UNIVERSIDAD LAICA ELOY ALFARO DE MANABÍ

FACULTAD CIENCIAS ADMINISTRATIVAS

NOMBRE:

KARLA STEFANÍA LÓPEZ DELGADO

CURSO:

TERCER SEMESTRE “A”

CARRERA:

ADMINISTRACIÓN DE EMPRESAS

PROFESORA:

ING. ANA PALMA

MATERIA:

ESTADÍSTICA APLICADA

TEMA:

6.- INTRODUCCIÓN.

6.1 PRUEBA DE BONDAD DE AJUSTE:

6.2. FRECUENCIAS ESPERADAS IGUALES.

6.2.1. EJERCICIOS

6.3.- PRUEBA DE BONDAD DE AJUSTE.

6.3.1. FRECUENCIAS ESPERADAS DIFERENTES.

6.3.2. EJERCICIOS

6.4. UTILIZACIÓN DE LA PRUEBA DE BONDAD DE AJUSTE PARA

PROBAR NORMALIDAD

6.4.1. EJERCICIOS

6.5.- ANÁLISIS DE TABLAS DE CONTINGENCIAS.

6.5.1 EJERCICIOS
 INTRODUCCIÓN

El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad

del mismo nombre, sirve para someter a prueba hipótesis referidas a distribuciones de
frecuencias. En términos generales, esta prueba contrasta frecuencias observadas con las
frecuencias esperadas de acuerdo con la hipótesis nula. En este informe se describe el uso
del estadístico ji-cuadrado para probar la asociación entre dos variables utilizando una
situación hipotética y datos simulados. Luego se describe su uso para evaluar cuán buena
puede resultar una distribución teórica, cuando pretende representar la distribución real
de los datos de una muestra determinada. A esto se le llama evaluar la bondad de un
ajuste. Probar la bondad de un ajuste es ver en qué medida se ajustan los datos observados
a una distribución teórica o esperada. Para esto, se utiliza una segunda situación hipotética
y datos simulados.

PRUEBA DE BONDAD DE AJUSTE

La prueba de bondad de ajuste es una de las pruebas estadísticas de uso más

común. Es particularmente útil porque requiere sólo un nivel nominal de medición. Por
ello es posible llevar a cabo una prueba de hipótesis con datos que han sido clasificados
en grupos. La primera ilustración de esta prueba supone el caso en que las frecuencias
esperadas de las celdas son iguales. Como su nombre lo indica, el propósito de la prueba
de bondad de ajuste es compa-rar una distribución observada con una distribución
esperada. Un ejemplo describirá la situación de una prueba de hipótesis.

FRECUENCIAS ESPERADAS IGUALES.

Las frecuencias esperadas (fe) del ejemplo anterior sobre los platillos preferidos
eran iguales. De acuerdo con la hipótesis nula, se esperaba que de los 120 adultos que
participaron en el estudio, un número igual seleccionara cada uno de los cuatro platillos.
Así que se esperaba que 30 eligieran pollo, 30 eligieran pescados y así sucesivamente. La
prueba ji cuadrada también es útil si las frecuencias esperadas no son iguales. El siguiente
ejemplo ilustra el caso de frecuencias desiguales y también presenta un uso práctico de la
prueba de bondad de ajuste de ji cuadrada para determinar si una experiencia local difiere
de una experiencia más amplia, la nacional.

Ejemplo:
 La American Hospital Administrators Association (AHAA) reporta la siguiente
información res-pecto del número de veces que los adultos mayores son admitidos en un
hospital durante un periodo de un año. Cuarenta por ciento no es admitido, 30% es
admitido una vez, 20% son admitidos dos veces y 10% restante es admitido tres o más
veces. Una encuesta que abarcó a 150 residentes de Bartow Estates, comunidad con una
pobla-ción predominante de adultos mayores activos en el centro de Florida, reveló que
55 residen-tes no ingresaron durante el año pasado, 50 fueron admitidos en un hospital
una vez, 32 fueron admitidos dos veces, y el resto fueron admitidos tres o más veces. ¿Es
posible concluir que la encuesta en Bartow Estates es consistente con la información
sugerida por la AHAA? Utilice el nivel de significancia 0.05.

Primero organice la información anterior en la tabla 17-4. Es evidente que no

puede compararlos porcentajes del estudio del Hospital Administrators con las
frecuencias reportadas por Bartow Estates. Sin embargo, puede convertir estos
porcentajes en frecuencias esperadas, fe. De acuerdo con Hospital Administrators, 40%
de los residentes de Bartow en la encuesta no requirió hospitalización. Por lo tanto, si no
hay una diferencia entre la experiencia nacional y la de Bartow Estates, 40% de los 150
adultos mayores encuestados (60 residentes) no habrían sido hospitalizados. Además,
30% de los encuestados fue admitido una vez (45 residentes), etc. Las frecuencias
observadas en Bartow y las frecuencias esperadas con base en los porcentajes del estudio
nacional se dan en la tabla 17-4.

Las hipótesis nula y alternativa son: H0: No hay diferencias entre la experiencia
local y la nacional respecto de las admisiones en un hospitalH1: Hay diferencias entre la
experiencia local y la nacional respecto de las admisiones en un hospital. Para determinar
la regla de decisión, utilice el apéndice B.3 y el nivel de significancia .05. Hay cuatro
categorías de admisión, por lo cual los grados de libertad son gl ⫽ 4 ⫺ 1 ⫽ 3. El valor
crítico es 7.815. Así, la regla de decisión es rechazar la hipótesis nula si ␹2⬎ 7.815. La
gráfica 17-3 es la representación de la regla de decisión. Ahora calcule el estadístico de
prueba ji cuadrada.

El valor calculado de x2(1.3723) aparece a la izquierda de 7.815. Por lo tanto, no

se rechaza la hipótesis nula. Conclusión: no hay evidencia de una diferencia entre las
experiencias local y la nacional respecto de las admisiones en hospitales.

PRUEBA DE BONDAD DE AJUSTE.

Si en una celda existe una frecuencia esperada pequeña inusual, ji cuadrada (si se
aplica) puede generar una conclusión errónea. Esto sucede debido a que fea parece en el
denominador y, al dividirlo entre un número muy pequeño, hace el cociente muy grande.
En general, dos pautas aceptadas respecto de las frecuencias de celdas pequeñas son:1. Si
sólo hay dos celdas, la frecuencia esperada en cada una deberá ser al menos 5. El cálculo
de ji cuadrada sería permisible en el siguiente problema para determinar el mínimo de fe
de 6.

2. En caso de más de dos celdas, no se deberá utilizar ji cuadrada si más de 20%

de las celdas fe tiene frecuencias esperadas menores que 5. De acuerdo con esta pauta, lo
adecua-do es utilizar la prueba de bondad de ajuste en los siguientes datos. Tres de las
siete celdas, o 43%, tienen frecuencias esperadas (fe) menores que 5.
 Para demostrar la razón de la pauta de 20%, realice la prueba de bondad de ajuste
de los datos anteriores en los niveles de administración. La captura de pantalla de
MegaStat es la siguiente

En el caso de esta prueba, con un nivel de significancia de 0.05, rechace H0si el

valor calculado de ji cuadrada es mayor que 12.592. El valor calculado es 14.01, por lo
que se rechaza la hipótesis nula de que las frecuencias observadas representan una
muestra aleatoria de la población de los valores esperados. Examine la captura de pantalla
de MegaStat. Más de98% del valor calculado de ji cuadrada se explica por las tres
categorías de vicepresidentes ([4.500 ⫹ 0.250 ⫹ 9.000]/14.008 ⫽ 0.9815), lo cual es
lógico, pues a estas tres categorías se les dio mucha ponderación. El dilema se resuelve
mediante la combinación de categorías si es lógico hacerlo. En el ejemplo anterior se
combinaron tres categorías de vicepresidentes, lo que satisface la pauta de 20%.
 El valor calculado de ji cuadrada con las categorías revisadas es 7.26. Vea la
siguiente captura de pantalla de MegaStat. Este valor es menor que el valor crítico de
9.488 para el nivel de significancia 0.05. Por lo tanto, la hipótesis nula no se rechaza con
el nivel de significancia de 0.05. Esto indica que no hay una diferencia relevante entre las
distribuciones observada y esperada.

FRECUENCIAS ESPERADAS DIFERENTES.

Una desventaja de la prueba de bondad de ajuste de la normalidad es que se

compara una frecuencia de distribución de un conjunto de datos con un grupo esperado
de frecuencias de distribución normal. Cuando se organizan los datos en distribución de
frecuencias, se sabe que se pierde información con respecto a esos datos. Esto es, no se
tienen los datos crudos. Existen varias pruebas en que se usan datos crudos en vez de
utilizar datos agrupados en una distribución de frecuencias. Estas pruebas incluyen las
pruebas de normalidad Kolmogorob-Smirinov, Lilliefors y Anderson-Darling. Para
complementar estas pruebas estadísticas, se dispone de métodos gráficos para tener un
acceso visual a la normalidad de una distribución. Se utilizan valores p para evaluar la
hipótesis de normalidad. Nos enfocaremos en la prueba de normalidad Anderson-Darling,
que se basa en dos pasos:

1. Se crean dos distribuciones acumulativas. La primera es una distribución

acumulativa de los datos crudos y, la segunda, es una distribución acumulativa normal.2.
Se comparan las dos distribuciones acumulativas para determinar la mayor diferencia
numérica absoluta entre ambas. Utilizando una prueba estadística, si la diferencia es
amplia, se rechaza la hipótesis nula de que los datos siguen una distribución normal.
Además, se puede graficar la distribución acumulativa de los datos crudos y la
distribución acumulativa normal.
 2. La gráfica de la distribución acumulativa normal es una línea recta. La gráfica
de los datos rudos estará diseminada alrededor de la recta que representa la acumulativa
normal. Mediante la gráfica, se puede observar que los datos están normalmente
distribuidos si la diseminación está relativamente cerca de la línea recta que representa la
distribución acumulativa normal.

Para demostrar la prueba de normalidad Anderson-Darling, usaremos los datos de

las ganancias de Applewood Auto Group que se muestran en la tabla 2-4. Utilizando
métodos gráficos, podemos comparar la distribución acumulativa de la ganancia
individual en la tabla 2.4con una distribución acumulativa normal. Buscamos diferencias
entre ambas gráficas. Como buscamos distribuciones acumulativas, las gráficas
aumentarán de izquierda a derecha. En la gráfica que se muestra a continuación, los
puntos negros representan la ganancia que se obtuvo en cada uno de los 180 vehículos
que vendió Applewood Auto Group. Los puntos están cerca unos de otros y parecen
formar una curva. La línea verde, que está casi cubierta por puntos negros, representa la
distribución normal acumulativa. La gráfica muestra que los datos de ganancias siguen
de cerca la línea verde, y que la distribución de ganancias sigue muy de cerca una
distribución normal.

La distribución de ganancias parece alejarse de una distribución normal en las

colas, pero, ¿es este alejamiento suficiente para rechazar la idea de que las ganancias
siguen una distribución normal? Se puede usar la prueba de Anderson-Darling para
evaluar estas diferencias. En esta prueba, las hipótesis nula y alternativa son las
siguientes:
 H0: La población de ganancias sigue una distribución normal.

H1: La población de ganancias no sigue una distribución normal

Los detalles del cálculo de la prueba de Anderson-Darling están fuera del espectro
de este texto. Sin embargo, mediante un software estadístico, puede observar en el
recuadro del ángulo superior derecho de la gráfica que se han resumido los cinco
estadísticos de la prueba. Se muestran la media, la desviación estándar y el tamaño de la
muestra. “AD” es el esta-dístico de la prueba de Anderson-Darling que se utiliza para
probar la hipótesis nula. Como se presentó en el capítulo 10, cada estadístico de prueba
posee un valor p que se utiliza para tomar una decisión con respecto a la hipótesis nula.
Elegimos 0.05 como el nivel de significancia para esta prueba, y empleamos la regla de
decisión de que, si el valor p es mayor que el nivel de significancia, no se rechaza la
hipótesis nula. Como el valor p es 0.602, no rechazamos la hipótesis nula. Así que, en
este caso, con base en los métodos gráficos y al valor p calculado, inferimos que es
razonable asumir que las ganancias siguen una distribución normal.

Ejemplo:

Un total de 256 artistas visuales fueron encuestados de modo de identificar su

signo del zodiaco. Los resultados obtenidos fueron: Aries (29), Tauro (24), Géminis (22),
Cáncer (19), Leo (21), Virgo (18), Libra (19), Escorpión (20), Sagitario (23), Capricornio
(18), Acuario (20), Piscis (23). Se desea probar la hipótesis que los signos del zodiaco
están distribuidos uniformemente entre los artistas visuales.

Paso 1: Preparar una tabla que tenga las siguientes columnas. Se recomienda hacer
uso de Excel para facilitar los cálculos que se explicarán en los próximos pasos.
 Paso 2: Completar la información de la columna Categoría con cada uno de los 12
signos del zodiaco proporcionados anteriormente, incluyendo en la columna Observado
Oi los valores proporcionados en el enunciado.

Paso 3: Calcular el valor esperado para cada categoría. Si los signos del zodiaco
estuviesen uniformemente distribuidos entre los 256 artistas visuales, cada categoría
debería tener: 256/12=21,333.
 Paso 4: Calculamos la diferencia entre el valor observado y el valor esperado para
cada categoría

Paso 5: El resultado obtenido en el Paso 4 lo elevamos al cuadrado para cada

categoría.

Paso 6: Finalmente para cada uno de los resultados obtenidos en el Paso 5 lo

dividimos por el valor esperado Ei de la categoría correspondiente (valores en la columna
F en la siguiente imagen). Luego realizamos la suma de dichos valores obteniendo la
estadística de chi cuadrado para este ejemplo: 5,09375.

Consideremos que deseamos evaluar la hipótesis nula (es decir, que los signos del
zodiaco están distribuidos uniformemente entre los artistas visuales) para un nivel de
significancia de un 5%: \alpha=0,05 (arbitrario) que es equivalente a un nivel de confianza
de un 95%. En este caso los grados de libertad son 11 (el total de categorías menos 1).
(Kazmier, 1991)
 UTILIZACIÓN DE LA PRUEBA DE BONDAD DE AJUSTE PARA
PROBAR NORMALIDAD.

Una desventaja de la prueba de bondad de ajuste de la normalidad es que se

compara una frecuencia de distribución de un conjunto de datos con un grupo esperado
de frecuencias de distribución normal. Cuando se organizan los datos en distribución de
frecuencias, se sabe que se pierde información con respecto a esos datos. Esto es, no se
tienen los datos crudos. Existen varias pruebas en que se usan datos crudos en vez de
utilizar datos agrupados en una distribución de frecuencias. Estas pruebas incluyen las
pruebas de normalidad Kolmogorob – Smirinov, Lilliefors y Anderson-Darling. Para
complementar estas pruebas estadísticas, se dispone de métodos gráficos para tener un
acceso visual a la normalidad de una distribución. Se utilizan valores para evaluar la
hipótesis de normalidad.

Nos enfocaremos en la prueba de normalidad Anderson-Darling, que se basa en

dos pasos:

1. Se crean dos distribuciones acumulativas. La primera es una distribución

acumulativa de los datos crudos y, la segunda, es una distribución acumulativa normal.

2. Se comparan las dos distribuciones acumulativas para determinar la mayor

diferencia numérica absoluta entre ambas. Utilizando una prueba estadística, si la
diferencia es amplia, se rechaza la hipótesis nula de que los datos siguen una distribución
normal.

Además, se puede graficar la distribución acumulativa de los datos crudos y la

distribución acumulativa
normal. La gráfica de la
distribución acumulativa
normal es una línea
recta. La gráfica de los
datos rudos estará
diseminada alrededor de
la recta que representa la
acumulativa normal.
Mediante la gráfica, se puede observar que los datos están normalmente distribuidos si la
diseminación está relativamente cerca de la línea recta que representa la distribución
acumulativa normal. (Lind, Marchal, & Wathen, Estadistica aplicada a los negocios y
economia, 2012)

Para demostrar la prueba de normalidad Anderson-Darling, usaremos los datos de

las ganancias de Applewood Auto Group que se muestran en la tabla 2-4. Utilizando
métodos gráficos, podemos comparar la distribución acumulativa de la ganancia
individual en la tabla 2.4 con una distribución acumulativa normal. Buscamos diferencias
entre ambas gráficas. Como buscamos distribuciones acumulativas, las gráficas
aumentarán de izquierda a derecha. En la gráfica que se muestra a continuación, los
puntos negros representan la ganancia que se obtuvo en cada uno de los 180 vehículos
que vendió Applewood Auto Group. Los puntos están cerca unos de otros y parecen
formar una curva. La línea verde, que está casi cubierta por puntos negros, representa la
distribución normal acumulativa. La gráfica muestra que los datos de ganancias siguen
de cerca la línea verde, y que la distribución de ganancias sigue muy de cerca una
distribución normal.

Ejercicio

Consulte la autoevaluación 10-4 en la página 355. En ese problema, una máquina

se calibra para llenar una pequeña botella con 9.0 gramos de medicamento. Una muestra
de ocho botellas reveló las siguientes cantidades (en gramos) en cada botella. Se realizó
una prueba de hipótesis con res-pecto a la media. Para hacer la prueba, la suposición fue
 que los datos muestrales seguían una distribución normal. (Lind, Marchal, & Wathen,
Estadistica aplicada a los negocios y economia, 2012)

9.2 8.7 8.9 8.6 8.5 8.7 8.9

A continuación, se presenta una gráfica que muestra una distribución acumulativa

normal y las frecuencias acumulativas de los pesos. ¿Es razonable la suposición normal?
Cite dos evidencias que sustenten su decisión. Utilice un nivel de significancia de 0.01.9.

ANÁLISIS DE TABLAS DE CONTINGENCIAS.

Se describió una tabla de contingencia, que resume de manera simultánea dos

variables de interés de esca-la nominal; por ejemplo, una muestra de estudiantes inscritos
en la School of Business por género (masculino o femenino) y especialidad (contabilidad,
administración, finanzas, marketing o métodos cuantitativos). Esta clasificación tiene
como base la escala nominal debido a que las clasificaciones no siguen un orden natural.
 El estadístico ji cuadrada sirve para probar de manera formal si hay una relación
entre dos variables con escala nominal. En otras palabras, ¿es independiente entre una
variable de la otra? Los siguientes son algunos ejemplos interesantes para probar si dos
variables están relacionadas.

Ejemplo

La Federal Correction Agency investiga la última pregunta: ¿un hombre liberado

de una prisión federal se adapta de manera diferente a la vida civil si regresa a su ciudad
natal o si va a vivir a otra parte? En otras palabras, ¿hay una relación entre la adaptación
a la vida civil y el lugar de residencia después de salir de prisión?

Utilice el nivel de significancia 0.01.

Solución.

Como antes, el primer paso en la prueba de hipótesis es formular las hipótesis

nulas y alternativa.

H0: No hay relación entre la adaptación a la vida civil y el lugar donde se radique
el individuo después de salir de la prisión. (Lind, Marchal, & Wathen, Estadistica aplicada
a los negocios y la economia, 2012)H1: Hay relación entre la adaptación a la vida civil
y el lugar donde se radique el individuo después de salir de prisión. Los psicólogos de la
dependencia entrevistaron a 200 exprisioneros seleccionados de manera aleatoria.
Mediante una serie de preguntas, los psicólogos clasificaron la adaptación de cada
individuo a la vida civil como sobresaliente, buena, regular o insatisfactoria. Las
clasificaciones de los 200 exprisioneros se ordenaron de la siguiente manera. Por ejemplo,
Joseph Camden regresó a su ciudad natal y tuvo una adaptación extraordinaria a la vida
civil. Su caso es una de las 27 marcas en el recuadro superior izquierdo.
 Se contaron las marcas en cada recuadro, o celda. Los conteos se dan en la
siguiente tabla de contingencia. (Vea la tabla 17-8.) En este caso, a la Federal Correction
Agency le interesa determinar si el ajuste a la vida civil es contingente respecto del lugar
donde vaya el prisionero después de salir en libertad.

Una vez que conoce cuántas filas (2) y columnas (4) hay en la tabla de
contingencia, puede determinar el valor crítico y la regla de decisión. En la prueba de
significación ji cuadrada donde los rasgos se clasifican en una tabla de contingencia, los
grados de libertad se unen por medio de:

𝑔𝑙 = (𝑟 − 1)(𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠 − 1)(𝑛ú𝑚𝑒𝑜𝑟 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠)(𝑐 − 1)

En este problema:

𝑔𝑙 = (𝑟 − 1)(𝑐 − 1) = (2 − 1)(4 − 1) = 3

Para encontrar el valor crítico de 3 grados de libertad y el nivel de 0.01

(seleccionado antes), consulte el apéndice B.3. Es 11.345. La regla de decisión es: rechace
las hipótesis nulas el valor calculado de 𝑥 2 es mayor que 11.345. La regla de decisión se
representa visualmente-te en la gráfica 17-4. A continuación se determina el valor
calculado de 𝑥 2 Las frecuencias observadas, fo, se muestran en la tabla 17-8. ¿Cómo se
determinan las frecuencias esperadas correspondientes, fe? Observe en la columna
“Total” de la tabla que 120 de los 200 exprisioneros (60%) regresa-ron a sus ciudades
natales. Si no hubiera relación entre la adaptación y la residencia después de salir de
prisión, se debería esperar que 60% de los 40 exprisioneros que tuvieron una adaptación
sobresaliente a la vida civil viviera en su ciudad natal. Por lo tanto, la frecuencia ese-rada
fe de la celda superior izquierda es 0.60 40 x 24. De igual forma, si no hubiera relación
entre la adaptación y la residencia actual, esperaría que 60% de los 50 exprisioneros
(30%) que tenían una adaptación “buena” a la vida civil viviera en su ciudad natales.
 Además, observe que 80 de los 200 exprisioneros (40%) no regresaron a vivir a
su ciudad natal. Por lo tanto, de los 60 que los psicólogos consideraron con una adaptación
“regular” a la vida civil, se esperaría que 0.40 60, o sea 24, no regresaran a su ciudad
natal. La determinación de la frecuencia esperada en cualquier celda es:

(𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠)(𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠)

𝑓𝑒 =
𝐺𝑟𝑎𝑛 𝑡𝑜𝑡𝑎𝑙

A partir de esta fórmula, la frecuencia esperada en la celda superior izquierda en

la tabla 17.5es:

(𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠)(𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠) (120)(400)

𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 = == = 24
𝐺𝑟𝑎𝑛 𝑡𝑜𝑡𝑎𝑙 200

Las frecuencias observadas, fo, y las frecuencias esperadas, fe, de todas las celdas
de la tabla de contingencia se presentan en la tabla 17-9.
 Recuerde que el valor calculado de ji cuadrada mediante la fórmula (17 – 1) se
determina con: (Lind, Marchal, & Wathen, Estadistica aplicada a los negocios y la
economia, 2012)

(𝑓𝑜 − 𝑓𝑒 )2
𝑥2 = ∑ [ ]
𝑓𝑒

Inicie en la celda superior izquierda:

(27 − 24)2 (35 − 30)2 (33 − 36)2 (25 − 30)2 (13 − 16)2
𝑥2 = + + + +
24 30 36 30 16
(15 − 20)2 (27 − 24)2 (25 − 20)2
+ + +
20 24 20

= 0.375 + 0.833 + 0,250 + 0.833 + 0.563 + 1.250 + 0.375 + 1.250

= 5.729

Como el valor calculado de ji cuadrada (5.729) aparece en la región a la izquierda

de 11.345, no se rechaza la hipótesis nula con un nivel de significancia de 0.01.
Conclusión: no hay evidencia de una relación entre la adaptación a la vida civil y el lugar
de residencia del individuo al salir de prisión. Para el programa de recomendaciones de
la Federal de prisión, la adaptación a la vida civil no se relaciona con el lugar donde viva
el exprisionero.
Referencias
Kazmier, L. J. (1991). Estadística aplicada a administración y economía (2a. ed.),. En L.
J. Kazmier, Estadística aplicada a administración y economía (2a. ed.),.
McGraw-Hill Interamericana.
Lind, D. A. (2012). Estadistica aplicada a los negocios y la economia. En D. A. Lind,
Estadistica aplicada a los negocios y la economia. McGraw-Hill Interamericana.
Lind, D. A., Marchal, W. G., & Wathen, S. A. (2012). En D. A. Lind, W. G. Marchal, &
S. A. Wathen, Estadistica aplicada a los negocios y la economia. México D.F:
McGraw Hil Educacion.
Lind, D. A., Marchal, W. G., & Wathen, S. A. (2012). En D. A. Lind, W. G. Marchal, &
S. A. Wathen , Estadistica aplicada a los negocios y economia. México D.F:
McGraw Hill Eduacion.