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 intervalicas 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 varianza 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
confianza para la media poblacional, Intervalo de confianza para
la diferencia de medias poblacionales, Intervalo de confianza
para la proporcin poblacional, Intervalo de confianza 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 trabajos
prcticos.
c) Remite las prcticas y los trabajos a la pgina web de PROESAD
Durante la fase presencial/tutorial

a) Exposicin sobre los trabajos elaborados y remitidos.
b) Refuerzo del profesor con incidencia y correccin en los puntos
fuertes y debilidades.
PROESAD 13 Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya
Tutora N
Estimacin de parmetros:
estimacin puntual y estimacin
1.1. INTRODUCCIN
por intervalos
1
Los mtodos estadsticos inferenciales constituyen una forma de extraer conclusiones respecto a
una poblacin, de los datos obtenidos realmente de una muestra.
La inferencia estadstica comprende dos tipos principales de tcnicas: Estimacin de parmetros y

contrastacin de hiptesis. Independientemente de la tcnica que se utilice, la finalidad general es
utilizar datos de una muestra para extraer conclusiones respecto a una poblacin.
1.2. ESTIMACIN DE PARMETROS
Las tcnicas de estimacin son utilizadas cuando el investigador no tiene hiptesis previa respecto
al valor de una caracterstica de la poblacin y desea conocer cul podra ser tal valor.
La estimacin puede asumir 2 formas:
- Estimacin puntual
- Estimacin por intervalos
1.2.1. Estimacin puntual
Contiene el clculo de una sola cifra numrica, esto es un valor estadstico para evaluar el
parmetro desconocido de la poblacin.
Una desventaja de esta forma de estimacin es que no aporta la precisin de la estimacin del
parmetro.
Las estimaciones puntuales ms usuales son:
(A) Estimacin Puntual para la media poblacional.
Se halla mediante las siguientes frmulas.

- Para datos simples - Para datos agrupados
xi xi f i
= x= = x=
n fi
(B) Estimacin Puntual para la varianza poblacional.
Se halla mediante las siguientes frmulas.

- Para datos simples - Para datos agrupados
2
x2 n( x ) 2 2
x2 f n( x ) 2
= s2 = = s2 =
n 1 f 1

Estadstica Aplicada
(C) Estimacin de parmetros de dos poblaciones
Sea X1 una variable aleatoria que se distribuye como una distribucin normal con media 1
2
y varianza 1 e X2 otra variable aleatoria que se distribuye como una distribucin normal
2
con media 2 y varianza 2 .
La estimacin de parmetros de dos poblaciones se pueden realizar mediante:
a) La comparacin de sus medias, luego:
1 - 2 = 1 - 2 = x1 - x 2
b) La comparacin de sus varianzas, luego:

2 2
x1 x1 s 2x1
2
= =
x2 x 2 s 2x 2
(D) Estimacin puntual de una poblacin de variable cualitativa
Sea X una variable cualitativa con:
1, si X A
X
0, si X A
MXi
con P y Q =1- P
N N
A : Presencia de la caracterstica
Luego:
1, si x A
x
0, si x A
xi m
con p y q =1- p
N n
Entonces: P p
(E) Estimacin puntual de dos poblaciones de variables cualitativas
Sea X1 la variable aleatoria de una poblacin cualitativa con P x1 proporcin de aciertos en X1

y sea X2 la variable aleatoria de otra poblacin cualitativa con P x2 proporcin de aciertos en
X2, luego:
Px1 - Px 2 = P x1 - P x 2 = px1 - px 2
1.2.2. Estimacin por intervalos
La estimacin por intervalos de un parmetro nos indica lmites dentro de los cuales el parmetro
tiene la probabilidad especificada de estar. Los estimados por intervalos se conocen como
intervalos de confianza y los lmites inferior y superior como los lmites de confianza.
En general el intervalo de confianza para el parmetro se expresa:
P( - k + k ) = 1 -

Donde:
= Parmetro
= Estimador
k = Valor tabulado
= Desviacin estndar del estimador
1 = Nivel de confianza
Los intervalos de confianza ms usuales son:
(A) Intervalo de confianza para la media poblacional ( )
Para determinar el intervalo de confianza para la media poblacional se debe tomar en

cuenta lo siguiente:
- Cuando se conoce la varianza de la poblacin y/o el tamao de muestra n 30.
P( x - Z (1 ) x + Z (1 ) ) = 1 -
2 n 2 n
- Cuando no se conoce la varianza de la poblacin y el tamao de muestra n < 30.

s s
P( x - t ( 1 ,n 1) x + t(1 ,n-1) ) = 1 -
2 n 2 n
(B) Intervalo de confianza para la diferencia de medias poblacionales
Se presentan los siguientes casos:

2 2
- Si 1 y 2 son conocidos
2 2 2 2
1 2 1 2
P[( x1 - x 2 ) - Z (1 ) + 1 - 2 ( x1 - x 2 ) + Z (1 ) + ]=1-
2 n1 n2 2 n1 n2
2 2
- Si 1 y 2 no son conocidos
se presentan dos casos:
2 2
a. Si 1 es aproximadamente igual a y entonces
2 2 2
1 2
2 1 1 2 1 1
P[( x1 - x2 ) - t ( 1 ,n - 1) s ( + ) 1 - 2 ( x1 - x2 ) + t ( 1 ,n - 1) s ( + ) ] = 1-
2 n1 n2 2 n1 n2
( n1 - 1) s12 + ( n 2 - 1) s 22
donde : s 2 =
n1 + n 2 - 2
2 2
b. Cuando 1 es diferente a 2
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - t ( 1 ,n -1) + 1- 2 ( x 1 - x 2 ) + t (1 , n -1) + ]=1-
2 n1 n2 2 n1 n2
Observacin:
S n1+ n2 - 2 30, el valor tabulado es Z(1 - /2)
S n1 + n2 - 2 < 30, el valor tabulado es t(n1 + n2 2, 1 - /2)

Estadstica Aplicada
(C) Intervalo de confianza para la proporcin poblacional
Se presentan los siguientes casos:
- Cuando el tamao de muestra es grande (n 30)
pq pq
P(p - Z (1 ) P p + Z (1 ) )= 1 -
2 n 2 n
- Cuando el tamao de muestra es pequeo (n < 30)
pq pq
P(p - t ( 1 ,n-1) P p + t(1 ,n-1) ) = 1 -
2 n 2 n
(D) Intervalo de confianza para la diferencia de proporciones poblacionales
Se pueden presentan los siguientes casos:
- Si, n1 y n2 son muestras grandes (n1 + n2 - 2 30)

p1 q1 p2 q2 p1 q1 p2 q2
P[( p1 - p 2 ) - Z (1 ) + P1 - P2 ( p1 - p 2 ) + Z (1 ) + ] = 1-
2 n1 n2 2 n1 n2
- Si, n1 y n2 son muestras pequeas (n1 + n2 - 2 30)

p1 q1 p2 q2 p1 q1 p2 q2
P[( p1 - p1 ) - t ( (1 ,n - 1) + P1 - P 2 ( p1 - p 2 ) + t ( 1 ,n - 1) + ] = 1-
2 n1 n2 2 n1 n2
Nota: Si los tamaos de muestra son muy diferentes por ejemplo n 1 = 80, n2 = 20 se
recomienda emplear:
2 1 1
s = p(1 - p )( + )
nx ny
n1 p1 + n2 p 2
donde : p=
n1 + n2
esta proporcin denota la proporcin conjunta de las dos muestras.
Ejemplo 1.1
Se ensaya un test para determinar el cociente de inteligencia a 8 alumnos; los resultados fueron:
98, 108, 92, 111, 102, 95, 89, 115.
Determine: a) estimacin puntual y b) estimacin por intervalo (use el 90% de confianza) para el
promedio verdadero del cociente de inteligencia.
Solucin
n = 8, x = 101.25, s = 9.38 1- = 0.90 Luego 1
2
= 0.95
como n 30, entonces t(n 1, 1 - /2) = t(7,095) = 1.895
a) Estimacin puntual:
Por formula
xi x 101 .25
= x=
n

b) Estimacin por intervalo:
Por formula
s s
P( x - t( 7,.0.95) x + t( 7,0.95 ) )= 1 -
n n
Reemplazando:
9.38 9.38
P( 101 .25 - 1.895 101 .25 1.895 )= 1 -
8 8
Se obtiene
P[ 94.97 107 .53 ] = 90%
Luego el promedio verdadero del cociente de inteligencia de los alumnos se encuentra entre 94.97
y 107.53, con un nivel de confianza de 90%.
Ejemplo 1.2
Una muestra aleatoria de 100 hogares de una ciudad indica que el promedio de los ingresos
mensuales es de $ 500. Encuentre un intervalo de confianza del 95 % para la media poblacional
de los ingresos de todos los hogares de esa ciudad. Suponga = $ 110.
Solucin
n = 100, x = 500 = $ 110 1- = 0.95 luego 1
2
= 0.975
como n = 30, entonces Z(1 - /2) = Z(0.95) = 1.96
Por formula
P( x - Z (1 ) x + Z (1 ) )=1-
2 n 2 n
Reemplazando
110 110
P( 500 - 1.96 500 +1.96 ) = 95%
100 100
Se obtiene
P[ 478.44 521.56 ] = 95%
Esto, es se tiene una confianza del 95% que el promedio del ingreso familiar poblacional de esa
ciudad, est en el intervalo $ 478.44 y $ 521.56.
Ejemplo 1.3
Como parte de un experimento, una gran empresa manufacturera encontr que el tiempo
promedio requerido para que 16 empleados escogidos al azar completaran una tarea determinada
era de 26 minutos, la desviacin estndar 5 minutos. Construir el intervalo de confianza del 95%
para la media poblacional.
Solucin
n = 16 x = 26 s = 5 1- = 0.95 Luego 1
2
= 0.975
como n < 30, entonces t(n 1, 1 - /2) = t(15, 0.975) = 2.131
Por formula
s s
P( x - t ( 15,0.975) x + t ( 15,0.975 ) )= 1 -
n n
Estadstica Aplicada
Reemplazando
5 5
P( 26 - 2.131 26 + 2.131 ) = 95 %
16 16
Se obtiene
P[ 23.34 28.66 ] = 95%
Ejemplo 1.4
Se ha hecho un estudio de las diferencias entre estudiantes universitarios del primer ao que
estuvieron en academias y estudiantes que no estuvieron. Para ello se tom una muestra aleatoria
de 50 estudiantes universitarios que haban asistido a academias y una muestra aleatoria simple
independiente de 60 estudiantes que no lo haban hecho. Al final del primer semestre se
administr a los estudiantes una prueba de rendimiento en matemtica. Los que haban asistido a
academias, obtuvieron un puntaje promedio de 14,5, con una varianza de 4,8; y el puntaje
promedio para el grupo que no haba asistido a la academia, fue de 13,75 con una varianza de
6,4. Construya un intervalo de confianza para la diferencia entre las dos medias poblacionales
(use 99% de confianza).
Solucin
NO ASISTIERON
ASISTIERON ACADEMIA
ACADEMIA
n1 = 50 n 2 = 60
x1 =14.5 x 2 =13.75
2 2
s1 = 4.8 s2 = 6.4
1- = 0.99 luego 1- 2
= 0.995
Como n1 + n 2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58
Por formula
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - z( 1 ) + 1- 2 ( x 1 - x 2 ) + z (1 ) + ]=1-
2 n1 n2 2 n1 n2
Reemplazando
4.8 6.4 4.8 6.4
P[( 14 .5 - 13 .75 ) - 2.58 + 1 - 2 ( 14 .5 - 13 .75 ) + 2.58 + ] = 99 %
50 60 50 60
Se obtiene
P[ 0.41 1 - 2 1.91] = 99%
Ejemplo 1.5
Los estudiantes que se matricularon en un curso de investigacin educativa fueron distribuidos al

azar en dos grupos. El grupo A utiliz numerosas tcnicas y actividades para enriquecer el curso.
El grupo B estudi mediante el mtodo tradicional de conferencias. Los puntajes obtenidos en una
prueba de rendimiento, hecha al terminar el curso dieron los siguientes resultados:
Grupo n x s
A (1) 10 80 8
B (2) 12 72 10
Construir el intervalo de confianza del 90% para la diferencia de los puntajes promedios
poblacionales.

Solucin
1- = 0.90 luego 1 - 2
= 0.95
Como n1 + n2 2 < 30 entonces t (n1 + n2 2,1 /2) = t(20, 0.95) = 1.725
Por formula
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - t ( n1 n2 2, 1 / 2) + 1 - 2 ( x1 - x 2 ) + t ( n1 n 2 2, 1 / 2) + ] = 1-
n1 n 2 n1 n 2
Reemplazando
64 100 64 100
P[( 80 - 72 ) - 1.725 + 1 - 2 ( 80 - 72 ) +1.725 + ] = 90 %
10 12 10 12
Se obtiene
P[1.38 1 - 2 14.62 ] = 90%
Ejemplo 1.6
Una encuesta para verificar las actitudes de los empleados ante el boletn mensual, se les pidi a
500 empleados de una gran organizacin nacional que indicaran con que frecuencia lean el
boletn de noticias. De los 500, 375 informaron que lean todas las ediciones. Construir el intervalo
de confianza del 95% para la proporcin real de los que opinan afirmativamente.
Solucin:
375
n = 500 p = = 0.75 q =0.25 1- = 0.95 luego 1
2
= 0.975
500
Como n > 30 entonces Z(1 - /2) = Z(0.975) = 1.96
Por formula
pq pq
P[p - Z (1 / 2) P p + Z (1 / 2) ]=1-
n n
Reemplazando
0.75(0.25) 0.75(0.25)
P[ 0.75 - 1.96 P 0.75 + 1.96 ] = 95 %
500 500
Se obtiene
P[ 0.71 P 0.79 ] = 95 %
Ejemplo 1.7
En una muestra aleatoria de 400 adultos y 600 jvenes que vieron un cierto programa de
televisin, 100 adultos y 300 jvenes reconocieron que les haba gustado. Determinar los lmites
de confianza del 99% para la diferencia de proporciones de todos los adultos y jvenes que vieron
con agrado el programa.
Solucin
ADULTOS JVENES
n1 = 400 n 2 = 60 0
a1 = 100 a 2 = 300
a a
p1 = 1 0.25 p 2 = 2 0 .5
n1 n2
q1 = 1-p1 = 0.75 q 2 = 1 p2 = 0.5
1- = 0.99 Luego 1- 2
= 0.995

Estadstica Aplicada
Como n1+ n2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58
Puesto que los tamaos de muestras son muy diferentes, se emplea la varianza mancomunada
as:
n1 p1 + n2 p 2
p=
n1 + n2
Reemplazando
100 + 300 400
p= 0.4
400 + 600 1000
1 1
s = p(1 - p )( + )
n1 n2
1 1
s = 0.4( 0.6 )( + ) 0.032
400 600
Por formula
1 1 1 1
P[( p1 - p 2 ) - Z (1/ /2 p(1 - p )( + ) P1 - P 2 ( p1 - p 2 ) + Z (1/ /2 p(1 - p )( + ) ] = 1 -
n1 n 2 n1 n 2
Reemplazando
P[( 0.25 0.5 ) - 2.58(0.032 ) P A - P J ( 0.25 0.5 ) + 2.58(0.032 ) ] = 99 %
Se obtiene
P[ 0.33 P1 - P2 0.17 ] = 99 %

AUTOEVALUACIN
1. Seale con una V si es verdadero o F si es falso en los siguientes enunciados:
( ) El mtodo de estimacin de un parmetro puede ser: puntual o por intervalos.

( ) La Inferencia estadstica comprende dos tipos principales de tcnicas.
( ) La estimacin por intervalos contiene el clculo de una sola cifra numrica.
( ) Se obtiene conclusiones de la poblacin a travs de la informacin de la muestra.
( ) En la estimacin puntual incluye un intervalo en el que estn comprendidos los
valores del parmetro.
2. De una poblacin se escogieron al azar 10 personas y se les tomo la estatura. Los resultados
en cm fueron: 160, 170, 170, 150, 160, 180, 160, 170, 130, 150.
a) Estime la media y la varianza.
3. En una universidad se desea conocer la opinin de los estudiantes acerca de ciertas medidas
que han tomado las directivas. De 120 estudiantes consultados, 90 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 49 profesores. Suponga una desviacin estndar poblacional de 5 dlares. Si
la media en la muestra fue de 24.80 dlares mensuales.
a) Cul fue el intervalo de confianza de 95% para el consumo medio poblacional?
5. Los siguientes nmeros representan el tiempo(en minutos) que tardaron 15 operarios en

familiarizarse con el manejo de una nueva mquina adquirida por la empresa: 3.4, 2.8, 4.4,
2.5, 3.3, 4, 4.8, 2.9, 5.6, 5.2, 3.7, 3, 3.6, 2.8, 4.8.
a) Determina e interpreta un intervalo del 95% de confianza para el verdadero tiempo

promedio.
b) El instructor considera que el tiempo promedio requerido por los trabajadores es mayor
que 5 minutos, qu se puede decir de acuerdo con el intervalo hallado?
6. Una marca de lavadoras quiere saber la proporcin de amas de casa que preferiran usar su
marca. Toman al azar una muestra de 100 amas de casa y 20 dicen que la usaran.
a) Calcula un intervalo de confianza del 95% para la verdadera proporcin de amas de casa
que preferiran dicha lavadora.

Estadstica Aplicada
Unidad 2
PRUEBA DE HIPOTESIS DE PARAMETRO POBLACIONALES
N de tutoras: Dos
Tutora N 1: PRUEBA DE HIPTESIS: CONCEPTOS BSICOS; PRUEBA DE

HIPTESIS PARA UNA MEDIA; UNA VARIANZA Y DOS VARIANZA
POBLACIONAL
Tutora N 2: PRUEBA DE HIPTESIS: PROPORCIN POBLACIONAL; DOS

MEDIAS POBLACIONALES; DOS PROPORCIONES POBLACIONALES.


Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce el concepto de prueba de hiptesis para los parmetros.
Comprobar las pruebas de hiptesis en las investigaciones cientficas.
1.3. Actitudinales
Resuelve situaciones en donde el inters es probar hiptesis de los
parmetros de una poblacin en estudio.
El contenido programtico de la unidad referida es el siguiente:
Introduccin, Concepto prueba de hiptesis, hiptesis nula, hiptesis
alternativa, errores de prueba y nivel de significacin, pruebas
bilaterales y unilaterales, prueba de hiptesis referida a la media
poblacional, prueba de hiptesis sobre la varianza poblacional, prueba
de hiptesis referida a dos variancias poblacionales, prueba de
hiptesis referida a la proporcin poblacional, prueba de hiptesis
referida a la diferencia entre dos medias poblacionales, prueba de
hiptesis referida a la diferencia entre dos proporciones poblacionales

prcticos.


Tutora N
Prueba de hiptesis: conceptos
bsicos; prueba de hiptesis para
una media; una varianza y dos
2.1. INTRODUCCIN
varianza poblacional
2
El objetivo es dar algunos mtodos 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 estadsticas se debe partir de afirmaciones o conjeturas con respecto a la poblacin en
el que estamos interesados. Tales suposiciones, pueden ser verdaderas o no. Una conjetura
hecha sobre una poblacin o sobre sus parmetros deber ser sometida a comprobacin
experimental con el propsito de saber si los resultados de una muestra aleatoria extrada de esa
poblacin, contradicen o no tal conjetura.
A continuacin definiremos algunos conceptos bsicos para la prueba de hiptesis.
2.2. HIPTESIS
Es una afirmacin que esta sujeta a verificacin o comprobacin; as un educador puede hacerse
la hiptesis de que cierto mtodo de enseanza mejora el rendimiento de los alumnos. Hiptesis
establecidas en esta forma proporcionan con frecuencia motivo para realizar una investigacin.
Por esta razn se le denomina hiptesis de investigacin.
Generalmente hay que volver a plantear las hiptesis de investigacin convenientemente de tal
forma que se puedan comprobar mediante los mtodos estadsticos, as planteadas las hiptesis
reciben el nombre de hiptesis estadstica.
2.3. HIPTESIS ESTADSTICAS
Una hiptesis estadstica es un enunciado o proposicin respecto a uno o ms parmetros de la

poblacin. A fin de probar una proposicin, es preciso formular una hiptesis denominada nula
juntamente con otra denominada hiptesis alternativa.
2.3.1. Hiptesis nula (Ho)
Son aquellas que estn referidas a algn parmetro de la poblacin o de las poblaciones de
estudio. Estas son llamadas hiptesis cientficas.
2.3.2. Hiptesis alternativa (Ha)
Junto a la hiptesis nula se debe formular la denominada hiptesis alternativa que es la que sirve
para contrastarla.
2.4. ERRORES DE PRUEBA Y NIVEL DE SIGNIFICACIN
Tengamos presente que si bien Ho puede ser cierta, tendremos siempre la probabilidad no nula de
que por efecto del azar, nuestra decisin sea la de rechazar hiptesis; en tal caso estaremos
cometiendo el denominado ERROR DE TIPO I.
De otro lado podra Ho ser falsa y nuevamente el efecto aleatorio conducirnos a la decisin
equivocada de aceptar Ho, en tal caso estaremos cometiendo el ERROR DE TIPO II. Obviamente,
si Ho es cierta y no lo rechazamos o si es falsa y rechazamos, estaremos decidiendo bien.

Estadstica Aplicada
Al error de tipo I se le fija una probabilidad de ocurrencia previamente a la prueba, a dicha

probabilidad se le denomina , en ocasiones se le llama P vale, pero en ambos casos
corresponde al NIVEL DE SIGNIFICACIN.
P(ERROR TIPO I) =
Podemos objetivizar la decisin de Ho respecto a la naturaleza de sta de ser cierta o falsa.
DECISIN NATURALEZA DE Ho
SOBRE Ho Cierta Falsa
No rechazar Decisin Error tipo II
Correcta (probabilidad )
Rechazar Error tipo I Decisin

(Probabilidad ) correcta
Es deseable que ambas probabilidades fuesen lo menores posibles. Sin embargo, no es posible
minimizar ambas probabilidades a la vez ya que estn ntimamente relacionadas de tal modo que
al disminuir una de ellas la otra aumenta. As si queremos minimizar inmediatamente aumenta la
probabilidad de y viceversa. Generalmente el investigador fija apriori el error que est
dispuesto a tolerar, es decir la probabilidad mxima de cometer el error de tipo I.
La decisin de una prueba estadstica est asociada al nivel de significacin:
a) Si P < 0.05 ( = 0.05)

se dice que existe significacin en la prueba
b) Si P < 0.01 ( = 0.01)

se dice que existe alta significacin en la prueba
Pruebas bilaterales y unilaterales
Cuando tenemos hiptesis alternativa de la forma:
Ho : = 0 Ho : P = Po
Ha : 0 Ha : P Po
Al rechazar Ho, 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 /2 en cada lado de la distribucin del estadstico o funcin de prueba.
Tendremos entonces una prueba bilateral o no direccionada (dos puntos crticos)
1
2 2
De otro lado, si la hiptesis se orienta a un solo lado, entonces el nivel de significacin tambin
estar en aquel lado y consecuentemente estas pruebas se llaman unilaterales o direccionada (un
punto crtico)
Ho : = 0
Ha : 0 1

Ho : = 0
Ha : 0
1
A las regiones de valores de abscisas comprendidas en la parte sombreada se le llama REGIN

DE RECHAZO, y a las no sombreadas se le llama REGIN DE ACEPTACIN.
Una prueba de contrastacin de hiptesis estadstica se conduce bsicamente segn el siguiente

procedimiento.
1. Plantear las hiptesis

- Hiptesis nula (Ho)
- Hiptesis alternativa (Ha)
2. Establecer el nivel de significacin de prueba ( )
3. Identificar o construir la funcin de prueba y la ley de probabilidad que sigue dicha funcin de
prueba.
4. Efectuar el reemplazo numrico en la funcin de prueba con la informacin muestral.
5. Determinar las regiones de aceptacin o rechazo en la distribucin de la funcin de prueba,

segn se trate de pruebas bilaterales o unilaterales.
6. Tomar una decisin sobre Ho, segn la siguiente regla:

a. Rechazar Ho si el valor de la funcin de prueba cae en la regin de rechazo.
En tal caso se concluir que Ho se rechaza en favor de Ha con una significacin
estadstica.
b. No rechazar Ho 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 sospechar de que Ho no sea cierta.
7. Establecer la conclusin, segn la hiptesis que se acepte.
2.5. PRUEBA DE HIPTESIS REFERIDA A LA MEDIA POBLACIONAL
Esta prueba se aplica an a poblaciones que no se alejan demasiado de las caractersticas de una
poblacin normal.
Las hiptesis referentes a este parmetro pueden ser:
Ho: = o
Ha: o Prueba bilateral o de dos colas
Ho: = o
Ha: o Prueba unilateral de cola a la derecha
Ho: = o
Ha: o Prueba unilateral de cola a la izquierda
Dicha prueba se efecta mediante la siguiente funcin de prueba:
a) Si la desviacin estndar poblacional no es conocida o n<30
x - o
to = t (n-1)
s/ n
Estadstica Aplicada
b) Si la desviacin estndar poblacional es conocida n30
x- o
zo = n( 0,1)
/ n
Ejemplo 2.1
El seor Martnez afirma que su programa de entrenamiento en ventas de seguro de vida le
permite a su compaa vender ms plizas que las compaas "promedio". El promedio mensual
de ventas de todos los agentes de la compaa es de $300. A una muestra de agentes que han
recibido el programa de entrenamiento se le encuentra las siguientes ventas en dlares: 300, 270,
360, 390, 309, 405, 360, 420, 375, 330. Si usted fuera el supervisor de estos agentes, adoptara
para los restantes el programa de entrenamiento propuesto por el seor Martnez. Emplee 5% de
significacin.
Solucin:
= 300, n = 10, x = 351.9, s = 48.64 1- = 0.95

como n 30, entonces t(n 1, 1 ) = t(9,0.95) = 1.833
1) Ho: 300
Ha: 300
2) = 0.05
x 0
3) f.p. t0
s
n
351.9 300
4) t0 3.37
48.64
10
5) t(9,0.95) = 1.833
RA RR
1- = 0,95 = 0,05
tt = 1,833
t0 = 3,37
6) Decisin: Como t0 pertenece a la regin de rechazo entonces rechazamos la hiptesis nula a
favor de la hiptesis alternativa
7) Conclusin: El programa de entrenamiento de ventas de seguro de vida le permite a su

compaa vender ms plizas de seguro que la compaa promedio, por lo cual se adoptar para
el resto de los agentes el programa propuesto por el seor Martinez.

Ejemplo 2.2
Un investigador afirma que la ingestin diaria de nutrientes (protena) recomendada en varones de
18-34 aos moderadamente activos, tiene un promedio de 75 grs. para contrastar tal hiptesis se
tom una muestra de 116 varones saludables obteniendo los siguientes resultados:
Protena encontrada (gr) Nmero de

varones
71 8
73 20
75 60
77 18
79 10
Total 116
Pueden estos resultados, sostener la hiptesis formulada por el investigador. Use el 5% de

significacin.
Solucin:
= 75, n = 116, x = 75.03, s =1.95 = 0.05

como n > 30, entonces Z(1 - /2) = Z(0.975) = 1.96
1) Ho: = 75
Ha: 75
2) = 0.05
x- o
3) f.p. Zo=
s
n
75.03 75
4) Zo= 0.17
1.95
116
5) Z t = Z ( 0,975) 1.96
RR RA RR
2 = 0,025 1- = 0,95 2 = 0,025
Zt = -1,96 Zt =1,96
Z0 = 0,17
6) Decisin: Como Zo RA aceptamos Ho
7) Conclusin: Se sostiene la hiptesis formulada para el investigador.
2.6. PRUEBA DE HIPTESIS SOBRE LA VARIANZA POBLACIONAL
Algunas veces se necesitan pruebas sobre la varianza o la desviacin estndar de una poblacin.

Estadstica Aplicada
Ho: = o
Ha: o Prueba bilateral
Ho: = o
Ha: o Prueba unilateral
Ho: = o
Ha: o Prueba unilateral
Procedimiento:
2
Supngase que se desea probar la hiptesis de que la varianza de una poblacin normal es
2
igual a un valor especfico, por ejemplo, o. Sea X1, X2, ..., Xn una muestra aleatoria de n
observaciones tomadas de esta poblacin. Para probar
2 2
Ho: = o
2 2
Ha: o
Se utiliza el estadstico de prueba

2 (n 1) S 2
X o 2
o
2 2 2
donde S es la varianza muestral. Ahora si Ho: = o es verdadera, entonces el estadstico de
2
prueba X o sigue una distribucin ji-cuadrada con n-1 grados de libertad. Por consiguiente, se
2 2 2
calcula el valor de la estadstica de prueba X o, y la hiptesis Ho: = debe rechazarse si:
2 2
o n 1, / 2
o si
2 2
o n 1,1 /2
2 2
donde X n-1, /2 y X n-1,1- /2 son los puntos que corresponden a los porcentajes 100 /2 inferior y
superior de la distribucin ji-cuadrada con n-1 grados de libertad, respectivamente.
RR RA
/2 1 RR
/2
X (n2 1, / 2) X (n2 1, 1 / 2)
El mismo estadstico se utiliza para hiptesis alternativas unilaterales, Para hiptesis unilateral:
2 2
Ho : = o
2 2
Ha: > o
2 2
Se rechaza si: X o > X n-1,1-
RA RR
1
X (n2 1, 1 )
2 2
Para la otra hiptesis unilateral: Ho: = o
2 2
Ha: < o
2 2
Se rechaza si: X o < X n-1,

RR RA
1
X (n2 1, )
PROCEDIMIENTO PARA MUESTRAS GRANDES
Las hiptesis planteadas son idnticas a las mencionadas anteriormente lo que se modifica es la
funcin de prueba, que cuando el tamao de muestra es mayor que 30 se utiliza la distribucin
normal.
El estadstico de prueba es:

s o
Zo
o
2n
El grfico utilizado sera acampanado.
Ejemplo 2.3
Considrese una mquina de llenado de botellas. Al tomar una muestra aleatoria de 20
botellas se obtiene una varianza muestral para el volumen de llenado de 0,0153 (onzas
de fluido)2. Si la varianza del volumen de llenado es mayor que 0,01 (onzas de fluido)2,
entonces existe una proporcin inaceptable de botellas que sern llenadas con una
cantidad menor de lquido. Existe evidencia en los datos muestrales que sugiera que el
fabricante tiene un problema con el llenado de botellas? Utilice 5% de significacin de
prueba.
Solucin:
2 2
= 0.01, n = 20, s = 0.0153 = 0.05
2 2
como n < 30, entonces X (n 1, 1 ) = X (19, 0.95) 30 .1
2
Ho: = 0.01
2
Ha: > 0.01
= 0.05
(n 1) S 2 (19)(0.0153 )
f.p. X o2 2
29.07
o 0.01
X (219, 0.95) 30 .1
RA RR
1 = 0.95 = 0.05
X t2 30.1
X o2 29.07

Estadstica Aplicada
2
Decisin: Como X o 29.07 RA aceptamos Ho
Conclusin: El fabricante no tiene problemas con el llenado de botellas, pues la varianza es igual a
0.01.
2.7. PRUEBA DE HIPTESIS REFERIDA A DOS VARIANCIAS POBLACIONALES
La prueba de comparacin de muestras, requiere que las variancias de las dos poblaciones
2
muestreadas sean iguales. En esta seccin describiremos una prueba para la hiptesis nula 1 =
2
2 , que se aplica a muestras aleatorias independientes obtenidas de dos poblaciones normales;
debe utilizarse con mucho cuidado por ser muy sensible a las desviaciones de tal suposicin.
Ho: 1 = 2
Ha: 1 2 Prueba bilateral
Ho: 1 = 2
Ha: 1 2 Prueba unilateral
Ho: 1 = 2
Si las muestras aleatorias independientes de tamao n1 y n2, se extraen de poblaciones normales

que tiene la misma variancia, para la prueba de igualdad de variancias se utiliza el siguiente
estadstico.
s12
F
s 22
que es un valor de una variable aleatoria que tiene la distribucin F con n 1 - 1 y n2 1 grados de
libertad.
1
Obs. F1 - (v1,v2) =
F (v 2 , v1 )
2 2
Regiones crticas para probar 1 2
(Poblaciones normales)
Hiptesis alterna Estadstico de Rechaza la hiptesis nula si:

prueba
2 2
1 < 2 s12 F < F (n1 1, n2 1)
F
s 22
2 2
1 > 2 s12 F > F1- (n1 1, n2 1)
F
s 22
2 2
1 2 s M2 F < F /2(nM 1, nm 1)
F F > F1- /2(nM 1, nm 1)
s m2
2
Donde: s M : la mayor de las dos variancias muestrales,
2
s m : la ms pequea de las variancias.

2 2
Para hiptesis unilateral: Ho: 1 2
2 2
Ha: 1 2
RR RA
/2 1 RR
/2
F / 2 (n M 1, n m 1) F1 / 2 (n M 1, n m 1)
El mismo estadstico se utiliza para hiptesis alternativas unilaterales, Para hiptesis unilateral: Ho:
2 2
1 2
2 2
Ha: 1 2
RA RR
1
F1 ( n1 1, n 2 1)
2 2
Para la otra hiptesis unilateral: Ho: 1 2
2 2
Ha: 1 2
RR RA
1
F1 ( n1 1, n 2 1)
PROCEDIMIENTO PARA MUESTRAS GRANDES
Las hiptesis planteadas son idnticas a las mencionadas anteriormente lo que se modifica es la
funcin de prueba, que cuando el tamao de muestra es mayor que 30, se utiliza la distribucin
normal.
El estadstico de prueba es:

s1 s 2
Zo
1 1
sp
2n1 2n2

Estadstica Aplicada
donde :
2 (n1 1) s12 (n2 1) s 22

s p
n1 n2 2
Ejemplo 2.4
Se requiere determinar si existe menos variabilidad en el plateado realizado por la compaa 1 que
el efectuado por la compaa 2. Si las muestras aleatorias independientes de tamao 12 del
trabajo desempeado por las compaas producen s 1=0,035 mil y s2=0,062 mil, prubese la
2 2 2 2
hiptesis nula de que 1 = 2 contra la hiptesis alterna de que 1 < 2 con un nivel de
significancia de 0,05.
Solucin:
n1 = n2 = 12, s1 = 0.035, s2 = 0.062, = 0.05
como n1 + n2 < 30, entonces F t = F (n1 1, n 2 1) F0,05 (11,11) 0.355
2 2
Ho: 1 2
2 2
Ha: 1 2
= 0.05
s12 (0.035 ) 2
f.p. F 0.319
s 22 (0.062 ) 2
RR RA
= 0.05 1 = 0.95
Ft 0.355
F0 0.319
Decisin: Como F0 RA se acepta Ho
Conclusin: La variabilidad de plateado de la compaa 1 es menor que de la compaa 2. Usando

5% de significacin de prueba.

AUTOEVALUACIN
( ) El rechazo de Ho cuando es verdadera se llama error de tipo I

( ) Si la funcin de prueba cae en la regin crtica entonces aceptamos la Ho
( ) Ha se formula con el propsito de rechazarla, es la que se va a someter a prueba.
( ) Es una prueba bilateral cuando la hiptesis se orienta a un solo lado.
( ) No rechazar la Ho si el valor de la funcin de prueba cae en la regin de aceptacin.
2. Un estudio de 29 familias de una zona residencial de la ciudad de Lima, revela que el ingreso
medio por familia durante el ao 1999 fue de $ 508 con una desviacin estndar de $ 16.
Probar la hiptesis de que el verdadero ingreso medio por familia en Lima durante 1999 fue de
$ 500 frente a la alternativa de que no fue de $ 500. Utilizar un nivel de significancia del 5%.
3. Se escoge una muestra aleatoria de 13 tiendas y se encuentra que las ventas de la semana
de un determinado producto de consumo popular tiene una desviacin estndar s $6 . Se
supone que las ventas del producto tienen una distribucin normal. Al nivel de significancia del
5%, se podra inferir que la varianza de la poblacin es menor que $40?
4. Los pesos netos (en gramos) de las latas de conserva de una muestra, fueron los siguientes:
121; 119; 124; 123; 119; 121; 124.
Se puede concluir que el peso neto poblacional medio es mayor que 123.5? Utilice un nivel
de significancia del 1%.
5. Un determinado proceso de empaquetar un producto est controlado, si el peso medio del

producto empaquetado es 400 gramos. Si en una muestra aleatoria de 100 paquetes del
producto se ha encontrado que el peso medio es de 395 gramos. Se podra concluir que el
proceso est fuera de control al nivel de significacin 5%?. Suponga que el peso de los
productos empaquetados se distribuye normalmente con desviacin estndar de 20 gramos.
6. En un proceso de fabricacin, se plantea la hiptesis que la desviacin estndar de las

longitudes de cierto tipo de tornillo es 2.0 mm. En una muestra de diez tornillos elegidos al
azar del proceso de produccin se han encontrado las siguientes longitudes en milmetros:
71, 66, 64, 72, 69, 67, 70, 68, 65, 69. Con estos datos se justifica la suposicin
que la desviacin estndar verdadera es 2.0 mm? Use el nivel de significacin =0.05, y
suponga que la distribucin de las longitudes es normal.

Estadstica Aplicada
Tutora N
Prueba de hiptesis: proporcin
poblacional; dos medias
poblacionales; dos proporciones
poblacionales
3.1. PRUEBA DE HIPTESIS REFERIDA A LA PROPORCIN POBLACIONAL
3
La hiptesis se refiere al parmetro P, la proporcin de individuos de la poblacin con una
determinada caracterstica.
Ho: P = Po
Ha: P Po Prueba bilateral
Ho: P = Po
Ha: P Po Prueba unilateral
Ho: P = Po
Ha: P Po Prueba unilateral
La funcin de prueba para valores de n 30 es:
P - po
zo = n(0,1)
po (1- po ) / n
La funcin de prueba para valores de n 30 es:
P - po
to = t (n-1)
po (1- po ) / n
Ejemplo 3.1
El alcalde de una ciudad cree que ms del 60% de los residentes de un suburbio adyacente est a
favor de anexarse a la ciudad. En una muestra aleatoria de 120 adultos, 75 dijeron que estaban a
favor. Proporcionan estos datos evidencia suficiente como para apoyar la opinin del alcalde?
Solucin:
75
P = 0.60, n = 120, m = 75, p 0.625 , = 0.05
120
como n > 30, entonces Z t = Z (1 ) Z ( 0,95) 1.645
Ho: P 0.60
Ha: P 0.60
= 0.05
p - Po 0.625 0.6
f.p. Z0 = 0.56
Po (1 - Po )/n 0.6(0.4)
120

Z t = Z ( 0,95) 1.645
RA RR
1- = 0,95 = 0,05
Zt = 1,645
Z0 = 0,56
Decisin: Como Zo RA aceptamos Ho
Conclusin: Los datos no proporcionan suficiente evidencia como para aceptar la opinin del
alcalde. Usando un 5% de significacin de prueba.
Ejemplo 3.2
Se tom una muestra aleatoria de 400 escolares, de los cuales 120 tuvieron signos de
desnutricin. Verifique la hiptesis de que el porcentaje de desnutridos no excede a 25% en la
cobertura de estudio (Use 5% como nivel de significacin).
Solucin
120
P = 0.25, n = 400, m = 120, p 0.30 , = 0.05
400
como n > 30, entonces Z t = Z( ) Z ( 0,05) 1.645
Ho: P 0.25
Ha: P 0.25
= 0.05
0.30 0.25
f.p. Z o 2.31
0.25(0.75)
400
Z t = Z (1 ) Z ( 0,95) 1.645
RR RA
= 0,05 1- = 0,95
Zt = -1,645
Z0 = 2,31
Decisin: Como Zo RA se acepta Ho
Conclusin: La proporcin de desnutridos no excede al 25% en la cobertura de estudio. En un 5%

de significacin de prueba.
3.2 PRUEBA DE HIPTESIS REFERIDA A LA DIFERENCIA ENTRE DOS MEDIAS

POBLACIONALES
Cuando la comparacin de dos poblaciones es con respecto a sus medias la hiptesis natural es
que ambas tienen igual promedio, o en otras palabras que la diferencia de ambos promedios es
nula o difieren en alguna cantidad especfica.
Ho: 1 = 2
Ha: 1 2 Prueba bilateral
Ho: 1 = 2

Estadstica Aplicada
Ho: 1 = 2
Pueden presentarse varias situaciones dependiendo de como son sus varianzas:
1. Con varianzas conocidas:

La funcin de prueba es:
( x1 - x 2 ) - ( 1 - 2 )
zo = 2 2
n( 0,1)
1 2
+
n1 n2
2. Con varianzas desconocidas y diferentes:

( x2 - x2 ) - ( 1 - 2 )
to = 2 2
t ( n1 + n 2 - 2)
s1 s 2
+
n1 n2
Cuando n1 + n2 2 30 entonces esta funcin de prueba sigue una distribucin normal estndar.
3. Con varianzas desconocidas y aproximadamente iguales:

( x1 - x2 ) - ( 1 - 2 )
to = t( n1 + n2 - 2)
2 1 1
s +
n1 n2
2
Aqu s es la varianza mancomunada
2 (n1 - 1) s12 + (n2 - 1) s22

s =
n1 + n2 - 2
Al igual que en el caso anterior, si n1 + n2 2 30 entonces la funcin de prueba sigue una
distribucin normal estndar.
Observacin: Antes de realizar la prueba de comparacin de medias, es conveniente efectuar la

prueba de comparacin de varianzas para determinar si los datos de ambas poblaciones tienen
varianzas aproximadamente iguales o diferentes.
Ejemplo 3.3
Una compaa desea comparar las expectativas salariales anuales de su personal de ventas
femenino y masculino, segn un nuevo plan de compensaciones venta-ms-comisin. Se pidi a
n1 = 40 vendedoras y n2 = 40 vendedores, muestreados al azar, predijeron sus ingresos anuales
bajo el nuevo plan. Las medias y desviaciones muestrales eran:
x 1 = $ 31 083 x 2 = $ 29 745
s1 = $ 2 312 s 2 = $ 2 569
Proporcionan estos datos evidencia que indique una diferencia en el promedio del ingreso anual
esperado tanto entre los vendedores como las vendedoras? Haga la prueba con = 0,10.
Solucin:
2 (n2 - 1) s12 + (n2 - 1) s 22
Ho: 1 2 s = 5972552 .5
n1 + n2 - 2
Ha: 1 2 Z t = Z ( 0,95) 1.645
= 0.10
( x1 - x 2 ) - ( 1 - 2 ) 31083 29745 0
f.p. Zo= 2.45
1 1 1 1
s2 + 597255252 .5 +
n1 n2 40 40
RR RA RR
2 = 0,05 1- = 0,90 2 = 0,05
Zt = -1,645 Zt =1,645
Z0 = 2,46
Decisin: Como Z o RR no existe suficiente evidencia como para aceptar la hiptesis nula,
por consiguiente aceptamos la Ha.
Conclusin: Los datos proporcionan suficiente evidencia como para indicar una diferencia en el
promedio del ingreso anual esperado tanto entre los vendedores usando un 10% de significacin
de prueba.
3.3. PRUEBA DE HIPTESIS REFERIDA A LA DIFERENCIA ENTRE DOS PROPORCIONES

POBLACIONALES
Cuando se desea comparar dos poblaciones cualitativas.
Ho: P1 = P2
Ha: P1 P2 Prueba bilateral
Ho: P1 = P2
Ha: P1 P2 Prueba unilateral
Ho: P1 = P2
Ha: P1 P2 Prueba unilateral

(p1 - p 2 ) - ( P1 - P 2 )
z= n( 0,1)
1 1
p 1- p +
n1 n2
Aqu p es la proporcin mancomunada:
n1 p1 + n2 p2
p=
n1 + n2
Ejemplo 3.4
Un socilogo cree que la proporcin de hombres que pertenecen a un grupo socioeconmico
determinado (grupo A) y que ven regularmente lucha en TV. supera mucho a un segundo grupo de
hombres (grupo B) que tambin ven lucha. Muestras aleatorias simples de los dos grupos
arrojaron los siguientes resultados.
tamao de Nmero de hombres que ven

Grupo la muestra regularmente lucha en TV
A (1) n1 = 150 a1 = 98
B (2) n2 = 200 a2 = 80

Estadstica Aplicada
Proporcionan estos datos evidencia suficiente como para apoyar la tesis del socilogo? use =
0,05
Solucin:
98 80
Ho: P1 P2 p 0.51
350
Ha: P1 P2 Z t = Z ( 0.95) 1.645
a1 98
p1 0.65
n1 150
a2 80
p2 0.40
n2 200
= 0.05
(p1 - p 2 ) - ( P1 - P 2 ) (0.65 0.4) 0
f.p. Z0 = 4.63
1 1 1 1
p 1- p + 0.51(0.49 ) +
n1 n2 150 200
RA RR
1- = 0,95 2 = 0,05
Zt =1,645
Z0 = 4,63
Decisin: Como Zo RR rechazamos Ho en favor Ha
Conclusin: Los datos proporcionan suficiente evidencia como para apoyar la opinin del
socilogo con un 5% de significacin de prueba.

AUTOEVALUACIN
( ) La hiptesis Ho: P > Po es una prueba bilateral.

( ) En la prueba F los n1-1 y n2-1 son conocidos como los grados de libertad.
( ) Cuando el tamao de muestra es mayor que 30 se utiliza la distribucin normal.
( ) Cuando Fo pertenece a la Regin de aceptacin entonces se rechaza Ho.
( ) La hiptesis Ho: P > Po es una prueba unilateral a la derecha.
2. El gerente de una empresa insiste en que a lo ms del 33% de los clientes de la empresa esta
de acuerdo con el cambio de su producto. De 80 clientes tomados al azar, 29 estn de
acuerdo con el cambio del producto. Al nivel de significancia de 5%, tiene razn el gerente?
3. Ejemplo: Una muestra aleatoria de 300 hombres y otro de 400 mujeres de una determinada
poblacin revel que 120 hombres y 120 mujeres estaban a favor de cierto candidato. Se
puede concluir a un nivel de significacin del 5% que la proporcin de hombres a favor del
candidato es mayor que la proporcin de mujeres?
4. Dos fabricantes A y B producen un artculo similar, cuyas vidas tiles tienen desviaciones
estndar respectivas de 120 horas y 90 horas. Para comparar el promedio de vida til de estos
artculos se extrae una muestra aleatoria de 60 artculos de cada fabricante encontrndose la
duracin media de 1.230 horas para la marca A y de 1.190 horas para la marca B. Se puede
concluir a un nivel de significacin del 5% que los artculos de marca A tienen mayor duracin
media que los artculos de marca B?
5. Se controla la calidad de una muestra aleatoria de 40 piezas producidas por un fabricante. Si

se hallaron 4 piezas defectuosas, se debera inferir que el porcentaje de todas las piezas
defectuosas es ms del 5% al nivel de significacin del 5%?
6. Un inversionista est por decidir entre dos provincias para abrir un centro comercial. Par esto
debe probar la hiptesis de que hay diferencia en el promedio de ingresos familiares de las
_
dos provincias. Si una muestra de 300 hogares de la provincia 1 da x1 $400 y s1 $90 y
_
otra muestra de 400 hogares de la provincia 2 da x2 $420 y s2 $120 . se puede inferir
que las dos medias poblacionales son diferentes?, si es as, en cual de las provincias
_ _
debera abrir la sucursal? Utilice =0.05. s2 $120 x2 $420 x1 $400

Estadstica Aplicada
Unidad 3
ANALISIS DE VARIANZA
N de tutora: Uno
Tutora N 4:
ANLISIS DE VARIANZA : ANLISIS DE VARIANZA DE UNA VA Y
DE DOS VAS.


Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce el modelo del anlisis de varianza.
Prueba las diferencias entre k-medias.
1.3. Actitudinales
Comparan las medias de k-grupos o poblaciones.
El contenido programtico de la unidad referida es el siguiente: Anlisis

de varianza: conceptos bsicos, Anlisis de varianza de una va
(concepto, modelo, prueba de hiptesis); Anlisis de varianza de dos
vas (concepto, clases: sin interaccin y con interaccin, modelos)

prcticos.


Tutora N
Anlisis de varianza: anlisis de
varianza de una va y de dos vas
4.1. ANLISIS DE VARIANZA

4
El anlisis de varianza se emplea para probar las diferencias entre k medias. Una suposicin
bsica implcita en el anlisis de varianza es que las diversas medias muestrales se obtienen de
las poblaciones distribuidas normalmente que tienen la misma varianza . Sin embargo, se ha
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 tamaos de muestra son
aproximadamente iguales.
Todos los procedimientos de clculo presentados son para efectos fijos, contrariamente a los
modelos de efectos aleatorios.
El concepto bsico en el anlisis de varianza fue desarrollado por R.A. Fisher y la distribucin F se
ha denominado en honor suyo. El razonamiento conceptual es el siguiente:
(1) Se calcula la media para cada grupo de la muestra y despus se determina el error estndar
de la media S_ con base slo en las diversas medias muestrales.
(2) Dada la frmula S_ = S/ n , tenemos que s = n S X y que s 2 n S X . Esta estimacin

resultante de la varianza de la poblacin se llama la media cuadrtica entre los grupos
(MCE).
(3) Se calcula la varianza dentro de cada grupo muestral y con respecto a cada media de grupo.
Luego se combinan estos valores de la varianza ponderndolos de acuerdo a n-1 para cada
muestra. La estimacin resultante de la varianza de la poblacin se llama media cuadrtica
dentro de los grupos (MCD).
(4) Si la hiptesis nula 1 = 2 = 3 = ... = k es verdadera, entonces tenemos que las dos medias
cuadrticas obtenidas en (2) y (3) no estn sesgadas y son estimadores independientes de
la misma varianza de la poblacin, . Si la hiptesis nula es falsa, entonces el valor
esperado de la MCE es mayor que el de la MCD. Esencialmente, todas las diferencias entre
las medias de la poblacin inflarn la MCE, mientras que no afectarn la MCD.
(5) Con base al numeral (4), se involucra una prueba de una cola y la frmula general de la
prueba F en el anlisis de la varianza es:
MCD
F
MCE
Si la relacin F est en la regin de rechazo para el nivel de significacin especificado,

entonces se rechaza la hiptesis de que las diversas medias muestrales se obtuvieron de la
misma poblacin.
Para simplificar este procedimiento con diseos en trminos del modelo lineal que identifica
los componentes que influyen sobre la variable aleatoria y se presenta una tabla estndar de
anlisis de varianza que muestra los clculos necesarios de la media cuadrtica para cada
tipo de diseo experimental.

Estadstica Aplicada
4.2. ANLISIS DE VARIANZA DE UNA VA
El modelo del anlisis de varianza de una va se relaciona con la prueba de la diferencia entre k
medias muestrales, cuando los sujetos se asignan aleatoriamente a cada uno de los diversos
grupos de tratamiento.
La ecuacin lineal que representa el modelo del anlisis de varianza de una va es:
Xik = + k + ik
donde:
= media global de todos los k grupos de tratamiento

k = efecto del tratamiento en el grupo especfico k, del cual se muestreo el valor
ik = error aleatorio relacionado con el proceso de muestreo.
La tabla siguiente es un resumen del anlisis de varianza de una va en la cual; MCD pasa a ser la
media cuadrtica entre los A grupos de tratamiento (MCA) y (MCE) es llamada media cuadrtica
del error, N asigna el tamao total de la muestra para todos los grupos de tratamiento combinados,
antes que el tamao de la poblacin. T k representa la suma (total) de los valores muestreados en
todos los grupos combinados.
La hiptesis nula y alternativa son:
Ho: k = 0 para todos los niveles de tratamiento

Ha: k 0 para todos los niveles de tratamiento
Si la hiptesis nula es verdadera, entonces tenemos que :

1 = 2 = 3 = ... = k .
Fuente de Suma de los Grados de Media

Relacin F
variacin cuadrados, SC libertad, gl cuadrtica MC
Entre grupos Tk2 T2 k1 MCA

SCA MCA
SCA F0
de tratamiento nk N k 1 MCE
A
Error de SCE SCT SCA nk SCE

MCE
muestreo, E n k
T2 N-1
Total, T SCT X2
N
Ejemplo 4.1
Quince personas que se capacitan en un programa tcnico son asignadas en forma aleatoria a
tres tipos diferentes de enfoques de instruccin. Los puntajes de las pruebas de rendimiento, al
concluir la especializacin, se presentan en la tabla siguiente. Use el procedimiento de anlisis de
varianza para probar la hiptesis nula de que las tres medias muestrales son iguales a un nivel de
significacin del 5%.
Mtodo de Tk
Puntaje de la prueba
Instruccin Total
A1 86 79 81 70 84 400
A2 90 76 88 82 89 425
A3 82 68 73 71 81 375
Total 1200

Solucin:
Suma de cuadrados de tratamiento = Tk2 T2

SCA
nk N
400 2 425 2 375 2 1200 2

= 250
5 5 5 15
Suma de cuadrados del total = T2
SCT X2
N
1200 2
= 86 2 90 2 82 2 ... 70 2 82 2 712 698
15
Suma de cuadrados del error = SCE SCT SCA
= 698 250 = 448
Fuente de Suma de grados de Media

relacin, F
variacin cuadrados SC libertad, gl cuadrtica MC
Entre grupos
de trat., A SCA = 250 2 MCA =125 Fo = 3.35
Error de
muestreo, E SCE = 448 12 MCE =37.33 Ft = 3.89
Total, T SCT = 698 14
Ft = F(1- , glA, glE) = F(0.95, 2, 12) = 3.89
Ho: 1 2 3 0
Ha: a lg n i 0
RA
= 0.05 1 = 0,95 RR
= 0,05
f.p. Fo = 3.35
Ft = 3,89
F0 = 3,35
Conclusin: No hay efecto asociado a los niveles del mtodo de instruccin por lo tanto las
diferencias de mtodos no son significativo, con un 5% de significacin de prueba.
Ejemplo 4.2
La tabla siguiente presenta el promedio de palabras mecanografiadas por minuto en diferentes
marcas de mquinas elctricas, por individuos asignados aleatoriamente sin experiencia previa en
estas mquinas, despus del mismo perodo de instruccin. Pruebe la hiptesis nula de que la
media de palabras por minuto lograda para las tres mquinas no es diferente, usando un nivel de
Marca de las Tk
Promedio de palabras por minuto
mquinas Total
A1 79 83 62 51 77 352
A2 74 85 72 - - 231
A3 81 65 79 55 - 280
Total 863

Estadstica Aplicada
Solucin

SCA
nk N
352 2 231 2 280 2 863 2

= 103 .72
5 3 4 12

SCT X2
N
863 2
= 79 2 83 2 62 2 ... 65 2 79 2 55 2 1376 .96
12
Suma de cuadrados del error = SCE SCT SCA
= 1376.96 103.72 = 1273.20
Fuente de Suma de Grados de Media Relacin,

variacin cuadrados SC libertad, gl cuadrtica MC F
Entre grupos
SCA = 103.72 2 MCA = 51.86 Fo = 0.37
de trat., A
Error de
SCE = 1273.20 9 MCE = 141.47 Ft = 4.26
muestreo, E
Total, T SCT = 1376.92 11
Ho: 1 2 3 0
Ha: a lg n i 0
RA
= 0.05 1 = 0,95 RR
= 0,05
f.p. Fo = 0.37
Ft = 4.26 Ft = 4,26
F0 = 0,37
Conclusin: No existe diferencia significativa entre las 3 mquinas de escribir en trminos de

velocidad de mecanografa, con un 5% de significacin de prueba.
4.3. ANLISIS DE VARIANZA DE DOS VAS
El anlisis de varianza de dos vas se basa en dos conjuntos de clasificaciones o tratamientos. Por
ejemplo, al analizar el nivel de rendimiento de un programa de capacitacin, podramos considerar
ambos efectos, el del mtodo de instruccin y el del rendimiento escolar anterior. Asimismo,
podramos investigar el kilometraje de gasolina segn la categora de peso del automvil y el
grado de la gasolina. En las tablas de datos, los tratamientos identificados en los encabezamientos
de la columna se llaman tpicamente tratamientos A; aquellos en los encabezamientos de fila se
denominan tratamientos B.
La interaccin en un experimento 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 segn
los niveles del otro factor. Por ejemplo, al estudiar el kilometraje de un automvil, una gasolina de
octanaje ms alto puede mejorar el kilometraje para ciertos tipos de autos pero no p ara otros.
Adems la efectividad de varios mtodos de instruccin puede diferir segn los niveles de

capacidad de los estudiantes. Con el objeto de probar la interaccin, en cada clula de la tabla de
datos de dos vas debe incluirse ms de una observacin o medicin muestreada (reiteracin).
4.3.1. Anlisis de varianza de dos vas sin interaccin (diseo de bloque aleatorizado)
El modelo de anlisis de varianza de dos vas en el cual hay una sola observacin por clula se
denomina a menudo diseo de bloque aleatorizado, debido a un tipo particular de uso para este
modelo. El objetivo de utilizar ste diseo no tiene propsito especfico de probar un efecto de los
"bloques". Ms bien, al ser capaz de asignar alguna variabilidad a los sujetos antes del
rendimiento, la MCE, puede reducirse y la prueba resultante del efecto de los tratamientos A ser
ms sensible.
La ecuacin lineal para el modelo del anlisis de varianza de dos vas sin interaccin es:
Xjk = + j + k + jk
Donde:
= media global de cualquier tratamiento
j = efecto del tratamiento j o del bloque j en la dimensin B de clasificacin.
k = efecto del tratamiento k en la dimensin A de clasificacin.
Las hiptesis correspondientes seran:
Ho : k =0
Ha : k 0
La tabla de resumen para el anlisis de varianza de dos vas sin interaccin se da a continuacin:
Grados
Fuente de Suma de los de Media cuadrtica
Relacin F
variacin cuadrados, SC libertad, MC
gl
Entre grupos Tk2 T2 K-1 MCA

SCA MCA
SCA F0
de nk N K 1 MCE
tratamiento
A
Entre grupos 1 T2 J-1 SCB

SCB T j2 MCB
de k N J 1
tratamiento
B
Error de SCE SCT SCA SCB (J1) (K SCE

MCE
muestreo, E 1) (J 1) ( K 1)
T2 N-1
Total, T SCT X2
N
Ejemplo 4.3
Para los datos de la tabla siguiente suponga que en la realidad se utiliz un diseo de bloque
aleatorizado y que se parearon los participantes antes del experimento, asignando un participante
de cada grupo de aptitud (con base en los rendimientos anteriores del curso) a cada mtodo de
instruccin. La tabla siguiente es una revisin de la tabla del ejemplo 1, en el sentido que los
valores presentados se han reorganizado para reflejar el diseo de bloque aleatorizado. Sin
embargo observe que en cada grupo de tratamiento A se incluyen los mismos valores, excepto
que se indican de acuerdo a los grupos de aptitud B y, por lo tanto, estn dispuestos en un orden
diferente. Pruebe la hiptesis nula de que no existe diferencia en el desempeo promedio entre los
tres mtodos de instruccin y los niveles de aptitud, utilizando un nivel de significacin del 5%.

Estadstica Aplicada
Nivel de Mtodo de instruccin Tj

aptitud A1 A2 A3 Total
B1 86 90 82 258
B2 84 89 81 254
B3 81 88 73 242
B4 79 76 68 223
B5 70 82 71 223
Total Tk 400 425 375 1200
Solucin:
SCA
nk N
400 2 425 2 375 2 1200 2

= 250
5 5 5 15
Suma de cuadrados de bloque = SCB

1
T j2
T2
k N
258 2 254 2 242 2 223 2 223 2 1200 2

= 367 .33
3 3 3 3 3 15
SCT X2
N
1200 2
= 86 2 90 2 82 2 ... 70 2 82 2 712 698
15
Suma de cuadrados del error = SCE SCT SCA SCB
= 698 250 367.33 = 80.87
Media
Fuente de Suma de grados de
cuadrtica relacin, F
variacin cuadrados SC libertad, gl
MC
Entre grupos Fo = 12.4
SCA = 250 2 MCA = 125
de trat., A Ft = 4.46
Entre grupos
SCB = 367.33 4 MCB = 91.83
de bloque B
Error de
SCE = 80.87 (2)(4) = 8 MCE = 10.98
muestreo, E
Total, T SCT = 698 14
Ho: 1 2 3 0
Ha: a lg n i 0
RA
1 = 0,95 RR
= 0.05 = 0,05
f.p. Fo = 12.4
Ft = 4.46
Ft = 4,46
F0 = 12,4

Decisin:
Como F0 RR rechazamos Ho
Conclusin:
Existe diferencia significativa entre los porcentajes de rendimiento para los diferentes mtodos de
instruccin, cuando se consideran el nivel de aptitud. Utilizando una prueba significativa.
4.3.2. Anlisis de varianza de dos vas con interaccin (N observaciones por clula)
Cuando se utiliza este diseo se pueden probar por el anlisis de varianza tres hiptesis nulas
diferentes; que no hay efectos de columna (las medias de las columnas no son significativamente
diferentes) y que no hay efectos de fila (las medias de las filas no son significativamente
diferentes) y que no hay interaccin entre los dos factores (los dos factores son independientes).
Un efecto de interaccin significativo indica que el efecto de los tratamientos para un factor vara
segn los niveles del otro factor. En tal caso, la existencia de efectos de columna y de fila puede
no tener mucho significado desde el punto de vista de la aplicacin de los resultados de la
investigacin.
La ecuacin lineal para el modelo del anlisis de varianza de dos vas sin interaccin es:
Xijk = + j + k + ijk + ijk
Donde:
= media global independiente de cualquier tratamiento
j = efecto del tratamiento j en la dimensin B.
k = efecto del tratamiento k en la dimensin A.
ijk = efecto de la interaccin entre el tratamiento j (del
factor B) y el tratamiento k (del factor A)
Las hiptesis correspondientes seran:

Ho : k =0 Ho : j =0 Ho : Ijk = 0
Ha : k 0 Ha : j 0 Ha : Ijk 0
La tabla de resumen para el anlisis de varianza de dos vas con interaccin se da a continuacin:
Grados
Fuente de Suma de los de Media cuadrtica
Relacin F
variacin cuadrados, SC libertad, MC
gl
Entre grupos 1 T2 K-1 SCA MCA

SCA Tk2 MCA F0
de n N K 1 MCE
tratamiento
A
Entre grupos 1 T2 J1 SCB MCB

SCB T j2 MCB F0
de nk N J 1 MCE
tratamiento
B
Interaccin 1 2 SCI MCI

SCI X MCI F0
(entre n (J 1) ( K 1) MCE
T2 (J1) (K
grupos de SCA SCB
N 1)
tratamiento
A y B) I
Error de SCE SCT SCA SCB JK (n1) SCE

MCE
muestreo, E SCI JK (n 1)
T2 N-1
Total, T SCT X2
N

Estadstica Aplicada
Ejemplo 4.4
Nueve personas que se capacitan en cada una de cuatro reas temticas diferentes fueron
asignadas en forma aleatoria a tres mtodos de instruccin distintos. Se asignaron tres
estudiantes a cada mtodo de instruccin. Se refiere a la tabla siguiente, pruebe las diversas
hiptesis nulas que son de inters respecto a tal diseo, a un nivel de significacin del 5%.
Mtodo de instruccin Total Tj

rea
temtica
A1 A2 A3
B1 70 83 81 717
79 89 86
72 78 79
221 250 246
B2 77 77 74 709
81 87 69
79 88 77
237 252 220
B3 82 94 72 722
78 83 79
80 79 75
240 256 226
B4 85 84 68 732
90 90 71
87 88 69
262 262 208
Total Tk 960 1020 900 T=2880
Solucin:
Suma de cuadrados de tratamiento A = SCA
1
Tk2
T2
nk N
960 2 1020 2 900 2 2880 2

= 600
12 12 12 36
Suma de cuadrados de tratamiento B = 1 T2

SCB T j2
nj N
717 2 709 2 722 2 732 2 2880 2

= 30 .8
9 9 9 9 36
Suma de cuadrados de la interaccin = SCI

1
X
2
n
T2
SCA SCB
N
2
= 221 250 2 246 2 262 2 262 2 208 2 2880 2
... 600 30 .8 533 .9
3 3 3 3 3 3 36

SCT X2
N
2880 2
= 70 2 83 2 812 ... 87 2 88 2 69 2 1600 .0
36
Suma de cuadrados del error = SCE SCT SCA SCB SCI
= 1600 600 30.8 533.9 = 435.3

Suma de
Fuente de Grados de Media
cuadrados relacin, F
variacin libertad, gl cuadrtica MC
SC
Entre grupos
de trat., A SCA = 600.0 3-1 = 2 MCA = 300 Fo = 16.57
(mtodo)
Entre grupos
de trat., B SCB = 30.8 4-1 = 3 MCB = 10.3 Fo = 0.57
(tema)
Interaccin
entre
SCI = 533.9 (2)(3) = 6 MCI = 18.1 Fo = 4.92
mtodo y
tema, I
Error de
muestreo, E (4)(3)(2) =
SCE = 435.3 MCE = 18.1
24
Total, T SCT =
36-1=35
1600.0
Ho: A1 A2 A3 Ho: B1 BA2 BA3 Ho: I jk 0

Ha: a lg n i 0 Ha: a lg n j 0 Ha: I jk 0
= 0.05
f.p.
Fo = 16.57 Fo = 0.57
Ft = F(2,24,0.95) = 3.4 Ft = F(3,24,0.95) = 3.0
RA RR RA RR
1 = 0,95 = 0,05 1 = 0,95 = 0,05
Ft = 3.4 Ft = 3.0
Fo = 16.57 Fo = 0.57
Fo = 4.92
Ft = F(6,24,0.95) =2.5
RA RR
1 = 0,95 = 0,05
Ft = 2.5
Fo = 4.92
Decisin:
1. Como F0 RR rechazamos Ha
2. Como F0 RA aceptamos Ho
3. Como F0 RR aceptamos Ha
Conclusin: Hay diferencia satisfactoria entre los porcentajes de los mtodos de instruccin, no
hay diferencia significante entre las distintas reas hay interaccin importante entre los dos
factores:
La ltima conclusin indica que vara la efectividad de los tres mtodos de instruccin para las
diferentes reas temticas.

Estadstica Aplicada
AUTOEVALUACIN
( ) El anlisis de varianza se emplea para probar las diferencias entre k medias.

( ) El anlisis de varianza de dos vas se basa en dos conjuntos de tratamientos
( ) Al anlisis de varianza de dos vas sin interaccin se le conoce como diseos de bloque
aleatorizado.
( ) El modelos del anlisis de varianza de dos vas es: Xik = + k + ik
( ) MCE es llamada media cuadrtica del error
2. En 12 depsitos al por menor se establecieron 4 tipos de exhibiciones de publicidad, con tres

depsitos asignados en forma aleatoria a cada una de las exhibiciones con el propsito de
estudiar el impacto de la exhibicin en el punto de venta. Refirindose a la tabla siguiente,
pruebe la hiptesis de que no existe diferencia entre las medias de los valores de venta para
los cuatro tipos de exhibiciones, usando un nivel de significancia del 5%.
Tipo VENTAS
De Exhibicin 1 2 3
E1 40 44 43
E2 53 54 59
E3 48 38 46
E4 48 61 47
3. Los siguientes son los nmeros de hornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compaa distribuidora de artculos domsticos
SUCURSAL ALFA 21 11 17 28
SUCURSAL BETA 27 15 18 26 17 21
SUCURSAL GAMMA 24 17 31 12 15
Realice un ANVA para probar, con un nivel de significancia de 0.05, si la hiptesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
4. Completar la siguiente tabla de anlisis de varianza (ANVA)
FUENTE SUMA DE GRADO DE MEDIA F

VARIACION CUADRADO LIBERTAD CUATRADTICA
S
Tratamiento 2
Error 9 10
Total 120
5. Un ejecutivo de marketing llev a cabo un estudio para examinar el efecto comparativo de 3

tcnicas diferentes de promocin en 4 zonas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguiente. Determinar las conclusiones a las que puede llegar usando
los resultados de la tabla ANVA y formule en forma clara las hiptesis de contraste.

VARIACION CUADRADOS LIBERTAD CUADRATICA
Entre tcnicas 7.48
promocionales
Entre zonas de 3
ventas
Error 3.90 6
Total 11.41 11


Estadstica Aplicada
Unidad 4
TEORIA DE LA TOMA DE DECISIONES
N de tutora: Uno
Tutora N 5
Teora de la toma de decisiones


Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce los conceptos del anlisis estadstico en la toma de
decisiones.
Elaboran tabla, diagrama en base a las probabilidades para la toma de
decisiones.
1.3. Actitudinales
Realiza toma de decisiones basadas en un anlisis estadstico en un
problema de investigacin.
El contenido programtico de la unidad referida es el siguiente: La
estructura bayesiana comparada con la estadstica clsica conceptos
fundamentales (conceptos generales), estructura de la tabla de
decisin; toma de decisiones basadas en probabilidades (criterios:
probabilidad mxima, esperanza del evento); toma de decisiones con
base slo en las consecuencias econmicas (criterios: maximin,
mximax, pena mnimax); toma de decisiones con base en
probabilidades y consecuencias econmicas (criterios: del valor
esperado o criterio bayesiano, mnima prdida de oportunidad o pena
esperada); anlisis de rbol de decisin.

prcticos.
c) Remite las prcticas y los trabajos a la pgina web de PROESAD.


Tutora N
Teora de la toma
de decisiones
5.1. LA ESTRUCTURA BAYESIANA COMPARADA CON LA ESTADSTICA CLSICA

5
La estadstica clsica trata en lo fundamental dos problemas estrechamente relacionados:
1. El problema de la estimacin de algunos parmetros de la poblacin, como la media aritmtica

de la poblacin y la proporcin poblacional p.
2. El problema de probar una hiptesis respecto a alguna caracterstica o parmetro de la
poblacin
Pero, ya sea que el problema consista en estimar algn parmetro de la poblacin o probar (o
contrastar o verificar) una hiptesis respecto al valor de ese parmetro, el mtodo que se usa para
resolver el problema es uno y el mismo; 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 ejemplificar esto, supngase que el problema inmediato es estimar el porcentaje
de estudiantes del quinto ao de secundaria en un colegio. Si una muestra aleatoria de 100
estudiantes seleccionados de este colegio revela que hay 10 esudiantes del ltimo ao, entonces
se estimar el porcentaje de estudiantes del ltimo ao de todo el colegio como 10/100 10%.
La informacin que se puede utilizar al hacer una inferencia sobre una caracterstica de la
poblacin, por lo general, se clasifica en dos clases: la informacin objetiva y la informacin
subjetiva. Por ejemplo, la informacin que se obtiene por medio de muestreos es informacin
objetiva. Por otra parte, la opinin personal del experto en un campo es informacin subjetiva. Al
estimar el porcentaje de estudiantes del ltimo ao del colegio como 10%, se ha adoptado el
mtodo tradicional o clsico de la inferencia estadstica, un mtodo en el que la inferencia acerca
de la poblacin se basa de una manera estricta en informacin muestral objetiva.
En contraste con el mtodo estadstico clsico, en el que slo se puede utilizar informacin
muestral objetiva, un enfoque alternativo de la estadstica, llamado estadstica de Bayes, puede
utilizarse toda la informacin disponible pertinente: subjetiva y objetiva. En la estadstica de Bayes,
una inferencia sobre un parmetro de la poblacin puede hacerse partiendo de informacin
subjetiva exclusivamente. Sin embargo, si posteriormente se cuenta con informacin muestral
objetiva, se combinan la informacin subjetiva y la objetiva, y las inferencias sobre el parmetro de
la poblacin se basan en esta informacin combinada.
La distincin entre la estadstica clsica y la de Bayes, puede presentarse desde una perspectiva
definida considerando el ejemplo siguiente: Una compaa manufacturera est considerando la
compra de una nueva mquina, denominada la mquina A. La decisin de si se compra o no la
mquina A se basar en el porcentaje de partes defectuosas que produzca la mquina. En base a
su experiencia pasada con otras mquinas semejantes, el ingeniero de control de calidad de la
compaa estima el porcentaje de partes defectuosas producidas por la mquina A segn la
siguiente tabla:
PORCENTAJE DE PARTES PROBABILIDAD

DEFECTUOSAS
0,05 0,30
0,06 0,50
0,07 0,20
Esto significa que el ingeniero de control de calidad no est absolutamente seguro del porcentaje
de partes defectuosas que produce la mquina A. Sin embargo, en base a cualquier conocimiento

Estadstica Aplicada
o experiencia que posee, el ingeniero piensa personalmente que es de 0,30 la probabilidad de que
el porcentaje de partes defectuosas producidas por la mquina A sea 5% es de 0,50 la
probabilidad de que el porcentaje de partes defectuosas sea 6% y hay un riesgo de 0,20 en que el
porcentaje de partes defectuosas sea 7%.
Dos observaciones importantes pueden hacerse en esta fase de la discusin. Primera, la

informacin del ingeniero de control de calidad respecto a la mquina A es personal o subjetiva,
puesto que algn otro ingeniero bien podra dar una estimacin del porcentaje de partes
defectuosas que produce la mquina A. Segunda, en contraste con la estadstica de Bayes est
especialmente diseada para hacer uso ms constructivo de este tipo de informacin. De hecho,
usando la informacin subjetiva del ingeniero de control de calidad, la estadstica de Bayes
permitir a la compaa decidir si compra o no la mquina A.
Continuando el caso de la mquina A, supngase adems que en una serie de pruebas, una
muestra aleatoria de 100 partes producidas por la mquina A revela que hay 4 partes defectuosas.
Ahora bien, segn la estadstica, el porcentaje de partes defectuosas producidas por la mquina A
se estima como 4%. Sin embargo, usando la estadstica de Bayes la informacin muestral se
combina con la informacin subjetiva del ingeniero de control de calidad, y una estimacin del
porcentaje de partes defectuosas producidas por la mquina A se hace, partiendo de esta
combinacin de informacin.
El uso de informacin subjetiva en la inferencia estadstica es slo una de las caractersticas de la

estadstica bayesiana. En los ltimos aos, la estadstica bayesiana se ha convertido en una teora
integrada para la toma de decisiones, llamada la teora de decisin bayesiana.
La teora de decisin bayesiana trata el problema de la toma de decisiones bajo condiciones de

incertidumbre. Esta teora 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 sujetas a incertidumbre.
I. Estructura de tablas de decisin

Una tabla de decisin identifica la ganancia (o prdida) ocasional asociada por todas las
combinaciones posibles de actos y sucesos de decisin, tambin indica la probabilidad de
ocurrencia para cada uno de los eventos mutuamente excluyentes.
TABLA 1
ESTRUCTURA GENERAL DE UNA TABLA DE DECISIN
ACTOS
EVENTO PROB.
A1 A2 A3 ... An
E1 p1 X11 X12 X13 ... X1n
E2 p2 X21 X22 X23 ... X2n
E3 p3 X31 X32 X33 ... X3n
... ... ... ... ... ... ...
Em pm Xm1 Xm2 Xm3 ... Xmn
Donde:
Actos: Son 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 mejor.
Eventos: Identifica las ocurrencias que estn fuera del control de la persona que toma la
decisin y que determina el nivel de xito de un acto dado.
Probabilidad: Deben estar disponibles, pueden basarse en actos objetivos o determinarse

subjetivamente con base en el criterio. Las sumas de las probabilidades siempre
es 1,00.
Las entradas en las clulas: Son valores condicionales o consecuencias econmicas

condicionales. Frecuentemente se denominan pagos y son condicionales pues el
resultado econmico depende del acto de decisin que se elige y del evento que
ocurre.

II. Toma de decisiones basadas en probabilidades

Esto se efecta haciendo uso de la primera y segunda columna de la tabla 1.
Criterios
1 Probabilidad mxima: Es aquel que se selecciona el acto del evento que presenta mayor
probabilidad.
2 Esperanza del evento: Es aquel que se selecciona el acto del evento considerando la
esperanza matemtica del evento. E(e) = e p(e)
Obs. Representa una base incompleta para efectuar toma de decisin.
III. Toma de decisiones con base slo en las consecuencias econmicas

La tabla que se usa es similar a la tabla 1, excepto que por la ausencia de las probabilidades
de los eventos.
Criterios
1 Maximin: 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: Se determina el valor mnimo de cada columna. El mejor acto es aquel para el
cual el valor resultante es mayor.
2 Mximas: Es el estndar por el cual el mejor acto es el para el que el valor mximo es
mayor que el mximo de cualquier otro acto de decisin. Este criterio se opone
filosficamente al criterio maximin, pues la persona que toma las decisiones est
orientada hacia "lo mejor que puede suceder" con respecto a cada acto.
Clculo: Se determina el valor mximo de cada columna. El mejor acto es aquel para el
cual el valor resultante es mayor.
3 Pena Minimax (Prdida de oportunidad condicional): Es la diferencia entre el resultado

econmico del mejor acto dado que ha ocurrido en un evento particular y el resultado
econmico de acto. El valor "mejor" o ms deseado de la pena es "0".
Clculo: Se determina la tabla pena minimx restando el resultado de cada acto del
mejor, en cada fila, luego el valor mximo de cada columna. El mejor acto es aquel para
el cual el valor resultante es menor.
IV. Toma de decisiones con base en probabilidades y consecuencias econmicas

Estos mtodos utilizan toda la informacin contenida en la tabla 1.
Criterios
1 Del valor esperado (VE) o Criterio Bayesiano: Es la norma por el cual el mejor acto es
aquel para el que el resultado econmico esperado es el ms alto como promedio a
largo plazo.
Clculo: Se determina multiplicando el valor condicional para cada combinacin
evento/acto por la probabilidad del evento y sumando estos resultados para cada acto
(columna). El mejor acto es aquel para el cual el valor resultante es mayor.
2 Minima prdida esperada de oportunidad (PEO) o Pena esperada.- El acto con la mayor
ganancia esperada tendra la menor pena esperada.
Clculo: Se determina la tabla pena minimx restando el resultado de cada acto del
mejor 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
(columna). El mejor acto es aquel para el cual el valor resultante es menor.
V. Anlisis de rbol de decisin

Es el mtodo que puede utilizarse para identificar el mejor acto inicial, como tambin los
mejores actos subsiguientes.
Proceso
1 Construir el rbol de decisin de izquierda a derecha, con sus puntos de decisin (puntos
secuenciales en los cuales tiene que hacerse la eleccin) y eventos causales (puntos
Estadstica Aplicada
secuenciales en los cuales ocurrir un evento probabilstico). Depende del anlisis

apropiado, de la situacin global de decisin.
2 Se colocan en el diagrama los valores de probabilidad asociados con los eventos

causales y las consecuencias econmicas. Los valores esperados de los actos
alternativos en el punto inicial de decisin, los valores esperados se calculan
sistemticamente de derecha a izquierda en el rbol de decisin. Este proceso se llama
"devolverse".
Ejemplo 5.1
Un contratista de calefaccin y aire acondicionado debe comprometerse a comprar unidades de
aire acondicionado desde el 1ero de abril, para reventa e instalacin durante la prxima 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 hay una probabilidad de 0,10 de vender
slo 5 unidades, una probabilidad de 0,30 de vender 10 unidades, una probabilidad de 0,40 de
vender 15 unidades y una probabilidad de 0,20 de vender 20 unidades. Los equipos de aire
acondicionado se pueden ordenar slo en grupos de cinco, siendo el costo unitario de $1000 y el
precio al por menor de $1300 (ms gastos de instalacin). Todas las unidades que no se han
vendido al trmino de la temporada se devuelven al fabricante por un crdito neto de $800,
despus de deducir los gastos de embarque. Determine los mejores actos de decisin desde el
punto de vista de los criterios.
a) basada slo en probabilidades, (probabilidad mxima y esperanza del evento).

b) basada slo en las consecuencias econmicas, (maximin, maximax, pena minimax).
c) basada en probabilidades y consecuencias econmicas, (criterio bayesiano y pena esperada
de oportunidad).
Solucin:
(Tabla de ganancias)
E ACTOS (Compra Stock)
P (E)
Demanda A1 = 5 A2 = 10 A3 = 15 A4 = 20
E1 = 5 0.10 1500 500 (500) (1500)
E2 = 10 0.30 1500 3000 2000 1000
E3 = 15 0.40 1500 3000 4500 3500
E4 = 20 0.20 1500 3000 4500 6000
Valor esperado 13,3
Maximin 1500 500 (500) (1500)
Mxima x 1500 3000 4500 6000
C. Bayesiano 1500 2750 3250 2750
(Tabla de prdida de oportunidad)

E ACTOS (Cantidad de orden)
P (E)
Demanda A1 = 5 A2 = 10 A3 = 15 A4 = 20
E1 = 5 0.10 0 1000 2000 3000
E2 = 10 0.30 1500 0 1000 2000
E3 = 15 0.40 3000 1500 0 1000
E4 = 20 0.20 4500 3000 1500 0
Pena Mimi max 4500 3000 2000 3000
Pena esperada de oportunidad 2550 1300 800 1300
a) i) Como la probabilidad mxima es 40%, entonces el mejor acto de decisin es ordenar la

compra de 15 unidades de aire acondicionado.
ii) Como el valor esperado = EP(E) = 13,3 y las ordenes se afectan en grupos de 5, luego el
mejor acto de decisin, es ordenar la compra de 15 unidades de aire acondicionado.
b) Maximinin: ordenar comprar 5 unidades de aire acondicionado

Maximimax: ordenar comprar 20 unidades de aire acondicionado
Pena mnimas: ordenar comprar 15 unidades de aire acondicionado
c) Criterio Bayesiano: ordenar comprar 15 unidades de aire acondicionado

Pena esperada de oportunidad: ordenar comprar 15 unidades de aire acondicionado
Ejemplo 5.2
a. 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 S/. 200 000; la probabilidad de xito
es 0,70. Si el desarrollo no tiene xito se termina el proyecto. Si tiene xito, el fabricante debe
entonces decidir si el nivel de produccin ha de ser alto o bajo. Si la demanda es alta, el
aumento en la utilidad, dado un nivel elevado de produccin, es de S/. 700 000; dado un nivel
bajo, es de S/. 150 000. Si la demanda es baja, el incremento en la utilidad, dado un nivel
elevado de produccin es S/. 100 000; dado un nivel bajo es S/. 150 000.
Todos estos incrementos en utilidades son cifras brutas (es decir, antes de restar los S/. 200 000
del costo de desarrollar el producto). Se estima que la probabilidad de una demanda elevada es
0,40 y para la demanda baja es 0,60. Elabore el rbol de decisiones para esta situacin.
La figura muestra el rbol de decisin de este problema:
: Puntos de decisin
: Eventos aleatorios
Figura 1. Diagrama del rbol de decisin
b. Con referencia a la figura 1, determine si el fabricante debe intentar el desarrollo de este

producto o no, determinando la ganancia esperada correspondiente a las acciones alternativas
desarrollar y no desarrollar.
En la figura 2 se repite el rbol de decisin presentado en la figura 1, pero ahora 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, cruzando con dos rayas la
rama correspondiente. Trabajando de derecha a izquierda, se determina la ganancia esperada de
la decisin nivel alto de produccin, y que es de S/. 140 000, de la siguiente manera:
GE (nivel alto de fabricacin) = (0,40) (500 000) +

(0,60) (-100 000)
= S/. 140 000
De manera anloga:
GE (nivel bajo de fabricacin) = (0,40) (-50 000) +
(0,60) (-50 000)
= S/. 50 000

Estadstica Aplicada
Al comparar las dos ganancias esperadas, la mejor decisin es nivel alto de fabricacin; se
elimina la posibilidad de la otra accin. Pasando a la izquierda hacia el siguiente punto de decisin
(que es tambin el punto inicial de decisin en este caso), las ganancias esperadas para las dos
posibles decisiones son:
GE (desarrollar) = (0,70) (140 000) +

(0,30) (-200 000)
= S/. 38 000
GE (no desarrollar) = S/. 0
Al comprar las dos ganancias esperadas, la mejor accin en el punto inicial es desarrollar. Al
calcular la ganancia esperada de desarrollar, debe observarse que la probabilidad de 0,70 (para
desarrollo con xito) se multiplica por S/. 140 000, y se ignora la rama adyacente de S/. 50 000,
debido a que corresponde a una decisin eliminada en la etapa previa de anlisis.
Figura 2: Diagrama del rbol con reversin

AUTOEVALUACIN
( ) La pena mnimax se calcula en la tabla de perdida.

( ) El criterio que maximiza los pagos mnimos de todos los actos se llama mximas.
( ) En el criterio mximax, el mejor acto es aquel para el cual el valor resultante es mayor.
( ) Los eventos son los cursos de accin alternativos, que estn a disposicin de la
persona que toma la decisin.
( ) La teoria bayesiana trata el problema de la toma de decisiones bajo condiciones de
incertidumbre.
2. Supngase que un fabricantes de equipos de oficina debe decidir si ampliar la capacidad de

su planta ahora o espera otro ao. Sus consejeros le advierten que si hace ahora la
ampliacin y las condiciones econmicas siguen siendo favorable, se lograr una utilidad de $
369 000; si hace ahora la ampliacin y existe alguna recesin econmica, habr un prdida
(utilidad negativa) de $ 900 000; si espera otro ao y las condiciones econmicas siguen
siendo favorables, se lograr una utilidad de $ 180 000; y si espera otro ao, y existe una
recesin econmica, se lograr una pequea utilidad de $ 18 000.
a) Construya una tabla de pagos.

b) Construya una tabla de prdida
3. Un canillita debe ordenar los peridicos con un da de anticipacin. El costo de los peridicos
es de $ 2 la docena y el precio de venta es de $ 4 la docena. Los peridicos no vendidos al
cabo del da deben devolverse. Si el canillita estima la demanda diaria de su clientela por
peridicos en la forma siguiente: Demanda diaria, en docenas: 12, 13, 14. Probabilidad de la
demanda 0.20, 0.30, 0.50.
a) Establecer la tabla de pago y de prdida.

b) Determine los mejores actos de decisin desde el punto de vista de los criterios:
Probabilidad mxima, valor esperado, maximin, mximax, pena mnimax, criterio
bayesiano y pena esperada de oportunidad
4. Dada la siguiente tabla de resultados:
UTILIDADES
Suceso Probabilidad Acciones
A1 A2 A3 A4
A 0.1 20 0 -30 -40
B 0.2 20 40 20 0
C 0.5 20 40 60 40
D 0.2 20 40 60 80
a) Determnese la accin ptima mediante la Probabilidad Mxima

b) Determnese la accin ptima utilizando el criterio Bayesiano y Pena Esperada de
Oportunidad
c) Determnese la accin ptima utilizando el criterio MXIMAX, MAXIMIN, MINIMAX
5. La junta directiva de un hospital privado debe decidir, sobre fases financieras, si autoriza
fondos a un nuevo centro de atencin a pacientes cardiacos. La junta considera que si se
construye el nuevo centro y contratan a un cardilogo de prestigio nacional, el centro percibir
$ 7.2 millones. Si se construye el nuevo centro pero no pueden contratar un cardilogo
eminente, habr una prdida de $ 1.25 millones. Si se remodela el antiguo centro de
cardiologa y se contrata a un cardilogo eminente, el centro captar $ 2 millones. Si se
remodela el centro y no contratan a un cardilogo eminente, la institucin slo percibir $ 0.5
millones.
a) Construya una tabla de pagos.

b) Trace un rbol de decisin.

Estadstica Aplicada
Unidad 5
CONTRO DE CALIDAD
N de tutoras: Dos
Tutora N 6: CONTROL DE CALIDAD: GRAFICA DE CONTROL PARA LA

MEDIA DEL PROCESO.
Tutora N 7: CONTROL DE CALIDAD: GRAFICA DE CONTROL PARA LA

VARIACIN DEL PROCESO Y PARA LA PROPORCIN DE DEFECTUOSOS.


Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las tcnicas muy tiles que se usan en la
industria para controlar y mejorar la calidad del producto.
Elaboran diagramas de control para controlar y mejorar el producto de
un proceso de manufactura.
1.3. Actitudinales
Asegurar 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, mtodos de control de calidad: tcnicas de
supervisin, tcnicas de localizacin de problemas, tcnicas de
seleccin, supervisin de la calidad mediante graficas o diagramas de
control, grafica de control para media del proceso: diagrama de x ;
grfica de control para la variacin del proceso: diagrama de r, grfica
de control para la proporcin de defectuosos: diagrama de p; grfica
de control para el nmero de defectuosos por unidad: diagrama de c

prcticos.


Tutora N
Control de calidad: grafica de
control para la media del proceso
ESTUDIO DE UN CASO
6
El Caso del Aceite Perdido
Considrese un problema administrativo, en el que usted es el encargado de la operacin de llenar

latas de aceite lubricante para motores. Los envases de un cuarto de galn, el tipo que se compra
en una estacin de servicio local, se llenan con una mquina que tiene 28 boquillas (inyectores).
Cada boquilla descarga el aceite en una lata, y la mquina llena as los 28 envases, uno con cada
inyector.
El problema se presenta cuando los controladores de la compaa detectan una discrepancia

extraa. Aunque la cantidad de aceite que se recibe mensualmente para la operacin de llenado
asciende a 10 000 000 de cuartos de galn, el nmero de latas de una cuarto que se llenan, es
siempre considerablemente menor. Si el nmero de latas llenadas de un mes dado es de 9 700
000, qu pas con los 300 000 cuartos de aceite perdido?
El problema que acabamos de describir es similar al problema encontrado por V. Filimon y sus
colegas quienes trabajan, en ese tiempo, para la Estndar Oil Company en Cleveland, Ohio (V.
Filimon, R. Maggass, D. Frazier y A. Flingel, Some Applications of Quality Control Techniques in
Motor Oil Can Filing, Industrial Quality Control, Vol. 12, 1995). Su operacin consisti en usar tres
maquinas llenadoras cada una con 6 boquillas para latas de un cuarto, otra con 28 boquillas
tambin para un cuarto y una mas con 16 inyectores para latas de un galn.
La bsqueda del aceite perdido se concentro rpidamente en la maquina llenadora. Se puede

ajustar una mquina para que una boquilla descargue exactamente un cuarto de aceite en cada
lata? La 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 flujo del aceite por la
citada boquilla. As la cantidad x 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 Filimon y a sus colegas, a sospechar que el aceite perdido sala de la planta en
las mismas latas.
La operacin de llenar los envases, y sus problemas inherentes, es comparable a la mayora 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 aceite; una medida
de su calidad es la cantidad de aceite depositado en cada lata. El producto de una mquina que
origina lmparas elctricas es una bombilla o un foco, y una medida de su calidad es la cantidad
de luz que emita. El producto de un hospital es el tratamiento mdico y el cuidado para un solo
paciente. La calidad del cuidado de un paciente se medira, sin duda, mediante un cierto nmero
de variables de calidad.
En esta unidad presentaremos algunas tcnicas administrativas y estadsticas para supervisar,

mejorara y controlar la calidad del producto de una operacin actual en los negocios.

Estadstica Aplicada
6.1. INTRODUCCION
El objetivo de este capitulo es presentar algunas tcnicas muy tiles que se usan en la industria
para controlar y mejorar la calidad de productos manufacturados as como para el mejoramiento
de la calidad de sistemas de administracin.
Como lo indica el titulo, la metodologa del control de calidad se estructuro para controlar y mejorar
el producto de un proceso de manufactura. Los perfiles o barras de acero deben tener una
resistencia a la tensin especifica; un jabn tiene que ser producido con un nivel bajo de
impurezas; una caja de cereales debe tener un contenido en peso especfico, y los datos de
entrada financieros en una computadora para administracin tienen que ser exactos y preciso, con
una alta probabilidad. As, el objetivo 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.
6.2. MTODOS DE CONTROL DE CALIDAD
Los mtodos de control de calidad se clasifican en tres categoras:
6.2.1. Tcnicas de supervisin
Diseadas para seguir o rastrear el nivel de las variables de calidad y para detectar cambios
indeseables en la calidad del producto;
6.2.2. Tcnicas de localizacin de problemas
Ideadas para ayudar a ubicar las causas de cambios indeseables en la calidad del producto; y
6.2.3. Tcnicas de seleccin
Diseadas para eliminar productos defectuosos, o de mala calidad que entran al proceso como
materia prima y sirven para realizar el mismo trabajo, en el caso de los productos acabados antes
de enviarlos a un cliente.
Se dice a menudo que el control de calidad consta del 10% de Estadstica y de 90% de ingeniera
y sentido comn. Como se aprender, la mayora de los mtodos de control de calidad se basan en
los conceptos estadsticos elementales. El verdadero problema ocurre cuando se detecta uno de
los procesos de supervisin o monitoreo o de seleccin. As los mtodos de control de calidad
pueden decir cuando pero no porque ocurren los problemas. Para descubrir la causa de la baja
calidad en productos y corregir la situacin, es necesario conocer el proceso y tener aptitudes y
habilidad para resolver problemas.
Esta unidad trata de dos de los tres tipos de mtodos de control de calidad, los procedimientos
para controlar un proceso de produccin actual y los mtodos utilizados para eliminar materia
prima poco satisfactoria que entra al proceso o productos defectuosos que salen del proceso o
ambas cosas. La tercera categora metodolgica, los procedimientos estadsticos para localizar la
causa de un cambio que haga bajar la calidad del producto, consiste en todos los mtodos
desarrollados en esta asignatura como en estadstica general. Dos 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.
6.3. SUPERVISION DE LA CALIDAD MEDIANTE GRAFICAS O DIAGRAMAS DE CONTROL
Las mediciones de una variable de calidad varan en el tiempo. Por ejemplo, las mediciones del
dimetro interior de un cojinete cuyo valor es pulgada, variarn ligeramente de una pieza a otra. El
dimetro del cojinete tiende a hacerse mas pequeo debido al desgaste del utensilio de corte del
proceso de maquinado. Una variacin de este tipo se denomina definida por una causa
atribuible. Otra variacin en la que ocurre pequeos 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 variacin aleatoria.

Si la variacin de una variable de calidad es nicamente el tipo aleatorio, se dice que el proceso
esta bajo control. El hecho de estar bajo control no indica que el producto origine productos 100%
aceptables. Los valores de la variable de la calidad pueden o no localizarse de manera fortuita,
dentro de los lmites especificados por los clientes del fabricante.
La figura 1 (a) muestra una representacin grafica o diagrama de los valores de dimetros de
cojinetes, segn una medicin por hora, en el caso de un proceso industrial que se encuentra bajo
control y que produce cojinetes que cumplen con las especificaciones de los clientes, por ejemplo,
de 0.980 a 1.020 pulgadas.
La figura 1 (b) muestra una grfica similar para un proceso que se encuentra bajo control, pero
que produce muchos cojinetes con dimetros que no cumplen las especificaciones y que se
consideraran defectuosos.
La figura 1 (c) ilustra como seria una grafica si existiera una causa de variacin atribuible.
Obsrvese que los dimetros sealados ya no parecen variar de modo aleatorio, sino que tienen
una manifiesta tendencia decreciente con respecto al tiempo.
Lmite superior de especificacin

1.020
Dimetro del cojinete
1.000
Lmite inferior de especificacin

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(a) Proceso bajo control que cumple las
especificaciones

1.020
1.000

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(b) Proceso bajo control que no cumple las
especificaciones

1.020
1.000

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(c) Proceso fuera de control
FIGURA 1: Grficas respecto al tiempo de los dimetros de cojinetes producidos.

Estadstica Aplicada
El primer objetivo de un fabricante es liminar las causas de variacin atribuibles de una variable de
calidad y mantener el proceso bajo 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 tendra que encontrarse cerca o en el centro del intervalo de los valores de
especificacin, y la varianza de la distribucin tendra que ser la ms pequea posible. Una
distribucin deseable para los dimetros interiores de cojinetes es que se cumple absolutamente
con las especificaciones, como se muestra en la figura 2.
0.980 Dimetro x
FIGURA 2. Una distribucin deseable.
Una vez que un proceso esta bajo control y que produce productos satisfactorios, se controlan el
medio del proceso y su varianza mediante diagramas de control. Se sacan muestras de n
artculos del proceso a intervalos de tiempo especficos, digamos cada media hora o cada hora, y
se calcula la media muestral x y la amplitud total (rango) R. Se transportan estas variables
estadsticas a grficas de x y R similares a las que se tienen en la figura 1 Se utiliza el diagrama
de control de la media muestral x para detectar posibles corrimientos en la media de la
distribucin de una variable de calidad. De 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.
Se analizan los diagramas de control para la media x y para la amplitud R, respectivamente.
6.4. GRAFICA DE CONTROL PARA MEDIA DEL PROCESO: DIAGRAMA DE x

Suponga que se seleccionan n artculos del proceso de produccin a intervalos iguales (en el
tiempo o en los nmeros de artculos producidos) y que se registran las mediciones de la variable
de calidad. Por ejemplo, la figura 3 presenta una grfica de la media de los dimetros de n = 5
cojinetes, seleccionados cada hora, de un proceso de maquinado.
Lmite superior de control, LSC
3 x
Lnea central x
3 x
Lmite inferior de control, LIC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nmero de la muestra
FIGURA 3. Diagrama de x par control
La 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 ( 3 ).
X

Aunque se desconoce el valor exacto de la media del proceso de , es posible obtener una
estimacin precisa promediando un nmero grande, k (por lo menos 25)1, de medias muestrales.
Est estimacin fija el eje o lnea central del diagrama de control. En la notacin tradicional de
control de calidad, se representa tal estimacin por el smbolo x (es decir, la media de las medias
mustrales).
Los lmites superior e inferior de control se localizan.

3
3 X
n
Arriba y abajo del eje. Puede estimarse el valor de calculando la desviacin estndar muestral
s, utilizando el conjunto combinado de los datos de las k muestras. Si se ingresan en una
computadora los datos obtenidos cada periodo, se logra la estimacin de s mediante un
comando. Si no se dispone de tal sistema (lo que era el caso cuando se desarrollaron estos
mtodos), el clculo de s es tardado y, algunas veces, est ms all de las aptitudes en aritmtica
de algunos trabajadores en la produccin. Por esta razn, ha sido tradicional el clculo de una
estimacin de mediante la amplitud total o rango. Para establecer dicho valor, se obtiene R
para cada muestra, es decir, la diferencia entre la mayor y la menor de las mediciones de la
muestra. Despus se determina el promedio R para los 25 (o ms) valores de R. Entonces:
K
Ri
R i 1 K
d2 d2
2
Donde d es la constante que hace de un estimador insesgado de
cuando se realiza el
2
muestreo de una poblacin distribuida normalmente. Sustituyendo tal estimacin de en la
frmula de 3 ,
X resulta
R
3 3 3 2
A2 R
n d n
3
A2 = 2
d n
Donde:
Los valores de A2 y d2 para n = 2 a 25 se dan en la tabla 8 del apndice.

Los detalles para un diagrama de x se resumen en el siguiente recuadro y se ilustran en el
ejemplo que sigue.
1 Grant y Leavenworth (1979) recomienda el nmero k 25. Este nmero no es crtico, es decir, k podra ser ms
pequeo, digamos pequeo como 20. Cuanto mas grande sea el valor de k, tanto mejor ser la grfica.
2 Esta estimacin de R mediante la amplitud de R puede resultar segada, si la poblacin de las mediciones de calidad no
es aproximadamente normal. El intervalo grande 6 X (en vez de 4 X ) entre los limites de control, probablemente
2
compensa el error en la estimacin de . Sin embargo en esta era de las computadoras sera mejor estimar
utilizando la variancia muestral s 2 , basada en las kn mediciones de las k muestras con n mediciones cada una.
Estadstica Aplicada
Grafica de control para la media del proceso: diagrama de x
K
xi
Eje o lnea de control x i 1
K
Lmite superior de control LSC = x + A2 R
Lmite inferior de control LIC = x - A2 R
K
Ri
i 1
Donde: R
k
Y los valores de A2 se tienen en la tabla No 8 del apndice
Suposicin k 25
Ejemplo 6.1
Un vuelo retrasado es de preocupacin de los pasajeros as como de las lneas areas. Algunos
clientes tienen citas que ellos esperan satisfacer, y otros tienen que tomar otros vuelos de
conexin que prefieren no perder. Una aerolnea 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.
Tabla 1
N de Observaciones (en minutos) Media Amplitud

Observacin 1 2 3 4 Muestral muestra, R
1 5.2 9.5 7.2 7.3 7.300 4.3

2 8.9 12.7 10.8 11.9 11.075 3.8
3 13.8 8.5 12.2 14.2 12.175 5.7
4 13.2 11.2 10.2 9.0 10.900 4.2
5 9.3 11.5 13.3 10.7 11.200 4.0
6 7.5 8.5 5.2 7.4 7.150 3.3
7 9.0 10.1 9.3 13.1 10.375 4.1
8 8.4 10.4 10.3 9.9 9.750 2.0
9 6.4 7.2 7.6 9.6 7.700 3.2
10 8.2 7.2 7.8 11.0 8.550 3.8
11 8.7 10.9 9.5 12.9 10.500 4.2
12 8.0 11.8 9.9 10.9 10.150 3.8
13 8.3 12.3 11.3 10.2 10.525 4.0
14 11.3 8.2 9.4 7.8 9.175 3.5
15 7.0 9.2 7.2 7.9 7.825 2.2
16 13.0 10.5 9.9 8.9 10.575 4.1
17 13.5 9.3 10.0 9.9 10.675 4.2
18 7.0 8.6 8.9 10.8 8.825 3.8
19 11.8 10.2 8.2 8.9 9.775 3.6
20 12.6 9.4 9.0 9.8 10.200 3.6
21 7.0 9.8 11.2 8.0 9.000 4.2
22 7.8 10.0 9.4 6.7 8.475 3.3
23 7.9 11.9 10.5 8.9 9.800 4.0
24 6.2 7.2 8.4 9.0 7.700 2.8
25 9.2 12.4 10.7 9.8 10.525 3.2
9.596 3.716

Solucin:
Se calcularon la media muestral x y la amplitud de la muestra de R para cada una de las k = 25
muestras. Por ejemplo, la media muestral x y la amplitud R para la muestra 1, son:
5.2 9.5 7.2 7.3

x 7.300 R 9.5 5.2 4.3
4
Se ofrecen las medias y las amplitudes muestrales en las columnas 6 y 7, respectivamente, de la
tabla 1. La media x de los k = 25 valores de y la media de R de x los k = 25 valores
muestrales de R, se tienen al final de sus respectivas columnas.
La figura 4 presenta el diagrama de x , elaborado a partir de los datos. La lnea central se

encuentra en

= 9.596. La x estimacin de 3 X es
3 A2 R
Donde R = 3.716, y el valor de A2 para n = 4 (dado en la tabla del apndice N 8) es 0.729. Por
lo tanto:
3 A2 R = (0.729)(3.716) = 2.709
LSC = x + A2 R = 9.596 + 2.709 = 12.305
LIC = - x A2 R = 9.596 2.709 = 6.887
Por consiguiente, las lneas que ubican los lmites superiores e inferior de control, se encuentran
en 12.305 y 6.887, respectivamente.
12.520
LSC
11.058
9.596 x
8.134
6.672 LIC
1.00 5.00 9.00 13.00 17.00 21.00 25.00
3.00 7.00 11.00 15.00 19.00 23.00
FIGURA 4. Diagrama de x para los tiempos de retraso de los vuelos de la tabla 1
Si se supone que las muestras utilizadas para construir la grfica x de la Figura 4, se

recolectaron cuando el proceso estaba bajo control, puede emplearse ahora la grfica para
detectar cambios en la media del proceso. Es posible graficar las medias muestrales
peridicamente sobre la grfica. Si la media no est dentro de los lmites de control, entonces
enva una advertencia de un posible cambio en la media del proceso. Se estudiar el proceso
detenidamente, y se tratar de localizar la causa de la media errante. Varan las medias
muestrales en la figura 4 aleatoriamente alrededor del eje o lnea central, o indican tendencias y la
posibilidad de causas atribuibles en la variacin?

Estadstica Aplicada
Tutora N
Control de calidad: grafica de
control para la variacin del
proceso y para la proporcin de
defectuosos
7.1. GRFICA DE CONTROL PARA LA VARIACIN DEL PROCESO: DIAGRAMA DE R
7
Al 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 pequea
se la variancia de las mediciones de calidad, tanto mayor ser la probabilidad de que las
mediciones estn dentro de los lmites especificados (suponiendo que la media del proceso est
dentro de las especificaciones).
Se supervisa (o monitorea) la variacin de una variable de calidad en un proceso al transportar la

amplitud de la muestra R a una grfica. El diagrama R se construye esencialmente igual que el del
eje x . Se localiza una recta central en el valor estimado de Ry los lmites de control se ubican
3 R arriba y debajo de R.
La estimacin de R R , la media de las amplitudes (o rangos) de las k muestras utilizadas

es
para construir la grfica de x . El clculo de los lmites de control,
LSC = R + 3 R y LIC = R - 3 R
Se reducen a uno solo:

LSC = D4 R y LIC = D3 R
Los valores de D4 y D3 basados en un muestreo de una poblacin distribuida normalmente, se dan
en la tabla del apndice N 8 para diferentes valores de n. Los detalles para el diagrama de R se
resumen en el recuadro siguiente y se ilustran en el ejemplo 2
Grfica de control para la variacin del proceso: Diagrama de R
K
Ri
i 1
Eje central R R
K
Lmite superior de control LSC = D4 R
Lmite inferior de control LIC = D3 R
K
Ri
Donde: R i 1
Los valore de D3 y D4 para el tamao muestral de n se dan

en la tabla No 8 del apndice
Suposicin k 25
Ejemplo 7.1
Trazar un diagrama de R basados en los datos de la tabla 16.1.

Solucin:
En el ejemplo 16.1se hall que R = 3.716. Para un tamao muestral de n = 4, la tabla del
apndice N 8 da D3 = 0 y D4 = 2.282. Por lo tanto, el eje de la grfica de control se localiza en R =
3.716, y los limites superior e inferior de control son
LSC = D4 R = (2.282)(3.716) = 8.480

LIC = D3 R = (0)(3.716) = 0
El Diagrama de R aparece en la Figura 5
10
LSC
8
4
R
0 LIC
1.00 3.00 5.00 7.00 9.00 11.00 13.00 15.00 17.00 19.00 21.00 23.00 25.00
FIGURA 5. Diagrama de R para los tiempos de retraso de los vuelos de la tabla 1
Se evala la grfica de R de la figura 5 en la misma manera que la de x . La amplitud muestral R,

calculada para muestras sacadas peridicamente debe variar alrededor del eje central R de
manera aleatoria y estar dentro de los limites de control cuando el proceso este bajo control. Una
amplitud muestral que quede fuera de los lmites de control se tomar como una advertencia de un
posible cambio en la variacin del proceso. Se examinar el mismo para determinar si el valor
extraordinariamente grande (o pequeo) de R se debi a cambios en la materia prima, el ambiente
o a una de muchas otras variables que afectan el proceso.
Si el limite inferior de control R 3 R , es negativo para el tamao muestral n = 4. Como una

amplitud R no puede ser negativa, se asume el valor 0.
7.2. GRFICA DE CONTROL PARA LA PROPORCIN DE DEFECTUOSOS: DIAGRAMA DE

p.
Algunas veces lo que se observa en artculos manufacturados es simplemente si un artculo

cumple con las especificaciones del fabricante (o del cliente). Entonces, cada artculo se considera
3
como defectuoso o no. Si la proporcin de piezas defectuosas producidas por un proceso es p,
entonces el nmero de defectuosos, x, en una muestra aleatoria de n artculos posee la
distribucin de probabilidad binomial.
Para la vigilancia de artculos que son defectuosos o no, se seleccionan muestras de tamao n a
intervalos peridicos y se calcula la proporcin muestral p . Si el proceso est bajo control, la
proporcin muestral p tendra que estar en el intervalo p 3 p , donde p es la proporcin media
de defectuosos del proceso, y
p(1 p)
p
n
3
En los libros de control de calidad suele decirse fraccin de defectuosos en vez de proporcin de defectuosos.
Estadstica Aplicada
Se estima la proporcin media de defectuosos, p, del proceso, utilizando el promedio de k

proporciones muestrales
k
p i
p i 1
k
Y se valora p mediante
p (1 p )
p
n
El eje del diagrama de p se localiza en p , y los lmites superior e inferior de control son:
LSC = p + 3 p
p (1 p )
= p 3
n
LIC = p - 3 p
p (1 p )
= p 3
n
Los detalles para la grfica de p se resumen en el recuadro siguiente y se ilustran en el ejemplo

que sigue.
Grfica de control para la proporcin de defectuosos: Diagrama de p.
K
p i
i 1
Eje central p
K
p (1 p )
Lmite superior de control LSC = p 3
n
p (1 p )
Lmite inferior de control LIC = p 3
n
Suposicin k 25
Ejemplo 7.2
Un fabricante de bolgrafos muestra al azar 400 plumas al da y prueba a cada una para examinar
si es aceptable el flujo de la tinta. Las proporciones diarias de los bolgrafos, considerados
defectuosos durante un periodo de 40 das, se ofrecen en la tabla 3.
Construya un diagrama de control para la proporcin p de defectuosos en muestras de n = 400

bolgrafos, seleccionados del proceso.

Tabla 3
Proporciones de defectuosos en muestras de n = 400 bolgrafos
Da Proporcin Da Proporcin Da Proporcin Da Proporcin

1 0.0200 11 0.0100 21 0.0300 31 0.0225
2 0.0125 12 0.0175 22 0.0200 32 0.0175
3 0.0225 13 0.0250 23 0.0125 33 0.0225
4 0.0100 14 0.0175 24 0.0175 34 0.0100
5 0.0150 15 0.0275 25 0.0225 35 0.0125
6 0.0200 16 0.0200 26 0.0150 36 0.0300
7 0.0275 17 0.0225 27 0.0200 37 0.0200
8 0.0175 18 0.0100 28 0.0250 38 0.0150
9 0.0200 19 0.0175 29 0.0150 39 0.0150
10 0.0250 20 0.0200 30 0.0175 40 0.0250
Solucin:
La estimacin de la proporcin de defectuosos del proceso es el promedio de las k = 40
proporciones muestrales de la Tabla 3. Por lo tanto, el eje de la grfica de control se localiza en:
K
pi
i 1 0.200 0.0125 0.0225 0.7600
p 0.019
K 40 40
Una estimacin de p la desviacin estndar de las proporciones muestrales, es
p (1 p ) (0.019 )(0.981)
p 0.00683
k 400
Y 3 p = (3) (0.00683)=0.0205. Por lo tanto, los lmites superior e inferior de control para la grfica
p se encuentra en
LSC = p + 3 p = 0.0190 + 3*0.00683 = 0.0395

LIC = p - 3 p = 0.0190 3*0.00683 = -0.0015
O bien, ya que p no puede ser negativa, LIC = 0.
.05
.04 LSC
.03
.02
p
.01
0.00 LSC
1.00 5.00 9.00 13.00 17.00 21.00 25.00 29.00 33.00 37.00
3.00 7.00 11.00 15.00 19.00 23.00 27.00 31.00 35.00 39.00
FIGURA 6. Grfica de la proporcin de defectuosos para los bolgrafos.
Se presenta la grfica de control p en la figura 6. Advirtase que las 40 proporciones muestrales

estn dentro de los lmites de control. Si una proporcin muestral, observada en algn momento

Estadstica Aplicada
en el futuro, est fuera de los lmites de control, ser una advertencia para el fabricante de un
posible aumento en el valor de la proporcin de defectuosos del proceso. Se realizarn esfuerzos
para buscar las posibles causas del aumento en la proporcin de las piezas defectuosas en el
proceso.
Aunque es conveniente escoger muestras del mismo tamao n para cada muestreo, puede haber
ocasiones en que el nmero de artculos es una muestra difiera de los recolectados en muestras
anteriores. Como p LSC y LIC dependen del tamao de la muestra n, puede no ser posible
calcular los lmites para un tamao muestral nico. Cuando el tamao de la muestra vara para
cada muestreo, la estimacin de la proporcin media de defectuosos, p, del proceso es igual a la
proporcin muestral basada en el nmero de defectuosos en las k muestras. Entonces hay que
comparar cada pi con los valores para LSC y LIC calculados para el tamao particular de tal
muestra. Este proceso hace que los lmites de control cambien de una muestra a otra, y que las
grficas de los lmites de control sean una sucesin de segmentos de recta.
7.3. GRFICA DE CONTROL PARA EL NMERO DE DEFECTUOSOS POR UNIDAD:

DIAGRAMA DE c
Una medida importante de calidad para algunos productos es el nmero de defectos por unidad
producida. Un fabricante de textiles califica muchas veces como defectos las irregularidades que
aparecen en un producto tejido. Ya que el precio de venta final de material depende de su calidad,
el fabricante quiere reducir a un mnimo el nmero de defectos por yarda cuadrada cuando el
proceso est bajo control.
El nmero 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 muchos productos. Ejemplos comunes son el nmero
de defectos en la pintura de un automvil nuevo o en la capa de barniz de un mueble, el nmero
de huecos en una pulgada cbica de queso, y el nmero de entradas incorrectas de notas de
factura por pgina de impreso de computadora e el caso de una compaa de instalaciones de
plomera.
El nmero de defectos por unidad de rea, volumen, peso o por un solo artculo, denotado
normalmente por el smbolo c, se controla a intervalos de tiempo iguales utilizando un diagrama
de c. En la mayora de las aplicaciones se puede aproximar la distribucin de probabilidad de c
mediante una distribucin de probabilidad de Poisson, la cual tiene una propiedad muy especial.
2
Su variancia es igual a su media , es decir,
2
c c y c c
Por lo tanto, el nmero de defectos c por unidad tendran que localizarse en el intervalo
c 3 c o bien c 3 uc
Para construir una grfica de c, muestreamos el proceso mientras ste se encuentra bajo control y
se registra el valor de c para por lo menos k = 25 puntos en el tiempo.
Se estima la media del proceso c por la media muestral:

k
ci
c c i 1
k
y se calcula la desviacin estndar del proceso c con:
c c
El eje d la grfica c se ubica en c, y los lmites superior e inferior son:

LSC = c 3 c c 3 c
LIC = c 3 c c 3 c

Las caractersticas de una grfica de c se resumen en el recuadro siguiente y las ilustra el ejemplo
que sigue.
Grfica de control para el nmero de defectos por unidad: Diagrama de c
k
ci
Eje c c i 1
Lmite superior de control LSC = c 3 c c 3 c

Lmite inferior de control LIC = c 3 c c 3 c
Suposicin k 25
Ejemplo 7.4
Un interventor o auditor examina semanalmente el sistema de facturacin de una compaa. La
inspeccin se realiza comparando las facturas reales con las entradas de computadora para todos
los asientos que aparecen en diez pginas de la impresin de computadora. Se registr el nmero
c de entradas incorrectas en diez pginas semanarias de impresin durante 40 semanas. Los
datos figuran en la Tabla 4. Emplee los datos para trazar una grfica de c para el proceso de
auditoria.
Tabla 4
Nmero c de entradas incorrectas por diez pginas
de impresin de computadora
Semana 1 2 3 4 5 6 7 8 9 10
C 1 3 2 0 0 1 4 2 1 1
Semana 11 12 13 14 15 16 17 18 19 20
C 1 0 1 1 3 2 1 1 0 3
Semana 21 22 23 24 25 26 27 28 29 30
C 0 2 1 0 1 1 2 2 1 0
Semana 31 32 33 34 35 36 37 38 39 40
C 1 2 0 3 1 1 2 0 1 0
Solucin:
El valor de c calculado para los datos obtenidos durante k = 40 semanas, es
k
ci
i 1 49
c 1.225
k 40
Entonces el eje se encuentra en c = 1.225, y los lmites superior e inferior de control se hallan en
LSC = c 3 c 1.225 3 1.225
= 4.55
LIC = c 3 c 1.225 3 1.225

= -2.10
O puesto que c no puede ser negativo, LIC = 0.

Estadstica Aplicada
LSC
4
1
C 1.225
0
LIC
1.00 5.00 9.00 13.00 17.00 21.00 25.00 29.00 33.00 37.00
3.00 7.00 11.00 15.00 19.00 23.00 27.00 31.00 35.00 39.00
FIGURA 7. Grfica de c para el nmero de entradas de facturas incorrectas.
La grfica de c para los datos, junto con los valores ubicados de c se muestra en la figura 7.
Obsrvese que los k = 40 valores de c estn dentro de los lmites superior e inferior de control,
algo que esperaramos si el proceso estuviera controlado.
Al utilizar la grfica de c se registrarn los valores de sta semanalmente en el futuro y se llevarn

en la grfica de c. Un valor de c que se localice fuera de los lmites de control ser un aviso de los
posibles problemas en la operacin de recoleccin de datos.

AUTOEVALUACIN
( ) Un diagrama de control se caracteriza por tres lneas horizontales.

( ) En un diagrama de control cuando los puntos caen fuera de los lmites se
dice que esta fuera de control.
( ) En la grafica de control para la variacin del proceso el diagrama es R
( ) Los mtodos de control de calidad se clasifican en tres categoras.
( ) En la grfica de control para la proporcin de defectuosos el diagrama es p.
2. Los datos que siguen son los valores de x y R para 24 muestras de tamao n=5, obtenidas de
un proceso de fabricacin de cojinetes. Las mediciones se realizan para el dimetro interior del
cojinete, y se registran solamente las tres ltimas cifras decimales (34.5 debe ser 0.50345)
Nmero de Nmero de
Muestra x R Muestra x R
1 34.5 3 13 35.4 8
2 34.2 4 14 34.0 6
3 31.6 4 15 37.1 5
4 31.5 4 16 34.9 7
5 35.0 5 17 33.5 4
6 34.1 6 18 31.7 3
7 32.6 4 19 34.0 8
8 33.8 3 20 35.1 4
9 34.8 7 21 33.7 2
10 33.6 8 22 32.8 1
11 31.9 3 23 33.5 3
12 38.6 9 24 34.2 2
a) Obtenga los diagrama de control de x y R para este proceso. Parece estar bajo control
estadstico tal proceso?
3. Los siguientes datos se refieren a las notas de 10 estudiantes en 5 pruebas, determine si el

proceso de aprendizaje est bajo control. Graficar x y R
Estudiantes Pruebas
1 2 3 4 5 x R
1 15 10 12 13 15
2 11 12 13 12 16
3 10 14 12 14 10
4 08 15 14 15 06
5 14 13 12 13 14
6 13 12 10 12 10
7 12 10 13 11 12
8 08 14 10 12 13
9 16 12 11 12 10
10 12 10 13 14 12
4. Se calcularon las medias y las amplitudes de 30 muestras de tamao n=10 para un proceso
que se consider bajo control. Las medias de los 30 valores de x y de los 30 valores de R,
fueron x=20.74 y R=3.49
a) Utilice los datos para determinar los lmites superior e inferior de control para una grfica
b) Construya un diagrama de x para el proceso y explique como se puede aplicar
c) Elaborar un diagrama de R. Cul es el propsito de una grfica de R?

Estadstica Aplicada
Unidad 6
REGRESION Y CORRELACION
N de tutoras: Uno
Tutora N 8: Regresin lineal, Correlacin.


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 tambin cuando se quiere saber si dos
variables estn relacionadas.
El contenido programtico de la unidad referida es el siguiente: anlisis
de regresin: nocin, importancia; elementos y tipos de anlisis de
regresin; anlisis de regresin lineal simple: desviacin o error tpico
en la recta de regresin, test de la significatividad de coeficiente de
regresin; variacin de la variable dependiente y explicada por el
anlisis de regresin; anlisis de regresin no lineal; anlisis de
correlacin: objetivos 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.


Tutora N
Regresin lineal, correlacin,
Regresin lineal y anlisis de
8.1. NOCIN E IMPORTANCIA
regresin
8
El estudio estadstico de las relaciones entre dos variables de intervalo presenta los aspectos
fundamentales siguientes:
1. Existencia de asociacin entre las dos variables.

2. Direccin de la asociacin.
3. Grado de asociacin, y
4. Naturaleza y forma de la asociacin.
Los dos primeros aspectos quedan determinados cuando se halla el coeficiente de correlacin r
de Pearson. Este coeficiente indica:
a) La existencia o no de covariacin o variacin conjunta entre las dos variables, segn sea o no
distinto de cero.
b) La direccin de la asociacin, por su signo positivo o negativo.
c) El grado de la covariacin, segn el mayor o menor valor que alcance entre 0 y mas y menos
uno.
En cuanto al cuarto aspecto, naturaleza 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
geomtrica que representen lo ms exactamente posible la variacin conjunta de ambas variables.
De ah que pueda decirse propiamente que sirve para estudiar la naturaleza y la forma de
asociacin entre dos variables de intervalo.
El objetivo, pues, del anlisis de regresin es hallar la funcin algebraica y la forma geomtrica
que mejor expresen la relacin emprica entre ambas variables, es decir, la pauta y lnea 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
tcnica estadstica.
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
conjunta, constituye el modelo matemtico primario de relaciones entre variables de que dispone
el cientfico, base de otros modelos mas complicados.
El anlisis de regresin, como tal modelo matemtico, proporciona la expresin matemtica de la

relacin entre variables de un modo: a) preciso y b) singularizado, y, en este sentido es, cuando es
aplicable a los dados, un buen instrumento de prediccin cientfica.
a) Lo hace de un modo preciso porque, dada la medida de escala de intervalo que supone en las
variables, permite determinar, dentro de ciertos lmites estadsticos de error, el valor definido
de una variable, dados determinados valores de otra u otras variables. Los niveles de medida
nominal y ordinal tambin pueden permitir la prediccin, pero solo de una manera vaga, en
trminos de aumento o disminucin correlativos de las variables, pero sin precisar la cuanta
del mismo.
b) Lo hace de un modo singularizado 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

Estadstica Aplicada
mejorar la prediccin de otra variable, el anlisis de regresin sirve para predecir un valor
especifico de un variable dado cualquier valor especfico de otra.
En segundo lugar, con relacin a los aspectos a investigar sealados que presentan la relacin
entre dos variables, el anlisis de regresin es la tcnica principal y fundamental, de tal modo que
el coeficiente de correlacin que responde matemticamente a tres de los aspectos indicados se
halla ntimamente enlazado al anlisis de regresin y se puede presentar como una derivacin del
mismo.
8.2. ELEMENTOS Y TIPOS DE ANLISIS DE REGRESIN
Los elementos fundamentales del anlisis de regresin son las variables y la ecuacin de
regresin.
Las variables pueden ser dos o ms. Una de ellas es la variables dependiente y la; restantes son
las variables independientes. La variable dependiente es aquella cuyo cambio se considera en
funcin o dependencia del cambio o variacin de la o las variables independientes. A veces puede
estar claro cul es la variable dependiente; otra su eleccin puede ser convencional.
En los experimentos la variable independiente es la que el investigador hace 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 mltiple. La primera se
refiere a la naturaleza y forma de la covariacin entre dos variables nicamente, y la segunda
entre mas de dos variables.
A su vez, ambos tipos de regresin pueden ser lineales y no lineales. Cuando la ecuacin que es
expresin matemtica de la relacin entre las variables es una ecuacin lineal, cuya
representacin grafica da lugar a una lnea recta, se esta en el caso de la regresin lineal, y de la
no lineal en el caso contrario.
8.3. ANLISIS DE REGRESIN LINEAL SIMPLE
Es, como se ha indicado, el que sirve para estudiar la naturaleza y forma de la asociacin entre
dos variables, siempre que dicha relacin pueda ser expresada matemticamente por la ecuacin
de la lnea recta.
La correlacin y la regresin lineal son mucho mas comnmente usadas que la no lineal en la
investigacin sociolgica, incluso cuando la presuncin de linealidad no esta justificada
lgicamente.
El anlisis de regresin simple lineal se concreta, como todo anlisis de regresin, en la ecuacin
correspondiente. Por ello, para comprender mejor este anlisis parece conveniente explicar la
razn de ser de dicha ecuacin.
Supongamos que tenemos los datos empricos que representan para cada uno de los sujetos de
un grupo los valores de dos variables, por ejemplo, la edad y la estatura. Entonces llevando en un
espacio de coordenadas cartesianas los valores de la edad al eje de las X y los de la estatura al
eje de las Y obtendramos 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
sujeto del grupo respecto a las variables en cuestin.
A veces la simple observacin visual de la nube de puntos, o lo que es lo mismo de la huella

emprica del fenmeno, puede bastar para indicar genricamente la existencia y el signo de la
relacin entre las variables.
Sin embargo, normalmente, los puntos aparecern en esta huella emprica dispersos de forma
irregular y no definida claramente, difcilmente manejable e interpretable estadsticamente en tal
estado. Adems existe la necesidad de cifrar cuantitativamente la forma de la relacin entre las
variables, cosa que la simple inspeccin visual no hace.

Para solucionar este problema, la estadstica 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 lnea regular, recta o curva, que represente a todo el conjunto de puntos lo mas
perfectamente posible.
Este proceso de simplificacin se puede ver como una manifestacin del proceso de reduccin
que supone la media estadstica. Imaginemos con Blalock (1966, p.302) que para cada valor de X,
variable independiente, tenemos una distribucin o conjunto de valores de Y, variable
dependiente.
Es obvio que para cada distribucin o conjunto de valores de Y con relacin a los distintos valores
de X se puede hallar su media y formar lo que se hace en un grafico, una lnea uniendo los puntos
de espacio cartesiano que corresponden a estas me das. Pues bien, la lnea resultante no es otra
cosa que la expresin grafica de la ecuacin de regresin entre ambas variables. Estas ecua-
ciones son las leyes de la ciencia, a veces muy exactas, sobre todo en el campo de las ciencias
naturales, aunque lo sean menos en el de las ciencias sociales.
Sin embargo, este procedimiento de obtener la lnea de regresin no es til en la practica porque
lo corriente es que se tenga un solo valor de Y y no muchos, para cada valor de X.
Por ello en este caso comn hay que utilizar otro procedimiento para la determinacin de la lnea y
ecuacin de regresin.
Este procedimiento recibe el nombre especfico de proceso de ajuste y comprende dos

operaciones fundamentales:
a
1 Estimar la forma, lineal o no, de la ecuacin.
a
2 Calcular los parmetros de esta ecuacin.
La primera operacin se suele realizar hipotticamente, es decir, examinando la huella emprica, o

sea la representacin grafica de las dos variables en el eje de coordenadas, y adoptando la
hiptesis, de acuerdo con este examen, que la ecuacin de regresin es de tipo lineal,
exponencial, parablica, etc.
La pertinencia de esta decisin se puede comprobar, una vez que se haya efectuado la segunda
operacin aludida, comprobando la bondad del ajuste que supone la ecuacin de regresin
obtenida.
En cuanto a la segunda operacin consiste en especificar la ecuacin de ajuste elegida. Para ello
slo se precisa calcular los parmetros de la misma, porque, una vez hallados 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 hallados, podemos saber los valores de Y que
corresponden a todos los valores de X que existan en la realidad o podemos imaginar.
Existen varios procedimientos para calcular los parmetros en cuestin, pero el ms conocido y
utilizado es el de los mnimos cuadrados. Consiste en hallar los parmetros de la ecuacin de la
recta que hace mnima, dados unos valores empricos determinados, la suma de los cuadrados de
las distancias en vertical de dichos puntos empricos a la lnea buscada.
En este procedimiento, la recta que pasa por los mnimos cuadrados de distancia a los puntos
empricos tiene una ecuacin de la forma siguiente:
Y = 0 + 1X
Las constantes o parmetros ao y a1 se calculan resolviendo el siguiente sistema de ecuaciones,

que reciben el nombre de ecuaciones normales para la recta de mnimos cuadrados:
Y 0 n 1 X
XY 0 X 1 X2
Existe tambin 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.

Estadstica Aplicada
Son las siguientes:
n X i Yi ( X i )( Yi )
i 1
1
n X i2 ( X i )2
Yi Xi
0 1
n n
El parmetro o representa el punto en el que la recta de regresin corta al eje de las Y e indica el
valor que corresponde a Y, segn la ecuacin, cuando X es cero. El parmetro 1 es la pendiente
de la recta de regresin y seala la tasa de cambio de Y por una unidad de cambio en X.
8.3.1. Desviacin o error tpico en la recta de regresin
Como se ha indicado, la ecuacin y la recta de regresin constituyen una reduccin y

simplificacin respecto a los verdaderos valores empricos obtenidos. Supone la sustitucin de
estos valores que no se pueden tratar estadsticamente sin ms, por los valores de la recta de
regresin que s lo pueden ser.
De ah que, salvo el caso, raro en la prctica, de una regresin emprica 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 empricos que representan.
En este error se pueden distinguir varias formulas. La primera se funda en la desviacin que
representan los valores empricos, de los que se ha partido como datos del problema, de los
valores calculados segn la recta de regresin. Esta desviacin es simplemente el cuadrado de las
diferencias entre dichos valores empricos, Y, y estimados, Yest, correspondientes y su formula por
tanto es similar a la de la varianza:
2
2
(Y Yest )
S y,x
N
La segunda formula da el error de estimacin basndose para ello en la desviacin tpica, s, de Y
y el coeficiente de correlacin r entre X e Y.
S y, x S y 1 rxy2
Tambin se puede obtener este error en funcin de los coeficientes de regresin o y 1, segn
esta formula:
2
( Y2 o Y 1 XY )
S y,x
N 2
La raz cuadrada del error de estimacin recibe el nombre de error tpico de estimacin.
Segn sealan Glass y Stanley ( 1 9 7 4 , p . 1 4 3 ) , en el caso de un grupo numeroso de

individuos al que se aplique la ecuacin de regresin se tendr que, aproximadamente el 68, 9 5
y 9 9 , 7 % de los individuos obtendrn puntuaciones reales que se hallaran en el intervalo de
confianza, o dentro de los lmites formados por la puntuacin media estimada de los mismos
segn la recta de regresin mas y menos uno, dos o tres errores tpicos, respectivamente.
8.3.2. Test de la significatividad de coeficiente de regresin
Para comprobar la hiptesis nula de si el coeficiente b de la ecuacin de regresin, obtenido con

los datos de una muestra sacada al azar de una poblacin determinada, no difiere
significativamente de determinados valores prefijados del coeficiente b correspondiente, se puede
utilizar (Vid. Spiegel, 1 9 7 4 , p . 2 4 7 ) la siguiente formula:
1 B
t * n 2
S y,x / S x
o bien esta otra:
1 B
t * n 2
1 r2
Los resultados se contrastan con la tabla de la distribucin t de Student, para n-2 grados de
libertad.
1 = el coeficiente de regresin hallado;

B = el coeficiente de regresin prefijado;
rxxy = el coeficiente de correlacin entre X e Y;
Sy,x = el error tipo de la estima de la recta de regresin;
Sx = la desviacin tpica de X.
n = nmero de datos de la distribucin de frecuencias.
Tambin se puede hallar, teniendo en cuenta este error de estimacin tpico, el intervalo de
confianza dentro del cual debe encontrarse, para un valor determinado de Yest. segn la ecuacin
de regresin obtenida de la muestra con la que se ha trabajado, el valor real de Yen la poblacin
de que procede la muestra, con el nivel de significacin que se adopte, en el ejemplo se supone es
el del 95%.
La frmula es la siguiente:
t (n 2,1 / 2) S y , x (X 0 X )2
Yest n 1
n 2 S x2
t = valor de t ubicado en la tabla de la distribucin t.

n- 2 = grados de libertad.
Sxy = el error de estimacin de la regresin;
X0 = el valor dado de X;
X = la media de los valores de X de la muestra.
8.4. VARIACIN DE LA VARIABLE DEPENDIENTE Y EXPLICADA POR EL ANLISIS DE

REGRESIN
El error tpico de la estima no representa otra cosa sino la parte de la variacin de Y no explicada
por el anlisis de regresin.
2
Ahora bien, la variacin total de Y es conocida y viene medida por (Y ) 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 tpico de la estimacin o variacin no explicada
2
por el anlisis de regresin, (Y- Y est ) se tendr la variacin; explicada por dicho anlisis.
Algebricamente:
2
(Yest Y ) (Y Y ) 2 (Y Yest ) 2
La razn entre la variacin explicada por el anlisis de regresin y la variacin total expresa la
proporcin de la variacin total de Y explicada por el anlisis de regresin. Recibe el nombre de
2
coeficiente de determinacin y se escribe r . Su raz cuadrada r no es otra cosa que el coeficiente
de correlacin r de Pearson.

Estadstica Aplicada
8.5. ANLISIS DE REGRESIN NO LINEAL
La ecuacin de la lnea recta es la ms simple y la ms comnmente usada entre las expresiones

matemticas con las que se representa la forma y la naturaleza de la relacin entre dos o ms
variables, pero no la nica.
Existe prcticamente un nmero ilimitado de ecuaciones no lineales que pueden cumplir tambin
dicha funcin, en el caso de que la lnea recta no se ajuste debidamente a la huella emprica del
fenmeno.
El fundamento lgico de todas ellas es el expuesto. Sin embargo, como es fcilmente

comprensible, su fundamentacin matemtica es distinta en cada caso y por lo general bastante
complicada.
Aqu solo vamos a hacer referencia a dos de los tipos mas usados de estas ecuaciones: la
parablica y la logartmica.
En la parablica la ecuacin de regresin presenta la siguiente forma:
Y
Los parmetros de esta ecuacin son, por tanto, o, 1 y 2 y se obtienen resolviendo el
siguiente sistema de tres ecuaciones con tres incgnitas:
Yi n 0 1 Xi 2 X i2 X i Yi 0 Xi 1 X i2 2 X i3
X i2Yi 0 X i2 1 X i3 2 X i4
La forma logartmica de la ecuacin de regresin es la siguiente:
Y = o + 1 log X
Esta ecuacin se puede transformar en una ecuacin de la recta, efectuando un cambio de

variable, es decir, haciendo o log X = Z, o sea, Y = o + 1 Z.
Ejercicio 8.1
Un analista toma una muestra aleatoria de 10 embarques por camin hechos recientemente por
una compaa, y registra la distancia en kilmetros y el tiempo de entrega al medio da ms
cercano. La tabla siguiente muestra esta informacin.
Embarque 1 2 3 4 5 6 7 8 9 10
muetreado
Distancia, 825 215 1070 550 480 920 1350 325 670 1215
(en kilmet.)
Tiempo de 3,5 1,0 4,0 2,0 1,0 3,0 4,5 1,5 3,0 5,0
entrega ,
( en das)
A) Indicar las variables existentes en la tabla y su tipo.

Embarque muestreado: unidades de observacin.
Distancia en kilmetros: Variable cuantitativa continua, independiente (X).
Tiempo de entrega en das: Variable cuantitativa continua, dependiente (Y).
B) Discutir 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) Dibujar la nube de puntos en un eje de coordenados, que exprese grficamente la relacin
entre las variables en cuestin, examinarla y determinar, mediante la inspeccin de la
misma, la existencia, signo y grado de relacin entre las variables, as como el tipo
probable de regresin, lineal o no lineal.
4
Tiempo de entrega en das
0
200 400 600 800 1000 1200 1400
Distancia en Millas
Segn la figura:
Existe relacin entre las variables, como se observa tendencia positiva entonces existe
asociacin positiva entre las variables, es decir las variables son directamente
proporcionales as a mayor distancia en kilmetros, mayor ser el tiempo de entrega. La
asociacin debe ser alta porque no hay mucha dispersin. El tipo de regresin se ajusta a
una recta lineal por su tendencia.
D) Hallar los parmetros o coeficientes de regresin de la ecuacin

correspondiente, escribir esta ecuacin
Embarque Distancia Tiempo de

muestreado entrega
2 2
X Y XY X Y
1 825 3.5 2888 680625 12.25
2 215 1.0 215 46225 1
3 1070 4.0 4280 1144900 16
4 550 2.0 1100 302500 4
5 480 1.0 480 230400 1
6 920 3.0 2760 846400 9
7 1350 4.5 6075 1822500 20.25
8 325 1.5 487.5 105625 2.25
9 670 3.0 2010 448900 9
10 1215 5.0 6075 1476225 25
Suma 7620 28.5 26370 7104300 99.75
n XY X Y 10(26370) (7620)(28.5)
1 2
0.004
n X2 X 10(7104300) (7620) 2
Y X 28.5 7620
0 y 1 x 1 0.004 0.118
n n 10 10
Y o 1 X Y 0.118 0.004 X
Estadstica Aplicada
E) Dada la ecuacin de regresin hallada, dibujar la recta de regresin correspondiente,

calcular los valores estimados de Y, variable dependiente, segn la ecuacin, hallar el
error tpico de estimacin que suponen y fijar grficamente lmites dentro de los que deben
encontrarse el 95.50% de las observaciones.
Tiempo de
Distancia X
entrega Y
(en kilmet.)
(en das)
Y (Y- Y )2
825 3.5 3.418 0.006
215 1.0 0.978 0.0004
1070 4.0 4.398 0.158
550 2.0 2.318 0.101
480 1.0 2.038 1.077
920 3.0 3.798 0.636
1350 4.5 5.518 1.036
325 1.5 1.418 0.006
670 3.0 2.798 0.040
1215 5.0 4.978 0.0004
Suma 3.0608
(Y Y ) 2 3.0608
S yx2 0.3826 S XY S yx2 0.3826 0.618
n 2 8
6
0
200 400 600 800 1000 1200 1400
Distancia en millas
Las rectas punteadas se grafica sumando y restando S YX a la recta estimada de regresin.
F) Estime el tiempo de entrega del embarque de 1000 kilmetros. Se podra estimar para el
tiempo de 2500 kilmetros?
Y 0.118 0.004 X Y 0.118 0.004(1000) 4.118
Para la distancia de 2500 kilmetros no es conveniente estimar el tiempo, pues este valor
cae fuera del rango.
G) Construya el intervalo de confianza del 95% para el tiempo de 1000 kilmetros.

t (n 2,1 / 2) S y , x (X0 X )2
Y n 1
n 2 S x2
As
2.306(0.618) (1000 762) 2
4.118 11
8 144207
Entonces
3.399 y 4.719
El intervalo de confianza seala, que el tiempo de entrega verdadero para una distancia de
1000 kilmetros ser entre 3 das y medio a 4 das. Con un 95% de seguridad.
H) Determine el intervalo de confianza del 95% para para la informacin de la distancia en

camin y el tiempo de entrega presentados en los items anteriores.
SYX 0.618
Sb = = 0.00054
x2 - n x2 7104300-10(762)2
1 t (n-2) Sb 0.004 2.306(0.00054)

Asi el intervalo est entre : 0.002 y 0.005
I) Pruebe la Ho: = 0 para la distancia en camin y tiempo de entrega a un nivel de
1. Ho: = 0
Ha: 0
2. = 0.05
1- 0.004 0
3. t= n 2 8 6.951
Syx/Sx 0.618 / 379.746
4. t(8,0.975) =2.306
5. Decisin: Como t = 6.951 es mayor que 2.306, entonces se rechaza la hiptesis nula.
6. Conclusin: Existe significatividad del coeficiente obtenido respecto a la poblacin
de que procede la muestra.
Ejercicios 8.2
La tabla que sigue presenta la evolucin temporal de 1960 a 1970, por intervalos de 10 aos, del
porcentaje de poblacin activa de Espaa empleada en la agricultura y pesca:
% de la poblacin activa ocupada en

Aos
la agricultura y pesca
1900 68
1910 64
1920 59
1930 47
1940 52
1950 50
1960 42
1970 26
Fuente: Informe sociolgico sobre la situacin social en Espaa, 1970. Fundacin Foessa, 1975. Pg. 169.
Los datos de los aos 1900 a 1960 proceden de los Censos de la poblacin activa del INE y el del
ao 1970 es una estimacin basada en datos de la Comisara del Plan de Desarrollo.

Estadstica Aplicada
A) Indicar las variables existentes de la tabla y su tipo, y discutir si se puede emplear el anlisis
de regresin.
Existen 2 variables:
Los aos: la cual es una variable cuantitativa continua. Independiente (X).
El porcentaje de la poblacin activa ocupada en la agricultura: variable cuantitativa continua.
Dependiente (Y).
B) Dibujar en un eje de coordenadas la huella emprica que exprese grficamente la relacin

entre las variables en cuestin, examinarla y determinar, mediante la ins peccin de la
misma, la existencia, signo y grado de relacin entre las dos variables, as como su tipo
probable.
70
60
50
40
30
% PEA
20
1880 1900 1920 1940 1960 1980
AOS
Segn la figura:
Existe relacin entre las variables, como se observa tendencia negativa entonces existe
asociacin negativa entre las variables, es decir las variables son inversamente
proporcionales as al correr los aos el porcentaje de poblacin econmi camente activa en
agricultura a disminuido. La asociacin debe ser alta porque no hay mucha dispersin. El
tipo de regresin, los datos tiene a ser curvilneos por su tendencia.
C) Supuesto que la asociacin entre las dos variables es no lineal parablica, escribir la
ecuacin de la parbola correspondiente y calcular sus parmetros.
Y o 1 x 2 x2
Las ecuaciones para obtener los coeficient es son :
y n o 1 x 2 x2
xy o x 1 x2 2 x3
x2y o x2 1 x3 2 x4
X Y XY X2 X2Y X3 X4
0 68 0 0 0 0 0
1 64 64 1 64 1 1
2 59 118 4 236 8 16
3 47 141 9 423 27 81
4 52 208 16 832 64 256
5 50 250 25 1250 125 625
6 42 252 36 1512 216 1296
7 26 182 49 1274 343 2401
28 408 1215 140 5591 784 4676

Reemplazando los valores en las ecuaciones, se tiene:

408 = 8 0 + 28 1 + 140 2
1215 = 28 0 + 140 1 + 784 2
5591 = 140 0 + 784 1 + 4676 2
Despejando las constantes por ecuaciones simultneas o matrices, se tiene:
0 = 66.355 1 = -2.655 2 = -0.3451

Luego :
Y 66.355 2.655 x 0.3451 x 2
D) Dada la ecuacin obtenida, hallar los valores estimados de Y para cada uno de lo, valores
empricos de X segn los datos del programa, dibujar la curva de regresin hallar el error
tpico de estimacin que suponen los valores estimados en relacin a los valores empricos y
fijar grficamente los limites dentro de los que deben encontrarse el 68% de los puntos
correspondientes a los valores empricos.
2
X Y Yest (Y-Yest) (Y-Yest)
0 68 66.36 1.65 2.71
1 64 63.35 0.65 0.42
2 59 59.66 -0.66 0.44
3 47 55.28 -8.28 68.63
4 52 50.21 1.79 3.19
5 50 44.45 5.55 30.77
6 42 38.00 4.00 15.99
7 26 30.86 -4.86 23.62
Total 145.77
(Y Y ) 2 145 .77
S yx2 24 .3 S XY S yx2 24 .3 4.93
n 2 6
70
60
50
40
30
% PEA
20
1880 1900 1920 1940 1960 1980
AOS

Estadstica Aplicada
E) En el supuesto que el tipo de asociacin es logartmica, del tipo log Y = o + 1 X

i) Calclense los parmetros de esta ecuacin.
X y z=logy x2 z2 xz
0 68 1.83 0 3.36 0.00
1 64 1.81 1 3.26 1.81
2 59 1.77 4 3.14 3.54
3 47 1.67 9 2.80 5.02
4 52 1.72 16 2.94 6.86
5 50 1.70 25 2.89 8.49
6 42 1.62 36 2.63 9.74
7 26 1.41 49 2.00 9.90
28 408 13.53 140 23.02 45.37
n xz x z 8(45 .37 ) (28)(13 .53)

1 2
0.05
n x x 8(140 ) (28) 2
Y X 13 .53 28
o y 1 x 1 ( 0.05) 1.859
n n 8 8
z o 1 x z 1.859 0.05 x log y 1.859 0.05 x
ii) Dada la ecuacin obtenida, hallar los valores estimados de Y para cada uno de los
valores empricos de X segn los datos del ejercicio, hallar el error tpico de
estimacin que suponen dichos valores estimados y comparar el ajuste logrado
en este caso con el anterior que supone la ecuacin parablica.
x=1 log y = 1.859-0.05(1) = 1.809

entonces, antilog y = antilog 1.811 = 64.42
X y yest (y-yest) (y-yest)2

0 68 72.28 -4.28 18.29
1 64 64.42 -0.42 0.17
2 59 57.41 1.59 2.52
3 47 51.17 -4.17 17.37
4 52 45.60 6.40 40.91
5 50 40.64 9.36 87.53
6 42 36.22 5.78 33.36
7 26 32.28 -6.28 39.50
Total 239.66
2
(Y Y ) 2 239 .66
S yx 29 .96 S XY S yx2 29 .96 5.47
n 2 6
Como:
Syx cuadrtica = 4.93
Syx logartmica = 5.47
Entonces, la ecuacin cuadrtica se ajusta mucho mejor a los datos que la ecuacin
logartmica.

8.6. ANLISIS DE CORRELACIN
8.6.1. Objetivos y supuestos del anlisis de correlacin
El objetivo del anlisis de correlacin es medir el grado de relacin que existe entre las
variables.
Supuestos:
La relacin entre las dos variables es lineal.
Las dos variables son aleatorias.
Para cada variable las varianzas condicionales dados diferentes valores de la otra
variable son iguales (homocedasticidad).
Para cada variable las distribuciones condicionales, dados valores diferentes de la otra
variable, son todas distribuciones normales.
Obs. Las suposiciones se aplican a ambas variables a diferencia que en la regresin a

valores especficos de la variable independiente.
8.6.2. Coeficiente de determinacin
Es la media til de relacin entre dos variables (terico)
2
2 YX
= 1 - 2
Y
S 2 YX
r2 = 1 -
S 2Y
2 o y + 1 xy - ny 2
r =
y 2 - ny 2
8.6.3. Coeficiente de correlacin
Mide el grado de relacin entre las variables.

2
= ; r = r2
n xy - x y
r =
[n x 2 - ( x) 2 ][n y 2 - ( y) 2 ]
Tabla de interpretacin para el valor del

coeficiente de correlacin:
R relacin correlacin
r=0 No existe nula
0,00< r 0,20 muy poco intensa pequea
0,20< r 0,40 pequea/apreciab. baja
0,40< r 0,60 considerable regular
0,60< r 0,80 intensa alta
0,80< r 1,00 muy intensa muy alta
Obs. El coeficiente muestral de correlacin r est algo sesgado como un estimador de . Este
factor posee un sesgo leve, excepto para muestras muy pequeas. Un estimador no sesgado para
el coeficiente de determinacin de la poblacin se puede obtener as:
2 n -1
= 1 - (1 - r 2 ) ( )
n-2

Estadstica Aplicada
El valor del coeficiente de correlacin y de determinacin vara como sigue:

2
-1 r 1 ; 0 r 1
8.6.4. Diagramas de dispersin
y y
x x
(a) r = +1 (b) r = 0
r2 = 1 r2 = 0
y y
x x
(c) r = -1 (d) r = 0,60
r2 = 1 r2 = 0,36
x
(e) r = -0,90
r2 = 0,81
8.6.5. Significacin del coeficiente de correlacin
Ho: =0
Ha: 0
r
to = t t = t (1 - /2, n-2)
1 - r2
n - 2
8.6.6. Errores y limitaciones asociados con el anlisis de regresin y el de correlacin
(1) El anlisis de regresin para un valor de y no se puede estimar legtimamente si el valor de x

est fuera del rango que sirvi de base para la ecuacin de regresin.
(2) Si la estimacin de y involucra la prediccin de un resultado que no ha ocurrido todava, la

informacin histrica que sirvi como base de la ecuacin de regresin puede ser pertinente
para eventos futuros.
(3) El uso de una prediccin o de un intervalo de confianza se basa en distribuciones

condicionales de Y que son normales y tienen varianzas iguales

(4) Un coeficiente de correlacin significativo no indica necesariamente causacin, pero si

puede indicar una concatenacin con otros eventos.
(5) Una correlacin significativa no es necesariamente una correlacin importante. Dada una
muestra grande, una correlacin de, digamos r = +0.10, puede ser significativamente
2
diferente de 0 con = 0,05, sin embargo, el coeficiente de determinacin es r = 0,01, para
este ejemplo indica que slo 1% de la varianza de Y se explica estadsticamente
conociendo X.
(6) La 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, varianzas
condicionales iguales.
(7) 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. Otra
posibilidad es limitar el anlisis al rango de valores dentro del cual la relacin es
esencialmente lineal.
Ejemplo 8.3
Para el ejemplo del tiempo de entrega en funcin a la distancia en kilmetros. Determinar:
(a) El coeficiente de correlacin

n xy - x y
r=
2 2 2 2
[ n x - ( x) ][ n y - ( y) ]
10 ( 26370 ) (7620 )( 28.5)
= 0.95
2 2
10 (7104300 ) (7620 ) 10 (99.75) ( 28.5)
Interpretacin: Existe muy alta correlacin entre la distancia y el tiempo de entrega de los
embarques.
(b) El coeficiente de determinacin.

r 2 = (0.95) 2 0.90
Interpretacin: La variabilidad del tiempo de entrega es explicada por la distancia en un

90%.
(c) Determine la significacin del coeficiente de correlacin.

1) Ho: = 0
Ha: 0
2) = 0.05
r 0.95
3) to = 8.50
1- r2 1 - 0.90
n-2 8
4) t t = t (1 - /2, n - 2) = t (0.975,8) 2.306
RR RA RR
2 = 0,025 1- = 0,95 2 = 0,025
tt = -2.306 tt =2.306
t0 = 8.50
5) Decisin: Como t0 RR rechazamos la Ho
6) Conclusin: La relacin entre las variables es significativa.

Estadstica Aplicada
Ejemplo 8.4
Para una muestra de n = 10 de beneficiarios anteriores de prstamos en una compaa financiera,
el coeficiente de correlacin entre los ingresos familiares y la cantidad de la deuda pendiente a
corto plazo es r = +0.50.
(a) Pruebe su significacin.

1) Ho: = 0
Ha: 0
2) = 0.05
r 0.50
3) to = 1.63
1- r2 1 - (0.50) 2
n-2 8
4) t t = t (1 - /2, n - 2) = t (0.975,8) 2.306
RR RA RR
2 = 0,025 1 - = 0,95 2 = 0,025
tt = -2.306 tt =2.306
t0 = 1.63
5) Decisin: Como t0 RA aceptamos Ho
6) Conclusin: La relacin entre las variables no es significativa.

AUTOEVALUACIN
( ) Se tiene la regresin de Y sobre X, donde X es variable independiente; Y es la variable

independiente.
( ) El modelo de la ecuacin de la regresin lineal es Y = 0 + 1X.
( ) Al diagrama de dispersin se le conoce tambin como nube de puntos.
( ) Cuando el valor del coeficiente de correlacin ( r = 0) decimos que la correlacin es
muy alta.
( ) El coeficiente de correlacin mide el grado de relacin que existe entre las variables.
2. Una compaa se encuentra en un proceso de evaluacin de su personal. En el Departamento

de produccin en el primer turno se tienen la siguiente informacin:
Horas de 8 12 14 14 16 64
Trabajo
Unidades de 7 9 13 12 18 59
Produccin
a) Grafique el diagrama de dispersin, la recta de regresin e interprete.

b) Hallar e interpretar la Ecuacin de regresin para estimar la produccin de los operarios
c) Calcule el error estndar de la estimacin
d) Hallar el coeficiente de correlacin e interprete su significado
e) Cuntas unidades de produccin predecira usted con 20 horas de trabajo? Interpretar
3. Los valores de X e Y son los siguientes:
X 2 3 4 5 6
Y 1 2 3 3 6
a) Calcular el coeficiente de correlacin

b) Multiplicar por 2 los valores de X y por 3 los valores de Y, y calcular seguidamente el
coeficiente de correlacin correspondiente a estas dos nuevas series
c) Comente los resultados
4. Un funcionario de un hipdromo querra pronosticar la cantidad de dinero apostado (en miles

de dlares) con base en la asistencia de pblico. Se selecciona una muestra aleatoria de 10
das y los resultados se presentaron en la tabla siguiente:
Da 1 2 3 4 5 6 7 8 9 10
Asistencia (miles) 14.5 21.2 11.6 31.7 46.8 31.4 40.0 21.0 16.3 32.1
Cantidad apostada (miles 0.70 0.83 0.62 1.10 1.27 1.02 1.15 0.80 0.71 1.04
dlares)
a) Constryase una nube de puntos o diagrama de dispersin y trcese la recta de regresin.

b) Verifique que la regresin de la muestra es y= 0.422+0.019x
c) Calcular el coeficiente de correlacin e interprete
d) Prediga la cantidad apostada en un da en que hay una asistencia de 20 000 personas
5. Se hace un estudio para determinar la relacin entre las edades de un gran grupo de
mquinas en una fbrica y las eficiencias de las mquinas. Los datos se dan en la
siguiente tabla.
Edad (X) 2 4 11 9 4 6 7 8
Eficiencia (Y) 90 65 25 40 80 60 35 50
a) Representar los datos en un diagrama de dispersin.

b) Calcular el coeficiente de correlacin entre X e Y. Interprete.
c) Ajustar dicha informacin a una recta de regresin lineal de Y sobre X y representar la
recta en la grfica de la parte a).
d) Cul es la mejor estimacin de la eficiencia de una mquina de 10 aos?

Estadstica Aplicada
Unidad 7
SERIES DE TIEMPO Y NUMERO INDICE
N de tutoras: Dos
Tutora N 9: Series de Tiempo.
Tutora N 10: Nmero ndice.


Estadstica Aplicada
1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las componentes de la series de tiempo y
de los nmeros ndices.
Elaboran modelos para predecir una variable de serie de tiempo y
mostrar mtodos para calcular los nmeros ndice.
1.3. Actitudinales
Resuelve situaciones en donde se quiere pronosticar una variable de
serie de tiempo. Utilizar los nmeros 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, irregular; prediccin, nmeros ndices,
nocin, aplicacin de los nmeros ndices, relaciones de precios:
propiedades de las relaciones de precios; relaciones de cantidad o
volumen: propiedades de las relaciones de cantidad; relaciones de
valor: propiedades de las relaciones de valor; mtodos para calcular los
nmeros ndices: mtodo de agregacin simple; mtodo de agregacin
ponderada, mtodo del promedio ponderado de relaciones; cambio de
base en los nmeros ndices; deflacin de series en el tiempo.

prcticos.


Series de tiempo y prediccin
ESTUDIO DE UN CASO
Tutora N
9
El vicepresidente financiero de Southern Airways est considerando la adquisicin de dos nuevos
aviones. En un momento crtico para la compaa. Las aerolneas ms grandes estn aumentando
su trfico, y la mayora de los nuevos clientes son antiguos clientes de las aerolneas ms
pequeas. Parte de la razn de este cambio de preferencias del pasajero parece ser lo deseable
de volar en aviones ms nuevos y ms cmodos.
Hay tres alternativas para Southern. Primera, puede decidirse por comprar dos nuevos aviones, lo
cual probablemente tendra por resultado un aumento gradual de la participacin de la compaa
en el mercado, con incremento notable en los ingresos, que comenzaran al segundo ao despus
de la compra.
La segunda alternativa es comparar un nuevo avin solamente, lo cual se espera que permitiera a
la Southern mantener su puesto en el mercado durante los tres o cuatro aos siguientes. Se
espera que para entonces se disponga de nuevos ingresos, y de otras fuentes de fondos que
permitan a la Southern aumentar su flota, y con ello ganar una mayor participacin en el trfico
areo en los aos subsiguientes.
La tercera alternativa es diversificar los fondos que pondran emplearse en la adquisicin de los
aviones, para hacer otras inversiones. La participacin de la Southern en el mercado se
desmejorara, hacindosele luego muy difcil a la compaa reconquistar su actual posicin en el
mercado. El resultado final bien podra ser que la Southern Airways dejara de operar como
aerolnea de pasajeros.
De las tres alternativas, la Southern preferira con mucho la adquisicin de los dos aviones. La
segunda y tercera alternativas se podran seguir solo en el caso de que la primera no fuera
factible. Si se determina que la compra de los dos nuevos aviones no es aconsejable, entonces se
someteran las dos alternativas restantes a un cuidadoso examen, en cuanto a las posibles
consecuencias de cada una de ellas.
Si la primera alternativa no es aconsejable, ser porque la compaa, tenga dificultades en cumplir

las obligaciones de la financiacin de la compra. Los fondos para la compra de los aviones
provendran de tres fuentes. Primera, se emitiran acciones; esta fuente se utilizara, ante todo,
porque la Southern no incurre con ello en obligaciones reales.
La segunda fuente utilizada sera la venta de bonos de la sociedad, cada una de las cuales exigira
que la Southern pagara una suma total cada seis meses. No obstante, este tiempo sera suficiente
para permitir a la Southern acumular los fondos necesarios para cumplir estas obligaciones.
Dichas dos fuentes de fondos produciran capital suficiente para permitir la compra de un avin.
Adems, estas fuentes no presentan serios problemas en cuanto al cumplimiento de las
obligaciones financieras que imponen.
Sin embargo, si la compaa va a comprar el segundo avin, habra que obtener capital
suplementario mediante un emprstito. Las obligaciones impuestas por el emprstito comprenden
a bonos mensuales. Es la cuestin del servicio de esta deuda lo que preocupa en este momento.
Si la Southern incumple en el emprstito, los futuros intentos de conseguir capital por alguno de
los tres mtodos mencionados seran en extremo dificultosos. Los inversionistas estaran muy
reacios a comprar acciones corrientes de la Southern o sus emisiones de bonos.
Estadstica Aplicada
La decisin depende la capacidad de la Southern para el servicio de la deuda que sera necesaria
par la compra de dos aviones. Debido al aumento sustancial en ingresos, que se anticipan para el
segundo ao despus de la compra de dos aviones; el periodo crtico para la Southern sera el
primer ao despus de la compra, durante el cual la Southern experimentara lo ms difcil para
cumplir las obligaciones mensuales de la deuda.
Es responsabilidad del vicepresidente financiero el determinar la capacidad de servicio de la

deuda de la Southern en el primer ao despus de la compra de los dos aviones.
Se est ahora en enero de 19X9. Los dos aviones, pedidos entraran en servicio en julio de este
ao, momento en el cul comenzarn los abonos a la deuda.
Los costos que implica la operacin de la Southern estn estrechamente vinculados con la tasa de
inflacin. En realidad pueden hacerse proyecciones muy precisas tomando el costo total, en
diciembre de 19X8, que fue de $4 320 000 y calculando un aumento del 0.5% mensual. En julio, si
los aviones se compran, habr que aadir los pagos mensuales de $210 000.
Los ingresos, por otra parte, plantean un problema ms difcil, pues no hay frmula simple que
pueda emplearse para proyectar los ingresos. A veces los ingresos han aumentado, y a veces ha
disminuido. Parecen estar sujetos a ms fluctuaciones que los costos.
Se necesita pues una manera de predecir o proyectar los ingresos.
9.1. INTRODUCCION
Dado que las condiciones econmicas y los negocios varan con el tiempo, los ejecutivos deben
encontrar formas de conocer los efectos de esos cambios en sus operaciones particulares. Unos
mtodos que pueden utilizar 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.
Se llama Series de Tiempo a un conjunto de mediciones de cierto fenmeno o experimento

registrado secuencialmente en el tiempo. El primer paso para analizar 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.
9.2. COMPONENTES DE LAS SERIES DE TIEMPO
A menudo es til analizar sucesiones de observaciones de variables aleatorias a lo largo del

tiempo. Una sucesin de esta clase se llama serie cronolgica. Pero prcticamente en todos los
anlisis precedentes, se ha supuesto, por lo menos implcitamente, que las observaciones eran
independientes y de distribucin idntica, con la que constituan una muestra aleatoria. A veces
este supuesto es apropiado al analizar series cronolgicas. Pero en este captulo 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 ha visto una y otra vez, el objetivo del anlisis estadstico es la interpretacin de los
datos. El proceso de interpretacin tiene dos resultados finales. El primero es la descripcin del
proceso de base, en trminos 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
ejemplo, podra contratarse la productividad media antes y despus 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 inters, en decisiones empresariales, cambien de carcter con el tiempo. Las medias
pueden variar; las varianzas pueden modificarse. Tal vez no es apropiado hablar en trminos 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 comn y la vinculacin de los cambios de las condiciones econmicas y de las
variables empresariales mediante la variable tiempo ha dado resultados.
Sera 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. Una vez aisladas, se las puede analizar para interpretar mejor las razones
econmicas de las observaciones pasadas. Lo que es ms importante en la Situacin I, de que se
trata, es que estas componentes pueden incorporarse a un modelo para predecir ocurrencias
futuras y tomar decisiones.
Hay cuatro influencias principales que se observan en los datos de series cronolgicas.
Son:
1. Tendencia, T.
2. Ciclo, C.
3. Estacin, S.
4. Irregular, I.
El anlisis de estudio se organizar segn estas componentes.
9.2.1. Tendencia
Tendencia es una influencia a largo plazo que origina variaciones lentas. La expresin a largo
plazo significa aqu que la influencia de una tendencia se extiende por varios aos. Algunas
condiciones econmicas generales que producen efectos de tendencia son las variaciones del
tamao de la poblacin, las mejoras graduales de la tecnologa, las variaciones del nivel de vida y
la inflacin o la deflacin. Otros factores son, por ejemplo, los cambios de preferencia del
consumidor y el grado hasta donde se mejoran por el aprendizaje el rendimiento y la eficacia (en el
proceso de produccin, por ejemplo). La figura 1 indica una posible tendencia de los datos de una
serie cronolgica.
Ventas
1 2 3 4 5 6 7
FIGURA 1. Tiempo (aos)
Todos estos factores identifican con claridad aspectos importantes para fines de planificacin.
Todos sugieren cambios potenciales, por ejemplo en las utilidades. En ciertos casos, las ventas
varan porque el mercado se est expandiendo o contrayendo. En otros, los costos suben o bajan
debido a variaciones en la calidad del rendimiento del proceso de produccin. Otras variables
importantes pueden tambin resultar relacionadas con estos factores.
Se va a considerar brevemente la influencia de la inflacin o la deflacin. Antes de comenzar el

anlisis de una serie cronolgica hay que eliminar de los datos dicha influencia, mediante un
ndice adecuado de precios. La inflacin de la ilusin de mayores ventas porque suben los
recaudos, lo cual podra llevar a los directivos a aumentar la produccin, ampliar la fuerza laboral o
emprender alguna otra actuacin costosa para hacer frente al aumento de la demanda que se
anticipa erradamente. Para evitar esta mala interpretacin, primero hay que ajustar los datos a fin
de eliminar la influencia de la inflacin. Pero hay veces en que al analizar datos de series
cronolgicas, la influencia de la inflacin puede considerarse con toda propiedad como parte de l
componente de tendencia. Por ejemplo, con cifras de utilidades, la inflacin o deflacin en los
ingresos y en los costos quedan de hechas incorporadas a las cifras. La diferencia entre estas dos
tasas de inflacin o deflacin podra considerarse una informacin apropiada a la tendencia.

Estadstica Aplicada
9.2.2. Ciclo
La componente cclica se refiere a la influencia de los ciclos econmicos en los datos de series
cronolgicas. Los ciclos econmicos son oscilaciones o movimientos ascendentes y descendentes
de la actividad econmica general. Se habla a veces de fases ascendentes o de expansin, o de
fases descendentes o de contraccin, o tambin recesiones. Los ciclos econmicos son
imprescindibles en alto grado en cuanto a la amplitud (magnitud del movimiento hacia arriba o
hacia abajo), duracin (el tiempo que se mantiene la fase), y forma (rapidez de ascenso o
descenso). Por lo general, los movimientos o fases descendentes son ms rpidos que los
ascendentes; pero hay otros cuantos comentarios de naturaleza general, aplicable a los ciclos
econmicos. La figura 2 es un ejemplo de ciclo y la figura 3 indica la tendencia de la figura 1,
despus de su distorsin por la componente cclica que se representa en la figura 2.
Ventas
FIGURA 2 1 2 3 4 5 6 7
Tiempo (aos)
Ventas
FIGURA 3 1 2 3 4 5 6 7
Tiempo (aos)
Los ciclos econmicos influyen ciertamente en las variables que afectan a la marcha de la firma.
Por ejemplo, durante la fase descendente, las firmas que comercializan artculos de primera
necesidad solo se refrenan lentamente. Debido a este efecto, y a su naturaleza variable respecto a
las diferentes industrias, la influencia cclica es componente importante en el anlisis de series
cronolgicas.
9.2.3. Estacin
La estacin describe los movimientos ascendentes y descendentes debidos al tiempo o estacin

del ao. Varias industrias ofrecen ejemplos de esta influencia. As, en un caso, las ventas de
equipos para esquiar muestran movimientos considerables durante el curso de un ao. Desde
luego, otras industrias pueden experimentar efectos escasos o nulos de tipo estacional. Aunque
ciertos alimentos tienen sus estaciones, las ventas de las tiendas de alimentacin experimentan
tpicamente muy poca o ninguna influencia estacional. La figura 4 ilustra una modalidad estacional.
Ventas
1 2
FIGURA 4. Tiempo (aos)
Los efectos de la componente estacional se compensan en promedio durante el curso del ao.
Despus de un ao, el proceso vuelve a su punto de partida, suponiendo, claro est, que no hay

influencia de tendencia, cclica o irregular. No hay beneficio o prdidas netos en la serie

cronolgica que sean atribuibles a esta componente.
Como la influencia estacional est asociada a la poca del ao, su momento de ocurrencia es
predecible. La influencia ejercida 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 tambin. Por consiguiente, puede haber ligeras variaciones
en la medida de los efectos estacionales, en perodos de tiempo prolongados. La autoridad que
decide o el analista deben elegir uno de los supuestos siguientes al tratar la componente
estacional:
1. El efecto de la componente estacional es constante de un ao a otro.

2. El efecto estaminal vara ligeramente de un ao a otro.
3. El efecto de la influencia estacional cambia espectacularmente.
Rara vez se ve el tercer supuesto, pero a veces es necesario. Por ejemplo, si la industria
automovilitaria cambiara el momento de instruccin de los nuevos modelos, sera de esperar un
gran cambio en el efecto estacional.
9.2.4. Irregular
La componente irregular incorporar dos tipos de influencia. El primero es la ocurrencia de sucesos

individuales inslitos que han repercutido sobre la serie cronolgica. Sucesos posibles de tal
naturaleza son las huelgas, el elevado ausentismo por causa de una epidemia de gripe o un
cambio de importancia de la poltica econmica de gobierno. Todas estas influencias podran
originar grandes variaciones en el proceso aleatorio que produjo la serie cronolgica. Y es tpico
pues que el proceso tenga nuevas caractersticas de evolucin despus de esa variacin.
El segundo tipo de influencia incorporado a la componente irregular es la fluctuacin aleatoria, que

por lo general es de naturaleza modesta y produce variaciones dentro de un 5%, por ejemplo.
Como se hizo en el anlisis de regresin, las fluctuaciones aleatorias se suponen con media de
cero, es decir, que su efecto neto se hace igual a cero en su anlisis.
El proceso de ajuste del primer tipo de influencia irregular es un anlisis estadstico bastante
especializado. Y el caso, tampoco da indicacin de sucesos econmicos separados inslitos. Por
consiguiente, se tratar la componente irregular, como constituida solamente de fluctuaciones
aleatorias.
La figura 5 ilustra una serie de variaciones aleatorias en una serie cronolgica. La figura 6 est
compuesta de la tendencia de la figura 1, el ciclo de la figura 2, la estacin de la figura 4 y la
variacin irregular de la figura 5. As pues, la figura 6 podra ser la ilustracin del grfico tpico de
datos de series cronolgicas.
Ventas
Ventas
1 2 3 4 5
Tiempo (aos) 1 2 3 4 5 6 7
FIGURA 5 FIGURA 6 Tiempo (aos)
9.3. PREDICCIN
La base lgica de la prediccin es un proceso en dos etapas. Primero se constituye un modelo, a

partir de las observaciones pasadas del proceso; luego se utiliza ese modelo para predecir
ocurrencias futuras. Ante todo hay que estimar la influencia de las diversas componentes y luego
combinar las componentes para tener un modelo de prediccin.

Estadstica Aplicada
Como el mtodo de estimacin de los efectos componentes depende de la forma que se elija para
el modelo, se analizar ante todo la forma del modelo.
La manera ms corriente de combinar las componentes en un modelo, es por multiplicacin de los

componentes. Sea Y la variable aleatoria que se trata de predecir. EL modelo que se utiliza se
llama modelo multiplicativo y sugiere que:
Y = T .C. S. I
Una consecuencia importante de este modelo es que indica las unidades de medida de las cuatro
componentes. Si se estn prediciendo ventas medidas por ingresos totales, los valores Y se
expresan en dlares. Se medir T tambin en dlares. Las otras tres componentes pueden
interpretarse como porcentajes. Cuando la componente estacional, por ejemplo, no tienen
influencia sobre una observacin particular, el valor de S es 1.0.
Puede decirse lo mismo en cuanto a las componentes C e I. Si las tres componentes porcentuales
son iguales a 1, es decir, si:
C = S = I = 1.0
Entonces el valor observado podra llamarse ocurrencia promedio o tpica. Por la primera
igualdad es tambin cierto que:
Y=T
Si C = S = I = 1.0. As pues, el modelo multiplicativo de la componente de la tendencia como el

valor tpico, y las otras componentes pueden considerarse como ajustes. Un valor de C = 1.015
indica que la condicin predominante del ciclo econmico producir un valor observado de 1.5 por
ciento mayor que el valor tpico; una componente estacional de valor S = 0.970 indica que el
tiempo del ao producir un valor observado 3% inferior al tpico. Todas las observaciones pueden
ser consideradas en consecuencia como ajustes de la tpica, ya sea por los ciclos econmicos, ya
por el tiempo del ao, ya por las fluctuaciones aleatorias.
Un plan de solucin al problema de estimacin puede ser el siguiente:
1. Estmese la componente T de tendencia utilizando datos anuales. (Pueden emplearse

observaciones mensuales o trimestrales si estn ajustadas estacionalmente, es decir, si se ha
eliminado la componente estacional).
2. Estmese la componente estacional S utilizando los datos brutos, es decir, los datos
mensuales sin modificar. (Pueden emplearse datos trimestrales si son apropiados para el
problema de decisin).
3. Estmese la componente irregular I suavizando los datos ya ajustados estacionalmente.
4. Estmese la componente cclica C utilizando los datos brutos originales y las estimaciones de
T, S e I.
A esta altura ya puede examinarse la bondad del modelo, analizando los valores de la
componente irregular estimados en 3. El examen se concentrar en si los valores de I son
indicativos de fluctuaciones aleatorias. Esto se determinar decidiendo si los valores son
independientes entre s. Si lo son, el modelo puede juzgarse como aceptable.
Para el anlisis completo se pasar por estas cuatro etapas.

Es decir, que el analista o autoridad decisoria puede:
a) predecir las observaciones futuras y

b) hacer el anlisis de observaciones pasadas para determinar causaciones econmicas; esto es
por que se observ lo que se ha observado. Sin embargo, aqu solo se ha propuesto lo
primero por el momento. Para lograr predecir ingresos mensuales futuros, es necesario
estimar nicamente T y S porque en gracia de brevedad se har un supuesto en cuanto a C y
se dir simplemente que los valores de I 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 utilizando datos anuales. Supngase que la
tabla 1 da los ingresos anuales de Southern Airways, durante los ocho aos pasados.
Se est buscando cierta relacin entre el tiempo en aos y los ingresos. Siguiendo el
procedimiento de ajuste de curva. Se representan los datos de la tabla 1, as como el diagrama de
dispersin en la figura 7. Parece como si una recta pudiese describir muy bien la componente de
tendencia. Es decir, se podra suponer que si t representa tiempo en aos a partir de 19X0.
Tabla 1: Ingresos anuales

(en millones de dlares)
Ao Ingresos Ao Ingresos
19X1 58.03 19X5 58.84
19X2 58.27 19X6 58.72
19X3 58.29 19X7 58.74
19X4 58.58 19X8 59.16
T= + 1t+
y 1 por el mtodo de mnimos cuadrados descritos en el tema anterior.
Si consideramos a los aos e ingresos, como la variables x e y respectivamente.
Utilizando las siguiente frmulas.
n xy - x y
1
n x 2 - ( x) 2
_ _ y x
0 = y- 1 x= 1
n n
Se tiene: 0 = 57.95
1 = 0.141
As mismo, la frmula de correlacin:
n xy - x y
r =
[n x 2 - ( x) 2 ][n y 2 - ( y) 2 ]
Se tiene:
r = 0.9464
2
r = 0.8957
2
El valor de r indica que el 89.57 % de la variacin de los ingresos anuales se explica por la
variacin de t, el tiempo en aos a partir de 19X0. As 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
T = 57.95 + 0.141t
Donde t es el tiempo en aos despus de 19X0.
Se tiene ahora la componente de tendencia expresada en ingresos anuales. Esto es, que esta
componte de tendencia es la mas til para predecir ingresos anuales. Pero tambin puede
utilizarse para predicciones mensuales. Quizs la manera ms fcil de adaptar estas cifras de
tendencia anual, a cifras de tendencia mensual, es dividir las predicciones anuales por 12. Lo cual
supone que no hay influencia de tendencia durante el ao. En ciertas aplicaciones tal supuesto
puede ser algo irrazonable, pero para los propsitos trazados aqu ser suficiente.

Estadstica Aplicada
c) El paso siguiente es estimar la componente estacional utilizando datos mensuales brutos.

Supngase que la tabla 2 da los ingresos mensuales en los cuatro aos pasados para la
Southern.
Tabla 2: Ingresos mensuales

(en millones de dlares)
Mes 19X5 19X6 19X7 19X8

Enero 4.69 4.85 4.86 4.76
Febrero 4.78 4.56 4.43 4.67
Marzo 4.36 4.41 4.65 4.39
Abril 4.50 4.70 4.52 4.25
Mayo 5.09 5.00 5.21 5.02
Junio 5.22 5.66 5.29 5.36
Julio 5.44 5.13 5.41 5.47
Agosto 5.24 5.09 5.00 5.48
Septiembre 4.89 5.05 5.11 4.87
Octubre 4.68 4.64 4.38 4.71
Noviembre 4.22 4.23 4.41 4.42
Diciembre 5.73 5.40 5.47 5.76
En este momento hay que resolver dos cuestiones. La primera es si se van a obtener valores
mensuales para S o valores trimestrales para S. Un examen a la tabla 2 puede ayudar a resolver
esto. En cada uno de los aos, los ingresos del mes de diciembre son considerablemente ms
altos de los de octubre y noviembre. Esto sin duda se debe a que se viaja ms en las vacaciones
de navidad. Pero el caso es que el utilizar una componente estacional trimestral tendera a
distorsionar el modelo de esta influencia especial, porque un valor de S estara asociado a
Diciembre y a otros dos meses muy diferentes (octubre y noviembre) de la actividad de la
aerolnea. No quedara satisfecha apropiadamente la necesidad de predecir los ingresos
mensuales, porque las proyecciones de octubre y noviembre seran demasiados grandes.
La segunda cuestin hay que resolver es la de si se supone una componente estacional constante
de ao en ao. Nuevamente puede ayudar el observar la tabla 2. Se observa que no hay mayores
variaciones de la influencia de un mes particular, sobre los ingresos de ao en ao. Se
observaran luego las condiciones econmicas para tratar de decidir si podra haber una variacin
gradual de S con el tiempo. Para los propsitos del anlisis se supondr que la componente
estacional es constante.
Las cinco etapas para estimar S son:
1. Asgnese a cada mes el promedio de las cinco observaciones ms cercanas a ese mes. Por
ejemplo, se asignara a abril el promedio de las observaciones de febrero, marzo, abril, mayo y
junio. Se asignara a mayo el promedio de las observaciones de marzo, abril, mayo, junio y
julio. Es este un proceso de suavizacin en que se calcula un promedio mvil de cinco puntos.
2. Para cada mes, calclese la relacin entre el valor observado y el promedio mvil de cinco
puntos. Esta relacin se llama estacin especfica, SS. La tabla 3 indica las etapas 1 y 2
efectuadas sobre los datos de la tabla 2.
3. Descrtese el tercio mximo y el tercio mnimo, aproximadamente, de las estacionales

especficas. Importa descartar igual nmero de valores elevados y valores bajos de
estacionales especficas. Se hace esto para eliminar los efectos de datos exteriores.
4. Estmese la componente estacional S como el promedio de las restantes estacionales

especfica.
5. Ajstense las estacionales de modo que sumen 12. Se hace esto para que no haya influencia
neta de las estacionales sobre el curso de todo el ao. Si se calcularan estacionales
trimestrales, la suma sera 4.

La tabla 4 muestra los clculos finales de las estacionales para los datos de la tabla 2. Los datos
de la tabla 2 pueden ajustarse ahora en cuanto a la componente estacional. Esto se logra
dividiendo cada observacin por la correspondiente estacional.
Estos datos ajustados pueden emplearse para estimar una componente de tendencia de los
ingresos mensuales, de la misma manera que se utilizaron los datos anuales. Sera probable
encontrar una ecuacin diferente para la componente de tendencia del ajuste de la ecuacin 2 que
se va utilizar aqu.
Tabla 3
Clculo de Estacionales especficas, SS
Mes 19X5 19X6 19X7 19X8

Enero Real 4.690 4.850 4.860 4.760
Promedio 4.760 4.720 4.740
SS 1.019 1.030 1.004
Febrero Real 4.780 4.560 4.430 4.670
Promedio 4.850 4.780 4.710
SS 0.940 0.927 0.992
Marzo Real 4.360 4.410 4.650 4.390
Promedio 4.680 4.710 4.740 4.620
SS 0.932 0.912 0.981 0.950
Abril Real 4.500 4.700 4.520 4.250
Promedio 4.790 4.870 4.820 4.740
SS 0.939 0.965 0.938 0.897
Mayo Real 5.090 5.000 5.210 5.020
Promedio 4.920 4.980 5.020 4.900
SS 1.035 1.004 1.038 1.024
Junio Real 5.220 5.660 5.290 5.360
Promedio 5.100 5.120 5.090 5.120
SS 1.024 1.105 1.039 1.024
Julio Real 5.440 5.130 5.410 5.470
Promedio 5.180 5.190 5.210 5.240
SS 1.050 0.988 1.038 1.044
Agosto Real 5.240 5.090 5.000 5.480
Promedio 5.090 5.120 5.040 5.180
SS 1.029 0.944 0.992 1.058
Septiembre Real 4.890 5.050 5.110 4.870
Promedio 4.890 4.830 4.870 4.990
SS 1.000 1.046 1.049 0.976
Octubre Real 4.680 4.640 4.380 4.710
Promedio 4.950 4.890 4.880 5.050
SS 0.945 0.949 0.898 0.933
Noviembre Real 4.220 4.230 4.410 4.420
Promedio 4.870 4.840 4.830
SS 0.867 0.874 0.913
Diciembre Real 5.730 5.400 5.470 5.760
Promedio 4.810 4.720 4.740
SS 1.191 1.144 1.154

Estadstica Aplicada
Tabla 4
Clculo de la componente Estacional, S
Promedio de
S
Mes Estaciones especficas Tercio
Ajustada
Central
Enero 1.019 1.030 1.004 1.019 1.02
Febrero 0.940 0.927 0.992 0.940 0.94
Marzo 0.932 0.912 0.981 0.950 0.941 0.94
Abril 0.939 0.965 0.938 0.897 0.938 0.94
Mayo 1.035 1.004 1.038 1.024 1.030 1.03
Junio 1.024 1.105 1.039 1.047 1.043 1.05
Julio 1.050 0.988 1.038 1.044 1.041 1.05
Agosto 1.029 0.994 0.992 1.058 1.012 1.02
Septiembre 1.000 1.046 1.049 0.976 1.023 1.03
Octubre 0.945 0.949 0.898 0.933 0.939 0.94
Noviembre 0.869 0.874 0.913 0.874 0.88
Diciembre 1.191 1.144 1.154 1.154 1.16
Total 11.954 12.00
Se tienen los valores de T y S y todo lo que queda por hacer es la estimacin de C e I.
Se supondr en esta etapa que C = 1.0. Esto representa en esencia la creencia de que el ciclo
econmico no va a tener influencia en los ingresos mensuales de la Southern el prximo ao.
Para cada uno de los 48 meses de la tabla 2, la componente cclica es aproximadamente 1.0.
La componente irregular I se puede estimar utilizando los datos mensuales ajustados

estacionalmente. Se suavizan estos datos utilizando una variante del promedio mvil de cinco
puntos utilizado antes. El objetivo de estimar la componente irregular es determinar la bondad del
modelo. Si los valores de I indican variacin aleatoria, se acepta el modelo multiplicativo como
descripcin bien ajustada, y por consiguiente, como dispositivo razonable de prediccin. Pero el
contraste de los valores de I es un proceso complicado. Admtase por tanto que el modelo utilizado
en este anlisis es aceptable y prosgase.
Ya con T, C y S definido puede pasar a predecirse. La prediccin para cualquier mes es

simplemente el producto de las componentes de la tendencia cclica y estacional para ese mes.
Esto es, la prediccin dada es:
Y = T. C .S
Esta prediccin es comparable a la estimacin hecha anteriormente. La analoga est en el

supuesto de que no hay error aleatorio. As:
y b0 b1 x
Era la estimacin de un valor particular de la variable aleatoria y. El trmino de error se hizo igual a
cero. En nuestro caso se toma I = 1.0, lo que indica nuevamente que no hay error aleatorio.
REVISIN DEL CASO

Queda as completa la fase de estimacin y pueden predecirse ya los costos e ingresos
mensuales para los 18 meses siguientes. Los costos mensuales se proyectan aumentando el
costo total actual de $4 320 000 en 0.5% al mes. He aqu estas proyecciones en millones:
Ene. $4.34 Jun. $4.45 Nov. $4.56 Mar. $4.65

Feb. $4.36 Jul. $4.47 Dic. $4.58 Abr. $4.68
Mar. $4.39 Ago. $4.49 Ene. $4.61 May. $4.70
Abr. $4.41 Sep. $4.52 Feb. $4.63 Jun. $4.72
May. $4.43 Oct. $4.54
Estos son costos proyectados por mes si los dos aviones no se compran. Si se compran los
aviones, la Southern incurre en un costo mensual adicional de 210 000, comenzando en julio. Esta

adicin al costo, se debe desde luego, al prstamo necesario para a compra de los aviones, y
altera las proyecciones de costo mensual, en millones as:
Ene. $4.34 Jun. $4.45 Nov. $4.77 Mar. $4.86

Feb. $4.36 Jul. $4.68 Dic. $4.79 Abr. $4.89
Mar. $4.39 Ago. $4.70 Ene. $4.82 May. $4.91
Abr. $4.41 Sep. $4.73 Feb. $4.84 Jun. $4.93
May. $4.43 Oct. $4.75
Las proyecciones de ingresos se hacen con el modelo multiplicativo
Y = T. C. S
Siendo
T = 57.95 +0.141t
t = tiempo en aos despus de 19X0
C = 1.0
S = segn lo da la tabla 4
Se van a predecir los ingresos de 18 meses. Los primeros 12 meses van hasta el ao 19X9, as
que t = 9. Para los 6 meses subsiguientes, se emplea t = 10. Con t = 9, se predice la componente
de tendencia del ingreso anual que da:
T = 57.95 + 0.141(9) = $59.22
Y del ingreso mensual:
T/12 = $4.94
Utilizando las estacionales de la tabla 4, se obtienen las siguientes predicciones expresadas en

millones:
Ene. $5.04 Abr. $4.64 Jul. $5.19 Oct. $4.64

Feb. $4.64 May. $5.09 Ago. $5.04 Nov. $4.25
Mar. $4.64 Jun. $5.19 Sep. $5.09 Dic. $5.73
Para los 6 meses subsiguientes, se emplean t = 10 y los factores estacionales de la tabla4. Esto
da:
T = 57.95 + 0.141(10) = $59.36
T/12 = $4.95
Por ltimo, los ingresos predichos, en millones, son

Ene. $5.05 Mar. $4.65 May. $5.10
Feb. $4.65 Abr. $4.65 Jun. $5.20
Estas proyecciones se basan en:
Y = T. C. S
Pero los ingresos reales sern:
Y = T. C. S. I
Esto es, teniendo en cuenta la variacin aleatoria. Esta variacin se sita tpicamente entre -5 por
ciento y +5 por ciento, pero se ha 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 prstamo y el
no cumplirlos. Como las consecuencias de incumplimiento son tan graves, sera deseable ser
prudentes en las predicciones de ingresos futuros. Esto se logra incorporando el modelo de
prediccin un valor I menor que 1.0. Como I puede dar hasta 5 por ciento de disminucin de
Estadstica Aplicada
ingresos, se utiliza I = 0.95. Incorporando este factor, se obtienen las siguientes predicciones, en
millones, para los siguientes 18 meses:
Ene. $4.79 Jun. $4.93 Nov. $4.04 Mar. $4.42

Feb. $4.41 Jul. $4.93 Dic. $5.44 Abr. $4.42
Mar. $4.41 Ago. $4.79 Ene. $4.80 May. $4.84
Abr. $4.41 Sep. $4.84 Feb. $4.42 Jun. $4.94
May. $4.84 Oct. $4.41
Los aspectos de clculo de este problema se completan en la tabla 5. La columna importante del
problema de decisin de la Southern es la ltima, Utilidades acumuladas. Todos 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 hechas,
parece que la Southern puede servir la deuda ocasionada por los prstamos necesarios para la
compra de dos aviones.
Tabla 5: Predicciones de utilidades

(En millones de dlares)
Proyectadas Utilidades
Mes Acumuladas
Ingresos Costos Utilidad neta
Enero 4.79 4.34 0.45 0.45
Febrero 4.41 4.36 0.05 0.50
Marzo 4.41 4.39 0.02 0.52
Abril 4.41 4.41 0.00 0.52
Mayo 4.84 4.43 0.41 0.93
Junio 4.93 4.45 0.48 1.41
Julio 4.93 4.68 0.25 1.66
Agosto 4.79 4.70 0.09 1.75
Septiembre 4.84 4.73 0.11 1.86
Octubre 4.41 4.75 -0.34 1.52
Noviembre 4.04 4.77 -0.73 0.79
Diciembre 5.44 4.79 0.65 1.44
Enero 4.80 4.82 -0.02 1.42
Febrero 4.42 4.84 -0.42 1.00
Marzo 4.42 4.86 -0.44 0.56
Abril 4.42 4.89 -0.47 0.09
Mayo 4.84 4.91 -0.07 0.02
Junio 4.94 4.93 0.01 0.03
EMPLEO DE VARIABLES AUXILIARES
En el Caso, se construy un modelo empleado nicamente valores de la variable que se deseaba

predecir. A veces este enfoque es apropiado; las observaciones pasadas, cuando se utilizan para
estimar las componentes de una serie cronolgica, ofrecen suficiente explicacin para predecir
predicciones exactas. Aqu 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 haber 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 ejemplo, la componente de tendencia incorpora, entre otras cosas, el
tamao de la poblacin. Puede ser que el tamao de la poblacin solo tenga considerable poder
explicativo, en cuanto a describir los movimientos del proceso a travs del tiempo. La explicacin
de la variacin del proceso, por el tamao de la poblacin, puede exceder incluso la explicacin
que da las componentes de tendencia en su integridad.
Se oye con frecuencia que los economistas del gobierno proyectan movimientos en la economa.
Esto suele hacerse con base en indicadores gua, expresin en la que indicador se refiere a
una variable que indica variaciones en el proceso econmico, porque la variante indicadora y la
variable proceso econmico, tienden a moverse al tiempo. La palabra gua se utiliza para
significar que la variable indicadora gua 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 aprovechar las relaciones entre variables en problemas de
estimacin. Se estaban haciendo ciertas predicciones, naturalmente, en los temas cuando se
hicieron estimaciones de un valor particular de la variable dependiente. En esta seccin se
examina ms en detalle el empleo de un modelo de regresin para predicciones.
Supngase que un constructor que se especializa en viviendas unifamiliares y bifamiliares.
Es dueo de un terreno en el cual piensa hacer una parcelacin, pero antes de invertir la
considerable suma necesaria para empezar la construccin, quiere saber si las casas que va a
construir se vendern relativamente pronto, despus de realizada su construccin.
As 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 dicho mercado, la tasa de inters predominante sobre prstamos en primeras
hipotecas. En particular, cuando la tasa de inters es elevada, las ventas de casas nuevas son
relativamente lentas, y cuando la tasa es baja, las ventas dichas son bastante activas. Su decisin
depende de su prediccin de la tasa de inters en primera hipoteca.
El constructor cree que los movimientos de la tasa de inters se pueden explicar bastante bien por
la tasa de inters preferencial, y por la tasa de inters corriente, sobre prstamos en primera
hipoteca. Es decir, que espera poder predecir la nueva tasa de inters sobre prstamos en primera
hipoteca, utilizando un modelo basado en la tasa de inters preferencial, y por la tasa de inters
corriente sobre primeras hipotecas.
Recolecta entonces los siguientes datos para construir un modelo de prediccin de la tasa de
inters sobre primera hipoteca.
TASA DE INTERS %
Tiempo Prstamos sobre Tasa
primera hipoteca Preferencial
1 9.00 8.00
2 9.25 8.25
3 9.25 8.00
4 9.25 7.75
5 9.00 7.75
6 9.00 7.50
7 9.00 7.25
8 8.75 6.75
9 8.75 6.75
10 9.00 6.50
Se emplear un modelo de regresin lineal mltiple con las variables definidas as:
Variable dependiente = tasa de inters sobre primera hipoteca del perodo.

Variable independiente = tasa de inters sobre primera hipoteca del ultimo perodo.
Variable independiente = tasa de inters preferencial del ultimo perodo.
Esta identificacin de variables comprenda la opinin del constructor de que la tasa de inters
sobre primera hipoteca, en un periodo dado, puede describirse mediante una expresin lineal en
que entren, la tasa de inters sobre primera hipoteca del perodo precedente y la tasa de inters
preferencial del periodo precedente. As pues, para describir el comportamiento de la tasa de
inters sobre primera hipoteca yt en el tiempo t se utilizar el modelo:
yt 0 1 yt-1 2xt-1 +

Estadstica Aplicada
Siendo yt-1 = tasa de inters sobre primera hipoteca en el tiempo t 1

xt-1= tasa preferencial en el tiempo t 1
Para este problema de regresin se tiene los datos siguientes:

Tiempo yt yt-1 xt-1
2 9.25 9.00 8.00
3 9.25 9.25 8.25
4 9.25 9.25 8.00
5 9.00 9.25 7.75
6 9.00 9.00 7.75
7 9.00 9.00 7.50
8 8.75 9.00 7.25
9 8.75 8.75 6.75
10 9.00 8.75 6.75
Al analizar estos datos mediante un programa de ordenador de anlisis de regresin lineal mltiple
(se sugiere el SPSS), se calculan los siguientes valores:
b0 = 8.441
b1 = -0.237
b2 = 0.360
2
R = 0.6634
R = 0.8145
F2.6 = 5.913
El valor del estadgrafo F es significante al nivel

que el modelo proporciona una buena descripcin de los movimientos de las tasas de inters
sobre primera hipoteca.
Mediante la descripcin que da el modelo de regresin mltiple, se predicen las tasas de inters
de primera hipoteca con la ecuacin:
yt 8.411 - 0.237y t -1 0.360x t -1
De los valores que tiene el constructor para el periodo 10, se predice la tasa de inters sobre
primera hipoteca del periodo venidero, periodo 11:
y11 = 8.411 0.237 y10+ 0.360x10
y11 = 8.411 0.237 (9.00)+ 0.360(6.50)
y11 = 8.648
Como este valor es inferior a cualquiera de las diez tasas observadas en el pasado reciente, el
constructor podra iniciar sus obras.
Este procedimiento de prediccin se ha llamado prediccin con variables auxiliares.
Es decir, se ha empleado la informacin disponible en variables distintas de las que estn

prediciendo. Todo lo dicho en el anlisis de regresin y su uso, se aplica aqu. En particular, los
comentarios hechos con respecto a la seleccin de variables independientes, en un modelo de
regresin, tambin son aqu aplicables. Se tomaran variables auxiliares que se creen relacionados
con la variable que interese.
Una observacin final sobre la prediccin utilizando el modelo de regresin con variables
auxiliares: aqu se emplea el mismo enfoque general de la prediccin, es decir, que se utilizan
datos pasados para conformar un modelo que describa el comportamiento de la variable que
interesa predecir. Luego se utiliza ese modelo descriptivo, para predecir ocurrencias u
observaciones futuras de la variable que interesa.

DETERMINACIN DE APLICACIONES
La 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.
Sin embargo, estas proyecciones no siempre se desarrollan utilizando las tcnicas vistas en este
tema, porque aqu se han hecho 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. Las fluctuaciones aleatorias se captan en la
componente irregular. Las 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. Las
componentes de tendencia cclica 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 hay que resolver si va a aplicarse o no en el anlisis de series
cronolgicas.
Una segunda condicin del anlisis de series cronolgicas es la cantidad de datos necesarios. No
se expres esto explcitamente, pero el anlisis hecho 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 aos. Se utilizaron 48 observaciones mensuales para estimar las
componentes estacionales, pero hubiera sido mucho mejor disponer de una muestra todava ms
numerosa. Estas necesidades de datos plantean otra cuestin: hasta dnde son estables o
estacionarias estas influencias (es decir, las de tendencia, cclica y estacional) en nuestra
economa en rpido cambio y en nuestro medio cambiante? Son cuestiones que hay que resolver
antes de aplicar el anlisis de series cronolgicas.
Al predecir con variables auxiliares, no se concentra necesariamente la atencin en el tiempo,

como factor de primera importancia, sino que ms bien se trata de aprovechar 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 tpico es emplear un modelo de regresin para describir las observaciones pasadas de la
variable de inters. Esa descripcin se emplea luego para la prediccin de observaciones futuras.
Los supuestos necesarios para aplicar la regresin deben cumplirse aqu para poder hacer este
tipo de prediccin.

Estadstica Aplicada
10.1. NOCIN
Nmeros ndices
Tutora N
10
Es una medida estadstica diseada 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
caracterstica.
Series de ndices: Es una coleccin de nmeros ndices para diferentes aos, lugares, etc.
10.2. APLICACIN DE LOS NMEROS NDICES
Sirven para hacer comparaciones como:
Costos de alimentacin durante un ao con los del ao anterior (economa)

Produccin de acero de un ao en una zona del pas con otro (industria)
Inteligencia relativa de estudiantes en diferentes sitios o aos (educacin)
Los nmeros 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 INEI; este produce aumentos salariales automticos
correspondientes a los aumentos del ndice de precios al consumo.
10.3. RELACIONES DE PRECIOS
Es el cociente entre el precio de un artculo en un perodo dado y su precio en otro perodo,

conocido como perodo base o de referencia. Se supondr que los precios en cada perodo son
constantes, adems se tomar un promedio adecuado para el perodo de modo que la suposicin
sea esencialmente vlida.
pn
RP = .................... (1)
po
Donde: pn : precio de un artculo durante el perodo dado

po : precio de un artculo durante el perodo base
(*) El resultado habitualmente se expresa en porcentaje.
Notacin
A la relacin de precios de un perodo dado y un perodo base se denota por:
pn
Po / n =
po
En general: si pa y pb son precios de un artculo durante los perodos a y b respectivamente.

pb
Pa /b =
pa

Ejemplo 10.1
Suponga que el precio al consumo de un litro de leche en los aos 1990 y 1998 eran de S/.0,85 y
S/.1,50 respectivamente. Tomando como ao base 1990 y luego 1998, hallar la relacin de
precios.
Solucin:
P1998 1.50
P90/98 = 1.76 176 %
P1990 0.85
P1990 0.85
P98/90 = 0.57 57 %
P1998 1.50
Nota: La relacin de precios para un perodo dado con respecto al mismo perodo es siempre
100% o sea 100. Esto se escribe por ejemplo 1990=100 para indicar que se ha tomado 1990
como perodo base.
10.3.1. Propiedades de las relaciones de precios
S pa, pb, pc, denotan precios en los perodos a, b, y c respectivamente, se tiene las siguientes
propiedades para las relaciones de precios asociadas.
1. Propiedad identidad:
Pa/a = 1 o sea 100%
2. Propiedad inversa temporal:

1
Pa/b Pb/a = 1, es decir Pa/b =
Pb / a
3. Propiedad cclica o circular:
Pa/b Pb/c Pc/a = 1 , Pa/b Pb/c Pc/d Pd/a = 1
4. Propiedad cclica o circular modificada:

Pa/b Pb/c = Pa/c , Pa/b Pb/c Pc/d = Pa/d
10.4. RELACIONES DE CANTIDAD O VOLUMEN
En vez de comparar precios, se puede estar interesado en comparar cantidades (volmenes) de

produccin, consumo o exportacin. En tales casos hablamos de relaciones de cantidad o
relaciones de volumen.
Se halla mediante la siguiente frmula.
qn
RC = .................... (2)
qo
donde: qn : cantidad de un artculo que se ha producido, consumido o exportado durante el perodo

dado.
qo : cantidad de un artculo que se ha producido, consumido o exportado durante el
perodo base.
Notacin
A la relacin de cantidad de un perodo dado y un perodo base se denota por:
qn
qo / n =
qo
10.4.1. Propiedades de las relaciones de cantidad
S qa, qb, qc, denotan cantidades (o volmenes) en los perodos a, b, y c respectivamente, se tiene
las siguientes propiedades para las relaciones de cantidad asociadas.

Estadstica Aplicada
qa/a = 1 o sea 100%

1
qa/b qb/a = 1, es decir qa/b =
Pb / a
qa/b qb/c qc/a = 1 , qa/b qb/c qc/d qd/a = 1

qa/b qb/c = qa/c , qa/b qb/c qc/d = qa/d
10.5. RELACIONES DE VALOR
S p es el precio de un artculo durante un perodo y q es la cantidad (o volumen) producida,

vendida, etc. durante ese perodo.
Valor total = pq
Ejemplo 10.2
S 1000 litros de leche se venden a S/.1,30 litro.
Valor total = pq = (1,30)(1000) = S/.1300
S po,qo y pn,qn son el precio y la cantidad de un artculo durante un perodo base y dado
respectivamente, los valores totales durante esos perodos vienen dados por V o y vn,
respectivamente.
vn pn qn
RV RP x RC p0 / n q0 / n (3)
v0 p0 q0
En general: S pa/b, qa/b y va/b denota las relaciones de precio, cantidad y valor del perodo b con
respecto al perodo a.
RV = Va/b = pa/b qa/b
Se le llama propiedad de inversin de factores.
10.5.1. Propiedades de las relaciones de valor
S va, vb, vc, son valores en los perodos a, b, y c respectivamente, se cumplen las siguientes
propiedades.
va/a = 1 o sea 100%

1
va/b vb/a = 1, es decir va/b =
Pb / a

va/b vb/c vc/a = 1 , va/b vb/c vc/d vd/a = 1

va/b vb/c = va/c , va/b vb/c vc/d = va/d
Problemas implcitos en el clculo de nmeros ndices

En problemas prcticos no se desea comparar los precios en aos de un slo artculo sino
comparar varios artculos. Se podra hacer una lista con todos esos precios pero lo deseable es
disponer de un slo nmero ndice que compare los precios en ambos perodos en promedio.

Notacin
(1) (2) (3) er do er
1) pn , pn , Se utiliza para identificar los precios del 1 , 2 , 3 , artculo durante
, pn
un perodo dado.
(1) (2) (3) er do er
2) po , po , po , Se utiliza para identificar los precios del 1 , 2 , 3 , artculo durante
un perodo base.
3) N, total de artculos.
N
4) pn ( j ) o p n ( j) o p n : Es la suma de los precios de todos los artculos durante
j 1
un perodo dado.
N
5) po ( j ) o po ( j) o p o : Es la suma de los precios de todos los artculos durante
j 1
un perodo base.
(*) anlogamente se usa para la notacin de cantidades y de valores.
10.6. MTODOS PARA CALCULAR LOS NMEROS NDICES
10.6.1. Mtodo de agregacin simple
ndice de precios por agregacin simple

pn
IPAS = ......................... (4)
po
Desventajas:
1. No tiene en cuenta la importancia relativa de los diversos artculos.
2. Las unidades escogidas al anotar los precios afecta al ndice (galones, libras, etc.).
ndice de la media aritmtica simple de relaciones de precios

( p n / po )
IMASR = ......................... (5)
N
Desventaja:
No tiene en cuenta la importancia relativa de los diversos artculos.
ndice de la media geomtrica de relaciones de precios

(1) ( 2) ( 3)
pn pn pn
IMGR = n
(1)
. ( 2)
. ( 3)
........................ (6)
po po po
Desventaja:
ndice de la mediana de relaciones de precios (IMR)

Se 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.
Desventaja:

Estadstica Aplicada
Ejemplo 10.6
Supongamos que se tiene la siguiente informacin:
AOS 2000 = 100 2002
ARTCULOS LECHE ZAPATOS PASAJE LECHE ZAPATO PASAJE
(1) (2) S (1) S S
(3) (2) (3)
PRECIO 1,70 60 0,60 2,00 80 1,00
Hallar:
a) ndice de precios por agregacin simple (IPAS)
b) ndice de la media aritmtica simple de relaciones de precios (IMASR)
c) ndice de la media geomtrica de relaciones de precios (IMGR)
d) ndice de la mediana de relaciones de precios (IMR)
Solucin:
Calculando las relaciones de precio por artculo:
(1) 2.00
Leche: P2002 / 2000 1.18
1.70
( 2) 80
Zapatos: P2002 / 2000 1.33
60
( 3) 1.00
Pasajes: P2002 / 2000 1.67
0.60
P2002 2.00 80 1.00

a) IPAS 1.33 133 %
P2000 1.70 60 0.60
P2002 / P2000 1.18 1.33 1.67
b) IMASR 1.39 139 %
N 3
(1) ( 2) ( 3)
P2002 P2002 P2002
c) IMGR N
(1) ( 2) ( 3)
3 1.18(1.33)(1.67 ) 1.38 138 %
P2000 P2000 P2000
d) IMR 1.33 133 %

Ordenando las relaciones de precios por artculo: 1.18; 1.33; 1.39
El ndice de la mediana de relaciones de precios es el valor central
10.6.2. Mtodo de agregacin ponderada
Con el fin de evitar las desventajas del mtodo de agregacin simple, asignamos un peso al precio
de cada artculo, puede ser la cantidad vendida durante el ao base, durante el ao dado o algn
ao tpico (puede ser un promedio de varios aos). Tales pesos indican la importancia del artculo
en cuestin (denotados respectivamente por qo, qn y qt).
ndice de Laspeyres o mtodo del ao base:

pn q o
IL = .............................. (7)
po q o
ndice de Paasche o mtodo del ao dado:

pn q n
IP = .............................. (8)
po q n

ndice del ao tpico:
pn q t
IAT = .............................. (9)
po q t
ndice ideal de Fisher
pn q o pn q n
IIF = IL x IP = ( )( ) .............................. (10)
pn q o pn q n
El ndice ideal de Fisher satisface los criterios de inversin temporal y de inversin de factores, lo
que confiere cierta ventaja terica sobre otros nmeros ndices.
ndice de Marshall-Edgeworth
Usa un ao tpico en que los pesos se toman como la media aritmtica de las cantidades del ao
base y del ao dado; es decir qt = (qo + qn). Sustituyendo este valor de q en la ecuacin (9)
resulta:
pn ( q o qn )
IM E = .............................. (11)
po ( q o qn )
Obs. Los ndices calculados por el mtodo de agregacin ponderada, tienen la desventaja que las
unidades escogidas al anotar los precios son diferentes. Ej. galones, libras, pares, etc.
10.6.3. Mtodo del promedio ponderado de relaciones
Estos mtodos eliminan las desventajas de los mtodos anteriores.
Media aritmtica ponderada de relaciones de precios, usando pesos del ao base.

(p n / po )( po q o ) pn q o
MAPR / o = = ................... (12)
( po q o ) po q o
Media aritmtica ponderada de relaciones de precios, usando pesos del ao dado.

(p n / po )( pn q n )
MAPR / n = ..................................... (13)
( pn q n )
Media aritmtica ponderada de relaciones de precios, usando pesos del ao tpico.

(p n / po )( pt q t )
MAPR / t = ..................................... (14)
( pt q t )
Nmeros ndices de cantidad o volumen

ndice de la media aritmtica de relaciones de cantidad.
(q n / qo )
IMASRC .................................................... (15)
N
ndice de agregacin ponderada de cantidad con pesos del ao base.
q n po
IAPRC / o .................................................... (16)
q o po
ndice de agregacin ponderada de cantidad con pesos del ao dado.

q n pn
IAPRC / n .................................................... (17)
q o pn
(*) Las frmulas (16) y (17) se llaman ndices de volumen de Laspeyres y de Paasche
respectivamente.

Estadstica Aplicada
Obs. En estas frmulas se toman los precios como pesos, de forma parecida se modifican las
frmulas (9) a (14).
Ejemplo 10.7
La tabla siguiente muestra los precios y cantidades de consumo de gallinas en lima metropolitana
para los aos 1999 y 2000. Tomando 1999 como base, calcular el ndice de precios para el ao
2000 por los mtodos:
Gallina Precio Cantidad

(Soles por kilo) (Unidades)
1999 2000 1999 2000
Negra 6.34 5.2 179 070 142 839
Colorada 4.62 4.53 328 770 328 648
Reproductora 4.17 4.69 736 837 657 179
Fuente: Centros de Acopio de San Luis, Independencia, San Miguel, Ate-Vitarte y Av. El Sol.
a) ndice de precios por agregacin simple

b) ndice de la media aritmtica simple de relaciones de precios
c) ndice de la media geomtrica de relaciones de precios
d) ndice de la mediana de relaciones de precios
e) ndice de Laspeyres o mtodo del ao base
f) ndice de Paasche o mtodo del ao dado
g) ndice ideal de Fisher
h) ndice de Marshall-Edgeworth
i) Media aritmtica ponderada de relaciones de precios usando pesos del ao dado
Solucin:
Precio Cantidad
Rp Pesos
Gallina (Soles por kilo) (Unidades)
p0 pn q0 qn pn/p0 pnqn
Negra 6.34 5.2 179 070 142 839 0.8202 742762.8
Colorada 4.62 4.53 328 770 328 648 0.9805 1488775.4
Reproductora 4.17 4.69 736 837 657 179 1.1247 3082169.5
Total 15.13 14.42 1 244 677 1 128 666 2.9254 5313707.8
Paasche Marshall
Laspeyres Pormedio
Gallina Edgewort
Ponderado
Pn q0 p0 q0 pn qn p0 qn pn(q0+q0) p0(q0+q0)
Negra 931164 1135303.8 742762.8 905599.3 1673927 2040903 609206
Colorada 1489328 1518917.4 1488775.44 1518354 2978104 3037271 1459773
Reproductora 3455766 3072610.3 3082169.51 2740436 6537935 5813047 3466517
Total 5876258 5726831.5 5313707.75 5164389.3 11189966 10891221 5535496
* Tabla trabajada en Excel.

a) ndice de precios por agregacin simple
pn 14 .42
IPAS 0.9531 95 .31 %
p0 15 .13
b) ndice de la media aritmtica simple de relaciones de precios
( p n / p0 ) 2.9254
IMASR 0.9751 97 .51 %
N 3
c) ndice de la media geomtrica de relaciones de precios
p n(1) p n( 2) p n(3)
IMGR n 3 0.82 0.98 1.12 0.9671 96 .71%
p0(1) p0( 2) p0(3)
d) ndice de la mediana de relaciones de precios

IMR 0.9805 98.05%

e) ndice de Laspeyres o mtodo del ao base
p n q0 5876258
IL 1.0261 102 .61 %
p0 q0 5726831 .5
f) ndice de Paasche o mtodo del ao dado
pn qn 5313707 .75
IP 1.0289 102 .89 %
p0 q n 5164389 .3
g) ndice ideal de Fisher
IIF IL x IP 1.0261 1.0289 1.0275 102 .75 %
h) ndice de Marshall-Edgeworth
p n q0 qn 11189966
IM E 1.0274 102 .74 %
p0 q0 qn 10591221
i) Media aritmtica ponderada de relaciones de precios usando pesos del ao dado
( pn / p0 ) ( pn qn ) 5535496
MAPR / n 1.0417 104 .17 %
( pn qn ) 5726831 .5
Nmeros ndices de valor

ndice de agregacin simple de valor.
p n qn
IASRV
p o qo
donde:
poqq : Valor total de todos los artculos en el perodo base.
pnqn : Valor total de todos los artculos en el perodo dado.
10.7. CAMBIO DE BASE EN LOS NMEROS NDICES
Consiste en dividir todos los nmeros ndices para los diversos aos correspondientes al perodo
base antiguo por los nmeros ndices correspondientes al nuevo perodo base, expresando los
resultados en porcentajes.
Este mtodo es aplicable slo en los nmeros ndices que satisfacen el criterio circular.
As:
pj/1 = p1/pj = p1 = pk/1 , etc.
pj/k pk/pj pk
10.8. DEFLACIN DE SERIES EN EL TIEMPO
A 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 hace que disminuya el poder adquisitivo.
El ingreso real se obtiene dividiendo el ingreso aparente entre el nmero ndice del costo de vida en
el ao.
Ejemplo 10.8
S los ingresos de una persona en 1997 son el 150% de sus ingresos en 1995 (ha crecido el 50%) y
el costo de vida se ha doblado (ICV=200%)
150
IR1997 = = 0,75 = 75%, lo que era en 1995
200

Estadstica Aplicada
AUTOEVALUACIN
( ) El ciclo es una de las componentes de la serie de tiempo.

( ) La estacin describe los movimientos ascendente y descendente debido al
tiempo o la estacin del ao.
( ) La necesidad de predecir es general en la decisin empresarial.
( ) El ndice de precio de Layperes es un mtodo de agregacin no ponderado
( ) En ingreso real se obtiene dividiendo el ingreso aparente entre el nmero
ndice del costo de vida en el ao.
2. Los siguientes datos corresponden a la exportacin mensual de esprragos en conserva (TM)

en 1999. Si adems se sabe que X iYi 2,110 y X i2 110
Meses Ene. Feb. Marz. Abr. May. Jun. Jul. Agos. Set. Oct.
Exportacin Yi 1.38 1.13 1.06 1.24 1.16 1.22 1.24 1.18 1.24 1.61
a) Graficar la serie de los datos

b) Qu valor tiene la variable X? Y construir la ecuacin de tendencia lineal. Interprete los
resultados de la ecuacin de tendencia. Qu tipo de tendencia tiene?
c) Realice el pronstico de la exportacin de esprragos para los meses de noviembre,
diciembre y enero de 2000.
3. En el cuadro siguiente se tiene de la exportacin de Harina de Pescado en el perodo 1988

1997. Determinar los correspondientes nmeros ndices para cada uno de los diez aos
utilizando como ao base:
a) 1988 b) 1991 e) Interpretar

c) 1994 d) 1997
Aos salarios Indices

1988 = 100% 1991 = 100% 1994 = 100% 1997 = 100%
1988 798
1989 1117
1990 1114
1991 1151
1992 1088
1993 1785
1994 2253
1995 1778
1996 1566
1997 1677
4. En la tabla siguiente se tienen los precios promedios en dlares y las cantidades de consumo
promedios en kilogramos de un artculo desde 1980 a 1982. Tomando como base el ao 1980,
calcular los ndices de precios, de cantidades, y los valores para 1981 y 1982.
Ao Precio $ Cantidad Kg. ndice ndice cantidad ndice

precios valor
1980 15 6.5
1981 20 7.4
1982 25 7.8

5. En el siguiente cuadro se dan los promedios de los salarios, en dlares, de los trabajadores de
una empresa, de 1975 a 1983.
Calcular los correspondientes nmeros ndices para cada uno de los nueve aos utilizando
como ao base:
a) 1975 b) 1978 c) 1983
Aos salarios Indices

1975 = 100 1978 = 100 1983 = 100
1975 310
1976 330
1977 370
1978 380
1979 430
1980 450
1981 480
1982 540
1983 570

Estadstica Aplicada
EJERCICIOS PROPUESTOS
PRIMERA UNIDAD
En cada uno de los ejercicios interprete su resultado.
1. Queremos conocer con el 90% de confianza el peso medio de los empleados de cierta
empresa. En una encuesta entre dichos empleados y en una muestra de 45 de ellos se
encontr un peso medio de 68 kilos. Si la desviacin estndar de los pesos de todos los
empleados de la empresa es 14 kilos, determine los lmites del intervalo buscado.
2. Un estudiante desea conocer el gasto medio por usuario en la cafetera de su universidad.

Selecciona para ello una muestra al azar de 45 usuarios, encontrando en ella un gasto medio
de S/.30. Si aceptamos por encuestas anteriores la desviacin estndar del gasto de los
clientes de la cafetera en S/.8 cules sern los lmites del 85% para el gasto medio?
3. En un experimento, el tiempo promedio para que 8 fusiles se quemen, cuando soportan un 25%
de sobrecarga, fue 12,5 minutos, con desviacin estndar de 2,3 minutos. Determine el
intervalo del 99% de confianza para el tiempo promedio que este tipo de fusibles tarda en
quemarse cuando soporta un 25% de sobrecarga.
4. En una parada principal de camiones se ha llevado registros detallados de varias transacciones

con los clientes. En una muestra aleatoria de 25 de estos registros se encuentra una venta
promedio de 24,5 galones de combustible con desviacin estndar de 3,8 galones. Construya el
intervalo del 95% de confianza para la media poblacional correspondiente si se acepta que las
ventas, siguen una distribucin normal.
5. Cinco recipientes de un disolvente comercial tomados al azar de un gran lote de produccin,

pesan 35.5; 35.3; 36.0; 35.0; y 35.8 libras. Construya el intervalo del 99% de confianza para el
peso medio de todos los recipientes de donde fue extrada la muestra.
6. En una muestra de 18 tubos de televisin la vida til media de operacin es 9000 horas con
desviacin estndar de 600 horas, construya el intervalo de confianza del 99% para la vida
media de la poblacin, si en este caso, la vida til de operacin de todos los tubos no pueden
suponerse normalidad distribuida.
7. Suponga que desea estimar la venta media por distribuidor, de un producto determinado en el
transcurso del ao pasado. Determine el intervalo de confianza, del 95% si se supone que las
cantidades de venta de una muestra de 25 vendedores tienen una media de $ 6500 y una
desviacin estndar de $350.
8. Se toma una muestra al azar de 38 alumnos, provenientes de una clase de 200 estudiantes,
encontrndose en ello un puntaje medio de 70 puntos con desviacin estndar de 10 puntos en
la calificacin, calcule el intervalo de confianza del 85% para la calificacin de todos los
estudiantes.
9. En una muestra al azar de 25 presidentes de corporaciones industriales, se encontr que 16

tenan estudios superiores. Determine la estimacin del intervalo del 98% de confianza para la
proporcin de todos los presidentes de corporaciones industriales que tienen estudios
superiores.
10. Se seleccion una muestra de 30 docentes de la Universidad Peruana Unin, con el objeto de
estimar la experiencia docente media de ellos. Los resultados obtenidos en la muestra (en
aos) fueron:
4 4 6 2 3 4 6 2 4 3
6 4 3 4 4 7 3 4 5 6
1 6 4 5 4 3 2 4 3 4
Utilizando la informacin anterior:

a) Estimar puntualmente la media y la desviacin estndar poblacional. Interpretar.
b) Obtener un intervalo con un 99% de confianza para estimar la experiencia docente media
de los profesores de la universidad Peruana Unin.

11. Se toma una muestra aleatoria de 45 alumnos de una poblacin de estudiantes de estadstica
de 221 alumnos, la cual arroja una media de 70 puntos y una desviacin estndar de 9
puntos.
a) Estimar puntualmente el parmetro.
b) Estimar un intervalo de confianza del 98% para la media de los 221 alumnos.
12. Las estaturas de 100 estudiantes de la Facultad de Ciencias Contables y Administrativas,

representan una muestra aleatoria de las estaturas de los estudiantes matriculados. Si la
media de la muestra es de 1,69 metros y la desviacin estndar es de 7 centmetros. Calcular
un intervalo de confianza del 99% para estimar la estatura media de los estudiantes de la
facultad.
13. Una muestra aleatoria de 50 calificaciones de un test mental arroja una media de 75 y una
desviacin estndar de 10. Calcular un intervalo de confianza del 95% para estimar la media de
las calificaciones.
14. Utilizando la informacin del problema (13), diga Ud. con qu grado de confianza la media de
las calificaciones es 75 1.
15. De una muestra aleatoria de 64 vehculos de transporte urbano, se ha calculado que el nmero
medio de pasajeros que suben por kilmetro es de 3,5. Estudios anteriores arrojan una
desviacin estndar de la poblacin de 1,6 pasajeros por kilmetro. Construya un intervalo de
confianza del 95% para el nmero medio de pasajeros por kilmetro para la poblacin.
16. A 50 vendedores de la compaa A y 50 de la compaa B, se les someti a la misma prueba

de inters vocacional, obtenindose los siguientes resultados:
Compaa A Compaa B
X1 = 73,6 X2 = 72,4
S1 = 10 S2 = 8
Hallar un intervalo de confianza del 90% para estimar la diferencia verdadera en puntuacin
media entre los vendedores de las compaas A y B.
17. En una campaa electoral, una encuesta previa a las elecciones hechas entre 100 electores
dio al candidato Juan Prez el 60% del electorado a su favor. Construya un intervalo de
confianza del 98% para la proporcin del electorado en favor de Juan Prez.
18. Un gran comerciante de ropa al por menor, realiz un estudio para comparar la efectividad de
un anuncio en el peridico en una de dos ciudades grandes. Se public un anuncio extenso
en el peridico ms importante de cada ciudad. Una organizacin de investigacin de
mercado realiz, inmediatamente despus, una encuesta telefnica con 1000 personas
seleccionadas al azar, 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.
Las proporciones eran:
p^1 = 0,18 y p^2 = 0,14. Determine un intervalo de confianza de 95% para la diferencia en las
proporciones de los adultos que leyeron el anuncio.
19. Se realiz una auditora para estimar la diferencia en el promedio de la reduccin porcentual
(debida a robos, daos, etc.) en el inventario de dos grandes almacenes. Se seleccionaron al
azar cien artculos de cada almacn y se registr el porcentaje de cada uno disponible
realmente, en comparacin con el total indicado en los registros de inventario. La media y la
desviacin estndar de la reduccin porcentual para los 100 artculos aparecen en la
siguiente tabla para cada almacn. Estime la diferencia en el promedio de la reduccin
porcentual entre los dos almacenes utilizando un intervalo de confianza del 95%. Interprete.
Almacn 1 2
Tamao muestral 100 100
media muestral 5,3 6,4
desviacin estndar 2,7 2,9
20. Suponga que usted es uno de los 60000 aficionados al ftbol que asistieron a un gran
estadio. Ha tomado una muestra aleatoria de 650 aficionados y encontr que 220 de ellos
Estadstica Aplicada
eran mujeres. Estime la proporcin poblacional del nmero de mujeres asistentes mediante
un intervalo de confianza del 96%.
21. Ante las continuas quejas que reciba el Jefe de oficina de que su secretaria se dedicaba gran
parte del tiempo a tareas ajenas a su trabajo, efectu una serie de 250 observaciones al azar
sobre la labor que ella estaba desempeando; 75 de ellas indicaban que la secretaria se
encontraba en estado no productivo. Podra usted sealar con el 95% de confianza, Que
proporcin de la jornada de trabajo la secretaria se encontraba en estado no productivo?
22. Se hizo un estudio de las causas de fracaso con una muestra de 400 pequeas empresas
durante el ao 1996. Si 264 de estas empresas tenan activos fijos superiores al 75% del
valor total en el momento del fracaso. Halle un intervalo de confianza del 95% para la
verdadera proporcin de pequeas empresas que fracasaron ese ao y cuyos activos fijos
superaban el 75% del valor total en el momento de fracasar.
23. Una muestra aleatoria de 500 muertes de peatones en una gran rea suburbana, se hall que
120 vctimas estaban cruzando la calle por fuera de un cruce sealado o bien por el medio de
la manzana. Hallar un intervalo de confianza del 99% de la verdadera proporcin de muertes
de peatones en esa rea suburbana en que los peatones cruzan una calle por paso sin
sealar o por el medio de una manzana.
24. Cierta compaa 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
50 empleados del turno diurno se encontr un salario medio de S/.600 con una desviacin
estndar de S/.135. En una muestra de 60 empleados del turno nocturno se encontr un
salario medio de S/. 750 con desviacin estndar de S/.210. Qu podra afirmar usted con el
90% de confianza con relacin a la diferencia de salarios medios de los empleados en ambos
turnos?
25. Una muestra de 200 pilas de la marca A para radio transistores tiene una vida media de 160
horas con desviacin estndar de 12 horas y una muestra de 130 pilas a la marca B
proporciona una vida media de 128 horas con desviacin estndar de 10 horas. Determine el
intervalo de confianza del 95% para la diferencia de la vida media entre las pilas de las marcas
A y B.
26. En una muestra de 12 facturas correspondientes a la venta del fin de semana se encontraron 3
de ellas con errores, pero en una muestra de 15 facturas correspondientes a las ventas del
principio de semana se detectaron 5 de ellas con errores. Qu podra usted afirmar con el 99%
de confianza respecto a la diferencia de proporciones de facturas con errores entre ambos
grupos de das de la semana?
27. En un banco A se seleccion una muestra sencilla de 350 personas entre sus numerosos
cuentacorrentistas; simultneamente el banco B seleccion una muestra sencilla de 180
personas entre sus numerosos cuentacorrentistas. Se detect que 70 personas del banco A, 48
del banco B pertenecientes a las muestras respectivas estaban utilizando en forma regular otros
servicios que ofreca el banco del que eran clientes. Estime con el 92% de confianza la
diferencia entre las proporciones de clientes con cuentas corrientes en los bancos A o B que
utilizan regularmente otros servicios ofrecidos por los bancos.
28. Una muestra sencilla de 250 ciudades seleccionadas de la produccin del turno de da
contienen 22 unidades defectuosas mientras que en una muestra sencilla de 250 unidades
seleccionadas de la produccin del turno nocturno contiene 36 unidades defectuosas.
Estime la diferencia en la proporcin de unidades defectuosas entre los turnos de da y de la
noche con un intervalo de confianza del 98%.
29. Se ha hallado que 4 de las 16 pantallas para TV: tomadas de las producidas por el proceso A
tenan defectos y dos de las 12 tomadas de las producidas por el proceso B. Determine la
estimacin para la verdadera diferencia entre las proporciones de pantallas defectuosas
producidas por cada uno de los procesos A y B, con el 99% de confianza.
30. Deseamos estimar la diferencia entre los efectos producidos por una pldora para dormir en
hombres y mujeres. Tomemos una muestra de 36 hombres y en ella se obtiene una media
muestral de 8,75 horas con varianza 9, mientras, que en una muestra de 64 mujeres se obtiene

una media muestral de 7,25 horas con varianza de 4. Determine los lmites del intervalo del
95% de confianza para la verdadera diferencia entre las horas promedio de sueo entre hombre
y mujeres.
SEGUNDA UNIDAD
1. El resultado promedio sobre una prueba de aptitud tomada a nivel nacional fue de 76 puntos
y la desviacin estndar correspondiente fue de 8 puntos. Con el fin de evaluar el estado del
sistema de educacin, se escogieron al azar 100 estudiantes de una localidad. Estos
obtuvieron un promedio de 72 puntos. Utilizando un nivel de significacin del 5% Puede
concluir que los resultados locales difieren significativamente del promedio nacional.
2. Un bibliotecario universitario est interesado en determinar su ha cambiado o no el nmero

promedio de libros que cada estudiante saca por visita. Anteriormente se sacaba un promedio
de 3,5 libros. Sin embargo en una muestra de 30 estudiantes dio un promedio de 4,2 libros por
visita, con una desviacin estndar de 1,8 libros. Utilizando =0,05, el bibliotecario podr
concluir, que ha cambiado el promedio de libros sacados por visita.
3. Cierta compaa compra un gran lote de cables de acero indicando que la resistencia media
deseada, a la traccin era de 120,5 libras con desviacin estndar 1,8 libras. Basndose en la
inspeccin de 100 cables en la muestra, se encontr que la media a la traccin era de 115
libras. Aceptara el comprador la mercadera al nivel de significacin 5%?
4. Cierta empresa sostiene que tiene un sistema de entrenamiento mediante el cual puede mejorar
el ritmo de trabajo de una secretaria en 40 palabras por minuto. Usted que ha permitido que 120
de las secretarias de su empresa sigan el curso ha observado que la mejora ha sido
nicamente de 38,5 palabras con desviacin estndar 8 palabras en una muestra de 70 de
ellas. Determine si lo afirmado por el responsable del sistema de entrenamiento est o no
sobreestimado al utilizar los niveles de significacin del 1% y del 5%.
5. Suponga que un grupo de secretarias escribe un promedio de 50 palabras por minuto. Un grupo
de secretarias de una determinada escuela presenta la velocidad de palabras por minuto
siguiente: 55, 85, 50, 60, 45, 50, 75, 65, 80, 60, 75, 50, 80, 80, 50, 80. Podramos aceptar al
nivel del 1% que esta escuela grada mejorar secretarias?
6. Un proveedor vende fibras naturales a una fbrica, seala que las fibras tienen una resistencia
media de 33 libras y una varianza de 64. Una muestra aleatoria de 25 libras da una resistencia
media de 30 libras. El comprador sostiene que la resistencia media de todas las fibras del
embarque es de 30 y no de 33 libras como pretende el vendedor. Qu opinar usted al nivel
del 5%?
7. La empresa que fabrica cierta clase de tubos fluorescentes pretende que tienen la vida
promedio de 1600 horas con desviacin 160 horas, pero una muestra aleatoria de 64 tubos dio
una media de 1540 horas. Estara usted de acuerdo con el fabricante a un nivel del 2%?
8. Se ha diseado un camin para trasladar 6,8 tn. de tierra por viaje. En una operacin de ensayo
se hicieron 120 cargas como muestra, que arrojaron una media de 6,0 toneladas, con una
varianza de 2,25. Basndose en la informacin de la muestra, descartar usted la hiptesis nula
a favor de algunas de las hiptesis alternativas siguientes?
a) media menor de 6,3 nivel del 5%
b) media menor de 6,3 nivel del 1%
b) media diferente de 6,3 nivel del 5%
9. Un Organismo Gubernamental de Control analiza una muestra de 36 paquetes de carne que

vende el supermercado. El rtulo de cada paquete dice "no contiene ms de 25% de grasa".
Puede el Organismo Gubernamental concluir que la carne que vende el supermercado tiene
ms del 25% de grasa si la muestra arroja un contenido medio de 0,265 con desviacin
estndar 0,08? Utilice nivel 5%.
10. En cierto modelo de automviles se afirma que el kilometraje medio es de 12 kilmetros por
litro de gasolina corriente. Un organismo de defensa del consumidor piensa que ese
kilometraje es exagerado. Nueve automviles de este modelo son conducidos del mismo
modo con un litro de gasolina corriente. Los kilmetros recorridos por los diversos
Estadstica Aplicada
automviles son 12; 11; 10.5; 11.5; 11; 12.5; 10; 10.5; 11.3. Al nivel del 1% Qu conclusin
deber llegar el organismo de defensa del consumidor?
11. Suponga el promedio de clientes que entran a una tienda, por da era de 175, se hace una
campaa publicitaria durante 7 semanas. Durante la campaa el promedio de clientes aument
a 181 por da con varianza 441. Aument en forma significativa el nmero de clientes que
entran a la tienda gracias a la campaa, al nivel del 1% o al nivel del 5%?
12. Una muestra aleatoria de 500 alumnos de la Universidad Peruana Unin, da 100 alumnos en el
primer ciclo. El Director de Bienestar Estudiantil afirma que la proporcin de alumnos de primer
ciclo es de slo 15%. Usando = 0,01 puede concluir que es correcta la afirmacin del Director
de Bienestar?
13. Aproximadamente 1 de cada 10 consumidores favorecen el refresco de cola marca A. Despus

de una campaa de promocin en una regin de ventas dada, se seleccion aleatoriamente
200 bebedores de ese producto de los consumidores en el rea del mercado se les entrevist
para determinar la efectividad de la campaa. El resultado de la encuesta mostr que un total
de 26 personas expres su preferencia para la bebida marca A. Son los datos suficientes para
indicar un aumento en la aceptacin de la marca A en la regin?
14. Cierta TV, afirma que el 70% de los aparato de TV, sintonizan un programa especial, su
competidor pone ello en duda y al tomar una muestra aleatoria de 250 familias encuentra una
proporcin del 68% Puede el competidor al nivel del 5% afirmar que su supuesto era vlido?
15. Varios aos de experiencia han sealado que la mquina N36 en promedio produce un 10%
de artculos defectuosos. El ingeniero de control de calidad sospecha que ltimamente la
calidad de producto manufacturado se ha deteriorado. Toma una muestra aleatoria de 100
unidades y encuentra 14 defectuosos. Al nivel del 5%, a qu conclusin debe llegar el
ingeniero?
16. La proporcin de audiencia en TV que ve cierto programa fue del 50% segn se ha encontrado
previamente. Se sospecha que la proporcin ha bajado al 40%. Una muestra de 100
televidentes a quienes se entrevist dio como resultado 45 vean el programa. Al nivel del 2,5%
concluiremos que la proporcin ha bajado realmente al 40%?
17. Un editor asegura que los estudiantes que reciben instruccin en matemticas usando un nuevo
texto, obtendrn mejor rendimiento que los que usan el texto antiguo. Se seleccionan
aleatoriamente 36 estudiantes de cada tipo obtenindose la siguiente informacin:
Nuevo Texto Texto antiguo

X1= 83 X2 = 79
S1 = 7 S2 = 5
Usando un nivel de significacin del 1% puede Ud. concluir que la aseveracin del editor es
correcta.
18. Un profesor de estadstica dividi a los alumnos de contabilidad en dos grupos cada uno con 36
estudiantes, al primer grupo se le asign un ambiente cmodo con todos los implementos necesarios
para utilizacin de material didctico, al segundo grupo se le asign un ambiente usado
comnmente, al final del ciclo se obtuvieron los siguientes resultados:
Grupo 1 Grupo 2
X1= 17 X2 = 14
S1 = 7 S2 = 5
Usando =0,01 podra asegurar que el rendimiento de ambos grupos son iguales.
19. Se present un mismo examen a dos grupos diferentes. El primero de 48 alumnos con
rendimiento 72 puntos y la desviacin 12. El segundo con 36 estudiantes, media 75 y
desviacin 6. Hay, al nivel del 5%, diferencia significativa entre las medias obtenidas?
20. Una persona posee dos granjas. El peso medio de 10 pavos de la primera fue 14,35 libras con
desviacin 2,5 libras, mientras que en la segunda 20 pavos tuvieron peso medio 12,19 lbs. con
desviacin dos libras. Habr diferencia significativa entre las medias obtenidas?
21. A un grupo de personas se le aplic un test de aptitud acerca de tema polmico. Luego el grupo
asisti a la proyeccin de una pelcula favorable al tema, y acto seguido se le propuso el mismo
test. Los resultados fueron:
Antes: 16 18 20 24 24 22 20 18 10 8 20
Despus: 24 20 24 28 30 20 24 22 18 18 24
Contrastar al 1%.
22. A 10 hombres jvenes se los someti el ejrcito a un programa de entrenamiento fsico

intensivo. Se anotaron sus pesos antes y despus del programa encontrndose:
Antes: 127 195 162 170 143 205 168 175 197 136
Despus: 135 200 160 182 147 200 172 185 194 141
Al 5%, afecta el programa el peso?
23. Una gran casa de descuento anuncia que sus precios son inferiores a los de su competidor
ms fuerte. Para probar la validez de su declaracin, se seleccionan al azar 15 artculos y se
comparan. Los resultados son los siguientes:
Casa de Competidor
descuento
3,77 3,95
7,50 7,75
4,95 4,99
3,18 3,25
5,77 5,98
2,49 2,39
8,77 9,49
6,98 6,49
2,99 2,95
1,98 2,49
0,49 0,52
5,50 5,82
0,89 0,98
6,49 6,66
5,49 5,55
Cul es su conclusin para =5%?
24. Un fabricante modific una lnea 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 400 artculos antes de la modificacin de la lnea de produccin y otra muestra
aleatoria de 400 artculos despus de tal cambio. Los porcentajes de defectuosos en las
muestras eran:
antes: 5,25%
despus: 3,5 %
a) Qu tendr que escoger el fabricante como hiptesis alternativa, si la modificacin no

pudiera incrementar la fraccin de defectuosos? Qu escogera para la hiptesis nula?
b) Lleve a cabo la prueba utilizando = 0,05. Interprete.
25. Una muestra de 400 amas de casa seala que el 20% prefera cierta marca de detergente a
las dems. Despus de una gran campaa por radio y TV, se seleccion otra muestra de 60
amas de casa, la que dio el 22% de preferencia para la misma marca anterior. Al nivel del
10%, rechazar la hiptesis de que la campaa fue ineficaz?
26. El Sr. Prez, tiene dos grupos de alumnos el A y el B. Somete a un entrenamiento especial al A
pero no lo hace con el B. Al final del curso 108 de los 120 estudiantes del A aprobaron el curso
mientras que 68 de los 80 del B lo hicieron. Probar la hiptesis al 5% de que el entrenamiento
especial ayud a los del grupo A.

Estadstica Aplicada
TERCERA UNIDAD
1. En 12 depsitos al por menor se establecieron cuatro tipos de exhibiciones de publicidad, con

tres depsitos asignados en forma aleatoria a cada una de las exhibiciones con el propsito
de estudiar el impacto de la exhibicin en el punto de venta. Refirindose a la tabla siguiente,
pruebe la hiptesis de que no existen diferencias entre las medias de los valores de venta
para los cuatro tipos de exhibiciones, usando un nivel de significacin del 5%.
VENTAS DE ACUERDO A LA EXHIBICIN

DE PUBLICIDAD
Tipo de Ventas
Ventas
exhibicin totales
A1 40 44 43 127
A2 53 54 59 166
A3 48 38 46 132
A4 48 61 47 156
2. La tabla siguiente presenta los datos de venta para un producto de consumo en ocho
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
VENTAS SEMANALES, EN MILES DE DLARES, CON Y SIN

PUBLICIDAD Y, CON Y SIN DESCUENTO EN LOS PRECIOS
Publicidad
Descuento en Total,
los precios Con Sin Tj
Con 9,8 6,0 31,7

10,6 5,3
Sin 6,2 4,3 21,5

7,1 3,9
Total Tk 33,7 19,5 Gran total

T=53,2
3. Los modelos producidos por cuatro diseadores de automviles son evaluados por tres
peritos distintos, como se indica en la siguiente tabla. Pruebe la hiptesis de que las
clasificaciones promedio de los diseos no son diferentes, usando un nivel de significacin del
1%.
CLASIFICACIONES DE LOS DISEOS DE

AUTOMVILES
Diseador
Total,
Perito
1 2 3 4 Tj
A 87 79 83 92 127
B 83 73 85 89 166
C 91 85 90 92 132
Total Tk 261 237 258 273 Gran total

T=1029

4. Supngase que queremos comparar la accin limpiadora de tres detergente con base en las
siguientes lecturas de blancura en 15 muestras de tela blanca, que primero se mancharon con
tinta china y despus se lavaron en una mquina tipo agitador con los detergente respectivos.
Pruebe al nivel de significacin de 0.01 si las diferencias entre las medias de las lecturas de
blancura son significativas
DETERGENTE A 77 81 71 76 80
DETERGENTE B 72 58 74 66 79
DETERGENTE C 76 85 82 80 77
5. Completar la siguiente tabla de anlisis de varianza (ANVA)

VARIACION CUADRADO LIBERTAD CUATRADTICA
S
Tratamiento 2
Error 9 10
Total 120
6. Los siguientes son los nmeros de hornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compaa distribuidora de artculos domsticos
SUCURSAL ALFA 21 11 17 28
SUCURSAL BETA 27 15 18 26 17 21
SUCURSAL GAMMA 24 17 31 12 15
Realice un ANVA para probar, con un nivel de significancia de 0.05, si la hiptesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
7. Un investigador realiz un experimento para evaluar los efectos de 4 drogas diferentes sobre
los tiempos de reaccin, en seres humanos. A cuatro sujetos de cada uno de los 5 grupos de
edades que form se le asigno una de las cuatro drogas. La siguiente tabla da los tiempos de
reaccin ante determinado estmulo despus de haber sido aplicadas las drogas (los datos se
han codificado para facilitar los clculos). Despus de eliminar el efecto de la edad, puede el
investigador concluir que las drogas tienen diferentes efectos?
Grupo DROGA
edad A B C D
1 6 7 4 7
2 6 8 9 9
3 9 12 8 6
4 8 9 5 9
5 8 10 7 6
8. Un ejecutivo de marketing llev a cabo un estudio para examinar el efecto comparativo de 3

tcnicas diferentes de promocin en 4 zonas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguientes. Determinar las conclusiones a las que puede llegar usando
los resultados de la tabla ANVA y formule en forma clara las hiptesis de contraste.

VARIACION CUADRADOS LIBERTAD CUADRATICA
Entre tcnicas 7.48
promocionales
Entre zonas de 3
ventas
Error 3.90 6
Total 11.41 11

Estadstica Aplicada
CUARTA UNIDAD
1. Basado en un nuevo enfoque tecnolgico un fabricante ha desarrollado un televisor en colores,
con un tubo de 36 pulgadas. El propietario de un pequeo almacn minorista estima que al
precio de venta de $1800, los valores de probabilidad asociados con el hecho que l venda
2,3,4 5 televisores durante los tres meses que nos interesan, son 0,30, 0,40, 0,20 y 0,10
respectivamente. Con base slo en estos valores de probabilidad, Qu nmero de televisores
debera pedir el minorista para tener en inventario, suponiendo que no se pueden efectuar
nuevas rdenes durante el perodo?
2. Para la situacin de decisin de inventarios del problema (1), el margen de utilidad para cada
televisor vendido es $200. Si no se venden algunos televisores durante los tres meses, la
prdida total por aparato, para el minorista, ser de $300. Basndose slo en consecuencias
econmicas determine los mejores actos de decisin desde el punto de vista de los criterios
maximin, maximax y la pena minimax
3. Con referencia al ejercicio (1) y (2), determine el mejor acto desde el punto de vista del criterio
bayesiano y la pena esperada de oportunidad.
4. La tabla siguiente presenta los valores condicionales (retornos) asociados con cinco tipos
alternativos de decisiones de inversin para un perodo de 1 ao. Dado que las
probabilidades relacionadas con los posibles enunciados no estn disponibles, determine los
mejores actos desde el punto de vista de los criterios: maximin, maximax, pena minimax.
Decisin de inversin
Estado de la Cuenta Bonos Valores1ra Acciones Acciones
economa de corporativos clase especulativas opcionales
ahorros
E1:Recesin $600 $500 $(2500) $(5000) $(10000)
E2:Estable 600 900 800 400 (500)
E3:Expansin 600 900 4000 10000 20000
5. Un analista de inversiones estima que existe cerca de 50% de probabilidad de un "vuelco

hacia arriba" en la industria qumica durante el 1er trimestre del ao, y que las probabilidades
de que "no haya cambio" y de que se presente "un vuelco hacia abajo" sean iguales. Un
cliente est considerando invertir ya sea $10000 en un fondo mutuo que se especializa en
acciones comunes de la industria o invertir en bonos corporativos de la categora AAA que
producen 8% al ao. Si la industria qumica experimenta un vuelco hacia arriba en el 1er
trimestre, el valor de las acciones del fondo mutuo (incluyendo dividendos) aumentar en 15%
durante los prximos 12 meses. Si no hay cambio, el valor aumentar en 3%. Si se presenta
un vuelco hacia abajo, el valor disminuir en 10%. Sin considerar los costos de comisin,
construya una tabla de decisin para este problema de inversin.
6. Para el ejercicio (5) determine el mejor acto desde el punto de vista de los criterios: maximin,
maximax, pena minimax, bayesiano y pena esperada de oportunidad.
7. Un comerciante minorista compra un cierto producto en $3 la caja y lo vende a $5 la caja. El alto

margen de ganancia refleja la perecibilidad del producto, ya que despus de 5 das no tiene
valor. Basndose en la experiencia con productos similares, el minorista confa en que la
demanda por este artculo ser alrededor de entre 9 y 12 cajas. Construya una tabla de decisin
adecuada. Determine el mejor acto desde el punto de vista de los criterios: maximin, maximax,
pena minimax.
8. Tomando como base el ejercicio (7), el comerciante minorista estima que los valores de
probabilidad asociados con la venta de 9 a 12 cajas del artculo son 0,30, 0,40, 0,20 y 0,10
respectivamente. Determine los mejores actos de decisin desde el punto de vista de los
criterios: bayesiana y pena esperada de oportunidad.
9. Un inversionista est considerando colocar un depsito de $10000 para reservar la

oportunidad de concesin por 1 ao en un nuevo sector residencial. Existen 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 hay una
probabilidad de 50 a 50% que el sistema de concesin de la competencia establezca un
negocio. De esta manera, el inversionista debe decidir primero si hace el pago base de
$10000. Despus de conocer la decisin del competidor, el inversionista debe decidir si
construye o no el negocio. Si hay competencia y el mercado es grande, la ganancia neta
durante el perodo correspondiente se estima en $15000; si el mercado es moderado, habr
una prdida neta de $10000. Si no hay competencia y el mercado es grande, la ganancia
neta ser de $30000; si el mercado es moderado, habr una ganancia neta de $10000. El
inversionista estima que hay alrededor de 40% de probabilidad de que el mercado sea
grande. Usando el anlisis de rbol de decisin, determine si debe o no hacerse el depsito
inicial de $10000.
QUINTA UNIDAD
1. Se calcularon las medias y las amplitudes de 30 muestras de tamao n = 10 para un proceso
fueron x = 20.74 y R =3.49.
a) Seale una estimacin mediante la amplitud para la desviacin estndar del proceso.
b) Explique porque una desviacin estndar muestral, calculada a partir de 300
observaciones de 30 muestras, podra producir una mejor estimacin de que la
estimacin mediante el rango.
c) Utilice los datos para determinar los lmites superior e inferior de control para una grfica.
d) Cul es el propsito de un diagrama de x ?
e) Construya un diagrama de x para el proceso y explique como se puede aplicar.
2. Se calcularon las medias y las amplitudes de 40 muestras de tamao n = 5 para un proceso

fueron x = 155.9 y R = 17.2.
a) Seale una estimacin mediante la amplitud para la desviacin estndar del proceso.
b) Utilice los datos para determinar los lmites superior e inferior de control para un diagrama
de x.
c) Construya un diagrama de x para el proceso y explique cmo se puede usar.
3. Utilice la informacin del Ejercicio 1 para elaborar un diagrama de R. Cul es el propsito de

una grfica de R?
4. Utilice la informacin del Ejercicio 2 para trazar una grfica de R. Cul es el propsito de un
diagrama de R?
5. Un restaurante registra y grafica la media y la amplitud de las ganancias o prdidas diarias en

cinco mesas en grficas de x y R. Las medias de las medias y de las amplitudes para 40
semanas fueron:
x = $10 752 (dlares) y R = $6 425
a) Trace una grfica de x para la ganancia media diaria por mesa de juego
b) Qu ventajas obtendra el gerente del restaurante con la grfica de x ?
6. Trace una grfica de R para la ganancia diaria por mesa. Qu ventajas obtendra con est
grfica el gerente del restaurante?
7. El gerente del restaurante del Ejercicio 5 tambin grafic las ganancias o prdidas diarias para
cada mesa. Es esencialmente un diagrama de x para el caso particular cuando n = 1. La
ganancia media, para la mesa 1, calculada segn 40 das, fue x = $10 940 (dlares), y la
desviacin estndar de la muestra fue de $5 130.
a) Si la ganancia x para el que atiende en la mesa 1 tuviera una distribucin con media y
desviacin estndar , dentro de qu limites esperara que cayera x casi todos los
das?
Estadstica Aplicada
b) Ya que dispone de estimacin para y trace una grfica de x (n = 1) para las

ganancias diarias en la mesa 1.
c) Qu valor tendra la grfica del inciso (b) para el gerente del restaurante?
8. Una planta energtica que quema carbn, prueba y mide tres muestras de combustible
diariamente para vigilar el porcentaje de ceniza en ste. Las medias de las 30 medias y
amplitudes muestrales fueron x =7.24 y R =0.27.
a) Trace una grfica de x para el proceso y explique que ventajas puede obtener de ella el
superintendente de la planta.
b) Construya una grfica de R para el proceso. Explique que beneficios se pueden obtener
del diagrama.
9. Explique la diferencia entre los diagramas de p y de c.
10. Se seleccionaron muestras de n = 100 artculos cada hora durante 100 horas, y se calcul la
proporcin muestral de defectuosos por hora. La media de las 100 proporciones muestrales
fue de 0.035.
a) Utilice los datos para obtener los lmites superior e inferior de control para un diagrama de
p.
b) Trace una grfica de p para el proceso y explique como se puede aprovechar.
11. Se seleccionaron muestras de n = 200 artculos cada hora durante 100 horas, y se calcul la
proporcin muestral de defectuosos por hora. La media de las 100 proporciones muestrales
fue de 0.041.
a) Utilice los datos para obtener los lmites superior e inferior de control para un diagrama de
p.
b) Construya un diagrama de p para el proceso y explique como se puede utilizar.
12. Se registro el nmero de c de defectos de horarios por unidad durante 100 horas, y el nmero
medio de defectos por unidad fue igual a 0.7.
b) Use los datos para obtener los lmites superior e inferior de control para un diagrama de c.
c) Construya un diagrama de c y explique como se puede utilizar.
14. Se registro el nmero de c de defectos de horarios por unidad durante 200 horas, y el nmero
medio de defectos por unidad fue igual a 1.3.
b) Utilice los datos para obtener los lmites superior e inferior de control para un diagrama de
c.
c) Construya tal grfica y explique como se puede emplear.
15. Un fabricante de remaches de latn muestra 400 piezas cada hora y calcula la proporcin de
defectuosos en la muestra. La proporcin muestral media, calculada para 200 muestras fue
igual a 0.021. Trace una grfica de control para la proporcin de defectuosos en muestras de
400 remaches. Explique que ventajas puede lograr el administrador con la grfica de control.
16. Un director de personal localiza el nmero de accidentes personales en la planta por mes en
una grfica de control. En un periodo de 30 meses, el promedio del nmero de accidentes por
mes fue de 3.7. Elabore un diagrama de control y explique como se podr utilizar.
17. Una compaa registra y localiza en una grfica de control el nmero de quejas de control el
nmero de quejas de clientes recibidas semanalmente. El promedio del nmero de quejas
recopiladas durante 52 semanas, fue de 4.9 quejas semanales. Trace una grfica de control
para el nmero de quejas de clientes por semana. Diga que valor representa la grfica de
control para un administrador o gerente.
18. El director de una compaa de materiales para la construccin muestra al azar madera nueva
a fin de comprobar si satisface las especificaciones de calidad. Se examinan 100 piezas de
madera, de 2 x 4 pulgadas, de cada cargamento y se juzga segn si son de primera clase
(aceptables) o de segunda (defectuoso). Las proporciones de las piezas 2 x 4 de segunda

clase, registradas para 30 cargamentos fueron:
0.14, 0.21, 0.19, 0.18, 0.23, 0.20, 0.25, 0.19, 0.22, 0.17, 0.21, 0.15, 0.23, 0.12, 0.19, 0.22,
0.15, 0.26, 0.22, 0.21, 0.14, 0.20, 0.18, 0.22, 0.21, 0.13, 0.20, 0.23, 0.19, 0.26.
Construya una grfica de control para la proporcin de piezas de segunda clase en muestras de
100 de los envos. Diga que utilidad puede tener el diagrama de control para el gerente de la
compaa.
SEXTA UNIDAD
1. El gerente de personal de una empresa considera que puede haber una relacin entre el
ausentismo y la edad, y querra usar la edad de un empleado para predecir el nmero de das
de ausencia durante un ao de calendario. Se selecciona una muestra aleatoria de 10
empleados, con los resultados presentados en la tabla siguiente:
Edad 27 61 37 23 46 58 29 36 64 40
(aos)
Das 15 6 10 18 9 7 14 11 5 8
ausente
a) Grafique el diagrama de dispersin

b) Determine la lnea de regresin y sobre x
c) Cuntos das predecira usted que va a estar ausente un empleado de 30 aos de edad?
d) Calcule el error estndar de la estimacin
e) Calcule el coeficiente de correlacin e interprete su significado
2. Los datos que se presentan en la tabla adjunta, 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 3 5 6 7 7
Gasto 2 3 4 6 5
a) Graficar la nube de puntos o diagrama de dispersin

b) Ajustar dicha informacin a una regresin lineal de Y sobre X
c) Hallar el error estndar de estimacin
d) Hallar el coeficiente de correlacin e interprete
e) Si la familia tiene un ingreso de 10 cul ser su gasto en alimentos?
3. Un funcionario de un hipdromo querra pronosticar la cantidad de dinero apostado (en miles

de dlares) con base en la asistencia de pblico. Se selecciona una muestra aleatoria de 10
das y los resultados se presentaron en la tabla siguiente:
Dia 1 2 3 4 5 6 7 8 9 10
Asistencia (miles) 14.5 21.2 11.6 31.7 46.8 31.4 40.0 21.0 16.3 32.1
Cantidad apostada 0.70 0.83 0.62 1.10 1.27 1.02 1.15 0.80 0.71 1.04
(miles dolares)
a) Constryase una nube de puntos o diagrama de dispersin y trcese la recta de regresin.

b) Verifique que la regresin de la muestra es y= 0.422+0.019x
c) Calcular el coeficiente de correlacin e interprete
d) Prediga la cantidad apostada en un da en que hay una asistencia de 20 000 personas
4. En la siguiente tabla se tiene los datos de las variables edad y el tiempo de servicios de los
trabajadores, para el efecto se consider una muestra de 15 trabajadores de una empresa.
Edad 48 40 30 39 46 42 27 36 34 46 32 42 40 32 27
Tiempo de
servicios 24 18 9 14 22 22 4 13 10 20 12 18 16 8 6
a) Constryase un diagrama de puntos para los datos y trcese la recta de regresin.

b) Determnese la ecuacin de la recta de regresin Y sobre X
c) Calcular el error estndar de estimacin.
Estadstica Aplicada
5. Se realiz un experimento en un supermercado para observar la relacin entre la cantidad de

espacio para exhibicin asignado a una marca de caf, y sus ventas semanales. Se distribuy
la cantidad de espacio disponible para exhibicin de 3, 6 y 9 pies cuadrados, respectivamente,
de manera aleatoria durante 12 semanas; el espacio asignado a las otras marcas se mantuvo
constante en 3 pies cuadrados para cada una.
Ventas 526 421 581 630 412 560 434 443 590
570 346 672
Espacio 6 3 6 9 3 9 6 3 9
6 3 9
a) Obtenga la recta de mnimos cuadrados apropiados para los datos

b) Calcule e interprete r.
c) Encuentre un intervalo de confianza de 90% para las ventas semanales, dado que se
asignan 6 pies cuadrados para la exhibicin.
6. Los valores de X e Y son los siguientes:
X 2 3 4 5 6
Y 1 2 3 3 6
a) Calcular el coeficiente de correlacin

b) Multiplicar por 2 los valores de X y por 3 los valores de Y, y calcular seguidamente el
coeficiente de correlacin correspondiente a estas dos nuevas series
c) Comente los resultados
7. Un Estadstico de una fbrica de automviles querra desarrollar un modelo estadstico para

predecir el tiempo de entrega (el nmero de das entre la fecha del pedido y la fecha de
entrega del automvil) de automviles nuevos ordenados con mucho equipo opcional. El
estadstico cree que hay una relacin lineal entre el nmero de opciones pedidas y el tiempo
de entrega. Se selecciona una muestra aleatoria de 16 automviles con los resultados
presentados en la tabla siguiente:
Nm. 3 4 4 7 7 8 9 11 12 12 14 16 17 20 23
opcio. 25
orden.
Tiempo 25 32 26 38 34 41 39 46 44 51 53 58 61 64
de 66 70
entrega
a) Grafique el diagrama de dispersin

b) Utilice el mtodo de mnimos cuadrados para encontrar los coeficientes de regresin a y b
c) Si se orden un automvil que tuviera 16 opciones, cuntos das predecira usted que se
tardaran para la entrega?
d) Calcule el error estndar de la estimacin.
e) Calcule el coeficiente de correlacin e interprete su significado
9. Se tiene un registro de los costos de mantenimiento para seis mquinas idnticas de distintas
edades. Por parte de la gerencia se desea determinar si existe una relacin funcional entre la
edad de la mquina (X) y el costo de mantenimiento (Y). Se obtienen los siguientes datos.
Maquina 1 2 3 4 5 6
X 2 1 3 2 1 3
Y $70 40 100 80 30 100
Obtngase la ecuacin de regresin con X como variable independiente y Y como variable

dependiente. Cul sera el costo de mantenimiento para una mquina de cuatro aos?
10. Por parte de una compaa publicitaria se desea determinar si el nmero de comerciales de
televisin (X) est relacionado con el nmero de ventas (Y) de cierto producto. Se obtienen los
siguientes datos:

X 9 11 14 4 6 6 5 16 8 1 13
15
Y 29 67 49 12 10 24 10 58 28 10 77
94
a) Trcese un diagrama de dispersin para los datos
b) Determnese la regresin de Y sobre X
c) Obtngase el coeficiente de regresin r
11. En una compaa de seguros se desea determinar la relacin entre los aos de experiencia en
ventas de sus vendedores y su volumen de ventas. Se selecciona una muestra aleatoria de
nueve vendedores y se encuentra que sus aos de experiencia (X) y ventas anuales (Y) son
los siguientes:
X 1 2 3 4 5 6 7
8 9
Y ($ 100 2 1 3 3 4 5 6
000) 5 7
a) Constryase un diagrama de dispersin y trcese la recta de regresin de Y sobre X en el
diagrama.
b) Estmese el volumen de ventas anuales para un vendedor que tiene una experiencia en
ventas de diez aos.
c) Hallar el error estndar de estimacin
d) Determnese el coeficiente de regresin r.
SEPTIMA UNIDAD
1. Determinar una aplicacin de la prediccin con el modelo de series temporales en el campo

de su especializacin. Sealar las caractersticas que hacen que esta aplicacin sea
apropiada y til.
2. Determinar una aplicacin de la prediccin en el campo de su especializacin y en la cual sea

preferible utilizar variables auxiliares. Identificar estas variables.
3. El gerente de una tienda local de mediana importancia, dispone de un conjunto de

estacionales mensuales de las ventas. Si se dividen las ventas mensuales por estas
estacionales, se obtienen ventas mensuales ajustadas estacionalmente. Qu utilidad
podran tener estas cifras ajustadas?
4. Se trata de predecir las construcciones mensuales, completadas en un Estado en los dos

aos venideros. Se necesitan estas estimaciones para predecir los recaudos por impuestos
prediales para el presupuesto del Estado. Se recolectan las cifras mensuales de los cinco
aos pasados:
5.
Mes 19X3 19X4 19X5 19X6 19X7

Enero 131 148 111 146 166
Febrero 119 134 119 133 120
Marzo 124 158 126 136 139
Abril 175 211 171 169 170
Mayo 229 256 247 218 255
Junio 275 315 276 287 309
Julio 293 329 300 281 322
Agosto 313 321 322 326 350
Septiembre 321 328 322 343 354
Octubre 318 295 279 326 400
Noviembre 323 234 225 302 295
Diciembre 199 205 235 245 248
Deber procederse como sigue:

a. Estmese la componente de tendencia T utilizando los datos anuales de los cinco aos.

Estadstica Aplicada
b. Estmese la componente estacional S empleando los datos sin modificar. (Utilizar un

promedio mvil de cinco puntos).
c. Estmese la componente irregular I suavizando los datos ajustados estacionalmente.
d. Elaborar la prediccin que se pide. (Emplear C = 1.0)
6. Una sociedad de construccin ha recibido un contrato del gobierno para construir varias
pequeas estaciones militares de observaciones en Alaska. El equipo que se enviar al
terreno estar aproximadamente un ao all. Cualquier adicin o sustraccin a este equipo
ser costosa y puede ser la diferencia el xito financiero y el fracaso del contrato. Para
determinar el nmero de empleados disponibles para el proyecto, los directivos deben
predecir la fuerza laboral que se necesita para la construccin en los Estados Unidos
continentales ese ao.
La componente de tendencia de este problema ha sido estimada as:

T = 400 + 3t
Siendo: T = nmero de empleados necesario.

t = nmero de meses.
t = O representa diciembre de 19X5
Estas son las componentes estacionales para cada mes:

Mes ndice Mes ndice Mes ndice
Enero 0.870 Mayo 1.017 Septiembre 1.013
Febrero 0.833 Junio 0.895 Octubre 1.059
Marzo 1.004 Julio 0.859 Noviembre 1.118
Abril 1.006 Agosto 0.998 Diciembre 1.267
La construccin en Alaska empezar en abril de 19X7. Supngase que no hay influencia

cclica y que toda variacin aleatoria de la necesidad de mano de obra se puede compensar
con ayuda-temporal. Predecir las necesidades de mano de obra para los 12 meses de
construccin en Alaska.
7. En mayo de este ao, el nuevo director de comercializacin de Hudson Foods utiliz

publicidad en televisin para anunciar los postres congelados de la firma por primera vez y las
ventas alcanzaron un nivel sin precedentes. Los postres congelados se haban introducidos
hace 3 aos y medio pero las ventas nunca llegaron tal alto. El nuevo director de
comercializacin escribi al director en su memo: Me gustara seguir con la campaa de
televisin y ampliarla. Pero el director sospecha que las ventas tan extraordinarias pueden
atribuirse a influencias de tendencia y estacional y a variacin aleatoria. La historia de ventas
de los postres congelados es como sigue:
Segundo
Mes
Primer ao ao Tercer ao Cuarto ao
Enero 341 488 638 789
Febrero 338 480 621 765
Marzo 448 633 817 987
Abril 479 349 853 998
Mayo 512 706 905 1107
Junio 577 791 994
Julio 599 812 999
Agosto 576 776 978
Septiembre 546 738 920
Octubre 511 679 846
Noviembre 496 655 809
Diciembre 536 701 867
Suponiendo que la componente cclica no tenga influencia (es decir, que C = 1.0) hacer una
recomendacin al director en cuanto a la solicitud de su director de comercializacin para
seguir con la publicidad en televisin.

8. Para competir en el negocio de mobiliarios, es necesario mantener un inventario

relativamente grande. Por consiguiente, los costos de llevar inventario son considerables. Si
una firma puede reducir estos costos de alguna manera, puede tener una ventaja competitiva.
Una manera de poder hacer es predecir mejor las ventas. El gerente general de B y D est
interesado en tener un mtodo de prediccin de las ventas de mobiliarios en su zona. Parece
lgico que las ventas estn relacionadas con el nmero de nuevas casas, construidas en la
zona cada mes. Se sabe que se necesitan unos tres meses para completar una casa, as que
se espera que las ventas estn estrechamente relacionadas con las viviendas, iniciadas hace
tres meses. Una verificacin de los registros de la compaa y de las estadsticas de
construccin revela los datos que se muestran en seguida. Las viviendas iniciadas se indican
con tres meses de anticipacin. Esto es, la construccin indicada para junio es marzo, etc.
Pueden utilizarse estos datos para construir un modelo de prediccin til? Explicar.
Viviendas Viviendas Viviendas

Mes Ventas Iniciadas Ventas Iniciadas Ventas Iniciadas
Enero 12 12 10 9 6 5
Febrero 17 15 18 16 10 8
Marzo 22 16 19 16 11 8
Abril 26 20 24 21 21 16
Mayo 29 22 28 23 22 17
Junio 34 28 33 29 25 19
Julio 41 30 43 32 28 22
Agosto 16 16 25 19 26 20
Septiembre 15 14 18 16 19 15
Octubre 12 12 14 13 16 12
Noviembre 8 6 9 8 8 6
Diciembre 19 6 22 7 18 5
9. La tabla siguiente muestra los precios medios al por mayor de los Arroz en el Per durante
1988-1995. Hallar la relacin de precios (a) para 1994 con 1988 como base, (b) para 1995 con
1990 como base.
Precio medio del arroz

Ao
(S/. por kg)
1988 0,20
1989 0,30
1990 0,80
1991 0,85
1992 0,90
1993 0,92
1994 1,00
1995 1,30
10. La tabla siguiente muestra las relaciones de precios de un artculo con 1987-1989 = 100.
Determinar las relaciones de precios con (a) 1990 = 100 y (b) 1993-1994 = 100.
Relacin de Precios
Ao
(1987-1989) = 100
1990 127
1991 134
1992 118
1993 125
1994 137
1995 141
11. En 1990 el precio medio de un producto decreci un 25% de su valor en 1986, pero creci un
50% de su valor en 1982. Hallar la relacin de precios para (a) 1986 y (b) 1990 con 1982
como base.
12. La tabla siguiente muestra la energa elctrica, en miles de millones de kilovatios-hora (Kwh)
de consumo domstico, durante los aos 1975-1986. Reducir los datos a relaciones de
cantidad con (a) 1991 y (b) 1985-1988 como base.

Estadstica Aplicada
Energa elctrica
Ao
(miles de millones de kwh)
1985 1,918
1986 2,038
1987 2,124
1988 2,206
1989 2,247
1990 2,286
1991 2,295
1992 2,241
1993 2,310
1994 2,416
1995 2,470
1996 2,512
13. En 1992 la produccin de un mineral creci un 40% sobre la de 1991. En 1993 la produccin
estaba un 20% por debajo de la de 1992, pero un 16% por encima de la de 1994. Hallar las
relaciones de precios para los aos 1991-1994 como base.
14. La tabla siguiente muestra las relaciones de valor y de precios de un artculo en los aos
1990-1994. Con los precios indicados como base. Hallar las relaciones de cantidad para ese
artculo con (a) 1990 y (b) 1990-1992 como base. Interpretar los resultados.
Ao Relacin de Precios Relacin de valor

(1990 = 100) (1981-1983=100)
1990 100 150
1991 125 180
1992 150 207
1993 175 231
1994 200 252
15. Las relaciones de enlace para el consumo de un producto en los aos 1992-1995 fueron 90,
120, 125 y 80 respectivamente.
(a) Hallar la relacin de precios para 1993 con 1995 como base.
(b) Encadenar las relaciones de enlace a una base 1994
(c) Encadenar las relaciones de enlace a una base 1992-1993.
16. La tabla siguiente muestra los precios y cantidades de consumo en EE.UU. de varios metales
para los aos 1985 y 1994. Tomando 1985 como base, calcular el ndice de precios para el ao
1994 por los mtodos:
(a) agregacin simple (b) promedio simple (media)
(c) mediana (d) media geomtrica
(e) media armnica (f) Laspeyres
(g) Paasche (h) Ideal de Fisher
(i) Marshall-Edgeworth
(j) Promedio ponderado para relaciones usando como pesos
valores del ao dado.
Precio Cantidad
Metales (centavos por libra) (millones de libras)
1985 1994 1985 1994
Cobre 64,2 66,8 3440 2406
Plomo 21,5 25,6 1144 710
Estao 339,8 623,8 49,4 42,8
Zinc 39,0 48,6 1068 558

17. La tabla siguiente muestra los ndices de precios de un determinado producto en los aos
1983-1993 con base 1977. Hallar el ndice de precios con (a) 1983 y (b) 1986-1988 como
base.
Ao ndice de precio del producto

(1977 = 100)
1983 134,7
1984 160,1
1985 174,9
1986 183,0
1987 194,2
1988 209,3
1989 235,6
1990 268,8
1991 293,4
1992 299,3
1993 303,1

Estadstica Aplicada
BIBLIOGRAFA
BERENSON y LEVINE. 1996. Estadstica Bsica en Administracin. Editorial Prentice Hall.
Mxico.
BOX G. 1993. Estadstica para Investigadores. Editorial Reverte. Mxico.
CORDOVA ZAMORA M. Estadstica Descriptiva e Inferencial. Aplicaciones. Quinta Edicin. Lima.
HERNANDEZ R FERNANDEZ C y BAPTISTA P. 1998. Metodologa de la Investigacin. Editorial

McGraw Hill. Primera Edicin. Colombia.
Kasmier L. 1982. Estadstica aplicada a la Administracin y a la Economa. Editorial McGraw-Hill.

Mxico.
MARTINEZ C. 1995. Estadstica. Editorial Presencia. Santa Fe de Bogota, Colombia.
MENDENHALL W. 1998 Estadstica para Administradores. Grupo Editorial Iberoamericano.

Mxico.
MITACC MEZA, Mximo. s/f. Tpicos de Estadstica y probabilidad. Editorial San Marcos. Lima,
Per.
MOYA R y SARAVIA A. 1998. Probabilidad e Inferencia Estadstica. Editorial San Marcos.

Segunda Edicin. Lima, Per.
OSTLE B. 1994. Estadstica Aplicada. Editorial Limusa. Mxico.
SCHNEIDER K. y RANDAL C. 1982. Mtodos cuantitativos en Administracin. Editorial Limusa.

Mxico.
STEVENSON J. 1995. Estadstica para Administracin y Economa. Editorial Harla. Mxico.
WAYNE D. 1991. Estadstica con aplicaciones a las ciencias sociales y a la educacin. Edit.
McGraw-Hill. Mxico.
WONNACOTT. 1991. Estadstica Bsica Prctica. Editorial Limusa. Mxico.

APNDICE N 1
NMEROS ALEATORIOS
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

Estadstica Aplicada
NMEROS ALEATORIOS
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

NMEROS ALEATORIOS
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

Estadstica Aplicada
NMEROS ALEATORIOS
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

APNDICE N 2
TABLA DE LA DISTRIBUCIN ACUMULADA BINOMIAL
x
n k
P X x C kn p k 1 p
k 0
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

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
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

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

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
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

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

Estadstica Aplicada
APNDICE N 3
DISTRIBUCIN DE POISSON - TRMINOS ACUMULATIVOS

x x
e
PX x
x 0 x!
x 0 1 2 3 4 5 6 7 8 9 10
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

DISTRIBUCIN DE POISSON - Trminos Acumulativos

x x
e
P X x
x 0 x!
x 0 1 2 3 4 5 6 7 8 9 10
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
x 0 1 2 3 4 5 6 7 8 9 10
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

Estadstica Aplicada
DISTRIBUCIN DE POISSON - Trminos Acumulativos

x x
e
P X x
x 0 x!
x 11 12 13 14 15
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
x 0 1 2 3 4 5 6 7 8 9 10
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
x 11 12 13 14 15 16 17 18
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

x x
e
DISTRIBUCIN DE POISSON - Trminos Acumulativos PX x
x 0 x!
x 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
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
x 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
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
x x
e
DISTRIBUCIN DE POISSON - Trminos Acumulativos PX x
x 0 x!
x 6 7 8 9 10 11 12 13 14 15 16 17
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 18 19 20 21 22 23 24 25 26 27 28 29
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
x 30 31 32 33 34 35 36 37 38 39 40 41 42
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

Estadstica Aplicada
APNDICE N 4
DISTRIBUCIN ACUMULATIVA NORMAL

z2
z 1 2
F z e dz
2
z F(z) z F(z) Z F(z)

-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


z2
z 1 2
F z e dz
2
z F(z) z F(z) z F(z)

-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

Estadstica Aplicada

z2
z 1 2
F z e dz
2

-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


z2
z 1 2
F z e dz
2

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

Estadstica Aplicada

z2
z 1 2
F z e dz
2
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


z2
z 1 2
F z e dz
2

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

Estadstica Aplicada
APNDICE N 5
DISTRIBUCIN ACUMULATIVA t
p
n
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

APNDICE N 6
DISTRIBUCIN ACUMULATIVA
0 Ji -CUADRADA
2
x (n )
p
n
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
0.06393 = 0.393 x 10-6 = 0.000000393

Estadstica Aplicada
Ji -CUADRADA
0 2
x (n )
p
n
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

Ji -CUADRADA
0 2
x (n )
p
n
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

Estadstica Aplicada
Ji -CUADRADA
0 2
x (n )
p
N
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

APNDICE N 7
DISTRIBUCIN ACUMULATIVA F
F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
1 .0005 .06 62 .03 50 .02 38 .02 94 .016 .022 .027 .032 .036 .039 .042 .045
.001 .05 25 .02 10 .02 60 .013 .021 .028 .034 .039 0.44 0.48 .051 .054
.005 .04 62 .02 51 .018 .032 .044 .054 .062 .068 .073 .078 0.82 .085
.010 .03 25 .010 .029 .047 .062 .073 .082 .039 .095 .100 .104 .107
.025 .02 15 .026 .057 .082 .100 .113 .124 .132 .139 .144 .149 .153
.05 .02 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 4051 5001 5401 5621 5761 5861 5931 5981 6021 6061 6081 6111
.995 1622 2002 2162 2252 2312 2342 2372 2392 2412 2422 2432 2442
.999 4063 5003 5403 5623 5763 5863 5933 5983 6023 6063 6093 6113
.9995 1624 2004 2164 2254 2314 2344 2374 2394 2414 2424 2434 2444
2 .0005 .06 50 .03 50 .02 42 .011 .020 .029 .037 .044 .050 .056 .061 .065
.001 .05 20 .02 10 .02 68 .016 .027 .037 .046 .054 .061 .068 .072 .077
.005 .04 50 .02 50 .020 .038 .055 .069 .081 .091 .099 .106 .112 .118
.010 .03 20 .010 .032 .056 .075 .092 .105 .116 .125 .132 .139 .144
.025 .02 15 .026 .062 0.94 .119 .138 .153 .165 .175 .183 .190 .196
.05 .02 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 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001
3 .0005 .06 46 .03 50 .02 44 .012 .023 .033 .043 .052 .060 .067 .074 .079
.001 .05 19 .02 10 .02 71 .018 .030 .042 .053 .063 .072 .079 .086 .093
.005 .04 46 .0250 .021 0.41 .060 .077 .092 .104 .115 .124 .132 .138
.010 .03 19 .010 .034 .060 .083 .102 .118 .132 .143 .153 .161 .168
.025 .02 12 .026 .065 .100 .129 .152 .170 .185 .197 .207 .216 .224
.05 .02 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
.0662 = 0.62 x 10-6 = 0.00000062

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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 6461 6211 6231 6261 6291 6301 6311 6331 6341 6351 6361 6371
.995 2462 2482 2492 2502 2512 2522 2532 2532 2542 2542 2542 2552
.999 6163 6213 6233 6263 6293 6303 6313 6333 6343 6353 6363 6373
.9995 2464 2484 2494 2504 2514 2524 2524 2534 2534 2534 2544 2544
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 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
4 .0005 .06 44 .03 50 .02 46 .013 .024 .036 .047 .057 .057 .075 .082 .089
.001 .05 18 .02 10 .02 73 .019 .032 .046 .058 .069 .069 .089 .097 .104
.005 .04 44 .02 50 .022 .043 .064 .083 .100 .114 .114 .137 .145 .153
.01 .03 18 .010 .035 .063 .088 .109 .127 .143 .143 .167 .176 .185
.025 .02 11 .026 .066 .104 .135 .161 .181 .198 .198 .224 .234 .243
.05 .02 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 .06 43 .03 50 .02 47 .014 .025 .038 .050 .061 .070 .031 .089 .096
.001 .05 17 .02 10 .02 75 .019 .034 .048 .062 .074 .085 .095 .104 .112
.005 .04 43 .02 50 .022 0.45 0.67 0.87 .105 .120 .134 .146 .156 .165
.01 .03 17 .010 .035 .064 .091 .114 .134 .151 .165 .177 .188 .197
.025 .02 11 .025 .067 .107 .140 .167 .189 .208 .223 .236 .248 .257
.05 .02 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 .06 43 .03 50 .02 47 .014 .026 .039 .052 .064 .075 .085 .094 .103
.001 .05 17 .02 10 .02 75 .020 .035 .050 .064 .078 .090 .101 .111 .119
.005 .04 43 .02 50 .022 .045 .069 .090 .109 .126 .140 .153 .164 .174
.01 .03 17 .010 .036 .066 .094 .118 .139 .157 .172 .186 .197 207
.025 .02 11 .025 .068 .109 .143 .172 .195 .215 .231 .246 .258 .268
.05 .02 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
0644 = 0.44 x 10-6 = 0.00000044

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
7 .0005 .06 42 .03 50 .02 48 .014 .027 .040 .053 .066 .078 .088 .099 .108
.001 .05 17 .02 10 .02 76 .020 .035 .051 .067 .081 .093 .105 .115 .125
.005 .04 42 .02 50 .023 .046 .070 .093 .113 .130 .145 .159 .171 .181
.01 .03 17 .010 .036 .067 .096 .121 .143 .62 .178 .192 .205 .216
.025 .02 10 .025 .068 .110 .146 .176 .200 .221 .258 .253 .266 .277
.05 .02 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 .06 42 .03 50 .02 48 .014 .027 .041 .055 .068 .081 .092 .102 .112
.001 .05 17 .02 10 .02 76 .020 .036 .053 .068 .083 .096 .0109 .120 .130
.005 .04 42 .02 50 .027 .047 .072 .095 .115 .133 .149 .164 .176 .187
.01 .03 17 .010 .036 .068 .097 .123 .146 .166 .183 .1998 .211 .222
.025 .02 10 .025 .069 .111 .148 .179 .204 .226 .244 .259 .273 .285
.05 .02 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 .06 41 .03 50 .02 48 .015 .027 .042 .056 .070 .083 .094 .105 .115
.001 .05 17 .02 10 .02 77 .021 .037 .054 .070 .085 .099 .112 .123 .134
.005 .04 42 .02 50 .023 .047 .073 .096 .117 .136 .153 .168 .181 .192
.01 .03 17 .010 .037 .068 .098 .125 .149 .169 .187 .202 .216 .228
.025 .02 10 .025 .069 .112 .150 .181 .207 .230 .248 .265 .269 .291
.05 .02 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
.0642 = 0.42 x 10-6 = 0.00000042

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
10 .0005 .06 41 .03 50 .02 49 .015 .028 .043 .057 .071 .085 .097 .108 .119
.001 .05 17 .02 10 .02 77 .021 .037 .054 .071 .087 .101 .114 .126 .137
.005 .04 41 .02 50 .023 .048 .073 .098 .119 .139 .156 .171 .185 .197
.01 .03 17 .010 .037 .069 .100 .127 .151 .172 .190 .206 .220 .233
.025 .02 10 .025 .069 .113 .151 .183 .210 .233 .252 .269 .283 .296
.05 .02 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 .06 41 .03 50 .02 49 .015 .028 .043 .058 .072 .086 .099 .111 .121
.001 .05 16 .02 10 .02 78 .021 .038 .055 .072 .088 .103 .116 .129 .140
.005 .04 40 .02 50 .023 .048 .074 .099 .121 .141 .158 .174 .188 .200
.01 .03 16 .010 .057 .069 .100 .128 .153 .175 .193 .210 .224 .237
.025 .02 10 .025 .069 .117 .152 .185 .212 .236 .256 .273 .288 .301
.05 .02 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 .06 41 .03 50 .02 49 .015 .028 .044 .058 .073 .087 .101 .113 .124
.001 .05 16 .02 10 .02 78 .021 .038 .056 .073 .089 .104 .118 .131 .143
.005 .04 39 .02 50 .023 .048 .075 .100 .122 .143 .161 .177 .191 .204
.01 .03 16 .010 .037 .070 .101 .130 .155 .176 .196 .212 .227 .241
.025 .02 10 .025 .070 .117 .153 .186 .214 .238 .259 .276 .292 .305
.05 .02 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
.0641 = 0.41 x 10-6 = 0.00000041

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
15 .0005 .06 41 .03 50 .02 49 .015 .029 .045 .061 .076 .091 .105 .117 .129
.001 .05 16 .02 10 .02 79 .021 .039 .057 .075 .092 .108 .123 .137 .149
.005 .04 39 .02 50 .023 .049 .076 .102 .125 .147 .166 .183 .198 .212
.01 .03 16 .010 .037 .070 .103 .132 .158 .181 .202 .219 .235 .249
.025 .02 10 .025 .070 .116 .156 .190 .219 .244 .265 .284 .300 .315
.05 .02 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 .06 40 .03 50 .02 50 .015 .029 .046 .063 .079 .094 .109 .123 .136
.001 .05 16 .02 10 .02 79 .022 .039 .058 .077 .095 .112 .128 .143 .156
.005 .04 39 .02 50 .023 .050 .077 .104 .129 .151 .171 .190 .206 .221
.01 .03 16 .010 .037 .071 .105 .135 .162 .187 .208 .227 .244 .259
.025 .02 10 .025 .071 .117 .158 .193 .224 .250 .273 .292 .310 .325
.05 .02 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 .06 40 .03 50 .02 50 .015 .030 .046 .064 .080 .096 .112 .126 .139
.001 .05 16 .02 10 .02 79 .022 .040 .059 .079 .097 .115 .131 .146 .160
.005 .04 40 .02 50 .023 .050 .078 .106 .131 .154 .175 .193 .210 .226
.01 .03 16 .010 .038 .072 .106 .136 .165 .189 .211 .231 .249 .264
.025 .02 10 .025 .071 .117 .159 .195 .227 .253 .277 .297 .315 .331
.05 .02 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
.0641 = 0.41 x 10-6 = 0.00000041

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
30 .0005 .06 40 .03 50 .02 50 .015 .030 .047 .065 .082 .098 .114 .129 .143
.001 .05 16 .02 10 .02 80 .022 .040 .060 .080 .099 .117 .134 .150 .164
.005 .04 40 .02 50 .024 .050 .079 .107 .133 .156 .178 .197 .215 .231
.01 .03 16 .010 .038 .072 .107 .138 .167 .192 .215 .235 .254 .270
.025 .0210 .025 .071 .118 .161 .197 .229 .257 .281 .302 .321 .337
.05 .0240 .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 .06 40 .03 50 .02 50 .016 .030 .048 .066 .084 .100 .117 .132 .147
.001 .05 16 .02 10 .02 80 .022 .042 .061 .81 .101 .119 .137 .153 .169
.005 .04 10 .02 50 .024 .051 .080 .108 .135 .159 .181 .201 .220 .237
.01 .03 16 .010 .038 .073 .108 .140 .169 .195 .219 .240 .259 .276
.025 .02 99 .025 .071 .119 .162 .199 .232 .260 .285 .307 .327 .344
.05 .02 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 .06 40 .03 50 .02 51 .016 .031 .048 .067 .085 .103 .120 .136 .152
.001 .05 16 .02 10 .02 80 .022 .041 .062 .083 .103 .122 .140 .157 .174
.005 .04 40 .02 50 .024 .051 .081 .110 .137 .162 .185 .206 .225 .243
.01 .03 16 .010 .038 .073 .109 .142 .172 1.99 .233 .245 .265 .283
.025 .02 99 .025 .071 .120 .163 .202 .235 .264 .290 .313 .333 .351
.05 .02 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
.0640 = 0.40 x 10-6 = 0.00000040

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
120 .0005 .06 40 .03 50 .02 51 .016 .031 .049 .067 .087 .105 .123 .140 .156
.001 .05 16 .02 10 .02 81 .023 .042 .063 .084 .105 .125 .144 .162 .179
.005 .04 39 .02 50 .024 .051 .081 .111 .139 .165 .189 .211 .230 .249
.01 .03 16 .010 .038 .074 .110 .143 .174 .202 .227 .250 .271 .290
.025 .02 99 .025 .072 .120 .165 .204 .238 .268 .295 .318 .340 .359
.05 .02 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 .06 39 .03 50 .02 51 .016 .032 .050 .069 .088 .108 .127 .144 .161
.001 .05 16 .02 10 .02 81 .023 .042 .063 .85 .107 .128 .148 .167 .185
.005 .04 39 .02 50 .024 .052 .082 .113 .141 .168 .193 .213 .236 .256
.01 .03 16 .010 .038 .074 .111 .145 .177 .206 .232 .256 .278 .298
.025 .02 98 .025 .072 .121 .166 .206 .241 .272 .300 .325 .347 .367
.05 .02 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
.0640 = 0.40 x 10-6 = 0.00000040

Estadstica Aplicada
F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
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

APNDICE N 8
Tabla: Factores para calcular la lnea central y limites de control tres sigmas
Grficos x Grficos S Grficos R

Observaciones
en la muestra, Factores para Lmites de Factores para la Factores para la
Factores para Lmites de Control Factores para Lmite de Control
n Control Lnea Central Lnea Central
A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
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

Estadistica Aplicada

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica Aplicada

Uploaded by

Copyright:

Available Formats

Estadstica Aplicada

B. Desarrollo del contenido, sus procedimientos y modalidad

El contenido programtico de la unidad referida es el siguiente:

2. Modalidad y procedimiento de desarrollo de la unidad

Durante la fase a distancia

Durante la fase presencial/tutorial

PROESAD 13 Programa de Educacin Superior a Distancia

La inferencia estadstica comprende dos tipos principales de tcnicas: Estimacin de parmetros y

1.2. ESTIMACIN DE PARMETROS

La estimacin puede asumir 2 formas:

1.2.1. Estimacin puntual

Las estimaciones puntuales ms usuales son:

(A) Estimacin Puntual para la media poblacional.

Se halla mediante las siguientes frmulas.

Se halla mediante las siguientes frmulas.

PROESAD 14 Programa de Educacin Superior a Distancia

(C) Estimacin de parmetros de dos poblaciones

La estimacin de parmetros de dos poblaciones se pueden realizar mediante:

a) La comparacin de sus medias, luego:

b) La comparacin de sus varianzas, luego:

(D) Estimacin puntual de una poblacin de variable cualitativa

Sea X una variable cualitativa con:

(E) Estimacin puntual de dos poblaciones de variables cualitativas

Sea X1 la variable aleatoria de una poblacin cualitativa con P x1 proporcin de aciertos en X1

1.2.2. Estimacin por intervalos

En general el intervalo de confianza para el parmetro se expresa:

PROESAD 15 Programa de Educacin Superior a Distancia

Los intervalos de confianza ms usuales son:

(A) Intervalo de confianza para la media poblacional ( )

Para determinar el intervalo de confianza para la media poblacional se debe tomar en

- Cuando se conoce la varianza de la poblacin y/o el tamao de muestra n 30.

- Cuando no se conoce la varianza de la poblacin y el tamao de muestra n < 30.

(B) Intervalo de confianza para la diferencia de medias poblacionales

Se presentan los siguientes casos:

se presentan dos casos:

PROESAD 16 Programa de Educacin Superior a Distancia

(C) Intervalo de confianza para la proporcin poblacional

Se presentan los siguientes casos:

- Cuando el tamao de muestra es grande (n 30)

- Cuando el tamao de muestra es pequeo (n < 30)

(D) Intervalo de confianza para la diferencia de proporciones poblacionales

Se pueden presentan los siguientes casos:

- Si, n1 y n2 son muestras grandes (n1 + n2 - 2 30)

- Si, n1 y n2 son muestras pequeas (n1 + n2 - 2 30)

PROESAD 17 Programa de Educacin Superior a Distancia

b) Estimacin por intervalo:

Los estudiantes que se matricularon en un curso de investigacin educativa fueron distribuidos al

PROESAD 19 Programa de Educacin Superior a Distancia

Como n1 + n2 2 < 30 entonces t (n1 + n2 2,1 /2) = t(20, 0.95) = 1.725

P[1.38 1 - 2 14.62 ] = 90%

PROESAD 20 Programa de Educacin Superior a Distancia

Como n1+ n2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58

PROESAD 21 Programa de Educacin Superior a Distancia

1. Seale con una V si es verdadero o F si es falso en los siguientes enunciados:

( ) El mtodo de estimacin de un parmetro puede ser: puntual o por intervalos.

a) Estime la media y la varianza.

a) Estime la proporcin de estudiantes que estn a favor de las medidas

a) Cul fue el intervalo de confianza de 95% para el consumo medio poblacional?

5. Los siguientes nmeros representan el tiempo(en minutos) que tardaron 15 operarios en

a) Determina e interpreta un intervalo del 95% de confianza para el verdadero tiempo

PROESAD 22 Programa de Educacin Superior a Distancia

Tutora N 1: PRUEBA DE HIPTESIS: CONCEPTOS BSICOS; PRUEBA DE

Tutora N 2: PRUEBA DE HIPTESIS: PROPORCIN POBLACIONAL; DOS

PROESAD 23 Programa de Educacin Superior a Distancia