Estadistica Aplicada

Estadstica Aplicada
A. Aspectos preliminares
1. Competencias
1.1. Conceptuales
Reconoce el concepto de estimacin puntual y por intervalos.
1.2. Procedimentales
Calculan estimaciones puntuales o intervlicas de los parmetros de
una poblacin.
1.3. Actitudinales
Resuelve situaciones en donde se quiere estimar los parmetros de
una poblacin en estudio.
B. Desarrollo del contenido, sus procedimientos y modalidad
1. Contenido programtico
El contenido programtico de la unidad referida es el siguiente:

Estimacin de parmetros: Introduccin: Estimacin Puntual
(Estimacin puntual para la media poblacional, Estimacin
Puntual para la 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 por intervalos
1.1. INTRODUCCIN
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
(B)
xi
n
= x=
- Para datos agrupados
= x=
xi f i
fi
Estimacin Puntual para la varianza poblacional.

Se halla mediante las siguientes frmulas.
- Para datos simples
(C)
n( x ) 2
n 1
2 = s2 =
- Para datos agrupados
x f n( x )
f 1
2
2 = s2 =
Estimacin de parmetros de dos poblaciones
PROESAD
14
Estadstica Aplicada
Sea X1 una variable aleatoria que se distribuye como una distribucin normal con media
e X2 otra variable aleatoria que se distribuye como una distribucin normal

con media 2 y varianza 22 .
y varianza
2
1
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 x1
2
x 2 s 2x 2
x2
(D)
Estimacin puntual de una poblacin de variable cualitativa

Sea X una variable cualitativa con:
1, si X A
0, si X A
M
y Q =1- P
N
N
A : Presencia de la caracterstica
con P
Luego:
1, si x A
0, si x A
con p
m
y q =1- p
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:
P x1 - P x 2 = P x1 - P x 2 = p x1 - p x 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
PROESAD
15
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 )
2
Cuando no se conoce la varianza de la poblacin y el tamao de muestra n < 30.
P( x - t ( 1 ,n 1)
2
(B)
x + Z (1 )
) = 1 -
2
n
n
s
s
x + t ( 1 ,n-1)
) = 1 -
2
n
n
Intervalo de confianza para la diferencia de medias poblacionales

Se presentan los siguientes casos:
- Si 12 y 22 son conocidos
1 + 2 - ( x - x )+
1 + 2 ] = 1-
1 2
Z (1 )
1
2
2
n1 n2
n1 n2
2
P[( x1 - x 2 ) - Z (1 )
2
- Si
12 y 22 no son conocidos
se presentan dos casos:
12 es aproximadamente igual a y2 entonces

12 22 2
a. Si
P[( x1 - x2 ) - t ( 1 ,n -1) s 2 (
2
1
n1
1
n2
) 1 - 2 ( x1 - x2 ) + t ( 1 ,n -1) s 2 (
2
1
n1
1
n2
) ] = 1-
( n1 - 1) s12 + ( n 2 - 1) s 22
n1 + n 2 - 2
2
1 es diferente a 22
donde : s 2 =
b. Cuando
2 2
2 2
1 2 1 1 2
1 2 (1 ,n-1) 1 2 2 (1 ,n-1)
2
2
1 2
1 2
ss
ss
P[( x - x )-t + - ( x - x )+t + ]= -1
nn
nn
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)
PROESAD
16
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 )
)= 1 -
2
n
n
P(p - Z (1 )
2
- Cuando el tamao de muestra es pequeo (n < 30)
pq
pq
P p + t ( 1 ,n-1)
) = 1 -
2
n
n
P(p - t ( 1 ,n-1)
2
(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
P[( p1 - p 2 ) - Z (1 )
n1
p2 q2
n2
p1 q1
P1 - P2 ( p1 - p 2 ) + Z (1 )
n1
p2 q2
n2
] = 1-
Si, n1 y n2 son muestras pequeas (n1 + n2 - 2 30)
P[( p1 - p1 ) - t ( (1 ,n -1)
p1 q1
n1
p2 q2
n2
P1 - P 2 ( p1 - p 2 ) + t ( 1 ,n -1)
2
p1 q1
n1
p2 q2
n2
] = 1-
Nota: Si los tamaos de muestra son muy diferentes por ejemplo n 1 = 80, n2 = 20 se
recomienda emplear:
2
s = p(1 - p )(
donde :
1
nx
p=
1
ny
n1 p1 + n 2 p 2
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, la desviacin estndar del estimador
la varianza para datos simples:
PROESAD
17
s lo calcularemos a partir de la frmula de
=s
2
x
=
n( x ) 2
n 1
615.5
9,377
7
(98 2 108 2 92 2 111 2 102 2 95 2 89 2 115 2 ) 8(101.25) 2

8 1
Estos es redondeando s = 9.38

Ahora como nos estn pidiendo considerar el 90% de confianza escribimos as: 1 - = 0.90 y a
fin de buscar en la tabla el valor p. A la igualdad 1 - dividimos entre 2 a cada uno de sus
1 0.90
1 1 0.90 1

= 0.90 y
sumamos ambos miembros
2 2
2
2 2 2
2
2
miembros
obtenemos:
1
= 0.95
Buscamos en tabla del apndice n 5 (que est en la parte final de este mdulo) el nmero que
concuerda para una poblacin n-1 = 8-1 =7 en la columna de la izquierda y p = 0.95 en la fila
superior de la tabla y vemos que el nmero que coincide es 1.895.
.
Como el nmero de la muestra n es menor que 30 (n 30), entonces, n ser considerado dentro
del parntesis en la expresin t:
t(n 1, 1 - /2) = t(7,095) = 1.895
Podemos obtener este nmero introduciendo en Excel 2 valores: probabilidad ( 0.1 ) y los
grados de libertad que es el nmero de la muestra menos la unidad (8-1= 8-1 =7). Esto es:
INV.T.2C (probabilidad; grados_de_libertad)
INV.T.2C (0,1; 7)= 1,894578605

a) Estimacin puntual:
Usamos la frmula para calcular la media poblacional:
= x=
xi
n
x 101.25
Por lo tanto el cociente de inteligencia medio verdadero de los 8 alumnos es de 101.25
PROESAD
18
Estadstica Aplicada
b) Estimacin por intervalo:

Ahora. Para calcular estimacin del promedio del verdadero cociente de inteligencia por intervalo
al 90% de confianza usamos la frmula:
P( x - t ( 7 ,.0.95)
s
n
x + t ( 7 , 0.95 )
s
n
)= 1 -
Reemplazando los datos n = 8, x = 101.25,

:
P( 101.25 - 1.895
= 9.38 y t ( 7 ,.0.95) 1.895
9.38
9.38
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, para un intervalo de confianza de 90%.
REPORTE DE SPSS
Paso 1: Introducimos los datos a nombre: CI y etiqueta cociente de inteligencia a 8 alumnos
PROESAD
19
Paso 2: En la pestaa de vista de datos elegimos en analizar, comparar medias y luego damos
clic en prueba T para una muestra.
Paso 3: Damos clic en opciones y en la casilla al pie de porcentaje del intervalo de confianza
escribimos 90% de acuerdo al problema.
PROESAD
20
Estadstica Aplicada
Paso 3: Resultados.
Luego el promedio verdadero del cociente de inteligencia de los alumnos se encuentra entre 94.97
y 107.53 para un intervalo 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.
Donde 0.05 es la probabilidad de la poblacin estimada. Luego
= 0.975. Como n >
30, entonces no consideramos en Z la poblacin, slo p = 1 - /2=0.975. Esto es:

Z (1 - /2) = Z (0.975) = 1.96
grados de libertad que es el nmero de la muestra menos la unidad (n-1= 100-1 =99). Pero como
n>30 el grado de libertad cuando tiende a infinito es ms exacto. Por ejemplo si ponemos 10000 el
nmero Z ser cada vez ms exacto. Claro en Excel slo se acepta hasta diez dgitos (10 10).
Esto es:
INV.T.2C (probabilidad; grados_de_libertad)
INV.T.2C(0,05; 10000000000)=1,959964409
PROESAD
21
En la tabla del apndice n 5 (distribucin acumulativa) hallamos este ltimo

nmero al final de la columna del nmero p = 0.975 en n .
Por formula
P( x - Z (1 )
2
x + Z (1 )
)=1-
2
n
n
Reemplazando
PROESAD
22
Estadstica Aplicada
110
110
500 + 1.96
) = 95%
100
100
P( 500 - 1.96
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
= 5 1-
= 0.95 Luego
= 0.975
como n < 30, entonces t(n 1, 1 - /2) = t(15, 0.975) = 2.131

Por formula
P( x - t ( 15, 0.975 )
s
s
x + t ( 15, 0.975 )
)= 1 -
n
n
Reemplazando
P( 26 - 2.131
5
5
26 + 2.131
) = 95%
16
16
Se obtiene
P[ 23.34 28.66 ] = 95%
Esto, es se tiene una confianza del 95% que el promedio real del tiempo(en minutos) requerido
para que 16 empleados escogidos al azar completen una tarea, est en el intervalo 23.3 y 28.6
minutos.
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
ASISTIERON ACADEMIA
NO ASISTIERON
ACADEMIA
n1 = 50
n2 = 60
x 1 =14.5
x 2 =13.75
2
1
s
1-
Como
s 2 = 6.4
= 4.8
= 0.99 luego 1-
n1 + n2
= 0.995
- 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58
Por formula
PROESAD
23
2 2
2 2
1 2 1 1 2
1 2 (1 ) 1 2 2 (1 )
2
2
1 2
1 2
ss
ss
P[( x - x )- z + - ( x - x )+z + ]=1-
nn
nn
Reemplazando
P[( 14.5 - 13.75 ) - 2.58
4 .8 6 .4
4.8 6.4
+
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
A (1)
B (2)
n
10
12
80
72
s
8
10
Construir el intervalo de confianza del 90% para la diferencia de los puntajes promedios
poblacionales.
Solucin
1-
= 0.90 luego 1 -
= 0.95
Como n1 + n2 2 < 30 entonces t (n1 + n2 2,1 /2) = t(20, 0.95) = 1.725

Por formula
2
P[( x1 - x 2 ) - t (n1 n 2 2 , 1 / 2 )
s1 s 2
s
s
+ 1 - 2 ( x1 - x 2 ) + t (n1 n 2 2, 1 / 2 ) 1 + 2 ] = 1 -
n1 n 2
n1 n 2
Reemplazando
P[( 80 - 72 ) - 1.725
64 100
64 100
+
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:
n = 500
p = 375 = 0.75 q =0.25 1- = 0.95 luego
PROESAD
500
24
= 0.975
Estadstica Aplicada
Como n > 30 entonces Z(1 - /2) = Z(0.975) = 1.96

Por formula
P[p - Z (1 / 2 )
pq
P p + Z (1 / 2 )
n
pq
] =1-
n
Reemplazando
P[ 0.75 - 1.96
0.75(0.25)
0.75(0.25)
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
n1 = 400
JVENES
0
n2 = 60
a1 = 100
a 2 = 300
p1 =
a1
0.25
n1
p2 =
q1 = 1-p1 = 0.75
1-
= 0.99 Luego 1-
a2
0.5
n2
q 2 = 1 p2 = 0.5
= 0.995
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:
p=
n1 p1 + n 2 p 2
n1 + n2
Reemplazando
p=
100 + 300
400
0.4
400 + 600 1000
s =
p(1 - p )(
s =
0.4( 0.6 )(
1
n1
1
n2
1
1
+
) 0.032
400 600
Por formula
P[( p1 - p 2 ) - Z (1/ / 2
p(1 - p )(
1
n1
1
n2
) P1 - P 2 ( p1 - p 2 ) + Z (1/ / 2
p(1 - p )(
1
n1
1
n2
)]=1-
Reemplazando
PROESAD
25
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 - P 2 0.17 ] = 99%
PROESAD
26
Estadstica Aplicada
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.
PROESAD
27
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.
PROESAD
28
Estadstica Aplicada
PROESAD
29
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.
PROESAD
30
Estadstica Aplicada
Tutora N
Prueba de hiptesis: conceptos
bsicos; prueba de hiptesis para
una media; una varianza y dos
varianza poblacional
2.1. INTRODUCCIN
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.
PROESAD
31
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
SOBRE Ho
No rechazar
Rechazar
NATURALEZA DE Ho
Cierta
Falsa
Decisin
Error tipo II
Correcta
(probabilidad )
Error tipo I
(Probabilidad )
Decisin
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
Ha : 0
Ho : P = Po
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)
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
PROESAD
32
Estadstica Aplicada
Ho : = 0
Ha : 0
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
PROESAD
33
x - o
t (n-1)
s/ n
to =
b) Si la desviacin estndar poblacional es conocida n30
zo =
x - o
/ n
n(0,1)
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
2)
Ho: 300
Ha: 300
= 0.05
3)
f.p.
1)
4)
t0
t0
x 0
s
n
351.9 300
3.37
48.64
10
REPORTE DE SPSS
Paso 1: Introducimos los datos a nombre: venta y a etiqueta: muestra de agentes que han
recibido el programa de entrenamiento de venta en dlares.
PROESAD
34
Estadstica Aplicada
Paso 2: En la pestaa de vista de datos elegimos en analizar, comparar medias y luego damos
clic en prueba T para una muestra.
Paso 3: En opciones se halla el intervalo de confianza ya en 95% tal como se nos pide en el
problema 1 - = 0.95. Segn el problema el valor de prueba es 300. Ya que el promedio mensual
de ventas de todos los agentes de la compaa que se sugiere es de $300. Por lo tanto escribimos
en valor de prueba: 300.
PROESAD
35
Vemos que S = 48.643 y t0 = 3.374

5)
t(9,0.95) = 1.833
RA
1 - = 0,95
RR
= 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 Martnez.
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
73
75
77
79
8
20
60
18
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 ( Ver apndice n 5 )
PROESAD
36
Estadstica Aplicada
= 75
75
1)
Ho:
Ha:
2)
= 0.05
3)
f.p.
4)
5)
Zo=
Zo=
x - o
s
n
75.03 75
0.17
1.95
116
Z t = Z ( 0 ,975 ) 1.96
RA
1 - = 0,95
RR
2 = 0,025
RR
2 = 0,025
Zt =1,96
Zt = -1,96
Z0 = 0,17
6) Decisin: Como
Z o RA aceptamos H
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.
Ho: = o
Ha: o
Prueba bilateral
Ho: = o
Ha: o
Prueba unilateral
Ho: = o
Ha: o
Prueba unilateral
Procedimiento:
Supngase que se desea probar la hiptesis de que la varianza de una poblacin normal 2 es
igual a un valor especfico, por ejemplo, 2o. Sea X1, X2, ..., Xn una muestra aleatoria de n
observaciones tomadas de esta poblacin. Para probar
Ho: 2 = 2o
Ha: 2 2o
Se utiliza el estadstico de prueba
X o2
(n 1) S 2
o2
donde S2 es la varianza muestral. Ahora si Ho: 2 = 2o es verdadera, entonces el estadstico de

prueba X2o sigue una distribucin ji-cuadrada con n-1 grados de libertad. Por consiguiente, se
PROESAD
37
calcula el valor de la estadstica de prueba X2o, y la hiptesis Ho: 2 = 2 debe rechazarse si:
o2 n21, / 2
si
2
o
n21,1 / 2
donde X2n-1,/2 y X2n-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
/2
RA
1
RR
/2
X (2n 1, 1 / 2 )
X (2n 1, / 2)
El mismo estadstico se utiliza para hiptesis alternativas unilaterales, Para hiptesis unilateral:
Ho: 2 = 2o
Ha: 2 > 2o
Se rechaza si: X2o > X2n-1,1-
RA
1
RR
X (2n 1, 1 )
Ho: 2 = 2o
Ha: 2 < 2o
Se rechaza si: X2o < X2n-1,
Para la otra hiptesis unilateral:
RR
RA
1
X (2n 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:
Zo
s o
o
2n
El grfico utilizado sera acampanado.

PROESAD
38
Estadstica Aplicada
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 = 0.01,
n = 20,
s2 = 0.0153,
= 0.05. Como n < 30, entonces
X (2n 1, 1 ) =
X (219, 0.95) 30.1 . El valor del ji cuadrada la hallamos en la tabla del apndice de este mdulo.
grados de libertad que es el nmero de la muestra menos la unidad (20-1= 19). Buscamos entre
las funciones estadsticas:
INV.CHICUAD.CD (probabilidad;grados_de_libertad)
Y reemplazando
30,14352721
los
datos
obtenemos:
INV.CHICUAD.CD(0,05;19)
Ahora:
Ho: 2 = 0.01
Ha: 2 > 0.01
= 0.05
(n 1) S 2 (19)(0.0153)
29.07
f.p. X
0.01
o2
2
o
X (219 , 0.95 ) 30.1

PROESAD
39
RA
1 = 0.95
RR
= 0.05
X t2 30.1
X o2 29.07
Decisin: Como X o 29.07 RA
2
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
muestreadas sean iguales. En esta seccin describiremos una prueba para la hiptesis nula 21 =
22 , 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
Ha: 1 2
Prueba unilateral
Si las muestras aleatorias independientes de tamao n 1 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
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.
Obs.
F1 - (v1,v2) =
1
F (v 2 , v1 )
Regiones crticas para probar
12 22
(Poblaciones normales)
Hiptesis alterna
PROESAD
Estadstico de
prueba
Rechaza la hiptesis nula si:
40
Estadstica Aplicada
21 < 22
21 > 22
21 22
s12
s 22
F < F(n1 1, n2 1)
s12
s 22
F > F1-(n1 1, n2 1)
F < F/2(nM 1, nm 1)
F > F1-/2(nM 1, nm 1)
s M2
F 2
sm
Donde: s2M : la mayor de las dos variancias muestrales,

s2m : la ms pequea de las variancias.
12 22
Ha: 12 22
Para hiptesis unilateral:
RR
/2
Ho:
RA
1
RR
/2
F / 2 ( n M 1, n m 1) F
1 / 2 ( n M 1, n m 1)
El mismo estadstico se utiliza para hiptesis alternativas unilaterales, Para hiptesis unilateral: Ho:
12 22
Ha:
12 22
RA
1
RR
F1 ( n1 1, n 2 1)
12 22
Ha: 12 22
Para la otra hiptesis unilateral:
RR
Ho:
RA
1
F1 ( n1 1, n 2 1)
PROCEDIMIENTO PARA MUESTRAS GRANDES
PROESAD
41
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:
Zo
sp
s1 s 2
1
1
2n1 2n2
donde :
s 2p
(n1 1) s12 ( n2 1) s 22
n1 n 2 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
hiptesis nula de que 21 = 22 contra la hiptesis alterna de que 21 < 22 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
En la tabla anterior. P es la probabilidad equivalente a 0.05, V 1 que seala los nmeros de la fila
superior de la tabla son las primeras muestras menos la unidad. En este caso V 1 = n-1 = 12-1 = 11
y V2 de la columna izquierda de la tabla, indica el nmero de las segundas muestras menos la
unidad. En este caso V2 = n-1 = 12-1 = 11. De ah que podemos obtener el nmero 0,355
conociendo 0.05 , n1 1 12 1 11 , n 2 1 12 1 11 .
F t = F (n1 1, n 2 1) F0, 05 (11,11) 0.355

PROESAD
42
Estadstica Aplicada
Ahora:
12 22
Ha: 12 22
Ho:
= 0.05
s12
(0.035) 2
0.319
f.p. F 2
s 2 (0.062) 2
RR
= 0.05
RA
1 = 0.95
Ft 0.355
F0 0.319
Decisin: Como
F0 RA se acepta H
Conclusin: La variabilidad de plateado de la compaa 1 es menor que de la compaa 2. Usando

5% de significacin de prueba.
PROESAD
43
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.
Tutora N
Prueba de hiptesis: proporcin
poblacional; dos medias
PROESAD
44
Estadstica Aplicada
poblacionales; dos proporciones

poblacionales
3.1. PRUEBA DE HIPTESIS REFERIDA A LA PROPORCIN POBLACIONAL
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:
zo =
P - po
po (1- po ) / n
n(0,1)
La funcin de prueba para valores de n 30 es:
to =
P - po
po (1- po ) / n
t (n-1)
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
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
P = 0.60, n = 120, m = 75,
= 0.05
f.p.
Z0 =
p - Po
0.625 0.6
0.56
Po (1 - Po )/n
0.6(0.4)
120
Z t = Z ( 0,95) 1.645
RA
1 - = 0,95
PROESAD
RR
= 0,05
Zt = 1,645
Z0 = 0,56
45
Decisin: Como
Z o RA aceptamos H
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
P = 0.25, n = 400, m = 120,
120
0.30 , = 0.05
400
Z ( 0, 05) 1.645
como n > 30, entonces Z t = Z ( )

Ho: P 0.25
Ha: P 0.25
= 0.05
f.p.
Zo
Z t = Z (1 )
0.30 0.25
2.31
0.25(0.75)
400
Z ( 0, 95 ) 1.645
RA
1 - = 0,95
RR
= 0,05
Zt = -1,645
Decisin: Como
Z o RA se acepta H
Z0 = 2,31
o
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
Ha: 1 2
Prueba unilateral
Ho: 1 = 2
Ha: 1 2
Prueba unilateral
Pueden presentarse varias situaciones dependiendo de como son sus varianzas:

PROESAD
46
Estadstica Aplicada
1. Con varianzas conocidas:

La funcin de prueba es:
( x 1 - x 2 ) - ( 1 - 2 )
zo =
12 + 22
n1
n2
n(0,1)
2. Con varianzas desconocidas y diferentes:

to =
( x 2 - x 2 ) - ( 1 - 2 )
2
s1 s 2
+
n1 n 2
t ( n1 + n 2 - 2)
Cuando n1 + n2 2 30 entonces esta funcin de prueba sigue una distribucin normal estndar.
3. Con varianzas desconocidas y aproximadamente iguales:
to =
( x1 - x 2 ) - ( 1 - 2 )
1
1
2
+
s
n1 n2
t ( n1 + n 2 - 2)
Aqu s2 es la varianza mancomunada
(n1 - 1) s12 + (n2 - 1) s 22

s =
n1 + n2 - 2
2
Al igual que en el caso anterior, si n 1 + 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 n 2 = 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:
(n2 - 1) s12 + (n2 - 1) s 22

5972552.5
n1 + n2 - 2
Ho: 1 2
s =
Ha: 1 2
= 0.10
Z t = Z ( 0, 95) 1.645
f.p.
Zo=
( x1 - x 2 ) - ( 1 - 2 )
s 2
1
n1
PROESAD
n2
31083 29745 0
1
1
597255252.5
+
40 40
47
2.45
RA
1 - = 0,90
RR
2 = 0,05
Zt = -1,645
Decisin: Como
RR
2 = 0,05
Zt =1,645
Z0 = 2,46
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
z=
(p1 - p 2 ) - ( P1 - P 2 )
p 1 - p
n1
n(0,1)
n2
Aqu p es la proporcin mancomunada:
p=
n1 p1 + n2 p 2
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.
Grupo
A (1)
B (2)
tamao de
la muestra
n1 = 150
n2 = 200
Nmero de hombres que ven

regularmente lucha en TV
a1 = 98
a2 = 80
Proporcionan estos datos evidencia suficiente como para apoyar la tesis del socilogo? use =
0,05
PROESAD
48
Estadstica Aplicada
Solucin:
98 80
0.51
350
Ho: P1 P2
Ha: P1 P2
Z t = Z ( 0.95 ) 1.645
p1
a1
98
0.65
n1 150
p2
a2
80
0.40
n 2 200
= 0.05
f.p.
Z0 =
(p1 - p 2 ) - ( P1 - P 2 )
p 1 - p
1
n1
n2
RA
1 - = 0,95
(0.65 0.4) 0
1
1
0.51(0.49)
+
150 200
4.63
RR
2 = 0,05
Zt =1,645
Z0 = 4,63
Decisin: Como
Z o RR rechazamos H en favor H
o
Conclusin: Los datos proporcionan suficiente evidencia como para apoyar la opinin del
socilogo con un 5% de significacin de prueba.
PROESAD
49
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
otra muestra de 400 hogares de la provincia 2 da
x1 $400 y s1 $90 y
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
PROESAD
=0.05.
s2 $120 x $420 x1 $400

2
50
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.
PROESAD
51
PROESAD
52
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.
a)
Exposicin sobre los trabajos elaborados y remitidos.
b)
Refuerzo del profesor con incidencia y correccin en los puntos
PROESAD
53
Tutora N
Anlisis de varianza: anlisis de varianza de
una va y de dos vas
4.1. ANLISIS DE VARIANZA
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
n S X y que s n S X . Esta estimacin
resultante de la varianza de la poblacin se llama la media cuadrtica entre los grupos
(MCE).
(2) Dada la frmula S_ = S/ n , tenemos que s =
(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
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.
4.2. ANLISIS DE VARIANZA DE UNA VA
PROESAD
54
Estadstica Aplicada
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. Tk 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
variacin
Suma de los
cuadrados, SC
Grados de
libertad, gl
Entre grupos
de tratamiento
A
Tk2 T 2k 1

SCA
N
nk
Error de
muestreo, E
SCE SCT SCA n k
Total, T
SCT X 2
Media
cuadrtica MC
Relacin F
MCA
SCA
MCA
F0
MCE
k 1
MCE
SCE
nk
TN2 - 1
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
Instruccin
A1
86
79
81
70
84
Tk
Total
400
A2
90
76
88
82
89
425
A3
82
68
73
71
81
375
1200
Puntaje de la prueba
Total
PROESAD
55
Solucin:
Tk2 T 2

Suma de cuadrados de tratamiento = SCA
n
N
k
400 2 425 2 375 2 1200 2
250

5
5
15
5
Suma de cuadrados del total = SCT
= 86 2 90 2 82 2 ... 70 2 82 2 712
T2
N
1200 2
698
15
Suma de cuadrados del error = SCE SCT SCA

= 698 250 = 448
Fuente de
variacin
Suma de
cuadrados SC
grados de
libertad, gl
Media
cuadrtica MC
relacin, F
Entre grupos
de trat., A
SCA = 250
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
1 = 0,95
= 0.05
RR
= 0,05
f.p. Fo = 3.35
Ft = 3,89
F0 = 3,35
Decisin: Como F0 RA se acepta Ho

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
mquinas
A1
A2
PROESAD
79
83
62
51
77
Tk
Total
352
74
85
72
231
Promedio de palabras por minuto
56
Estadstica Aplicada
A3
81
65
79
55
Total
280
863
Solucin
Tk2 T 2

N
nk
SCA
Suma de cuadrados de tratamiento =
352 2 2312 280 2

863 2
103.72

3
4
12
5
= 79 2 83 2 62 2 ... 65 2 79 2 55 2
T2
N
863 2
1376.96
12
Suma de cuadrados del error = SCE SCT SCA

= 1376.96 103.72 = 1273.20
Fuente de
variacin
Suma de
cuadrados SC
Grados de
libertad, gl
Media
cuadrtica MC
Relacin,
F
Entre grupos
de trat., A
SCA = 103.72
MCA = 51.86
Fo = 0.37
Error de
muestreo, E
SCE = 1273.20
MCE = 141.47
Ft = 4.26
Total, T
SCT = 1376.92
11
Ho: 1 2 3 0
Ha: a lg n i 0
= 0.05
f.p.
RA
1 = 0,95
Fo = 0.37
Ft = 4.26
RR
= 0,05
Ft = 4,26
F0 = 0,37
Decisin: Como F0 RA se acepta Ho

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
PROESAD
57
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:
=
j =
k =
ik =
media global de cualquier tratamiento

efecto del tratamiento j o del bloque j en la dimensin B de clasificacin.
efecto del tratamiento k en la dimensin A de clasificacin.
error aleatorio relacionado con el proceso de muestreo.
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:
Fuente de
variacin
Entre grupos
de
tratamiento
A
Entre grupos
de
tratamiento
B
Error de
muestreo, E
Total, T
Suma de los
cuadrados, SC
Grados
de
libertad,
gl
Tk2 TK2 - 1

SCA
n
N
k
SCB
1
T J2 - 1
T j2
k
N
(J1)
(K
SCE SCT SCA
SCB
1)
SCT X 2
Media cuadrtica
MC
Relacin F
MCA
SCA
K 1
MCB
SCB
J 1
MCE
SCE
( J 1) ( K 1)
F0
MCA
MCE
TN2- 1
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
PROESAD
58
Estadstica Aplicada
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%.
Nivel de
aptitud
Mtodo de instruccin
A1
A2
A3
Tj
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:
Suma de cuadrados de tratamiento =
Tk2 T 2

N
nk
SCA
400 2 425 2 375 2 1200 2
250
=

5
5
15
5
Suma de cuadrados de bloque = SCB
1
T2
2
T
j N
k
258 2 254 2 242 2 223 2 223 2 1200 2
367.33

3
3
3
3
15
3
X 2
= 86 2 90 2 82 2 ... 70 2 82 2 712
T2
N
1200 2
698
15
Suma de cuadrados del error = SCE SCT SCA SCB

= 698 250 367.33 = 80.87
Fuente de
variacin
Suma de
cuadrados SC
grados de
libertad, gl
Media
cuadrtica
MC
relacin, F
Entre grupos
de trat., A
SCA = 250
MCA = 125
Fo = 12.4
Ft = 4.46
Entre grupos
de bloque B
SCB = 367.33
MCB = 91.83
Error de
muestreo, E
SCE = 80.87
(2)(4) = 8
MCE = 10.98
Total, T
SCT = 698
14
Ho: 1 2 3 0
Ha: a lg n i 0
= 0.05
PROESAD
RA
1 = 0,95
RR
= 0,05
59
Ft = 4,46
F0 = 12,4
f.p.
Fo = 12.4
Ft = 4.46
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:
=
j =
k =
ijk =
ik =
media global independiente de cualquier tratamiento

efecto del tratamiento j en la dimensin B.
efecto del tratamiento k en la dimensin A.
efecto de la interaccin entre el tratamiento j (del
factor B) y el tratamiento k (del factor A)
error aleatorio relacionado con el proceso de muestreo.
Las hiptesis correspondientes seran:

Ho : k = 0
Ha : k 0
Ho : j = 0
Ha : j 0
Ho : Ijk = 0
Ha : Ijk 0
La tabla de resumen para el anlisis de varianza de dos vas con interaccin se da a continuacin:
Fuente de
variacin
Entre grupos
de
tratamiento
A
Entre grupos
de
tratamiento
B
Interaccin
(entre
grupos de
tratamiento
A y B) I
PROESAD
Grados
de
libertad,
gl
Suma de los
cuadrados, SC
Media cuadrtica
MC
Relacin F
SCA
1
T K2 - 1
2
T
k N
n
MCA
SCA
K 1
F0
MCA
MCE
SCB
1
nk
2 1
J
T
N
MCB
SCB
J 1
F0
MCB
MCE
MCI
SCI
MCI
F0
( J 1) ( K 1) MCE
SCI
2
j
(J1)
X(K
2
1) T 2
SCA SCB
60
N
Estadstica Aplicada
JK(n1)
SCE
SCE SCT SCA
SCB
MCE
SCI
JK (n 1)
Error de
muestreo, E
TN2- 1
N
SCT X 2
Total, T
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%.
rea
temtica
B1
B2
B3
B4
Total Tk
Mtodo de instruccin
Total Tj
A1
A2
A3
70
79
72
221
77
81
79
237
82
78
80
240
85
90
87
262
960
83
89
78
250
77
87
88
252
94
83
79
256
84
90
88
262
1020
81
86
79
246
74
69
77
220
72
79
75
226
68
71
69
208
900
717
709
722
732
T=2880
Solucin:
1
nk
Suma de cuadrados de tratamiento A = SCA
2
k
T2
N
2
j
T2
N
960 2 1020 2 900 2

2880 2
600
12
12
36
12
Suma de cuadrados de tratamiento B = SCB
1
nj
717 2 709 2 722 2 732 2

2880 2
30.8
9
9
9
36
9
SCI
Suma de cuadrados de la interaccin =
T2
SCA SCB
N
2212 250 2 246 2

262 2 262 2 208 2
2880 2
...
600
30
.
8
533.9
3
3
3
3
3
36
3
PROESAD
61
X 2
= 70 2 83 2 812 ... 87 2 88 2 69 2
T2
N
2880 2
1600.0
36
Suma de cuadrados del error = SCE SCT SCA SCB SCI

= 1600 600 30.8 533.9 = 435.3
Fuente de
variacin
Suma de
cuadrados
SC
Grados de
libertad, gl
Media
cuadrtica MC
relacin, F
Entre grupos
de trat., A
(mtodo)
SCA = 600.0
3-1 = 2
MCA = 300
Fo = 16.57
Entre grupos
de trat., B
(tema)
SCB = 30.8
4-1 = 3
MCB = 10.3
Fo = 0.57
Interaccin
entre
mtodo y
tema, I
SCI = 533.9
(2)(3) = 6
MCI = 18.1
Fo = 4.92
SCE = 435.3
(4)(3)(2) =
24
MCE = 18.1
SCT =
1600.0
36-1=35
Error de
muestreo, E
Total, T
Ho: A1 A 2 A3
Ha: a lg n i 0
Ho: B1 BA 2 BA3
Ha: a lg n j 0
Ho: I jk 0
Ha: I jk 0
= 0.05
f.p.
Fo = 16.57
Ft = F(2,24,0.95) = 3.4
RA
1 = 0,95
Fo = 0.57
Ft = F(3,24,0.95) = 3.0
RR
= 0,05
RA
1 = 0,95
Ft = 3.4
RR
= 0,05
Ft = 3.0
Fo = 16.57
Fo = 0.57
Fo = 4.92
Ft = F(6,24,0.95) =2.5
RA
1 = 0,95
RR
= 0,05
Ft = 2.5
Fo = 4.92
Decisin:
PROESAD
62
Estadstica Aplicada
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.
PROESAD
63
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
De Exhibicin
E1
E2
E3
E4
1
40
53
48
48
VENTAS
2
44
54
38
61
3
43
59
46
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
SUCURSAL BETA
SUCURSAL GAMMA
21
27
24
11
15
17
17
18
31
28
26
12
17
15
21
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
VARIACION
Tratamiento
Error
Total
SUMA DE
CUADRADO
S
GRADO DE
LIBERTAD
MEDIA
CUATRADTICA
2
9
10
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.
FUENTE
VARIACION
Entre tcnicas
promocionales
Entre zonas de
ventas
Error
Total
PROESAD
SUMA DE
CUADRADOS
7.48
GRADO DE
LIBERTAD
MEDIA
CUADRATICA
3
3.90
11.41
6
11
64
Estadstica Aplicada
PROESAD
65
Unidad 4
TEORIA DE LA TOMA DE DECISIONES
N de tutora: Uno
Tutora N 5
Teora de la toma de decisiones
PROESAD
66
Estadstica Aplicada
PROESAD
67
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.
PROESAD
68
Estadstica Aplicada
Tutora N
Teora de la toma
de decisiones
5.1. LA ESTRUCTURA BAYESIANA COMPARADA CON LA ESTADSTICA CLSICA

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
DEFECTUOSAS
0,05
0,06
0,07
PROBABILIDAD
0,30
0,50
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
PROESAD
69
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
Donde:
Actos:
EVENTO
PROB.
E1
E2
E3
...
Em
p1
p2
p3
...
pm
ACTOS
A1
A2
A3
...
An
X11
X21
X31
...
Xm1
X12
X22
X32
...
Xm2
X13
X23
X33
...
Xm3
...
...
...
...
...
X1n
X2n
X3n
...
Xmn
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.
PROESAD
70
Estadstica Aplicada
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
V.
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.
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.
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
PROESAD
71
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)
b)
c)
basada slo en probabilidades, (probabilidad mxima y esperanza del evento).

basada slo en las consecuencias econmicas, (maximin, maximax, pena minimax).
basada en probabilidades y consecuencias econmicas, (criterio bayesiano y pena esperada
de oportunidad).
Solucin:
(Tabla de ganancias)
E
Demanda
E1 = 5
E2 = 10
E3 = 15
E4 = 20
Valor esperado
Maximin
Mxima x
C. Bayesiano
P (E)
0.10
0.30
0.40
0.20
13,3
A1 = 5
1500
1500
1500
1500
1500
1500
1500
ACTOS (Compra Stock)

A2 = 10
A3 = 15
A4 = 20
500
(500)
(1500)
3000
2000
1000
3000
4500
3500
3000
4500
6000
500
3000
2750
(500)
4500
3250
(1500)
6000
2750
(Tabla de prdida de oportunidad)

E
Demanda
E1 = 5
E2 = 10
E3 = 15
E4 = 20
Pena Mimi max
Pena
esperada
oportunidad
ACTOS (Cantidad de orden)

A1 = 5 A2 = 10 A3 = 15 A4 = 20
0.10
0
1000
2000
3000
0.30
1500
0
1000
2000
0.40
3000
1500
0
1000
0.20
4500
3000
1500
0
4500
3000
2000
3000
de 2550
1300
800
1300
P (E)
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
PROESAD
72
Estadstica Aplicada
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)
=
=
De manera anloga:
GE (nivel bajo de fabricacin)
=
=
PROESAD
(0,40) (500 000) +

(0,60) (-100 000)
S/. 140 000
(0,40) (-50 000) +
(0,60) (-50 000)
S/. 50 000
73
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)
GE (no desarrollar)
=
=
(0,70) (140 000) +

(0,30) (-200 000)
S/. 38 000
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
PROESAD
74
Estadstica Aplicada
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)
b)
Establecer la tabla de pago y de prdida.

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
A
B
C
D
A1
20
20
20
20
0.1
0.2
0.5
0.2
Acciones
A2
A3
0
-30
40
20
40
60
40
60
A4
-40
0
40
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.
PROESAD
75
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.
PROESAD
76
Estadstica Aplicada
PROESAD
77
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.
PROESAD
78
Estadstica Aplicada
Tutora N
Control de calidad: grafica de control para la
media del proceso
ESTUDIO DE UN CASO
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.
6.1. INTRODUCCION
PROESAD
79
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%
PROESAD
80
Estadstica Aplicada
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.
Dimetro del cojinete
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
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
Lmite inferior de
especificacin
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
Lmite inferior de especificacin
FIGURA 1: Grficas respecto al tiempo de los dimetros de cojinetes producidos.

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
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
PROESAD
81
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
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.
3

x
3 x
Lmite superior de control, LSC
Lnea central
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.
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.
82
PROESAD
Estadstica Aplicada
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 X
3
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:
Ri
R

i 1
d2
d2
Donde d2 es la constante que hace de un estimador insesgado de cuando se realiza el

muestreo de una poblacin distribuida normalmente. 2Sustituyendo tal estimacin de en la
frmula de 3 X , resulta
3 3
A2 =
R
3 2
A2 R
n
d n
3
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.
Grafica de control para la media del proceso: diagrama de x
2 Esta estimacin de
mediante la amplitud de R puede resultar segada, si la poblacin de las mediciones de calidad
no es aproximadamente normal. El intervalo grande

probablemente compensa el error en la estimacin de
estimar
una.
PROESAD
utilizando la variancia muestral
6 X
(en vez de
4 X
) entre los limites de control,
. Sin embargo en esta era de las computadoras sera mejor
, basada en las kn mediciones de las k muestras con n mediciones cada

83

K
Eje o lnea de control
x
i 1
Lmite superior de control LSC =

x + A2 R
Lmite inferior de control LIC = x - A2 R
K
Donde:
R
i 1
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
Observaciones (en minutos)
N de
Observacin
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
5.2
8.9
13.8
13.2
9.3
7.5
9.0
8.4
6.4
8.2
8.7
8.0
8.3
11.3
7.0
13.0
13.5
7.0
11.8
12.6
7.0
7.8
7.9
6.2
9.2
9.5
12.7
8.5
11.2
11.5
8.5
10.1
10.4
7.2
7.2
10.9
11.8
12.3
8.2
9.2
10.5
9.3
8.6
10.2
9.4
9.8
10.0
11.9
7.2
12.4
7.2
10.8
12.2
10.2
13.3
5.2
9.3
10.3
7.6
7.8
9.5
9.9
11.3
9.4
7.2
9.9
10.0
8.9
8.2
9.0
11.2
9.4
10.5
8.4
10.7
7.3
11.9
14.2
9.0
10.7
7.4
13.1
9.9
9.6
11.0
12.9
10.9
10.2
7.8
7.9
8.9
9.9
10.8
8.9
9.8
8.0
6.7
8.9
9.0
9.8
Media
Muestral
Amplitud
muestra, R
7.300
11.075
12.175
10.900
11.200
7.150
10.375
9.750
7.700
8.550
10.500
10.150
10.525
9.175
7.825
10.575
10.675
8.825
9.775
10.200
9.000
8.475
9.800
7.700
10.525
9.596
4.3
3.8
5.7
4.2
4.0
3.3
4.1
2.0
3.2
3.8
4.2
3.8
4.0
3.5
2.2
4.1
4.2
3.8
3.6
3.6
4.2
3.3
4.0
2.8
3.2
3.716
Solucin:
PROESAD
84
Estadstica Aplicada
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

7.300
4
R 9.5 5.2 4.3
Se ofrecen las medias y las amplitudes muestrales en las columnas

de la tabla 1. La media x de los k = 25 valores de y la media de
valores muestrales de R, se tienen al final de sus respectivas
6 y 7, respectivamente,
R de los k = 25
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.
LSC
LIC
FIGURA 4. Diagrama de
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?
Tutora N
PROESAD
85
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
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 R y los lmites de control se ubican
3 R arriba y debajo de R .
La estimacin de R es R , la media de las amplitudes (o rangos) de las k muestras utilizadas

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
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
Eje central
R R
R
i 1
Lmite superior de control LSC = D4 R

Lmite inferior de control LIC = D3 R
K
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
PROESAD
86
Estadstica Aplicada
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
LSC
LIC
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
como defectuoso o no. Si la proporcin3 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
. Si el proceso est bajo control, la
intervalos peridicos y se calcula la proporcin muestral p
tendra que estar en el intervalo p 3 p , donde p es la proporcin
proporcin muestral p
media de defectuosos del proceso, y
p (1 p )
n
Se estima la proporcin media de defectuosos, p, del proceso, utilizando el promedio de k

proporciones muestrales
k
p
Y se valora p mediante
p
i 1
3 En los libros de control de calidad suele decirse

PROESAD
fraccin de defectuosos en vez de proporcin de defectuosos.

87
p (1 p )
n
, y los lmites superior e inferior de control son:

El eje del diagrama de p se localiza en p
3
p
LSC
= + p
= p
3
LIC
p (1 p )
n
- 3 p
= p
= p
3
p (1 p )
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
Eje central
p
i 1
Lmite superior de control LSC = p

3
Lmite inferior de control LIC = p

3
Suposicin k
p (1 p )
n
p (1 p )
n
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.
de defectuosos en muestras de n = 400

Construya un diagrama de control para la proporcin p
bolgrafos, seleccionados del proceso.
PROESAD
88
Estadstica Aplicada
Tabla 3
Proporciones de defectuosos en muestras de n = 400 bolgrafos
Da
Proporcin
Da
Proporcin
Da
Proporcin
Da
Proporcin
0.0200
11
0.0100
21
0.0300
31
0.0225
0.0125
12
0.0175
22
0.0200
32
0.0175
0.0225
13
0.0250
23
0.0125
33
0.0225
0.0100
14
0.0175
24
0.0175
34
0.0100
0.0150
15
0.0275
25
0.0225
35
0.0125
0.0200
16
0.0200
26
0.0150
36
0.0300
0.0275
17
0.0225
27
0.0200
37
0.0200
0.0175
18
0.0100
28
0.0250
38
0.0150
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
p
i 1
0.200 0.0125 0.0225 0.7600
0.019
40
40
Una estimacin de p la desviacin estndar de las proporciones muestrales, es
p (1 p )
(0.019)(0.981)
0.00683
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
+ 3 p = 0.0190 + 3*0.00683 = 0.0395

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

Se presenta la grfica de control p
estn dentro de los lmites de control. Si una proporcin muestral, observada en algn momento
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
PROESAD
89
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
i con los valores para LSC y LIC calculados para el tamao particular de tal
comparar cada p
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.
Su variancia 2 es igual a su media , es decir,
c2 c
c c
y
Por lo tanto, el nmero de defectos c por unidad tendran que localizarse en el intervalo
c 3 c
c 3 uc
o bien
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
c c
c
i 1
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
PROESAD
90
Estadstica Aplicada
k
Eje
c 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
C
Semana
C
Semana
C
Semana
C
10
1
11
1
21
0
31
1
3
12
0
22
2
32
2
2
13
1
23
1
33
0
0
14
1
24
0
34
3
0
15
3
25
1
35
1
1
16
2
26
1
36
1
4
17
1
27
2
37
2
2
18
1
28
2
38
0
1
19
0
29
1
39
1
1
20
3
30
0
40
0
Solucin:
El valor de
calculado para los datos obtenidos durante k = 40 semanas, es

k
c
i 1
49
1.225
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.
PROESAD
91

5
LSC
4
C 1.225
0
1.00
5.00
3.00
9.00
7.00
13.00
11.00
17.00
15.00
21.00
19.00
25.00
23.00
29.00
27.00
LIC 37.00
33.00
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.
PROESAD
92
Estadstica Aplicada
AUTOEVALUACIN
1.
Seale con una V si es verdadero o F si es falso en los siguientes enunciados:

( ) 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
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
Nmero de
Muestra
13
14
15
16
17
18
19
20
21
22
23
24
34.5
34.2
31.6
31.5
35.0
34.1
32.6
33.8
34.8
33.6
31.9
38.6
3
4
4
4
5
6
4
3
7
8
3
9
x
35.4
34.0
37.1
34.9
33.5
31.7
34.0
35.1
33.7
32.8
33.5
34.2
R
8
6
5
7
4
3
8
4
2
1
3
2
a) Obtenga los diagrama de control de x y R para este proceso. Parece estar bajo control
estadstico tal proceso?
3.
4.
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
1
2
3
4
5
6
7
8
9
10
15
11
10
08
14
13
12
08
16
12
12
13
12
14
12
10
13
10
11
13
13
12
14
15
13
12
11
12
12
14
15
16
10
06
14
10
12
13
10
12
10
12
14
15
13
12
10
14
12
10
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?
PROESAD
93
Unidad 6
REGRESION Y CORRELACION
N de tutoras: Uno
Tutora N 8: Regresin lineal, Correlacin.
PROESAD
94
Estadstica Aplicada
PROESAD
95
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.
PROESAD
96
Estadstica Aplicada
Tutora N
Regresin lineal, correlacin,
Regresin lineal y anlisis de
regresin
8.1. NOCIN E IMPORTANCIA

El estudio estadstico de las relaciones entre dos variables de intervalo presenta los aspectos
fundamentales siguientes:
1.
2.
3.
4.
Existencia de asociacin entre las dos variables.

Direccin de la asociacin.
Grado de asociacin, y
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)
b)
c)
La existencia o no de covariacin o variacin conjunta entre las dos variables, segn sea o no
distinto de cero.
La direccin de la asociacin, por su signo positivo o negativo.
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 re suelve 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 rela cin 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
PROESAD
97
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 presen tan 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 ml tiple. 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.
PROESAD
98
Estadstica Aplicada
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 ecuaciones 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:
1 a Estimar la forma, lineal o no, de la ecuacin.
2 a 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 n X
XY X X
0
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.
Son las siguientes:
PROESAD
99
n X i Yi ( X i )( Yi )
i 1
n X i2 ( X i ) 2
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
y,x
(Y Y
est
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:
S y2, x
( Y 2 o Y 1 XY )
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:
PROESAD
100
Estadstica Aplicada
1 B
* n2
S y,x / S x
o bien esta otra:
1 B
1 r2
* n2
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:
Yest
t (n 2,1 / 2) S y , x
n2
n 1
( X 0 X )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.
Ahora bien, la variacin total de Y es conocida y viene medida por (Y ) 2 decir, la suma de los
cuadrados de las desviaciones de los valores de Y respecto a la media de la distribucin de Y.
Por tanto restando de esta variacin total, el error tpico de la estimacin o variacin no explicada
por el anlisis de regresin, (Y- Y est ) 2 se tendr la variacin; explicada por dicho anlisis.
Algebricamente:
(Y
est
Y )
(Y Y )
(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
coeficiente de determinacin y se escribe r2. Su raz cuadrada r no es otra cosa que el coeficiente
de correlacin r de Pearson.
8.5. ANLISIS DE REGRESIN NO LINEAL

PROESAD
101
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
siguiente sistema de tres ecuaciones con tres incgnitas:
2
i
n 0 1 X i 2 X i2
X Y
i
Yi 0 X i2 1 X i3 2 X i4
2 y se obtienen resolviendo el
0 X i 1 X i2 2 X i3
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
muetreado
Distancia,
(en kilmet.)
Tiempo
de
entrega ,
( en das)
A)
10
825
215
1070
550
480
920
1350
325
670
1215
3,5
1,0
4,0
2,0
1,0
3,0
4,5
1,5
3,0
5,0
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.
PROESAD
102
Estadstica Aplicada
6
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

correspondiente, escribir esta ecuacin
Embarque Distancia Tiempo de
muestreado
entrega
X
Y
1
825
3.5
2
215
1.0
3
1070
4.0
4
550
2.0
5
480
1.0
6
920
3.0
7
1350
4.5
8
325
1.5
9
670
3.0
10
1215
5.0
Suma
7620
28.5
n XY X Y
n X X
2
de
XY
2888
215
4280
1100
480
2760
6075
487.5
2010
6075
26370
regresin
X2
680625
46225
1144900
302500
230400
846400
1822500
105625
448900
1476225
7104300
de
la
ecuacin
Y2
12.25
1
16
4
1
9
20.25
2.25
9
25
99.75
10(26370) (7620)(28.5)
0.004
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
REPORTE DE EXCEL:
PROESAD
103
Paso 1: sombreamos los datos x e y. Enseguida damos clic en dispersin y elegimos el primer grfico
que aparece dispersin slo con marcadores.
Paso 1: Una vez que aparece el diagrama de dispersin damos clic derecho sobre el mauss sobre
cualquiera de los puntos del diagrama y aparece el cuadro que se ve en la pantalla y damos clic sobre
agregar lnea de tendencia.
Paso 3: Sobre el cuadro damos clic en lineal, presentar ecuacin en el grfico y presentar el valor
de R cuadrado sobre el grfico y damos clic en cerrar
.
PROESAD
104
Estadstica Aplicada
La recta de regresin es aproximada a los resultados de

clculo directo:
1 y 0 que se ha obtenido por
Y = 0.0036x+0.1181
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.
Distancia X
(en kilmet.)
825
215
1070
550
480
920
1350
325
670
1215
Tiempo de
entrega Y
(en das)
3.5
1.0
4.0
2.0
1.0
3.0
4.5
1.5
3.0
5.0
Suma
S yx2
PROESAD
(Y Y )
n2
(Y-
Y
3.418
0.978
4.398
2.318
2.038
3.798
5.518
1.418
2.798
4.978
Y)
0.006
0.0004
0.158
0.101
1.077
0.636
1.036
0.006
0.040
0.0004
3.0608
3.0608
0.3826 S XY S yx2 0.3826 0.618
8
105

6
Tiempo de entrega en das
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
Y
n2
n 1
( X 0 X )2
S x2
As
2.306(0.618)
(1000 762) 2
11
8
144207
Entonces
3.399 y 4.719
4.118
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.
Sb =
SYX
x - n x
2
0.618
7104300-10(762) 2
0.00054
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
PROESAD
106
Estadstica Aplicada
Ha: 0
2. = 0.05
3.
t=
1 -
0.004 0
n2
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:
Aos
% de la poblacin activa ocupada en

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.
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 inspeccin de la
misma, la existencia, signo y grado de relacin entre las dos variables, as como su tipo
probable.
PROESAD
107

70
60
50
40
% PEA
30
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 econmicamente 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 x 2
Las ecuaciones para obtener los coeficientes son :
y n x x
xy x x x
x y x x x
2
Y
0
1
2
3
4
5
6
7
28
68
64
59
47
52
50
42
26
408
XY
0
64
118
141
208
250
252
182
1215
X2
0
1
4
9
16
25
36
49
140
X2Y
X3
0
64
236
423
832
1250
1512
1274
5591
0
1
8
27
64
125
216
343
784
X4
0
1
16
81
256
625
1296
2401
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 0.3451x 2
PROESAD
108
Estadstica Aplicada
REPORTE DE EXCEL:
Paso 1: Hacemos los mismos pasos que para el ejercicio anterior slo que esta vez sobre el cuadro de
opciones de lnea escogemos polinmica orden: 2 y presentar ecuacin en el grfico y presentar el
valor de R cuadrado en el grfico.
La grfica es una es una funcin polinmica de 2do grado:

aproximada a los resultados 0 , 1 y 2 que se ha obtenido por clculo directo:
y = -0.3452x2 - 2.6548x + 66.333
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.
X
0
1
2
3
4
5
6
7
Total
2
yx
PROESAD
(Y Y )
n2
Y
68
64
59
47
52
50
42
26
Yest
66.36
63.35
59.66
55.28
50.21
44.45
38.00
30.86
145.77
24.3
6
109
(Y-Yest)
1.65
0.65
-0.66
-8.28
1.79
5.55
4.00
-4.86
S XY
(Y-Yest)2
2.71
0.42
0.44
68.63
3.19
30.77
15.99
23.62
145.77
S yx2 24.3 4.93

70
60
50
40
% PEA
30
20
1880
1900
1920
1940
1960
1980
AOS
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
0
1
2
3
4
5
6
7
28
y
68
64
59
47
52
50
42
26
408
n xz x z
n x 2 x
o y 1 x
z o 1 x
ii)
x2
0
1
4
9
16
25
36
49
140
z=logy
1.83
1.81
1.77
1.67
1.72
1.70
1.62
1.41
13.53
xz
0.00
1.81
3.54
5.02
6.86
8.49
9.74
9.90
45.37
8( 45.37) ( 28)(13.53)
0.05
8(140) ( 28) 2
Y X
1
z2
3.36
3.26
3.14
2.80
2.94
2.89
2.63
2.00
23.02
13.53
28
( 0.05)
1.859
8
8
z 1.859 0.05 x
log y 1.859 0.05 x
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
PROESAD
110
Estadstica Aplicada
X
0
1
2
3
4
5
6
7
Total
S yx2
(Y Y )
n2
y
68
64
59
47
52
50
42
26
yest
72.28
64.42
57.41
51.17
45.60
40.64
36.22
32.28
(y-yest)
-4.28
-0.42
1.59
-4.17
6.40
9.36
5.78
-6.28
239.66
29.96 S XY
6
(y-yest)2
18.29
0.17
2.52
17.37
40.91
87.53
33.36
39.50
239.66
S yx2 29.96 5.47
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 YX
=1- 2
Y
2
S 2 YX
r =1- 2
SY
2
PROESAD
111
o y + 1 xy - ny 2
r =
y 2 - ny 2
2
8.6.3. Coeficiente de correlacin

Mide el grado de relacin entre las variables.
=
r2
r =
n xy - x y
r =
[n x - ( x) 2 ][n y 2 - ( y ) 2 ]
2
Tabla de interpretacin para el valor del

coeficiente de correlacin:
R
r=0
0,00< r 0,20
0,20< r 0,40
0,40< r 0,60
0,60< r 0,80
0,80< r 1,00
relacin
No existe
muy poco intensa
pequea/apreciab.
considerable
intensa
muy intensa
correlacin
nula
pequea
baja
regular
alta
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 = 1 - (1 - r 2 ) (
n -1
)
n-2
El valor del coeficiente de correlacin y de determinacin vara como sigue:

-1 r 1
0 r2 1
8.6.4. Diagramas de dispersin

y
x
(a)
r = +1
r2 = 1
(b) r = 0
r2 = 0
y
(c)
r = -1
r2 = 1
x
(d) r = 0,60
r2 = 0,36
112
PROESAD
(e)
r = -0,90
r2 = 0,81
Estadstica Aplicada
8.6.5. Significacin del coeficiente de correlacin

Ho: = 0
Ha: 0
to =
r
1 - r2
n - 2
t t = t (1 - /2, 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
diferente de 0 con = 0,05, sin embargo, el coeficiente de determinacin es r 2 = 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

r=
[n x
=
n xy - x y
2
2
2
- ( x) ][ n y - ( y ) ]
10( 26370) ( 7620)( 28.5)
10(7104300) (7620) 2 10(99.75) ( 28.5) 2
0.95
Interpretacin: Existe muy alta correlacin entre la distancia y el tiempo de entrega de los
PROESAD
113
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
3)
to =
1- r
n-2
0.95
8.50
1 - 0.90
8
4) t t = t (1 - /2, n - 2) = t (0.975, 8) 2.306

RR
2 = 0,025
RR
2 = 0,025
RA
1 - = 0,95
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.
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
3)
to =
r
1- r2
n-2
0.50
1 - (0.50) 2
8
1.63
4) t t = t (1 - /2, n - 2) = t (0.975, 8) 2.306

RR
2 = 0,025
RR
2 = 0,025
RA
1 - = 0,95
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.
PROESAD
114
Estadstica Aplicada
AUTOEVALUACIN
1.

( ) 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
Trabajo
Unidades de
Produccin
a)
b)
c)
d)
e)
12
14
14
16
64
13
12
18
59
Grafique el diagrama de dispersin, la recta de regresin e interprete.

Hallar e interpretar la Ecuacin de regresin para estimar la produccin de los operarios
Calcule el error estndar de la estimacin
Hallar el coeficiente de correlacin e interprete su significado
Cuntas unidades de produccin predecira usted con 20 horas de trabajo? Interpretar
3.
Los valores de X e Y son los siguientes:

X
Y
2
1
3
2
4
3
5
3
6
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
Asistencia (miles)
14.5
Cantidad apostada (miles 0.70
dlares)
2
21.2
0.83
3
11.6
0.62
4
31.7
1.10
5
46.8
1.27
6
31.4
1.02
7
40.0
1.15
8
21.0
0.80
9
16.3
0.71
10
32.1
1.04
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)
Eficiencia (Y)
2
90
4
65
11
25
9
40
4
80
6
60
7
35
8
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?
PROESAD
115
Unidad 7
SERIES DE TIEMPO Y NUMERO INDICE
N de tutoras: Dos
Tutora N 9: Series de Tiempo.
Tutora N 10: Nmero ndice.
PROESAD
116
Estadstica Aplicada
PROESAD
117
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.
PROESAD
118
Estadstica Aplicada
Tutora N
Series de tiempo y prediccin
ESTUDIO DE UN CASO
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.
PROESAD
119
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
PROESAD
120
Estadstica Aplicada
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
Ventas
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.
1
FIGURA 1.
3
4
5
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.
PROESAD
121
9.2.2. Ciclo
Ventas
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.
3
4
5
Tiempo (aos)
3
4
5
Tiempo (aos)
Ventas
FIGURA 2
FIGURA 3
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
Ventas
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.
FIGURA 4.
1
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
PROESAD
122
Estadstica Aplicada
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.
Ventas
Ventas
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.
2
3
4
Tiempo (aos)
5
1
FIGURA 6
FIGURA 5
3
4
5
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.
PROESAD
123
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.
PROESAD
124
Estadstica Aplicada
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
19X1
19X2
19X3
19X4
T = 0+ 1t+
Ingresos
58.03
58.27
58.29
58.58
Ao
19X5
19X6
19X7
19X8
Ingresos
58.84
58.72
58.74
59.16
Y estimar 0 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
n x 2 - ( x ) 2
_
0 = y - 1 x =
Se tiene:
y x
1
0
1
=
=
57.95
0.141
As mismo, la frmula de correlacin:
r =
n xy - x y
[n x - ( x) 2 ][n y 2 - ( y ) 2 ]
Se tiene:
r
=
r2
=
0.9464
0.8957
El valor de r2 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.
PROESAD
125
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
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
19X5
4.69
4.78
4.36
4.50
5.09
5.22
5.44
5.24
4.89
4.68
4.22
5.73
19X6
4.85
4.56
4.41
4.70
5.00
5.66
5.13
5.09
5.05
4.64
4.23
5.40
19X7
4.86
4.43
4.65
4.52
5.21
5.29
5.41
5.00
5.11
4.38
4.41
5.47
19X8
4.76
4.67
4.39
4.25
5.02
5.36
5.47
5.48
4.87
4.71
4.42
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.
PROESAD
126
Estadstica Aplicada
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
Enero
Real
Promedio
SS
Febrero
Real
Promedio
SS
Marzo
Real
Promedio
SS
Abril
Real
Promedio
SS
Mayo
Real
Promedio
SS
Junio
Real
Promedio
SS
Julio
Real
Promedio
SS
Agosto
Real
Promedio
SS
Septiembre Real
Promedio
SS
Octubre
Real
Promedio
SS
Noviembre Real
Promedio
SS
Diciembre
Real
Promedio
SS
PROESAD
19X5
4.690
4.780
4.360
4.680
0.932
4.500
4.790
0.939
5.090
4.920
1.035
5.220
5.100
1.024
5.440
5.180
1.050
5.240
5.090
1.029
4.890
4.890
1.000
4.680
4.950
0.945
4.220
4.870
0.867
5.730
4.810
1.191
127
19X6
4.850
4.760
1.019
4.560
4.850
0.940
4.410
4.710
0.912
4.700
4.870
0.965
5.000
4.980
1.004
5.660
5.120
1.105
5.130
5.190
0.988
5.090
5.120
0.944
5.050
4.830
1.046
4.640
4.890
0.949
4.230
4.840
0.874
5.400
4.720
1.144
19X7
4.860
4.720
1.030
4.430
4.780
0.927
4.650
4.740
0.981
4.520
4.820
0.938
5.210
5.020
1.038
5.290
5.090
1.039
5.410
5.210
1.038
5.000
5.040
0.992
5.110
4.870
1.049
4.380
4.880
0.898
4.410
4.830
0.913
5.470
4.740
1.154
19X8
4.760
4.740
1.004
4.670
4.710
0.992
4.390
4.620
0.950
4.250
4.740
0.897
5.020
4.900
1.024
5.360
5.120
1.024
5.470
5.240
1.044
5.480
5.180
1.058
4.870
4.990
0.976
4.710
5.050
0.933
4.420
5.760
Tabla 4
Clculo de la componente Estacional, S
Mes
Estaciones especficas
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Total
0.932
0.939
1.035
1.024
1.050
1.029
1.000
0.945
0.869
1.191
1.019
0.940
0.912
0.965
1.004
1.105
0.988
0.994
1.046
0.949
0.874
1.144
1.030
0.927
0.981
0.938
1.038
1.039
1.038
0.992
1.049
0.898
0.913
1.154
1.004
0.992
0.950
0.897
1.024
1.047
1.044
1.058
0.976
0.933
Promedio de
Tercio
Central
1.019
0.940
0.941
0.938
1.030
1.043
1.041
1.012
1.023
0.939
0.874
1.154
11.954
S
Ajustada
1.02
0.94
0.94
0.94
1.03
1.05
1.05
1.02
1.03
0.94
0.88
1.16
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.
Feb.
Mar.
Abr.
May.
$4.34
$4.36
$4.39
$4.41
$4.43
Jun.
Jul.
Ago.
Sep.
Oct.
$4.45
$4.47
$4.49
$4.52
$4.54
Nov.
Dic.
Ene.
Feb.
$4.56
$4.58
$4.61
$4.63
Mar.
Abr.
May.
Jun.
$4.65
$4.68
$4.70
$4.72
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:
PROESAD
128
Estadstica Aplicada
Ene.
Feb.
Mar.
Abr.
May.
$4.34
$4.36
$4.39
$4.41
$4.43
Jun.
Jul.
Ago.
Sep.
Oct.
$4.45
$4.68
$4.70
$4.73
$4.75
Nov.
Dic.
Ene.
Feb.
$4.77
$4.79
$4.82
$4.84
Mar.
Abr.
May.
Jun.
$4.86
$4.89
$4.91
$4.93
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.
Feb.
Mar.
$5.04
$4.64
$4.64
Abr.
May.
Jun.
$4.64
$5.09
$5.19
Jul.
Ago.
Sep.
$5.19
$5.04
$5.09
Oct.
Nov.
Dic.
$4.64
$4.25
$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
y
T/12 = $4.95
Por ltimo, los ingresos predichos, en millones, son
Ene.
Feb.
$5.05
$4.65
Mar.
Abr.
$4.65
$4.65
May.
Jun.
$5.10
$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
ingresos, se utiliza I = 0.95. Incorporando este factor, se obtienen las siguientes predicciones, en
millones, para los siguientes 18 meses:
PROESAD
129
Ene.
Feb.
Mar.
Abr.
May.
$4.79
$4.41
$4.41
$4.41
$4.84
Jun.
Jul.
Ago.
Sep.
Oct.
$4.93
$4.93
$4.79
$4.84
$4.41
Nov.
Dic.
Ene.
Feb.
$4.04
$5.44
$4.80
$4.42
Mar.
Abr.
May.
Jun.
$4.42
$4.42
$4.84
$4.94
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)
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Junio
Proyectadas
Ingresos
4.79
4.41
4.41
4.41
4.84
4.93
4.93
4.79
4.84
4.41
4.04
5.44
4.80
4.42
4.42
4.42
4.84
4.94
Costos
4.34
4.36
4.39
4.41
4.43
4.45
4.68
4.70
4.73
4.75
4.77
4.79
4.82
4.84
4.86
4.89
4.91
4.93
Utilidad neta
0.45
0.05
0.02
0.00
0.41
0.48
0.25
0.09
0.11
-0.34
-0.73
0.65
-0.02
-0.42
-0.44
-0.47
-0.07
0.01
Utilidades
Acumuladas
0.45
0.50
0.52
0.52
0.93
1.41
1.66
1.75
1.86
1.52
0.79
1.44
1.42
1.00
0.56
0.09
0.02
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
PROESAD
130
Estadstica Aplicada
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.
Tiempo
1
2
3
4
5
6
7
8
9
10
TASA DE INTERS %
Prstamos sobre
Tasa
primera hipoteca
Preferencial
9.00
8.00
9.25
8.25
9.25
8.00
9.25
7.75
9.00
7.75
9.00
7.50
9.00
7.25
8.75
6.75
8.75
6.75
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 +
Siendo
PROESAD
yt-1 = tasa de inters sobre primera hipoteca en el tiempo t 1

xt-1= tasa preferencial en el tiempo t 1
131
Para este problema de regresin se tiene los datos siguientes:

Tiempo
2
3
4
5
6
7
8
9
10
yt
9.25
9.25
9.25
9.00
9.00
9.00
8.75
8.75
9.00
yt-1
9.00
9.25
9.25
9.25
9.00
9.00
9.00
8.75
8.75
xt-1
8.00
8.25
8.00
7.75
7.75
7.50
7.25
6.75
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
b1
b2
R2
R
F2.6
= 8.441
= -0.237
= 0.360
= 0.6634
= 0.8145
= 5.913
El valor del estadgrafo F es significante al nivel = 0.05 de significancia, lo que da confianza de

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:
y t 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
PROESAD
132
Estadstica Aplicada
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.
PROESAD
133
10
Tutora N
Nmeros ndices
10.1. NOCIN
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.
RP =
pn
po
.................... (1)
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:
Po / n =
pn
po
En general: si pa y pb son precios de un artculo durante los perodos a y b respectivamente.
Pa / b =
pb
pa
Ejemplo 10.1
PROESAD
134
Estadstica Aplicada
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:
P90/98 =
P1998 1.50
1.76 176%
P1990 0.85
P98/90 =
P1990 0.85
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:
Pa/b Pb/a = 1, es decir Pa/b =
1
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.
RC =
qn
qo
.................... (2)
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:
qo/n =
qn
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.
qa/a = 1 o sea 100%
PROESAD
135

qa/b qb/a = 1, es decir qa/b =
1
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.
RV
vn pn
v 0 p 0
qn
q0
RP x RC p 0 / n q 0 / n
(3)
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%
va/b vb/a = 1, es decir va/b =
1
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)
pn(1), pn(2) , pn(3) , Se utiliza para identificar los precios del 1 er, 2do , 3er , artculo durante un
PROESAD
136
Estadstica Aplicada
perodo dado.
Se utiliza para identificar los precios del 1 er, 2do, 3er , artculo durante
un perodo base.
2)
po(1), po(2) , po(3) ,
3)
N, total de artculos.
4)
j 1
( j)
p n ( j ) o p n : Es la suma de los precios de todos los artculos durante
un perodo dado.
N
5)
p
j 1
( j)
p o ( j ) o p o : Es la suma de los precios de todos los artculos durante
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
IPAS =
pn
......................... (4)
po
Desventajas:
1.
2.
No tiene en cuenta la importancia relativa de los diversos artculos.

Las unidades escogidas al anotar los precios afecta al ndice (galones, libras, etc.).
ndice de la media aritmtica simple de relaciones de precios
IMASR =
( p n / po )
......................... (5)
N
Desventaja:
ndice de la media geomtrica de relaciones de precios
IMGR = n
pn
(1)
po
(1)
pn
( 2)
po
( 2)
pn
( 3)
po
( 3)
........................ (6)
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:
Ejemplo 10.6
Supongamos que se tiene la siguiente informacin:
PROESAD
137

AOS
ARTCULOS
PRECIO
2000 = 100
ZAPATOS PASAJES
(2)
(3)
60
0,60
LECHE
(1)
1,70
LECHE
(1)
2,00
2002
ZAPATOS
(2)
80
PASAJES
(3)
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:
2.00
1.18
1.70
80
1.33
60
1.00
1.67
0.60
Leche:
(1)
P2002
/ 2000
Zapatos:
( 2)
P2002
/ 2000
Pasajes:
( 3)
P2002
/ 2000
a)
P 2.00 80 1.00 1.33 133%

1.70 60 0.60
P
P / P 1.18 1.33 1.67 1.39 139%
IMASR
IPAS
2002
2000
b)
2002
2000
c)
(1)
P2002
IMGR N (1)
P2000
d)
IMR 1.33 133%
(2)
P2002
( 2 )
P2000
( 3)
P2002
(3) 3 1.18(1.33)(1.67) 1.38 138%

P2000
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:
IL =
pn q o
.............................. (7)
po q o
ndice de Paasche o mtodo del ao dado:
IP =
pn q n
.............................. (8)
po q n
ndice del ao tpico:
PROESAD
138
Estadstica Aplicada
IAT =
pn q t
.............................. (9)
po q t
ndice ideal de Fisher
IIF = IL x IP = (
pn q o pn q n
)(
) .............................. (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 q t = (qo + qn). Sustituyendo este valor de q en la ecuacin (9)
resulta:
IM E =
pn ( q o q n )
.............................. (11)
po ( q o q n )
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.
MAPR / o =
(p n / po )( po q o )
pn q o
=
................... (12)
( po q o )
po q o
Media aritmtica ponderada de relaciones de precios, usando pesos del ao dado.
MAPR / n =
(p n / po )( pn q n )
..................................... (13)
( pn q n )
Media aritmtica ponderada de relaciones de precios, usando pesos del ao tpico.
MAPR / t =
(p n / po )( pt q t )
..................................... (14)
( pt q t )
Nmeros ndices de cantidad o volumen

ndice de la media aritmtica de relaciones de cantidad.
IMASRC
(q n / qo )
.................................................... (15)
N
ndice de agregacin ponderada de cantidad con pesos del ao base.
IAPRC / o
q n po
.................................................... (16)
q o po
ndice de agregacin ponderada de cantidad con pesos del ao dado.
IAPRC / n
q n pn
.................................................... (17)
q o pn
(*) Las frmulas (16) y (17) se llaman ndices de volumen de Laspeyres y de Paasche
respectivamente.
Obs. En estas frmulas se toman los precios como pesos, de forma parecida se modifican las
frmulas (9) a (14).
PROESAD
139
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
(Soles por kilo)
1999
2000
6.34
5.2
4.62
4.53
4.17
4.69
Negra
Colorada
Reproductora
Cantidad
(Unidades)
1999
2000
179 070
142 839
328 770
328 648
736 837
657 179
Fuente: Centros de Acopio de San Luis, Independencia, San Miguel, Ate-Vitarte y Av. El Sol.
a)
b)
c)
d)
e)
f)
g)
h)
i)
ndice de precios por agregacin simple

ndice de la media aritmtica simple de relaciones de precios
ndice de la media geomtrica de relaciones de precios
ndice de la mediana de relaciones de precios
ndice de Laspeyres o mtodo del ao base
ndice de Paasche o mtodo del ao dado
ndice ideal de Fisher
ndice de Marshall-Edgeworth
Media aritmtica ponderada de relaciones de precios usando pesos del ao dado
Solucin:
Precio
(Soles por kilo)
p0
pn
6.34
5.2
4.62
4.53
4.17
4.69
15.13
14.42
Gallina
Negra
Colorada
Reproductora
Total
Negra
Colorada
Reproductora
Total
Paasche
Laspeyres
Gallina
Pn q0
931164
1489328
3455766
5876258
Cantidad
(Unidades)
q0
qn
179 070
142 839
328 770
328 648
736 837
657 179
1 244 677
1 128 666
p0 q0
1135303.8
1518917.4
3072610.3
5726831.5
pn qn
742762.8
1488775.44
3082169.51
5313707.75
Rp
Pesos
pn/p0
0.8202
0.9805
1.1247
2.9254
pnqn
742762.8
1488775.4
3082169.5
5313707.8
Marshall
Edgewort
pn(q0+q0)
p0(q0+q0)
1673927
2040903
2978104
3037271
6537935
5813047
11189966
10891221
p0 qn
905599.3
1518354
2740436
5164389.3
Pormedio
Ponderado
609206
1459773
3466517
5535496
* Tabla trabajada en Excel.
a) ndice de precios por agregacin simple
IPAS
p
p
14.42
0.9531 95.31%
15.13
b) ndice de la media aritmtica simple de relaciones de precios
IMASR
(p
/ p0 )
2.9254
0.9751 97.51%
3
c) ndice de la media geomtrica de relaciones de precios
p n(1)
(1)
p
0
IMGR n
p n( 2)
( 2)
p0
p n(3) 3
(3) 0.82 0.98 1.12 0.9671 96.71%
p0
d) ndice de la mediana de relaciones de precios
IMR 0.9805 98.05%

e) ndice de Laspeyres o mtodo del ao base
PROESAD
140
Estadstica Aplicada
IL
f)
p
p
q0
q0
5876258
1.0261 102.61%
5726831.5
ndice de Paasche o mtodo del ao dado
IP
p
p
qn
qn
5313707.75
1.0289 102.89%
5164389.3
g) ndice ideal de Fisher

IIF
1.0261 1.0289
IL x IP
1.0275 102.75%
h) ndice de Marshall-Edgeworth
IM E
i)
p q
p q
n
qn
qn
11189966
1.0274 102.74%
10591221
Media aritmtica ponderada de relaciones de precios usando pesos del ao dado
MAPR / n
(p / p
( p
n
) ( pn qn )
qn )
5535496
1.0417 104.17%
5726831.5
Nmeros ndices de valor

ndice de agregacin simple de valor.
IASRV
donde:
p n qn
p o qo
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%)
IR1997 =
PROESAD
150
= 0,75 = 75%, lo que era en 1995
200
141
AUTOEVALUACIN
1.

( ) 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
Meses
Exportacin Yi
Ene.
1.38
Feb.
1.13
X Y 2,110
Marz.
1.06
i i
Abr.
1.24
May.
1.16
y
Jun.
1.22
2
i
110
Jul. Agos.
1.24 1.18
Set.
1.24
Oct.
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
c) 1994
b) 1991
d) 1997
Aos
salarios
Indices
1991 = 100%
1994 = 100%
1988 = 100%
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
4.
e) Interpretar
1997 = 100%
798
1117
1114
1151
1088
1785
2253
1778
1566
1677
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.
PROESAD
Ao
Precio $
Cantidad Kg.
1980
1981
1982
15
20
25
6.5
7.4
7.8
142
ndice
precios
ndice cantidad
ndice
valor
Estadstica Aplicada
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
Aos
salarios
1975 = 100
1975
1976
1977
1978
1979
1980
1981
1982
1983
PROESAD
c) 1983
Indices
1978 = 100
1983 = 100
310
330
370
380
430
450
480
540
570
143
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
6
1
4
4
6
6
3
4
2
4
5
3
4
4
4
7
3
6
3
2
2
4
4
4
5
3
3
6
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.
PROESAD
144
Estadstica Aplicada
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
X1 = 73,6
S1 = 10
Compaa B
X2 = 72,4
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
Tamao muestral
media muestral
desviacin estndar
1
100
5,3
2,7
2
100
6,4
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
PROESAD
145
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
PROESAD
146
Estadstica Aplicada
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
PROESAD
147
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
X1= 83
S1 = 7
Texto antiguo
X2 = 79
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?
PROESAD
148
Estadstica Aplicada
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
descuento
3,77
7,50
4,95
3,18
5,77
2,49
8,77
6,98
2,99
1,98
0,49
5,50
0,89
6,49
5,49
Cul es su conclusin para =5%?
Competidor
3,95
7,75
4,99
3,25
5,98
2,39
9,49
6,49
2,95
2,49
0,52
5,82
0,98
6,66
5,55
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.
PROESAD
149
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
exhibicin
2.
Ventas
totales
Ventas
A1
40
44
43
127
A2
53
54
59
166
A3
48
38
46
132
A4
48
61
47
156
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
Descuento en
los precios
3.
Publicidad
Total,
Tj
Con
Sin
Con
9,8
10,6
6,0
5,3
31,7
Sin
6,2
7,1
4,3
3,9
21,5
Total Tk
33,7
19,5
Gran total
T=53,2
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
1
Total,
Tj
87
79
83
92
127
83
73
85
89
166
91
85
90
92
132
Total Tk
261
237
258
273
Gran total
T=1029
Perito
PROESAD
150
Estadstica Aplicada
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
DETERGENTE B
DETERGENTE C
77
72
76
81
58
85
71
74
82
76
66
80
80
79
77
5. Completar la siguiente tabla de anlisis de varianza (ANVA)

FUENTE
VARIACION
SUMA DE
CUADRADO
S
Tratamiento
Error
Total
GRADO DE
LIBERTAD
MEDIA
CUATRADTICA
2
9
10
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
SUCURSAL BETA
SUCURSAL GAMMA
21
27
24
11
15
17
17
18
31
28
26
12
17
15
21
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
edad
1
2
3
4
5
A
6
6
9
8
8
DROGA
C
4
9
8
5
7
B
7
8
12
9
10
D
7
9
6
9
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.
PROESAD
FUENTE
VARIACION
SUMA DE
CUADRADOS
Entre tcnicas
promocionales
Entre zonas de
ventas
Error
Total
7.48
GRADO DE
LIBERTAD
MEDIA
CUADRATICA
3
3.90
11.41
6
11
151
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.
Estado de la
economa
E1:Recesin
E2:Estable
E3:Expansin
Cuenta
de
ahorros
$600
600
600
Decisin de inversin
Bonos
Valores1ra
Acciones
Acciones
corporativo
clase
especulativa opcionales
s
s
$500
$(2500)
$(5000)
$(10000)
900
800
400
(500)
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
PROESAD
152
Estadstica Aplicada
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
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) 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
que se consider bajo control. Las medias de los 40 valores de x y de los 40 valores de R,
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?
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?
PROESAD
153
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:
PROESAD
154
Estadstica Aplicada
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
(aos)
Das
ausente
27
61
37
23
46
58
29
36
64
40
15
10
18
14
11
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
Gasto
3
2
5
3
6
4
7
6
7
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
Asistencia (miles)
14.5
Cantidad
apostada 0.70
(miles dolares)
2
21.2
0.83
3
11.6
0.62
4
31.7
1.10
5
46.8
1.27
6
31.4
1.02
7
40.0
1.15
8
21.0
0.80
9
16.3
0.71
10
32.1
1.04
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
Tiempo
servicios
48
40 30 39
46
42
27 36 34
46 32
42 40 32 27
24
18
22
22
20 12
18 16
de
9
14
13 10
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.
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,
PROESAD
155
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
570
Espacio 6
6
421 581
346 672
3
6
3
9
630
412
560
434
443
590
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
Y
2
1
3
2
4
3
5
3
6
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.
opcio.
orden.
Tiempo
de
entrega
3 4
25
11
12
12
14
16
17
20
25 32
66 70
26
38
34
41
39
46
44
51
53
58
61
64
23
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
X
Y
1
2
$70
2
1
40
3
3
100
4
2
80
5
1
30
6
3
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
Y
PROESAD
9
15
29
11
14
67
49
12
10
24 10 58
156
16
13
28 10 77
Estadstica Aplicada
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
4
8
a)
b)
c)
d)
Y ($ 100
2
1
3
3
4
5
6
000)
5
7
Constryase un diagrama de dispersin y trcese la recta de regresin de Y sobre X en el
diagrama.
Estmese el volumen de ventas anuales para un vendedor que tiene una experiencia en
ventas de diez aos.
Hallar el error estndar de estimacin
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
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
19X3
131
119
124
175
229
275
293
313
321
318
323
199
19X4
148
134
158
211
256
315
329
321
328
295
234
205
19X5
111
119
126
171
247
276
300
322
322
279
225
235
19X6
146
133
136
169
218
287
281
326
343
326
302
245
19X7
166
120
139
170
255
309
322
350
354
400
295
248
Deber procederse como sigue:

a. Estmese la componente de tendencia T utilizando los datos anuales de los cinco aos.
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.
PROESAD
157
d.
6.
Elaborar la prediccin que se pide. (Emplear C = 1.0)
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
Enero
0.870 Mayo
1.017
Septiembre
Febrero 0.833 Junio
0.895
Octubre
Marzo
1.004 Julio
0.859
Noviembre
Abril
1.006 Agosto
0.998
Diciembre
ndice
1.013
1.059
1.118
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:
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Primer ao
341
338
448
479
512
577
599
576
546
511
496
536
Segundo
ao
488
480
633
349
706
791
812
776
738
679
655
701
Tercer ao
638
621
817
853
905
994
999
978
920
846
809
867
Cuarto ao
789
765
987
998
1107
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.
PROESAD
158
Estadstica Aplicada
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.
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Ventas
12
17
22
26
29
34
41
16
15
12
8
19
Viviendas
Iniciadas
12
15
16
20
22
28
30
16
14
12
6
6
Ventas
10
18
19
24
28
33
43
25
18
14
9
22
Viviendas
Iniciadas
9
16
16
21
23
29
32
19
16
13
8
7
Ventas
6
10
11
21
22
25
28
26
19
16
8
18
Viviendas
Iniciadas
5
8
8
16
17
19
22
20
15
12
6
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.
Ao
1988
1989
1990
1991
1992
1993
1994
1995
Precio medio del arroz

(S/. por kg)
0,20
0,30
0,80
0,85
0,90
0,92
1,00
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.
Ao
1990
1991
1992
1993
1994
1995
Relacin de Precios
(1987-1989) = 100
127
134
118
125
137
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.
Ao
PROESAD
Energa elctrica
(miles de millones de kwh)
159
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1,918
2,038
2,124
2,206
2,247
2,286
2,295
2,241
2,310
2,416
2,470
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
1990
1991
1992
1993
1994
Relacin de Precios
(1990 = 100)
100
125
150
175
200
Relacin de valor
(1981-1983=100)
150
180
207
231
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.
Metales
Cobre
Plomo
Estao
Zinc
Precio
(centavos por libra)
1985
1994
64,2
66,8
21,5
25,6
339,8
623,8
39,0
48,6
Cantidad
(millones de libras)
1985
1994
3440
2406
1144
710
49,4
42,8
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
PROESAD
160
Estadstica Aplicada
base.
Ao
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
PROESAD
ndice de precio del producto

(1977 = 100)
134,7
160,1
174,9
183,0
194,2
209,3
235,6
268,8
293,4
299,3
303,1
161
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.
PROESAD
162
Estadstica Aplicada
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
01
02
03
04
39591
46304
99547
06743
69568
66082
97377
60779
63537
65496
48626
43462
22734
24553
49033
95780
21739
23678
77225
88577
55228
14566
44895
94743
98606
87189
72533
89767
79448
92156
75717
60171
18249
12753
08846
97042
29024
41702
95986
54912
19696
77581
35850
78088
12691
48613
72760
40543
48019
13170
05
06
07
08
09
68198
27974
50552
74687
49303
69571
12609
20688
02033
76629
34349
77428
02769
98290
71897
73141
64441
63037
62635
30990
42640
49008
15494
88877
62923
44721
60489
71784
28599
36686
30402
66780
70559
63682
96167
3507
55499
58158
35566
11492
33475
80842
53437
03271
90333
47401
57706
46216
05651
84501
10
11
12
13
14
89734
74042
84706
83664
47813
39183
40747
31375
21365
74854
52026
02617
67053
28882
73388
14997
11346
73367
48926
11385
15140
01884
95349
45435
99108
18250
82066
31074
60577
97878
62831
55913
36908
85270
97878
51236
72422
42782
02777
17473
61236
13971
89690
06878
07682
09179
64209
48002
27561
20166
15
16
17
18
19
00371
81182
75242
96239
82988
56525
48434
35904
80246
17440
38880
27431
73077
07000
85311
53702
55806
24537
09555
03360
09517
25389
8135 4
55051
38176
47281
40774
48902
49596
51462
15995
72978
03478
44629
86070
98350
16835
42867
88225
03924
25233
65066
04552
28195
84413
79718
28732
66034
44598
92363
20
21
22
23
24
77599
61433
76008
26494
4670
29143
33118
15045
76598
88558
89088
53488
45440
85834
77533
57593
82981
84062
10844
33359
60036
44709
55236
56300
07830
17297
44709
52363
56300
07830
30923
64388
33726
72118
53260
36224
00198
44301
96510
46755
46327
14135
86246
98388
36881
96266
57514
99727
80161
98535
25
26
27
28
29
73995
93901
41925
80720
92596
41532
38276
28215
02782
39416
87933
75544
40966
24326
50362
79930
19679
93501
41328
04423
14310
82899
45446
10357
04561
64833
11365
27913
86883
58179
49020
22896
21708
80086
54188
36224
00498
44301
96510
46755
99726
77165
81404
57072
14322
97007
08734
15119
12100
97056
30
31
32
33
34
39693
86923
99700
60248
29136
58559
37863
79237
21953
71987
45839
14340
18172
52321
03992
47278
30929
58879
16981
67025
38548
04079
56221
03252
31070
38885
65274
65644
90433
78348
19875
03030
33331
97304
47823
70067
42118
01788
77138
44978
86711
09362
32961
71026
13037
57005
82972
40996
01946
47732
35
36
37
38
39
57471
57424
56768
70400
05454
42913
93847
71694
81534
88418
85212
03269
63361
02148
48646
42319
56096
80836
41441
99565
92901
95028
30841
26582
36635
97727
14039
71875
27481
85496
04775
76128
40944
84262
18894
26829
15110
87502
50181
11033
38154
27301
01887
42409
26894
25238
65529
54822
62950
00889
40
41
42
43
44
80934
06919
00152
88505
64514
56136
46237
23997
74625
80967
47063
50676
41751
71783
33545
96311
11238
74756
82511
09582
19067
75637
50975
13661
86329
59790
43086
75365
63178
58152
08752
95323
70158
39291
05931
68040
52867
67663
76796
35961
85685
06891
51431
74736
70069
83076
32089
16375
10980
12142
45
46
47
48
49
25280
71292
49734
43075
15116
53007
63716
50498
09754
16643
99651
93210
08974
71880
03981
96366
59312
05904
92614
06566
49378
39493
68172
99928
14050
80971
24252
02864
94424
33671
10419
54849
10994
86353
03814
12981
29754
22482
87549
48856
70572
41497
12912
94499
41267
11575
79228
17920
11459
76252
PROESAD
163
NMEROS ALEATORIOS
50 - 54
55 - 59
60 - 64
65 - 69
70 - 74
75 - 79
80 - 84
85 - 89
90 - 94
95 - 99
50
51
52
53
54
25178
45803
15532
99068
70983
77518
95106
30898
35453
88359
41773
85816
14922
42152
95583
39926
33366
13923
12078
79348
09843
37383
44987
04913
24101
29694
76832
45122
06083
07502
43801
37024
86515
06645
25692
69276
06581
55836
93310
42496
44707
22587
96165
40016
77732
23455
24827
19650
8421
19278
55
56
57
58
59
71181
44052
91555
54307
63631
48289
59163
87708
12188
23919
03153
74033
70964
58089
06785
18779
86112
43346
73745
13891
65702
27731
56811
35569
89918
03612
46135
03725
97352
76211
64608
63092
75139
77301
09362
84071
59171
77674
37684
34292
4788
44816
82467
36823
17640
09982
12354
41899
69218
6907
60
61
62
63
64
46832
05944
28199
09391
29634
30801
82632
90116
05600
13021
98898
39310
59501
00624
96568
28954
74857
49025
95068
15124
97793
61725
73005
33776
55092
20825
50569
84954
44985
44043
36775
81937
11587
01505
31073
71974
16820
97691
76911
92371
15574
85446
90415
45539
51288
09184
51168
84685
32181
33378
65
66
67
68
69
61509
87888
94585
82033
79131
18842
23033
15218
93915
10022
79201
69837
74838
34898
82199
46451
65661
61809
79913
78976
68594
15130
92293
70013
22702
98120
44649
85400
27573
37936
68110
42515
46934
39256
10445
91062
83861
08531
35167
96846
42095
50721
70107
35070
84927
61839
36110
65707
47095
69745
70
71
72
73
74
79344
15384
38802
85874
26200
39236
44585
90957
18400
72680
41333
18773
32910
28151
12364
11473
89733
97485
29541
46010
15049
40779
10358
63706
92208
47930
59664
88588
43197
59103
99029
83328
95310
65726
60417
97150
25162
22252
94117
45389
82275
58758
19143
22169
56122
55140
17761
69011
91806
85353
75
76
77
78
79
13772
91876
31721
92570
02880
75282
07434
21713
53242
29307
81418
96946
83632
98133
73734
42188
98382
40605
84706
66448
66529
97374
24227
84706
66448
47981
34444
53219
29645
74645
92548
17992
05482
79336
29562
10079
42811
86768
66091
13999
68179
01579
53239
05793
17492
40915
48741
24812
25922
49891
80
81
82
83
84
80982
38000
14218
74358
39049
14684
43364
94289
21940
14986
31038
94825
79484
40280
94000
85302
32413
61868
22233
26649
98349
46781
40034
09123
13037
57313
09685
22546
49375
13037
86371
69058
68726
55094
45186
33938
56644
14736
46113
89515
10768
85531
89844
54046
63214
60837
55173
13466
51771
66886
85
86
87
88
89
48727
22719
33980
23885
85190
06300
29784
36769
66721
44068
91486
40682
51977
16542
78477
67316
96715
03689
12648
69133
84576
40745
79071
65986
58983
11100
57458
20279
43104
96504
37580
50048
64787
45583
44232
49629
48306
48877
75729
74809
83224
50270
44063
35118
25266
46321
87424
93733
58742
73872
90
91
92
93
94
33453
98236
21295
28335
95449
36333
11489
53565
79849
35273
45814
97240
43609
69842
62581
78128
01678
48439
71669
85522
55914
30779
87427
38770
35813
89829
75214
88065
54445
34475
43251
80039
09892
48736
97514
41634
68895
58524
03242
72839
48488
95271
43815
83181
10387
49153
19654
31340
85403
31649
95
96
97
98
99
88167
86131
71134
02664
90664
03878
62596
90264
53438
96876
89405
98785
30126
76839
16663
55461
02360
08586
52290
25608
73248
54271
97497
77999
67140
48620
26242
61678
05799
84619
31732
93735
81940
93744
67167
47317
20752
00907
16634
13192
06252
17146
39096
84924
81774
54652
18315
02082
31344
58619
PROESAD
164
Estadstica Aplicada
NMEROS ALEATORIOS
00 - 04
05 - 09
10 - 14
15 - 19
20 - 24
25 - 29
30 - 34
35 - 39
40 - 44
45 - 49
00
01
02
03
04
93873
08761
61270
73758
17132
86558
47547
98773
15578
32196
72524
02216
40298
95748
60523
02542
48086
26077
02967
00544
73184
56490
80396
35122
73700
37905
89959
08166
36539
70122
05882
69975
35723
72822
27962
15596
04500
61933
68241
45597
73646
23779
13985
34803
36011
50798
76697
19102
42457
79971
05
06
07
08
09
26175
06004
34687
27865
89423
29794
04516
73753
08255
51114
44838
06210
36327
57859
90820
84414
03536
73704
04746
26786
82748
84451
61564
79700
77404
22246
30767
99434
68823
05795
70694
37928
90938
16002
49036
57953
26986
03967
58115
34686
39780
07396
97420
07589
98767
17791
64611
19913
12675
32284
10
11
12
13
14
99030
02852
10850
38301
48181
80312
54339
42788
18507
95478
69745
45496
94737
33151
62739
87636
20587
74549
69434
90148
10058
85921
74296
80103
00156
84834
06763
15053
02603
09338
89485
68873
46816
6110
44558
08775
35367
32141
89395
53271
19041
42627
02533
67621
87549
61375
54973
25648
67025
45974
15
16
17
18
19
23098
25104
22205
64975
58710
23720
82019
40198
05064
75278
76508
21120
86884
29617
47730
69083
06165
28103
40622
26093
56584
44324
57306
20330
16436
90423
77577
54915
18518
38868
21634
15774
03426
45312
76861
35999
44091
66700
57921
85914
09234
69687
45993
23188
14162
95116
67576
36668
82361
21984
20
21
22
23
24
12140
73226
12320
41364
97881
72905
39840
86217
64156
80867
26022
47958
66162
23000
70117
07675
97249
70941
23188
72041
16362
14146
58940
64945
03554
34504
34543
58006
33815
29087
47740
46162
80731
32884
19767
39923
74158
66630
76955
71838
04081
59739
02183
56574
80545
03162
67447
94678
61666
61402
25
26
27
28
29
88295
95321
24337
00718
38093
87271
89836
14264
66303
10328
82812
78230
30185
75009
96998
97588
46037
36753
91431
91386
09960
72483
22343
64245
34967
06312
87533
81737
61863
40407
03050
74571
62926
16738
48380
77332
88859
76494
23127
09115
25977
26908
93536
89435
59367
13385
55626
75502
45109
49596
30
31
32
33
34
87661
87142
60634
73356
29889
31701
91818
27142
64431
11378
29974
51857
21199
05068
65915
56777
85061
50437
56334
66776
66751
17890
04685
34487
95034
35418
39057
70252
78253
81447
63887
44506
91453
67684
98035
95094
00969
75952
69916
16815
20056
32942
66753
63885
68432
84990
54794
50664
88491
63020
35
36
37
38
39
48257
38425
482226
80189
33208
36438
29462
31868
30031
33475
48479
79880
38620
15435
95219
72173
45713
12135
76730
29832
31418
90049
28346
58565
74569
1035
01136
17552
29817
50667
84239
72426
03203
36775
90569
02032
25077
42618
64007
66717
40409
64361
44151
47912
46958
11715
94284
78438
16754
04820
40
41
42
43
44
19750
62820
95737
64642
77636
48564
23174
34362
62961
60163
49690
71124
81520
37566
14915
43352
36040
79481
41064
50744
53834
34873
26442
69372
95611
80125
95650
37826
84369
99346
47792
79059
76866
92823
39741
99701
23394
01580
91391
04407
06800
58534
83713
61056
72940
22794
78296
94272
44495
87936
45
46
47
48
49
43633
93686
23775
91325
58129
52102
41960
33402
64698
44367
93561
61280
28647
58868
31924
31010
96529
42314
63107
73586
11299
52924
51213
08993
24422
52661
87371
29116
96000
92799
79014
34855
26243
66854
28963
17910
67125
40243
11567
36444
88492
40279
32137
80604
01315
60753
10186
25177
72299
10226
PROESAD
165
NMEROS ALEATORIOS
50 - 54
55 - 59
60 - 64
65 - 69
70 - 74
75 - 79
80 - 84
85 - 89
90 - 94
95 - 99
50
51
52
53
54
37686
58108
71545
93303
36731
78520
29344
42326
90557
37929
31209
11825
66429
79166
13079
83677
51955
93607
90097
83036
99115
50618
55276
01627
31525
94024
99753
85482
96690
35811
09286
02200
24449
77434
59131
58927
50503
41764
06402
65257
24078
32466
19884
05379
03731
16770
50055
46443
59549
86703
55
56
57
58
59
49781
65995
19663
88479
95407
31581
94208
09309
24307
95006
80391
68785
02836
63812
95421
84608
04370
10223
47615
20811
23390
44192
90814
17220
76761
30433
91852
92786
27942
47475
08249
01129
96747
11785
58865
85136
28739
46014
49933
06204
80060
08705
54765
03923
36543
43651
54538
76001
35432
81002
60
61
62
63
64
22789
96783
68933
68794
40537
87011
18403
05665
13000
31604
61926
36729
12264
20066
60323
97996
18760
23954
98963
51235
16604
30810
01883
93483
65546
80855
73087
75411
51165
85117
48714
94565
04460
63358
15647
52754
68682
83939
12373
09617
98279
15792
66528
13877
73520
96467
60020
22576
37580
48525
65
66
67
68
69
41249
08813
46609
68543
09926
42504
84525
30917
69424
84219
91773
30329
29996
92072
30089
81579
33144
10848
57937
08843
02588
76884
39555
05563
24998
74657
89996
09233
80727
27105
73765
7834
58988
67053
18397
10932
67266
82131
35431
79071
74607
96820
69232
00881
40738
83825
15128
76762
56541
73876
70
71
72
73
74
30515
21611
47410
18572
28078
76316
26346
83767
31214
02819
49597
04877
56454
41015
02459
37900
71584
96768
64110
33308
98604
55724
27001
61807
96540
05857
39616
83712
72472
15817
51729
64648
01245
78059
78694
19006
26811
27256
69701
81476
15239
60915
57991
78681
85856
27129
34108
75758
17356
99737
75
76
77
78
79
56644
27331
32080
27027
56471
50430
48055
21524
69762
68839
34562
18928
32929
65362
09969
75842
47463
07739
90214
45853
67724
61966
08836
89572
72627
02918
64507
39497
52054
71793
55603
06559
94476
43067
49920
55195
81329
27433
73017
64544
88219
29481
96857
87664
71874
39676
03660
52987
03293
74053
80
81
82
83
84
22689
71263
64084
23121
78906
19799
82247
57386
10194
48080
18870
66684
89278
0991
76745
49272
90239
27187
37062
65814
74783
67686
52142
43446
51167
38777
48963
96305
09107
87755
76176
30842
87393
47156
66884
40961
59354
80164
70179
12718
18089
33551
95518
00858
14951
32499
87966
82742
92326
47937
85
86
87
88
89
87257
39529
89632
23708
51445
26005
98126
11606
98919
46758
21544
33694
87159
14407
42024
37223
29025
89408
53722
27940
53288
94308
06295
58779
64237
72056
24426
31055
92849
10086
96396
63072
15530
04176
95601
67099
51444
46432
24870
53923
49416
04718
49871
56688
85209
91891
49891
37982
25405
79385
90
91
92
93
94
23849
78613
90694
96772
24527
65272
15441
27996
86829
40701
24743
34568
94181
36403
56894
39960
57398
87428
40087
73327
27313
25872
41135
67456
00789
99925
61792
29461
21071
97573
29743
94599
72716
39039
09303
87270
60944
68956
91937
41704
05773
90908
67871
45280
05772
21797
38948
72459
00066
95372
95
96
97
98
99
31596
31613
02911
02484
69259
70876
99249
09514
74068
75535
46807
17260
50864
04670
73007
06741
05242
80622
19646
15236
29352
19535
20017
41951
01572
23829
52702
59019
05111
44870
52465
64761
43450
34013
53280
00336
66694
75942
57443
25132
24155
06150
08567
87481
70276
61871
13820
40547
48994
87334
PROESAD
166
Estadstica Aplicada
APNDICE N 2
TABLA DE LA DISTRIBUCIN ACUMULADA BINOMIAL
x
P X x C kn p k 1 p
nk
k 0
p
n
X
2
3
4
PROESAD
0
1
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8
0.05
0.9025
0.9975
0.8574
0.9928
0.9999
0.8145
0.9860
0.9995
1.0000
0.7738
0.9774
0.9988
1.0000
1.0000
0.7351
0.9672
0.9978
0.9999
1.0000
1.0000
0.6983
0.9556
0.9962
0.9998
1.0000
1.0000
1.0000
0.6634
0.9428
0.9942
0.9996
1.0000
1.0000
1.0000
1.0000
0.6302
0.9288
0.9916
0.9994
1.0000
1.0000
1.0000
1.0000
1.0000
0.10
0.8100
0.9900
0.7290
0.9720
0.9990
0.6561
0.9477
0.9963
0.9999
0.5905
0.9185
0.9914
0.9995
1.0000
0.5314
0.8857
0.9842
0.9987
0.9999
1.0000
0.4783
0.8503
0.9743
0.9973
0.9998
1.0000
1.0000
0.4305
0.8131
0.9619
0.9950
0.9996
1.0000
1.0000
1.0000
0.3874
0.7748
0.9470
0.9917
0.9991
0.9999
1.0000
1.0000
1.0000
0.15
0.7225
0.9775
0.6141
0.9393
0.9966
0.5220
0.8905
0.9880
0.9995
0.4437
0.8352
0.9734
0.9978
0.9999
0.3771
0.7765
0.9527
0.9941
0.9996
1.0000
0.3206
0.7166
0.9262
0.9879
0.9988
0.9999
1.0000
0.2725
0.6572
0.8948
0.9786
0.9971
0.9998
1.0000
1.0000
0.2316
0.5995
0.8591
0.9661
0.9944
0.9994
1.0000
1.0000
1.0000
0.20
0.6400
0.9600
0.5120
0.8960
0.9920
0.4096
0.8192
0.9728
0.9984
0.3277
0.7373
0.9421
0.9933
0.9997
0.2621
0.6554
0.9011
0.9830
0.9984
0.9999
0.2097
0.5767
0.8520
0.9667
0.9953
0.9996
1.0000
0.1678
0.5033
0.7969
0.9437
0.9896
0.9988
0.9999
1.0000
0.1342
0.4362
0.7382
0.9144
0.9804
0.9969
0.9997
1.0000
1.0000
0.25
0.5625
0.9375
0.4219
0.8438
0.9844
0.3164
0.7383
0.9492
0.9961
0.2373
0.6328
0.8965
0.9844
0.9990
0.1780
0.5339
0.8306
0.9624
0.9954
0.9998
0.1335
0.4449
0.7564
0.9294
0.9871
0.9987
0.9999
0.1001
0.3671
0.6785
0.8862
0.9727
0.9958
0.9996
1.0000
0.0751
0.3003
0.6007
0.8343
0.9511
0.9900
0.9987
0.9999
1.0000
167
0.30
0.4900
0.9100
0.3430
0.7840
0.9730
0.2401
0.6517
0.9163
0.9919
0.1681
0.5282
0.8369
0.9692
0.9976
0.1176
0.4202
0.7443
0.9295
0.9891
0.9993
0.0824
0.3294
0.6471
0.8740
0.9712
0.9962
0.9998
0.0576
0.2553
0.5518
0.8059
0.9420
0.9887
0.9987
0.9999
0.0404
0.1960
0.4628
0.7297
0.9012
0.9747
0.9957
0.9996
1.0000
0.35
0.4225
0.8775
0.2746
0.7183
0.9571
0.1785
0.5630
0.8735
0.9850
0.1160
0.4284
0.7648
0.9460
0.9947
0.0754
0.3191
0.6471
0.8826
0.9777
0.9982
0.0490
0.2338
0.5323
0.8002
0.9444
0.9910
0.9994
0.0319
0.1691
0.4278
0.7064
0.8939
0.9747
0.9964
0.9998
0.0207
0.1211
0.3373
0.6089
0.8283
0.9464
0.9888
0.9986
0.9999
0.40
0.3600
0.8400
0.2160
0.6480
0.9360
0.1296
0.4752
0.8208
0.9744
0.0778
0.3370
0.6826
0.9130
0.9898
0.0467
0.2333
0.5443
0.8208
0.9590
0.9959
0.0280
0.1586
0.4199
0.7102
0.9037
0.9812
0.9984
0.0168
0.1064
0.3154
0.5941
0.8263
0.9502
0.9915
0.9993
0.0101
0.0705
0.2318
0.4826
0.7334
0.9006
0.9750
0.9962
0.9997
0.45
0.3025
0.7975
0.1664
0.5748
0.9089
0.0915
0.3910
0.7585
0.9590
0.0503
0.2562
0.5931
0.8688
0.9815
0.0277
0.1636
0.4415
0.7447
0.9308
0.9917
0.0152
0.1024
0.3164
0.6083
0.8471
0.9643
0.9963
0.0084
0.0632
0.2201
0.4770
0.7396
0.9115
0.9819
0.9983
0.0046
0.0385
0.1495
0.3614
0.6214
0.8342
0.9502
0.9909
0.9992
0.50
0.2500
0.7500
0.1250
0.5000
0.8750
0.0625
0.3125
0.6875
0.9375
0.0313
0.1875
0.5000
0.8125
0.9688
0.0156
0.1094
0.3438
0.6563
0.8906
0.9844
0.0078
0.0625
0.2266
0.5000
0.7734
0.9375
0.9922
0.0039
0.0352
0.1445
0.3633
0.6367
0.8555
0.9648
0.9961
0.0020
0.0195
0.0898
0.2539
0.5000
0.7461
0.9102
0.9805
0.9980
10
11
12
13
14
PROESAD
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10
0
1
2
3
4
5
6
7
8
9
10
11
0
1
2
3
4
5
6
7
8
9
10
11
12
0
1
0.05
0.5987
0.9139
0.9885
0.9990
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.5688
0.8981
0.9848
0.9984
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.5404
0.8816
0.9804
0.9978
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.5133
0.8646
0.9755
0.9969
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4877
0.8470
0.10
0.3487
0.7361
0.9298
0.9872
0.9984
0.9999
1.0000
1.0000
1.0000
1.0000
0.3138
0.6974
0.9104
0.9815
0.9972
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
0.2824
0.6590
0.8891
0.9744
0.9957
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.2542
0.6213
0.8661
0.9658
0.9935
0.9991
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2288
0.5846
0.15
0.1969
0.5443
0.8202
0.9500
0.9901
0.9986
0.9999
1.0000
1.0000
1.0000
0.1673
0.4922
0.7788
0.9306
0.9841
0.9973
0.9997
1.0000
1.0000
1.0000
1.0000
0.1422
0.4435
0.7358
0.9078
0.9761
0.9954
0.9993
0.9999
1.0000
1.0000
1.0000
1.0000
0.1209
0.3983
0.6920
0.8820
0.9658
0.9925
0.9987
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
0.1028
0.3567
0.20
0.1074
0.3758
0.6778
0.8791
0.9672
0.9936
0.9991
0.9999
1.0000
1.0000
0.0859
0.3221
0.6174
0.8389
0.9496
0.9883
0.9980
0.9998
1.0000
1.0000
1.0000
0.0687
0.2749
0.5583
0.7946
0.9274
0.9806
0.9961
0.9994
0.9999
1.0000
1.0000
1.0000
0.0550
0.2336
0.5017
0.7473
0.9009
0.9700
0.9930
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
0.0440
0.1979
P
0.25
0.0563
0.2440
0.5256
0.7759
0.9219
0.9803
0.9965
0.9996
1.0000
1.0000
0.0422
0.1971
0.4552
0.7133
0.8854
0.9657
0.9924
0.9988
0.9999
1.0000
1.0000
0.0317
0.1584
0.3907
0.6488
0.8424
0.9456
0.9857
0.9972
0.9996
1.0000
1.0000
1.0000
0.0238
0.1267
0.3326
0.5843
0.7940
0.9198
0.9757
0.9944
0.9990
0.9999
1.0000
1.0000
1.0000
0.0178
0.1010
168
0.30
0.0282
0.1493
0.3828
0.6496
0.8497
0.9527
0.9894
0.9984
0.9999
1.0000
0.0198
0.1130
0.3127
0.5696
0.7897
0.9218
0.9784
0.9957
0.9994
1.0000
1.0000
0.0138
0.0850
0.2528
0.4925
0.7237
0.8822
0.9614
0.9905
0.9983
0.9998
1.0000
1.0000
0.0097
0.0637
0.2025
0.4206
0.6543
0.8346
0.9376
0.9818
0.9960
0.9993
0.9999
1.0000
1.0000
0.0068
0.0475
0.35
0.0135
0.0860
0.2616
0.5138
0.7515
0.9051
0.9740
0.9952
0.9995
1.0000
0.0088
0.0606
0.2001
0.4256
0.6683
0.8513
0.9499
0.9878
0.9980
0.9998
1.0000
0.0057
0.0424
0.1513
0.3467
0.5833
0.7873
0.9154
0.9745
0.9944
0.9992
0.9999
1.0000
0.0037
0.0296
0.1132
0.2783
0.5005
0.7159
0.8705
0.9538
0.9874
0.9975
0.9997
1.0000
1.0000
0.0024
0.0205
0.40
0.0060
0.0464
0.1673
0.3823
0.6331
0.8338
0.9452
0.9877
0.9983
0.9999
0.0036
0.0302
0.1189
0.2963
0.5328
0.7535
0.9006
0.9707
0.9941
0.9993
1.0000
0.0022
0.0196
0.0834
0.2253
0.4382
0.6652
0.8418
0.9427
0.9847
0.9972
0.9997
1.0000
0.0013
0.0126
0.0579
0.1686
0.3530
0.5744
0.7712
0.9023
0.9679
0.9922
0.9987
0.9999
1.0000
0.0008
0.0081
0.45
0.0025
0.0233
0.0996
0.2660
0.5044
0.7384
0.8980
0.9726
0.9955
0.9997
0.0014
0.0139
0.0652
0.1911
0.3971
0.6331
0.8262
0.9390
0.9852
0.9978
0.9998
0.0008
0.0083
0.0421
0.1345
0.3044
0.5269
0.7393
0.8883
0.9644
0.9921
0.9989
0.9999
0.0004
0.0049
0.0269
0.0929
0.2279
0.4268
0.6437
0.8212
0.9302
0.9797
0.9959
0.9995
1.0000
0.0002
0.0029
0.50
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
0.0005
0.0059
0.0327
0.1133
0.2744
0.5000
0.7256
0.8867
0.9673
0.9941
0.9995
0.0002
0.0032
0.0193
0.0730
0.1938
0.3872
0.6128
0.8062
0.9270
0.9807
0.9968
0.9998
0.0001
0.0017
0.0112
0.0461
0.1334
0.2905
0.5000
0.7095
0.8666
0.9539
0.9888
0.9983
0.9999
0.0001
0.0009
Estadstica Aplicada
n
X
14
2
3
4
5
6
7
8
9
10
11
12
13
15
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
16
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
17
0
1
2
3
PROESAD
0.05
0.9699
0.9958
0.9996
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4633
0.8290
0.9638
0.9945
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4401
0.8108
0.9571
0.9930
0.9991
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4181
0.7922
0.9497
0.9912
0.10
0.8416
0.9559
0.9908
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2059
0.5490
0.8159
0.9444
0.9873
0.9978
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1853
0.5147
0.7892
0.9316
0.9830
0.9967
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1668
0.4818
0.7618
0.9174
0.15
0.6479
0.8535
0.9533
0.9885
0.9978
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0874
0.3186
0.6042
0.8227
0.9383
0.9832
0.9964
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0743
0.2839
0.5614
0.7899
0.9209
0.9765
0.9944
0.9989
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0631
0.2525
0.5198
0.7556
0.20
0.4481
0.6982
0.8702
0.9561
0.9884
0.9976
0.9996
1.0000
1.0000
1.0000
1.0000
1.0000
0.0352
0.1671
0.3980
0.6482
0.8358
0.9389
0.9819
0.9958
0.9992
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.0281
0.1407
0.3518
0.5981
0.7982
0.9183
0.9733
0.9930
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0225
0.1182
0.3096
0.5489
P
0.25
0.2811
0.5213
0.7415
0.8883
0.9617
0.9897
0.9978
0.9997
1.0000
1.0000
1.0000
1.0000
0.0134
0.0802
0.2361
0.4613
0.6865
0.8516
0.9434
0.9827
0.9958
0.9992
0.9999
1.0000
1.0000
1.0000
1.0000
0.0100
0.0635
0.1971
0.4050
0.6302
0.8103
0.9204
0.9729
0.9925
0.9984
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
0.0075
0.0501
0.1637
0.3530
169
0.30
0.1608
0.3552
0.5842
0.7805
0.9067
0.9685
0.9917
0.9983
0.9998
1.0000
1.0000
1.0000
0.0047
0.0353
0.1268
0.2969
0.5155
0.7216
0.8689
0.9500
0.9848
0.9963
0.9993
0.9999
1.0000
1.0000
1.0000
0.0033
0.0261
0.0994
0.2459
0.4499
0.6598
0.8247
0.9256
0.9743
0.9929
0.9984
0.9997
1.0000
1.0000
1.0000
1.0000
0.0023
0.0193
0.0774
0.2019
0.35
0.0839
0.2205
0.4227
0.6405
0.8164
0.9247
0.9757
0.9940
0.9989
0.9999
1.0000
1.0000
0.0016
0.0142
0.0617
0.1727
0.3519
0.5643
0.7548
0.8868
0.9578
0.9876
0.9972
0.9995
0.9999
1.0000
1.0000
0.0010
0.0098
0.0451
0.1339
0.2892
0.4900
0.6881
0.8406
0.9329
0.9771
0.9938
0.9987
0.9998
1.0000
1.0000
1.0000
0.0007
0.0067
0.0327
0.1028
0.40
0.0398
0.1243
0.2793
0.4859
0.6925
0.8499
0.9417
0.9825
0.9961
0.9994
0.9999
1.0000
0.0005
0.0052
0.0271
0.0905
0.2173
0.4032
0.6098
0.7869
0.9050
0.9662
0.9907
0.9981
0.9997
1.0000
1.0000
0.0003
0.0033
0.0183
0.0651
0.1666
0.3288
0.5272
0.7161
0.8577
0.9417
0.9809
0.9951
0.9991
0.9999
1.0000
1.0000
0.0002
0.0021
0.0123
0.0464
0.45
0.0170
0.0632
0.1672
0.3373
0.5461
0.7414
0.8811
0.9574
0.9886
0.9978
0.9997
1.0000
0.0001
0.0017
0.0107
0.0424
0.1204
0.2608
0.4522
0.6535
0.8182
0.9231
0.9745
0.9937
0.9989
0.9999
1.0000
0.0001
0.0010
0.0066
0.0281
0.0853
0.1976
0.3660
0.5629
0.7441
0.8759
0.9514
0.9851
0.9965
0.9994
0.9999
1.0000
0.0000
0.0006
0.0041
0.0184
0.50
0.0065
0.0287
0.0898
0.2120
0.3953
0.6047
0.7880
0.9102
0.9713
0.9935
0.9991
0.9999
0.0000
0.0005
0.0037
0.0176
0.0592
0.1509
0.3036
0.5000
0.6964
0.8491
0.9408
0.9824
0.9963
0.9995
1.0000
0.0000
0.0003
0.0021
0.0106
0.0384
0.1051
0.2272
0.4018
0.5982
0.7728
0.8949
0.9616
0.9894
0.9979
0.9997
1.0000
0.0000
0.0001
0.0012
0.0064
N
X
17
4
5
6
7
8
9
10
11
12
13
14
15
16
18
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
19
0
1
2
3
4
5
6
7
8
9
PROESAD
0.05
0.9988
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3972
0.7735
0.9419
0.9891
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3774
0.7547
0.9335
0.9868
0.9980
0.9998
1.0000
1.0000
1.0000
1.0000
0.10
0.9779
0.9953
0.9992
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1501
0.4503
0.7338
0.9018
0.9718
0.9936
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1351
0.4203
0.7054
0.8850
0.9648
0.9914
0.9983
0.9997
1.0000
1.0000
0.15
0.9013
0.9681
0.9917
0.9983
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0536
0.2241
0.4797
0.7202
0.8794
0.9581
0.9882
0.9973
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0456
0.1985
0.4413
0.6841
0.8556
0.9463
0.9837
0.9959
0.9992
0.9999
0.20
0.7582
0.8943
0.9623
0.9891
0.9974
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0180
0.0991
0.2713
0.5010
0.7164
0.8671
0.9487
0.9837
0.9957
0.9991
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0144
0.0829
0.2369
0.4551
0.6733
0.8369
0.9324
0.9767
0.9933
0.9984
P
0.25
0.5739
0.7653
0.8929
0.9598
0.9876
0.9969
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.0056
0.0395
0.1353
0.3057
0.5187
0.7175
0.8610
0.9431
0.9807
0.9946
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
0.0042
0.0310
0.1113
0.2631
0.4654
0.6678
0.8251
0.9225
0.9713
0.9911
170
0.30
0.3887
0.5968
0.7752
0.8954
0.9597
0.9873
0.9968
0.9993
0.9999
1.0000
1.0000
1.0000
1.0000
0.0016
0.0142
0.0600
0.1646
0.3327
0.5344
0.7217
0.8593
0.9404
0.9790
0.9939
0.9986
0.9997
1.0000
1.0000
1.0000
1.0000
0.0011
0.0104
0.0462
0.1332
0.2822
0.4739
0.6655
0.8180
0.9161
0.9674
0.35
0.2348
0.4197
0.6188
0.7872
0.9006
0.9617
0.9880
0.9970
0.9994
0.9999
1.0000
1.0000
1.0000
0.0004
0.0046
0.0236
0.0783
0.1886
0.3550
0.5491
0.7283
0.8609
0.9403
0.9788
0.9938
0.9986
0.9997
1.0000
1.0000
1.0000
0.0003
0.0031
0.0170
0.0591
0.1500
0.2968
0.4812
0.6656
0.8145
0.9125
0.40
0.1260
0.2639
0.4478
0.6405
0.8011
0.9081
0.9652
0.9894
0.9975
0.9995
0.9999
1.0000
1.0000
0.0001
0.0013
0.0082
0.0328
0.0942
0.2088
0.3743
0.5634
0.7368
0.8653
0.9424
0.9797
0.9942
0.9987
0.9998
1.0000
1.0000
0.0001
0.0008
0.0055
0.0230
0.0696
0.1629
0.3081
0.4878
0.6675
0.8139
0.45
0.0596
0.1471
0.2902
0.4743
0.6626
0.8166
0.9174
0.9699
0.9914
0.9981
0.9997
1.0000
1.0000
0.0000
0.0003
0.0025
0.0120
0.0411
0.1077
0.2258
0.3915
0.5778
0.7473
0.8720
0.9463
0.9817
0.9951
0.9990
0.9999
1.0000
0.0000
0.0002
0.0015
0.0077
0.0280
0.0777
0.1727
0.3169
0.4940
0.6710
0.50
0.0245
0.0717
0.1662
0.3145
0.5000
0.6855
0.8338
0.9283
0.9755
0.9936
0.9988
0.9999
1.0000
0.0000
0.0001
0.0007
0.0038
0.0154
0.0481
0.1189
0.2403
0.4073
0.5927
0.7597
0.8811
0.9519
0.9846
0.9962
0.9993
0.9999
0.0000
0.0000
0.0004
0.0022
0.0096
0.0318
0.0835
0.1796
0.3238
0.5000
Estadstica Aplicada
X
10
11
12
13
14
15
16
17
20
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
PROESAD
0.05
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3585
0.7358
0.9245
0.9841
0.9974
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.10
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1216
0.3917
0.6769
0.8670
0.9568
0.9887
0.9976
0.9996
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.15
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0388
0.1756
0.4049
0.6477
0.8298
0.9327
0.9781
0.9941
0.9987
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.20
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0115
0.0692
0.2061
0.4114
0.6296
0.8042
0.9133
0.9679
0.9900
0.9974
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
P
0.25
0.9977
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.0032
0.0243
0.0913
0.2252
0.4148
0.6172
0.7858
0.8982
0.9591
0.9861
0.9961
0.9991
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
171
0.30
0.9895
0.9972
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
0.0008
0.0076
0.0355
0.1071
0.2375
0.4164
0.6080
0.7723
0.8867
0.9520
0.9829
0.9949
0.9987
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
0.35
0.9653
0.9886
0.9969
0.9993
0.9999
1.0000
1.0000
1.0000
0.0002
0.0021
0.0121
0.0444
0.1182
0.2454
0.4166
0.6010
0.7624
0.8782
0.9468
0.9804
0.9940
0.9985
0.9997
1.0000
1.0000
1.0000
1.0000
0.40
0.9115
0.9648
0.9884
0.9969
0.9994
0.9999
1.0000
1.0000
0.0000
0.0005
0.0036
0.0160
0.0510
0.1256
0.2500
0.4159
0.5956
0.7553
0.8725
0.9435
0.9790
0.9935
0.9984
0.9997
1.0000
1.0000
1.0000
0.45
0.8159
0.9129
0.9658
0.9891
0.9972
0.9995
0.9999
1.0000
0.0000
0.0001
0.0009
0.0049
0.0189
0.0553
0.1299
0.2520
0.4143
0.5914
0.7507
0.8692
0.9420
0.9786
0.9936
0.9985
0.9997
1.0000
1.0000
0.50
0.6762
0.8204
0.9165
0.9682
0.9904
0.9978
0.9996
1.0000
0.0000
0.0000
0.0002
0.0013
0.0059
0.0207
0.0577
0.1316
0.2517
0.4119
0.5881
0.7483
0.8684
0.9423
0.9793
0.9941
0.9987
0.9998
1.0000
APNDICE N 3
DISTRIBUCIN DE POISSON - TRMINOS ACUMULATIVOS
e x
P X x
x!
x0
x
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
PROESAD
10
0.999
172
Estadstica Aplicada
DISTRIBUCIN DE POISSON - Trminos Acumulativos
e x
x!
x0
x
P X x
x
0
1
2
3
4
0.70 0.497 0.844 0.966 0.994 0.999

0.75 0.472 0.827 0.959 0.993 0.999
PROESAD
0.80
0.85
0.90
0.95
1.00
0.449
0.427
0.407
0.387
0.368
0.809
0.791
0.772
0.754
0.736
0.956
0.945
0.937
0.929
0.920
0.994
0.989
0.987
0.984
0.981
0.999
0.998
0.998
0.997
0.996 0.999
1.1
1.2
1.3
1.4
1.5
0.333
0.301
0.273
0.247
0.223
0.699
0.663
0.627
0.592
0.558
0.900
0.879
0.857
0.833
0.809
0.974
0.966
0.957
0.946
0.934
0.995
0.997
0.989
0.983
0.981
0.999
0.998
0.998
0.997 0.999
0.996 0.999
1.6
1.7
1.8
1.9
2.0
0.202
0.183
0.165
0.150
0.135
0.525
0.493
0.463
0.434
0.406
0.783
0.757
0.731
0.704
0.677
0.921
0.907
0.894
0.875
0.857
0.976
0.970
0.964
0.956
0.947
0.994
0.992
0.99
0.987
0.983
0.999
0.998
0.997 0.999
0.997 0.999
0.995 0.999
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
0.122
0.111
0.100
0.091
0.082
0.074
0.067
0.061
0.055
0.050
0.380
0.355
0.331
0.308
0.287
0.267
0.249
0.231
0.215
0.199
0.650
0.623
0.596
0.571
0.544
0.518
0.494
0.469
0.446
0.423
0.839
0.819
0.799
0.779
0.758
0.736
0.714
0.692
0.670
0.647
0.938
0.928
0.916
0.904
0.891
0.877
0.863
0.848
0.832
0.815
0.980
0.975
0.970
0.964
0.958
0.951
0.943
0.935
0.926
0.916
0.994
0.993
0.991
0.988
0.986
0.983
0.979
0.976
0.971
0.966
0.999
0.998
0.997
0.997
0.996
0.995
0.993
0.992
0.990
0.988
0.999
0.999
0.999
0.999
0.998
0.998
0.997
0.996
0.999
0.999
0.999
0.999
10
3.2
3.4
3.6
3.8
4.0
10
0.041
0.330
0.027
0.022
0.018
0.171
0.147
0.126
0.107
0.092
0.380
0.340
0.303
0.269
0.239
0.603
0.558
0.515
0.473
0.433
0.781
0.744
0.706
0.668
0.629
0.895
0.871
0.844
0.816
0.785
0.955
0.942
0.927
0.909
0.889
0.983
0.977
0.969
0.96
0.949
0.994
0.992
0.988
0.984
0.979
0.998
0.997
0.996
0.994
0.992
0.999
0.999
0.998
0.997
4.2
4.4
4.6
4.8
5.0
0.015
0.012
0.010
0.008
0.007
0.078
0.066
0.056
0.048
0.040
0.210
0.185
0.163
0.143
0.126
0.395
0.359
0.326
0.940
0.265
0.590
0.551
0.513
0.476
0.440
0.753
0.72
0.686
0.651
0.616
0.897
0.844
0.818
0.791
0.762
0.936
0.921
0.905
0.887
0.867
0.972
0.964
0.955
0.944
0.932
0.989
0.985
0.98
0.975
0.968
0.996
0.994
0.992
0.99
0.986
5.2
5.4
5.6
5.8
6.0
0.006
0.005
0.004
0.003
0.002
0.034
0.290
0.024
0.021
0.017
0.109
0.095
0.082
0.071
0.062
0.238
0.213
0.191
0.17
0.151
0.406
0.373
0.342
0.313
0.285
0.581
0.546
0.512
0.478
0.446
0.732
0.702
0.67
0.638
0.606
0.845
0.822
0.797
0.771
0.744
0.918
0.903
0.886
0.867
0.847
0.96
0.951
0.941
0.929
0.916
0.982
0.977
0.975
0.965
0.957
173
DISTRIBUCIN DE POISSON - Trminos Acumulativos
e x
x!
x0
x
P X x
3.2
3.4
3.6
3.8
4.0
11
13
14
15
0.999
0.999
4.2
4.4
4.6
4.8
5.0
0.999
0.998
0.997
0.996
0.995
0.999
0.999
0.999
0.998 0.999
5.2
5.4
5.6
5.8
6.0
0.993
0.990
0.988
0.984
0.980
0.997
0.996
0.995
0.993
0.991
0.999
0.999
0.998 0.999
0.997 0.999
0.996 0.999 0.999
0
0.002
0.002
0.001
0.001
0.001
1
0.015
0.012
0.010
0.009
0.007
2
0.054
0.046
0.400
0.034
0.030
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
3
0.134
0.119
0.105
0.093
0.082
4
0.259
0.235
0.213
0.192
0.173
5
6
7
8
9
0.414 0.574 0.716 0.826 0.902
0.384 0.542 0.687 0.803 0.886
0.355 0.511 0.658 0.780 0.869
0.327 0.48 0.628 0.755 0.85
0.301 0.45 0.599 0.729 0.83
10
0.949
0.939
0.927
0.915
0.901
0.001 0.006 0.025 0.072

0.001 0.005 0.022 0.063
0.001 0.004 0.019 0.055
0.004 0.016 0.048
0.003 0.014 0.042
0.156
0.140
0.125
0.112
0.100
0.276
0.253
0.231
0.21
0.191
0.81
0.788
0.765
0.741
0.717
0.887
0.871
0.854
0.835
0.816
0.003 0.012 0.037 0.089 0.174 0.290 0.425 0.565 0.692

0.002 0.010 0.032 0.079 0.157 0.267 0.399 0.537 0.666
0.796
0.774
8.2
8.4
x
0.42
0.392
0.365
0.338
0.313
12
0.099
0.986
0.982
0.978
0.973
13
0.995
0.994
0.992
0.990
0.987
14
0.998
0.997
0.997
0.996
0.994
15
16
0.999
0.999
0.999 0.999
0.998 0.999
0.998 0.999
7.2
7.4
7.6
7.8
8.0
0.937
0.926
0.915
0.902
0.888
0.967
0.961
0.954
0.945
0.936
0.984
0.980
0.976
0.971
0.966
0.993
0.991
0.989
0.986
0.983
0.997
0.996
0.995
0.993
0.992
8.2
8.4
0.873 0.926 0.960 0.979 0.990 0.995 0.998 0.999

0.857 0.915 0.952 0.975 0.987 0.994 0.997 0.999
0.999
0.998
0.998
0.997
0.996
174
17
0.569
0.539
0.51
0.481
0.453
11
0.975
0.969
0.963
0.955
0.947
6.2
6.4
6.6
6.8
7.0
PROESAD
12
0.703
0.676
0.618
0.62
0.593
18
0.999
0.999
0.999
0.999
0.998 0.999
Estadstica Aplicada
e x
DISTRIBUCIN DE POISSON - Trminos Acumulativos P X x
x!
x0
x
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
14.5
15.0
16.0
17.0
18.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
14.5
15.0
16.0
17.0
18.0
1
0.002
0.001
0.001
2
0.009
0.006
0.004
0.003
0.002
0.001
0.001
0.001
3
0.030
0.021
0.015
0.010
0.007
0.005
0.003
0.002
0.002
0.001
0.001
4
0.074
0.055
0.040
0.029
0.021
0.015
0.011
0.008
0.005
0.004
0.003
0.002
0.001
0.001
5
0.150
0.116
0.089
0.067
0.050
0.038
0.028
0.020
0.015
0.011
0.008
0.006
0.004
0.003
0.001
0.001
6
0.256
0.207
0.165
0.13
0.102
0.079
0.06
0.046
0.035
0.026
0.019
0.014
0.010
0.008
0.004
0.002
0.001
7
0.386
0.324
0.269
0.220
0.179
0.143
0.114
0.090
0.070
0.354
0.041
0.032
0.024
0.018
0.010
0.005
0.003
8
0.523
0.456
0.392
0.333
0.279
0.232
0.191
0.155
0.125
0.100
0.079
0.067
0.048
0.037
0.022
0.130
0.007
9
0.653
0.587
0.522
0.256
0.397
0.341
0.289
0.242
0.201
0.166
0.135
0.109
0.088
0.070
0.043
0.026
0.015
10
0.763
0.706
0.645
0.583
0.521
0.460
0.402
0.347
0.297
0.252
0.211
0.176
0.145
0.118
0.077
0.049
0.030
11
0.849
0.803
0.752
0.697
0.639
0.579
0.520
0.462
0.406
0.353
0.304
0.260
0.220
0.185
0.127
0.085
0.055
12
0.909
0.876
0.836
0.792
0.742
0.689
0.633
0.376
0.519
0.463
0.409
0.358
0.311
0.268
0.193
0.135
0.092
13
0.949
0.926
0.898
0.864
0.825
0.781
0.733
0.682
0.628
0.573
0.518
0.464
0.413
0.363
0.275
0.201
0.143
14
0.973
0.959
0.940
0.917
0.888
0.854
0.815
0.772
0.725
0.675
0.623
0.570
0.518
0.466
0.680
0.281
0.208
15
0.986
0.978
0.967
0.951
0.932
0.907
0.878
0.844
0.806
0.764
0.718
0.669
0.619
0.568
0.467
0.371
0.287
18
0.999
0.998
0.996
0.993
0.988
0.982
0.974
0.963
0.948
0.930
0.908
0.883
0.853
0.819
0.742
0.655
0.562
19
0.999
0.999
0.998
0.997
0.994
0.991
0.986
0.979
0.969
0.957
0.942
0.923
0.901
0.875
0.812
0.736
0.651
20
21
22
23
24
25
26
27
28
29
30
31
32
0.999
0.998
0.997
0.995
0.992
0.988
0.983
0.975
0.937
0.952
0.936
0.917
0.868
0.805
0.731
0.999
0.999
0.998
0.996
0.994
0.991
0.986
0.950
0.971
0.960
0.947
0.911
0.861
0.799
0.999
0.999
0.998
0.997
0.995
0.992
0.989
0.983
0.976
0.967
0.942
0.905
0.855
0.999
0.999
0.998
0.996
0.994
0.991
0.983
0.981
0.963
0.937
0.899
0.999
0.999
0.998
0.997
0.995
0.992
0.989
0.978
0.959
0.932
0.999
0.999
0.998
0.997
0.996
0.994
0.987
0.975
0.955
0.999
0.999
0.995
0.997
0.993
0.985
0.972
0.999
0.999
0.995
0.996
0.991
0.983
0.999
0.999
0.998
0.995
0.99
0.999
0.997
0.994
0.999
0.999
0.997
0.999
0.998
0.999
DISTRIBUCIN DE POISSON - Trminos Acumulativos P X x
19.0
20.0
21.0
22.0
23.0
24.0
25.0
19.0
20.0
21.0
22.0
23.0
24.0
25.0
19.0
20.0
21.0
22.0
23.0
24.0
25.0
PROESAD
16
0.993
0.989
0.982
0.973
0.960
0.944
0.924
0.899
0.869
0.835
0.798
0.756
0.711
0.664
0.566
0.468
0.375
e x
x!
x0
x
10
11
12
13
14
15
16
17
0.001
0.002
0.001
0.004
0.002
0.001
0.001
0.009
0.005
0.003
0.002
0.001
0.018
0.011
0.006
0.004
0.002
0.001
0.001
0.035
0.021
0.013
0.008
0.004
0.003
0.001
0.061
0.039
0.025
0.015
0.009
0.005
0.003
0.098
0.066
0.043
0.028
0.017
0.011
0.006
0.015
0.105
0.072
0.048
0.031
0.020
0.012
0.215
0.157
0.111
0.077
0.052
0.034
0.022
0.292
0.221
0.163
0.117
0.082
0.560
0.038
0.378
0.297
0.227
0.169
0.123
0.087
0.060
18
19
20
21
22
23
24
25
26
27
28
29
0.469
0.381
0.302
0.232
0.175
0.128
0.092
0.561
0.470
0.840
0.306
0.238
0.180
0.134
0.647
0.559
0.471
0.387
0.310
0.243
0.185
0.725
0.644
0.558
0.472
0.389
0.314
0.247
0.793
0.721
0.640
0.556
0.472
0.392
0.318
0.849
0.787
0.716
0.637
0.555
0.473
0.394
0.395
0.343
0.782
0.712
0.635
0.554
0.473
0.927
0.888
0.838
0.777
0.708
0.632
0.553
0.951
0.922
0.383
0.832
0.772
0.704
0.629
0.697
0.948
0.917
0.877
0.327
0.768
0.700
0.980
0.966
0.944
0.913
0.873
0.823
0.763
0.988
0.978
0.863
0.940
0.908
0.868
0.818
30
31
32
33
34
35
36
37
38
39
40
41
42
0.993
0.987
0.976
0.959
0.936
0.904
0.863
0.996
0.992
0.982
0.973
0.956
0.932
0.900
0.998
0.995
0.991
0.983
0.971
0.953
0.929
0.999
0.970
0.994
0.989
0.981
0.969
0.950
0.999
0.999
0.997
0.994
0.988
0.979
0.966
0.999
0.998
0.996
0.993
0.987
0.978
0.999
0.998
0.996
0.992
0.985
0.999
0.999
0.997
0.995
0.991
0.999
0.999
0.997
0.994
0.999
1.000
0.997
0.999
0.998
0.999
0.999
0.999
175
17
0.997
0.995
0.991
0.986
0.978
0.968
0.954
0.937
0.916
0.890
0.861
0.827
0.790
0.749
0.659
0.564
0.469
APNDICE N 4
DISTRIBUCIN ACUMULATIVA NORMAL
F z
PROESAD
z2
1
e 2 dz
2
F(z)
F(z)
-4.00
-3.99
-3.98
-3.97
-3.96
0.00003
0.00003
0.00003
0.00004
0.00004
-3.55
-3.54
-3.53
-3.52
-3.51
0.00019
0.00020
0.00021
0.00022
0.00022
-3.10
-3.09
-3.08
-3.07
-3.06
0.00097
0.00100
0.00104
0.00107
0.00111
-3.95
-3.94
-3.93
-3.92
-3.91
0.00004
0.00004
0.00004
0.00004
0.00005
-3.50
-3.49
-3.48
-3.47
-3.46
0.00023
0.00024
0.00025
0.00026
0.00027
-3.05
-3.04
-3.03
-3.02
-3.01
0.00114
0.00118
0.00122
0.00126
0.00131
-3.90
-3.89
-3.88
-3.87
-3.86
0.00005
0.00005
0.00005
0.00005
0.00006
-3.45
-3.44
-3.43
-3.42
-3.41
0.00028
0.00029
0.00030
0.00031
0.00032
-3.00
-2.99
-2.98
-2.97
-2.96
0.00135
0.00139
0.00144
0.00149
0.00154
-3.85
-3.84
-3.83
-3.82
-3.81
0.00006
0.00006
0.00006
0.00007
0.00007
-3.40
-3.39
-3.38
-3.37
-3.36
0.00034
0.00035
0.00036
0.00038
0.00039
-2.95
-2.94
-2.93
-2.92
-2.91
0.00159
0.00164
0.00169
0.00175
0.00181
-3.80
-3.79
-3.78
-3.77
-3.76
0.00007
0.00008
0.00008
0.00008
0.00008
-3.35
-3.34
-3.33
-3.32
-3.31
0.00040
0.00042
0.00043
0.00045
0.00047
-2.90
-2.89
-2.88
-2.87
-2.86
0.00187
0.00193
0.00199
0.00205
0.00212
-3.75
-3.74
-3.73
-3.72
-3.71
0.00009
0.00009
0.00010
0.00010
0.00010
-3.30
-3.29
-3.28
-3.27
-3.26
0.00048
0.00050
0.00052
0.00054
0.00056
-2.85
-2.84
-2.83
-2.82
-2.81
0.00219
0.00226
0.00233
0.00240
0.00246
-3.70
-3.69
-3.68
-3.67
-3.66
0.00011
0.00011
0.00012
0.00012
0.00013
-3.25
-3.24
-3.23
-3.22
-3.21
0.00058
0.00060
0.00062
0.00064
0.00066
-2.80
-2.79
-2.78
-2.77
-2.76
0.00256
0.00264
0.00272
0.00280
0.00289
-3.65
-3.64
-3.63
-3.62
-3.61
0.00013
0.00014
0.00014
0.00015
0.00015
-3.20
-3.19
-3.18
-3.17
-3.16
0.00069
0.00071
0.00074
0.00076
0.00079
-2.75
-2.74
-2.73
-2.72
-2.71
0.00298
0.00307
0.00317
0.00326
0.00336
-3.60
-3.59
-3.58
-3.57
-3.56
0.00016
0.00017
0.00017
0.00018
0.00019
-3.15
-3.14
-3.13
-3.12
-3.11
0.00082
0.00084
0.00087
0.00090
0.00094
-2.70
-2.69
-2.68
-2.67
-2.66
0.00347
0.00357
0.00368
0.00379
0.00391
176
F(z)
Estadstica Aplicada
F z
z2
1
e 2 dz
2
PROESAD
F(z)
F(z)
F(z)
-2.65
-2.64
-2.63
-2.62
-2.61
0.00402
0.00415
0.00427
0.00440
0.00453
-2.20
-2.19
-2.18
-2.17
-2.16
0.01390
0.01426
0.01463
0.01500
0.01539
-1.75
-1.74
-1.73
-1.72
-1.71
0.04006
0.04093
0.04182
0.04772
0.04363
-2.60
-2.59
-2.58
-2.57
-2.56
0.00466
0.00480
0.00494
0.00508
0.00523
-2.15
-2.14
-2.13
-2.12
-2.11
0.01578
0.01618
0.01659
0.01700
0.01743
-1.70
-1.69
-1.68
-1.67
-1.66
0.04457
0.04551
0.04648
0.04746
0.04846
-2.55
-2.54
-2.53
-2.52
-2.51
0.00539
0.00554
0.00520
0.00587
0.00604
-2.10
-2.09
-2.08
-2.07
-2.06
0.01786
0.01831
0.01876
0.01923
0.01970
-1.65
-1.64
-1.63
-1.62
-1.61
0.04947
0.05050
0.05155
0.05262
0.05370
-2.50
-2.49
-2.48
-2.47
-2.46
0.00621
0.00639
0.00657
0.00676
0.00695
-2.05
-2.04
-2.03
-2.02
-2.01
0.02018
0.02068
0.02118
0.02169
0.02222
-160
-1.59
-1.58
-1.57
-1.56
0.05480
0.05592
0.05705
0.05821
0.05938
-2.45
2.44
2.43
-2.42
-2.41
0.00714
0.00734
0.00755
0.00776
0.00798
-2.00
-1.99
-1.98
-1.97
-1.96
0.02275
0.02330
0.02385
0.02442
0.02500
-1.55
-1.54
-1.53
-1.52
-1.51
0.06057
0.06179
0.06301
0.06426
0.06552
-2.40
-2.39
-2.38
-2.37
-2.36
0.00820
0.00842
0.00866
0.00889
0.00914
-1.95
-1.94
-1.93
-1.92
-1.91
0.02569
0.02619
0.02680
0.02745
0.02807
-1.50
-1.49
-1.48
-1.47
-1.46
0.06681
0.06811
0.06944
0.07078
0.07215
-2.35
-2.34
-2.33
-2.32
-2.31
0.00939
0.00940
0.00990
0.01017
0.01044
-1.90
-1.89
-1.88
-1.87
-1.86
0.02872
0.02938
0.03005
0.03074
0.03144
-1.45
-1.44
-1.43
-1.42
-1.41
0.07353
0.07493
0.07636
0.07780
0.07927
-2.30
-2.29
-2.28
-2.27
-2.26
0.01072
0.01101
0.01130
0.01160
0.01191
-1.85
-1.84
-1.83
-1.82
-1.81
0.03216
0.03288
0.03362
0.03438
0.03515
-1.40
-1.39
-1.38
-1.37
-1.36
0.08076
0.08226
0.08379
0.08534
0.08691
-2.25
-2.24
-2.23
-2.22
-2.21
0.01222
0.01255
0.01287
0.01321
0.01355
-1.80
-1.79
-1.78
-1.77
-1.76
0.03593
0.03673
0.03754
0.03836
0.03920
-1.35
-1.34
-1.33
-1.32
-1.31
0.08851
0.09012
0.09176
0.09342
0.09510
177
F z
z2
1
e 2 dz
2
PROESAD
F(z)
F(z)
F(z)
-1.30
-1.29
-1.28
-1.2
-1.26
0.09680
0.09853
0.10027
0.10204
0.10383
-0.85
-0.84
-0.83
-0.82
-0.81
0.19766
0.20045
0.20327
0.20611
0.20897
-0.40
-0.39
-0.38
-0.37
-0.36
0.34458
0.34827
0.35197
0.35569
0.35942
-1.25
-1.24
-1.23
-1.22
-1.21
0.10565
0.10749
0.10935
0.11123
0.11314
-0.80
-0.79
-0.78
-0.77
-0.76
0.21186
0.21476
0.21770
0.22065
0.22363
-0.35
-0.34
-0.33
-0.32
-0.31
0.36317
0.36693
0.37070
0.37448
0.37828
-1.20
-1.19
-1.18
-1.17
-1.16
0.11507
0.11702
0.11900
0.12100
0.12302
-0.75
-0.74
-0.73
-0.72
-0.71
0.22663
0.22965
0.23270
0.23576
0.23885
-0.30
-0.29
-0.28
-0.27
-0.26
0.38209
0.38591
0.38974
0.39358
0.39743
-1.15
-1.14
-1.13
-1.12
-1.11
0.12507
0.12714
0.12924
0.13136
0.13350
-0.70
-0.69
-0.68
-0.67
-0.66
0.24196
0.24510
0.24825
0.25143
0.25463
-0.25
-0.24
-0.23
-0.22
-0.21
0.40129
0.40517
0.40905
0.41294
0.41683
-1.10
-1.09
-1.08
-1.07
-1.06
0.13567
0.13786
0.14007
0.14231
0.14457
-0.65
-0.64
-0.63
-0.62
-0.61
0.25785
0.26109
0.26435
0.26763
0.27093
-0.20
-0.19
-0.18
-0.17
-0.16
0.42074
0.42465
0.42858
0.43251
0.43644
-1.05
-1.04
-1.03
-1.02
-1.01
0.14686
0.14917
0.15150
0.15386
0.15625
-0.60
-0.59
-0.58
-0.57
-0.56
0.27425
0.27760
0.28096
0.28434
0.28774
-0.15
-0.14
-0.13
-0.12
-0.11
0.44038
0.44433
0.44828
0.45224
0.45620
-1.00
-0.99
-0.98
-0.97
-0.96
0.15866
0.16109
0.16354
0.16602
0.16853
-0.55
-0.54
-0.53
-0.52
-0.51
0.29116
0.29460
0.29806
0.30153
0.30503
-0.10
-0.09
-0.08
-0.07
-0.06
0.46017
0.46414
0.46812
0.47210
0.47608
-0.95
-0.94
-0.93
-0.92
-0.91
0.17106
0.17361
0.17619
0.17879
0.18141
-0.50
-0.49
-0.48
-0.47
-0.46
0.30854
0.31207
0.31561
0.31918
0.32276
-0.05
-0.04
-0.03
-0.02
-0.01
0.48006
0.48805
0.48803
0.49202
0.49601
-0.90
-0.89
-0.88
-0.87
-0.86
0.18406
0.18673
0.18943
0.19215
0.19489
-0.45
-0.44
-0.43
-0.42
-0.41
0.32636
0.32997
0.33360
0.33724
0.34090
0.00
0.01
0.02
0.03
0.04
0.50000
0.50399
0.50798
0.51197
0.51595
178
Estadstica Aplicada
F z
z2
1
e 2 dz
2
PROESAD
F(z)
F(z)
F(z)
0.05
0.06
0.07
0.08
0.09
0.51994
0.52392
0.52790
0.53188
0.53586
0.50
0.51
0.52
0.53
0.54
0.69146
0.69497
0.69847
0.70194
0.70540
0.95
0.96
0.97
0.98
0.99
0.82894
0.83147
0.83398
0.83646
0.83891
0.10
0.11
0.12
0.13
0.14
0.53983
0.54380
0.54776
0.55172
0.55561
0.55
0.56
0.57
0.58
0.59
0.70884
0.12260
0.71566
0.71904
0.72240
1.00
1.01
1.02
1.03
1.04
0.84134
0.84375
0.84614
0.84850
0.85083
0.15
0.16
0.17
0.18
0.19
0.55962
0.56356
0.56749
0.57142
0.57535
0.60
0.61
0.62
0.63
0.64
0.72575
0.72907
0.73237
0.73565
0.73891
1.05
1.06
1.07
1.08
1.09
0.85314
0.85543
0.85769
0.85993
0.86214
0.20
0.21
0.22
0.23
0.24
0.57926
0.58317
0.58706
0.59095
0.59483
0.65
0.66
0.67
0.68
0.69
0.74215
0.74537
0.74857
0.75175
0.75490
1.10
1.11
1.12
1.13
1.14
0.86433
0.86650
0.86864
0.87076
0.87286
0.25
0.26
0.27
0.28
0.29
0.59871
0.60257
0.60612
0.61026
0.61409
0.70
0.71
0.72
0.73
0.74
0.75804
0.76115
0.76424
0.76730
0.77035
1.15
1.16
1.17
1.18
1.19
0.87493
0.87698
0.87900
0.88100
0.88298
0.30
0.31
0.32
0.33
0.34
0.61791
0.62172
0.62552
0.62930
0.63307
0.75
0.76
0.77
0.78
0.79
0.77337
0.77637
0.77935
0.78230
0.78524
1.20
1.21
1.22
1.23
1.24
0.88493
0.88686
0.88877
0.89065
0.89251
0.35
0.36
0.37
0.38
0.39
0.63383
0.64058
0.64431
0.64803
0.65173
0.80
0.81
0.82
0.83
0.84
0.78814
0.79103
0.79389
0.79677
0.79955
1.25
1.26
1.27
1.28
1.29
0.89435
0.89617
0.89796
0.89973
0.90147
0.40
0.41
0.42
0.43
0.44
0.65542
0.65910
0.66276
0.66640
0.67003
0.85
0.86
0.87
0.88
0.89
0.80234
0.80511
0.80785
0.81057
0.81327
1.30
1.31
1.32
1.33
1.34
0.90320
0.90490
0.90658
0.90824
0.90988
0.45
0.46
0.47
0.48
0.49
0.67364
0.67724
0.68082
0.68439
0.68793
0.90
0.91
0.92
0.93
0.94
0.81594
0.81859
0.82121
0.82381
0.82639
1.35
1.36
1.37
1.38
1.39
0.91149
0.91309
0.91466
0.91621
0.91774
179
F z
z2
1
e 2 dz
2
PROESAD
F(z)
F(z)
F(z)
1.40
1.41
1.42
1.43
1.44
0.91924
0.92030
0.92220
0.92364
0.92507
1.85
1.86
1.87
1.88
1.89
0.96784
0.96856
0.96926
0.96995
0.97706
2.30
2.31
2.32
2.33
2.34
0.98928
0.98956
0.98983
0.99010
0.99030
1.45
1.46
1.47
1.48
1.49
0.92647
0.92785
0.92922
0.93056
0.93189
1.90
1.91
1.92
1.93
1.94
0.97128
0.97193
0.97257
0.97320
0.97381
2.35
2.36
2.37
2.38
2.39
0.99061
0.99086
0.99111
0.99134
0.99158
1.50
1.51
1.52
1.53
1.54
0.93319
0.93443
0.93574
0.93699
0.93822
1.95
1.96
1.97
1.98
1.99
0.97441
0.97500
0.97558
0.97615
0.97670
2.40
2.41
2.42
2.43
2.44
0.99180
0.99202
0.99224
0.99245
0.99266
1.55
1.56
1.57
1.58
1.59
0.93943
0.94062
0.94179
0.94295
0.94408
2.00
2.01
2.02
2.03
2.04
0.97725
0.97778
0.97831
0.97882
0.97932
2.45
2.46
2.47
2.48
2.49
0.99286
0.99305
0.99324
0.99343
0.99361
1.60
1.61
1.62
1.63
1.64
0.94520
0.94630
0.94738
0.94845
0.94950
2.05
2.06
2.07
2.08
2.09
0.97982
0.98030
0.98077
0.98124
0.98169
2.50
2.51
2.52
2.53
2.54
0.99379
0.99396
0.99413
0.99430
0.99446
1.65
1.66
1.67
1.68
1.69
0.95053
0.95154
0.95254
0.95352
0.95449
2.10
2.11
2.12
2.13
2.14
0.98214
0.98257
0.98300
0.98341
0.98382
2.55
2.56
2.57
2.58
2.59
0.99461
0.99477
0.99492
0.99506
0.99520
1.70
1.71
1.72
1.73
1.74
0.95543
0.95637
0.95728
0.95818
0.95907
2.15
2.16
2.17
2.18
2.19
0.98422
0.98461
0.98500
0.98537
0.98574
2.60
2.61
2.62
2.63
2.64
0.99534
0.99547
0.99560
0.99573
0.99585
1.75
1.76
1.77
1.78
1.79
0.95994
0.96080
0.96164
0.96246
0.96327
2.20
2.21
2.22
2.23
2.24
0.98610
0.98645
0.98679
0.98713
0.98745
2.65
2.66
2.67
2.68
2.69
0.99598
0.99609
0.99621
0.99632
0.99643
1.80
1.81
1.82
1.83
1.84
0.96407
0.96485
0.96562
0.96638
0.96771
2.25
2.26
2.27
2.28
2.29
0.98778
0.98809
0.98840
0.98870
0.98899
2.70
2.71
2.72
2.73
2.74
0.99653
0.99664
0.99674
0.99683
0.99693
180
Estadstica Aplicada
F z
z2
1
e 2 dz
2
PROESAD
F(z)
F(z)
F(z)
2.75
2.76
2.77
2.78
2.79
0.99702
0.99711
0.99720
0.99728
0.99736
3.20
3.21
3.22
3.23
3.24
0.99931
0.99934
0.99936
0.99938
0.99940
3.65
3.66
3.67
3.68
3.69
0.99987
0.99987
0.99988
0.99988
0.99989
2.80
2.81
2.82
2.83
2.84
0.99744
0.99752
0.99760
0.99767
0.99774
3.25
3.26
3.27
3.28
3.29
0.99942
0.99944
0.99946
0.99948
0.99950
3.70
3.71
3.72
3.73
3.74
0.99989
0.99990
0.99990
0.99990
0.99991
2.85
2.86
2.87
2.88
2.89
0.99781
0.99788
0.99795
0.99801
0.99807
3.30
3.31
3.32
3.33
3.34
0.99952
0.99953
0.99955
0.99957
0.99958
3.75
3.76
3.77
3.78
3.79
0.99991
0.99992
0.99992
0.99992
0.99992
2.90
2.91
2.92
2.93
2.94
0.99813
0.99819
0.99825
0.99831
0.99836
3.35
3.36
3.37
3.38
3.39
0.99960
0.99961
0.99962
0.99964
0.99965
3.80
3.81
3.82
3.83
3.84
0.99993
0.99993
0.99993
0.99994
0.99994
2.95
2.96
2.97
2.98
2.99
0.99841
0.99846
0.99851
0.99856
0.99861
3.40
3.41
3.42
3.43
3.44
0.99966
0.99968
0.99969
0.99970
0.99971
3.85
3.86
3.87
3.88
3.89
0.99994
0.99994
0.99995
0.99995
0.99995
3.00
3.01
3.02
3.03
3.04
0.99865
0.99869
0.99874
0.99878
0.99882
3.45
3.46
3.47
3.48
3.49
0.99972
0.99973
0.99974
0.99975
0.99976
3.90
3.91
3.92
3.93
3.94
0.99995
0.99995
0.99996
0.99996
0.99996
3.05
3.06
3.07
3.08
3.09
0.99989
0.99889
0.99893
0.99897
0.99900
3.50
3.51
3.52
3.53
3.54
0.99977
0.99978
0.99978
0.99979
0.99980
3.95
3.96
3.97
3.98
3.99
0.99996
0.99996
0.99996
0.99997
0.99997
3.10
3.11
3.12
3.13
3.14
0.99903
0.99906
0.99910
0.99913
0.99916
3.55
3.56
3.57
3.58
3.59
0.99981
0.99981
0.99982
0.99983
0.99983
4.00
0.99997
3.15
3.16
3.17
3.18
3.19
0.99918
0.99921
0.99924
0.99926
0.99929
3.60
3.61
3.62
3.63
3.64
0.99984
0.99985
0.99985
0.99986
0.99986
181
APNDICE N 5
DISTRIBUCIN ACUMULATIVA t
1
2
3
4
0.75
1.0005
0.816
0.765
0.741
0.8
1.376
1.071
0.978
0.941
0.85
1.963
1.386
1.250
1.190
0.9
3.078
1.836
1.638
1.533
p
0.95
6.314
2.920
2.353
2.132
0.975
12.706
4.303
3.182
2.776
0.99
31.821
6.965
4.541
3.747
0.995
63.657
9.925
5.841
4.604
0.9995
636.619
31.598
12.941
8.610
5
6
7
8
9
10
0.727
0.718
0.711
0.706
0.703
0.700
0.920
0.906
0.896
0.889
0.883
0.879
1.156
1.134
1.119
1.108
1.100
1.093
1.476
1.440
1.415
1.397
1.383
1.372
2.015
1.943
1.895
1.860
1.833
1.812
2.571
2.447
2.365
2.306
2.262
2.228
3.365
3.143
2.998
2.896
2.821
2.764
4.032
3.707
3.449
3.355
3.250
3.169
6.850
5.959
5.405
5.041
4.781
4.587
11
12
13
14
15
0.697
0.695
0.694
0.692
0.691
0.876
0.873
0.870
0.868
0.866
1.088
1.083
1.079
1.076
1.074
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.718
2.681
2.650
2.624
2.602
3.106
3.055
3.012
2.977
2.947
4.437
4.318
4.221
4.140
4.073
16
17
18
19
20
0.690
0.689
0.688
0.688
0.687
0.866
0.863
0.862
0.861
0.860
1.071
1.069
1.067
1.066
1.064
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.584
2.567
2.552
2.540
2.528
2.921
2.898
2.878
2.861
2.845
4.015
3.969
3.922
3.883
3.850
21
22
23
24
25
0.686
0.686
0.685
0.685
0.684
0.859
0.858
0.858
0.857
0.856
1.063
1.061
1.060
1.059
1.058
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.800
2.074
2.069
2.064
2.060
2.518
2.508
2.500
2.492
2.485
2.831
2.819
2.807
2.797
2.787
3.819
3.792
3.767
3.745
3.725
26
27
28
29
30
0.684
0.684
0.683
0.683
0.683
0.856
0.855
0.855
0.854
0.854
1.058
1.057
1.056
1.055
1.055
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.047
2.042
2.477
2.473
2.467
2.462
2.457
2.779
2.771
2.763
2.756
2.750
3.707
3.690
3.674
3.659
3.646
35
40
45
50
55
0.682
0.681
0.680
0.680
0.679
0.852
0.851
0.850
0.849
0.849
1.052
1.050
1.048
1.047
1.047
1.306
1.303
1.301
1.299
1.297
1.690
1.684
1.680
1.676
1.673
2.030
2.021
2.014
2.008
2.004
2.438
2.423
2.412
2.403
2.396
2.724
2.704
2.690
2.698
2.669
3.591
3.551
3.520
3.496
3.476
60
70
80
90
100
0.679
0.678
0.678
0.678
0.677
0.848
0.847
0.847
0.846
0.846
1.046
1.045
1.044
1.043
1.042
1.296
1.294
1.293
1.291
1.290
1.671
1.667
1.665
1.662
1.661
2.000
1.944
1.990
1.987
1.984
2.390
2.381
2.374
2.368
2.364
2.600
2.648
2.638
2.632
2.626
3.460
3.435
3.416
3.402
3.390
200
300
400
500
1000
0.676
0.676
0.676
0.676
0.675
0.844
0.843
0.843
0.843
0.842
1.039
1.038
1.038
1.037
1.037
1.286
1.285
1.284
1.284
1.283
1.653
1.650
1.649
1.648
1.647
1.972
1.968
1.966
1.965
1.962
2.445
2.437
2.434
2.432
2.427
2.601
2.592
2.588
2.586
2.581
3.340
3.323
3.315
3.310
3.301
PROESAD
0.67449 0.84162 1.03643 1.28155 1.64485 1.95996 2.32630 2.57582 3.29053

182
Estadstica Aplicada
APNDICE N 6
DISTRIBUCIN ACUMULATIVA
0
Ji -CUADRADA
2
x(n)
0.0005
0.06393
0.02100
0.0153
0.0636
0.158
0.001
0.05157
0.01200
0.0243
0.0908
0.210
0.005
0.04393
0.0100
0.0717
0.207
0.412
0.01
0.03157
0.0201
0.115
0.297
0.554
p
0.025
0.02982
0.0506
0.216
0.484
0.831
0.05
0.01393
0.103
0.352
0.711
1.15
0.1
0.0158
0.211
0.584
1.06
1.61
0.2
0.0642
0.446
1.00
1.65
2.34
0.3
0.148
0.713
1.42
2.19
3.00
0.4
0.275
1.02
1.87
2.75
3.66
6
7
8
9
10
0.299
0.485
0.710
0.972
1.26
0.381
0.598
0.857
1.15
1.48
0.676
0.989
1.34
1.73
2.16
0.872
1.24
1.65
2.09
2.56
1.24
1.69
2.18
2.70
3.25
1.64
2.17
2.73
3.33
3.94
2.20
2.83
3.49
4.17
4.87
3.07
3.82
4.59
5.38
6.18
3.83
4.67
5.53
6.39
7.27
4.57
5.49
6.42
7.36
8.30
11
12
13
14
15
1.59
1.93
2.31
2.70
3.11
1.83
2.21
2.62
3.04
3.48
2.60
3.07
3.57
4.07
4.60
3.05
3.57
4.11
4.66
5.23
3.82
4.40
5.01
5.63
6.26
4.57
5.23
5.89
6.57
7.26
5.58
6.30
7.04
7.79
8.55
6.99
7.81
8.63
9.47
10.3
8.15
9.03
9.93
10.8
11.7
9.24
10.2
11.1
12.1
13.0
16
17
18
19
20
3.54
3.98
4.44
4.91
5.40
3.94
4.42
4.90
5.41
5.92
5.14
5.70
6.26
6.84
7.43
5.81
6.41
7.01
7.63
8.26
6.91
7.56
8.23
8.91
9.50
7.96
8.67
9.39
10.1
10.9
9.31
10.1
10.9
11.7
12.4
11.2
12.0
12.9
13.7
14.6
12.6
13.5
14.4
15.4
16.3
14.0
14.9
15.9
16.9
17.8
21
22
23
24
25
5.90
6.40
6.92
7.45
7.99
6.45
6.98
7.53
8.08
8.65
8.03
8.64
9.26
9.89
10.5
8.90
9.54
10.2
10.9
11.5
10.3
11.0
11.7
12.4
13.1
11.6
12.3
13.1
13.8
14.6
13.2
14.0
14.8
15.7
16.5
15.4
16.3
17.2
18.1
18.9
17.2
18.1
19.0
19.9
20.9
18.8
19.7
20.7
21.7
22.6
26
27
28
29
30
8.54
9.09
9.66
10.2
10.8
9.22
9.80
10.4
11.0
11.6
11.2
11.8
12.5
13.1
13.8
12.2
12.9
13.6
14.3
15.0
13.8
14.6
15.3
16.0
16.8
15.4
16.2
16.9
17.7
18.5
17.3
18.1
18.0
19.8
20.6
19.8
20.7
21.6
22.5
23.4
21.8
22.7
23.6
24.6
25.5
23.6
24.5
25.5
26.5
27.4
31
32
33
34
35
11.4
12.0
12.6
13.2
13.8
12.2
12.8
13.4
14.1
14.7
14.5
15.1
15.8
16.5
17.2
15.7
16.4
17.1
17.8
18.5
17.5
18.3
19.0
19.8
20.6
19.3
20.1
20.9
21.7
22.5
21.4
22.3
23.5
24.0
24.8
24.3
25.1
26.0
26.9
27.8
26.4
27.4
28.3
29.2
30.2
28.4
29.4
30.3
31.3
32.3
36
37
38
39
40
14.4
15.0
15.6
16.3
16.9
15.3
16.0
16.6
17.3
17.9
17.9
18.6
19.3
20.0
20.7
19.2
20.0
20.7
21.4
22.2
21.3
22.1
22.9
23.7
24.4
23.3
24.1
24.9
25.7
26.5
25.6
26.5
27.3
28.2
29.1
28.7
29.6
30.5
31.4
32.3
31.1
32.1
33.0
33.0
34.9
33.3
34.2
35.2
36.2
37.1
41
42
43
44
45
17.5
18.2
18.8
19.5
20.1
18.6
19.2
19.9
20.6
21.3
21.4
22.1
22.9
23.6
24.3
22.9
23.7
24.4
25.1
25.9
25.2
26.0
26.8
27.6
28.4
27.3
28.1
29.0
29.8
30.6
29.9
30.8
31.6
32.5
33.4
33.3
34.2
35.1
36.0
36.9
35.8
36.8
36.7
38.6
39.6
38.1
39.1
40.0
41.0
42.0
46
47
48
49
50
20.8
21.5
22.1
22.8
23.5
21.9
22.6
23.3
24.0
24.7
25.0
25.8
26.5
27.2
28.0
26.7
27.4
28.2
28.9
29.7
29.2
30.0
30.8
31.6
32.4
31.4
32.3
33.1
33.9
34.8
34.2
35.1
35.9
36.8
37.7
37.8
38.7
39.6
40.5
41.4
40.5
41.5
42.4
43.4
44.3
43.0
43.9
44.9
45.9
46.9
n
1
2
3
4
5
0.06393 = 0.393 x 10-6 = 0.000000393
PROESAD
183
Ji -CUADRADA
2
x(n)
1
2
3
4
5
0.50
0.455
1.39
2.37
3.36
4.36
0.60
0.708
1.83
2.95
4.04
5.13
0.70
1.07
2.41
3.67
4.88
6.06
0.80
1.64
3.22
4.64
5.99
7.29
0.90
2.71
4.61
6.25
7.78
9.24
p
0.95
3.84
5.99
7.81
9.49
11.1
0.975
5.02
7.38
9.35
11.1
12.8
0.99
6.63
9.21
11.3
13.3
15.1
0.995
7.88
10.6
12.8
14.9
16.7
0.999 0.9995
10.8
12.1
13.8
15.2
16.3
17.7
18.5
20.0
20.5
22.1
6
7
8
9
10
5.35
6.35
7.34
8.34
9.34
6.21
7.28
8.35
9.41
10.5
7.23
8.38
9.52
10.7
11.8
8.56
9.8
11.9
12.2
13.4
10.6
12.0
13.4
14.7
16.0
12.6
14.1
15.5
16.9
18.3
14.4
16.0
17.5
19.0
20.5
16.8
18.5
20.1
21.7
23.2
18.5
20.3
22.0
23.6
25.2
22.5
24.3
26.1
27.9
29.6
24.1
26.0
27.9
29.7
31.4
11
12
13
14
15
10.3
11.3
12.3
13.3
14.3
11.5
12.6
13.6
14.7
15.7
12.9
14.4
15.1
16.2
17.3
14.6
15.8
17.0
18.2
19.3
17.3
18.5
19.8
21.1
22.3
19.7
21.0
22.4
23.7
25.0
21.9
23.3
24.7
26.1
27.5
24.7
26.2
27.7
29.1
30.6
26.8
28.3
29.8
31.3
32.8
31.3
32.9
34.5
36.1
37.7
33.1
34.8
36.5
38.1
39.7
16
17
18
19
20
15.3
16.3
17.3
18.3
19.3
16.8
17.8
18.9
19.9
21.0
18.4
19.5
20.6
21.7
22.8
20.5
21.6
22.8
23.9
25.0
23.5
24.8
26.0
27.2
28.4
26.3
27.6
28.9
30.1
31.4
28.8
30.2
31.5
32.9
34.2
32.0
33.4
34.8
36.2
37.2
34.3
35.7
37.2
38.6
40.0
39.3
40.8
42.3
43.8
45.3
41.3
42.9
44.4
46.0
47.5
21
22
23
24
25
20.3
21.3
22.3
23.3
24.3
22.0
23.0
24.1
25.1
26.1
23.9
24.9
26.0
27.1
28.2
26.2
27.3
28.4
29.6
30.7
29.6
30.8
32.0
33.2
34.4
32.7
33.9
35.2
36.4
37.7
35.5
36.8
38.1
39.4
40.6
38.9
40.3
41.6
43.0
44.3
41.4
42.8
44.2
45.6
46.9
46.8
48.3
49.7
51.2
52.6
49.0
50.5
52.0
53.5
54.9
26
27
28
29
30
25.3
26.3
27.3
28.3
29.3
27.2
28.2
29.2
30.3
31.3
29.2
30.3
31.4
32.5
33.5
31.8
32.9
34.0
35.1
36.3
35.6
36.7
37.9
39.1
40.3
38.9
40.1
41.3
42.6
43.8
41.9
43.2
44.5
45.7
47.0
45.6
47.0
48.3
49.6
50.9
48.3
49.6
51.0
52.3
53.7
54.1
55.5
56.9
58.3
59.7
56.4
57.9
59.3
60.7
62.2
31
32
33
34
35
30.3
31.3
32.3
33.3
34.3
32.3
33.4
34.4
35.4
36.5
34.6
35.7
36.7
37.8
38.9
37.4
38.5
39.6
40.7
41.8
41.4
42.6
43.7
44.9
46.1
45.0
46.2
47.4
48.6
49.8
48.2
49.5
50.7
52.0
53.2
52.2
53.5
54.8
56.1
57.3
55.0
56.3
57.6
59.0
60.3
61.1
62.5
63.9
65.2
66.6
63.6
65.0
66.4
67.8
69.2
36
37
38
39
40
35.3
36.3
37.3
38.3
39.3
37.5
38.5
39.6
40.6
41.6
39.9
41.0
42.0
43.1
44.2
42.9
44.0
45.1
46.2
47.3
47.2
48.4
49.5
50.7
51.8
51.0
52.2
53.4
54.6
55.8
54.4
55.7
56.9
58.1
59.3
58.6
59.9
61.2
62.4
63.7
61.6
62.9
64.2
65.5
66.8
68.0
69.3
70.7
72.1
73.4
70.6
72.0
73.4
74.7
76.1
41
42
43
44
45
40.3
41.3
42.3
43.3
44.3
42.7
43.7
44.7
45.7
46.8
45.2
46.3
47.3
48.4
49.5
48.4
49.5
50.5
51.6
52.7
52.9
54.1
55.2
56.4
57.5
56.9
58.1
59.3
60.5
61.7
60.6
61.8
63.0
64.2
65.4
65.0
66.2
67.5
68.7
70.0
68.1
69.3
70.6
71.9
73.2
74.7
76.1
77.4
78.7
80.1
77.5
78.8
80.2
81.5
82.9
46
47
48
49
50
45.3
46.3
47.3
48.3
49.3
47.8
48.8
49.8
50.9
51.9
50.5
51.6
52.6
53.7
54.7
53.8
54.9
56.0
57.1
58.2
58.6
59.8
60.9
62.0
63.2
62.8
54.0
65.2
66.3
67.5
66.6
67.8
69.0
70.2
71.4
71.2
72.4
73.7
74.9
76.2
74.4
75.7
77.0
78.2
79.5
81.4
82.7
84.0
85.4
86.7
84.2
85.6
86.9
88.2
80.6
PROESAD
184
Estadstica Aplicada
Ji -CUADRADA
0
x(n)
n
51
52
53
54
55
PROESAD
0.0005 0.001
24.1
25.4
24.8
26.1
25.5
26.8
26.2
27.5
26.9
28.2
0.005
28.7
29.5
30.2
31.0
31.7
0.01
30.5
31.2
32.0
32.8
33.6
0.025
32.2
34.0
34.8
35.6
36.4
p
0.05
35.6
36.4
37.3
38.1
39.0
0.1
38.6
39.4
40.3
41.2
42.1
0.2
42.4
43.3
44.2
45.1
46.0
0.3
45.3
46.2
47.2
48.1
49.1
0.4
47.8
48.8
49.8
50.8
51.7
0.5
50.3
51.3
52.3
53.3
54.3
56
57
58
59
60
27.6
28.2
28.9
29.6
30.3
28.9
29.6
30.3
31.0
31.7
32.5
33.2
34.0
34.8
35.5
34.3
35.1
35.9
36.7
37.5
37.2
38.0
38.8
39.7
40.5
39.8
40.6
41.5
42.3
43.2
42.9
43.8
44.7
45.6
46.5
47.0
47.9
48.8
49.7
50.6
50.0
51.0
51.9
52.9
53.8
52.7
53.7
54.7
55.6
56.6
55.2
56.3
57.3
58.3
59.3
61
62
63
64
65
31.0
31.7
32.5
33.2
33.9
32.5
33.2
33.8
34.6
35.4
36.3
37.1
37.8
38.6
39.4
38.3
39.1
39.9
40.6
41.4
41.3
42.1
43.0
43.8
44.6
44.0
44.9
45.7
46.6
47.4
47.3
48.2
49.1
50.0
50.9
51.6
52.5
53.4
54.3
55.3
54.8
55.7
56.7
57.6
58.6
57.6
58.6
59.6
60.5
61.5
60.3
61.3
62.3
63.3
64.3
66
67
68
69
70
34.6
35.3
36.0
36.7
37.5
36.1
36.8
38.6
38.3
39.0
40.2
40.9
41.7
42.5
43.3
42.2
43.0
43.8
44.6
45.4
45.4
46.3
47.1
47.9
48.8
48.3
49.2
50.0
50.9
51.7
51.8
52.7
53.5
54.4
55.3
56.2
57.1
58.0
59.0
59.9
59.5
60.5
61.4
62.4
63.3
62.5
63.5
64.4
65.4
66.4
65.3
66.3
67.3
68.3
69.3
71
72
73
74
75
38.2
38.9
39.6
40.4
41.1
39.8
40.5
41.3
42.0
42.8
44.1
44.8
45.3
46.4
47.2
46.2
47.1
47.9
48.7
49.5
49.6
50.4
51.3
52.1
52.9
52.6
53.5
54.3
55.2
56.1
56.2
57.1
58.0
58.9
59.8
60.8
61.8
62.7
63.6
64.5
64.3
65.3
66.2
67.2
68.1
67.4
68.4
69.3
70.3
71.3
70.3
71.3
72.3
73.3
74.3
76
77
78
79
80
41.8
42.6
43.3
44.1
44.8
43.5
44.3
45.0
45.8
56.5
48.0
48.8
49.6
50.4
51.2
50.3
51.1
51.9
52.7
53.5
53.8
54.6
55.5
56.3
57.2
56.9
57.8
58.7
59.5
60.4
60.7
61.6
62.5
63.4
64.3
65.5
66.4
67.3
68.3
69.2
69.1
70.0
71.0
72.0
72.9
72.3
73.2
74.2
75.2
76.2
75.3
76.3
77.3
78.3
79.3
81
82
83
84
85
45.5
46.3
47.0
47.8
48.5
47.3
48.0
48.8
49.6
50.3
52.0
52.8
53.6
54.4
55.2
54.4
55.2
56.0
56.8
57.6
58.0
58.8
59.7
60.5
61.4
61.3
62.1
63.0
63.9
64.7
65.2
66.1
67.0
67.9
69.8
70.1
71.1
72.0
72.9
73.9
73.9
74.8
75.8
76.8
77.7
77.2
78.1
79.1
80.1
81.1
80.3
81.3
82.3
83.3
84.3
86
87
88
89
90
49.3
50.0
50.8
51.5
52.3
51.1
51.9
52.6
53.4
54.2
56.0
56.8
57.6
58.4
59.2
58.5
59.3
60.1
60.9
61.8
62.2
63.1
63.9
64.8
65.6
65.6
66.5
67.4
68.2
69.1
69.7
90.6
71.5
72.4
73.3
74.8
75.7
76.7
77.6
78.6
78.7
79.6
80.6
81.6
82.5
82.1
83.0
84.0
85.0
86.0
85.3
86.3
87.3
88.3
89.3
91
92
93
94
95
53.0
53.8
54.5
55.3
56.1
54.9
55.7
56.5
57.2
58.0
60.0
60.8
61.6
62.4
63.2
62.6
63.4
64.2
65.1
65.9
66.5
67.4
68.2
69.1
69.9
70.0
70.9
71.8
72.6
73.5
74.2
75.1
76.0
76.9
77.8
79.5
80.4
81.4
82.3
83.2
83.5
84.4
85.4
86.4
87.3
87.0
88.0
88.9
89.9
90.9
90.3
91.3
92.3
93.3
94.3
96
97
98
99
100
56.8
57.6
58.4
59.1
59.9
58.8
59.6
60.4
61.1
61.9
94.1
64.9
65.7
66.5
67.3
66.7
67.6
68.4
69.2
70.1
70.8
71.6
72.5
73.4
74.2
74.4
75.3
76.2
77.0
77.9
78.7
79.6
80.5
81.4
82.4
84.2
85.1
86.1
87.0
87.9
88.3
89.2
90.2
91.2
92.1
91.9
92.9
93.8
94.8
95.8
95.3
96.3
97.3
98.3
99.3
185
Ji -CUADRADA
0
x(n)
51
52
53
54
55
0.60
52.9
53.9
55.0
56.0
57.0
0.70
55.8
56.8
57.9
58.9
60.0
0.80
59.2
60.3
61.4
62.5
63.6
0.90
64.3
65.4
66.5
67.7
68.8
0.95
68.7
69.8
71.0
72.2
73.3
p
0.975
72.6
73.8
75.0
76.2
77.4
0.99
77.4
78.6
79.8
81.1
82.3
0.995
80.7
82.0
83.3
84.5
85.7
0.999
88.0
89.3
90.6
91.9
93.2
0.9995
90.9
92.2
93.6
94.8
96.2
56
57
58
59
60
58.0
59.1
60.1
61.1
62.1
61.0
62.1
63.1
64.2
65.2
64.7
65.7
66.8
67.9
69.0
69.9
71.0
72.2
73.3
74.4
74.5
75.6
76.7
77.9
79.1
78.6
79.8
80.9
82.1
83.3
83.5
84.7
86.0
87.2
88.4
87.0
88.2
89.5
91.7
82.0
94.5
95.8
97.0
98.3
99.6
97.5
98.8
100.1
104.1
102.7
61
62
63
64
65
63.2
64.2
65.2
66.2
67.2
66.3
67.3
68.4
69.4
70.5
70.0
71.1
72.2
73.3
74.4
75.5
76.6
77.7
78.9
80.0
80.2
81.4
82.5
83.7
84.8
84.5
85.7
86.8
88.0
89.2
89.6
90.8
92.0
93.2
94.4
93.2
94.4
95.6
96.9
98.1
100.9
102.2
103.4
104.7
106.0
104.0
105.3
106.6
107.9
109.2
66
67
68
69
70
68.3
69.3
70.3
71.3
72.4
71.5
72.6
73.6
74.6
75.7
75.4
76.5
77.6
78.6
79.7
84.1
82.2
83.3
84.4
85.5
86.0
87.1
88.3
89.4
90.5
90.3
91.5
92.7
93.9
95.0
95.6
96.8
98.0
99.2
100.4
99.3
100.6
101.8
103.0
104.2
107.3
108.5
109.8
111.1
112.3
110.5
111.7
113.0
114.3
116.6
71
72
73
74
75
73.4
74.4
75.4
76.4
77.5
76.7
77.8
78.8
79.9
80.9
80.8
81.9
82.9
84.0
85.4
86.6
87.7
88.8
90.0
91.1
91.7
92.8
93.9
95.1
96.2
96.2
97.4
98.5
99.7
100.8
101.6
102.8
104.0
105.2
106.4
105.4
106.6
107.9
109.1
110.3
113.6
114.8
116.1
117.3
118.6
116.9
119.1
119.4
120.7
121.9
76
77
78
79
80
78.5
79.5
80.5
81.5
82.6
82.0
83.0
84.0
85.1
86.1
86.1
87.2
88.3
89.3
90.4
92.2
93.3
94.4
95.5
96.6
97.4
98.5
99.6
100.7
101.9
102.0
103.2
104.3
105.5
106.6
107.6
108.8
112.0
111.1
112.3
11.5
112.7
113.9
115.1
116.3
119.9
121.1
122.3
123.6
124.8
123.2
124.5
126.7
127.0
128.3
81
82
83
84
85
83.6
84.6
85.6
86.6
87.7
87.2
88.2
89.2
90.3
91.3
91.5
92.5
93.6
94.7
95.7
97.7
98.8
99.9
101.0
102.1
103.0
104.1
105.3
106.4
107.5
107.8
108.9
110.1
111.2
112.4
113.5
114.7
115.9
117.1
118.2
117.5
118.7
119.9
121.1
122.3
126.1
127.3
128.6
129.8
131.0
129.5
130.8
132.0
133.3
134.5
86
87
88
89
90
88.7
89.7
90.7
91.7
92.8
92.4
93.4
94.4
95.5
96.5
96.8
97.9
98.9
100.0
101.1
103.2
104.3
105.4
106.5
107.6
108.6
109.8
110.9
112.0
113.1
113.4
114.7
115.8
117.0
118.1
119.4
120.6
121.8
122.9
124.1
123.5
124.7
125.9
127.1
128.3
132.3
133.5
134.7
136.0
137.2
135.8
137.0
138.3
1389.5
140.8
91
92
93
94
95
93.8
94.8
95.8
96.8
97.9
97.6
98.6
99.6
100.7
101.7
102.1
103.2
104.2
105.3
106.4
108.7
109.8
110.9
111.9
113.0
114.3
115.4
116.5
117.6
118.8
119.3
120.4
121.6
122.7
123.9
125.3
126.5
128.6
128.8
130.0
129.5
130.7
131.9
133.1
134.2
138.4
139.7
140.9
142.1
143.3
142.9
143.3
144.5
145.8
147.0
96
97
98
99
100
98.9
99.9
100.9
101.9
102.9
102.8
103.8
104.8
105.9
106.9
107.4
108.5
109.5
110.6
111.7
114.1
115.2
116.3
117.4
118.5
119.9
121.0
122.1
123.2
124.3
125.0
126.1
127.3
128.4
129.6
131.1
132.3
133.5
134.6
135.8
135.4
136.6
137.8
139.0
140.2
144.6
145.8
147.0
148.2
149.4
148.2
149.5
150.7
151.9
153.2
PROESAD
186
Estadstica Aplicada
APNDICE N 7
F (V1 , V2 )
V2
V1
P
PROESAD
10
11
12
.0005
.001
.005
.010
.025
.05
.06 62
.05 25
.04 62
.03 25
.02 15
.02 62
.03 50
.02 10
.02 51
.010
.026
.054
.02 38
.02 60
.018
.029
.057
.099
.02 94
.013
.032
.047
.082
.130
.016
.021
.044
.062
.100
.151
.022
.028
.054
.073
.113
.167
.027
.034
.062
.082
.124
.179
.032
.039
.068
.039
.132
.188
.036
0.44
.073
.095
.139
.195
.039
0.48
.078
.100
.144
.201
.042
.051
0.82
.104
.149
.207
.045
.054
.085
.107
.153
.211
.10
.25
.50
.75
.90
.025
.172
1.00
5.83
39.9
.117
.389
1.50
7.50
49.5
.181
.494
1.71
8.20
53.6
.220
.553
1.82
8.58
55.8
.246
.591
1.89
8.82
57.2
.265
.617
1.94
8.98
58.2
.279
.637
1.98
9.10
58.9
.289
.650
2.00
9.19
59.4
.298
.661
2.03
9.26
59.9
.304
.670
2.04
9.32
60.2
.310
.680
2.05
9.36
60.5
.315
.684
2.07
9.41
60.7
.95
.975
.99
.995
.999
.9995
161
648
4051
1622
4063
1624
200
800
5001
2002
5003
2004
216
864
5401
2162
5403
2164
225
900
5621
2252
5623
2254
230
922
5761
2312
5763
2314
234
937
5861
2342
5863
2344
237
948
5931
2372
5933
2374
239
957
5981
2392
5983
2394
241
963
6021
2412
6023
2414
242
969
6061
2422
6063
2424
243
973
6081
2432
6093
2434
244
977
6111
2442
6113
2444
.0005
.001
.005
.010
.025
.05
.06 50
.05 20
.04 50
.03 20
.02 15
.02 50
.03 50
.02 10
.02 50
.010
.026
.053
.02 42
.02 68
.020
.032
.062
.105
.011
.016
.038
.056
0.94
.144
.020
.027
.055
.075
.119
.173
.029
.037
.069
.092
.138
.194
.037
.046
.081
.105
.153
.211
.044
.054
.091
.116
.165
.224
.050
.061
.099
.125
.175
.235
.056
.068
.106
.132
.183
.244
.061
.072
.112
.139
.190
.251
.065
.077
.118
.144
.196
.257
.10
.25
.50
.75
.90
.020
.133
.667
2.57
8.53
.111
.333
1.00
3.00
9.00
.183
.439
1.13
3.15
9.16
.231
.500
1.21
3.23
9.24
.265
.540
1.28
3.28
9.29
.289
.568
1.28
3.31
9.33
.307
.588
1.30
3.34
9.35
.321
.604
1.32
3.35
9.37
.333
.616
1.33
3.37
9.38
.342
.626
1.34
3.38
9.39
.350
.633
1.35
3.39
9.40
.356
.641
1.36
3.39
9.41
.95
.975
.99
.995
.999
.9995
18.5
38.5
98.5
198
998
2001
19.0
39.0
99.0
199
999
2001
19.2
39.2
99.2
199
999
2001
19.2
39.2
99.2
199
999
2001
19.3
39.3
99.3
199
999
2001
19.3
39.3
99.3
199
999
2001
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
.0005
.001
.005
.010
.025
.05
.06 46
.05 19
.04 46
.03 19
.02 12
.02 46
.03 50
.02 10
.0250
.010
.026
.052
.02 44
.02 71
.021
.034
.065
.0108
.012
.018
0.41
.060
.100
.152
.023
.030
.060
.083
.129
.185
.033
.042
.077
.102
.152
.240
.043
.053
.092
.118
.170
.230
.052
.063
.104
.132
.185
.246
.060
.072
.115
.143
.197
.259
.067
.079
.124
.153
.207
.270
.074
.086
.132
.161
.216
.279
.079
.093
.138
.168
.224
.287
.10
.25
.50
.75
.90
.019
.122
.585
2.02
5.54
.109
.317
.881
2.28
5.46
.185
.424
1.00
2.36
5.39
.239
.489
1.06
2.39
5.34
.276
.531
1.10
2.41
5.31
.304
.561
1.13
2.42
5.28
.325
.582
1.15
2.43
5.27
.342
.600
1.16
2.44
5.25
.356
.613
1.17
2.44
5.24
.367
.624
1.18
2.44
5.23
.376
.633
1.19
2.45
5.22
.384
.641
1.20
2.45
5.22
.95
.975
.99
.995
.999
.9995
10.1
17.4
34.1
55.6
167
266
9.55
16.0
30.8
49.8
149
237
9.28
15.4
29.5
47.5
141
225
9.12
15.1
28.7
46.2
137
218
9.01
14.9
28.2
45.4
135
214
8.94
14.7
27.9
44.8
133
211
8.89
14.6
27.7
44.4
132
209
8.85
14.5
27.5
44.1
131
208
8.81
14.5
27.3
43.9
130
207
8.79
14.4
27.2
43.7
129
206
8.76
14.4
27.1
43.5
129
204
8.74
14.3
27.1
43.4
128
204
187

.0662 = 0.62 x 10-6 = 0.00000062
F (V1 , V2 )
V2
1
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.051
.060
.093
.115
.161
.0220
.058
.067
.101
.124
.170
.0230
.062
.071
.105
.128
.175
.235
.066
.075
.109
.132
.180
240
.069
.079
.113
.137
.184
.245
.072
.082
.116
.139
.187
.248
.074
.084
.118
.141
.189
.250
.077
.87
.121
.145
.193
.254
.078
.088
.122
.146
.194
.255
.080
.089
.124
.148
.196
.257
.081
.091
.126
.150
.198
.259
.083
.092
.127
.151
.199
.261
.10
.25
.50
.75
.90
.325
.698
2.09
9.49
61.2
.336
.712
2.12
9.58
61.7
.342
.719
2.13
9.63
62.0
.347
.727
2.15
9.67
62.3
.353
.734
2.16
9.71
62.5
.356
.738
2.17
9.74
62.7
.358
.741
2.17
0.76
62.8
.362
.747
2.18
9.78
63.0
.364
.749
2.18
9.80
63.1
.366
.752
2.19
9.82
63.2
.368
.754
2.19
9.84
63.3
.370
.756
2.20
9.85
63.3
.95
.975
.99
.995
.999
.9995
246
985
6461
2462
6163
2464
248
993
6211
2482
6213
2484
249
997
6231
2492
6233
2494
250
1001
6261
2502
6263
2504
251
1011
6291
2512
6293
2514
252
1011
6301
2522
6303
2524
252
1011
6311
2532
6313
2524
253
1011
6331
2532
6333
2534
253
1011
6341
2542
6343
2534
254
1021
6351
2542
6353
2534
254
1021
6361
2542
6363
2544
254
1021
6371
2552
6373
2544
.0005
.001
.005
.01
.025
.05
.076
.088
.130
.157
.210
.272
.088
.100
.143
.171
.224
.286
.094
.107
.150
.178
.232
.294
.101
.114
.157
.186
.239
.302
.108
.121
.165
1.93
.247
.309
.113
.126
.169
.198
.251
.314
.116
.129
.173
.201
.255
.317
.122
.135
.179
.207
.261
.324
.124
.137
.181
.209
.263
.329
.130
.143
.187
.215
.269
.332
.130
.143
.187
.215
.269
.332
.132
.145
.189
.217
.271
.334
.10
.25
.50
.75
.90
.371
.657
1.38
3.41
9.42
.386
.672
1.39
3.43
9.44
.394
.680
1.40
3.43
9.45
.402
.689
1.41
.344
9.46
.410
.698
1.42
3.45
9.47
.415
.702
1.42
3.45
9.48
.418
.705
1.43
3.46
9.47
.424
.711
1.43
3.47
9.48
.426
.713
1.43
3.47
9.48
.433
.719
1.44
3.48
9.49
.433
.719
1.44
3.48
9.49
.434
.721
.1.44
3.48
9.49
.95
.975
.99
.995
.999
.9995
19.4
39.4
99.4
199
999
2001
19.4
39.4
99.4
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
18.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
199
999
2001
19.5
39.5
99.5
200
999
2001
.0005
.001
.005
.01
.025
.05
.093
.107
.154
.185
2.41
.304
.109
.123
.172
.203
.259
.323
.117
.132
.181
2.12
.269
.332
.127
.42
.191
.222
.279
.342
.136
.152
.201
.232
.289
.352
.143
.158
.207
.238
.295
3.58
.147
.162
.211
.242
.299
.363
.156
.171
.220
.251
.308
.370
.158
.173
.222
.253
.310
.373
.166
.181
.231
.262
.318
.382
.166
.181
.231
.262
.318
.382
.169
.184
.234
.264
.321
.384
.10
.25
.50
.75
.90
.402
.658
1.21
2.46
5.20
.420
.675
1.23
2.46
5.18
.430
.684
1.23
2.46
5.18
.439
.693
1.24
2.47
5.17
.449
.702
1.25
2.47
5.16
.455
708
1.25
2.47
5.15
.459
.711
1.25
2.47
5.15
.467
.719
1.26
2.47
5.14
.469
.721
1.26
2.47
5.14
.476
.728
1.27
2.47
5.14
.476
.728
1.27
2.47
5.14
.480
.730
1.27
2.47
5.13
.95
.975
.99
.995
.999
.9995
8.70
14.3
26.9
43.1
127
203
8.66
14.2
26.7
42.8
126
201
8.63
14.1
26.6
42.6
126
200
8.62
14.1
26.5
42.5
125
199
8.59
14.0
26.4
42.3
125
199
8.58
14.0
26.4
42.2
125
198
8.57
14.0
26.3
42.1
124
198
8.55
14.0
26.2
42.0
124
197
8.55
13.9
26.2
42.0
124
197
8.53
13.9
26.1
41.9
124
196
8.53
13.9
26.1
41.9
124
196
8.53
13.9
26.1
41.8
123
196
188
Estadstica Aplicada
F (V1 , V2 )
V2
4
V1
P
6
10
11
12
.0005
.001
.005
.01
.025
.05
.0 44
.05 18
.04 44
.03 18
.02 11
.02 44
.0 50
.02 10
.02 50
.010
.026
.052
.0 46
.02 73
.022
.035
.066
.110
.013
.019
.043
.063
.104
.157
.024
.032
.064
.088
.135
.193
.036
.046
.083
.109
.161
.221
.047
.058
.100
.127
.181
.243
.057
.069
.114
.143
.198
.261
.057
.069
.114
.143
.198
.261
.075
.089
.137
.167
.224
.288
.082
.097
.145
.176
.234
.298
.089
.104
.153
.185
.243
.307
.10
.25
.50
.75
.90
0.18
.117
.549
1.81
4.54
.108
.309
.828
2.00
4.32
.187
.418
.941
2.05
4.19
.243
.484
1.00
2.06
4.11
.284
.528
1.04
2.07
4.05
3.14
.560
1.06
2.08
.401
.338
.583
.108
208
3.98
.356
.601
1.09
2.08
3.95
.356
.601
1.09
2.08
3.95
.384
.627
1.11
2.08
3.92
.394
.637
1.12
2.08
3.91
.403
.645
1.13
2.08
3.90
.95
.975
.99
.995
.999
.9995
7.71
12.2
21.2
31.3
74.1
106
6.94
10.6
18.0
26.3
61.2
87.4
6.59
9.98
16.7
24.3
56.2
80.1
6.39
9.60
16.0
23.2
53.4
76.1
6.26
9.36
15.5
22.5
51.7
73.6
6.16
9.20
15.2
22.0
50.5
71.9
6.09
9.07
15.0
21.6
49.7
70.6
6.04
8.98
14.8
21.4
49.0
69.7
6.04
8.98
14.8
21.4
49.0
69.7
5.96
8.84
14.5
21.0
48.0
68.5
5.94
8.79
14.4
20.8
47.7
67.8
5.91
8.75
14.4
20.7
47.4
67.4
.0005
.001
.005
.01
.025
.05
.06 43
.05 17
.04 43
.03 17
.02 11
.02 43
.03 50
.02 10
.02 50
.010
.025
.052
.02 47
.02 75
.022
.035
.067
.111
.014
.019
0.45
.064
.107
.160
.025
.034
0.67
.091
.140
.198
.038
.048
0.87
.114
.167
.228
.050
.062
.105
.134
.189
.252
.061
.074
.120
.151
.208
.271
.070
.085
.134
.165
.223
.287
.031
.095
.146
.177
.236
.301
.089
.104
.156
.188
.248
.313
.096
.112
.165
.197
.257
.322
.10
.25
.50
.75
.90
.017
.113
.528
1.69
4.06
.108
.305
.799
1.85
3.78
.188
.415
.907
1.88
3.62
.247
.483
.965
1.89
3.52
.290
.528
1.00
1.89
3.45
.322
.560
1.02
1.89
3.40
.347
.584
1.04
1.89
3.37
.367
.604
1.05
1.89
3.34
.383
.618
1.06
1.89
3.32
.397
.631
1.07
1.89
3.30
.408
.641
1.08
1.89
3.28
.418
.650
1.09
1.89
3.27
.95
.975
.99
.995
.999
.9995
6.61
10.0
16.3
22.8
47.2
63.6
5.79
8.43
13.3
18.3
37.1
49.8
5.41
7.76
12.1
16.5
33.2
44.4
5.19
7.39
11.4
15.6
31.1
41.5
5.05
7.15
11.0
14.9
29.7
39.7
4.95
6.98
10.7
14.5
28.8
38.5
4.88
6.85
10.5
14.2
28.2
37.6
4.82
6.76
10.3
14.0
27.6
36.9
4.77
8.68
10.2
13.8
27.2
36.4
4.74
6.62
10.1
13.6
26.9
35.9
4.71
6.57
9.96
13.5
26.6
35.6
4.68
6.52
9.89
13.4
26.4
35.2
.0005
.001
.005
.01
.025
.05
.06 43
.05 17
.04 43
.03 17
.02 11
.02 43
.03 50
.02 10
.02 50
.010
.025
.052
.02 47
.02 75
.022
.036
.068
.112
.014
.020
.045
.066
.109
.162
.026
.035
.069
.094
.143
.202
.039
.050
.090
.118
.172
.233
.052
.064
.109
.139
.195
.259
.064
.078
.126
.157
.215
.279
.075
.090
.140
.172
.231
.296
.085
.101
.153
.186
.246
.311
.094
.111
.164
.197
.258
.324
.103
.119
.174
207
.268
.334
.10
.25
.50
.75
.90
.017
.111
.515
1.62
3.78
.107
.302
.780
1.76
3.46
.189
.413
.886
1.78
3.29
.249
.481
.942
1.79
3.18
.294
.524
.977
1.79
3.11
.327
.561
1.00
1.78
3.05
.354
.586
1.02
1.78
3.01
.375
.606
1.03
1.78
2.98
.392
.623
1.04
1.77
2.96
.406
.635
1.05
1.77
2.94
.418
.645
1.05
1.77
2.92
.429
.654
1.06
1.77
2.90
.95
.975
.99
.995
.999
.9995
5.99
8.81
13.7
18.6
35.5
46.1
5.14
7.26
10.9
14.5
27.0
34.8
4.76
6.60
9.78
12.9
23.7
30.4
4.53
6.23
9.15
12.0
21.9
28.1
4.39
5.99
8.75
11.5
20.8
26.6
4.28
5.82
8.47
11.1
20.0
25.6
4.21
5.70
8.26
10.8
19.5
24.9
4.15
5.60
8.10
10.6
19.0
24.3
4.10
5.52
7.98
10.4
18.7
23.9
4.06
5.46
7.87
10.2
18.4
23.5
4.03
5.41
7.79
10.1
18.2
23.2
4.00
5.37
7.72
10.0
18.0
23.0
0644 = 0.44 x 10-6 = 0.00000044
PROESAD
189
F (V1 , V2 )
V2
4
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.105
.121
.172
.204
.263
.327
.125
.141
.193
.226
.284
.349
.135
.152
.204
.237
.296
.360
.147
.163
.216
.249
.308
.372
.159
.176
.229
.261
.320
.384
.166
.183
.237
.269
.327
.391
.172
.188
.242
.274
.332
.396
.183
.200
.253
.285
.342
.407
.186
.202
.255
.287
.346
.409
.191
.208
.260
.293
.351
.413
.196
.213
.266
.298
.356
.418
.200
.217
.269
.301
.59
.422
.10
.25
.50
.75
.90
.424
.664
1.14
2.08
3.89
.445
.683
1.15
2.08
3.84
.456
.692
1.16
2.08
3.83
.467
.702
1.16
2.08
3.82
.478
.712
1.17
2.08
3.80
.485
.718
1.18
2.08
3.80
.490
.722
1.18
2.08
3.89
.500
.731
1.18
2.08
3.78
.502
.733
1.18
2.08
3.78
.508
.737
1.19
2.08
3.77
.510
.740
1.19
2.08
3.76
.514
.743
1.19
2.08
3.76
.95
.975
.99
.995
.999
.9995
5.86
8.66
14.2
20.4
46.8
66.5
5.80
8.56
14.0
20.2
46.1
65.5
5.77
8.51
13.9
20.0
45.8
65.1
5.75
8.46
13.8
19.9
45.4
64.6
5.72
8.41
13.7
19.8
45.1
64.1
5.70
8.38
13.7
19.7
44.9
63.8
5.69
8.36
13.7
19.6
44.7
63.6
5.66
8.32
13.6
19.5
44.5
63.2
5.66
8.31
13.6
19.5
44.4
63.1
5.65
8.29
13.5
19.4
44.3
62.9
5.64
8.27
13.5
19.4
14.1
62.7
5.63
8.26
13.5
19.3
44.0
62.6
.0005
.001
.005
.01
.025
.05
.115
.132
.186
.219
.280
.345
.137
.155
.210
.244
.304
.369
.150
.167
.223
.257
.317
.382
.163
.181
.237
.270
.330
.395
.177
.195
.251
.285
.344
.408
.186
.204
.260
.293
.353
.417
.192
.210
.266
.299
.359
.422
.205
.223
.279
.312
.370
.432
.203
.227
.282
.315
.374
.437
.216
.233
.288
.322
.380
.442
.222
.239
.294
.328
.386
.448
.226
.244
.299
.331
.390
.452
.10
.25
.50
.75
.90
.440
.669
1.10
1.89
3.24
.463
.690
1.11
1.88
3.21
.476
.700
1.12
1.88
3.19
.488
.711
1.12
1.88
3.17
.501
.722
1.13
1.88
3.16
.508
.728
1.19
1.88
3.18
.514
.732
1.14
1.87
3.14
.524
.74
1.14
1.87
3.13
.527
.743
1.14
1.87
3.12
.532
.748
1.15
1.87
3.12
.358
.752
1.15
1.87
3.11
.541
.755
1.15
1.87
3.10
.95
.975
.99
.995
.999
.9995
4.62
6.43
9.72
13.1
25.9
34.6
4.56
6.33
9.55
12.9
25.4
33.9
4.53
6.28
9.47
12.8
25.1
35.5
4.50
6.23
9.38
12.7
24.9
33.1
4.46
6.18
9.29
12.5
24.6
32.7
4.44
6.14
9.24
12.5
24.4
32.5
4.43
6.12
9.20
12.4
24.3
32.3
4.41
6.08
9.13
12.3
24.1
32.1
4.40
6.07
9.11
12.3
24.1
32.0
4.39
6.05
9.08
12.2
23.9
31.8
4.37
6.03
9.04
12.2
23.8
31.7
4.36
6.02
9.02
12.1
23.8
31.6
.0005
.001
.005
.01
.025
.05
.123
.141
.197
.232
.293
.358
.148
.166
.224
.258
.320
.385
.162
1.80
.238
.273
.334
.399
.177
.195
.253
.288
.349
.413
.193
.211
.269
.304
.364
.428
.203
.222
.279
.313
.375
.437
.210
.229
.286
.321
.381
.444
.225
.243
.301
.334
.394
.457
.229
.247
.304
.338
.398
.460
.236
.255
.312
.346
.405
.467
.244
.262
.318
.352
.412
.472
.249
.267
.324
.357
.415
.476
.10
.25
.50
.75
.90
.453
.675
1.07
1.76
2.87
.478
.696
1.08
1.76
2.84
.491
.707
1.09
1.75
2.82
.505
.718
1.10
1.75
2.80
.519
.729
1.10
1.75
2.78
.526
.736
1.11
1.75
2.77
.533
.741
.111
1.74
2.76
.546
.751
1.11
1.74
2.75
.548
.753
1.12
1.74
2.74
.556
.758
1.12
1.74
2.73
.559
.762
1.12
1.74
2.73
.564
.763
1.12
1.74
2.72
.95
.975
.99
.995
.999
.9995
3.94
5.27
7.56
9.81
17.6
22.4
3.87
5.17
7.40
9.59
17.1
21.9
3.84
5.12
7.31
9.47
16.9
21.7
3.81
5.07
7.23
9.36
16.7
21.4
3.77
5.01
7.14
9.24
16.4
21.1
3.75
4.98
7.09
9.17
16.3
20.9
3.74
4.96
7.06
9.12
16.2
20.7
3.71
4.92
6.99
9.03
16.0
20.5
3.70
4.90
6.97
9.00
16.0
20.4
3.69
4.88
6.93
8.95
15.9
20.3
3.68
4.86
6.90
8.91
15.8
20.2
3.67
4.85
6.88
8.88
15.7
20.1
190
Estadstica Aplicada
10
11
12
F (V1 , V2 )
V1
V2
P
7
.0005
.001
.005
.01
.025
.05
.0 42
.05 17
.04 42
.03 17
.02 10
.02 42
.0 50
.02 10
.02 50
.010
.025
.052
.0 48
.02 76
.023
.036
.068
.113
.014
.020
.046
.067
.110
.164
.027
.035
.070
.096
.146
.205
.040
.051
.093
.121
.176
.238
.053
.067
.113
.143
.200
.264
.066
.081
.130
.62
.221
.286
.078
.093
.145
.178
.258
.304
.088
.105
.159
.192
.253
3.19
.099
.115
.171
.205
.266
.332
.108
.125
.181
.216
.277
.343
.10
.25
.50
.75
.90
.017
.110
.506
1.57
3.59
.107
.300
.767
1.70
3.26
.190
.412
.871
1.72
3.07
.251
.481
.926
1.72
2.96
.297
.528
.960
1.71
2.88
.332
.562
.983
1.71
2.83
.359
.588
1.00
1.70
2.78
.381
.609
1.01
1.70
2.75
.399
6.24
1.02
1.69
2.72
.414
.637
1.03
1.69
2.70
.427
.649
1.04
1.69
2.68
.438
.658
1.04
1.68
2.67
.95
.975
.99
.995
.999
.9995
5.59
8.07
12.2
16.2
29.2
37.0
4.74
6.54
9.55
12.4
21.7
27.2
4.35
5.89
8.45
10.9
18.8
23.5
4.12
5.52
7.85
10.0
17.2
21.4
3.97
5.29
7.46
9.52
16.2
20.2
3.87
5.12
7.19
9.16
15.5
19.3
3.79
4.99
6.99
8.89
15.0
18.7
3.73
4.90
6.84
8.68
14.6
18.2
3.68
4.82
6.72
8.51
14.3
17.8
3.64
4.76
6.62
8.38
14.1
17.5
3.60
4.71
6.54
8.27
13.9
17.2
3.57
4.57
6.47
8.18
13.7
17.0
.0005
.001
.005
.01
.025
.05
.06 42
.05 17
.04 42
.03 17
.02 10
.02 42
.03 50
.02 10
.02 50
.010
.025
.052
.02 48
.02 76
.027
.036
.069
.113
.014
.020
.047
.068
.111
.166
.027
.036
.072
.097
.148
.208
.041
.053
.095
.123
.179
.241
.055
.068
.115
.146
.204
.268
.068
.083
.133
.166
.226
.291
.081
.096
.149
.183
.244
.310
.092
.0109
.164
.1998
.259
.326
.102
.120
.176
.211
.273
.339
.112
.130
.187
.222
.285
.351
.10
.25
.50
.75
.90
.017
.109
.499
1.54
3.46
.107
.298
.757
1.66
3.11
.190
.411
.860
1.67
2.92
.253
.481
.915
1.66
2.82
.299
.529
.948
1.66
2.73
.335
.563
.971
1.65
2.67
.363
.589
.988
1.64
2.62
.386
.610
1.00
1.64
2.59
.405
.627
1.01
1.64
2.56
.421
.640
1.02
1.63
2.54
.435
.354
1.02
1.63
2.52
.445
.661
1.03
1.62
2.50
.95
.975
.99
.995
.999
.9995
5.32
7.57
11.3
14.7
25.4
31.6
4.46
6.06
8.65
11.0
18.5
22.8
4.07
5.42
7.59
9.60
15.8
19.4
3.84
5.05
7.01
8.81
14.4
17.6
3.69
4.82
6.63
8.30
13.5
16.4
3.58
4.65
6.37
7.95
12.9
15.7
3.50
4.53
6.18
7.69
12.4
15.1
3.44
4.43
6.03
7.50
12.0
14.6
3.39
4.36
5.91
7.34
11.8
14.3
3.35
4.30
5.81
7.21
11.5
14.0
3.31
4.24
5.73
7.10
11.4
13.8
3.28
4.20
5.67
7.01
11.2
13.6
.0005
.001
.005
.01
.025
.05
.06 41
.05 17
.04 42
.03 17
.02 10
.02 40
.03 50
.02 10
.02 50
.010
.025
.052
.02 48
.02 77
.023
.037
.069
.113
.015
.021
.047
.068
.112
.167
.027
.037
.073
.098
.150
.210
.042
.054
.096
.125
.181
.244
.056
.070
.117
.149
.207
.272
.070
.085
.136
.169
.230
.296
.083
.099
.153
.187
.248
.315
.094
.112
.168
.202
.265
.331
.105
.123
.181
.216
.269
.345
.115
.134
.192
.228
.291
.358
.10
.25
.50
.75
.90
.017
.108
.494
1.51
3.36
.107
.297
.749
1.62
3.01
.191
.410
.852
1.63
2.81
.254
.480
.906
1.63
2.69
.302
.529
.939
1.62
2.61
.338
.564
.962
1.61
2.55
.367
.591
.978
1.60
2.51
.390
.612
.990
1.60
2.47
.410
.629
1.00
1.59
2.44
.426
.543
1.01
1.59
2.42
.441
.654
1.01
1.58
2.40
.452
.664
1.02
1.58
2.38
.95
.975
.99
.995
.999
.9995
5.12
7.21
10.6
13.6
22.9
28.0
4.26
5.71
8.02
10.1
16.4
19.9
3.86
5.08
6.99
8.72
13.9
16.8
3.63
4.72
6.42
7.06
12.6
15.1
3.48
4.48
6.06
7.47
11.7
14.1
3.37
4.32
5.80
7.13
11.1
13.3
3.29
4.20
5.61
6.88
10.7
12.8
3.23
4.10
5.47
6.69
10.4
12.4
3.18
4.03
5.35
6.54
10.1
12.1
3.14
3.96
5.26
6.42
9.89
11.8
3.10
3.91
5.18
6.31
9.71
11.6
3.07
3.87
5.11
6.23
9.57
11.4
.0642 = 0.42 x 10-6 = 0.00000042
PROESAD
191
F (V1 , V2 )
V2
7
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.130
.148
.206
.241
.304
.369
.157
.176
.235
.270
.333
.398
.172
.191
.251
.286
.348
.413
.172
.191
.251
.286
3.48
.413
.206
.225
.285
.320
.381
.445
.217
.237
.296
.331
.392
.455
.225
.245
.304
.339
.399
.461
.242
.261
.319
.355
.413
.476
.246
.266
.324
.358
.418
.479
.255
.274
.332
.366
.426
.485
.263
.282
.340
.373
.433
.493
.268
.288
.345
.379
.437
.498
.10
.25
.50
.75
.90
.463
.679
1.05
1.68
2.63
.491
.702
1.07
1.67
2.59
.504
.713
1.07
1.67
2.58
.504
.713
1.07
1.67
2.58
.534
.737
1.08
1.66
2.54
.543
.745
1.09
1.66
2.52
.550
.749
1.09
1.65
2.51
.562
.760
1.10
1.65
2.50
.566
.762
1.10
1.65
2.49
.571
.767
1.10
1.65
2.48
.578
.772
1.10
1.65
2.48
.582
.775
1.10
1.65
2.47
.95
.975
.99
.995
.999
.9995
.351
4.57
6.31
7.97
13.3
16.5
3.44
4.47
6.16
7.75
12.9
16.0
3.41
4.42
6.07
7.68
12.7
15.7
3.41
4.42
6.07
7.65
12.7
15.7
3.34
4.31
5.91
7.42
12.3
15.2
3.32
4.28
5.89
7.35
12.2
15.1
3.30
4.25
5.82
7.31
12.1
15.0
3.27
4.21
5.75
7.22
11.9
14.7
3.27
4.20
5.71
7.19
11.9
14.7
3.25
4.18
5.70
7.15
11.8
14.6
3.24
4.16
5.67
7.10
11.7
14.5
3.23
4.14
5.65
7.08
11.7
14.4
.0005
.001
.005
.01
.025
.05
.136
.155
.214
.250
.313
.379
.164
.184
.244
.281
.343
.409
.181
.200
.261
.297
.360
.425
.181
.200
.261
.297
.360
.425
.218
.238
.299
.334
.395
.459
.230
.250
.311
.346
.407
.469
.239
.259
.319
.354
.415
.477
.257
.277
.337
.372
.431
.493
.262
.282
3.41
3.76
.435
.496
.271
.292
.351
.385
.442
.505
.281
.300
.358
.392
.450
.510
.257
.306
.364
.398
.456
.516
.10
.25
.50
.75
.90
.472
.684
1.04
1.62
2.46
.500
.707
1.05
1.61
2.42
.515
.718
1.06
1.60
2.40
.515
.718
1.06
1.60
2.40
.547
.743
1.07
1.59
2.36
.556
.751
1.07
1.59
2.35
.563
.756
1.08
1.59
2.34
.578
.767
1.08
1.58
2.32
.581
.769
1.08
1.58
2.32
.588
.775
1.09
1.58
2.31
.595
.780
1.09
.158
2.30
.599
.783
1.09
1.58
2.29
.95
.975
.99
.995
.999
.9995
3.22
4.10
5.52
6.81
10.8
13.1
3.15
4.00
5.36
6.61
10.5
12.7
3.12
3.95
5.28
6.50
10.3
12.5
3.12
3.95
5.28
6.50
10.3
12.5
3.04
3.84
.512
6.29
9.92
12.0
3.02
3.81
5.07
6.22
9.80
11.8
3.01
3.78
5.03
6.18
9.73
11.8
2.07
3.74
4.96
6.09
9.57
11.6
2.97
3.73
4.95
6.06
9.54
11.5
2.95
3.70
4.91
6.02
9.46
11.4
2.94
3.68
4.88
5.98
9.39
11.4
2.93
3.67
4.86
5.95
9.34
11.3
.0005
.001
.005
.01
.025
.05
.141
.160
.220
.257
.320
.386
.171
.191
.253
.289
.352
.418
.188
.208
.271
.307
.370
.435
.188
.208
.271
.307
.370
.435
.228
.249
.310
.346
.408
.471
.242
.262
.324
.358
.420
.483
.251
.271
.332
.368
.428
.490
.270
.291
.351
.386
.446
.508
.276
.296
.356
.391
.450
.510
.287
.307
.366
.400
.459
.518
.297
.316
.376
.410
.467
.526
.303
.323
3.82
.415
.473
.532
.10
.25
.50
.75
.90
.479
6.87
1.03
1.57
2.34
.509
.711
1.04
1.56
2.30
.525
.723
1.05
1.56
2.28
.525
.723
1.05
1.56
2.28
.553
.749
1.06
1.55
2.23
.568
.457
1.06
1.54
2.22
.575
.762
1.08
1.54
2.21
.588
.773
1.07
1.53
2.19
.594
.776
1.07
1.53
2.18
.602
.782
1.08
1.53
2.17
.610
.787
1.08
1.53
2.17
.613
.791
1.08
1.53
2.16
.95
.975
.99
.995
.999
.9995
3.01
3.77
4.96
6.03
9.24
11.0
2.94
3.67
4.81
5.83
8.90
10.6
2.90
3.61
4.73
5.73
8.72
10.4
2.90
3.61
4.73
5.73
8.72
10.4
2.83
3.51
4.57
5.52
8.37
9.94
2.80
3.47
4.52
5.45
8.26
9.80
2.79
3.45
4.48
5.41
8.19
9.71
2.76
3.40
4.42
5.32
8.04
9.53
2.75
3.39
4.40
5.30
8.00
9.49
2.73
3.37
4.36
5.26
7.93
9.40
2.72
3.35
4.33
5.21
7.86
9.32
2.71
3.33
4.31
5.19
7.80
9.26
192
Estadstica Aplicada
F (V1 , V2 )
V2
10
11
12
V1
P
1
6
2
3
10
11
12
.0005
.001
.005
.01
.025
.05
.0 41
.05 17
.04 41
.03 17
.02 10
.02 41
.0 50
.02 10
.02 50
.010
.025
.052
.0 49
.02 77
.023
.037
.069
.114
.015
.021
.048
.069
.113
.168
.028
.037
.073
.100
.151
.211
.043
.054
.098
.127
.183
.246
.057
.071
.119
.151
.210
.275
.071
.087
.139
.172
.233
.299
.085
.101
.156
.190
.252
.319
.097
.114
.171
.206
.269
.336
.108
.126
.185
.220
.283
.351
.119
.137
.197
.233
.296
.363
.10
.25
.50
.75
.90
.017
.107
.490
1.49
3.28
.106
.296
.743
1.60
2.92
.191
.409
.845
1.60
2.73
.255
.480
.899
1.59
2.61
.303
.529
.932
1.59
2.52
.340
.565
.954
1.58
2.46
.370
.592
.971
1.57
2.41
.494
.613
.983
1.56
2.38
.414
.631
.992
1.56
2.35
.430
.645
1.00
1.55
2.32
.444
.657
1.01
1.55
2.30
.457
.667
1.01
1.54
2.28
.95
.975
.99
.995
.999
.9995
4.96
6.94
10.0
12.8
21.0
25.5
4.10
5.46
7.56
9.43
14.9
17.9
3.71
4.83
6.55
8.08
12.6
15.0
3.48
4.47
5.99
7.34
11.3
13.4
3.33
4.24
5.64
6.87
10.5
12.4
3.22
4.07
5.39
6.54
9.92
11.8
3.14
3.95
5.20
6.30
9.52
11.3
3.07
3.85
5.06
6.12
9.20
10.9
3.02
3.78
4.94
5.97
8.96
10.6
2.98
3.72
4.85
5.85
8.75
10.3
2.94
3.66
4.77
5.75
8.58
10.1
2.91
3.62
4.71
5.66
8.44
9.93
.0005
.001
.005
.01
.025
.05
.06 41
.05 16
.04 40
.03 16
.02 10
.02 41
.03 50
.02 10
.02 50
.010
.025
.052
.02 49
.02 78
.023
.057
.069
.114
.015
.021
.048
.069
.117
.168
.028
.038
.074
.100
.152
.212
.043
.055
.099
.128
.185
.248
.058
.072
.121
.153
.212
.278
.072
.088
.141
.175
.236
.302
.086
.103
.158
.193
.256
.323
.099
.116
.174
.210
.273
.340
.111
.129
.188
.224
.288
.355
.121
.140
.200
.237
.301
.368
.10
.25
.50
.75
.90
.017
107
.486
1.47
3.23
.106
.295
.739
1.58
2.86
.192
.408
.840
1.58
2.66
.256
.481
.893
1.57
2.54
.305
.529
.926
1.56
2.45
.342
.565
.948
1.55
2.39
.373
.592
.964
1.54
2.34
.397
.614
.977
1.53
2.30
.417
.633
.986
1.53
2.27
.435
.645
.994
1.52
2.25
.448
.658
1.00
1.52
2.23
.461
.667
1.01
1.51
2.21
.95
.975
.99
.995
.999
.9995
4.84
6.72
9.65
12.2
19.7
23.6
3.98
5.26
7.21
8.91
13.8
16.4
3.59
4.63
6.22
7.60
11.6
13.6
3.36
4.28
5.67
6.88
10.3
12.2
3.20
4.04
5.32
6.42
9.58
11.2
3.09
3.88
5.07
6.10
9.05
10.6
3.01
3.76
4.89
5.86
8.66
10.1
2.95
3.66
4.74
5.68
8.35
9.76
2.90
3.59
4.63
5.54
8.12
9.48
2.85
3.53
4.54
5.42
7.92
9.24
2.82
3.47
4.46
5.32
7.76
9.04
2.79
3.43
4.40
5.24
7.62
8.88
.0005
.001
.005
.01
.025
.05
.06 41
.05 16
.04 39
.03 16
.02 10
.02 41
.03 50
.02 10
.02 50
.010
.025
.052
.02 49
.02 78
.023
.037
.070
.114
.015
.021
.048
.070
.117
.169
.028
.038
.075
.101
.153
.214
.044
.056
.100
.130
.186
.250
.058
.073
.122
.155
.214
.280
.073
.089
.143
.176
.238
.305
.087
.104
.161
.196
.259
.325
.101
.118
.177
.212
.276
.343
.113
.131
.191
.227
.292
.358
.124
.143
.204
.241
.305
.372
.10
.25
.50
.75
.90
.016
.106
.484
1.46
3.18
.106
.295
.735
1.56
2.81
.192
.408
.835
1.56
2.61
.257
.480
.888
1.55
2.48
.306
.530
.921
1.54
2.39
.344
.566
.943
1.53
2.33
.375
.594
.959
1.52
2.28
.400
.616
.972
1.51
2.21
.420
.633
.981
1.51
2.21
.438
.649
.989
1.50
2.19
.452
.662
.995
1.50
2.17
.466
.671
1.00
1.49
2.15
.95
.975
.99
.995
.999
.9995
4.75
6.55
9.33
11.8
18.6
22.2
3.89
5.10
6.93
8.51
13.0
15.3
3.49
4.47
5.95
7.23
10.8
12.7
3.26
4.12
5.41
6.52
9.63
11.2
3.11
3.89
5.06
6.07
8.89
10.4
3.00
3.73
4.82
5.76
8.38
9.74
2.91
3.61
4.64
5.52
8.00
9.28
2.85
3.51
4.50
5.35
7.71
8.94
2.80
3.44
4.39
5.20
7.48
8.66
2.75
.37
4.30
5.09
7.29
8.43
2.72
3.32
4.22
4.99
7.14
8.24
2.69
3.28
4.16
4.91
7.01
8.08
.0641 = 0.41 x 10-6 = 0.00000041
PROESAD
193
F (V1 , V2 )
V2
10
11
12
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.145
.164
.226
.263
.327
.393
.177
.197
.260
.297
.360
.426
.195
.216
.279
.316
.379
.444
.215
.236
.299
.336
.394
.462
.238
.258
.321
.357
.419
.481
.251
.272
.334
.370
.431
.493
.262
.282
.344
.380
.441
.502
.282
.303
.365
.400
.459
.518
.288
.309
.370
.405
.464
.523
.299
.321
.380
.415
.474
.532
.311
.331
.391
.424
.483
.541
.319
.338
.397
.431
.488
.546
.10
.25
.50
.75
.90
.486
.691
1.02
1.53
2.24
.516
.714
1.03
1.52
2.20
.532
.727
1.04
1.52
2.18
.549
.740
1.05
1.51
2.16
.567
.754
1.05
1.51
2.13
.578
.762
1.06
1.50
2.12
.586
.767
1.06
1.50
2.11
.602
.779
1.06
1.49
2.09
.605
.782
1.06
1.49
2.08
.614
.788
1.07
1.49
2.07
.621
.793
1.07
1.48
2.06
.625
.797
1.07
1.48
2.06
.95
.975
.99
.995
.999
.9995
2.85
3.52
4.56
5.47
8.13
9.46
2.77
3.42
4.41
5.27
7.80
9.16
2.74
3.37
4.33
5.17
7.64
8.96
2.70
3.31
4.25
5.07
7.47
8.75
2.66
3.26
4.17
4.97
7.30
8.54
2.64
3.222
4.12
4.90
7.19
8.42
2.62
3.20
1.08
4.86
7.12
8.33
2.59
3.15
4.01
4.77
6.98
8.16
2.58
3.14
4.00
4.75
6.94
8.12
2.56
3.12
2.96
4.91
6.87
8.04
2.55
3.09
3.93
4.67
6.81
7.96
2.54
3.08
3.91
4.64
6.76
7.90
.0005
.001
.005
.01
.025
.05
.148
.168
.231
.268
.332
.398
.182
.202
.266
.304
.368
.433
.201
.222
.286
.324
.386
.452
.222
.243
.308
.344
.407
.469
.246
.266
.330
.366
.429
.490
2.61
.282
.345
.380
.442
.503
.271
.292
.355
.391
.450
.513
.293
.313
.376
.412
.472
.529
.299
.320
.382
.417
.476
.535
.312
.332
.394
.427
.485
.543
.324
.343
.403
.439
.495
.552
.331
.353
.412
.444
.503
.559
.10
.25
.50
.75
.90
.490
.694
1.02
1.50
2.17
.524
.719
1.03
1.49
2.12
.541
.730
1.03
1.49
2.10
.559
.744
1.04
1.48
2.08
.578
.758
1.05
1.47
2.05
.588
.767
1.05
1.47
2.04
.595
.773
1.05
1.47
2.03
.614
.780
1.06
1.46
2.00
.617
.788
1.06
1.46
2.00
.625
.794
1.06
1.46
1.99
.633
.799
1.06
1.45
1.98
.637
.803
1.06
1.45
1.97
.95
.975
.99
.995
.999
.9995
2.72
3.33
4.25
5.05
7.32
8.52
2.65
3.23
4.10
4.86
7.01
8.14
2.61
3.17
4.02
4.76
6.85
7.94
2.57
3.12
3.94
4.65
6.68
7.75
2.53
3.06
3.86
4.55
6.52
7.55
2.51
3.03
3.81
4.49
6.41
7.43
2.49
3.00
3.78
4.45
6.35
7.35
2.46
2.96
3.71
4.36
6.21
7.18
2.45
2.94
3.69
4.34
6.17
7.14
2.43
2.92
3.66
4.29
6.10
7.06
2.42
2.90
3.62
4.25
6.04
6.98
2.40
2.88
3.60
4.23
6.00
6.93
.0005
.001
.005
.01
.025
.05
.152
.172
.235
.273
.337
.404
.186
.207
.272
.310
.374
.439
.206
.228
.292
.330
.394
.458
.228
.250
.315
.352
.416
.478
.253
.275
.339
.375
.437
.499
.269
.291
.355
.391
.450
.513
.280
.302
.365
.401
.461
.522
.305
.326
.388
.422
.481
.541
.311
.332
.393
.428
.487
.545
.323
.344
.405
.441
.498
.556
.337
.357
.417
.450
.508
.565
.345
.365
.424
.458
.514
.571
.10
.25
.50
.75
.90
.496
.695
1.01
1.48
2.11
.528
.721
1.02
1.47
2.06
.546
.734
1.03
1.46
2.04
.564
.748
1.03
1.45
2.01
.583
.762
1.04
1.45
1.99
.595
.771
1.04
1.44
1.97
.604
.777
1.05
1.44
1.96
.621
.789
1.05
1.43
1.94
.625
.792
1.05
1.43
1.93
.633
.799
1.05
1.43
1.92
.641
.804
1.06
1.42
1.91
.647
.808
1.06
1.42
1.90
.95
.975
.99
.995
.999
.9995
2.62
3.18
4.01
4.72
6.71
7.74
2.54
3.07
3.86
4.53
6.40
7.37
2.51
3.02
3.78
4.43
6.25
7.18
2.47
2.96
3.70
4.33
6.09
7.00
2.43
2.91
3.62
4.23
5.93
6.80
2.40
2.87
3.57
4.17
5.83
6.68
2.38
2.85
3.54
4.12
5.76
6.61
2.35
2.80
3.47
4.04
5.63
6.45
2.34
2.79
3.45
4.01
5.59
6.41
2.32
2.76
3.41
3.97
5.52
6.33
2.31
2.74
3.38
3.93
5.46
6.25
2.30
2.72
3.36
3.90
5.42
6.20
194
Estadstica Aplicada
F (V1 , V2 )
V2
15
20
24
V1
P
6
10
11
12
.0005
.001
.005
.01
.025
.05
.0 41
.05 16
.04 39
.03 16
.02 10
.02 41
.0 50
.02 10
.02 50
.010
.025
.051
.0 49
.02 79
.023
.037
.070
.115
.015
.021
.049
.070
.116
.170
.029
.039
.076
.103
.156
.216
.045
.057
.102
.132
.190
.254
.061
.075
.125
.158
.219
.285
.076
.092
.147
.181
.244
.311
.091
.108
.166
.202
.265
.333
.105
.123
.183
.219
.284
.351
.117
.137
.198
.235
.300
.368
.129
.149
.212
.249
.315
.382
.10
.25
.50
.75
.90
.016
.105
.478
1.43
3.07
.106
.293
.726
1.52
2.70
.192
.407
.827
1.52
2.49
.258
.480
.878
1.51
2.36
.309
.531
.911
1.49
2.27
.348
.568
.933
1.48
2.21
.380
.596
.948
1.47
2.16
.406
.618
.960
1.46
2.12
.427
.637
.970
.146
.209
.446
.652
.977
1.45
2.06
.461
.667
.984
1.44
2.04
.475
.676
.939
1.44
2.02
.95
.975
.99
.995
.999
.9995
4.54
6.20
8.68
10.8
16.6
19.5
3.68
4.76
6.36
7.70
11.3
13.2
3.29
4.15
5.42
6.48
9.34
10.8
3.06
3.80
4.89
5.80
8.25
9.48
2.90
3.58
4.56
5.37
7.57
8.66
2.79
3.41
4.32
5.07
7.09
8.10
2.71
2.29
4.14
4.85
6.74
7.68
2.64
3.20
4.00
4.67
6.47
7.36
2.59
3.12
3.89
8.54
6.26
7.11
2.54
2.06
3.80
4.42
6.08
6.91
2.51
3.01
3.73
4.33
5.93
6.75
2.48
2.96
3.67
4.25
6.81
6.60
.0005
.001
.005
.01
.025
.05
.06 40
.05 16
.04 39
.03 16
.02 10
.02 40
.03 50
.02 10
.02 50
.010
.025
.051
.02 50
.02 79
.023
.037
.071
.115
.015
.022
.050
.071
.117
.172
.029
.039
.077
.105
.158
.219
.046
.058
.104
.135
.193
.258
.063
.077
.129
.162
.224
.290
.079
.095
.151
.187
.250
.318
.094
.112
.171
.208
.273
.340
.109
.128
.190
.227
.292
.360
.123
.143
.206
.244
.310
.377
.136
.156
.221
.259
.325
.393
.10
.25
.50
.75
.90
.016
.104
.472
1.40
2.97
.106
.292
.718
1.49
2.59
.193
.407
.816
1.48
2.37
.260
.480
.868
1.47
2.25
.312
.531
.909
1.45
2.16
.353
.569
.922
1.44
2.09
.385
.598
9.38
1.43
2.04
.412
.622
.950
1.42
2.00
.435
.641
.959
1.41
1.96
.454
.656
.966
1.40
1.94
.472
.671
.972
1.39
1.91
.485
.681
.977
1.39
1.89
.95
.975
.99
.995
.999
.9995
4.35
5.87
8.10
9.94
14.8
17.2
3.49
4.46
5.85
6.99
9.95
11.4
3.10
3.86
4.94
5.82
8.10
9.20
2.87
3.51
4.43
5.17
7.10
8.02
2.71
3.28
4.10
4.76
6.46
7.28
2.60
3.13
3.87
4.47
6.02
6.76
2.51
3.01
3.70
4.26
5.69
6.38
2.45
2.91
3.56
4.09
5.44
6.08
2.39
2.84
3.46
3.96
5.24
5.84
2.35
2.77
3.37
3.85
5.08
5.66
2.31
2.72
3.29
3.76
4.94
5.51
2.28
2.68
3.23
3.68
4.82
538
.0005
.001
.005
.01
.025
.05
.06 40
.05 16
.04 40
.03 16
.02 10
.02 40
.03 50
.02 10
.02 50
.010
.025
.051
.02 50
.02 79
.023
.038
.071
.116
.015
.022
.050
.072
.117
.173
.030
.040
.078
.106
.159
.221
.046
.059
.106
.136
.195
.260
.064
.079
.131
.165
.227
.293
.080
.097
.154
.189
.253
3.21
.096
.115
.175
.211
.277
.345
.112
.131
.193
.231
.297
.365
.126
.146
.210
.249
.315
.383
.139
.160
.226
.264
.331
.399
.10
.25
.50
.75
.90
.016
.104
.469
1.39
2.93
.106
.291
.714
1.47
2.54
.193
.406
.812
1.46
2.33
.261
.480
.863
1.44
2.19
.313
.532
.895
1.43
2.10
.355
.570
.917
1.41
2.04
.388
.600
.932
1.40
1.98
.416
.623
.944
1.39
1.94
.439
.643
.953
1.38
1.91
.459
.659
.961
1.38
1.88
.476
.671
.967
1.37
1.85
.491
.684
.972
1.36
1.83
.95
.975
.99
.995
.999
.9995
4.26
5.72
7.82
9.55
14.0
16.2
3.40
4.32
5.61
6.66
9.37
10.6
3.01
3.72
4.72
5.52
7.55
8.52
2.78
3.38
4.22
4.89
6.59
7.39
2.32
3.15
3.90
4.49
5.98
6.68
2.51
2.99
3.67
4.20
5.55
6.18
2.42
2.87
3.50
3.99
5.23
5.82
2.36
2.78
3.36
3.83
4.99
5.54
2.30
2.70
3.26
3.69
4.80
5.31
2.25
2.64
3.17
3.59
4.64
5.13
2.21
2.59
3.09
3.50
4.50
4.98
2.18
2.54
3.03
3.42
4.39
4.85
.0641 = 0.41 x 10-6 = 0.00000041
PROESAD
195
F (V1 , V2 )
V2
15
20
24
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.159
.181
.246
.284
.49
.416
.159
.181
.246
.284
.349
.416
.220
.212
.308
.346
.410
.474
.244
.266
.333
.370
.433
.496
.272
.294
.360
.397
.458
.519
.303
.325
.389
.425
.485
.545
.303
.325
.389
.425
.485
.545
.330
.352
.415
.450
.508
.565
.339
.360
.422
.456
.514
.571
.353
.375
.435
.469
.526
.581
.368
.388
.448
.483
.538
.592
.337
.398
.457
.490
.546
.600
.10
.25
.50
.75
.90
.507
.701
1.00
1.43
1.97
.507
.701
1.00
.143
.197
.561
.742
1.02
1.41
1.90
.581
.757
1.02
1.40
1.87
.602
.772
1.03
1.39
1.85
.624
.788
1.03
1.38
1.82
.624
.788
1.03
1.38
1.82
.641
.802
1.04
1.38
1.79
.647
.805
1.04
1.37
1.79
.812
1.04
1.37
1.77
2.10
.667
.818
1.04
1.36
1.76
.672
.822
1.05
1.36
1.76
.95
.975
.99
.995
.999
.9995
2.40
2.86
3.52
4.07
5.54
6.27
2.40
2.86
3.52
4.07
5.54
6.27
2.39
2.70
3.29
3.79
5.10
5.75
2.25
2.64
3.21
3.69
4.95
5.58
2.20
2.59
3.13
3.59
4.90
5.40
2.16
2.52
3.05
3.48
4.64
5.21
2.16
2.52
3.05
3.48
4.67
5.21
2.12
2.47
2.98
3.39
4.51
5.06
2.11
2.46
2.96
3.37
4.47
5.02
2.44
2.92
3.33
4.41
4.94
.391
2.08
2.41
2.89
3.29
4.35
4.87
2.07
2.40
2.87
3.26
4.31
4.83
.0005
.001
.005
.01
.025
.05
.169
.191
.258
.297
.363
.430
.169
.191
.258
.297
.363
.430
.235
.258
.327
.365
.430
.493
.263
.286
.354
.392
.456
.548
.295
.318
.385
.422
.484
.544
.331
.354
.419
.455
.514
.572
.331
.354
.419
.455
.514
.572
.364
.386
.448
.483
.541
.595
.375
.395
.457
.491
.548
.603
.413
.474
.508
.562
.617
.685
.408
.429
.490
.521
.575
.329
.422
.441
.500
.532
.585
.637
.10
.25
.50
.75
.90
.520
.708
.989
1.37
1.84
.520
.708
.989
1.37
1.84
.578
.751
1.01
1.35
1.77
.600
.767
1.01
1.34
1.74
.623
.784
1.02
1.33
1.71
.648
.801
1.02
1.32
1.68
.648
.801
1.02
1.32
1.68
.671
.616
1.03
1.31
1.65
.675
.820
1.03
1.31
1.64
.827
1.03
1.30
1.63
1.88
.694
8.35
1.03
1.30
1.62
.704
.840
1.03
1.29
1.61
.95
.975
.99
.995
.999
.9995
2.20
2.57
3.09
3.50
4.56
5.07
2.20
2.57
3.09
3.50
4.56
5.07
2.08
2.41
2.86
3.22
4.15
4.58
2.04
2.35
2.78
3.12
4.01
4.42
1.99
2.29
2.69
3.02
3.86
4.24
1.95
2.22
2.61
2.92
3.70
4.07
1.95
2.22
2.61
2.92
3.70
4.07
1.91
2.17
2.54
2.83
3.58
3.93
1.90
2.16
2.52
2.81
3.54
3.90
2.13
2.48
2.76
3.48
3.82
.416
1.86
2.10
2.44
2.72
3.42
3.75
1.84
2.09
2.42
2.69
3.38
3.70
.0005
.001
.005
.01
.025
.05
.174
.196
.264
.304
.370
.437
.174
.196
.264
.304
.370
.467
.244
.268
.337
.376
.441
.504
.274
.298
.367
.405
.468
.530
.309
.332
.400
.437
.498
.558
.349
.371
.437
.473
.531
.588
.349
.371
.437
.473
.531
.588
.384
.405
.469
.505
.562
.613
.395
.417
.479
.513
.568
.622
.437
.498
.529
.585
.637
.704
.434
.455
.515
.546
.599
.649
.449
.439
.527
.558
.610
.659
.10
.25
.50
.75
.90
.527
.712
.983
1.35
1.78
.527
.712
.943
1.35
1.78
.588
.757
1.00
.132
1.70
.611
.773
1.01
1.31
1.67
.635
.791
1.01
1.30
1.64
.662
.809
1.02
1.29
1.61
.662
.809
1.02
1.29
1.61
.685
.825
1.02
1.28
1.58
.691
.829
1.02
1.28
1.57
.837
1.02
1.27
1.56
1.77
.715
.844
1.03
1.27
1.54
.723
.850
1.03
1.26
1.53
.95
.975
.99
.995
.999
.9995
2.11
2.44
2.89
3.25
4.14
4.55
2.11
2.44
2.89
3.25
4.14
4.55
1.98
2.27
2.66
2.97
3.74
4.09
1.94
2.21
2.58
2.87
3.59
3.93
1.89
2.15
2.49
2.77
3.45
3.76
1.84
2.08
2.40
2.66
3.29
3.59
1.84
2.08
2.40
2.66
3.29
3.59
1.80
2.02
2.33
1.57
3.16
3.44
1.79
2.01
2.31
2.55
3.14
3.41
1.98
2.27
2.27
2.50
3.07
3.33
1.75
1.95
2.24
2.46
3.01
3.27
1.73
1.94
2.21
2.43
2.97
3.22
196
Estadstica Aplicada
F (V1 , V2 )
V2
30
40
60
V1
P
1
6
10
11
12
.0005
.001
.005
.01
.025
.05
.0 40
.05 16
.04 40
.03 16
.0210
.0240
.0 50
.02 10
.02 50
.010
.025
.051
.0 50
.02 80
.024
.038
.071
.116
.015
.022
.050
.072
.118
.174
.030
.040
.079
.107
.161
.222
.047
.060
.107
.138
.197
.263
.065
.080
.133
.167
.229
.296
.082
.099
.156
.192
.257
.325
.098
.117
.178
.215
.281
.349
.114
.134
.197
.235
.302
.370
.129
.150
.215
.254
.321
.389
.143
.164
.231
.270
.337
.406
.10
.25
.50
.75
.90
.016
.103
.466
1.38
2.88
.106
.290
.709
1.45
2.49
.193
.406
.807
1.44
2.28
.262
.480
.858
1.42
2.14
.315
.532
.890
1.41
2.05
.357
.571
.912
1.39
1.98
.391
.601
.927
1.38
1.93
.420
.625
.939
1.37
1.88
.443
.645
.948
1.36
1.85
.464
.661
.955
1.35
1.82
.481
.676
.961
1.35
1.79
.497
.688
.966
1.34
1.77
.95
.975
.99
.995
.999
.9995
4.17
5.57
7.56
9.18
13.3
15.2
3.32
4.18
5.39
6.35
8.77
9.90
2.92
3.59
4.51
5.24
7.05
7.90
2.69
3.25
4.02
4.62
6.12
6.82
2.53
3.03
3.70
4.23
5.53
6.14
2.42
2.87
3.47
3.95
5.12
5.66
2.33
2.75
3.30
3.70
4.82
5.31
2.27
2.65
3.17
3.58
4.58
5.04
2.21
2.57
3.07
3.45
4.39
4.82
2.16
2.51
2.98
3.34
4.24
4.65
2.13
2.46
2.91
3.25
4.11
4.51
2.09
2.41
2.84
3.18
4.00
4.38
.0005
.001
.005
.01
.025
.05
.06 40
.05 16
.04 10
.03 16
.02 99
.02 40
.03 50
.02 10
.02 50
.010
.025
.051
.02 50
.02 80
.024
.038
.071
.116
.016
.022
.051
.073
.119
.175
.030
.042
.080
.108
.162
.224
.048
.061
.108
.140
.199
.265
.066
.81
.135
.169
.232
.299
.084
.101
.159
.195
.260
.329
.100
.119
.181
.219
.285
.354
.117
.137
.201
.240
.307
.376
.132
.153
.220
.259
.327
.395
.147
.169
.237
.276
.344
.412
.10
.25
.50
.75
.90
.016
.103
.463
1.36
2.84
.106
.290
.705
1.44
2.44
.194
.405
.802
1.42
2.23
.263
.480
.854
1.40
2.09
.317
.533
.885
1.39
2.00
.360
.572
.907
1.37
1.93
.394
.603
.922
1.36
1.87
.424
.627
.934
1.35
1.83
.448
.647
.943
1.34
1.79
.469
.664
.950
1.33
1.76
.488
.680
.956
1.32
1.73
.504
.691
.961
1.31
1.71
.95
.975
.99
.995
.999
.9995
4.08
5.42
7.31
8.83
12.6
14.4
3.23
4.05
5.18
6.07
8.25
9.25
2.84
3.46
4.31
4.94
6.60
7.33
2.61
3.13
3.83
4.37
5.70
6.30
2.45
2.90
3.51
3.99
5.13
5.64
2.34
2.74
3.29
3.71
4.73
5.19
2.25
2.62
3.12
3.51
4.44
4.85
2.18
2.53
2.99
3.35
4.21
4.59
2.12
2.45
2.89
3.22
4.02
4.38
2.08
2.39
2.80
3.12
3.87
4.21
2.04
2.33
2.73
3.03
3.75
4.07
2.00
2.29
2.66
2.95
3.64
3.95
.0005
.001
.005
.01
.025
.05
.06 40
.05 16
.04 40
.03 16
.02 99
.02 40
.03 50
.02 10
.02 50
.010
.025
.051
.02 51
.02 80
.024
.038
.071
.116
.016
.022
.051
.073
.120
.176
.031
.041
.081
.109
.163
.226
.048
.062
.110
.142
.202
.267
.067
.083
.137
.172
.235
.303
.085
.103
.162
1.99
.264
.333
.103
.122
.185
.233
.290
.359
.120
.140
.206
.245
.313
.382
.136
.157
.225
.265
.333
.402
.152
.174
.243
.283
.351
.419
.10
.25
.50
.75
.90
.016
.102
.461
1.35
2.79
.106
.289
.701
1.42
2.39
.194
.405
.798
1.41
2.18
.264
.480
.849
1.38
2.4
.318
.534
.880
1.37
1.95
.362
.573
.901
1.35
1.87
.398
.604
.917
1.33
1.82
.428
.629
.928
1.32
1.77
.453
.650
.937
1.31
1.74
.475
.667
.945
1.30
1.71
.493
.680
.951
1.29
1.68
.510
.695
.956
1.29
1.66
.95
.975
.99
.995
.999
.9995
4.00
5.29
7.08
8.49
12.0
13.6
3.15
3.93
4.98
5.80
7.76
8.65
2.76
3.34
4.13
4.73
6.17
6.81
2.53
3.01
3.65
4.14
5.31
5.82
2.37
2.79
3.34
3.76
4.76
5.20
2.25
2.63
3.12
3.49
4.37
4.76
2.17
2.51
2.95
3.29
4.09
4.44
2.10
2.41
2.82
3.13
3.87
4.18
2.04
2.33
2.72
3.01
3.69
3.98
1.99
2.27
2.63
2.90
3.54
3.82
1.95
2.22
2.56
2.82
3.43
3.69
1.92
2.17
2.50
2.74
3.31
3.57
.0640 = 0.40 x 10-6 = 0.00000040
PROESAD
197
F (V1 , V2 )
V2
30
40
60
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.179
.202
.271
.311
.378
.445
.226
.250
.320
.360
.426
.490
.254
.278
.349
.388
.453
.516
.287
.311
.381
.419
.482
.543
.325
.348
.416
.454
.515
.573
.350
.373
.441
.476
.535
.592
.369
.391
.457
.493
.551
.606
.410
.431
.495
.529
.585
.637
.420
.442
.504
.538
.592
.644
.444
.465
.524
.559
.610
.658
.467
.488
.543
.575
.625
.676
.483
.503
.559
.590
.639
.685
.10
.25
.50
.75
.90
.534
.716
.978
1.32
1.72
.575
.746
.989
1.30
1.67
.598
.763
.994
1.29
1.64
.623
.780
1.00
1.28
1.61
.649
.798
1.01
1.27
1.57
.667
.810
1.01
1.26
1.55
.678
.818
.101
1.26
1.54
.704
.835
1.02
1.25
1.51
.710
.839
1.02
1.24
1.50
.725
.848
1.02
1.24
1.48
.735
.856
1.02
1.23
1.47
.746
.862
1.02
1.23
1.46
.95
.975
.99
.995
.999
.9995
2.01
2.31
2.70
3.01
3.75
4.10
1.93
2.20
2.55
2.82
3.49
3.80
1.89
2.14
2.47
2.73
3.36
3.65
1.84
2.07
2.39
2.63
3.22
3.48
1.79
2.01
2.30
2.52
3.07
3.32
1.76
1.97
2.25
2.46
2.98
3.22
1.74
1.94
2.21
2.42
2.92
3.15
1.70
1.88
2.13
2.32
2.79
3.00
1.68
1.87
2.11
2.30
2.76
2.97
1.66
1.84
2.07
2.25
2.69
2.89
1.64
1.81
2.03
2.21
2.63
2.82
1.62
1.79
2.01
2.18
2.59
2.78
.0005
.001
.005
.01
.025
.05
.185
.209
.279
.319
.387
.454
.236
.259
.331
.371
.437
.502
.266
.290
.362
.401
.466
.529
.301
.326
.396
.435
.498
.558
.343
.367
.436
.473
.533
.591
.373
.396
.463
.498
.536
.613
.393
.415
.481
.516
.573
.627
.441
.461
.524
.556
.610
.658
.453
.473
.534
.567
.620
.669
.480
.500
.559
.592
.641
.685
.504
.524
.581
.613
.662
.704
.525
.545
.599
.628
.674
.714
.10
.25
.50
.75
.90
.542
.720
.972
1.30
1.66
.585
.752
.983
1.28
1.61
.609
.769
.989
1.26
1.57
.636
.787
.994
1.25
1.54
.664
.806
1.00
1.24
1.51
.683
.819
1.00
1.23
1.48
.696
.828
1.01
1.22
1.47
.724
.846
1.01
1.21
1.43
.731
.851
1.01
1.21
1.42
.747
.861
1.01
1.20
1.41
.762
.870
1.02
1.19
1.39
.772
.877
1.02
1.19
1.38
.95
.975
.99
.995
.999
.9995
1.92
2.18
2.52
2.78
3.40
3.68
1.84
2.07
2.37
2.60
3.15
3.39
1.79
2.01
2.29
2.50
3.01
3.24
1.74
1.94
2.20
2.40
2.87
3.08
1.69
1.88
2.11
2.30
2.73
2.92
1.66
1.83
2.06
2.23
2.64
2.82
1.64
1.80
2.02
2.18
2.57
2.74
1.59
1.74
1.94
2.09
2.44
2.69
1.58
1.72
1.92
2.06
2.41
2.57
1.55
1.69
1.87
2.01
2.34
2.49
1.53
1.66
1.83
1.96
2.28
2.41
1.51
1.64
1.80
1.93
2.23
2.37
.0005
.001
.005
.01
.025
.05
.192
.216
.287
.328
.396
.463
.246
.270
.343
.383
.450
.514
.278
.304
.376
.416
.481
.543
.318
.343
.414
.453
.515
.575
.365
.389
.458
.495
.555
.611
.398
.421
.488
.524
.581
.633
.421
.444
.510
.545
.600
.652
.478
.497
.559
.592
.641
.690
.493
.512
.572
.604
.654
.700
.527
.545
.602
.633
.680
.719
.561
.579
.633
.658
.704
.746
.585
.602
.652
.679
.720
.759
.10
.25
.50
.75
.90
.550
.725
.967
1.27
.160
.596
.758
.978
1.25
1.54
.622
.776
.983
1.24
1.51
.650
.796
.989
1.22
1.48
.682
.816
.994
1.21
1.44
.703
.830
.998
1.20
1.41
.717
.840
1.00
1.19
1.40
.750
.860
1.00
1.17
1.36
.758
.865
1.01
1.17
1.35
.776
.877
1.01
1.16
1.33
.793
.888
1.01
1.15
1.31
.806
.896
1.01
1.15
1.29
.95
.975
.99
.995
.999
.9995
1.84
2.06
2.35
2.57
3.08
3.30
1.75
1.94
2.20
2.39
2.83
3.02
1.70
1.88
2.12
2.29
2.69
2.87
1.65
1.82
2.03
2.19
2.56
2.71
1.59
1.74
1.94
2.08
2.41
2.55
1.56
1.70
1.88
2.01
2.31
2.45
1.53
1.67
1.84
1.96
2.25
2.38
1.48
1.60
1.75
1.86
2.11
2.23
1.47
1.58
1.73
1.83
2.09
2.19
1.44
1.54
1.64
1.78
2.01
2.11
1.41
1.51
1.63
1.73
1.93
2.03
1.39
1.48
1.60
1.69
1.89
1.98
198
Estadstica Aplicada
F (V1 , V2 )
V2
120
V1
P
10
11
12
.0005
.001
.005
.01
.025
.05
.0 40
.05 16
.04 39
.03 16
.02 99
.02 39
.0 50
.02 10
.02 50
.010
.025
.051
.0 51
.02 81
.024
.038
.072
.117
.016
.023
.051
.074
.120
.177
.031
.042
.081
.110
.165
.227
.049
.063
.111
.143
.204
.270
.067
.084
.139
.174
.238
.306
.087
.105
.165
.202
.268
.337
.105
.125
.189
.227
.295
.364
.123
.144
.211
.250
.318
.388
.140
.162
.230
.271
.340
.408
.156
.179
.249
.290
.359
.427
.10
.25
.50
.75
.90
.016
.102
.458
1.34
2.75
.105
.288
.697
1.40
2.35
.194
.405
.793
1.39
2.13
.265
.481
.844
1.37
1.99
.320
.534
.875
1.35
1.90
.365
.574
.896
1.33
1.82
.401
.606
.912
1.31
1.77
.432
.631
.923
1.30
1.72
.458
.652
.932
1.29
1.68
.480
670
.939
1.28
1.65
.500
.685
.945
1.27
1.62
.518
.699
.950
1.26
1.60
.95
.975
.99
.995
.999
.9995
3.92
5.15
6.85
8.18
11.4
12.8
3.07
3.80
4.79
5.54
7.32
8.10
2.68
3.23
3.95
4.50
5.79
6.34
2.45
2.89
3.48
3.92
4.95
5.39
2.29
1.67
3.17
3.55
4.42
4.79
2.18
2.52
2.96
3.28
4.04
4.37
2.09
2.39
2.79
3.09
3.77
4.07
2.02
2.30
2.66
2.93
3.55
3.82
1.96
2.22
2.56
2.81
3.38
3.63
1.91
2.16
2.47
2.71
3.24
3.47
1.87
2.10
2.40
2.62
3.12
3.34
1.83
2.05
2.34
2.54
3.02
3.22
.0005
.001
.005
.01
.025
.05
.06 39
.05 16
.04 39
.03 16
.02 98
.02 39
.03 50
.02 10
.02 50
.010
.025
.051
.02 51
.02 81
.024
.038
.072
.117
.016
.023
.052
.074
.121
.178
.032
.042
.082
.111
.166
.229
.050
.063
.113
.145
.206
.273
.069
.85
.141
.177
.241
.310
.088
.107
.168
.206
.272
.342
.108
.128
.193
.232
.300
.369
.127
.148
.213
.256
.325
.394
.144
.167
.236
.278
.347
.417
.161
.185
.256
.298
.367
.436
.10
.25
.50
.75
.90
.016
.102
.455
1.32
2.71
.105
.288
.693
1.39
2.30
.195
.404
.789
1.37
2.08
.266
.481
.839
1.35
1.94
.322
.535
.870
1.33
1.85
.367
.576
.891
1.31
1.77
.405
.608
.907
1.29
1.72
.436
.634
.918
1.28
1.67
.463
.655
.927
1.27
1.63
.487
.674
.934
1.25
1.60
.508
.690
.939
1.24
1.57
.525
.703
.945
1.24
1.55
.95
.975
.99
.995
.999
.9995
3.84
5.02
6.63
7.88
10.8
12.1
3.00
3.69
4.61
5.30
6.91
7.60
2.60
3.12
3.78
4.28
5.42
5.91
2.37
2.79
3.32
3.72
4.62
5.00
2.21
2.57
3.02
3.35
4.10
4.42
2.10
2.41
2.80
3.09
3.74
4.02
2.01
2.29
2.64
2.90
3.47
3.72
1.94
2.19
2.51
2.74
3.27
3.48
1.88
2.11
2.41
2.62
3.10
3.30
1.83
2.05
2.32
2.52
2.96
3.14
1.79
1.99
2.25
2.43
2.84
3.02
1.75
1.94
2.18
2.36
2.74
2.90
.0640 = 0.40 x 10-6 = 0.00000040
PROESAD
199
F (V1 , V2 )
V2
120
PROESAD
V1
15
20
24
30
40
50
60
100
120
200
500
.0005
.001
.005
.01
.025
.05
.199
.223
.297
.338
.406
.473
.256
.282
.336
.397
.464
.527
.293
.319
.393
.433
.498
.559
.338
.363
.434
.474
.536
.594
.390
.414
.484
.522
.580
.634
.429
.453
.520
.556
.611
.661
.458
.480
.545
.579
.633
.682
.524
.542
.605
.636
.684
.727
.543
.568
.623
.652
.698
.740
.578
.595
.661
.688
.729
.767
.614
.631
.702
.725
.762
.785
.676
.691
.733
.755
.789
.819
.10
.25
.50
.75
.90
.560
.730
.961
1.24
1.55
.609
.765
.972
1.22
1.48
.636
.784
.978
1.21
1.45
.667
.805
.983
1.19
1.41
.702
.828
.989
1.18
1.37
.726
.843
.992
1.17
1.34
.742
.853
.994
1.16
1.32
.781
.877
1.00
1.14
1.27
.791
.884
1.00
1.13
1.26
.815
.897
1.00
1.12
1.24
.838
.911
1.01
1.11
1.21
.855
.923
1.01
1.10
1.19
.95
.975
.99
.995
.999
.9995
1.75
1.95
2.19
2.37
2.78
2.96
1.66
1.82
2.03
2.19
2.53
2.67
1.61
1.76
1.95
2.09
2.40
2.53
1.55
1.69
1.86
1.98
2.26
2.38
1.50
1.61
1.76
1.87
2.11
2.21
1.46
1.56
1.70
1.80
2.02
2.11
1.43
1.53
1.66
1.75
1.95
2.01
1.37
1.45
1.56
1.64
1.82
1.88
1.35
1.43
1.53
1.61
1.76
1.84
1.32
1.39
1.48
1.54
1.70
1.75
1.28
1.34
1.42
1.48
1.62
1.67
1.25
1.31
1.38
1.43
1.54
160
.0005
.001
.005
.01
.025
.05
.207
.232
.307
.349
.418
.484
.270
.296
.372
.413
.480
.543
.311
.338
.412
.452
.517
.577
.360
.386
.460
.499
.560
.617
.422
.448
.518
.554
.611
.663
.469
.493
.559
.595
.645
.694
.505
.527
.592
.625
.675
.720
.599
.617
.671
.599
.741
.781
.624
.649
.699
.724
.763
.797
.704
.719
.762
.782
.813
.840
.804
.819
.843
.858
.878
.896
1.00
1.00
1.00
1.00
1.00
1.00
.10
.25
.50
.75
.90
.570
.736
9.56
1.22
1.49
.622
.773
.967
1.19
1.42
.652
.793
.972
1.18
1.38
.687
.816
.978
1.16
1.34
.726
.842
.983
1.14
1.30
.752
.860
.987
1.13
1.26
.774
.872
.989
1.12
1.24
.826
.901
.993
1.09
1.18
.838
.910
.994
1.08
1.17
.877
.932
.997
1.07
1.13
.919
.957
.999
1.04
1.08
1.00
1.00
1.00
1.00
1.00
.95
.975
.99
.995
.999
.9995
1.67
1.83
2.04
2.19
2.51
2.65
1.57
1.71
1.88
2.00
2.27
2.37
1.52
1.64
1.79
1.90
2.13
2.22
1.46
1.57
1.70
1.79
1.99
2.07
1.39
1.48
1.59
1.67
1.84
1.91
1.35
1.43
1.52
1.59
1.73
1.79
1.32
1.39
1.47
1.53
1.66
1.71
1.24
1.30
1.36
1.40
1.49
1.53
1.22
1.27
1.32
1.36
1.45
1.48
1.17
1.21
1.25
1.28
1.34
1.36
1.11
1.13
1.15
1.17
1.21
1.22
1.00
1.00
1.00
1.00
1.00
1.00
200
Estadstica Aplicada
APNDICE N 8
Tabla: Factores para calcular la lnea central y limites de control tres sigmas
Observaciones
en la muestra,
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Grficos
Factores para Lmites de

Control
A
A2
A3
2.121
1.880 2.659
1.732
1.023 1.954
1.500
0.729 1.628
1.342
0.577 1.427
1.225
0.483 1.287
1.134
0.419 1.182
1.061
0.373 1.099
1.000
0.337 1.032
0.949
0.308 0.975
0.905
0.285 0.927
0.866
0.266 0.886
0.832
0.249 0.850
0.802
0.235 0.817
0.775
0.223 0.789
0.750
0.212 0.763
0.728
0.203 0.739
0.707
0.194 0.718
0.688
0.187 0.698
0.671
0.180 0.680
0.655
0.173 0.663
0.640
0.167 0.647
0.626
0.162 0.643
0.612
0.157 0.619
0.600
0.153 0.606
PROESAD
Grficos S
Factores para la
Lnea Central
c4
1/c4
0.7979
1.2533
0.8620
1.1284
0.9213
1.0854
0.9400
1.0638
0.9515
1.0510
0.9594
1.0423
0.9650
1.0363
0.9693
1.0317
0.9727
1.0281
0.9754
1.0252
0.9776
1.0229
0.9794
1.0210
0.9810
1.0194
0.9823
1.0180
0.9835
1.0168
0.9845
1.0570
0.9854
1.0148
0.9862
1.0140
0.9869
1.0133
0.9876
1.0126
0.9882
1.0119
0.9887
1.0114
0.9892
1.0109
0.9896
1.0105
Grficos R
Factores para Lmites de Control

B3
0
0
0
0
0.030
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.510
0.523
0.534
0.545
0.555
0.565
B4
3.267
2.568
2.266
2.089
1.970
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.490
1.477
1.466
1.455
1.445
1.435
201
B5
0
0
0
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.440
0.458
0.475
0.490
0.504
0.516
0.528
0.539
0.549
0.559
B6
2.606
2.276
2.088
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.610
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.470
1.459
1.448
1.438
1.429
1.420
Factores para la
Lnea Central
d2
1/d2
1.128 0.8865
1.693 0.5907
2.059 0.4857
2.326 0.4299
2.534 0.3946
2.704 0.3698
2.847 0.3512
2.970 0.3367
3.078 0.3249
3.173 0.3152
3.258 0.3069
3.336 0.2998
3.407 0.2935
3.472 0.2880
3.532 0.2831
3.588 0.2787
3.640 0.2747
3.689 0.2711
3.735 0.2677
3.778 0.2647
3.819 0.2618
3.858 0.2592
3.895 0.2567
3.931 0.2544
Factores para Lmite de Control

d3
0.453
0.888
0.880
0.874
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.763
0.756
0.750
0.744
0.739
0.734
0.729
0.724
0.720
0.716
0.712
0.708
D1
0
0
0
0
0
0.204
0.388
0.547
0.687
0.811
0.922
1.025
1.118
1.203
1.282
1.356
1.424
1.487
1.549
1.605
1.659
1.710
1.759
1.806
D2
3.686
4.358
4.698
4.918
5.078
5.204
5.306
5.393
5.469
5.535
5.594
5.047
5.696
5.741
5.782
5.820
5.856
5.891
5.921
5.951
5.979
6.006
6.031
6.056
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.283
0.307
0.328
0.347
0.363
0.378
0.391
0.403
0.415
0.425
0.434
0.443
0.451
0.459
D4
3.267
2.574
2.282
2.114
2.004
1.924
1.864
1.816
1.777
1.744
1.717
1.693
1.672
1.653
1.637
1.622
1.608
1.597
1.585
1.575
1.566
1.557
1.548
1.541

Estadistica Aplicada

Cargado por

Copyright:

Formatos disponibles

Estadistica Aplicada

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Aplicada

Cargado por

Copyright:

Formatos disponibles

Estadstica Aplicada

El contenido programtico de la unidad referida es el siguiente:

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

Estimacin Puntual para la media poblacional.

- Para datos agrupados

Estimacin Puntual para la varianza poblacional.

- Para datos agrupados

Estimacin de parmetros de dos poblaciones

Programa de Educacin Superior a Distancia

e X2 otra variable aleatoria que se distribuye como una distribucin normal

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

Estimacin puntual de una poblacin de variable cualitativa

Estimacin puntual de dos poblaciones de variables cualitativas

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

= Desviacin estndar del estimador

Intervalo de confianza para la media poblacional ( )

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

Intervalo de confianza para la diferencia de medias poblacionales

se presentan dos casos:

12 es aproximadamente igual a y2 entonces

Programa de Educacin Superior a Distancia

Intervalo de confianza para la proporcin poblacional

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

Intervalo de confianza para la diferencia de proporciones poblacionales

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

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

esta proporcin denota la proporcin conjunta de las dos muestras.

s lo calcularemos a partir de la frmula de

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

(98 2 108 2 92 2 111 2 102 2 95 2 89 2 115 2 ) 8(101.25) 2

Estos es redondeando s = 9.38

INV.T.2C (0,1; 7)= 1,894578605

Programa de Educacin Superior a Distancia

b) Estimacin por intervalo:

Reemplazando los datos n = 8, x = 101.25,

= 9.38 y t ( 7 ,.0.95) 1.895

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

Programa de Educacin Superior a Distancia

Donde 0.05 es la probabilidad de la poblacin estimada. Luego

= 0.975. Como n >

30, entonces no consideramos en Z la poblacin, slo p = 1 - /2=0.975. Esto es:

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

En la tabla del apndice n 5 (distribucin acumulativa) hallamos este ltimo

Programa de Educacin Superior a Distancia

P[ 478.44 521.56 ] = 95%

como n < 30, entonces t(n 1, 1 - /2) = t(15, 0.975) = 2.131

- 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58

Programa de Educacin Superior a Distancia

Mg. Mara Vallejos Atalaya

P[( 14.5 - 13.75 ) - 2.58

P[ 0.41 1 - 2 1.91 ] = 99%

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%

p = 375 = 0.75 q =0.25 1- = 0.95 luego