as de segunda clase en muestras de
*== de los env.os. (iga que utilidad puede tener el diagrama de control para el gerente de la
compa<.a.
-$PA +"(DAD
*. El gerente de personal de una empresa considera que puede /aber una relacin entre el
ausentismo y la edad y querr.a usar la edad de un empleado para predecir el nImero de d.as
de ausencia durante un a<o de calendario. &e selecciona una muestra aleatoria de *=
empleados con los resultados presentados en la tabla siguiente:
Edad
(a<os"
0D ?* +D 0+ 4? 6C 0E +? ?4 4=
(.as
ausente
*6 ? *= *C E D *4 ** 6 C
a" Qrafique el diagrama de dispersin
b" (etermine la l.nea de regresin y sobre )
c" SCuntos d.as predecir.a usted que va a estar ausente un empleado de += a<os de edadT
d" Calcule el error estndar de la estimacin
e" Calcule el coeficiente de correlacin e interprete su significado
0. ,os datos que se presentan en la tabla ad#unta se refieren a ingresos mensuales en miles de
soles y los gastos en alimentacin mensual en miles de soles en base a esa informacin:
Ingreso + 6 ? D D
Qasto 0 + 4 ? 6
a" Qraficar la nube de puntos o diagrama de dispersin
b" '#ustar dic/a informacin a una regresin lineal de Y sobre 5
c" Uallar el error estndar de estimacin
d" Uallar el coeficiente de correlacin e interprete
e" &i la familia tiene un ingreso de *= Scul ser su gasto en alimentosT
+. 2n funcionario de un /ipdromo querr.a pronosticar la cantidad de dinero apostado (en miles
de dlares" con base en la asistencia de pIblico. &e selecciona una muestra aleatoria de *=
d.as y los resultados se presentaron en la tabla siguiente:
(ia * 0 + 4 6 ? D C E *=
'sistencia (miles" *4.6 0*.0 **.? +*.D 4?.C +*.4 4=.= 0*.= *?.+ +0.*
Cantidad apostada
(miles dolares"
=.D= =.C+ =.?0 *.*= *.0D *.=0 *.*6 =.C= =.D* *.=4
a" ConstrIyase una nube de puntos o diagrama de dispersin y trcese la recta de regresin.
b" 9erifique que la regresin de la muestra es y7 =.400@=.=*E)
c" Calcular el coeficiente de correlacin e interprete
d" Prediga la cantidad apostada en un d.a en que /ay una asistencia de 0= === personas
4. En la siguiente tabla se tiene los datos de las variables edad y el tiempo de servicios de los
traba#adores para el efecto se consider una muestra de *6 traba#adores de una empresa.
Edad 4C 4= += +E 4? 40 0D +? +4 4? +0 40 4= +0 0D
Liempo de
servicios

04 *C E *4 00 00 4 *+ *= 0= *0 *C *? C ?
a" ConstrIyase un diagrama de puntos para los datos y trcese la recta de regresin.
*6D
b" (eterm.nese la ecuacin de la recta de regresin JY sobre 5K
c" Calcular el error estndar de estimacin.
6. &e reali! un e)perimento en un supermercado para observar la relacin entre la cantidad de
espacio para e)/ibicin asignado a una marca de caf- y sus ventas semanales. &e distribuy
la cantidad de espacio disponible para e)/ibicin de + ? y E pies cuadrados respectivamente
de manera aleatoria durante *0 semanasP el espacio asignado a las otras marcas se mantuvo
constante en + pies cuadrados para cada una.
9entas 60? 40* 6C* ?+= 4*0 6?= 4+4 44+ 6E=
6D= +4? ?D0
Espacio ? + ? E + E ? + E
? + E
a" %btenga la recta de m.nimos cuadrados apropiados para los datos
b" Calcule e interprete r.
c" Encuentre un intervalo de confian!a de E=F para las ventas semanales dado que se
asignan ? pies cuadrados para la e)/ibicin.
?. ,os valores de 5 e Y son los siguientes:
5 0 + 4 6 ?
Y * 0 + + ?
a" Calcular el coeficiente de correlacin
b" Xultiplicar por 0 los valores de 5 y por + los valores de Y y calcular seguidamente el
coeficiente de correlacin correspondiente a estas dos nuevas series
c" Comente los resultados
D. 2n Estad.stico de una fbrica de automviles querr.a desarrollar un modelo estad.stico para
predecir el tiempo de entrega (el nImero de d.as entre la fec/a del pedido y la fec/a de
entrega del automvil" de automviles nuevos ordenados con muc/o equipo opcional. El
estad.stico cree que /ay una relacin lineal entre el nImero de opciones pedidas y el tiempo
de entrega. &e selecciona una muestra aleatoria de *? automviles con los resultados
presentados en la tabla siguiente:
:Im.
opcio.
orden.
+ 4 4 D D C E ** *0 *0 *4 *? *D 0= 0+
06
Liempo
de
entrega
06 +0 0? +C +4 4* +E 4? 44 6* 6+ 6C ?* ?4
?? D=
a" Qrafique el diagrama de dispersin
b" 2tilice el m-todo de m.nimos cuadrados para encontrar los coeficientes de regresin a y b
c" &i se orden un automvil que tuviera *? opciones Scuntos d.as predecir.a usted que se
tardar.an para la entregaT
d" Calcule el error estndar de la estimacin.
e" Calcule el coeficiente de correlacin e interprete su significado
E. &e tiene un registro de los costos de mantenimiento para seis mquinas id-nticas de distintas
edades. Por parte de la gerencia se desea determinar si e)iste una relacin funcional entre la
edad de la mquina (5" y el costo de mantenimiento (Y". &e obtienen los siguientes datos.
Xaquina * 0 + 4 6 ?
5
Y
0 * + 0 * +
MD= 4= *== C= += *==
%bt-ngase la ecuacin de regresin con J5K como variable independiente y JYK como variable
dependiente. SCul ser.a el costo de mantenimiento para una mquina de cuatro a<osT
*=. Por parte de una compa<.a publicitaria se desea determinar si el nImero de comerciales de
televisin (5" est relacionado con el nImero de ventas (Y" de cierto producto. &e obtienen los
siguientes datos:
*6C
Estadstica Aplicada
5 E ** *4 4 ? ? 6 *? C * *+
*6
Y 0E ?D 4E *0 *= 04 *= 6C 0C *= DD
E4
a" Lrcese un diagrama de dispersin para los datos
b" (eterm.nese la regresin de Y sobre 5
c" %bt-ngase el coeficiente de regresin r
**. En una compa<.a de seguros se desea determinar la relacin entre los a<os de e)periencia en
ventas de sus vendedores y su volumen de ventas. &e selecciona una muestra aleatoria de
nueve vendedores y se encuentra que sus a<os de e)periencia (5" y ventas anuales (Y" son
los siguientes:
5 * 0 + 4 6 ? D
C E
Y (M *==
==="
0 * + + 4 6 ?
6 D
a" ConstrIyase un diagrama de dispersin y trcese la recta de regresin de Y sobre 5 en el
diagrama.
b" Est.mese el volumen de ventas anuales para un vendedor que tiene una e)periencia en
ventas de die! a<os.
c" Uallar el error estndar de estimacin
d" (eterm.nese el coeficiente de regresin r.

-$P(MA +"(DAD
*. (eterminar una aplicacin de la prediccin con el modelo de series temporales en el campo
de su especiali!acin. &e<alar las caracter.sticas que /acen que esta aplicacin sea
apropiada y Itil.
0. (eterminar una aplicacin de la prediccin en el campo de su especiali!acin y en la cual sea
preferible utili!ar variables au)iliares. Identificar estas variables.
+. El gerente de una tienda local de mediana importancia dispone de un con#unto de
estacionales mensuales de las ventas. &i se dividen las ventas mensuales por estas
estacionales se obtienen ventas mensuales a#ustadas estacionalmente. Sbu- utilidad
podr.an tener estas cifras a#ustadasT
4. &e trata de predecir las construcciones mensuales completadas en un Estado en los dos
a<os venideros. &e necesitan estas estimaciones para predecir los recaudos por impuestos
prediales para el presupuesto del Estado. &e recolectan las cifras mensuales de los cinco
a<os pasados:
6.
Mes
1LP3 1LP6 1LP7 1LP8 1LP9
$nero *+* *4C *** *4? *??
Be0rero **E *+4 **E *++ *0=
Mar>o *04 *6C *0? *+? *+E
A0ril *D6 0** *D* *?E *D=
Mayo 00E 06? 04D 0*C 066
;unio 0D6 +*6 0D? 0CD +=E
;ulio 0E+ +0E +== 0C* +00
Agosto +*+ +0* +00 +0? +6=
-eptiem0re +0* +0C +00 +4+ +64
*ctu0re +*C 0E6 0DE +0? 4==
"o'iem0re +0+ 0+4 006 +=0 0E6
Diciem0re *EE 0=6 0+6 046 04C
*6E
(eber procederse como sigue:
a. Est.mese la componente de tendencia utili!ando los datos anuales de los cinco a<os.
b. Est.mese la componente estacional - empleando los datos sin modificar. (2tili!ar un
promedio mvil de cinco puntos".
c. Est.mese la componente irregular ( suavi!ando los datos a#ustados estacionalmente.
d. Elaborar la prediccin que se pide. (Emplear C J 1.M"
?. 2na sociedad de construccin /a recibido un contrato del gobierno para construir varias
peque<as estaciones militares de observaciones en 'las8a. El equipo que se enviar al
terreno estar apro)imadamente un a<o all.. Cualquier adicin o sustraccin a este equipo
ser costosa y puede ser la diferencia el -)ito financiero y el fracaso del contrato. Para
determinar el nImero de empleados disponibles para el proyecto los directivos deben
predecir la fuer!a laboral que se necesita para la construccin en los Estados 2nidos
continentales ese a<o.
,a componente de tendencia de este problema /a sido estimada as.:
J 4== @ +t
&iendo: J nImero de empleados necesario.
t 7 nImero de meses.
t 7 % representa diciembre de *E56
Estas son las componentes estacionales para cada mes:
Mes ?ndice Mes ?ndice Mes ?ndice
$nero =.CD= Mayo *.=*D -eptiem0re *.=*+
Be0rero =.C++ ;unio =.CE6 *ctu0re *.=6E
Mar>o *.==4 ;ulio =.C6E "o'iem0re *.**C
A0ril *.==? Agosto =.EEC Diciem0re *.0?D
,a construccin en 'las8a empe!ar en abril de *E5D. &upngase que no /ay influencia
c.clica y que toda variacin aleatoria de la necesidad de mano de obra se puede compensar
con ayuda1temporal. Predecir las necesidades de mano de obra para los *0 meses de
construccin en 'las8a.
D. En mayo de este a<o el nuevo director de comerciali!acin de Uudson Roods utili!
publicidad en televisin para anunciar los postres congelados de la firma por primera ve! y las
ventas alcan!aron un nivel sin precedentes. ,os postres congelados se /ab.an introducidos
/ace + a<os y medio pero las ventas nunca llegaron tal alto. El nuevo director de
comerciali!acin escribi al director en su memo: JXe gustar.a seguir con la campa<a de
televisin y ampliarlaK. Pero el director sospec/a que las ventas tan e)traordinarias pueden
atribuirse a influencias de tendencia y estacional y a variacin aleatoria. ,a /istoria de ventas
de los postres congelados es como sigue:
Mes
Primer aDo
-egundo
aDo ercer aDo Cuarto aDo
$nero +4* 4CC ?+C DCE
Be0rero ++C 4C= ?0* D?6
Mar>o 44C ?++ C*D ECD
A0ril 4DE +4E C6+ EEC
Mayo 6*0 D=? E=6 **=D
;unio 6DD DE* EE4
;ulio 6EE C*0 EEE
Agosto 6D? DD? EDC
-eptiem0re 64? D+C E0=
*ctu0re 6** ?DE C4?
"o'iem0re 4E? ?66 C=E
Diciem0re 6+? D=* C?D
&uponiendo que la componente c.clica no tenga influencia (es decir que C J 1.M" /acer una
recomendacin al director en cuanto a la solicitud de su director de comerciali!acin para
seguir con la publicidad en televisin.
*?=
Estadstica Aplicada
C. Para competir en el negocio de mobiliarios es necesario mantener un inventario
relativamente grande. Por consiguiente los costos de llevar inventario son considerables. &i
una firma puede reducir estos costos de alguna manera puede tener una venta#a competitiva.
2na manera de poder /acer es predecir me#or las ventas. El gerente general de 3 y ( est
interesado en tener un m-todo de prediccin de las ventas de mobiliarios en su !ona. Parece
lgico que las ventas est-n relacionadas con el nImero de nuevas casas construidas en la
!ona cada mes. &e sabe que se necesitan unos tres meses para completar una casa as. que
se espera que las ventas est-n estrec/amente relacionadas con las viviendas iniciadas /ace
tres meses. 2na verificacin de los registros de la compa<.a y de las estad.sticas de
construccin revela los datos que se muestran en seguida. ,as viviendas iniciadas se indican
con tres meses de anticipacin. Esto es la construccin indicada para #unio es mar!o etc.
SPueden utili!arse estos datos para construir un modelo de prediccin ItilT E)plicar.
3i'iendas 3i'iendas 3i'iendas
Mes 3entas (niciadas 3entas (niciadas 3entas (niciadas
$nero *0 *0 *= E ? 6
Be0rero *D *6 *C *? *= C
Mar>o 00 *? *E *? ** C
A0ril 0? 0= 04 0* 0* *?
Mayo 0E 00 0C 0+ 00 *D
;unio +4 0C ++ 0E 06 *E
;ulio 4* += 4+ +0 0C 00
Agosto *? *? 06 *E 0? 0=
-eptiem0re *6 *4 *C *? *E *6
*ctu0re *0 *0 *4 *+ *? *0
"o'iem0re C ? E C C ?
Diciem0re *E ? 00 D *C 6
E. ,a tabla siguiente muestra los precios medios al por mayor de los 'rro! en el PerI durante
*ECC1*EE6. Uallar la relacin de precios (a" para *EE4 con *ECC como base (b" para *EE6 con
*EE= como base.
ADo
Precio medio del arro>
1-/. por Kg2
*ECC
*ECE
*EE=
*EE*
*EE0
*EE+
*EE4
*EE6
=0=
=+=
=C=
=C6
=E=
=E0
*==
*+=
*=. ,a tabla siguiente muestra las relaciones de precios de un art.culo con *ECD1*ECE 7 *==.
(eterminar las relaciones de precios con (a" *EE= 7 *== y (b" *EE+1*EE4 7 *==.
ADo
)elaci%n de Precios
11LH9T1LHL2 J 1MM
*EE=
*EE*
*EE0
*EE+
*EE4
*EE6
*0D
*+4
**C
*06
*+D
*4*

**. En *EE= el precio medio de un producto decreci un 06F de su valor en *EC? pero creci un
6=F de su valor en *EC0. Uallar la relacin de precios para (a" *EC? y (b" *EE= con *EC0
como base.
*0. ,a tabla siguiente muestra la energ.a el-ctrica en miles de millones de 8ilovatios1/ora (c$/"
de consumo dom-stico durante los a<os *ED61*EC?. Reducir los datos a relaciones de
*?*
cantidad con (a" *EE* y (b" *EC61*ECC como base.
ADo
$nerg!a elFctrica
1miles de millones de KX=2
*EC6
*EC?
*ECD
*ECC
*ECE
*EE=
*EE*
*EE0
*EE+
*EE4
*EE6
*EE?
*E*C
0=+C
0*04
00=?
004D
00C?
00E6
004*
0+*=
04*?
04D=
06*0
*+. En *EE0 la produccin de un mineral creci un 4=F sobre la de *EE*. En *EE+ la produccin
estaba un 0=F por deba#o de la de *EE0 pero un *?F por encima de la de *EE4. Uallar las
relaciones de precios para los a<os *EE*1*EE4 como base.
*4. ,a tabla siguiente muestra las relaciones de valor y de precios de un art.culo en los a<os
*EE=1*EE4. Con los precios indicados como base. Uallar las relaciones de cantidad para ese
art.culo con (a" *EE= y (b" *EE=1*EE0 como base. Interpretar los resultados.
ADo )elaci%n de Precios
11LLM J 1MM2
)elaci%n de 'alor
11LH1T1LH3J1MM2
*EE=
*EE*
*EE0
*EE+
*EE4
*==
*06
*6=
*D6
0==
*6=
*C=
0=D
0+*
060
*6. ,as relaciones de enlace para el consumo de un producto en los a<os *EE01*EE6 fueron E=
*0= *06 y C= respectivamente.
(a" Uallar la relacin de precios para *EE+ con *EE6 como base.
(b" Encadenar las relaciones de enlace a una base *EE4
(c" Encadenar las relaciones de enlace a una base *EE01*EE+.
*?. ,a tabla siguiente muestra los precios y cantidades de consumo en EE.22. de varios metales
para los a<os *EC6 y *EE4. Lomando *EC6 como base calcular el .ndice de precios para el a<o
*EE4 por los m-todos:
(a" agregacin simple (b" promedio simple (media"
(c" mediana (d" media geom-trica
(e" media armnica (f" ,aspeyres
(g" Paasc/e (/" Ideal de Ris/er
(i" Xars/all1Edge$ort/
(#" Promedio ponderado para relaciones usando como pesos
valores del a<o dado.
Metales
Precio
1centa'os por li0ra2
Cantidad
1millones de li0ras2
1LH7 1LL6 1LH7 1LL6
Cobre
Plomo
Esta<o
Ainc
?40
0*6
++EC
+E=
??C
06?
?0+C
4C?
+44=
**44
4E4
*=?C
04=?
D*=
40C
66C
*?0
Estadstica Aplicada
*D. ,a tabla siguiente muestra los .ndices de precios de un determinado producto en los a<os
*EC+1*EE+ con base *EDD. Uallar el .ndice de precios con (a" *EC+ y (b" *EC?1*ECC como
base.
ADo ?ndice de precio del producto
11L99 J 1MM2
*EC+
*EC4
*EC6
*EC?
*ECD
*ECC
*ECE
*EE=
*EE*
*EE0
*EE+
*+4D
*?=*
*D4E
*C+=
*E40
0=E+
0+6?
0?CC
0E+4
0EE+
+=+*
*?+
B(B:(*A)AB?A
3ERE:&%: y ,E9I:E. *EE?. Estad.stica 3sica en 'dministracin. Editorial Prentice Uall.
X-)ico.
3%5 Q. *EE+. Estad.stica para Investigadores. Editorial Reverte. X-)ico.
C%R(%9' A'X%R' X. Estad.stica (escriptiva e Inferencial. 'plicaciones. buinta Edicin. ,ima.
UER:':(EA R RER:':(EA C y 3'PLI&L' P. *EEC. Xetodolog.a de la Investigacin. Editorial
XcQra$ Uill. Primera Edicin. Colombia.
casmier ,. *EC0. Estad.stica aplicada a la 'dministracin y a la Econom.a. Editorial XcQra$1Uill.
X-)ico.
X'RLI:EA C. *EE6. Estad.stica. Editorial Presencia. &anta Re de 3ogota Colombia.
XE:(E:U',, l. *EEC Estad.stica para 'dministradores. Qrupo Editorial Iberoamericano.
X-)ico.
XIL'CC XEA' X)imo. s;f. Lpicos de Estad.stica y probabilidad. Editorial &an Xarcos. ,ima
PerI.
X%Y' R y &'R'9I' '. *EEC. Probabilidad e Inferencia Estad.stica. Editorial &an Xarcos.
&egunda Edicin. ,ima PerI.
%&L,E 3. *EE4. Estad.stica 'plicada. Editorial ,imusa. X-)ico.
&CU:EI(ER c. y R':(', C. *EC0. X-todos cuantitativos en 'dministracin. Editorial ,imusa.
X-)ico.
&LE9E:&%: Z. *EE6. Estad.stica para 'dministracin y Econom.a. Editorial Uarla. X-)ico.
l'Y:E (. *EE*. Estad.stica con aplicaciones a las ciencias sociales y a la educacin. Edit.
XcQra$1Uill. X-)ico.
l%::'C%LL. *EE*. Estad.stica 3sica Prctica. Editorial ,imusa. X-)ico.
*?4
Estadstica Aplicada
APN!"E N# $
N%ME&'( ALEA)'&!'(

00 - 04 05 - 09 10 - 14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 - 44 45 - 49
00 39591 66082 48626 95780 55228 87189 75717 97042 19696 48613
01 46304 97377 43462 21739 14566 72533 60171 29024 77581 72760
02 99547 60779 22734 23678 44895 89767 18249 41702 35850 40543
03 06743 63537 24553 77225 94743 79448 12753 95986 78088 48019
04 69568 65496 49033 88577 98606 92156 08846 54912 12691 13170

05 68198 69571 34349 73141 42640 44721 30402 3507 33475 47401
06 27974 12609 77428 64441 49008 60489 66780 55499 80842 57706
07 50552 20688 02769 63037 15494 71784 70559 58158 53437 46216
08 74687 02033 98290 62635 88877 28599 63682 35566 03271 05651
09 49303 76629 71897 30990 62923 36686 96167 11492 90333 84501

10 89734 39183 52026 14997 15140 18250 62831 51236 61236 09179
11 74042 40747 02617 11346 01884 82066 55913 72422 13971 64209
12 84706 31375 67053 73367 95349 31074 36908 42782 89690 48002
13 83664 21365 28882 48926 45435 60577 85270 02777 06878 27561
14 47813 74854 73388 11385 99108 97878 97878 17473 07682 20166

15 00371 56525 38880 53702 09517 47281 15995 98350 25233 79718
16 81182 48434 27431 55806 25389 40774 72978 16835 65066 28732
17 75242 35904 73077 24537 8135 4 48902 03478 42867 04552 66034
18 96239 80246 07000 09555 55051 49596 44629 88225 28195 44598
19 82988 17440 85311 03360 38176 51462 86070 03924 84413 92363

20 77599 29143 89088 57593 60036 17297 30923 36224 46327 96266
21 61433 33118 53488 82981 44709 44709 64388 00198 14135 57514
22 76008 15045 45440 84062 55236 52363 33726 44301 86246 99727
23 26494 76598 85834 10844 56300 56300 72118 96510 98388 80161
24 4670 88558 77533 33359 07830 07830 53260 46755 36881 98535

25 73995 41532 87933 79930 14310 64833 49020 36224 99726 97007
26 93901 38276 75544 19679 82899 11365 22896 00498 77165 08734
27 41925 28215 40966 93501 45446 27913 21708 44301 81404 15119
28 80720 02782 24326 41328 10357 86883 80086 96510 57072 12100
29 92596 39416 50362 04423 04561 58179 54188 46755 14322 97056

30 39693 58559 45839 47278 38548 38885 19875 70067 86711 57005
31 86923 37863 14340 30929 04079 65274 03030 42118 09362 82972
32 99700 79237 18172 58879 56221 65644 33331 01788 32961 40996
33 60248 21953 52321 16981 03252 90433 97304 77138 71026 01946
34 29136 71987 03992 67025 31070 78348 47823 44978 13037 47732

35 57471 42913 85212 42319 92901 97727 04775 26829 38154 25238
36 57424 93847 03269 56096 95028 14039 76128 15110 27301 65529
37 56768 71694 63361 80836 30841 71875 40944 87502 01887 54822
38 70400 81534 02148 41441 26582 27481 84262 50181 42409 62950
39 05454 88418 48646 99565 36635 85496 18894 11033 26894 00889

40 80934 56136 47063 96311 19067 59790 08752 68040 85685 83076
41 06919 46237 50676 11238 75637 43086 95323 52867 06891 32089
42 00152 23997 41751 74756 50975 75365 70158 67663 51431 16375
43 88505 74625 71783 82511 13661 63178 39291 76796 74736 10980
44 64514 80967 33545 09582 86329 58152 05931 35961 70069 12142

45 25280 53007 99651 96366 49378 80971 10419 12981 70572 11575
46 71292 63716 93210 59312 39493 24252 54849 29754 41497 79228
47 49734 50498 08974 05904 68172 02864 10994 22482 12912 17920
48 43075 09754 71880 92614 99928 94424 86353 87549 94499 11459
49 15116 16643 03981 06566 14050 33671 03814 48856 41267 76252
*?6
N%ME&'( ALEA)'&!'(

50 - 54 55 - 59 60 - 64 65 - 69 70 - 74 75 - 79 80 - 84 85 - 89 90 - 94 95 - 99
50 25178 77518 41773 39926 09843 29694 43801 69276 44707 23455
51 45803 95106 85816 33366 37383 76832 37024 06581 22587 24827
52 15532 30898 14922 13923 44987 45122 86515 55836 96165 19650
53 99068 35453 42152 12078 04913 06083 06645 93310 40016 8421
54 70983 88359 95583 79348 24101 07502 25692 42496 77732 19278

55 71181 48289 03153 18779 65702 03612 64608 84071 4788 09982
56 44052 59163 74033 86112 27731 46135 63092 59171 44816 12354
57 91555 87708 70964 43346 56811 03725 75139 77674 82467 41899
58 54307 12188 58089 73745 35569 97352 77301 37684 36823 69218
59 63631 23919 06785 13891 89918 76211 09362 34292 17640 6907

60 46832 30801 98898 28954 97793 20825 36775 71974 15574 09184
61 05944 82632 39310 74857 61725 50569 81937 16820 85446 51168
62 28199 90116 59501 49025 73005 84954 11587 97691 90415 84685
63 09391 05600 00624 95068 33776 44985 01505 76911 45539 32181
64 29634 13021 96568 15124 55092 44043 31073 92371 51288 33378

65 61509 18842 79201 46451 68594 98120 68110 91062 42095 61839
66 87888 23033 69837 65661 15130 44649 42515 83861 50721 36110
67 94585 15218 74838 61809 92293 85400 46934 08531 70107 65707
68 82033 93915 34898 79913 70013 27573 39256 35167 35070 47095
69 79131 10022 82199 78976 22702 37936 10445 96846 84927 69745

70 79344 39236 41333 11473 15049 47930 99029 97150 82275 55140
71 15384 44585 18773 89733 40779 59664 83328 25162 58758 17761
72 38802 90957 32910 97485 10358 88588 95310 22252 19143 69011
73 85874 18400 28151 29541 63706 43197 65726 94117 22169 91806
74 26200 72680 12364 46010 92208 59103 60417 45389 56122 85353

75 13772 75282 81418 42188 66529 47981 92548 10079 68179 40915
76 91876 07434 96946 98382 97374 34444 17992 42811 01579 48741
77 31721 21713 83632 40605 24227 53219 05482 86768 53239 24812
78 92570 53242 98133 84706 84706 29645 79336 66091 05793 25922
79 02880 29307 73734 66448 66448 74645 29562 13999 17492 49891

80 80982 14684 31038 85302 98349 57313 86371 33938 10768 60837
81 38000 43364 94825 32413 46781 09685 69058 56644 85531 55173
82 14218 94289 79484 61868 40034 22546 68726 14736 89844 13466
83 74358 21940 40280 22233 09123 49375 55094 46113 54046 51771
84 39049 14986 94000 26649 13037 13037 45186 89515 63214 66886

85 48727 06300 91486 67316 84576 11100 37580 49629 83224 46321
86 22719 29784 40682 96715 40745 57458 50048 48306 50270 87424
87 33980 36769 51977 03689 79071 20279 64787 48877 44063 93733
88 23885 66721 16542 12648 65986 43104 45583 75729 35118 58742
89 85190 44068 78477 69133 58983 96504 44232 74809 25266 73872

90 33453 36333 45814 78128 55914 89829 43251 41634 48488 49153
91 98236 11489 97240 01678 30779 75214 80039 68895 95271 19654
92 21295 53565 43609 48439 87427 88065 09892 58524 43815 31340
93 28335 79849 69842 71669 38770 54445 48736 03242 83181 85403
94 95449 35273 62581 85522 35813 34475 97514 72839 10387 31649

95 88167 03878 89405 55461 73248 48620 31732 47317 06252 54652
96 86131 62596 98785 02360 54271 26242 93735 20752 17146 18315
97 71134 90264 30126 08586 97497 61678 81940 00907 39096 02082
98 02664 53438 76839 52290 77999 05799 93744 16634 84924 31344
99 90664 96876 16663 25608 67140 84619 67167 13192 81774 58619
*??
Estadstica Aplicada
N%ME&'( ALEA)'&!'(

00 - 04 05 - 09 10 - 14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 - 44 45 - 49
00 93873 86558 72524 02542 73184 37905 05882 15596 73646 50798
01 08761 47547 02216 48086 56490 89959 69975 04500 23779 76697
02 61270 98773 40298 26077 80396 08166 35723 61933 13985 19102
03 73758 15578 95748 02967 35122 36539 72822 68241 34803 42457
04 17132 32196 60523 00544 73700 70122 27962 45597 36011 79971

05 26175 29794 44838 84414 82748 22246 70694 57953 39780 17791
06 06004 04516 06210 03536 84451 30767 37928 26986 07396 64611
07 34687 73753 36327 73704 61564 99434 90938 03967 97420 19913
08 27865 08255 57859 04746 79700 68823 16002 58115 07589 12675
09 89423 51114 90820 26786 77404 05795 49036 34686 98767 32284

10 99030 80312 69745 87636 10058 84834 89485 08775 19041 61375
11 02852 54339 45496 20587 85921 06763 68873 35367 42627 54973
12 10850 42788 94737 74549 74296 15053 46816 32141 02533 25648
13 38301 18507 33151 69434 80103 02603 6110 89395 67621 67025
14 48181 95478 62739 90148 00156 09338 44558 53271 87549 45974

15 23098 23720 76508 69083 56584 90423 21634 35999 09234 95116
16 25104 82019 21120 06165 44324 77577 15774 44091 69687 67576
17 22205 40198 86884 28103 57306 54915 03426 66700 45993 36668
18 64975 05064 29617 40622 20330 18518 45312 57921 23188 82361
19 58710 75278 47730 26093 16436 38868 76861 85914 14162 21984

20 12140 72905 26022 07675 16362 34504 47740 39923 04081 03162
21 73226 39840 47958 97249 14146 34543 46162 74158 59739 67447
22 12320 86217 66162 70941 58940 58006 80731 66630 02183 94678
23 41364 64156 23000 23188 64945 33815 32884 76955 56574 61666
24 97881 80867 70117 72041 03554 29087 19767 71838 80545 61402

25 88295 87271 82812 97588 09960 06312 03050 77332 25977 13385
26 95321 89836 78230 46037 72483 87533 74571 88859 26908 55626
27 24337 14264 30185 36753 22343 81737 62926 76494 93536 75502
28 00718 66303 75009 91431 64245 61863 16738 23127 89435 45109
29 38093 10328 96998 91386 34967 40407 48380 09115 59367 49596

30 87661 31701 29974 56777 66751 35418 63887 95094 20056 84990
31 87142 91818 51857 85061 17890 39057 44506 00969 32942 54794
32 60634 27142 21199 50437 04685 70252 91453 75952 66753 50664
33 73356 64431 05068 56334 34487 78253 67684 69916 63885 88491
34 29889 11378 65915 66776 95034 81447 98035 16815 68432 63020

35 48257 36438 48479 72173 31418 1035 84239 02032 40409 11715
36 38425 29462 79880 45713 90049 01136 72426 25077 64361 94284
37 482226 31868 38620 12135 28346 17552 03203 42618 44151 78438
38 80189 30031 15435 76730 58565 29817 36775 64007 47912 16754
39 33208 33475 95219 29832 74569 50667 90569 66717 46958 04820

40 19750 48564 49690 43352 53834 80125 47792 99701 06800 22794
41 62820 23174 71124 36040 34873 95650 79059 23394 58534 78296
42 95737 34362 81520 79481 26442 37826 76866 01580 83713 94272
43 64642 62961 37566 41064 69372 84369 92823 91391 61056 44495
44 77636 60163 14915 50744 95611 99346 39741 04407 72940 87936

45 43633 52102 93561 31010 11299 52661 79014 17910 88492 60753
46 93686 41960 61280 96529 52924 87371 34855 67125 40279 10186
47 23775 33402 28647 42314 51213 29116 26243 40243 32137 25177
48 91325 64698 58868 63107 08993 96000 66854 11567 80604 72299
49 58129 44367 31924 73586 24422 92799 28963 36444 01315 10226
*?D
N%ME&'( ALEA)'&!'(

50 - 54 55 - 59 60 - 64 65 - 69 70 - 74 75 - 79 80 - 84 85 - 89 90 - 94 95 - 99
50 37686 78520 31209 83677 99115 94024 09286 58927 24078 16770
51 58108 29344 11825 51955 50618 99753 02200 50503 32466 50055
52 71545 42326 66429 93607 55276 85482 24449 41764 19884 46443
53 93303 90557 79166 90097 01627 96690 77434 06402 05379 59549
54 36731 37929 13079 83036 31525 35811 59131 65257 03731 86703

55 49781 31581 80391 84608 23390 30433 08249 85136 80060 43651
56 65995 94208 68785 04370 44192 91852 01129 28739 08705 54538
57 19663 09309 02836 10223 90814 92786 96747 46014 54765 76001
58 88479 24307 63812 47615 17220 27942 11785 49933 03923 35432
59 95407 95006 95421 20811 76761 47475 58865 06204 36543 81002

60 22789 87011 61926 97996 16604 80855 48714 52754 98279 96467
61 96783 18403 36729 18760 30810 73087 94565 68682 15792 60020
62 68933 05665 12264 23954 01883 75411 04460 83939 66528 22576
63 68794 13000 20066 98963 93483 51165 63358 12373 13877 37580
64 40537 31604 60323 51235 65546 85117 15647 09617 73520 48525

65 41249 42504 91773 81579 02588 74657 73765 10932 74607 83825
66 08813 84525 30329 33144 76884 89996 7834 67266 96820 15128
67 46609 30917 29996 10848 39555 09233 58988 82131 69232 76762
68 68543 69424 92072 57937 05563 80727 67053 35431 00881 56541
69 09926 84219 30089 08843 24998 27105 18397 79071 40738 73876

70 30515 76316 49597 37900 98604 05857 51729 19006 15239 27129
71 21611 26346 04877 71584 55724 39616 64648 26811 60915 34108
72 47410 83767 56454 96768 27001 83712 01245 27256 57991 75758
73 18572 31214 41015 64110 61807 72472 78059 69701 78681 17356
74 28078 02819 02459 33308 96540 15817 78694 81476 85856 99737

75 56644 50430 34562 75842 67724 02918 55603 55195 88219 39676
76 27331 48055 18928 47463 61966 64507 06559 81329 29481 03660
77 32080 21524 32929 07739 08836 39497 94476 27433 96857 52987
78 27027 69762 65362 90214 89572 52054 43067 73017 87664 03293
79 56471 68839 09969 45853 72627 71793 49920 64544 71874 74053

80 22689 19799 18870 49272 74783 38777 76176 40961 18089 32499
81 71263 82247 66684 90239 67686 48963 30842 59354 33551 87966
82 64084 57386 89278 27187 52142 96305 87393 80164 95518 82742
83 23121 10194 0991 37062 43446 09107 47156 70179 00858 92326
84 78906 48080 76745 65814 51167 87755 66884 12718 14951 47937

85 87257 26005 21544 37223 53288 72056 96396 67099 49416 91891
86 39529 98126 33694 29025 94308 24426 63072 51444 04718 49891
87 89632 11606 87159 89408 06295 31055 15530 46432 49871 37982
88 23708 98919 14407 53722 58779 92849 04176 24870 56688 25405
89 51445 46758 42024 27940 64237 10086 95601 53923 85209 79385

90 23849 65272 24743 39960 27313 99925 29743 87270 05773 21797
91 78613 15441 34568 57398 25872 61792 94599 60944 90908 38948
92 90694 27996 94181 87428 41135 29461 72716 68956 67871 72459
93 96772 86829 36403 40087 67456 21071 39039 91937 45280 00066
94 24527 40701 56894 73327 00789 97573 09303 41704 05772 95372

95 31596 70876 46807 06741 29352 23829 52465 00336 24155 61871
96 31613 99249 17260 05242 19535 52702 64761 66694 06150 13820
97 02911 09514 50864 80622 20017 59019 43450 75942 08567 40547
98 02484 74068 04670 19646 41951 05111 34013 57443 87481 48994
99 69259 75535 73007 15236 01572 44870 53280 25132 70276 87334
*?C
Estadstica Aplicada
API"D(C$ "# 2
AB:A D$ :A D(-)(B+C(," AC+M+:ADA B("*M(A:
( ) ( )

x
k
k n k n
k
p p * x X P
0
1
p
n X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.9975 0.9900 0.9775 0.9600 0.9375 0.9100 0.8775 0.8400 0.7975 0.7500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
1 0.9928 0.9720 0.9393 0.8960 0.8438 0.7840 0.7183 0.6480 0.5748 0.5000
2 0.9999 0.9990 0.9966 0.9920 0.9844 0.9730 0.9571 0.9360 0.9089 0.8750
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
1 0.9860 0.9477 0.8905 0.8192 0.7383 0.6517 0.5630 0.4752 0.3910 0.3125
2 0.9995 0.9963 0.9880 0.9728 0.9492 0.9163 0.8735 0.8208 0.7585 0.6875
3 1.0000 0.9999 0.9995 0.9984 0.9961 0.9919 0.9850 0.9744 0.9590 0.9375
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
1 0.9774 0.9185 0.8352 0.7373 0.6328 0.5282 0.4284 0.3370 0.2562 0.1875
2 0.9988 0.9914 0.9734 0.9421 0.8965 0.8369 0.7648 0.6826 0.5931 0.5000
3 1.0000 0.9995 0.9978 0.9933 0.9844 0.9692 0.9460 0.9130 0.8688 0.8125
4 1.0000 1.0000 0.9999 0.9997 0.9990 0.9976 0.9947 0.9898 0.9815 0.9688
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
1 0.9672 0.8857 0.7765 0.6554 0.5339 0.4202 0.3191 0.2333 0.1636 0.1094
2 0.9978 0.9842 0.9527 0.9011 0.8306 0.7443 0.6471 0.5443 0.4415 0.3438
3 0.9999 0.9987 0.9941 0.9830 0.9624 0.9295 0.8826 0.8208 0.7447 0.6563
4 1.0000 0.9999 0.9996 0.9984 0.9954 0.9891 0.9777 0.9590 0.9308 0.8906
5 1.0000 1.0000 1.0000 0.9999 0.9998 0.9993 0.9982 0.9959 0.9917 0.9844
7 0 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0490 0.0280 0.0152 0.0078
1 0.9556 0.8503 0.7166 0.5767 0.4449 0.3294 0.2338 0.1586 0.1024 0.0625
2 0.9962 0.9743 0.9262 0.8520 0.7564 0.6471 0.5323 0.4199 0.3164 0.2266
3 0.9998 0.9973 0.9879 0.9667 0.9294 0.8740 0.8002 0.7102 0.6083 0.5000
4 1.0000 0.9998 0.9988 0.9953 0.9871 0.9712 0.9444 0.9037 0.8471 0.7734
5 1.0000 1.0000 0.9999 0.9996 0.9987 0.9962 0.9910 0.9812 0.9643 0.9375
6 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9994 0.9984 0.9963 0.9922
8 0 0.6634 0.4305 0.2725 0.1678 0.1001 0.0576 0.0319 0.0168 0.0084 0.0039
1 0.9428 0.8131 0.6572 0.5033 0.3671 0.2553 0.1691 0.1064 0.0632 0.0352
2 0.9942 0.9619 0.8948 0.7969 0.6785 0.5518 0.4278 0.3154 0.2201 0.1445
3 0.9996 0.9950 0.9786 0.9437 0.8862 0.8059 0.7064 0.5941 0.4770 0.3633
4 1.0000 0.9996 0.9971 0.9896 0.9727 0.9420 0.8939 0.8263 0.7396 0.6367
5 1.0000 1.0000 0.9998 0.9988 0.9958 0.9887 0.9747 0.9502 0.9115 0.8555
6 1.0000 1.0000 1.0000 0.9999 0.9996 0.9987 0.9964 0.9915 0.9819 0.9648
7 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9993 0.9983 0.9961
9 0 0.6302 0.3874 0.2316 0.1342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
1 0.9288 0.7748 0.5995 0.4362 0.3003 0.1960 0.1211 0.0705 0.0385 0.0195
2 0.9916 0.9470 0.8591 0.7382 0.6007 0.4628 0.3373 0.2318 0.1495 0.0898
3 0.9994 0.9917 0.9661 0.9144 0.8343 0.7297 0.6089 0.4826 0.3614 0.2539
4 1.0000 0.9991 0.9944 0.9804 0.9511 0.9012 0.8283 0.7334 0.6214 0.5000
5 1.0000 0.9999 0.9994 0.9969 0.9900 0.9747 0.9464 0.9006 0.8342 0.7461
6 1.0000 1.0000 1.0000 0.9997 0.9987 0.9957 0.9888 0.9750 0.9502 0.9102
7 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996 0.9986 0.9962 0.9909 0.9805
8 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9992 0.9980
*?E
P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
10 0 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.9139 0.7361 0.5443 0.3758 0.2440 0.1493 0.0860 0.0464 0.0233 0.0107
2 0.9885 0.9298 0.8202 0.6778 0.5256 0.3828 0.2616 0.1673 0.0996 0.0547
3 0.9990 0.9872 0.9500 0.8791 0.7759 0.6496 0.5138 0.3823 0.2660 0.1719
4 0.9999 0.9984 0.9901 0.9672 0.9219 0.8497 0.7515 0.6331 0.5044 0.3770
5 1.0000 0.9999 0.9986 0.9936 0.9803 0.9527 0.9051 0.8338 0.7384 0.6230
6 1.0000 1.0000 0.9999 0.9991 0.9965 0.9894 0.9740 0.9452 0.8980 0.8281
7 1.0000 1.0000 1.0000 0.9999 0.9996 0.9984 0.9952 0.9877 0.9726 0.9453
8 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983 0.9955 0.9893
9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9990
11 0 0.5688 0.3138 0.1673 0.0859 0.0422 0.0198 0.0088 0.0036 0.0014 0.0005
1 0.8981 0.6974 0.4922 0.3221 0.1971 0.1130 0.0606 0.0302 0.0139 0.0059
2 0.9848 0.9104 0.7788 0.6174 0.4552 0.3127 0.2001 0.1189 0.0652 0.0327
3 0.9984 0.9815 0.9306 0.8389 0.7133 0.5696 0.4256 0.2963 0.1911 0.1133
4 0.9999 0.9972 0.9841 0.9496 0.8854 0.7897 0.6683 0.5328 0.3971 0.2744
5 1.0000 0.9997 0.9973 0.9883 0.9657 0.9218 0.8513 0.7535 0.6331 0.5000
6 1.0000 1.0000 0.9997 0.9980 0.9924 0.9784 0.9499 0.9006 0.8262 0.7256
7 1.0000 1.0000 1.0000 0.9998 0.9988 0.9957 0.9878 0.9707 0.9390 0.8867
8 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9980 0.9941 0.9852 0.9673
9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9993 0.9978 0.9941
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9995
12 0 0.5404 0.2824 0.1422 0.0687 0.0317 0.0138 0.0057 0.0022 0.0008 0.0002
1 0.8816 0.6590 0.4435 0.2749 0.1584 0.0850 0.0424 0.0196 0.0083 0.0032
2 0.9804 0.8891 0.7358 0.5583 0.3907 0.2528 0.1513 0.0834 0.0421 0.0193
3 0.9978 0.9744 0.9078 0.7946 0.6488 0.4925 0.3467 0.2253 0.1345 0.0730
4 0.9998 0.9957 0.9761 0.9274 0.8424 0.7237 0.5833 0.4382 0.3044 0.1938
5 1.0000 0.9995 0.9954 0.9806 0.9456 0.8822 0.7873 0.6652 0.5269 0.3872
6 1.0000 0.9999 0.9993 0.9961 0.9857 0.9614 0.9154 0.8418 0.7393 0.6128
7 1.0000 1.0000 0.9999 0.9994 0.9972 0.9905 0.9745 0.9427 0.8883 0.8062
8 1.0000 1.0000 1.0000 0.9999 0.9996 0.9983 0.9944 0.9847 0.9644 0.9270
9 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9992 0.9972 0.9921 0.9807
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9989 0.9968
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998
13 0 0.5133 0.2542 0.1209 0.0550 0.0238 0.0097 0.0037 0.0013 0.0004 0.0001
1 0.8646 0.6213 0.3983 0.2336 0.1267 0.0637 0.0296 0.0126 0.0049 0.0017
2 0.9755 0.8661 0.6920 0.5017 0.3326 0.2025 0.1132 0.0579 0.0269 0.0112
3 0.9969 0.9658 0.8820 0.7473 0.5843 0.4206 0.2783 0.1686 0.0929 0.0461
4 0.9997 0.9935 0.9658 0.9009 0.7940 0.6543 0.5005 0.3530 0.2279 0.1334
5 1.0000 0.9991 0.9925 0.9700 0.9198 0.8346 0.7159 0.5744 0.4268 0.2905
6 1.0000 0.9999 0.9987 0.9930 0.9757 0.9376 0.8705 0.7712 0.6437 0.5000
7 1.0000 1.0000 0.9998 0.9988 0.9944 0.9818 0.9538 0.9023 0.8212 0.7095
8 1.0000 1.0000 1.0000 0.9998 0.9990 0.9960 0.9874 0.9679 0.9302 0.8666
9 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9975 0.9922 0.9797 0.9539
10 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9987 0.9959 0.9888
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
14 0 0.4877 0.2288 0.1028 0.0440 0.0178 0.0068 0.0024 0.0008 0.0002 0.0001
1 0.8470 0.5846 0.3567 0.1979 0.1010 0.0475 0.0205 0.0081 0.0029 0.0009
*D=
Estadstica Aplicada
P
n X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
14 2 0.9699 0.8416 0.6479 0.4481 0.2811 0.1608 0.0839 0.0398 0.0170 0.0065
3 0.9958 0.9559 0.8535 0.6982 0.5213 0.3552 0.2205 0.1243 0.0632 0.0287
4 0.9996 0.9908 0.9533 0.8702 0.7415 0.5842 0.4227 0.2793 0.1672 0.0898
5 1.0000 0.9985 0.9885 0.9561 0.8883 0.7805 0.6405 0.4859 0.3373 0.2120
6 1.0000 0.9998 0.9978 0.9884 0.9617 0.9067 0.8164 0.6925 0.5461 0.3953
7 1.0000 1.0000 0.9997 0.9976 0.9897 0.9685 0.9247 0.8499 0.7414 0.6047
8 1.0000 1.0000 1.0000 0.9996 0.9978 0.9917 0.9757 0.9417 0.8811 0.7880
9 1.0000 1.0000 1.0000 1.0000 0.9997 0.9983 0.9940 0.9825 0.9574 0.9102
10 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9989 0.9961 0.9886 0.9713
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9978 0.9935
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9991
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
15 0 0.4633 0.2059 0.0874 0.0352 0.0134 0.0047 0.0016 0.0005 0.0001 0.0000
1 0.8290 0.5490 0.3186 0.1671 0.0802 0.0353 0.0142 0.0052 0.0017 0.0005
2 0.9638 0.8159 0.6042 0.3980 0.2361 0.1268 0.0617 0.0271 0.0107 0.0037
3 0.9945 0.9444 0.8227 0.6482 0.4613 0.2969 0.1727 0.0905 0.0424 0.0176
4 0.9994 0.9873 0.9383 0.8358 0.6865 0.5155 0.3519 0.2173 0.1204 0.0592
5 0.9999 0.9978 0.9832 0.9389 0.8516 0.7216 0.5643 0.4032 0.2608 0.1509
6 1.0000 0.9997 0.9964 0.9819 0.9434 0.8689 0.7548 0.6098 0.4522 0.3036
7 1.0000 1.0000 0.9994 0.9958 0.9827 0.9500 0.8868 0.7869 0.6535 0.5000
8 1.0000 1.0000 0.9999 0.9992 0.9958 0.9848 0.9578 0.9050 0.8182 0.6964
9 1.0000 1.0000 1.0000 0.9999 0.9992 0.9963 0.9876 0.9662 0.9231 0.8491
10 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9972 0.9907 0.9745 0.9408
11 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9981 0.9937 0.9824
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9989 0.9963
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
16 0 0.4401 0.1853 0.0743 0.0281 0.0100 0.0033 0.0010 0.0003 0.0001 0.0000
1 0.8108 0.5147 0.2839 0.1407 0.0635 0.0261 0.0098 0.0033 0.0010 0.0003
2 0.9571 0.7892 0.5614 0.3518 0.1971 0.0994 0.0451 0.0183 0.0066 0.0021
3 0.9930 0.9316 0.7899 0.5981 0.4050 0.2459 0.1339 0.0651 0.0281 0.0106
4 0.9991 0.9830 0.9209 0.7982 0.6302 0.4499 0.2892 0.1666 0.0853 0.0384
5 0.9999 0.9967 0.9765 0.9183 0.8103 0.6598 0.4900 0.3288 0.1976 0.1051
6 1.0000 0.9995 0.9944 0.9733 0.9204 0.8247 0.6881 0.5272 0.3660 0.2272
7 1.0000 0.9999 0.9989 0.9930 0.9729 0.9256 0.8406 0.7161 0.5629 0.4018
8 1.0000 1.0000 0.9998 0.9985 0.9925 0.9743 0.9329 0.8577 0.7441 0.5982
9 1.0000 1.0000 1.0000 0.9998 0.9984 0.9929 0.9771 0.9417 0.8759 0.7728
10 1.0000 1.0000 1.0000 1.0000 0.9997 0.9984 0.9938 0.9809 0.9514 0.8949
11 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987 0.9951 0.9851 0.9616
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9991 0.9965 0.9894
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9979
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
17 0 0.4181 0.1668 0.0631 0.0225 0.0075 0.0023 0.0007 0.0002 0.0000 0.0000
1 0.7922 0.4818 0.2525 0.1182 0.0501 0.0193 0.0067 0.0021 0.0006 0.0001
2 0.9497 0.7618 0.5198 0.3096 0.1637 0.0774 0.0327 0.0123 0.0041 0.0012
3 0.9912 0.9174 0.7556 0.5489 0.3530 0.2019 0.1028 0.0464 0.0184 0.0064
*D*
P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
17 4 0.9988 0.9779 0.9013 0.7582 0.5739 0.3887 0.2348 0.1260 0.0596 0.0245
5 0.9999 0.9953 0.9681 0.8943 0.7653 0.5968 0.4197 0.2639 0.1471 0.0717
6 1.0000 0.9992 0.9917 0.9623 0.8929 0.7752 0.6188 0.4478 0.2902 0.1662
7 1.0000 0.9999 0.9983 0.9891 0.9598 0.8954 0.7872 0.6405 0.4743 0.3145
8 1.0000 1.0000 0.9997 0.9974 0.9876 0.9597 0.9006 0.8011 0.6626 0.5000
9 1.0000 1.0000 1.0000 0.9995 0.9969 0.9873 0.9617 0.9081 0.8166 0.6855
10 1.0000 1.0000 1.0000 0.9999 0.9994 0.9968 0.9880 0.9652 0.9174 0.8338
11 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9970 0.9894 0.9699 0.9283
12 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9975 0.9914 0.9755
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9981 0.9936
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9988
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
18 0 0.3972 0.1501 0.0536 0.0180 0.0056 0.0016 0.0004 0.0001 0.0000 0.0000
1 0.7735 0.4503 0.2241 0.0991 0.0395 0.0142 0.0046 0.0013 0.0003 0.0001
2 0.9419 0.7338 0.4797 0.2713 0.1353 0.0600 0.0236 0.0082 0.0025 0.0007
3 0.9891 0.9018 0.7202 0.5010 0.3057 0.1646 0.0783 0.0328 0.0120 0.0038
4 0.9985 0.9718 0.8794 0.7164 0.5187 0.3327 0.1886 0.0942 0.0411 0.0154
5 0.9998 0.9936 0.9581 0.8671 0.7175 0.5344 0.3550 0.2088 0.1077 0.0481
6 1.0000 0.9988 0.9882 0.9487 0.8610 0.7217 0.5491 0.3743 0.2258 0.1189
7 1.0000 0.9998 0.9973 0.9837 0.9431 0.8593 0.7283 0.5634 0.3915 0.2403
8 1.0000 1.0000 0.9995 0.9957 0.9807 0.9404 0.8609 0.7368 0.5778 0.4073
9 1.0000 1.0000 0.9999 0.9991 0.9946 0.9790 0.9403 0.8653 0.7473 0.5927
10 1.0000 1.0000 1.0000 0.9998 0.9988 0.9939 0.9788 0.9424 0.8720 0.7597
11 1.0000 1.0000 1.0000 1.0000 0.9998 0.9986 0.9938 0.9797 0.9463 0.8811
12 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9986 0.9942 0.9817 0.9519
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987 0.9951 0.9846
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9990 0.9962
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
19 0 0.3774 0.1351 0.0456 0.0144 0.0042 0.0011 0.0003 0.0001 0.0000 0.0000
1 0.7547 0.4203 0.1985 0.0829 0.0310 0.0104 0.0031 0.0008 0.0002 0.0000
2 0.9335 0.7054 0.4413 0.2369 0.1113 0.0462 0.0170 0.0055 0.0015 0.0004
3 0.9868 0.8850 0.6841 0.4551 0.2631 0.1332 0.0591 0.0230 0.0077 0.0022
4 0.9980 0.9648 0.8556 0.6733 0.4654 0.2822 0.1500 0.0696 0.0280 0.0096
5 0.9998 0.9914 0.9463 0.8369 0.6678 0.4739 0.2968 0.1629 0.0777 0.0318
6 1.0000 0.9983 0.9837 0.9324 0.8251 0.6655 0.4812 0.3081 0.1727 0.0835
7 1.0000 0.9997 0.9959 0.9767 0.9225 0.8180 0.6656 0.4878 0.3169 0.1796
8 1.0000 1.0000 0.9992 0.9933 0.9713 0.9161 0.8145 0.6675 0.4940 0.3238
9 1.0000 1.0000 0.9999 0.9984 0.9911 0.9674 0.9125 0.8139 0.6710 0.5000
*D0
Estadstica Aplicada
P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
19 10 1.0000 1.0000 1.0000 0.9997 0.9977 0.9895 0.9653 0.9115 0.8159 0.6762
11 1.0000 1.0000 1.0000 1.0000 0.9995 0.9972 0.9886 0.9648 0.9129 0.8204
12 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9969 0.9884 0.9658 0.9165
13 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9969 0.9891 0.9682
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9972 0.9904
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9978
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
20 0 0.3585 0.1216 0.0388 0.0115 0.0032 0.0008 0.0002 0.0000 0.0000 0.0000
1 0.7358 0.3917 0.1756 0.0692 0.0243 0.0076 0.0021 0.0005 0.0001 0.0000
2 0.9245 0.6769 0.4049 0.2061 0.0913 0.0355 0.0121 0.0036 0.0009 0.0002
3 0.9841 0.8670 0.6477 0.4114 0.2252 0.1071 0.0444 0.0160 0.0049 0.0013
4 0.9974 0.9568 0.8298 0.6296 0.4148 0.2375 0.1182 0.0510 0.0189 0.0059
5 0.9997 0.9887 0.9327 0.8042 0.6172 0.4164 0.2454 0.1256 0.0553 0.0207
6 1.0000 0.9976 0.9781 0.9133 0.7858 0.6080 0.4166 0.2500 0.1299 0.0577
7 1.0000 0.9996 0.9941 0.9679 0.8982 0.7723 0.6010 0.4159 0.2520 0.1316
8 1.0000 0.9999 0.9987 0.9900 0.9591 0.8867 0.7624 0.5956 0.4143 0.2517
9 1.0000 1.0000 0.9998 0.9974 0.9861 0.9520 0.8782 0.7553 0.5914 0.4119
10 1.0000 1.0000 1.0000 0.9994 0.9961 0.9829 0.9468 0.8725 0.7507 0.5881
11 1.0000 1.0000 1.0000 0.9999 0.9991 0.9949 0.9804 0.9435 0.8692 0.7483
12 1.0000 1.0000 1.0000 1.0000 0.9998 0.9987 0.9940 0.9790 0.9420 0.8684
13 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9985 0.9935 0.9786 0.9423
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9984 0.9936 0.9793
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9985 0.9941
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998
18 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
*D+
API"D(C$ "# 3
D(-)(B+C(," D$ P*(--*" T I)M("*- AC+M+:A(3*-
[ ]

x
x
x
x
e
x X P
0
K
*

0 $ + , - . / 0 1 2 $0
0.01 0.990
0.02 0.980
0.03 0.970
0.04 0.961 0.999
0.05 0.951 0.999

0.06 0.942 0.998
0.07 0.932 0.998
0.08 0.923 0.997
0.09 0.914 0.996
0.10 0.905 0.995

0.15 0.861 0.990 0.999
0.20 0.819 0.982 0.999
0.25 0.779 0.974 0.998
0.30 0.741 0.963 0.996

0.35 0.705 0.951 0.994
0.40 0.670 0.938 0.992 0.999
0.45 0.638 0.925 0.989 0.999
0.50 0.607 0.910 0.986 0.998

0.55 0.577 0.894 0.982 0.998
0.60 0.549 0.878 0.977 0.997
0.65 0.522 0.861 0.972 0.996 0.999

*D4
Estadstica Aplicada
D(-)(B+C(," D$ P*(--*" T Frminos Acumulati'os
[ ]

x
x
x
x
e
x X P
0
K
*

0

$

+

,

-

.

/

0

1

2

$0

0.70 0.497 0.844 0.966 0.994 0.999
0.75 0.472 0.827 0.959 0.993 0.999

0.80 0.449 0.809 0.956 0.994 0.999
0.85 0.427 0.791 0.945 0.989 0.998
0.90 0.407 0.772 0.937 0.987 0.998
0.95 0.387 0.754 0.929 0.984 0.997
1.00 0.368 0.736 0.920 0.981 0.996 0.999

1.1 0.333 0.699 0.900 0.974 0.995 0.999
1.2 0.301 0.663 0.879 0.966 0.997 0.998
1.3 0.273 0.627 0.857 0.957 0.989 0.998
1.4 0.247 0.592 0.833 0.946 0.983 0.997 0.999
1.5 0.223 0.558 0.809 0.934 0.981 0.996 0.999

1.6 0.202 0.525 0.783 0.921 0.976 0.994 0.999
1.7 0.183 0.493 0.757 0.907 0.970 0.992 0.998
1.8 0.165 0.463 0.731 0.894 0.964 0.99 0.997 0.999
1.9 0.150 0.434 0.704 0.875 0.956 0.987 0.997 0.999
2.0 0.135 0.406 0.677 0.857 0.947 0.983 0.995 0.999

2.1 0.122 0.380 0.650 0.839 0.938 0.980 0.994 0.999
2.2 0.111 0.355 0.623 0.819 0.928 0.975 0.993 0.998
2.3 0.100 0.331 0.596 0.799 0.916 0.970 0.991 0.997 0.999
2.4 0.091 0.308 0.571 0.779 0.904 0.964 0.988 0.997 0.999
2.5 0.082 0.287 0.544 0.758 0.891 0.958 0.986 0.996 0.999
2.6 0.074 0.267 0.518 0.736 0.877 0.951 0.983 0.995 0.999
2.7 0.067 0.249 0.494 0.714 0.863 0.943 0.979 0.993 0.998 0.999
2.8 0.061 0.231 0.469 0.692 0.848 0.935 0.976 0.992 0.998 0.999
2.9 0.055 0.215 0.446 0.670 0.832 0.926 0.971 0.990 0.997 0.999
3.0 0.050 0.199 0.423 0.647 0.815 0.916 0.966 0.988 0.996 0.999

0 $ + , - . / 0 1 2 $0
3.2 0.041 0.171 0.380 0.603 0.781 0.895 0.955 0.983 0.994 0.998
3.4 0.330 0.147 0.340 0.558 0.744 0.871 0.942 0.977 0.992 0.997 0.999
3.6 0.027 0.126 0.303 0.515 0.706 0.844 0.927 0.969 0.988 0.996 0.999
3.8 0.022 0.107 0.269 0.473 0.668 0.816 0.909 0.96 0.984 0.994 0.998
4.0 0.018 0.092 0.239 0.433 0.629 0.785 0.889 0.949 0.979 0.992 0.997

4.2 0.015 0.078 0.210 0.395 0.590 0.753 0.897 0.936 0.972 0.989 0.996
4.4 0.012 0.066 0.185 0.359 0.551 0.72 0.844 0.921 0.964 0.985 0.994
4.6 0.010 0.056 0.163 0.326 0.513 0.686 0.818 0.905 0.955 0.98 0.992
4.8 0.008 0.048 0.143 0.940 0.476 0.651 0.791 0.887 0.944 0.975 0.99
5.0 0.007 0.040 0.126 0.265 0.440 0.616 0.762 0.867 0.932 0.968 0.986

5.2 0.006 0.034 0.109 0.238 0.406 0.581 0.732 0.845 0.918 0.96 0.982
5.4 0.005 0.290 0.095 0.213 0.373 0.546 0.702 0.822 0.903 0.951 0.977
5.6 0.004 0.024 0.082 0.191 0.342 0.512 0.67 0.797 0.886 0.941 0.975
5.8 0.003 0.021 0.071 0.17 0.313 0.478 0.638 0.771 0.867 0.929 0.965
6.0 0.002 0.017 0.062 0.151 0.285 0.446 0.606 0.744 0.847 0.916 0.957

*D6
D(-)(B+C(," D$ P*(--*" T Frminos Acumulati'os
[ ]

x
x
x
x
e
x X P
0
K

$$

$+

$,

$-

$.

3.2
3.4
3.6
3.8 0.999
4.0 0.999

4.2 0.999
4.4 0.998 0.999
4.6 0.997 0.999
4.8 0.996 0.999
5.0 0.995 0.998 0.999

5.2 0.993 0.997 0.999
5.4 0.990 0.996 0.999
5.6 0.988 0.995 0.998 0.999
5.8 0.984 0.993 0.997 0.999
6.0 0.980 0.991 0.996 0.999 0.999

0 $ + , - . / 0 1 2 $0
6.2 0.002 0.015 0.054 0.134 0.259 0.414 0.574 0.716 0.826 0.902 0.949
6.4 0.002 0.012 0.046 0.119 0.235 0.384 0.542 0.687 0.803 0.886 0.939
6.6 0.001 0.010 0.400 0.105 0.213 0.355 0.511 0.658 0.780 0.869 0.927
6.8 0.001 0.009 0.034 0.093 0.192 0.327 0.48 0.628 0.755 0.85 0.915
7.0 0.001 0.007 0.030 0.082 0.173 0.301 0.45 0.599 0.729 0.83 0.901

7.2 0.001 0.006 0.025 0.072 0.156 0.276 0.42 0.569 0.703 0.81 0.887
7.4 0.001 0.005 0.022 0.063 0.140 0.253 0.392 0.539 0.676 0.788 0.871
7.6 0.001 0.004 0.019 0.055 0.125 0.231 0.365 0.51 0.618 0.765 0.854
7.8 0.004 0.016 0.048 0.112 0.21 0.338 0.481 0.62 0.741 0.835
8.0 0.003 0.014 0.042 0.100 0.191 0.313 0.453 0.593 0.717 0.816

8.2 0.003 0.012 0.037 0.089 0.174 0.290 0.425 0.565 0.692 0.796
8.4 0.002 0.010 0.032 0.079 0.157 0.267 0.399 0.537 0.666 0.774

$$ $+ $, $- $. $/ $0 $1

6.2 0.975 0.099 0.995 0.998 0.999
6.4 0.969 0.986 0.994 0.997 0.999
6.6 0.963 0.982 0.992 0.997 0.999 0.999
6.8 0.955 0.978 0.990 0.996 0.998 0.999
7.0 0.947 0.973 0.987 0.994 0.998 0.999

7.2 0.937 0.967 0.984 0.993 0.997 0.999 0.999
7.4 0.926 0.961 0.980 0.991 0.996 0.998 0.999
7.6 0.915 0.954 0.976 0.989 0.995 0.998 0.999
7.8 0.902 0.945 0.971 0.986 0.993 0.997 0.999
8.0 0.888 0.936 0.966 0.983 0.992 0.996 0.998 0.999

8.2 0.873 0.926 0.960 0.979 0.990 0.995 0.998 0.999
8.4 0.857 0.915 0.952 0.975 0.987 0.994 0.997 0.999

*D?
Estadstica Aplicada
D(-)(B+C(," D$ P*(--*" T Frminos Acumulati'os [ ]

x
x
x
x
e
x X P
0
K

$ + , - . / 0 1 2 $0 $$ $+ $, $- $. $/ $0
8.5 0.002 0.009 0.030 0.074 0.150 0.256 0.386 0.523 0.653 0.763 0.849 0.909 0.949 0.973 0.986 0.993 0.997
9.0 0.001 0.006 0.021 0.055 0.116 0.207 0.324 0.456 0.587 0.706 0.803 0.876 0.926 0.959 0.978 0.989 0.995
9.5 0.001 0.004 0.015 0.040 0.089 0.165 0.269 0.392 0.522 0.645 0.752 0.836 0.898 0.940 0.967 0.982 0.991
10.0 0.003 0.010 0.029 0.067 0.13 0.220 0.333 0.256 0.583 0.697 0.792 0.864 0.917 0.951 0.973 0.986
10.5 0.002 0.007 0.021 0.050 0.102 0.179 0.279 0.397 0.521 0.639 0.742 0.825 0.888 0.932 0.960 0.978
11.0 0.001 0.005 0.015 0.038 0.079 0.143 0.232 0.341 0.460 0.579 0.689 0.781 0.854 0.907 0.944 0.968
11.5 0.001 0.003 0.011 0.028 0.06 0.114 0.191 0.289 0.402 0.520 0.633 0.733 0.815 0.878 0.924 0.954
12.0 0.001 0.002 0.008 0.020 0.046 0.090 0.155 0.242 0.347 0.462 0.376 0.682 0.772 0.844 0.899 0.937
12.5 0.002 0.005 0.015 0.035 0.070 0.125 0.201 0.297 0.406 0.519 0.628 0.725 0.806 0.869 0.916
13.0 0.001 0.004 0.011 0.026 0.354 0.100 0.166 0.252 0.353 0.463 0.573 0.675 0.764 0.835 0.890
13.5 0.001 0.003 0.008 0.019 0.041 0.079 0.135 0.211 0.304 0.409 0.518 0.623 0.718 0.798 0.861
14.0 0.002 0.006 0.014 0.032 0.067 0.109 0.176 0.260 0.358 0.464 0.570 0.669 0.756 0.827
14.5 0.001 0.004 0.010 0.024 0.048 0.088 0.145 0.220 0.311 0.413 0.518 0.619 0.711 0.790
15.0 0.001 0.003 0.008 0.018 0.037 0.070 0.118 0.185 0.268 0.363 0.466 0.568 0.664 0.749
16.0 0.001 0.004 0.010 0.022 0.043 0.077 0.127 0.193 0.275 0.680 0.467 0.566 0.659
17.0 0.001 0.002 0.005 0.130 0.026 0.049 0.085 0.135 0.201 0.281 0.371 0.468 0.564
18.0 0.001 0.003 0.007 0.015 0.030 0.055 0.092 0.143 0.208 0.287 0.375 0.469

$1 $2 +0 +$ ++ +, +- +. +/ +0 +1 +2 ,0 ,$ ,+

8.5 0.999 0.999
9.0 0.998 0.999
9.5 0.996 0.998 0.999
10.0 0.993 0.997 0.998 0.999
10.5 0.988 0.994 0.997 0.999 0.999
11.0 0.982 0.991 0.995 0.998 0.999
11.5 0.974 0.986 0.992 0.996 0.998 0.999
12.0 0.963 0.979 0.988 0.994 0.997 0.999 0.999
12.5 0.948 0.969 0.983 0.991 0.995 0.998 0.999 0.999
13.0 0.930 0.957 0.975 0.986 0.992 0.996 0.998 0.999
13.5 0.908 0.942 0.937 0.950 0.989 0.994 0.997 0.998 0.999
14.0 0.883 0.923 0.952 0.971 0.983 0.991 0.995 0.997 0.999 0.999
14.5 0.853 0.901 0.936 0.960 0.976 0.983 0.992 0.996 0.995 0.999 0.999
15.0 0.819 0.875 0.917 0.947 0.967 0.981 0.989 0.994 0.997 0.995 0.999
16.0 0.742 0.812 0.868 0.911 0.942 0.963 0.978 0.987 0.993 0.996 0.998 0.999 0.999
17.0 0.655 0.736 0.805 0.861 0.905 0.937 0.959 0.975 0.985 0.991 0.995 0.997 0.999 0.999
18.0 0.562 0.651 0.731 0.799 0.855 0.899 0.932 0.955 0.972 0.983 0.99 0.994 0.997 0.998 0.999
D(-)(B+C(," D$ P*(--*" T Frminos Acumulati'os [ ]

x
x
x
x
e
x X P
0
K

/ 0 1 2 $0 $$ $+ $, $- $. $/ $0
19.0 0.001 0.002 0.004 0.009 0.018 0.035 0.061 0.098 0.015 0.215 0.292 0.378
20.0 0.001 0.002 0.005 0.011 0.021 0.039 0.066 0.105 0.157 0.221 0.297
21.0 0.001 0.003 0.006 0.013 0.025 0.043 0.072 0.111 0.163 0.227
22.0 0.001 0.002 0.004 0.008 0.015 0.028 0.048 0.077 0.117 0.169
23.0 0.001 0.002 0.004 0.009 0.017 0.031 0.052 0.082 0.123
24.0 0.001 0.003 0.005 0.011 0.020 0.034 0.560 0.087
25.0 0.001 0.001 0.003 0.006 0.012 0.022 0.038 0.060

X

$1 $2 +0 +$ ++ +, +- +. +/ +0 +1 +2
19.0 0.469 0.561 0.647 0.725 0.793 0.849 0.395 0.927 0.951 0.697 0.980 0.988
20.0 0.381 0.470 0.559 0.644 0.721 0.787 0.343 0.888 0.922 0.948 0.966 0.978
21.0 0.302 0.840 0.471 0.558 0.640 0.716 0.782 0.838 0.383 0.917 0.944 0.863
22.0 0.232 0.306 0.387 0.472 0.556 0.637 0.712 0.777 0.832 0.877 0.913 0.940
23.0 0.175 0.238 0.310 0.389 0.472 0.555 0.635 0.708 0.772 0.327 0.873 0.908
24.0 0.128 0.180 0.243 0.314 0.392 0.473 0.554 0.632 0.704 0.768 0.823 0.868
25.0 0.092 0.134 0.185 0.247 0.318 0.394 0.473 0.553 0.629 0.700 0.763 0.818

,0 ,$ ,+ ,, ,- ,. ,/ ,0 ,1 ,2 -0 -$ -+
19.0 0.993 0.996 0.998 0.999 0.999
20.0 0.987 0.992 0.995 0.970 0.999 0.999
21.0 0.976 0.982 0.991 0.994 0.997 0.998 0.999 0.999
22.0 0.959 0.973 0.983 0.989 0.994 0.996 0.998 0.999 0.999
23.0 0.936 0.956 0.971 0.981 0.988 0.993 0.996 0.997 0.999 0.999
24.0 0.904 0.932 0.953 0.969 0.979 0.987 0.992 0.995 0.997 1.000 0.999 0.999
25.0 0.863 0.900 0.929 0.950 0.966 0.978 0.985 0.991 0.994 0.997 0.998 0.999 0.999

*DD
API"D(C$ "# 6
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ % "#!$

-4.00 0.00003 -3.55 0.00019 -3.10 0.00097
-3.99 0.00003 -3.54 0.00020 -3.09 0.00100
-3.98 0.00003 -3.53 0.00021 -3.08 0.00104
-3.97 0.00004 -3.52 0.00022 -3.07 0.00107
-3.96 0.00004 -3.51 0.00022 -3.06 0.00111

-3.95 0.00004 -3.50 0.00023 -3.05 0.00114
-3.94 0.00004 -3.49 0.00024 -3.04 0.00118
-3.93 0.00004 -3.48 0.00025 -3.03 0.00122
-3.92 0.00004 -3.47 0.00026 -3.02 0.00126
-3.91 0.00005 -3.46 0.00027 -3.01 0.00131

-3.90 0.00005 -3.45 0.00028 -3.00 0.00135
-3.89 0.00005 -3.44 0.00029 -2.99 0.00139
-3.88 0.00005 -3.43 0.00030 -2.98 0.00144
-3.87 0.00005 -3.42 0.00031 -2.97 0.00149
-3.86 0.00006 -3.41 0.00032 -2.96 0.00154

-3.85 0.00006 -3.40 0.00034 -2.95 0.00159
-3.84 0.00006 -3.39 0.00035 -2.94 0.00164
-3.83 0.00006 -3.38 0.00036 -2.93 0.00169
-3.82 0.00007 -3.37 0.00038 -2.92 0.00175
-3.81 0.00007 -3.36 0.00039 -2.91 0.00181

-3.80 0.00007 -3.35 0.00040 -2.90 0.00187
-3.79 0.00008 -3.34 0.00042 -2.89 0.00193
-3.78 0.00008 -3.33 0.00043 -2.88 0.00199
-3.77 0.00008 -3.32 0.00045 -2.87 0.00205
-3.76 0.00008 -3.31 0.00047 -2.86 0.00212

-3.75 0.00009 -3.30 0.00048 -2.85 0.00219
-3.74 0.00009 -3.29 0.00050 -2.84 0.00226
-3.73 0.00010 -3.28 0.00052 -2.83 0.00233
-3.72 0.00010 -3.27 0.00054 -2.82 0.00240
-3.71 0.00010 -3.26 0.00056 -2.81 0.00246

-3.70 0.00011 -3.25 0.00058 -2.80 0.00256
-3.69 0.00011 -3.24 0.00060 -2.79 0.00264
-3.68 0.00012 -3.23 0.00062 -2.78 0.00272
-3.67 0.00012 -3.22 0.00064 -2.77 0.00280
-3.66 0.00013 -3.21 0.00066 -2.76 0.00289

-3.65 0.00013 -3.20 0.00069 -2.75 0.00298
-3.64 0.00014 -3.19 0.00071 -2.74 0.00307
-3.63 0.00014 -3.18 0.00074 -2.73 0.00317
-3.62 0.00015 -3.17 0.00076 -2.72 0.00326
-3.61 0.00015 -3.16 0.00079 -2.71 0.00336

-3.60 0.00016 -3.15 0.00082 -2.70 0.00347
-3.59 0.00017 -3.14 0.00084 -2.69 0.00357
-3.58 0.00017 -3.13 0.00087 -2.68 0.00368
-3.57 0.00018 -3.12 0.00090 -2.67 0.00379
-3.56 0.00019 -3.11 0.00094 -2.66 0.00391

*DC
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ ! "#!$

-2.65 0.00402 -2.20 0.01390 -1.75 0.04006
-2.64 0.00415 -2.19 0.01426 -1.74 0.04093
-2.63 0.00427 -2.18 0.01463 -1.73 0.04182
-2.62 0.00440 -2.17 0.01500 -1.72 0.04772
-2.61 0.00453 -2.16 0.01539 -1.71 0.04363

-2.60 0.00466 -2.15 0.01578 -1.70 0.04457
-2.59 0.00480 -2.14 0.01618 -1.69 0.04551
-2.58 0.00494 -2.13 0.01659 -1.68 0.04648
-2.57 0.00508 -2.12 0.01700 -1.67 0.04746
-2.56 0.00523 -2.11 0.01743 -1.66 0.04846

-2.55 0.00539 -2.10 0.01786 -1.65 0.04947
-2.54 0.00554 -2.09 0.01831 -1.64 0.05050
-2.53 0.00520 -2.08 0.01876 -1.63 0.05155
-2.52 0.00587 -2.07 0.01923 -1.62 0.05262
-2.51 0.00604 -2.06 0.01970 -1.61 0.05370

-2.50 0.00621 -2.05 0.02018 -160 0.05480
-2.49 0.00639 -2.04 0.02068 -1.59 0.05592
-2.48 0.00657 -2.03 0.02118 -1.58 0.05705
-2.47 0.00676 -2.02 0.02169 -1.57 0.05821
-2.46 0.00695 -2.01 0.02222 -1.56 0.05938

-2.45 0.00714 -2.00 0.02275 -1.55 0.06057
2.44 0.00734 -1.99 0.02330 -1.54 0.06179
2.43 0.00755 -1.98 0.02385 -1.53 0.06301
-2.42 0.00776 -1.97 0.02442 -1.52 0.06426
-2.41 0.00798 -1.96 0.02500 -1.51 0.06552

-2.40 0.00820 -1.95 0.02569 -1.50 0.06681
-2.39 0.00842 -1.94 0.02619 -1.49 0.06811
-2.38 0.00866 -1.93 0.02680 -1.48 0.06944
-2.37 0.00889 -1.92 0.02745 -1.47 0.07078
-2.36 0.00914 -1.91 0.02807 -1.46 0.07215

-2.35 0.00939 -1.90 0.02872 -1.45 0.07353
-2.34 0.00940 -1.89 0.02938 -1.44 0.07493
-2.33 0.00990 -1.88 0.03005 -1.43 0.07636
-2.32 0.01017 -1.87 0.03074 -1.42 0.07780
-2.31 0.01044 -1.86 0.03144 -1.41 0.07927

-2.30 0.01072 -1.85 0.03216 -1.40 0.08076
-2.29 0.01101 -1.84 0.03288 -1.39 0.08226
-2.28 0.01130 -1.83 0.03362 -1.38 0.08379
-2.27 0.01160 -1.82 0.03438 -1.37 0.08534
-2.26 0.01191 -1.81 0.03515 -1.36 0.08691

-2.25 0.01222 -1.80 0.03593 -1.35 0.08851
-2.24 0.01255 -1.79 0.03673 -1.34 0.09012
-2.23 0.01287 -1.78 0.03754 -1.33 0.09176
-2.22 0.01321 -1.77 0.03836 -1.32 0.09342
-2.21 0.01355 -1.76 0.03920 -1.31 0.09510
*DE
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ ! "#!$

-1.30 0.09680 -0.85 0.19766 -0.40 0.34458
-1.29 0.09853 -0.84 0.20045 -0.39 0.34827
-1.28 0.10027 -0.83 0.20327 -0.38 0.35197
-1.2 0.10204 -0.82 0.20611 -0.37 0.35569
-1.26 0.10383 -0.81 0.20897 -0.36 0.35942

-1.25 0.10565 -0.80 0.21186 -0.35 0.36317
-1.24 0.10749 -0.79 0.21476 -0.34 0.36693
-1.23 0.10935 -0.78 0.21770 -0.33 0.37070
-1.22 0.11123 -0.77 0.22065 -0.32 0.37448
-1.21 0.11314 -0.76 0.22363 -0.31 0.37828

-1.20 0.11507 -0.75 0.22663 -0.30 0.38209
-1.19 0.11702 -0.74 0.22965 -0.29 0.38591
-1.18 0.11900 -0.73 0.23270 -0.28 0.38974
-1.17 0.12100 -0.72 0.23576 -0.27 0.39358
-1.16 0.12302 -0.71 0.23885 -0.26 0.39743

-1.15 0.12507 -0.70 0.24196 -0.25 0.40129
-1.14 0.12714 -0.69 0.24510 -0.24 0.40517
-1.13 0.12924 -0.68 0.24825 -0.23 0.40905
-1.12 0.13136 -0.67 0.25143 -0.22 0.41294
-1.11 0.13350 -0.66 0.25463 -0.21 0.41683

-1.10 0.13567 -0.65 0.25785 -0.20 0.42074
-1.09 0.13786 -0.64 0.26109 -0.19 0.42465
-1.08 0.14007 -0.63 0.26435 -0.18 0.42858
-1.07 0.14231 -0.62 0.26763 -0.17 0.43251
-1.06 0.14457 -0.61 0.27093 -0.16 0.43644

-1.05 0.14686 -0.60 0.27425 -0.15 0.44038
-1.04 0.14917 -0.59 0.27760 -0.14 0.44433
-1.03 0.15150 -0.58 0.28096 -0.13 0.44828
-1.02 0.15386 -0.57 0.28434 -0.12 0.45224
-1.01 0.15625 -0.56 0.28774 -0.11 0.45620

-1.00 0.15866 -0.55 0.29116 -0.10 0.46017
-0.99 0.16109 -0.54 0.29460 -0.09 0.46414
-0.98 0.16354 -0.53 0.29806 -0.08 0.46812
-0.97 0.16602 -0.52 0.30153 -0.07 0.47210
-0.96 0.16853 -0.51 0.30503 -0.06 0.47608

-0.95 0.17106 -0.50 0.30854 -0.05 0.48006
-0.94 0.17361 -0.49 0.31207 -0.04 0.48805
-0.93 0.17619 -0.48 0.31561 -0.03 0.48803
-0.92 0.17879 -0.47 0.31918 -0.02 0.49202
-0.91 0.18141 -0.46 0.32276 -0.01 0.49601

-0.90 0.18406 -0.45 0.32636 0.00 0.50000
-0.89 0.18673 -0.44 0.32997 0.01 0.50399
-0.88 0.18943 -0.43 0.33360 0.02 0.50798
-0.87 0.19215 -0.42 0.33724 0.03 0.51197
-0.86 0.19489 -0.41 0.34090 0.04 0.51595
*C=
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ ! "#!$

0.05 0.51994 0.50 0.69146 0.95 0.82894
0.06 0.52392 0.51 0.69497 0.96 0.83147
0.07 0.52790 0.52 0.69847 0.97 0.83398
0.08 0.53188 0.53 0.70194 0.98 0.83646
0.09 0.53586 0.54 0.70540 0.99 0.83891

0.10 0.53983 0.55 0.70884 1.00 0.84134
0.11 0.54380 0.56 0.12260 1.01 0.84375
0.12 0.54776 0.57 0.71566 1.02 0.84614
0.13 0.55172 0.58 0.71904 1.03 0.84850
0.14 0.55561 0.59 0.72240 1.04 0.85083

0.15 0.55962 0.60 0.72575 1.05 0.85314
0.16 0.56356 0.61 0.72907 1.06 0.85543
0.17 0.56749 0.62 0.73237 1.07 0.85769
0.18 0.57142 0.63 0.73565 1.08 0.85993
0.19 0.57535 0.64 0.73891 1.09 0.86214

0.20 0.57926 0.65 0.74215 1.10 0.86433
0.21 0.58317 0.66 0.74537 1.11 0.86650
0.22 0.58706 0.67 0.74857 1.12 0.86864
0.23 0.59095 0.68 0.75175 1.13 0.87076
0.24 0.59483 0.69 0.75490 1.14 0.87286

0.25 0.59871 0.70 0.75804 1.15 0.87493
0.26 0.60257 0.71 0.76115 1.16 0.87698
0.27 0.60612 0.72 0.76424 1.17 0.87900
0.28 0.61026 0.73 0.76730 1.18 0.88100
0.29 0.61409 0.74 0.77035 1.19 0.88298

0.30 0.61791 0.75 0.77337 1.20 0.88493
0.31 0.62172 0.76 0.77637 1.21 0.88686
0.32 0.62552 0.77 0.77935 1.22 0.88877
0.33 0.62930 0.78 0.78230 1.23 0.89065
0.34 0.63307 0.79 0.78524 1.24 0.89251

0.35 0.63383 0.80 0.78814 1.25 0.89435
0.36 0.64058 0.81 0.79103 1.26 0.89617
0.37 0.64431 0.82 0.79389 1.27 0.89796
0.38 0.64803 0.83 0.79677 1.28 0.89973
0.39 0.65173 0.84 0.79955 1.29 0.90147

0.40 0.65542 0.85 0.80234 1.30 0.90320
0.41 0.65910 0.86 0.80511 1.31 0.90490
0.42 0.66276 0.87 0.80785 1.32 0.90658
0.43 0.66640 0.88 0.81057 1.33 0.90824
0.44 0.67003 0.89 0.81327 1.34 0.90988

0.45 0.67364 0.90 0.81594 1.35 0.91149
0.46 0.67724 0.91 0.81859 1.36 0.91309
0.47 0.68082 0.92 0.82121 1.37 0.91466
0.48 0.68439 0.93 0.82381 1.38 0.91621
0.49 0.68793 0.94 0.82639 1.39 0.91774
*C*
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ ! "#!$

1.40 0.91924 1.85 0.96784 2.30 0.98928
1.41 0.92030 1.86 0.96856 2.31 0.98956
1.42 0.92220 1.87 0.96926 2.32 0.98983
1.43 0.92364 1.88 0.96995 2.33 0.99010
1.44 0.92507 1.89 0.97706 2.34 0.99030

1.45 0.92647 1.90 0.97128 2.35 0.99061
1.46 0.92785 1.91 0.97193 2.36 0.99086
1.47 0.92922 1.92 0.97257 2.37 0.99111
1.48 0.93056 1.93 0.97320 2.38 0.99134
1.49 0.93189 1.94 0.97381 2.39 0.99158

1.50 0.93319 1.95 0.97441 2.40 0.99180
1.51 0.93443 1.96 0.97500 2.41 0.99202
1.52 0.93574 1.97 0.97558 2.42 0.99224
1.53 0.93699 1.98 0.97615 2.43 0.99245
1.54 0.93822 1.99 0.97670 2.44 0.99266

1.55 0.93943 2.00 0.97725 2.45 0.99286
1.56 0.94062 2.01 0.97778 2.46 0.99305
1.57 0.94179 2.02 0.97831 2.47 0.99324
1.58 0.94295 2.03 0.97882 2.48 0.99343
1.59 0.94408 2.04 0.97932 2.49 0.99361

1.60 0.94520 2.05 0.97982 2.50 0.99379
1.61 0.94630 2.06 0.98030 2.51 0.99396
1.62 0.94738 2.07 0.98077 2.52 0.99413
1.63 0.94845 2.08 0.98124 2.53 0.99430
1.64 0.94950 2.09 0.98169 2.54 0.99446

1.65 0.95053 2.10 0.98214 2.55 0.99461
1.66 0.95154 2.11 0.98257 2.56 0.99477
1.67 0.95254 2.12 0.98300 2.57 0.99492
1.68 0.95352 2.13 0.98341 2.58 0.99506
1.69 0.95449 2.14 0.98382 2.59 0.99520

1.70 0.95543 2.15 0.98422 2.60 0.99534
1.71 0.95637 2.16 0.98461 2.61 0.99547
1.72 0.95728 2.17 0.98500 2.62 0.99560
1.73 0.95818 2.18 0.98537 2.63 0.99573
1.74 0.95907 2.19 0.98574 2.64 0.99585

1.75 0.95994 2.20 0.98610 2.65 0.99598
1.76 0.96080 2.21 0.98645 2.66 0.99609
1.77 0.96164 2.22 0.98679 2.67 0.99621
1.78 0.96246 2.23 0.98713 2.68 0.99632
1.79 0.96327 2.24 0.98745 2.69 0.99643

1.80 0.96407 2.25 0.98778 2.70 0.99653
1.81 0.96485 2.26 0.98809 2.71 0.99664
1.82 0.96562 2.27 0.98840 2.72 0.99674
1.83 0.96638 2.28 0.98870 2.73 0.99683
1.84 0.96771 2.29 0.98899 2.74 0.99693

*C0
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A "*)MA:
( ) d! e ! (
!
!
2
2
2
1

! "#!$ ! "#!$ ! "#!$

2.75 0.99702 3.20 0.99931 3.65 0.99987
2.76 0.99711 3.21 0.99934 3.66 0.99987
2.77 0.99720 3.22 0.99936 3.67 0.99988
2.78 0.99728 3.23 0.99938 3.68 0.99988
2.79 0.99736 3.24 0.99940 3.69 0.99989

2.80 0.99744 3.25 0.99942 3.70 0.99989
2.81 0.99752 3.26 0.99944 3.71 0.99990
2.82 0.99760 3.27 0.99946 3.72 0.99990
2.83 0.99767 3.28 0.99948 3.73 0.99990
2.84 0.99774 3.29 0.99950 3.74 0.99991

2.85 0.99781 3.30 0.99952 3.75 0.99991
2.86 0.99788 3.31 0.99953 3.76 0.99992
2.87 0.99795 3.32 0.99955 3.77 0.99992
2.88 0.99801 3.33 0.99957 3.78 0.99992
2.89 0.99807 3.34 0.99958 3.79 0.99992

2.90 0.99813 3.35 0.99960 3.80 0.99993
2.91 0.99819 3.36 0.99961 3.81 0.99993
2.92 0.99825 3.37 0.99962 3.82 0.99993
2.93 0.99831 3.38 0.99964 3.83 0.99994
2.94 0.99836 3.39 0.99965 3.84 0.99994

2.95 0.99841 3.40 0.99966 3.85 0.99994
2.96 0.99846 3.41 0.99968 3.86 0.99994
2.97 0.99851 3.42 0.99969 3.87 0.99995
2.98 0.99856 3.43 0.99970 3.88 0.99995
2.99 0.99861 3.44 0.99971 3.89 0.99995

3.00 0.99865 3.45 0.99972 3.90 0.99995
3.01 0.99869 3.46 0.99973 3.91 0.99995
3.02 0.99874 3.47 0.99974 3.92 0.99996
3.03 0.99878 3.48 0.99975 3.93 0.99996
3.04 0.99882 3.49 0.99976 3.94 0.99996

3.05 0.99989 3.50 0.99977 3.95 0.99996
3.06 0.99889 3.51 0.99978 3.96 0.99996
3.07 0.99893 3.52 0.99978 3.97 0.99996
3.08 0.99897 3.53 0.99979 3.98 0.99997
3.09 0.99900 3.54 0.99980 3.99 0.99997

3.10 0.99903 3.55 0.99981 4.00 0.99997
3.11 0.99906 3.56 0.99981
3.12 0.99910 3.57 0.99982
3.13 0.99913 3.58 0.99983
3.14 0.99916 3.59 0.99983

3.15 0.99918 3.60 0.99984
3.16 0.99921 3.61 0.99985
3.17 0.99924 3.62 0.99985
3.18 0.99926 3.63 0.99986
3.19 0.99929 3.64 0.99986

*C+
API"D(C$ "# 7
D(-)(B+C(," AC+M+:A(3A t
*C4
Estadstica Aplicada
n
p
0.75 0.8 0.85 0.9 0.95 0.975 0.99 0.995 0.9995
1 1.0005 1.376 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 0.816 1.071 1.386 1.836 2.920 4.303 6.965 9.925 31.598
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.941
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.850
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.449 5.405
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.866 1.071 1.337 1.746 2.120 2.584 2.921 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.969
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.540 2.861 3.883
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.800 2.518 2.831 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.477 2.779 3.707
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.683 0.854 1.055 1.311 1.699 2.047 2.462 2.756 3.659
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.646
35 0.682 0.852 1.052 1.306 1.690 2.030 2.438 2.724 3.591
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.551
45 0.680 0.850 1.048 1.301 1.680 2.014 2.412 2.690 3.520
50 0.680 0.849 1.047 1.299 1.676 2.008 2.403 2.698 3.496
55 0.679 0.849 1.047 1.297 1.673 2.004 2.396 2.669 3.476
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.600 3.460
70 0.678 0.847 1.045 1.294 1.667 1.944 2.381 2.648 3.435
80 0.678 0.847 1.044 1.293 1.665 1.990 2.374 2.638 3.416
90 0.678 0.846 1.043 1.291 1.662 1.987 2.368 2.632 3.402
100 0.677 0.846 1.042 1.290 1.661 1.984 2.364 2.626 3.390
200 0.676 0.844 1.039 1.286 1.653 1.972 2.445 2.601 3.340
300 0.676 0.843 1.038 1.285 1.650 1.968 2.437 2.592 3.323
400 0.676 0.843 1.038 1.284 1.649 1.966 2.434 2.588 3.315
500 0.676 0.843 1.037 1.284 1.648 1.965 2.432 2.586 3.310
1000 0.675 0.842 1.037 1.283 1.647 1.962 2.427 2.581 3.301
0.67449 0.84162 1.03643 1.28155 1.64485 1.95996 2.32630 2.57582 3.29053
*C6
API"D(C$ "# 8
D(-)(B+C(," AC+M+:A(3A
;i TC+AD)ADA
n
p
0.0005 0.001 0.005 0.01 0.025 0.05 0.1 0.2 0.3 0.4
1 0.06393 0.05157 0.04393 0.03157 0.02982 0.01393 0.0158 0.0642 0.148 0.275
2 0.02100 0.01200 0.0100 0.0201 0.0506 0.103 0.211 0.446 0.713 1.02
3 0.0153 0.0243 0.0717 0.115 0.216 0.352 0.584 1.00 1.42 1.87
4 0.0636 0.0908 0.207 0.297 0.484 0.711 1.06 1.65 2.19 2.75
5 0.158 0.210 0.412 0.554 0.831 1.15 1.61 2.34 3.00 3.66
6 0.299 0.381 0.676 0.872 1.24 1.64 2.20 3.07 3.83 4.57
7 0.485 0.598 0.989 1.24 1.69 2.17 2.83 3.82 4.67 5.49
8 0.710 0.857 1.34 1.65 2.18 2.73 3.49 4.59 5.53 6.42
9 0.972 1.15 1.73 2.09 2.70 3.33 4.17 5.38 6.39 7.36
10 1.26 1.48 2.16 2.56 3.25 3.94 4.87 6.18 7.27 8.30
11 1.59 1.83 2.60 3.05 3.82 4.57 5.58 6.99 8.15 9.24
12 1.93 2.21 3.07 3.57 4.40 5.23 6.30 7.81 9.03 10.2
13 2.31 2.62 3.57 4.11 5.01 5.89 7.04 8.63 9.93 11.1
14 2.70 3.04 4.07 4.66 5.63 6.57 7.79 9.47 10.8 12.1
15 3.11 3.48 4.60 5.23 6.26 7.26 8.55 10.3 11.7 13.0
16 3.54 3.94 5.14 5.81 6.91 7.96 9.31 11.2 12.6 14.0
17 3.98 4.42 5.70 6.41 7.56 8.67 10.1 12.0 13.5 14.9
18 4.44 4.90 6.26 7.01 8.23 9.39 10.9 12.9 14.4 15.9
19 4.91 5.41 6.84 7.63 8.91 10.1 11.7 13.7 15.4 16.9
20 5.40 5.92 7.43 8.26 9.50 10.9 12.4 14.6 16.3 17.8
21 5.90 6.45 8.03 8.90 10.3 11.6 13.2 15.4 17.2 18.8
22 6.40 6.98 8.64 9.54 11.0 12.3 14.0 16.3 18.1 19.7
23 6.92 7.53 9.26 10.2 11.7 13.1 14.8 17.2 19.0 20.7
24 7.45 8.08 9.89 10.9 12.4 13.8 15.7 18.1 19.9 21.7
25 7.99 8.65 10.5 11.5 13.1 14.6 16.5 18.9 20.9 22.6
26 8.54 9.22 11.2 12.2 13.8 15.4 17.3 19.8 21.8 23.6
27 9.09 9.80 11.8 12.9 14.6 16.2 18.1 20.7 22.7 24.5
28 9.66 10.4 12.5 13.6 15.3 16.9 18.0 21.6 23.6 25.5
29 10.2 11.0 13.1 14.3 16.0 17.7 19.8 22.5 24.6 26.5
30 10.8 11.6 13.8 15.0 16.8 18.5 20.6 23.4 25.5 27.4
31 11.4 12.2 14.5 15.7 17.5 19.3 21.4 24.3 26.4 28.4
32 12.0 12.8 15.1 16.4 18.3 20.1 22.3 25.1 27.4 29.4
33 12.6 13.4 15.8 17.1 19.0 20.9 23.5 26.0 28.3 30.3
34 13.2 14.1 16.5 17.8 19.8 21.7 24.0 26.9 29.2 31.3
35 13.8 14.7 17.2 18.5 20.6 22.5 24.8 27.8 30.2 32.3
36 14.4 15.3 17.9 19.2 21.3 23.3 25.6 28.7 31.1 33.3
37 15.0 16.0 18.6 20.0 22.1 24.1 26.5 29.6 32.1 34.2
38 15.6 16.6 19.3 20.7 22.9 24.9 27.3 30.5 33.0 35.2
39 16.3 17.3 20.0 21.4 23.7 25.7 28.2 31.4 33.0 36.2
40 16.9 17.9 20.7 22.2 24.4 26.5 29.1 32.3 34.9 37.1
41 17.5 18.6 21.4 22.9 25.2 27.3 29.9 33.3 35.8 38.1
42 18.2 19.2 22.1 23.7 26.0 28.1 30.8 34.2 36.8 39.1
43 18.8 19.9 22.9 24.4 26.8 29.0 31.6 35.1 36.7 40.0
44 19.5 20.6 23.6 25.1 27.6 29.8 32.5 36.0 38.6 41.0
45 20.1 21.3 24.3 25.9 28.4 30.6 33.4 36.9 39.6 42.0
46 20.8 21.9 25.0 26.7 29.2 31.4 34.2 37.8 40.5 43.0
47 21.5 22.6 25.8 27.4 30.0 32.3 35.1 38.7 41.5 43.9
48 22.1 23.3 26.5 28.2 30.8 33.1 35.9 39.6 42.4 44.9
49 22.8 24.0 27.2 28.9 31.6 33.9 36.8 40.5 43.4 45.9
50 23.5 24.7 28.0 29.7 32.4 34.8 37.7 41.4 44.3 46.9
0)0
,
*'* = 0)*'* x 10
-,
= 0)000000*'*
*C?
0
2
) (n
x
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A
;i TC+AD)ADA
n
p
0.50 0.60 0.70 0.80 0.90 0.95 0.975 0.99 0.995 0.999 0.9995
1 0.455 0.708 1.07 1.64 2.71 3.84 5.02 6.63 7.88 10.8 12.1
2 1.39 1.83 2.41 3.22 4.61 5.99 7.38 9.21 10.6 13.8 15.2
3 2.37 2.95 3.67 4.64 6.25 7.81 9.35 11.3 12.8 16.3 17.7
4 3.36 4.04 4.88 5.99 7.78 9.49 11.1 13.3 14.9 18.5 20.0
5 4.36 5.13 6.06 7.29 9.24 11.1 12.8 15.1 16.7 20.5 22.1
6 5.35 6.21 7.23 8.56 10.6 12.6 14.4 16.8 18.5 22.5 24.1
7 6.35 7.28 8.38 9.8 12.0 14.1 16.0 18.5 20.3 24.3 26.0
8 7.34 8.35 9.52 11.9 13.4 15.5 17.5 20.1 22.0 26.1 27.9
9 8.34 9.41 10.7 12.2 14.7 16.9 19.0 21.7 23.6 27.9 29.7
10 9.34 10.5 11.8 13.4 16.0 18.3 20.5 23.2 25.2 29.6 31.4
11 10.3 11.5 12.9 14.6 17.3 19.7 21.9 24.7 26.8 31.3 33.1
12 11.3 12.6 14.4 15.8 18.5 21.0 23.3 26.2 28.3 32.9 34.8
13 12.3 13.6 15.1 17.0 19.8 22.4 24.7 27.7 29.8 34.5 36.5
14 13.3 14.7 16.2 18.2 21.1 23.7 26.1 29.1 31.3 36.1 38.1
15 14.3 15.7 17.3 19.3 22.3 25.0 27.5 30.6 32.8 37.7 39.7
16 15.3 16.8 18.4 20.5 23.5 26.3 28.8 32.0 34.3 39.3 41.3
17 16.3 17.8 19.5 21.6 24.8 27.6 30.2 33.4 35.7 40.8 42.9
18 17.3 18.9 20.6 22.8 26.0 28.9 31.5 34.8 37.2 42.3 44.4
19 18.3 19.9 21.7 23.9 27.2 30.1 32.9 36.2 38.6 43.8 46.0
20 19.3 21.0 22.8 25.0 28.4 31.4 34.2 37.2 40.0 45.3 47.5
21 20.3 22.0 23.9 26.2 29.6 32.7 35.5 38.9 41.4 46.8 49.0
22 21.3 23.0 24.9 27.3 30.8 33.9 36.8 40.3 42.8 48.3 50.5
23 22.3 24.1 26.0 28.4 32.0 35.2 38.1 41.6 44.2 49.7 52.0
24 23.3 25.1 27.1 29.6 33.2 36.4 39.4 43.0 45.6 51.2 53.5
25 24.3 26.1 28.2 30.7 34.4 37.7 40.6 44.3 46.9 52.6 54.9
26 25.3 27.2 29.2 31.8 35.6 38.9 41.9 45.6 48.3 54.1 56.4
27 26.3 28.2 30.3 32.9 36.7 40.1 43.2 47.0 49.6 55.5 57.9
28 27.3 29.2 31.4 34.0 37.9 41.3 44.5 48.3 51.0 56.9 59.3
29 28.3 30.3 32.5 35.1 39.1 42.6 45.7 49.6 52.3 58.3 60.7
30 29.3 31.3 33.5 36.3 40.3 43.8 47.0 50.9 53.7 59.7 62.2
31 30.3 32.3 34.6 37.4 41.4 45.0 48.2 52.2 55.0 61.1 63.6
32 31.3 33.4 35.7 38.5 42.6 46.2 49.5 53.5 56.3 62.5 65.0
33 32.3 34.4 36.7 39.6 43.7 47.4 50.7 54.8 57.6 63.9 66.4
34 33.3 35.4 37.8 40.7 44.9 48.6 52.0 56.1 59.0 65.2 67.8
35 34.3 36.5 38.9 41.8 46.1 49.8 53.2 57.3 60.3 66.6 69.2
36 35.3 37.5 39.9 42.9 47.2 51.0 54.4 58.6 61.6 68.0 70.6
37 36.3 38.5 41.0 44.0 48.4 52.2 55.7 59.9 62.9 69.3 72.0
38 37.3 39.6 42.0 45.1 49.5 53.4 56.9 61.2 64.2 70.7 73.4
39 38.3 40.6 43.1 46.2 50.7 54.6 58.1 62.4 65.5 72.1 74.7
40 39.3 41.6 44.2 47.3 51.8 55.8 59.3 63.7 66.8 73.4 76.1
41 40.3 42.7 45.2 48.4 52.9 56.9 60.6 65.0 68.1 74.7 77.5
42 41.3 43.7 46.3 49.5 54.1 58.1 61.8 66.2 69.3 76.1 78.8
43 42.3 44.7 47.3 50.5 55.2 59.3 63.0 67.5 70.6 77.4 80.2
44 43.3 45.7 48.4 51.6 56.4 60.5 64.2 68.7 71.9 78.7 81.5
45 44.3 46.8 49.5 52.7 57.5 61.7 65.4 70.0 73.2 80.1 82.9
46 45.3 47.8 50.5 53.8 58.6 62.8 66.6 71.2 74.4 81.4 84.2
47 46.3 48.8 51.6 54.9 59.8 54.0 67.8 72.4 75.7 82.7 85.6
48 47.3 49.8 52.6 56.0 60.9 65.2 69.0 73.7 77.0 84.0 86.9
49 48.3 50.9 53.7 57.1 62.0 66.3 70.2 74.9 78.2 85.4 88.2
50 49.3 51.9 54.7 58.2 63.2 67.5 71.4 76.2 79.5 86.7 80.6
*CD
0
2
) (n
x
D(-)(B+C(," AC+M+:A(3A
;i TC+AD)ADA
n
p
0.0005 0.001 0.005 0.01 0.025 0.05 0.1 0.2 0.3 0.4 0.5
51 24.1 25.4 28.7 30.5 32.2 35.6 38.6 42.4 45.3 47.8 50.3
52 24.8 26.1 29.5 31.2 34.0 36.4 39.4 43.3 46.2 48.8 51.3
53 25.5 26.8 30.2 32.0 34.8 37.3 40.3 44.2 47.2 49.8 52.3
54 26.2 27.5 31.0 32.8 35.6 38.1 41.2 45.1 48.1 50.8 53.3
55 26.9 28.2 31.7 33.6 36.4 39.0 42.1 46.0 49.1 51.7 54.3
56 27.6 28.9 32.5 34.3 37.2 39.8 42.9 47.0 50.0 52.7 55.2
57 28.2 29.6 33.2 35.1 38.0 40.6 43.8 47.9 51.0 53.7 56.3
58 28.9 30.3 34.0 35.9 38.8 41.5 44.7 48.8 51.9 54.7 57.3
59 29.6 31.0 34.8 36.7 39.7 42.3 45.6 49.7 52.9 55.6 58.3
60 30.3 31.7 35.5 37.5 40.5 43.2 46.5 50.6 53.8 56.6 59.3
61 31.0 32.5 36.3 38.3 41.3 44.0 47.3 51.6 54.8 57.6 60.3
62 31.7 33.2 37.1 39.1 42.1 44.9 48.2 52.5 55.7 58.6 61.3
63 32.5 33.8 37.8 39.9 43.0 45.7 49.1 53.4 56.7 59.6 62.3
64 33.2 34.6 38.6 40.6 43.8 46.6 50.0 54.3 57.6 60.5 63.3
65 33.9 35.4 39.4 41.4 44.6 47.4 50.9 55.3 58.6 61.5 64.3
66 34.6 36.1 40.2 42.2 45.4 48.3 51.8 56.2 59.5 62.5 65.3
67 35.3 36.8 40.9 43.0 46.3 49.2 52.7 57.1 60.5 63.5 66.3
68 36.0 38.6 41.7 43.8 47.1 50.0 53.5 58.0 61.4 64.4 67.3
69 36.7 38.3 42.5 44.6 47.9 50.9 54.4 59.0 62.4 65.4 68.3
70 37.5 39.0 43.3 45.4 48.8 51.7 55.3 59.9 63.3 66.4 69.3
71 38.2 39.8 44.1 46.2 49.6 52.6 56.2 60.8 64.3 67.4 70.3
72 38.9 40.5 44.8 47.1 50.4 53.5 57.1 61.8 65.3 68.4 71.3
73 39.6 41.3 45.3 47.9 51.3 54.3 58.0 62.7 66.2 69.3 72.3
74 40.4 42.0 46.4 48.7 52.1 55.2 58.9 63.6 67.2 70.3 73.3
75 41.1 42.8 47.2 49.5 52.9 56.1 59.8 64.5 68.1 71.3 74.3
76 41.8 43.5 48.0 50.3 53.8 56.9 60.7 65.5 69.1 72.3 75.3
77 42.6 44.3 48.8 51.1 54.6 57.8 61.6 66.4 70.0 73.2 76.3
78 43.3 45.0 49.6 51.9 55.5 58.7 62.5 67.3 71.0 74.2 77.3
79 44.1 45.8 50.4 52.7 56.3 59.5 63.4 68.3 72.0 75.2 78.3
80 44.8 56.5 51.2 53.5 57.2 60.4 64.3 69.2 72.9 76.2 79.3
81 45.5 47.3 52.0 54.4 58.0 61.3 65.2 70.1 73.9 77.2 80.3
82 46.3 48.0 52.8 55.2 58.8 62.1 66.1 71.1 74.8 78.1 81.3
83 47.0 48.8 53.6 56.0 59.7 63.0 67.0 72.0 75.8 79.1 82.3
84 47.8 49.6 54.4 56.8 60.5 63.9 67.9 72.9 76.8 80.1 83.3
85 48.5 50.3 55.2 57.6 61.4 64.7 69.8 73.9 77.7 81.1 84.3
86 49.3 51.1 56.0 58.5 62.2 65.6 69.7 74.8 78.7 82.1 85.3
87 50.0 51.9 56.8 59.3 63.1 66.5 90.6 75.7 79.6 83.0 86.3
88 50.8 52.6 57.6 60.1 63.9 67.4 71.5 76.7 80.6 84.0 87.3
89 51.5 53.4 58.4 60.9 64.8 68.2 72.4 77.6 81.6 85.0 88.3
90 52.3 54.2 59.2 61.8 65.6 69.1 73.3 78.6 82.5 86.0 89.3
91 53.0 54.9 60.0 62.6 66.5 70.0 74.2 79.5 83.5 87.0 90.3
92 53.8 55.7 60.8 63.4 67.4 70.9 75.1 80.4 84.4 88.0 91.3
93 54.5 56.5 61.6 64.2 68.2 71.8 76.0 81.4 85.4 88.9 92.3
94 55.3 57.2 62.4 65.1 69.1 72.6 76.9 82.3 86.4 89.9 93.3
95 56.1 58.0 63.2 65.9 69.9 73.5 77.8 83.2 87.3 90.9 94.3
96 56.8 58.8 94.1 66.7 70.8 74.4 78.7 84.2 88.3 91.9 95.3
97 57.6 59.6 64.9 67.6 71.6 75.3 79.6 85.1 89.2 92.9 96.3
98 58.4 60.4 65.7 68.4 72.5 76.2 80.5 86.1 90.2 93.8 97.3
99 59.1 61.1 66.5 69.2 73.4 77.0 81.4 87.0 91.2 94.8 98.3
100 59.9 61.9 67.3 70.1 74.2 77.9 82.4 87.9 92.1 95.8 99.3
*CC
0
2
) (n
x
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A
;i TC+AD)ADA
N
p
0.60 0.70 0.80 0.90 0.95 0.975 0.99 0.995 0.999 0.9995
51 52.9 55.8 59.2 64.3 68.7 72.6 77.4 80.7 88.0 90.9
52 53.9 56.8 60.3 65.4 69.8 73.8 78.6 82.0 89.3 92.2
53 55.0 57.9 61.4 66.5 71.0 75.0 79.8 83.3 90.6 93.6
54 56.0 58.9 62.5 67.7 72.2 76.2 81.1 84.5 91.9 94.8
55 57.0 60.0 63.6 68.8 73.3 77.4 82.3 85.7 93.2 96.2
56 58.0 61.0 64.7 69.9 74.5 78.6 83.5 87.0 94.5 97.5
57 59.1 62.1 65.7 71.0 75.6 79.8 84.7 88.2 95.8 98.8
58 60.1 63.1 66.8 72.2 76.7 80.9 86.0 89.5 97.0 100.1
59 61.1 64.2 67.9 73.3 77.9 82.1 87.2 91.7 98.3 104.1
60 62.1 65.2 69.0 74.4 79.1 83.3 88.4 82.0 99.6 102.7
61 63.2 66.3 70.0 75.5 80.2 84.5 89.6 93.2 100.9 104.0
62 64.2 67.3 71.1 76.6 81.4 85.7 90.8 94.4 102.2 105.3
63 65.2 68.4 72.2 77.7 82.5 86.8 92.0 95.6 103.4 106.6
64 66.2 69.4 73.3 78.9 83.7 88.0 93.2 96.9 104.7 107.9
65 67.2 70.5 74.4 80.0 84.8 89.2 94.4 98.1 106.0 109.2
66 68.3 71.5 75.4 84.1 86.0 90.3 95.6 99.3 107.3 110.5
67 69.3 72.6 76.5 82.2 87.1 91.5 96.8 100.6 108.5 111.7
68 70.3 73.6 77.6 83.3 88.3 92.7 98.0 101.8 109.8 113.0
69 71.3 74.6 78.6 84.4 89.4 93.9 99.2 103.0 111.1 114.3
70 72.4 75.7 79.7 85.5 90.5 95.0 100.4 104.2 112.3 116.6
71 73.4 76.7 80.8 86.6 91.7 96.2 101.6 105.4 113.6 116.9
72 74.4 77.8 81.9 87.7 92.8 97.4 102.8 106.6 114.8 119.1
73 75.4 78.8 82.9 88.8 93.9 98.5 104.0 107.9 116.1 119.4
74 76.4 79.9 84.0 90.0 95.1 99.7 105.2 109.1 117.3 120.7
75 77.5 80.9 85.4 91.1 96.2 100.8 106.4 110.3 118.6 121.9
76 78.5 82.0 86.1 92.2 97.4 102.0 107.6 11.5 119.9 123.2
77 79.5 83.0 87.2 93.3 98.5 103.2 108.8 112.7 121.1 124.5
78 80.5 84.0 88.3 94.4 99.6 104.3 112.0 113.9 122.3 126.7
79 81.5 85.1 89.3 95.5 100.7 105.5 111.1 115.1 123.6 127.0
80 82.6 86.1 90.4 96.6 101.9 106.6 112.3 116.3 124.8 128.3
81 83.6 87.2 91.5 97.7 103.0 107.8 113.5 117.5 126.1 129.5
82 84.6 88.2 92.5 98.8 104.1 108.9 114.7 118.7 127.3 130.8
83 85.6 89.2 93.6 99.9 105.3 110.1 115.9 119.9 128.6 132.0
84 86.6 90.3 94.7 101.0 106.4 111.2 117.1 121.1 129.8 133.3
85 87.7 91.3 95.7 102.1 107.5 112.4 118.2 122.3 131.0 134.5
86 88.7 92.4 96.8 103.2 108.6 113.4 119.4 123.5 132.3 135.8
87 89.7 93.4 97.9 104.3 109.8 114.7 120.6 124.7 133.5 137.0
88 90.7 94.4 98.9 105.4 110.9 115.8 121.8 125.9 134.7 138.3
89 91.7 95.5 100.0 106.5 112.0 117.0 122.9 127.1 136.0 1389.5
90 92.8 96.5 101.1 107.6 113.1 118.1 124.1 128.3 137.2 140.8
91 93.8 97.6 102.1 108.7 114.3 119.3 125.3 129.5 138.4 142.9
92 94.8 98.6 103.2 109.8 115.4 120.4 126.5 130.7 139.7 143.3
93 95.8 99.6 104.2 110.9 116.5 121.6 128.6 131.9 140.9 144.5
94 96.8 100.7 105.3 111.9 117.6 122.7 128.8 133.1 142.1 145.8
95 97.9 101.7 106.4 113.0 118.8 123.9 130.0 134.2 143.3 147.0
96 98.9 102.8 107.4 114.1 119.9 125.0 131.1 135.4 144.6 148.2
97 99.9 103.8 108.5 115.2 121.0 126.1 132.3 136.6 145.8 149.5
98 100.9 104.8 109.5 116.3 122.1 127.3 133.5 137.8 147.0 150.7
99 101.9 105.9 110.6 117.4 123.2 128.4 134.6 139.0 148.2 151.9
100 102.9 106.9 111.7 118.5 124.3 129.6 135.8 140.2 149.4 153.2
*CE
0
2
) (n
x
API"D(C$ "# 9
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
1 .0005 .0
6
62 .0
3
50 .0
2
38 .0
2
94 .016 .022 .027 .032 .036 .039 .042 .045
.001 .0
5
25 .0
2
10 .0
2
60 .013 .021 .028 .034 .039 0.44 0.48 .051 .054
.005 .0
4
62 .0
2
51 .018 .032 .044 .054 .062 .068 .073 .078 0.82 .085
.010 .0
3
25 .010 .029 .047 .062 .073 .082 .039 .095 .100 .104 .107
.025 .0
2
15 .026 .057 .082 .100 .113 .124 .132 .139 .144 .149 .153
.05 .0
2
62 .054 .099 .130 .151 .167 .179 .188 .195 .201 .207 .211
.10 .025 .117 .181 .220 .246 .265 .279 .289 .298 .304 .310 .315
.25 .172 .389 .494 .553 .591 .617 .637 .650 .661 .670 .680 .684
.50 1.00 1.50 1.71 1.82 1.89 1.94 1.98 2.00 2.03 2.04 2.05 2.07
.75 5.83 7.50 8.20 8.58 8.82 8.98 9.10 9.19 9.26 9.32 9.36 9.41
.90 39.9 49.5 53.6 55.8 57.2 58.2 58.9 59.4 59.9 60.2 60.5 60.7
.95 161 200 216 225 230 234 237 239 241 242 243 244
.975 648 800 864 900 922 937 948 957 963 969 973 977
.99 405
1
500
1
540
1
562
1
576
1
586
1
593
1
598
1
602
1
606
1
608
1
611
1
.995 162
2
200
2
216
2
225
2
231
2
234
2
237
2
239
2
241
2
242
2
243
2
244
2
.999 406
3
500
3
540
3
562
3
576
3
586
3
593
3
598
3
602
3
606
3
609
3
611
3
.9995 162
4
200
4
216
4
225
4
231
4
234
4
237
4
239
4
241
4
242
4
243
4
244
4
2 .0005 .0
6
50 .0
3
50 .0
2
42 .011 .020 .029 .037 .044 .050 .056 .061 .065
.001 .0
5
20 .0
2
10 .0
2
68 .016 .027 .037 .046 .054 .061 .068 .072 .077
.005 .0
4
50 .0
2
50 .020 .038 .055 .069 .081 .091 .099 .106 .112 .118
.010 .0
3
20 .010 .032 .056 .075 .092 .105 .116 .125 .132 .139 .144
.025 .0
2
15 .026 .062 0.94 .119 .138 .153 .165 .175 .183 .190 .196
.05 .0
2
50 .053 .105 .144 .173 .194 .211 .224 .235 .244 .251 .257
.10 .020 .111 .183 .231 .265 .289 .307 .321 .333 .342 .350 .356
.25 .133 .333 .439 .500 .540 .568 .588 .604 .616 .626 .633 .641
.50 .667 1.00 1.13 1.21 1.28 1.28 1.30 1.32 1.33 1.34 1.35 1.36
.75 2.57 3.00 3.15 3.23 3.28 3.31 3.34 3.35 3.37 3.38 3.39 3.39
.90 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39 9.40 9.41
.95 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4
.975 38.5 39.0 39.2 39.2 39.3 39.3 39.4 39.4 39.4 39.4 39.4 39.4
.99 98.5 99.0 99.2 99.2 99.3 99.3 99.4 99.4 99.4 99.4 99.4 99.4
.995 198 199 199 199 199 199 199 199 199 199 199 199
.999 998 999 999 999 999 999 999 999 999 999 999 999
.9995 200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
3 .0005 .0
6
46 .0
3
50 .0
2
44 .012 .023 .033 .043 .052 .060 .067 .074 .079
.001 .0
5
19 .0
2
10 .0
2
71 .018 .030 .042 .053 .063 .072 .079 .086 .093
.005 .0
4
46 .0
2
50 .021 0.41 .060 .077 .092 .104 .115 .124 .132 .138
.010 .0
3
19 .010 .034 .060 .083 .102 .118 .132 .143 .153 .161 .168
.025 .0
2
12 .026 .065 .100 .129 .152 .170 .185 .197 .207 .216 .224
.05 .0
2
46 .052 .0108 .152 .185 .240 .230 .246 .259 .270 .279 .287
.10 .019 .109 .185 .239 .276 .304 .325 .342 .356 .367 .376 .384
.25 .122 .317 .424 .489 .531 .561 .582 .600 .613 .624 .633 .641
.50 .585 .881 1.00 1.06 1.10 1.13 1.15 1.16 1.17 1.18 1.19 1.20
.75 2.02 2.28 2.36 2.39 2.41 2.42 2.43 2.44 2.44 2.44 2.45 2.45
.90 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23 5.22 5.22
.95 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74
.975 17.4 16.0 15.4 15.1 14.9 14.7 14.6 14.5 14.5 14.4 14.4 14.3
.99 34.1 30.8 29.5 28.7 28.2 27.9 27.7 27.5 27.3 27.2 27.1 27.1
.995 55.6 49.8 47.5 46.2 45.4 44.8 44.4 44.1 43.9 43.7 43.5 43.4
.999 167 149 141 137 135 133 132 131 130 129 129 128
.9995 266 237 225 218 214 211 209 208 207 206 204 204
*E=
) , (
2 1
; ; (
Estadstica Aplicada
)0
,
,2 = 0),2 x 10
-,
= 0)000000,2
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
1 .0005 .051 .058 .062 .066 .069 .072 .074 .077 .078 .080 .081 .083
.001 .060 .067 .071 .075 .079 .082 .084 .87 .088 .089 .091 .092
.005 .093 .101 .105 .109 .113 .116 .118 .121 .122 .124 .126 .127
.01 .115 .124 .128 .132 .137 .139 .141 .145 .146 .148 .150 .151
.025 .161 .170 .175 .180 .184 .187 .189 .193 .194 .196 .198 .199
.05 .0220 .0230 .235 240 .245 .248 .250 .254 .255 .257 .259 .261
.10 .325 .336 .342 .347 .353 .356 .358 .362 .364 .366 .368 .370
.25 .698 .712 .719 .727 .734 .738 .741 .747 .749 .752 .754 .756
.50 2.09 2.12 2.13 2.15 2.16 2.17 2.17 2.18 2.18 2.19 2.19 2.20
.75 9.49 9.58 9.63 9.67 9.71 9.74 0.76 9.78 9.80 9.82 9.84 9.85
.90 61.2 61.7 62.0 62.3 62.5 62.7 62.8 63.0 63.1 63.2 63.3 63.3
.95 246 248 249 250 251 252 252 253 253 254 254 254
.975 985 993 997 1001 1011 1011 1011 1011 1011 1021 1021 1021
.99 646
1
621
1
623
1
626
1
629
1
630
1
631
1
633
1
634
1
635
1
636
1
637
1
.995 246
2
248
2
249
2
250
2
251
2
252
2
253
2
253
2
254
2
254
2
254
2
255
2
.999 616
3
621
3
623
3
626
3
629
3
630
3
631
3
633
3
634
3
635
3
636
3
637
3
.9995 246
4
248
4
249
4
250
4
251
4
252
4
252
4
253
4
253
4
253
4
254
4
254
4
2 .0005 .076 .088 .094 .101 .108 .113 .116 .122 .124 .130 .130 .132
.001 .088 .100 .107 .114 .121 .126 .129 .135 .137 .143 .143 .145
.005 .130 .143 .150 .157 .165 .169 .173 .179 .181 .187 .187 .189
.01 .157 .171 .178 .186 1.93 .198 .201 .207 .209 .215 .215 .217
.025 .210 .224 .232 .239 .247 .251 .255 .261 .263 .269 .269 .271
.05 .272 .286 .294 .302 .309 .314 .317 .324 .329 .332 .332 .334
.10 .371 .386 .394 .402 .410 .415 .418 .424 .426 .433 .433 .434
.25 .657 .672 .680 .689 .698 .702 .705 .711 .713 .719 .719 .721
.50 1.38 1.39 1.40 1.41 1.42 1.42 1.43 1.43 1.43 1.44 1.44 .1.44
.75 3.41 3.43 3.43 .344 3.45 3.45 3.46 3.47 3.47 3.48 3.48 3.48
.90 9.42 9.44 9.45 9.46 9.47 9.48 9.47 9.48 9.48 9.49 9.49 9.49
.95 19.4 19.4 19.5 19.5 19.5 19.5 18.5 19.5 19.5 19.5 19.5 19.5
.975 39.4 39.4 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5
.99 99.4 99.4 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5
.995 199 199 199 199 199 199 199 199 199 199 199 200
.999 999 999 999 999 999 999 999 999 999 999 999 999
.9995 200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
200
1
3 .0005 .093 .109 .117 .127 .136 .143 .147 .156 .158 .166 .166 .169
.001 .107 .123 .132 .42 .152 .158 .162 .171 .173 .181 .181 .184
.005 .154 .172 .181 .191 .201 .207 .211 .220 .222 .231 .231 .234
.01 .185 .203 2.12 .222 .232 .238 .242 .251 .253 .262 .262 .264
.025 2.41 .259 .269 .279 .289 .295 .299 .308 .310 .318 .318 .321
.05 .304 .323 .332 .342 .352 3.58 .363 .370 .373 .382 .382 .384
.10 .402 .420 .430 .439 .449 .455 .459 .467 .469 .476 .476 .480
.25 .658 .675 .684 .693 .702 708 .711 .719 .721 .728 .728 .730
.50 1.21 1.23 1.23 1.24 1.25 1.25 1.25 1.26 1.26 1.27 1.27 1.27
.75 2.46 2.46 2.46 2.47 2.47 2.47 2.47 2.47 2.47 2.47 2.47 2.47
.90 5.20 5.18 5.18 5.17 5.16 5.15 5.15 5.14 5.14 5.14 5.14 5.13
.95 8.70 8.66 8.63 8.62 8.59 8.58 8.57 8.55 8.55 8.53 8.53 8.53
.975 14.3 14.2 14.1 14.1 14.0 14.0 14.0 14.0 13.9 13.9 13.9 13.9
.99 26.9 26.7 26.6 26.5 26.4 26.4 26.3 26.2 26.2 26.1 26.1 26.1
.995 43.1 42.8 42.6 42.5 42.3 42.2 42.1 42.0 42.0 41.9 41.9 41.8
.999 127 126 126 125 125 125 124 124 124 124 124 123
.9995 203 201 200 199 199 198 198 197 197 196 196 196
*E*
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
4 .0005 .0
6
44 .0
3
50 .0
2
46 .013 .024 .036 .047 .057 .057 .075 .082 .089
.001 .0
5
18 .0
2
10 .0
2
73 .019 .032 .046 .058 .069 .069 .089 .097 .104
.005 .0
4
44 .0
2
50 .022 .043 .064 .083 .100 .114 .114 .137 .145 .153
.01 .0
3
18 .010 .035 .063 .088 .109 .127 .143 .143 .167 .176 .185
.025 .0
2
11 .026 .066 .104 .135 .161 .181 .198 .198 .224 .234 .243
.05 .0
2
44 .052 .110 .157 .193 .221 .243 .261 .261 .288 .298 .307
.10 0.18 .108 .187 .243 .284 3.14 .338 .356 .356 .384 .394 .403
.25 .117 .309 .418 .484 .528 .560 .583 .601 .601 .627 .637 .645
.50 .549 .828 .941 1.00 1.04 1.06 .108 1.09 1.09 1.11 1.12 1.13
.75 1.81 2.00 2.05 2.06 2.07 2.08 208 2.08 2.08 2.08 2.08 2.08
.90 4.54 4.32 4.19 4.11 4.05 .401 3.98 3.95 3.95 3.92 3.91 3.90
.95 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.04 5.96 5.94 5.91
.975 12.2 10.6 9.98 9.60 9.36 9.20 9.07 8.98 8.98 8.84 8.79 8.75
.99 21.2 18.0 16.7 16.0 15.5 15.2 15.0 14.8 14.8 14.5 14.4 14.4
.995 31.3 26.3 24.3 23.2 22.5 22.0 21.6 21.4 21.4 21.0 20.8 20.7
.999 74.1 61.2 56.2 53.4 51.7 50.5 49.7 49.0 49.0 48.0 47.7 47.4
.9995 106 87.4 80.1 76.1 73.6 71.9 70.6 69.7 69.7 68.5 67.8 67.4
5 .0005 .0
6
43 .0
3
50 .0
2
47 .014 .025 .038 .050 .061 .070 .031 .089 .096
.001 .0
5
17 .0
2
10 .0
2
75 .019 .034 .048 .062 .074 .085 .095 .104 .112
.005 .0
4
43 .0
2
50 .022 0.45 0.67 0.87 .105 .120 .134 .146 .156 .165
.01 .0
3
17 .010 .035 .064 .091 .114 .134 .151 .165 .177 .188 .197
.025 .0
2
11 .025 .067 .107 .140 .167 .189 .208 .223 .236 .248 .257
.05 .0
2
43 .052 .111 .160 .198 .228 .252 .271 .287 .301 .313 .322
.10 .017 .108 .188 .247 .290 .322 .347 .367 .383 .397 .408 .418
.25 .113 .305 .415 .483 .528 .560 .584 .604 .618 .631 .641 .650
.50 .528 .799 .907 .965 1.00 1.02 1.04 1.05 1.06 1.07 1.08 1.09
.75 1.69 1.85 1.88 1.89 1.89 1.89 1.89 1.89 1.89 1.89 1.89 1.89
.90 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.30 3.28 3.27
.95 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.71 4.68
.975 10.0 8.43 7.76 7.39 7.15 6.98 6.85 6.76 8.68 6.62 6.57 6.52
.99 16.3 13.3 12.1 11.4 11.0 10.7 10.5 10.3 10.2 10.1 9.96 9.89
.995 22.8 18.3 16.5 15.6 14.9 14.5 14.2 14.0 13.8 13.6 13.5 13.4
.999 47.2 37.1 33.2 31.1 29.7 28.8 28.2 27.6 27.2 26.9 26.6 26.4
.9995 63.6 49.8 44.4 41.5 39.7 38.5 37.6 36.9 36.4 35.9 35.6 35.2
6 .0005 .0
6
43 .0
3
50 .0
2
47 .014 .026 .039 .052 .064 .075 .085 .094 .103
.001 .0
5
17 .0
2
10 .0
2
75 .020 .035 .050 .064 .078 .090 .101 .111 .119
.005 .0
4
43 .0
2
50 .022 .045 .069 .090 .109 .126 .140 .153 .164 .174
.01 .0
3
17 .010 .036 .066 .094 .118 .139 .157 .172 .186 .197 207
.025 .0
2
11 .025 .068 .109 .143 .172 .195 .215 .231 .246 .258 .268
.05 .0
2
43 .052 .112 .162 .202 .233 .259 .279 .296 .311 .324 .334
.10 .017 .107 .189 .249 .294 .327 .354 .375 .392 .406 .418 .429
.25 .111 .302 .413 .481 .524 .561 .586 .606 .623 .635 .645 .654
.50 .515 .780 .886 .942 .977 1.00 1.02 1.03 1.04 1.05 1.05 1.06
.75 1.62 1.76 1.78 1.79 1.79 1.78 1.78 1.78 1.77 1.77 1.77 1.77
.90 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94 2.92 2.90
.95 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
.975 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52 5.46 5.41 5.37
.99 13.7 10.9 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72
.995 18.6 14.5 12.9 12.0 11.5 11.1 10.8 10.6 10.4 10.2 10.1 10.0
.999 35.5 27.0 23.7 21.9 20.8 20.0 19.5 19.0 18.7 18.4 18.2 18.0
.9995 46.1 34.8 30.4 28.1 26.6 25.6 24.9 24.3 23.9 23.5 23.2 23.0
*E0
) , (
2 1
; ; (
Estadstica Aplicada
0
,
.. = 0).. x 10
-,
= 0)000000..
*E+
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
4 .0005 .105 .125 .135 .147 .159 .166 .172 .183 .186 .191 .196 .200
.001 .121 .141 .152 .163 .176 .183 .188 .200 .202 .208 .213 .217
.005 .172 .193 .204 .216 .229 .237 .242 .253 .255 .260 .266 .269
.01 .204 .226 .237 .249 .261 .269 .274 .285 .287 .293 .298 .301
.025 .263 .284 .296 .308 .320 .327 .332 .342 .346 .351 .356 .59
.05 .327 .349 .360 .372 .384 .391 .396 .407 .409 .413 .418 .422
.10 .424 .445 .456 .467 .478 .485 .490 .500 .502 .508 .510 .514
.25 .664 .683 .692 .702 .712 .718 .722 .731 .733 .737 .740 .743
.50 1.14 1.15 1.16 1.16 1.17 1.18 1.18 1.18 1.18 1.19 1.19 1.19
.75 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08
.90 3.89 3.84 3.83 3.82 3.80 3.80 3.89 3.78 3.78 3.77 3.76 3.76
.95 5.86 5.80 5.77 5.75 5.72 5.70 5.69 5.66 5.66 5.65 5.64 5.63
.975 8.66 8.56 8.51 8.46 8.41 8.38 8.36 8.32 8.31 8.29 8.27 8.26
.99 14.2 14.0 13.9 13.8 13.7 13.7 13.7 13.6 13.6 13.5 13.5 13.5
.995 20.4 20.2 20.0 19.9 19.8 19.7 19.6 19.5 19.5 19.4 19.4 19.3
.999 46.8 46.1 45.8 45.4 45.1 44.9 44.7 44.5 44.4 44.3 14.1 44.0
.9995 66.5 65.5 65.1 64.6 64.1 63.8 63.6 63.2 63.1 62.9 62.7 62.6
5 .0005 .115 .137 .150 .163 .177 .186 .192 .205 .203 .216 .222 .226
.001 .132 .155 .167 .181 .195 .204 .210 .223 .227 .233 .239 .244
.005 .186 .210 .223 .237 .251 .260 .266 .279 .282 .288 .294 .299
.01 .219 .244 .257 .270 .285 .293 .299 .312 .315 .322 .328 .331
.025 .280 .304 .317 .330 .344 .353 .359 .370 .374 .380 .386 .390
.05 .345 .369 .382 .395 .408 .417 .422 .432 .437 .442 .448 .452
.10 .440 .463 .476 .488 .501 .508 .514 .524 .527 .532 .358 .541
.25 .669 .690 .700 .711 .722 .728 .732 .74 .743 .748 .752 .755
.50 1.10 1.11 1.12 1.12 1.13 1.19 1.14 1.14 1.14 1.15 1.15 1.15
.75 1.89 1.88 1.88 1.88 1.88 1.88 1.87 1.87 1.87 1.87 1.87 1.87
.90 3.24 3.21 3.19 3.17 3.16 3.18 3.14 3.13 3.12 3.12 3.11 3.10
.95 4.62 4.56 4.53 4.50 4.46 4.44 4.43 4.41 4.40 4.39 4.37 4.36
.975 6.43 6.33 6.28 6.23 6.18 6.14 6.12 6.08 6.07 6.05 6.03 6.02
.99 9.72 9.55 9.47 9.38 9.29 9.24 9.20 9.13 9.11 9.08 9.04 9.02
.995 13.1 12.9 12.8 12.7 12.5 12.5 12.4 12.3 12.3 12.2 12.2 12.1
.999 25.9 25.4 25.1 24.9 24.6 24.4 24.3 24.1 24.1 23.9 23.8 23.8
.9995 34.6 33.9 35.5 33.1 32.7 32.5 32.3 32.1 32.0 31.8 31.7 31.6
6 .0005 .123 .148 .162 .177 .193 .203 .210 .225 .229 .236 .244 .249
.001 .141 .166 1.80 .195 .211 .222 .229 .243 .247 .255 .262 .267
.005 .197 .224 .238 .253 .269 .279 .286 .301 .304 .312 .318 .324
.01 .232 .258 .273 .288 .304 .313 .321 .334 .338 .346 .352 .357
.025 .293 .320 .334 .349 .364 .375 .381 .394 .398 .405 .412 .415
.05 .358 .385 .399 .413 .428 .437 .444 .457 .460 .467 .472 .476
.10 .453 .478 .491 .505 .519 .526 .533 .546 .548 .556 .559 .564
.25 .675 .696 .707 .718 .729 .736 .741 .751 .753 .758 .762 .763
.50 1.07 1.08 1.09 1.10 1.10 1.11 .111 1.11 1.12 1.12 1.12 1.12
.75 1.76 1.76 1.75 1.75 1.75 1.75 1.74 1.74 1.74 1.74 1.74 1.74
.90 2.87 2.84 2.82 2.80 2.78 2.77 2.76 2.75 2.74 2.73 2.73 2.72
.95 3.94 3.87 3.84 3.81 3.77 3.75 3.74 3.71 3.70 3.69 3.68 3.67
.975 5.27 5.17 5.12 5.07 5.01 4.98 4.96 4.92 4.90 4.88 4.86 4.85
.99 7.56 7.40 7.31 7.23 7.14 7.09 7.06 6.99 6.97 6.93 6.90 6.88
.995 9.81 9.59 9.47 9.36 9.24 9.17 9.12 9.03 9.00 8.95 8.91 8.88
.999 17.6 17.1 16.9 16.7 16.4 16.3 16.2 16.0 16.0 15.9 15.8 15.7
.9995 22.4 21.9 21.7 21.4 21.1 20.9 20.7 20.5 20.4 20.3 20.2 20.1
*E4
) , (
2 1
; ; (
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
7 .0005 .0
6
42 .0
3
50 .0
2
48 .014 .027 .040 .053 .066 .078 .088 .099 .108
.001 .0
5
17 .0
2
10 .0
2
76 .020 .035 .051 .067 .081 .093 .105 .115 .125
.005 .0
4
42 .0
2
50 .023 .046 .070 .093 .113 .130 .145 .159 .171 .181
.01 .0
3
17 .010 .036 .067 .096 .121 .143 .62 .178 .192 .205 .216
.025 .0
2
10 .025 .068 .110 .146 .176 .200 .221 .258 .253 .266 .277
.05 .0
2
42 .052 .113 .164 .205 .238 .264 .286 .304 3.19 .332 .343
.10 .017 .107 .190 .251 .297 .332 .359 .381 .399 .414 .427 .438
.25 .110 .300 .412 .481 .528 .562 .588 .609 6.24 .637 .649 .658
.50 .506 .767 .871 .926 .960 .983 1.00 1.01 1.02 1.03 1.04 1.04
.75 1.57 1.70 1.72 1.72 1.71 1.71 1.70 1.70 1.69 1.69 1.69 1.68
.90 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70 2.68 2.67
.95 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57
.975 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82 4.76 4.71 4.57
.99 12.2 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.54 6.47
.995 16.2 12.4 10.9 10.0 9.52 9.16 8.89 8.68 8.51 8.38 8.27 8.18
.999 29.2 21.7 18.8 17.2 16.2 15.5 15.0 14.6 14.3 14.1 13.9 13.7
.9995 37.0 27.2 23.5 21.4 20.2 19.3 18.7 18.2 17.8 17.5 17.2 17.0
8 .0005 .0
6
42 .0
3
50 .0
2
48 .014 .027 .041 .055 .068 .081 .092 .102 .112
.001 .0
5
17 .0
2
10 .0
2
76 .020 .036 .053 .068 .083 .096 .0109 .120 .130
.005 .0
4
42 .0
2
50 .027 .047 .072 .095 .115 .133 .149 .164 .176 .187
.01 .0
3
17 .010 .036 .068 .097 .123 .146 .166 .183 .1998 .211 .222
.025 .0
2
10 .025 .069 .111 .148 .179 .204 .226 .244 .259 .273 .285
.05 .0
2
42 .052 .113 .166 .208 .241 .268 .291 .310 .326 .339 .351
.10 .017 .107 .190 .253 .299 .335 .363 .386 .405 .421 .435 .445
.25 .109 .298 .411 .481 .529 .563 .589 .610 .627 .640 .354 .661
.50 .499 .757 .860 .915 .948 .971 .988 1.00 1.01 1.02 1.02 1.03
.75 1.54 1.66 1.67 1.66 1.66 1.65 1.64 1.64 1.64 1.63 1.63 1.62
.90 3.46 3.11 2.92 2.82 2.73 2.67 2.62 2.59 2.56 2.54 2.52 2.50
.95 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28
.975 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36 4.30 4.24 4.20
.99 11.3 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.73 5.67
.995 14.7 11.0 9.60 8.81 8.30 7.95 7.69 7.50 7.34 7.21 7.10 7.01
.999 25.4 18.5 15.8 14.4 13.5 12.9 12.4 12.0 11.8 11.5 11.4 11.2
.9995 31.6 22.8 19.4 17.6 16.4 15.7 15.1 14.6 14.3 14.0 13.8 13.6
9 .0005 .0
6
41 .0
3
50 .0
2
48 .015 .027 .042 .056 .070 .083 .094 .105 .115
.001 .0
5
17 .0
2
10 .0
2
77 .021 .037 .054 .070 .085 .099 .112 .123 .134
.005 .0
4
42 .0
2
50 .023 .047 .073 .096 .117 .136 .153 .168 .181 .192
.01 .0
3
17 .010 .037 .068 .098 .125 .149 .169 .187 .202 .216 .228
.025 .0
2
10 .025 .069 .112 .150 .181 .207 .230 .248 .265 .269 .291
.05 .0
2
40 .052 .113 .167 .210 .244 .272 .296 .315 .331 .345 .358
.10 .017 .107 .191 .254 .302 .338 .367 .390 .410 .426 .441 .452
.25 .108 .297 .410 .480 .529 .564 .591 .612 .629 .543 .654 .664
.50 .494 .749 .852 .906 .939 .962 .978 .990 1.00 1.01 1.01 1.02
.75 1.51 1.62 1.63 1.63 1.62 1.61 1.60 1.60 1.59 1.59 1.58 1.58
.90 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42 2.40 2.38
.95 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07
.975 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03 3.96 3.91 3.87
.99 10.6 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.18 5.11
.995 13.6 10.1 8.72 7.06 7.47 7.13 6.88 6.69 6.54 6.42 6.31 6.23
.999 22.9 16.4 13.9 12.6 11.7 11.1 10.7 10.4 10.1 9.89 9.71 9.57
.9995 28.0 19.9 16.8 15.1 14.1 13.3 12.8 12.4 12.1 11.8 11.6 11.4
)0
,
.2 = 0).2 x 10
-,
= 0)000000.2
*E6
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
7 .0005 .130 .157 .172 .172 .206 .217 .225 .242 .246 .255 .263 .268
.001 .148 .176 .191 .191 .225 .237 .245 .261 .266 .274 .282 .288
.005 .206 .235 .251 .251 .285 .296 .304 .319 .324 .332 .340 .345
.01 .241 .270 .286 .286 .320 .331 .339 .355 .358 .366 .373 .379
.025 .304 .333 .348 3.48 .381 .392 .399 .413 .418 .426 .433 .437
.05 .369 .398 .413 .413 .445 .455 .461 .476 .479 .485 .493 .498
.10 .463 .491 .504 .504 .534 .543 .550 .562 .566 .571 .578 .582
.25 .679 .702 .713 .713 .737 .745 .749 .760 .762 .767 .772 .775
.50 1.05 1.07 1.07 1.07 1.08 1.09 1.09 1.10 1.10 1.10 1.10 1.10
.75 1.68 1.67 1.67 1.67 1.66 1.66 1.65 1.65 1.65 1.65 1.65 1.65
.90 2.63 2.59 2.58 2.58 2.54 2.52 2.51 2.50 2.49 2.48 2.48 2.47
.95 .351 3.44 3.41 3.41 3.34 3.32 3.30 3.27 3.27 3.25 3.24 3.23
.975 4.57 4.47 4.42 4.42 4.31 4.28 4.25 4.21 4.20 4.18 4.16 4.14
.99 6.31 6.16 6.07 6.07 5.91 5.89 5.82 5.75 5.71 5.70 5.67 5.65
.995 7.97 7.75 7.68 7.65 7.42 7.35 7.31 7.22 7.19 7.15 7.10 7.08
.999 13.3 12.9 12.7 12.7 12.3 12.2 12.1 11.9 11.9 11.8 11.7 11.7
.9995 16.5 16.0 15.7 15.7 15.2 15.1 15.0 14.7 14.7 14.6 14.5 14.4
8 .0005 .136 .164 .181 .181 .218 .230 .239 .257 .262 .271 .281 .257
.001 .155 .184 .200 .200 .238 .250 .259 .277 .282 .292 .300 .306
.005 .214 .244 .261 .261 .299 .311 .319 .337 3.41 .351 .358 .364
.01 .250 .281 .297 .297 .334 .346 .354 .372 3.76 .385 .392 .398
.025 .313 .343 .360 .360 .395 .407 .415 .431 .435 .442 .450 .456
.05 .379 .409 .425 .425 .459 .469 .477 .493 .496 .505 .510 .516
.10 .472 .500 .515 .515 .547 .556 .563 .578 .581 .588 .595 .599
.25 .684 .707 .718 .718 .743 .751 .756 .767 .769 .775 .780 .783
.50 1.04 1.05 1.06 1.06 1.07 1.07 1.08 1.08 1.08 1.09 1.09 1.09
.75 1.62 1.61 1.60 1.60 1.59 1.59 1.59 1.58 1.58 1.58 .158 1.58
.90 2.46 2.42 2.40 2.40 2.36 2.35 2.34 2.32 2.32 2.31 2.30 2.29
.95 3.22 3.15 3.12 3.12 3.04 3.02 3.01 2.07 2.97 2.95 2.94 2.93
.975 4.10 4.00 3.95 3.95 3.84 3.81 3.78 3.74 3.73 3.70 3.68 3.67
.99 5.52 5.36 5.28 5.28 .512 5.07 5.03 4.96 4.95 4.91 4.88 4.86
.995 6.81 6.61 6.50 6.50 6.29 6.22 6.18 6.09 6.06 6.02 5.98 5.95
.999 10.8 10.5 10.3 10.3 9.92 9.80 9.73 9.57 9.54 9.46 9.39 9.34
.9995 13.1 12.7 12.5 12.5 12.0 11.8 11.8 11.6 11.5 11.4 11.4 11.3
9 .0005 .141 .171 .188 .188 .228 .242 .251 .270 .276 .287 .297 .303
.001 .160 .191 .208 .208 .249 .262 .271 .291 .296 .307 .316 .323
.005 .220 .253 .271 .271 .310 .324 .332 .351 .356 .366 .376 3.82
.01 .257 .289 .307 .307 .346 .358 .368 .386 .391 .400 .410 .415
.025 .320 .352 .370 .370 .408 .420 .428 .446 .450 .459 .467 .473
.05 .386 .418 .435 .435 .471 .483 .490 .508 .510 .518 .526 .532
.10 .479 .509 .525 .525 .553 .568 .575 .588 .594 .602 .610 .613
.25 6.87 .711 .723 .723 .749 .457 .762 .773 .776 .782 .787 .791
.50 1.03 1.04 1.05 1.05 1.06 1.06 1.08 1.07 1.07 1.08 1.08 1.08
.75 1.57 1.56 1.56 1.56 1.55 1.54 1.54 1.53 1.53 1.53 1.53 1.53
.90 2.34 2.30 2.28 2.28 2.23 2.22 2.21 2.19 2.18 2.17 2.17 2.16
.95 3.01 2.94 2.90 2.90 2.83 2.80 2.79 2.76 2.75 2.73 2.72 2.71
.975 3.77 3.67 3.61 3.61 3.51 3.47 3.45 3.40 3.39 3.37 3.35 3.33
.99 4.96 4.81 4.73 4.73 4.57 4.52 4.48 4.42 4.40 4.36 4.33 4.31
.995 6.03 5.83 5.73 5.73 5.52 5.45 5.41 5.32 5.30 5.26 5.21 5.19
.999 9.24 8.90 8.72 8.72 8.37 8.26 8.19 8.04 8.00 7.93 7.86 7.80
.9995 11.0 10.6 10.4 10.4 9.94 9.80 9.71 9.53 9.49 9.40 9.32 9.26
*E?
) , (
2 1
; ; (
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
10 .0005 .0
6
41 .0
3
50 .0
2
49 .015 .028 .043 .057 .071 .085 .097 .108 .119
.001 .0
5
17 .0
2
10 .0
2
77 .021 .037 .054 .071 .087 .101 .114 .126 .137
.005 .0
4
41 .0
2
50 .023 .048 .073 .098 .119 .139 .156 .171 .185 .197
.01 .0
3
17 .010 .037 .069 .100 .127 .151 .172 .190 .206 .220 .233
.025 .0
2
10 .025 .069 .113 .151 .183 .210 .233 .252 .269 .283 .296
.05 .0
2
41 .052 .114 .168 .211 .246 .275 .299 .319 .336 .351 .363
.10 .017 .106 .191 .255 .303 .340 .370 .494 .414 .430 .444 .457
.25 .107 .296 .409 .480 .529 .565 .592 .613 .631 .645 .657 .667
.50 .490 .743 .845 .899 .932 .954 .971 .983 .992 1.00 1.01 1.01
.75 1.49 1.60 1.60 1.59 1.59 1.58 1.57 1.56 1.56 1.55 1.55 1.54
.90 3.28 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32 2.30 2.28
.95 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91
.975 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78 3.72 3.66 3.62
.99 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71
.995 12.8 9.43 8.08 7.34 6.87 6.54 6.30 6.12 5.97 5.85 5.75 5.66
.999 21.0 14.9 12.6 11.3 10.5 9.92 9.52 9.20 8.96 8.75 8.58 8.44
.9995 25.5 17.9 15.0 13.4 12.4 11.8 11.3 10.9 10.6 10.3 10.1 9.93
11 .0005 .0
6
41 .0
3
50 .0
2
49 .015 .028 .043 .058 .072 .086 .099 .111 .121
.001 .0
5
16 .0
2
10 .0
2
78 .021 .038 .055 .072 .088 .103 .116 .129 .140
.005 .0
4
40 .0
2
50 .023 .048 .074 .099 .121 .141 .158 .174 .188 .200
.01 .0
3
16 .010 .057 .069 .100 .128 .153 .175 .193 .210 .224 .237
.025 .0
2
10 .025 .069 .117 .152 .185 .212 .236 .256 .273 .288 .301
.05 .0
2
41 .052 .114 .168 .212 .248 .278 .302 .323 .340 .355 .368
.10 .017 .106 .192 .256 .305 .342 .373 .397 .417 .435 .448 .461
.25 107 .295 .408 .481 .529 .565 .592 .614 .633 .645 .658 .667
.50 .486 .739 .840 .893 .926 .948 .964 .977 .986 .994 1.00 1.01
.75 1.47 1.58 1.58 1.57 1.56 1.55 1.54 1.53 1.53 1.52 1.52 1.51
.90 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25 2.23 2.21
.95 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79
.975 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59 3.53 3.47 3.43
.99 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.46 4.40
.995 12.2 8.91 7.60 6.88 6.42 6.10 5.86 5.68 5.54 5.42 5.32 5.24
.999 19.7 13.8 11.6 10.3 9.58 9.05 8.66 8.35 8.12 7.92 7.76 7.62
.9995 23.6 16.4 13.6 12.2 11.2 10.6 10.1 9.76 9.48 9.24 9.04 8.88
12 .0005 .0
6
41 .0
3
50 .0
2
49 .015 .028 .044 .058 .073 .087 .101 .113 .124
.001 .0
5
16 .0
2
10 .0
2
78 .021 .038 .056 .073 .089 .104 .118 .131 .143
.005 .0
4
39 .0
2
50 .023 .048 .075 .100 .122 .143 .161 .177 .191 .204
.01 .0
3
16 .010 .037 .070 .101 .130 .155 .176 .196 .212 .227 .241
.025 .0
2
10 .025 .070 .117 .153 .186 .214 .238 .259 .276 .292 .305
.05 .0
2
41 .052 .114 .169 .214 .250 .280 .305 .325 .343 .358 .372
.10 .016 .106 .192 .257 .306 .344 .375 .400 .420 .438 .452 .466
.25 .106 .295 .408 .480 .530 .566 .594 .616 .633 .649 .662 .671
.50 .484 .735 .835 .888 .921 .943 .959 .972 .981 .989 .995 1.00
.75 1.46 1.56 1.56 1.55 1.54 1.53 1.52 1.51 1.51 1.50 1.50 1.49
.90 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.21 2.21 2.19 2.17 2.15
.95 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69
.975 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44 .37 3.32 3.28
.99 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.22 4.16
.995 11.8 8.51 7.23 6.52 6.07 5.76 5.52 5.35 5.20 5.09 4.99 4.91
.999 18.6 13.0 10.8 9.63 8.89 8.38 8.00 7.71 7.48 7.29 7.14 7.01
.9995 22.2 15.3 12.7 11.2 10.4 9.74 9.28 8.94 8.66 8.43 8.24 8.08
)0
,
.1 = 0).1 x 10
-,
= 0)000000.1
*ED
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
10 .0005 .145 .177 .195 .215 .238 .251 .262 .282 .288 .299 .311 .319
.001 .164 .197 .216 .236 .258 .272 .282 .303 .309 .321 .331 .338
.005 .226 .260 .279 .299 .321 .334 .344 .365 .370 .380 .391 .397
.01 .263 .297 .316 .336 .357 .370 .380 .400 .405 .415 .424 .431
.025 .327 .360 .379 .394 .419 .431 .441 .459 .464 .474 .483 .488
.05 .393 .426 .444 .462 .481 .493 .502 .518 .523 .532 .541 .546
.10 .486 .516 .532 .549 .567 .578 .586 .602 .605 .614 .621 .625
.25 .691 .714 .727 .740 .754 .762 .767 .779 .782 .788 .793 .797
.50 1.02 1.03 1.04 1.05 1.05 1.06 1.06 1.06 1.06 1.07 1.07 1.07
.75 1.53 1.52 1.52 1.51 1.51 1.50 1.50 1.49 1.49 1.49 1.48 1.48
.90 2.24 2.20 2.18 2.16 2.13 2.12 2.11 2.09 2.08 2.07 2.06 2.06
.95 2.85 2.77 2.74 2.70 2.66 2.64 2.62 2.59 2.58 2.56 2.55 2.54
.975 3.52 3.42 3.37 3.31 3.26 3.222 3.20 3.15 3.14 3.12 3.09 3.08
.99 4.56 4.41 4.33 4.25 4.17 4.12 1.08 4.01 4.00 2.96 3.93 3.91
.995 5.47 5.27 5.17 5.07 4.97 4.90 4.86 4.77 4.75 4.91 4.67 4.64
.999 8.13 7.80 7.64 7.47 7.30 7.19 7.12 6.98 6.94 6.87 6.81 6.76
.9995 9.46 9.16 8.96 8.75 8.54 8.42 8.33 8.16 8.12 8.04 7.96 7.90
11 .0005 .148 .182 .201 .222 .246 2.61 .271 .293 .299 .312 .324 .331
.001 .168 .202 .222 .243 .266 .282 .292 .313 .320 .332 .343 .353
.005 .231 .266 .286 .308 .330 .345 .355 .376 .382 .394 .403 .412
.01 .268 .304 .324 .344 .366 .380 .391 .412 .417 .427 .439 .444
.025 .332 .368 .386 .407 .429 .442 .450 .472 .476 .485 .495 .503
.05 .398 .433 .452 .469 .490 .503 .513 .529 .535 .543 .552 .559
.10 .490 .524 .541 .559 .578 .588 .595 .614 .617 .625 .633 .637
.25 .694 .719 .730 .744 .758 .767 .773 .780 .788 .794 .799 .803
.50 1.02 1.03 1.03 1.04 1.05 1.05 1.05 1.06 1.06 1.06 1.06 1.06
.75 1.50 1.49 1.49 1.48 1.47 1.47 1.47 1.46 1.46 1.46 1.45 1.45
.90 2.17 2.12 2.10 2.08 2.05 2.04 2.03 2.00 2.00 1.99 1.98 1.97
.95 2.72 2.65 2.61 2.57 2.53 2.51 2.49 2.46 2.45 2.43 2.42 2.40
.975 3.33 3.23 3.17 3.12 3.06 3.03 3.00 2.96 2.94 2.92 2.90 2.88
.99 4.25 4.10 4.02 3.94 3.86 3.81 3.78 3.71 3.69 3.66 3.62 3.60
.995 5.05 4.86 4.76 4.65 4.55 4.49 4.45 4.36 4.34 4.29 4.25 4.23
.999 7.32 7.01 6.85 6.68 6.52 6.41 6.35 6.21 6.17 6.10 6.04 6.00
.9995 8.52 8.14 7.94 7.75 7.55 7.43 7.35 7.18 7.14 7.06 6.98 6.93
12 .0005 .152 .186 .206 .228 .253 .269 .280 .305 .311 .323 .337 .345
.001 .172 .207 .228 .250 .275 .291 .302 .326 .332 .344 .357 .365
.005 .235 .272 .292 .315 .339 .355 .365 .388 .393 .405 .417 .424
.01 .273 .310 .330 .352 .375 .391 .401 .422 .428 .441 .450 .458
.025 .337 .374 .394 .416 .437 .450 .461 .481 .487 .498 .508 .514
.05 .404 .439 .458 .478 .499 .513 .522 .541 .545 .556 .565 .571
.10 .496 .528 .546 .564 .583 .595 .604 .621 .625 .633 .641 .647
.25 .695 .721 .734 .748 .762 .771 .777 .789 .792 .799 .804 .808
.50 1.01 1.02 1.03 1.03 1.04 1.04 1.05 1.05 1.05 1.05 1.06 1.06
.75 1.48 1.47 1.46 1.45 1.45 1.44 1.44 1.43 1.43 1.43 1.42 1.42
.90 2.11 2.06 2.04 2.01 1.99 1.97 1.96 1.94 1.93 1.92 1.91 1.90
.95 2.62 2.54 2.51 2.47 2.43 2.40 2.38 2.35 2.34 2.32 2.31 2.30
.975 3.18 3.07 3.02 2.96 2.91 2.87 2.85 2.80 2.79 2.76 2.74 2.72
.99 4.01 3.86 3.78 3.70 3.62 3.57 3.54 3.47 3.45 3.41 3.38 3.36
.995 4.72 4.53 4.43 4.33 4.23 4.17 4.12 4.04 4.01 3.97 3.93 3.90
.999 6.71 6.40 6.25 6.09 5.93 5.83 5.76 5.63 5.59 5.52 5.46 5.42
.9995 7.74 7.37 7.18 7.00 6.80 6.68 6.61 6.45 6.41 6.33 6.25 6.20
*EC
) , (
2 1
; ; (
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
15 .0005 .0
6
41 .0
3
50 .0
2
49 .015 .029 .045 .061 .076 .091 .105 .117 .129
.001 .0
5
16 .0
2
10 .0
2
79 .021 .039 .057 .075 .092 .108 .123 .137 .149
.005 .0
4
39 .0
2
50 .023 .049 .076 .102 .125 .147 .166 .183 .198 .212
.01 .0
3
16 .010 .037 .070 .103 .132 .158 .181 .202 .219 .235 .249
.025 .0
2
10 .025 .070 .116 .156 .190 .219 .244 .265 .284 .300 .315
.05 .0
2
41 .051 .115 .170 .216 .254 .285 .311 .333 .351 .368 .382
.10 .016 .106 .192 .258 .309 .348 .380 .406 .427 .446 .461 .475
.25 .105 .293 .407 .480 .531 .568 .596 .618 .637 .652 .667 .676
.50 .478 .726 .827 .878 .911 .933 .948 .960 .970 .977 .984 .939
.75 1.43 1.52 1.52 1.51 1.49 1.48 1.47 1.46 .146 1.45 1.44 1.44
.90 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 .209 2.06 2.04 2.02
.95 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48
.975 6.20 4.76 4.15 3.80 3.58 3.41 2.29 3.20 3.12 2.06 3.01 2.96
.99 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67
.995 10.8 7.70 6.48 5.80 5.37 5.07 4.85 4.67 8.54 4.42 4.33 4.25
.999 16.6 11.3 9.34 8.25 7.57 7.09 6.74 6.47 6.26 6.08 5.93 6.81
.9995 19.5 13.2 10.8 9.48 8.66 8.10 7.68 7.36 7.11 6.91 6.75 6.60
20 .0005 .0
6
40 .0
3
50 .0
2
50 .015 .029 .046 .063 .079 .094 .109 .123 .136
.001 .0
5
16 .0
2
10 .0
2
79 .022 .039 .058 .077 .095 .112 .128 .143 .156
.005 .0
4
39 .0
2
50 .023 .050 .077 .104 .129 .151 .171 .190 .206 .221
.01 .0
3
16 .010 .037 .071 .105 .135 .162 .187 .208 .227 .244 .259
.025 .0
2
10 .025 .071 .117 .158 .193 .224 .250 .273 .292 .310 .325
.05 .0
2
40 .051 .115 .172 .219 .258 .290 .318 .340 .360 .377 .393
.10 .016 .106 .193 .260 .312 .353 .385 .412 .435 .454 .472 .485
.25 .104 .292 .407 .480 .531 .569 .598 .622 .641 .656 .671 .681
.50 .472 .718 .816 .868 .909 .922 9.38 .950 .959 .966 .972 .977
.75 1.40 1.49 1.48 1.47 1.45 1.44 1.43 1.42 1.41 1.40 1.39 1.39
.90 2.97 2.59 2.37 2.25 2.16 2.09 2.04 2.00 1.96 1.94 1.91 1.89
.95 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28
.975 5.87 4.46 3.86 3.51 3.28 3.13 3.01 2.91 2.84 2.77 2.72 2.68
.99 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.29 3.23
.995 9.94 6.99 5.82 5.17 4.76 4.47 4.26 4.09 3.96 3.85 3.76 3.68
.999 14.8 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.94 4.82
.9995 17.2 11.4 9.20 8.02 7.28 6.76 6.38 6.08 5.84 5.66 5.51 538
24 .0005 .0
6
40 .0
3
50 .0
2
50 .015 .030 .046 .064 .080 .096 .112 .126 .139
.001 .0
5
16 .0
2
10 .0
2
79 .022 .040 .059 .079 .097 .115 .131 .146 .160
.005 .0
4
40 .0
2
50 .023 .050 .078 .106 .131 .154 .175 .193 .210 .226
.01 .0
3
16 .010 .038 .072 .106 .136 .165 .189 .211 .231 .249 .264
.025 .0
2
10 .025 .071 .117 .159 .195 .227 .253 .277 .297 .315 .331
.05 .0
2
40 .051 .116 .173 .221 .260 .293 3.21 .345 .365 .383 .399
.10 .016 .106 .193 .261 .313 .355 .388 .416 .439 .459 .476 .491
.25 .104 .291 .406 .480 .532 .570 .600 .623 .643 .659 .671 .684
.50 .469 .714 .812 .863 .895 .917 .932 .944 .953 .961 .967 .972
.75 1.39 1.47 1.46 1.44 1.43 1.41 1.40 1.39 1.38 1.38 1.37 1.36
.90 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88 1.85 1.83
.95 4.26 3.40 3.01 2.78 2.32 2.51 2.42 2.36 2.30 2.25 2.21 2.18
.975 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70 2.64 2.59 2.54
.99 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.09 3.03
.995 9.55 6.66 5.52 4.89 4.49 4.20 3.99 3.83 3.69 3.59 3.50 3.42
.999 14.0 9.37 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.50 4.39
.9995 16.2 10.6 8.52 7.39 6.68 6.18 5.82 5.54 5.31 5.13 4.98 4.85
)0
,
.1 = 0).1 x 10
-,
= 0)000000.1
*EE
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
15 .0005 .159 .159 .220 .244 .272 .303 .303 .330 .339 .353 .368 .337
.001 .181 .181 .212 .266 .294 .325 .325 .352 .360 .375 .388 .398
.005 .246 .246 .308 .333 .360 .389 .389 .415 .422 .435 .448 .457
.01 .284 .284 .346 .370 .397 .425 .425 .450 .456 .469 .483 .490
.025 .49 .349 .410 .433 .458 .485 .485 .508 .514 .526 .538 .546
.05 .416 .416 .474 .496 .519 .545 .545 .565 .571 .581 .592 .600
.10 .507 .507 .561 .581 .602 .624 .624 .641 .647 .812 .667 .672
.25 .701 .701 .742 .757 .772 .788 .788 .802 .805 1.04 .818 .822
.50 1.00 1.00 1.02 1.02 1.03 1.03 1.03 1.04 1.04 1.37 1.04 1.05
.75 1.43 .143 1.41 1.40 1.39 1.38 1.38 1.38 1.37 1.77 1.36 1.36
.90 1.97 .197 1.90 1.87 1.85 1.82 1.82 1.79 1.79 2.10 1.76 1.76
.95 2.40 2.40 2.39 2.25 2.20 2.16 2.16 2.12 2.11 2.44 2.08 2.07
.975 2.86 2.86 2.70 2.64 2.59 2.52 2.52 2.47 2.46 2.92 2.41 2.40
.99 3.52 3.52 3.29 3.21 3.13 3.05 3.05 2.98 2.96 3.33 2.89 2.87
.995 4.07 4.07 3.79 3.69 3.59 3.48 3.48 3.39 3.37 4.41 3.29 3.26
.999 5.54 5.54 5.10 4.95 4.90 4.64 4.67 4.51 4.47 4.94 4.35 4.31
.9995 6.27 6.27 5.75 5.58 5.40 5.21 5.21 5.06 5.02 .391 4.87 4.83
20 .0005 .169 .169 .235 .263 .295 .331 .331 .364 .375 .413 .408 .422
.001 .191 .191 .258 .286 .318 .354 .354 .386 .395 .474 .429 .441
.005 .258 .258 .327 .354 .385 .419 .419 .448 .457 .508 .490 .500
.01 .297 .297 .365 .392 .422 .455 .455 .483 .491 .562 .521 .532
.025 .363 .363 .430 .456 .484 .514 .514 .541 .548 .617 .575 .585
.05 .430 .430 .493 .548 .544 .572 .572 .595 .603 .685 .329 .637
.10 .520 .520 .578 .600 .623 .648 .648 .671 .675 .827 .694 .704
.25 .708 .708 .751 .767 .784 .801 .801 .616 .820 1.03 8.35 .840
.50 .989 .989 1.01 1.01 1.02 1.02 1.02 1.03 1.03 1.30 1.03 1.03
.75 1.37 1.37 1.35 1.34 1.33 1.32 1.32 1.31 1.31 1.63 1.30 1.29
.90 1.84 1.84 1.77 1.74 1.71 1.68 1.68 1.65 1.64 1.88 1.62 1.61
.95 2.20 2.20 2.08 2.04 1.99 1.95 1.95 1.91 1.90 2.13 1.86 1.84
.975 2.57 2.57 2.41 2.35 2.29 2.22 2.22 2.17 2.16 2.48 2.10 2.09
.99 3.09 3.09 2.86 2.78 2.69 2.61 2.61 2.54 2.52 2.76 2.44 2.42
.995 3.50 3.50 3.22 3.12 3.02 2.92 2.92 2.83 2.81 3.48 2.72 2.69
.999 4.56 4.56 4.15 4.01 3.86 3.70 3.70 3.58 3.54 3.82 3.42 3.38
.9995 5.07 5.07 4.58 4.42 4.24 4.07 4.07 3.93 3.90 .416 3.75 3.70
24 .0005 .174 .174 .244 .274 .309 .349 .349 .384 .395 .437 .434 .449
.001 .196 .196 .268 .298 .332 .371 .371 .405 .417 .498 .455 .439
.005 .264 .264 .337 .367 .400 .437 .437 .469 .479 .529 .515 .527
.01 .304 .304 .376 .405 .437 .473 .473 .505 .513 .585 .546 .558
.025 .370 .370 .441 .468 .498 .531 .531 .562 .568 .637 .599 .610
.05 .437 .467 .504 .530 .558 .588 .588 .613 .622 .704 .649 .659
.10 .527 .527 .588 .611 .635 .662 .662 .685 .691 .837 .715 .723
.25 .712 .712 .757 .773 .791 .809 .809 .825 .829 1.02 .844 .850
.50 .983 .943 1.00 1.01 1.01 1.02 1.02 1.02 1.02 1.27 1.03 1.03
.75 1.35 1.35 .132 1.31 1.30 1.29 1.29 1.28 1.28 1.56 1.27 1.26
.90 1.78 1.78 1.70 1.67 1.64 1.61 1.61 1.58 1.57 1.77 1.54 1.53
.95 2.11 2.11 1.98 1.94 1.89 1.84 1.84 1.80 1.79 1.98 1.75 1.73
.975 2.44 2.44 2.27 2.21 2.15 2.08 2.08 2.02 2.01 2.27 1.95 1.94
.99 2.89 2.89 2.66 2.58 2.49 2.40 2.40 2.33 2.31 2.27 2.24 2.21
.995 3.25 3.25 2.97 2.87 2.77 2.66 2.66 1.57 2.55 2.50 2.46 2.43
.999 4.14 4.14 3.74 3.59 3.45 3.29 3.29 3.16 3.14 3.07 3.01 2.97
.9995 4.55 4.55 4.09 3.93 3.76 3.59 3.59 3.44 3.41 3.33 3.27 3.22
0==
) , (
2 1
; ; (
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
30 .0005 .0
6
40 .0
3
50 .0
2
50 .015 .030 .047 .065 .082 .098 .114 .129 .143
.001 .0
5
16 .0
2
10 .0
2
80 .022 .040 .060 .080 .099 .117 .134 .150 .164
.005 .0
4
40 .0
2
50 .024 .050 .079 .107 .133 .156 .178 .197 .215 .231
.01 .0
3
16 .010 .038 .072 .107 .138 .167 .192 .215 .235 .254 .270
.025 .0
2
10 .025 .071 .118 .161 .197 .229 .257 .281 .302 .321 .337
.05 .0
2
40 .051 .116 .174 .222 .263 .296 .325 .349 .370 .389 .406
.10 .016 .106 .193 .262 .315 .357 .391 .420 .443 .464 .481 .497
.25 .103 .290 .406 .480 .532 .571 .601 .625 .645 .661 .676 .688
.50 .466 .709 .807 .858 .890 .912 .927 .939 .948 .955 .961 .966
.75 1.38 1.45 1.44 1.42 1.41 1.39 1.38 1.37 1.36 1.35 1.35 1.34
.90 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82 1.79 1.77
.95 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09
.975 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57 2.51 2.46 2.41
.99 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.91 2.84
.995 9.18 6.35 5.24 4.62 4.23 3.95 3.70 3.58 3.45 3.34 3.25 3.18
.999 13.3 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.11 4.00
.9995 15.2 9.90 7.90 6.82 6.14 5.66 5.31 5.04 4.82 4.65 4.51 4.38
40 .0005 .0
6
40 .0
3
50 .0
2
50 .016 .030 .048 .066 .084 .100 .117 .132 .147
.001 .0
5
16 .0
2
10 .0
2
80 .022 .042 .061 .81 .101 .119 .137 .153 .169
.005 .0
4
10 .0
2
50 .024 .051 .080 .108 .135 .159 .181 .201 .220 .237
.01 .0
3
16 .010 .038 .073 .108 .140 .169 .195 .219 .240 .259 .276
.025 .0
2
99 .025 .071 .119 .162 .199 .232 .260 .285 .307 .327 .344
.05 .0
2
40 .051 .116 .175 .224 .265 .299 .329 .354 .376 .395 .412
.10 .016 .106 .194 .263 .317 .360 .394 .424 .448 .469 .488 .504
.25 .103 .290 .405 .480 .533 .572 .603 .627 .647 .664 .680 .691
.50 .463 .705 .802 .854 .885 .907 .922 .934 .943 .950 .956 .961
.75 1.36 1.44 1.42 1.40 1.39 1.37 1.36 1.35 1.34 1.33 1.32 1.31
.90 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76 1.73 1.71
.95 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00
.975 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45 2.39 2.33 2.29
.99 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.73 2.66
.995 8.83 6.07 4.94 4.37 3.99 3.71 3.51 3.35 3.22 3.12 3.03 2.95
.999 12.6 8.25 6.60 5.70 5.13 4.73 4.44 4.21 4.02 3.87 3.75 3.64
.9995 14.4 9.25 7.33 6.30 5.64 5.19 4.85 4.59 4.38 4.21 4.07 3.95
60 .0005 .0
6
40 .0
3
50 .0
2
51 .016 .031 .048 .067 .085 .103 .120 .136 .152
.001 .0
5
16 .0
2
10 .0
2
80 .022 .041 .062 .083 .103 .122 .140 .157 .174
.005 .0
4
40 .0
2
50 .024 .051 .081 .110 .137 .162 .185 .206 .225 .243
.01 .0
3
16 .010 .038 .073 .109 .142 .172 1.99 .233 .245 .265 .283
.025 .0
2
99 .025 .071 .120 .163 .202 .235 .264 .290 .313 .333 .351
.05 .0
2
40 .051 .116 .176 .226 .267 .303 .333 .359 .382 .402 .419
.10 .016 .106 .194 .264 .318 .362 .398 .428 .453 .475 .493 .510
.25 .102 .289 .405 .480 .534 .573 .604 .629 .650 .667 .680 .695
.50 .461 .701 .798 .849 .880 .901 .917 .928 .937 .945 .951 .956
.75 1.35 1.42 1.41 1.38 1.37 1.35 1.33 1.32 1.31 1.30 1.29 1.29
.90 2.79 2.39 2.18 2.4 1.95 1.87 1.82 1.77 1.74 1.71 1.68 1.66
.95 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92
.975 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33 2.27 2.22 2.17
.99 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50
.995 8.49 5.80 4.73 4.14 3.76 3.49 3.29 3.13 3.01 2.90 2.82 2.74
.999 12.0 7.76 6.17 5.31 4.76 4.37 4.09 3.87 3.69 3.54 3.43 3.31
.9995 13.6 8.65 6.81 5.82 5.20 4.76 4.44 4.18 3.98 3.82 3.69 3.57
)0
,
.0 = 0).0 x 10
-,
= 0)000000.0
0=*
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
30 .0005 .179 .226 .254 .287 .325 .350 .369 .410 .420 .444 .467 .483
.001 .202 .250 .278 .311 .348 .373 .391 .431 .442 .465 .488 .503
.005 .271 .320 .349 .381 .416 .441 .457 .495 .504 .524 .543 .559
.01 .311 .360 .388 .419 .454 .476 .493 .529 .538 .559 .575 .590
.025 .378 .426 .453 .482 .515 .535 .551 .585 .592 .610 .625 .639
.05 .445 .490 .516 .543 .573 .592 .606 .637 .644 .658 .676 .685
.10 .534 .575 .598 .623 .649 .667 .678 .704 .710 .725 .735 .746
.25 .716 .746 .763 .780 .798 .810 .818 .835 .839 .848 .856 .862
.50 .978 .989 .994 1.00 1.01 1.01 .101 1.02 1.02 1.02 1.02 1.02
.75 1.32 1.30 1.29 1.28 1.27 1.26 1.26 1.25 1.24 1.24 1.23 1.23
.90 1.72 1.67 1.64 1.61 1.57 1.55 1.54 1.51 1.50 1.48 1.47 1.46
.95 2.01 1.93 1.89 1.84 1.79 1.76 1.74 1.70 1.68 1.66 1.64 1.62
.975 2.31 2.20 2.14 2.07 2.01 1.97 1.94 1.88 1.87 1.84 1.81 1.79
.99 2.70 2.55 2.47 2.39 2.30 2.25 2.21 2.13 2.11 2.07 2.03 2.01
.995 3.01 2.82 2.73 2.63 2.52 2.46 2.42 2.32 2.30 2.25 2.21 2.18
.999 3.75 3.49 3.36 3.22 3.07 2.98 2.92 2.79 2.76 2.69 2.63 2.59
.9995 4.10 3.80 3.65 3.48 3.32 3.22 3.15 3.00 2.97 2.89 2.82 2.78
40 .0005 .185 .236 .266 .301 .343 .373 .393 .441 .453 .480 .504 .525
.001 .209 .259 .290 .326 .367 .396 .415 .461 .473 .500 .524 .545
.005 .279 .331 .362 .396 .436 .463 .481 .524 .534 .559 .581 .599
.01 .319 .371 .401 .435 .473 .498 .516 .556 .567 .592 .613 .628
.025 .387 .437 .466 .498 .533 .536 .573 .610 .620 .641 .662 .674
.05 .454 .502 .529 .558 .591 .613 .627 .658 .669 .685 .704 .714
.10 .542 .585 .609 .636 .664 .683 .696 .724 .731 .747 .762 .772
.25 .720 .752 .769 .787 .806 .819 .828 .846 .851 .861 .870 .877
.50 .972 .983 .989 .994 1.00 1.00 1.01 1.01 1.01 1.01 1.02 1.02
.75 1.30 1.28 1.26 1.25 1.24 1.23 1.22 1.21 1.21 1.20 1.19 1.19
.90 1.66 1.61 1.57 1.54 1.51 1.48 1.47 1.43 1.42 1.41 1.39 1.38
.95 1.92 1.84 1.79 1.74 1.69 1.66 1.64 1.59 1.58 1.55 1.53 1.51
.975 2.18 2.07 2.01 1.94 1.88 1.83 1.80 1.74 1.72 1.69 1.66 1.64
.99 2.52 2.37 2.29 2.20 2.11 2.06 2.02 1.94 1.92 1.87 1.83 1.80
.995 2.78 2.60 2.50 2.40 2.30 2.23 2.18 2.09 2.06 2.01 1.96 1.93
.999 3.40 3.15 3.01 2.87 2.73 2.64 2.57 2.44 2.41 2.34 2.28 2.23
.9995 3.68 3.39 3.24 3.08 2.92 2.82 2.74 2.69 2.57 2.49 2.41 2.37
60 .0005 .192 .246 .278 .318 .365 .398 .421 .478 .493 .527 .561 .585
.001 .216 .270 .304 .343 .389 .421 .444 .497 .512 .545 .579 .602
.005 .287 .343 .376 .414 .458 .488 .510 .559 .572 .602 .633 .652
.01 .328 .383 .416 .453 .495 .524 .545 .592 .604 .633 .658 .679
.025 .396 .450 .481 .515 .555 .581 .600 .641 .654 .680 .704 .720
.05 .463 .514 .543 .575 .611 .633 .652 .690 .700 .719 .746 .759
.10 .550 .596 .622 .650 .682 .703 .717 .750 .758 .776 .793 .806
.25 .725 .758 .776 .796 .816 .830 .840 .860 .865 .877 .888 .896
.50 .967 .978 .983 .989 .994 .998 1.00 1.00 1.01 1.01 1.01 1.01
.75 1.27 1.25 1.24 1.22 1.21 1.20 1.19 1.17 1.17 1.16 1.15 1.15
.90 .160 1.54 1.51 1.48 1.44 1.41 1.40 1.36 1.35 1.33 1.31 1.29
.95 1.84 1.75 1.70 1.65 1.59 1.56 1.53 1.48 1.47 1.44 1.41 1.39
.975 2.06 1.94 1.88 1.82 1.74 1.70 1.67 1.60 1.58 1.54 1.51 1.48
.99 2.35 2.20 2.12 2.03 1.94 1.88 1.84 1.75 1.73 1.64 1.63 1.60
.995 2.57 2.39 2.29 2.19 2.08 2.01 1.96 1.86 1.83 1.78 1.73 1.69
.999 3.08 2.83 2.69 2.56 2.41 2.31 2.25 2.11 2.09 2.01 1.93 1.89
.9995 3.30 3.02 2.87 2.71 2.55 2.45 2.38 2.23 2.19 2.11 2.03 1.98
0=0
) , (
2 1
; ; (
Estadstica Aplicada
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
1 2 3 4 5 6 7 8 9 10 11 12
120 .0005 .0
6
40 .0
3
50 .0
2
51 .016 .031 .049 .067 .087 .105 .123 .140 .156
.001 .0
5
16 .0
2
10 .0
2
81 .023 .042 .063 .084 .105 .125 .144 .162 .179
.005 .0
4
39 .0
2
50 .024 .051 .081 .111 .139 .165 .189 .211 .230 .249
.01 .0
3
16 .010 .038 .074 .110 .143 .174 .202 .227 .250 .271 .290
.025 .0
2
99 .025 .072 .120 .165 .204 .238 .268 .295 .318 .340 .359
.05 .0
2
39 .051 .117 .177 .227 .270 .306 .337 .364 .388 .408 .427
.10 .016 .105 .194 .265 .320 .365 .401 .432 .458 .480 .500 .518
.25 .102 .288 .405 .481 .534 .574 .606 .631 .652 670 .685 .699
.50 .458 .697 .793 .844 .875 .896 .912 .923 .932 .939 .945 .950
.75 1.34 1.40 1.39 1.37 1.35 1.33 1.31 1.30 1.29 1.28 1.27 1.26
.90 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65 1.62 1.60
.95 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.87 1.83
.975 5.15 3.80 3.23 2.89 1.67 2.52 2.39 2.30 2.22 2.16 2.10 2.05
.99 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.40 2.34
.995 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81 2.71 2.62 2.54
.999 11.4 7.32 5.79 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.12 3.02
.9995 12.8 8.10 6.34 5.39 4.79 4.37 4.07 3.82 3.63 3.47 3.34 3.22
.0005 .0
6
39 .0
3
50 .0
2
51 .016 .032 .050 .069 .088 .108 .127 .144 .161
.001 .0
5
16 .0
2
10 .0
2
81 .023 .042 .063 .85 .107 .128 .148 .167 .185
.005 .0
4
39 .0
2
50 .024 .052 .082 .113 .141 .168 .193 .213 .236 .256
.01 .0
3
16 .010 .038 .074 .111 .145 .177 .206 .232 .256 .278 .298
.025 .0
2
98 .025 .072 .121 .166 .206 .241 .272 .300 .325 .347 .367
.05 .0
2
39 .051 .117 .178 .229 .273 .310 .342 .369 .394 .417 .436
.10 .016 .105 .195 .266 .322 .367 .405 .436 .463 .487 .508 .525
.25 .102 .288 .404 .481 .535 .576 .608 .634 .655 .674 .690 .703
.50 .455 .693 .789 .839 .870 .891 .907 .918 .927 .934 .939 .945
.75 1.32 1.39 1.37 1.35 1.33 1.31 1.29 1.28 1.27 1.25 1.24 1.24
.90 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63 1.60 1.57 1.55
.95 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.79 1.75
.975 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11 2.05 1.99 1.94
.99 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.25 2.18
.995 7.88 5.30 4.28 3.72 3.35 3.09 2.90 2.74 2.62 2.52 2.43 2.36
.999 10.8 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10 2.96 2.84 2.74
.9995 12.1 7.60 5.91 5.00 4.42 4.02 3.72 3.48 3.30 3.14 3.02 2.90
)0
,
.0 = 0).0 x 10
-,
= 0)000000.0
0=+
) , (
2 1
; ; (
D(-)(B+C(," AC+M+:A(3A B
&2
&1
P
15 20 24 30 40 50 60 100 120 200 500
120 .0005 .199 .256 .293 .338 .390 .429 .458 .524 .543 .578 .614 .676
.001 .223 .282 .319 .363 .414 .453 .480 .542 .568 .595 .631 .691
.005 .297 .336 .393 .434 .484 .520 .545 .605 .623 .661 .702 .733
.01 .338 .397 .433 .474 .522 .556 .579 .636 .652 .688 .725 .755
.025 .406 .464 .498 .536 .580 .611 .633 .684 .698 .729 .762 .789
.05 .473 .527 .559 .594 .634 .661 .682 .727 .740 .767 .785 .819
.10 .560 .609 .636 .667 .702 .726 .742 .781 .791 .815 .838 .855
.25 .730 .765 .784 .805 .828 .843 .853 .877 .884 .897 .911 .923
.50 .961 .972 .978 .983 .989 .992 .994 1.00 1.00 1.00 1.01 1.01
.75 1.24 1.22 1.21 1.19 1.18 1.17 1.16 1.14 1.13 1.12 1.11 1.10
.90 1.55 1.48 1.45 1.41 1.37 1.34 1.32 1.27 1.26 1.24 1.21 1.19
.95 1.75 1.66 1.61 1.55 1.50 1.46 1.43 1.37 1.35 1.32 1.28 1.25
.975 1.95 1.82 1.76 1.69 1.61 1.56 1.53 1.45 1.43 1.39 1.34 1.31
.99 2.19 2.03 1.95 1.86 1.76 1.70 1.66 1.56 1.53 1.48 1.42 1.38
.995 2.37 2.19 2.09 1.98 1.87 1.80 1.75 1.64 1.61 1.54 1.48 1.43
.999 2.78 2.53 2.40 2.26 2.11 2.02 1.95 1.82 1.76 1.70 1.62 1.54
.9995 2.96 2.67 2.53 2.38 2.21 2.11 2.01 1.88 1.84 1.75 1.67 160
.0005 .207 .270 .311 .360 .422 .469 .505 .599 .624 .704 .804 1.00
.001 .232 .296 .338 .386 .448 .493 .527 .617 .649 .719 .819 1.00
.005 .307 .372 .412 .460 .518 .559 .592 .671 .699 .762 .843 1.00
.01 .349 .413 .452 .499 .554 .595 .625 .599 .724 .782 .858 1.00
.025 .418 .480 .517 .560 .611 .645 .675 .741 .763 .813 .878 1.00
.05 .484 .543 .577 .617 .663 .694 .720 .781 .797 .840 .896 1.00
.10 .570 .622 .652 .687 .726 .752 .774 .826 .838 .877 .919 1.00
.25 .736 .773 .793 .816 .842 .860 .872 .901 .910 .932 .957 1.00
.50 9.56 .967 .972 .978 .983 .987 .989 .993 .994 .997 .999 1.00
.75 1.22 1.19 1.18 1.16 1.14 1.13 1.12 1.09 1.08 1.07 1.04 1.00
.90 1.49 1.42 1.38 1.34 1.30 1.26 1.24 1.18 1.17 1.13 1.08 1.00
.95 1.67 1.57 1.52 1.46 1.39 1.35 1.32 1.24 1.22 1.17 1.11 1.00
.975 1.83 1.71 1.64 1.57 1.48 1.43 1.39 1.30 1.27 1.21 1.13 1.00
.99 2.04 1.88 1.79 1.70 1.59 1.52 1.47 1.36 1.32 1.25 1.15 1.00
.995 2.19 2.00 1.90 1.79 1.67 1.59 1.53 1.40 1.36 1.28 1.17 1.00
.999 2.51 2.27 2.13 1.99 1.84 1.73 1.66 1.49 1.45 1.34 1.21 1.00
.9995 2.65 2.37 2.22 2.07 1.91 1.79 1.71 1.53 1.48 1.36 1.22 1.00
0=4
) , (
2 1
; ; (
Estadstica Aplicada
API"D(C$ "# H
Ta'la( "actore) para calcular la l*nea central + l,-,te) de control tre) ),g-a)
'3ser4aciones
en la m5estra6
n
Gr78icos
x
Gr78icos ( Gr78icos &
9actores para L:mites de
"ontrol
9actores para la
L:nea "entral
9actores para L:mites de "ontrol
9actores para la
L:nea "entral
9actores para L:mite de "ontrol
A A+ A, c- $;c- <, <- <. </ d+ $;d+ d, $ + , -
2 2.121 1.880 2.659 0.7979 1.2533 0 3.267 0 2.606 1.128 0.8865 0.453 0 3.686 0 3.267
3 1.732 1.023 1.954 0.8620 1.1284 0 2.568 0 2.276 1.693 0.5907 0.888 0 4.358 0 2.574
4 1.500 0.729 1.628 0.9213 1.0854 0 2.266 0 2.088 2.059 0.4857 0.880 0 4.698 0 2.282
5 1.342 0.577 1.427 0.9400 1.0638 0 2.089 0 1.964 2.326 0.4299 0.874 0 4.918 0 2.114
6 1.225 0.483 1.287 0.9515 1.0510 0.030 1.970 0.029 1.874 2.534 0.3946 0.848 0 5.078 0 2.004
7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924
8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864
9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
10 0.949 0.308 0.975 0.9727 1.0281 0.284 1.716 0.276 1.669 3.078 0.3249 0.797 0.687 5.469 0.223 1.777
11 0.905 0.285 0.927 0.9754 1.0252 0.321 1.679 0.313 1.637 3.173 0.3152 0.787 0.811 5.535 0.256 1.744
12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717
13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.047 0.307 1.693
14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.696 0.328 1.672
15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653
16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
17 0.728 0.203 0.739 0.9845 1.0570 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585
21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575
22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
23 0.626 0.162 0.643 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557
24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.451 1.548
25 0.600 0.153 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541
0=6

Estadistica Aplicada

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estadistica Aplicada

Transféré par

Droits d'auteur :

Formats disponibles

Estadstica Aplicada

(C" Estimacin de parmetros de dos poblaciones

((" Estimacin puntual de una poblacin de variable cualitativa

7 (esviacin estndar del estimador

1 Cuando no se conoce la varian!a de la poblacin y el tama<o de muestra n > +=.

1 Cuando el tama<o de muestra es peque<o (n > +="

((" Intervalo de confian!a para la diferencia de proporciones poblacionales

sumamos G ambos miembros

7=.06 *1 7 =.E6 luego

b" &i la desviacin estndar poblacional es conocida n\+=

7 +== n 7 *= x 7 +6*.E s 7 4C.?4 - 1 7 =.E6

7 D6 n 7 **? x 7 D6.=+ s 7*.E6 7 =.=6

El grfico utili!ado ser.a acampanado.

8ie!p" (en 9"ras)

1 2 * . ( , + $ ' 10 1112 1. 1* 1(1,1+1$1'20 21

Mg. Mara Vallejos Atalaya

de manera aleatoria y que

es posible obtener una

un estimador insesgado de cuando se reali!a el

. " entre los limites de control

utili!ando la variancia muestral

,.mite superior de control :-C J x @ '0 /

,os detalles para la grfica de p se resumen en el recuadro siguiente y se ilustran en el e#emplo

,.mite superior de control :-C J

la desviacin estndar de las proporciones muestrales es

y se calcula la desviacin estndar del proceso

,a segunda formula da el error de estimacin basndose para ello en la desviacin t.pica s de !

o bien esta otra:

,os parmetros de esta ecuacin son por tanto eo e* # e0 y se obtienen resolviendo el

:ndice de Paasc?e o m;todo del ao dado :

:ndice del ao t@pico:

:ndice ideal de Ais?er

=edia aritm;tica ponderada de relaciones de precios usando pesos del ao dado.

=edia aritm;tica ponderada de relaciones de precios usando pesos del ao t@pico.

:Imeros .ndices de cantidad o volumen

:ndice de agregacin ponderada de cantidad con pesos del ao base(

:ndice de agregacin ponderada de cantidad con pesos del ao dado(

y trace una grfica de x (n J 1" para las

! "#!$ ! "#!$ % "#!$

! "#!$ ! "#!$ ! "#!$

! "#!$ ! "#!$ ! "#!$

! "#!$ ! "#!$ ! "#!$

! "#!$ ! "#!$ ! "#!$

! "#!$ ! "#!$ ! "#!$

Vous aimerez peut-être aussi

7 +== n 7 = x 7 +6.E s 7 4C.?4 - 1 7 =.E6