Está en la página 1de 294

HIPÓTESIS

ESTADÍSTICA
con aplicaciones

Genaro Mosquera Castellanos


Versión electrónica
Ingeniero Luis A Martínez R
HIPÓTESIS
ESTADÍSTICA
CON APLICACIONES

LUIS GENARO MOSQUERA


CASTELLANOS
Doctor en Ciencias Estadísticas, UCV

PROFESOR DE ESTADÍSTICA APLICADA


UNIVERSIDAD CENTRAL DE VENEZUELA
Derechos reservados por el autor conforme a la ley
Copyright © 1974

Tercera edición 2004

Edición a cargo de:


ISID
Centro de Altos Estudios Gerenciales
Instituto Superior de Investigación y Desarrollo
Caracas – Venezuela
PRÓLOGO

Escrito por el Dr. Ernesto Rivas González en 1974, eminente


científico, doctor en Ciencias Estadísticas y Actuariales, ya
fallecido. Este escrito no ha perdido actualidad y por esa razón
se recoge en esta cuarta edición del texto

Un estudio cronológico de cualquier ciencia, pone de manifiesto


que su mayor interés ha sido el lograr la formulación de hipótesis a
través de bases cuantitativas; es decir, reducir la cualidad a
cantidad. Toda ciencia comienza por la presentación de sus leyes,
de sus descripciones en las diversas ramas del conocimiento, sin
utilizar la experimentación, la medida y el número; pero para poder
adaptar estas leyes, se exigen bases sólidas, bases que soporten
todas las críticas y observaciones que la inquietud intuitiva del
científico formula.. Así, por una necesidad inaplazable, se inicia la
utilización del método cuantitativo; utilizado al comienzo por las
Ciencias Naturales (Biología, Física, Química, etc.), extendiéndose
luego a las Ciencias Sociales y Económicas que no pudieron resistir
el empuje de la cuantificación, logrando gracias a ello, grandes
descubrimientos y aplicaciones que las elevaron como disciplinas
científicas.

Formado parte de estos métodos, cuantitativos, se encuentra la


Estadística. Sus aplicaciones la han hecho imprescindible para
toda ciencia que pretenda cuantificar sus teorías, principios y leyes.
Estas aplicaciones han llevado a la Estadística, a poseer un carácter
de ciencia netamente básica, y a ser llamada el lenguaje de la
ciencia, nominación debida, no sólo a sus múltiples aplicaciones y
aportes científicos obtenidos, sino también a la frecuencia con que
sus términos se mencionan en el leguaje diario; probabilidad,
promedios, porcentajes son expresiones comunes entre nuestro
quehacer rutinario.
En sentido general, el propósito de la estadística es simplificar
los fenómenos colectivos, reduciendo sus características a
expresiones mínimas simples (medidas estadísticas) que pueden ser
manejadas abstractamente como cualquier otro número. Por medio
de la Estadísticas trazamos representaciones gráficas para ilustrar
las características o tendencias seculares de los fenómenos
colectivos, a fin de adaptarlos a la capacidad de nuestro intelecto.

Estas observaciones nos indican que el campo de aplicación de


la Estadísticas es cada vez más amplio; sus principios y leyes no
tiene límites y afectan a todas las ramas científicas. Sus métodos
son utilizados en la Ingeniería, la Psicología, la Economía, la
Genética, la Biología, la Física, la Metrología y aún más, aquellas
manifestaciones científicas que aparentemente se resistían al
método cuantitativo han logrado grandes avances con la utilización
de la Estadística. Ejemplo de ello lo tenemos en las Artes, que
utilizando estudios estadísticos de longitudes de frases o de
frecuencias de pinceladas de los cuadros, han logrado determinar la
paternidad de un gran número de obras anónimas.

Lógicamente, el campo de la Ciencia Administrativa no podría


mantenerse indiferente a las múltiples aplicaciones de la
Estadística; así podemos mencionar que gracias al método
Estadístico, empresas tales como la Banca, las Sociedades de
Seguro, Compañías de Transporte, Industrias diversas, etc., pueden
mantener el control de los hechos que se producen en su interior.

Tomando como base estas aplicaciones y con la utilización de


los elementos de la Estadística Inductiva, el Profesor Genaro
Mosquera Castellanos ha elaborado este texto, cuya principal
finalidad, lo que considero si más alto mérito, es la de dar a
conocer al estudioso de esta metodología, no sólo el instrumental
teórico de la Estadística Inductiva, sino las aplicaciones directas y
de carácter nacional, de gran utilidad práctica.

Es conveniente mencionar, para con ello resaltar las ventajas de


esta publicación, que a nivel nacional, la bibliografía en el campo
de la Estadística es mínima; se debe acudir a textos extranjeros que
además de adolecer del natural defecto de su inadecuación al
medio, presentan la “virtud” de ser excesivamente teóricos, con
manifiesta indiferencia a lo práctico y dando una gran importancia
a la axiomática. Esto es necesario, pero quien utilice la Estadística
como método, con una formación matemática media, necesita de
cierta metodización teórica, en función de conocimientos dirigidos
a la experimentación, e consecuencia más intuitivos y de aplicación
más directa.

El Profesor Mosquera Castellanos ha logrado este objetivo, el


cual no es el fruto de la improvisación. Por el contrario, se debe a
una dedicación integral a la Estadística, ya que es Profesor
Fundador de la Cátedra de Estadística Aplicada en la Escuela de
Administración y Contaduría de la Facultad de Ciencias
Económicas y Sociales de la Universidad Central de Venezuela, ex-
Presidente del Colegio de Estadísticos y Actuarios de Venezuela,
Miembro Titular del Instituto Interamericano de Estadística y
Secretario Ejecutivo del 1° Seminario Venezolano de Estadística,
que son entre otras funcione, vivencias de un quehacer profesional
volcadas en este texto para la consecución de una bibliografía
consecuente con la realidad nacional.

Dr. ERNESTO RIVAS GONZÁLEZ (U)


Profesor Titular de Estadística
Universidad Central de Venezuela
Ex-Director de la Escuela de Estadística
Y Ciencias Actuariales, U.C.V.
INTRODUCCIÓN

La complejidad de las operaciones realizadas dentro del marco


de la ciencia y la tecnología, han determinado el uso de técnicas
cada vez más elaboradas en función de los diferentes mecanismos
que intervienen en dichas relaciones. Es este sentido, los métodos
estadísticos se han convertido en instrumentos poderosos en la
planificación, ejecución y control de investigaciones orientadas
hacia los procesos de inferencia estadística.

El trabajo aquí emprendido, tiene como objetivo básico


introducir al lector, que posea conocimientos elementales de
Estadística, en el manejo de ciertas técnicas que conforme a una
base de análisis dentro del campo de aplicación de la Inferencia
Estadística, lo ayuden a familiarizarse con los métodos estadísticos
y le permitan evaluar sus alcances y proyecciones para hacer un
uso racional de los mismos.

La sistematización del esquema desarrollado no pretende ser


exhaustivo, se limita a desarrollar la metodología de análisis de
mayor aplicación, dejando un camino abierto, a quienes por sus
inquietudes deseen ampliar sus conocimientos de la Ciencia
Estadística. Por otra parte, se ha seguido un orden inspirado en el
ejercicio docente dentro de la Cátedra de Estadística Aplicada en la
Escuela de Administración y Contaduría y la Escuela de Ciencias
Estadísticas de la Universidad Central de Venezuela. Esto conduce
a considerar multitud de aspectos, los cuales están dispersos en una
bibliografía muy amplia, de difícil adquisición y lectura para
quienes no tienen una orientación dirigida hacia la profesión de
Estadístico.
El contenido del trabajo expone es sus primeros capítulos la
conformación y uniformidad de vocabulario, definiendo los
conceptos básicos para luego estructurar la metodología necesaria a
través de la aplicación de los diferentes contrastes de hipótesis. Se
concluye en capítulos subsiguientes en señalar los esquemas de la
Teoría del Muestreo como instrumento de investigación e indicar
algunas aplicaciones dentro del campo económico.

Genaro Mosquera C.
Profesor Titular, UCV
CAPÍTULO I

CONSIDERACIONES GENERALES DE LA TEORÍA


DEL MUESTREO

Conceptos, Definiciones. Conveniencias y limitaciones


Del muestreo. Notación

1.1 Conceptos y definiciones

Forma parte de un hecho cotidiano, seleccionar una muestra de


un conjunto de elementos, así por ejemplo, se está en capacidad de
decidir si una tela es de cierta calidad, si una mercancía presenta
características aceptables, o si la muestra de sangre de una persona
corresponde a un determinado tipo.

Para la selección de las muestras señaladas anteriormente, no se


necesita una técnica estadística en especial, pues la obtención se
realiza a partir de una población o conjunto de elementos
homogéneos, donde todas las unidades presentan las mismas
características; pero en general, éste no será el caso. Con
demasiada frecuencia, se hace necesario valuar el inventario de un
almacén de considerables dimensiones en un período corto de
tiempo, aceptar un lote de materia prima para fabricar un producto,
medir el ingreso “per-cápita”, determinar si un producto tiene
aceptación por parte de los consumidores, medir si una planta de
televisión es sintonizada a ciertas horas de la noche; o entre otras
aplicaciones, medir el producto agrícola regional del país o
controlar que las prendas de vestir manufacturadas por una fábrica
sean de óptima calidad. En general, habrá necesidad de analizar
poblaciones, integradas por un conjunto de elementos
heterogéneos, tomando uno de los casos citados anteriormente, por
ejemplo, para medir la aceptación de un producto en cierto grupo
de consumidores, se necesitará analizar grupos familiares de los
más variados status socio-económicos. De hecho se desprende la
imposibilidad de tomar una muestra de acuerdo a ciertas

11
características más o menos convencionales, dado que se desea
lograr representatividad del colectivo para conocer sus
características.

La resolución de este tipo de problema encaja en la Estadística,


la cual proporciona la metodología necesaria para obtener muestras
eficientes; en efecto, se dispone de una técnica basada en la
Estadística Matemática que proporciona un instrumento racional
para el tratamiento de las muestras.

Considerada una población o universo definido como: un


conjunto finito o infinito de elementos, que pueden ser personas u
objetos del más variado tipo; (el conjunto de amas de casa, la
colección de cajas de un producto terminado, o el número total de
maquinarias existente en una fábrica), de dicha población se toman
algunos elementos, que constituyen un sub-conjunto denominado
muestra. Del estudio de estos elementos muestreados se
analizarán ciertas características, las cuales permitirán inferir las de
la población, a partir de una muestra que se considere
representativa y al mismo tiempo las estimaciones se realicen con
un cierto grado de incertidumbre, la cual puede ser medida. Este
planteamiento conduce a un análisis de la selección y
representatividad de una muestra. Para su estudio se consideran dos
grupos:

• Muestras opináticas o circunstanciales.

• Muestras probabilísticas.

En el primer caso, como su nombre lo indica, se selecciona la


muestra de la manera que sea más representativa a juicio personal.
Por supuesto que este tipo de muestreo es eficiente en la medida
que sea homogénea la población. Sin embargo, cuando esto no
ocurre, difícilmente las características analizadas corresponderán a
la población, de allí que su empleo indiscriminado conduzca a

12
introducir un sesgo en las inferencias obtenidas, con la desventaja
de no poderlo evaluar cuantitativamente.
El segundo caso, relativo al muestreo probabilístico, se basa en
el cálculo de probabilidades, el cual a su vez se apoya en la
Estadística Matemática. El estudio de las técnicas del muestreo se
conoce como Teoría del Muestreo cuyo objetivo es sacas
conclusiones de una cierta población sin llegar a estudiar
exhaustivamente todos los elementos que la integran.
De una manera general, el estudio de una población, por
ejemplo investigar una variable cualquiera (las ventas de una
Empresa) origina un volumen de datos que puede ser considerable.
Con el fin de interpretar cómodamente los datos y/o descubrir
ciertas regularidades, la información es sometida a un tratamiento
estadístico. Al efecto, la información es ordenada y dispuesta en
forma de tablas de frecuencia y le son calculadas algunas medidas
(parámetros poblacionales) que definen las características básicas
de dicha población. Las mismas vienen representadas por las
denominadas:

1. Medidas de la Tendencia Central


2. Medidas de Dispersión
3. Medidas de Asimetría
4. Medidas de Kurtosis
De ese conjunto de datos, se obtienen unos coeficientes
enmarcados dentro de las medidas mencionadas anteriormente y
que, entre otros, pueden ser:

1. Un promedio.
2. La dispersión, representada pro la desviación estándar.
3. Un coeficiente de Asimetría.
4. Un coeficiente de Kurtosis.

13
Este análisis ha conducido a representar un conjunto de
observaciones en unas pocas medidas que definen una o más
variables de un fenómeno cualquiera, dispuesto en forma de
distribuciones de frecuencias. Estas últimas conducen a la
concepción de modelos matemáticos denominados distribuciones
estadísticas y entre los cuales están las conocidas bajo el nombre de
distribución Normal, Binomial, Poisson, etc.

Por razones que se explicarán más adelante, cuando no se


pueden analizar exhaustivamente todos los elementos de un
población, como por ejemplo la calidad de un producto enlatado,
pues significaría abrir todos los envases, y este proceso es
destructivo; la metodología indicada es seleccionar una muestra
que permita inferir si todos los elementos producidos presentan
características de calidad aceptables dentro de ciertos márgenes de
tolerancia. En efecto, una muestra estadística permitirá estimar los
parámetros poblacionales con un grado de confianza determinado
previamente, o sea con un cierto grado de probabilidad.

Los elementos muestreados seleccionados de un conjunto son


tratados con ciertas normas estadísticas, en una forma tal que
pueden definir una distribución y a la cual le sean calculadas las
medidas de posición, dispersión, asimetría y Kurtosis, es decir, se
calcularán estadísticos (función de valores muestrales) con el fin
de obtener Estimadores poblacionales con un grado de confianza
fijado previamente.

1.2 Conveniencias y limitaciones del muestreo.

De lo que se ha expuesto hasta ahora, se pueden sacar algunas


conclusiones importantes en cuanto a las ventajas y desventajas del
muestreo:

14
1.2.1 Conveniencias
Si una muestra es eficiente para estimar un parámetro poblacional,
el estudio de las características resulta más ventajoso desde el
punto de vista económico puesto que existe mayor rapidez en la
obtención de los resultados, con las evidentes economías de dinero
al estudiar sólo algunos elementos. Así, por ejemplo, cuando se
desean conciliar los estados de cuenta de un número considerable
de clientes de una Empresa, una muestra garantizará rapidez y más
bajo costo que el estudio censal de los clientes.
La obtención de muestras convendrá atendiendo al siguiente
esquema general:

1. Cuando la población sea infinita o tan grande que exceda las


posibilidades reales de investigar todas las unidades.
2. Cuando el proceso de medidas sea destructivo, como ocurre
cuando se desee comprobar la calidad de un producto y tenga que
ser consumido o deteriorado.
b. Una muestra garantizará una mayor atención en la calidad de la
información recopilada, lo que se traduce en fiabilidad de la misma.

1.2.2 Limitaciones
a. Dentro de las limitaciones, la más importante es el riesgo, es
decir, se estima un parámetro poblacional con una cierta
probabilidad de ocurrencia. No se podrán analizar o sacar
conclusiones para todos los elementos de la población.

b. Debido al control que es necesario tener sobre las diferentes


fases del trabajo y por las complicaciones que se introducen en el
cálculo, se requiere de buena preparación estadística, lo que sugiere
el tratamiento del problema por parte de especialistas que
colaboren dentro de un equipo interdisciplinario.

15
Es más, las limitaciones o combinaciones que en la mayoría de
los casos se deben realizar entre diferentes tipos de muestreo,
opinático o probabilístico en cuanto las poblaciones objeto del
estudio sean homogéneas o heterogéneas, es labor cuya
coordinación y dirección requiere de conocimientos específicos
dentro del campo de la Estadística Matemática.

1.2.3 Notación

A fin de distinguir claramente las expresiones utilizadas más


adelante, es conveniente indicar la notación a ser empleada de
manera general; una notación más elaborada y específica será
descrita en cada capítulo. Al efecto, se designarán con letras
mayúsculas los parámetros poblacionales, haciéndose uso del
alfabeto griego para indicar las características o parámetros de un
modelo teórico; las características muestrales se indicarán con
letras minúsculas:

N Total de elementos de la población


n número de elementos muestrados de la población
(tamaño de la muestra)
Y, X Media de la población
y, x Media de la muestra
ˆ ˆ Estimación de la media poblacional
Y, X
P Proporción de una variable de la población
p Proporción de una variable de la muestra
P̂ Estimación de la proporción de la población
Y, X Suma de la variable poblacional considerada
y, x Suma de la variable muestral considerada
Ŷ , X̂ Estimación del total de la población
σ , S 2y , S 2x
2
Varianza de la población

ŝ 2y , ŝ 2x Cuasi-varianza de la muestra

16
CAPÍTULO II

TIPOS DE MUESTREO – EL PLAN DE MUESTREO

Informes a base de muestras. Selección de muestras.


Tablas de números aleatorios. Muestras sistemáticas,
Uso y aplicación.

2.1 Tipos de Muestreo.

Al considerar una población para su estudio a base de muestras


estadísticas y los elementos que la integran son homogéneos, el
procedimiento de selección es bien sencillo pues cualquier
metodología usada permitirá obtener una muestra representativa del
conjunto del cual fue extraída. Cuando se trabaja con elementos de
una población que presentan características poco homogéneas con
respeto a la variable que se desea medir, habrá que aplicar un
diseño del muestreo que permita estimar las características
poblacionales respectivas.

Dentro del proceso de la estimación de los parámetros


poblacionales se introduce un cierto error cuyo origen reside en el
hecho de tomar muestras; el mismo se denomina error de muestreo.
Es lógico esperar que si la muestra es representativa, este error
tenderá a minimizarse; en otras palabras, no existirán diferencias
significativas entre las estimaciones y los valores de la población.
Queda entendido que la cuantificación del error sólo es posible
cuando la selección de las unidades de muestreo se hace con una
cierta probabilidad fijada de antemano.

El proceso de selección de las unidades de muestreo responde a


diferentes tipos de muestreo, los cuales se utilizan en condiciones
muy diversas. En consecuencia, se dispone de una variedad enorme
de metodologías que permiten obtener las mejores estimaciones de
las características del universo y al mismo tiempo medir la
significación y confianza de tales estimaciones.

17
En general, se puede citar una clasificación de los diferentes
tipos de muestreo que se usan frecuentemente; sin embargo, en la
mayoría de los casos, se emplearán combinaciones que mejor
ajustan a un determinado fenómeno. En capítulos posteriores, se
citarán en detalle las modalidades de los diseños de mayor
aplicación, además, se conformará la base metodológica que
permitirá al lector estructurar diseños de muestreo a situaciones
particulares a su propio campo de aplicación.
A continuación se presenta una clasificación más o menos
formal de los diseños de muestreo:
2.1.1 Muestreo aleatorio simple.
a) Con reemplazamiento
Todos los elementos tienen la misma probabilidad de ser
seleccionados, donde cada elemento de la población es regresado a
la misma después de ser analizadas sus características.
b) Sin reemplazamiento (irrestrictamente aleatoria)
Todos los elementos tienen la misma probabilidad de ser
seleccionados, pero la misma dependerá de los que salieron
anteriormente puesto que no son regresados al conjunto después
que han sido estudiados.
2.1.2 Muestreo estratificado.
La totalidad de las unidades del conjunto se clasificas o dividen
de acuerdo a ciertas variables cualitativas o cuantitativas. Por
ejemplo, clasificar los saldos de cuentas por cobrar por antigüedad
de la cuenta y el monto correspondiente.
2.1.3 Muestreo de etapas múltiples.
a) Por áreas o conglomerados.

Los elementos poblacionales están agrupados en áreas o


conglomerados, las cuales constituyen las unidades de muestreo, y

18
éstas a su vez contienen las unidades últimas a ser estudiadas. Por
ejemplo, para un Estudio de Opinión en una comunidad, se tienen
áreas geográficas las cuales contienen, para su estudio, un
determinado número de viviendas las cuales serán objeto de
evaluación.

b) Bi-etápico.

Considerada una población distribuida por áreas (unidades de


muestreo) se realiza la selección de un número de ellas y dentro de
éstas se hace una selección al azar de las unidades últimas. Por
ejemplo, consideradas las áreas geográficas de una comunidad, se
hace una selección de algunas y dentro de estas se hace una nueva
selección de las viviendas.

c) Polietápico.

La materia objeto de la encuesta está formada por cierto número


de unidades de primera etapa, cada una de las cuales está
compuesta por unidades de segunda etapa, y así sucesivamente.
Por ejemplo, la misma comunidad donde se seleccionan en primera
etapa las áreas, luego las viviendas en segunda etapa y los jefes de
familia en tercera etapa.

19
2.1.4 Muestreo de fases múltiples.

Consiste en la obtención de una muestra con el fin de obtener


información auxiliar para proporcionar estimaciones más precisas.
Posteriormente y sobre las mismas unidades de muestreo, se realiza
un sub-muestreo.

Un ejemplo podría ser la selección de 15 centros poblados y se


obtiene la lista de los negocios comerciales establecidos (primera
etapa), luego se elige una muestra de negocios en cada centro
poblado o comunidad (Segunda fase, primera etapa), se investiga
su situación económica y luego se hace una sub-muestra y se aplica
un cuestionario más extenso (segunda etapa).

2.1.5 Muestras interrelacionadas (redes).


Cualquiera que sea el diseño de muestreo utilizado, es posible
reordenar las unidades de muestreo en grupos de dos o más
muestras interrelacionadas y estimar las características
poblacionales independientemente para cada grupo. Esto
proporciona ventajas para verificar la calidad de los datos. Así, por
ejemplo, se podrán elegir muestras por grupos o para un
encuestador y compararlo con el resultado obtenido por otros
encuestadores.
2.1.6 Muestras compuestas o mixtas.
Son el producto de la combinación de los métodos señalados
anteriormente, sin embargo, este hecho requerirá un gran
refinamiento Estadístico Matemático y una gran flexibilidad para la
adaptación a metodologías muy particulares.
2.1.7 Muestras sucesivas o repetidas.
Este tipo de muestra se repite a intervalos convenientes,
constituyendo muestras sucesivas de una misma población para
estimar las mismas características.

20
2.1.8 Muestras piloto.

Este tipo de muestreo conviene realizarlos con varias


finalidades:

a) Probar los instrumentos de la investigación (cuestionarios,


planillas, formularios, instructivos, etc.).
b) Probar la metodología a utilizar.
c) Servir de entrenamiento.
d) Estimar los costos de ejecución.
e) Estimar la variación (Cuasi-varianza) para calcular el tamaño
de la muestra.

2.2 El plan de muestreo

La selección de una muestra para estimar las características


poblacionales implica el uso de instrumentos estadísticos más o
menos complejos, atendiendo a los diferentes diseños utilizados. En
consecuencia, se requiere una preparación adecuada a la
metodología estadística, así como la estructuración de un plan de
muestreo que cubra con buen grado de detalle las operaciones
necesarias para lograr las metas previstas.

De acuerdo a la experiencia propia obtenida a través de la


ejecución de un número apreciable de planes de muestreo, y
tomando como base las indicaciones señaladas por Azorín, en su
libro “Muestreo Estadístico con Aplicaciones”, UCV y la Oficina
de Estadística de las Naciones Unidas, se presenta un esquema de
las diferentes fases que se deben llevar a cabo:

1. Definición de objetivos, condiciones, recursos y limitaciones.


2. Estructuración del plan de muestreo.
3. Ejecución del plan.
4. Análisis y aprovechamiento de resultados.

21
Un análisis detallado de las fases enumeradas conlleva a definir
las actividades siguientes:

Se precisa fijar los objetivos que


DEFINICIÓN DE cumple la investigación, así como las
OBJETIVOS condiciones, recursos y limitaciones de
la misma.

Se refiere a la planificación y
coordinación del trabajo, la fijación de
un cronograma de trabajo, las metas a
PLAN DE MUESTREO ser logradas y la relación de la
investigación con otras oficinas u
organismos cuyo campo de acción está
relacionado con el proyecto.

Se definirán las variables requeridas


DEFINICIÓN DE
para cumplir con los objetivos y se
VARIABLES programarán las tablas básicas.

Se elaborarán los formularios, planillas


o cuestionarios para recoger la
INSTRUMENTOS información mediante una encuesta.
Además, se preparan los instructivos,
manuales, etc. requeridos.

Se define el tipo de muestreo, la


metodología estadística matemática
para la obtención del tamaño de la
DISEÑO DE LA muestra, estadísticos y estimadores,
MUESTRA definición de criterios, obtención de
los marcos o listados, recabación de
datos secundarios, selección de la
muestra.

22
Se hace un sondeo preliminar para
MUESTRA PILOTO probar los instrumentos y obtener
algunas variables auxiliares para
calcular el tamaño de la muestra.

Se elaborar los sistemas y


SISTEMAS Y
procedimientos de tabulación y
PROCEDIMIENTOS cálculo.

Se refiere a la puesta en acción de los


EJECUCIÓN
planes de muestreo.

Incluye los trabajos de campo, o sea, la


RECOLECCIÓN DE
recabación de los datos a nivel de cada
DATOS unidad de muestreo seleccionada.

Los formularios, planillas o encuestas


REVISIÓN
se revisarán, codificará (perforación y
PREPARACIÓN verificación de ser necesario).

Los datos se procesan o tabulan para


PROCESAMIENTO obtener los estadísticos, estimadores,
etc., dispuestos en tablas o listados.

Se analizarán los datos para comprobar


la validez de las estimaciones, se
relacionarán las variables a fin de
ANÁLISIS obtener las medidas que faciliten la
interpretación de resultados y
conduzcan a la toma de decisiones.

Se presentarán las tablas, índices y


INFORME resultados, así como la interpretación
FINAL del análisis y un apéndice con la
metodología usada.

23
2.3 Informes para investigaciones a base de muestras.
Las sugestiones que se presentan a continuación pretenden
conformar una guía o esquema metodológico el cual deberá
acompañar el informe final de cualquier investigación a base de
muestras. Esta guía proporciona al usuario de la investigación una
visión objetiva de los métodos empleados y el grado de exactitud
de las estimaciones, además permite al diseñador o responsable de
la ejecución del plan utilizar eficientemente los resultados y
acumular la experiencia en futuros planes de muestreo.
El contenido metodológico del informe debe estar orientado en
dos niveles, el primero hacia los usuarios o personas que se
interesen en los resultados finales y escasamente en los detalles
metodológicos. El segundo nivel describirá detalladamente los
aspectos técnicos de la muestra. En este sentido, el capítulo, guía o
esquema metodológico se deberá presentar en dos anexos:

a) Descripción general de la Investigación.


b) Aspectos técnico-estadísticos de la Investigación.
Dentro de la concepción anterior, se describirán a continuación
las características fundamentales de cada anexo.

2.3.1 Informes para investigaciones a base de muestras.


a) Objetivos:
Es necesario definir la motivación que origina el trabajo o estudio
y puntualizar los objetivos del mismo.
b) Materia abarcada en el estudio, investigación, trabajo o
encuesta:
Se debe indicar si toda la información recabada proviene de
fuentes primarias y/o secundarias.

24
En el primer caso, se describirán las definiciones de las unidades
a estudiar, de tal manera que se evite cualquier error de
interpretación. El uso de datos auxiliares provenientes de fuentes
secundarias se debe indicar con suficiente amplitud. Por otra parte,
se debe dar detalles de la información recopilada y no publicada.

c) Método de la muestra:

Se indicará de manera general el tipo de muestreo usado, así


como una descripción de la población. Es conveniente disponer de
un cuadro sinóptico con los datos del tamaño de la muestra y la
población con las clasificaciones a que hubiere lugar.

d) Método de recopilación de los datos:

Conviene describir la manera como fueron recopilados los datos,


y el nivel educativo del personal utilizado.

e) Fecha y duración:

Se indicará el período al cual se refieren los datos, la fecha en la


cual se tomó la información y el tiempo empleado.

f) Costo:

En ocasiones conviene acompañar el informe con una


descripción detallada de los costos de trabajo.

g) Precisión:

Se indicará de una manera general el grado de confianza y los


errores de las principales variables

25
2.3.2 Aspectos técnico-estadísticos.

a) Diseño de la Muestra.

1. Marco.

El marco de la muestra consiste en una descripción detallada de


la población y generalmente consiste en listas, bases de datos,
archivos, mapas, etc., que permiten tomarlo como base para
seleccionar la muestra. Se indicará la fecha del mismo y la
metodología seguida para actualizarlo. Es conveniente citar,
mediante tablas, un resumen con la distribución poblacional y las
características del tamaño de la muestra.

2. Método de la encuesta.

Se indicará con abundantes detalles el tipo de muestreo que se


utiliza y la determinación del tamaño de la muestra. Se describirán
los niveles de confianza usados, así como las hipótesis que se
consideren convenientes a los fines de tener una concepción clara
del Estudio.

3. Unidades de estudio.

Se definirán las unidades de estudio, es decir los elementos que


sirven de base para efectuar las operaciones de muestreo. Además,
se citará el método de selección de las unidades de muestreo
correspondientes. Es conveniente anexar los cuestionario e
instructivos utilizados.

4. Personal y equipo.

Se informará sobre la organización del personal utilizado en la


dirección, supervisión, recopilación, tabulación y elaboración de
los datos, así como el nivel técnico y profesional de los mismos.

26
Es conveniente dar una explicación de las disposiciones
relativas al entrenamiento del personal, normas de control de
calidad sobre el proceso de recolección, tabulación y cálculo.

Se hará una descripción del equipo empleado para fines de


tabulación y cálculo.

b) Análisis estadístico y métodos de cálculo.

El procedimiento para la revisión, clasificación, tabulación y


análisis debe seguirse a través de una descripción general cuyo
esquema se puede ver a continuación:

1. Es conveniente acompañar los


CUESTIONARIO
anexos con una copia del cuestionario,
instructivo, etc.

2. Se informa sobre las pautas de


REVISIÓN corrección, el tratamiento de no
respuestas, inconsistencia de algunos
datos, etc.

CLASIFICACIÓN DE 3. Se detallan las clasificaciones a las


LAS UNIDADES DE cuales son sometidas las unidades de
ESTUDIO estudio.

4. Se informa sobre los criterios


CRITERIOS DE
operativos empleados en la tabulación
TABULACIÓN de los datos.

27
5. Se describen los sistemas y
procedimientos y las características
generales de los equipos usados.
En el caso de utilizar equipos
TABULACIÓN electrónicos, se incluirán las memorias
descriptivas de los programas, códigos,
etc...

6. De acuerdo al diseño .de muestreo


usado, se describirá con detalle la
CÁLCULO DE LA
nomenclatura, formulario de
MUESTRA estadísticos y estimación de
parámetros, etc.

7. En base a los resultados obtenidos,


se instrumentará la metodología para
CRITERIOS DE
medir la significación de los
TABULACIÓN estadísticos, realizar las estimaciones,
etc.

c) Precisión.

Es importante proporcionar un listado de las principales


variables que pongan de manifiesto las características siguientes:

1. Número de informantes.
2. Estimaciones poblacionales.
3. Varianza
4. Errores de muestreo.
5. Límites de confianza.

28
Se deben mencionar los errores no atribuibles al diseño de
muestreo, tales como errores de recabación, validez del marco, etc.

d) Costos.

Conviene efectuar un análisis detallado de los costos del trabajo,


discriminándolo de acuerdo a las etapas cubiertas, por ejemplo:

1. Dirección y coordinación.
2. Programación.
3. Trabajos de campo.
4. Revisión y codificación.
5. Procesamiento.
6. Análisis.
7. Redacción.
8. Gastos generales.

2.4 Selección de muestras.

Cuando se considera una población cuyos elementos presentan


características poco homogéneas con relación a la variable
investigada, habrá que utilizar un diseño de muestreo adecuado y
desarrollar algunas técnicas de selección de las unidades de
muestreo, las cuales garanticen que los elementos seleccionados
hayan sido extraídos con una cierta probabilidad fijada a priori y,
además, que las muestras presenten características que se asemejen
a las del colectivo. Para lograr la condición señalada anteriormente
y evitar que se introduzcan sesgos personales, o que el
procedimiento no esté influenciado por las característica en estudio,
se han desarrollado algunos métodos de selección que van desde la
utilización de dados, monedas, bombos, bolas, etc., hasta la
denominada tabla o rutina de generación de números aleatorios,
que a su vez ha permitido desarrollar esquemas más complejos de
selección. A tal efecto, se citará a continuación la metodología
generalmente más usada.

29
2.4.1 Tabla de números aleatorios.
Esencialmente, las tablas de números aleatorios están formadas
por un conjunto de números producto de un experimento aleatorio
de una población constituida por los dígitos 0 al 9. De la reunión de
cifras contiguas se obtendrá un conjunto de números aleatorios que
se consideran como muestras de una población constituida por 100
números de 2 cifras que van del 00 al 99, o 1000 números de tres
dígitos que van del 000 al 999, etc. Esta tablas han sido
construidas por diversos autores, valiéndose de experimentos
aleatorios (loterías ruedas, computadoras, etc.). Las mismas han
sido sometidas a pruebas aleatorias para comprobar su validez. En
el apéndice, se incluye un extracto de las Tablas de Fisher y Yates
formadas por 100.000 dígitos (tabla 1) con las cuales se desarrollan
unos ejemplos de selección.
Las tablas de números aleatorios vienen agrupadas por pares de
dígitos en grupos de cinco en cinco y se emplean de la manera
siguiente:

a. Se numeran todos los elementos del 00 al N.


b. Se considera el tamaño de la muestra n.
c. Se elige una página cualquiera de la tabla.
d. Se hace la selección de manera horizontal o vertical,
comenzando en cualquier lugar; se recomienda no
comenzar en el mismo sitio se hay que tomar varias
muestras.
Ejemplo 1. Seleccionar una muestra de 10 elementos de una
población de 80.

a. Se numeran los elementos poblacionales: 00, 01, 02, 03…


79,80.
b. Se toman 10 números de la tabla.
c. Se elige una página cualquiera.

30
d. Se elige, por ejemplo, la 2da. Columna con dos dígitos y se
escriben diez números comprendidos entre 00 y 80; los
números que aparezcan repetidos se considerarán sólo una
vez.

27, 41, 21, 15, 76, 46, 37, 62, 47, 68


Ejemplo 2. Seleccionar una muestra de 10 elementos de una
población de 820.

a. Se numeran los elementos poblacionales: 000, 001, 002, 003,


004, , , 500, , ,820.
b. Se tomarán 10 elementos de la tabla cuyos números estén
comprendidos entre 000 y 820.
c. De una página cualquiera se forman columnas de tres dígitos
y se toma una de ellas; por ejemplo la primera (tabla 1).
d. Se seleccionan los elementos siguientes: 102, 284, 342, 618,
611, 009, 364, 043, 636, 784.
Sustituto de este procedimiento se hace mediante una rutina
computarizada para la generación de números aleatorios.
Esencialmente estas rutinas funcionan como simuladores de los
ejemplos anteriores.

2.4.2 Muestreo sistemático.


En realidad este tipo de muestreo define un proceso de selección
el cual consiste en seleccionar los elementos de la muestra de una
manera sistemática a partir de un módulo fijo, en otras palabras, el
considerar una población de tamaño N y una muestra n, se
N
encontrará un intervalo k = del cual se extraerá un número
n
aleatorio comprendido entre 1 y k, y a partir de este origen
aleatorio ( i ) se tomarán los elementos a muestrear de k en k o sea:
i, i + k, i + 2k, i + 3k . . . . . . i+(n-1)k

31
En general, desde el punto de vista práctico, este método resulta
muy útil, además garantiza que ninguna sucesión grande de
elementos quede sin representación.

Ejemplo 3. Considere una población N = 200 de donde se


extraerá una muestra n = 10.

a) Se calcula el intervalo de selección.

N 200
k = = = 20
n 100

b) Se elige un número aleatorio entre 1 y 20.


c) Se busca en la tabla y se obtiene i = 6.
d) A partir del elemento número 6 se comienza a seleccionar de
20 en 20, o sea:

6, 26, 46, 66, 86, 106, 126, 146, 166, 186

32
CAPÍTULO III

DISTRIBUCIÓN EN EL MUESTREO

Estimación de Parámetros, sus característ5icas.


Estimación puntual y por intervalos.
Distribuciones teóricas de probabilidad.

3.1 Distribución en el muestreo.


Anteriormente se había señalado que a partir del estudio de un
conjunto de observaciones procedentes de una población, la cual se
ha ordenado convenientemente en forma de distribución de
frecuencias, se determinan ciertas medidas o parámetros que
resumen las características de dicha población. En general, este no
será el caso; habrá necesidad, en muchas ocasiones, de estimar los
parámetros poblacionales a partir de una muestra probabilística.
La relación existente entre las frecuencias (fi) y el total de
fi
observaciones (n) realizadas en la muestra definen una relación
n
que se asocia al concepto de probabilidad estadística cuando la
experiencia o experimento se realiza muchas veces.
Si el experimento se realiza en condiciones que se consideran
semejantes y en cada oportunidad no se puede predecir el resultado,
se tienen por definición un experimento aleatorio; sin embargo,
en la medida que se realiza dicho experimento, se tendrá una idea
de los probables resultados determinados por el examen de las
frecuencias respectivas. Una muestra probabilística resulta de n
realizaciones de un experimento, es decir, estará integrada por n
elementos y sus frecuencias, obteniéndose una distribución de
frecuencias muestral que corresponde a todas las muestras posibles
y sus respectivas probabilidades, además que puede representarse
en el espacio k-dimensional (espacio muestral) constituido por el
valor que toma una variable aleatoria X1

Xi : (X1 X2 . . . . . . . . . . Xk )

33
A los resultados de cada experimento se asocia la probabilidad
de ocurrencia respectiva:

P 1 P 2 P 3 . . . . . . . . . . Pk
donde: P 1 + P 2 + P 3 + . . . . Pk = 1

A partir de estos elementos se obtiene la Esperanza Matemática


E(x) la cual se define por:

E(x) = P1 X1 + P2 X2 + P3 X3 + . . . . . . . . .+ Pk Xk

k
E(x) = ∑P X k k

t =1

y la varianza

σ 2x = E( x - X ) 2

Si para cada muestra se calcula un estadístico θ, es decir , una


función de valores muestrales

x1, x2, x3, . . . . . . . . . . xk

acompañados de sus respectivas probabilidades (p1 ), se tiene una


distribución probabilística denominada distribución en el
muestreo de θ, lo cual permitirá obtener un estimador Θ̂ del
parámetro Θ.

Considérese una población de N elementos. Estos pueden ser


infinitos o finitos. En el primer caso, habrá infinito número de
elementos o la población es tan grande que no existen posibilidades
reales de contarlos; en el segundo caso, los elementos son
enumerados sin mayor dificultad.

34
Al tener una población finita de tamaño N, habrá dos formas de
seleccionar la muestra. Se tomarán n elementos con
reemplazamiento o sin reemplazamiento. En el primer caso, se
seleccionará un elemento de la población, se observa la
característica a estudiar y se mezclará nuevamente con la población
para seleccionar otro elemento hasta completar n. Este tipo de
muestreo tiene analogía con el concepto de población infinita.
Si la muestra es sin reemplazamiento, es decir, cada elemento
muestreado no se vuelve a considerar, habrá tantas muestras
posibles como combinaciones haya de N elementos tomados de n
en n. Supóngase este último procedimiento con una población de
tamaño N = 6 donde cada uno de los elementos toma los siguientes
valores:
X1 = 1 X2 = 2 X3 = 3 X4 = 4 X5 =5 X6 =6

Se desea tomar una muestra de tamaño n = 2 para estimar la


media poblacional X .

De acuerdo a lo dicho anteriormente, se podrán obtener 15


muestras posibles, o sea:

 6  = 6! = 15
 2
  2! 4!

Estas combinaciones serán:

(1,2) (1,3) (1,4) (1,5) (1,6)


(2,3 (2,4) (2,5) (2,6)
(3,4) (3,5) (3,6)
(4,5) (4,6)
(5,6)

35
La media poblacional X vendrá dada por:

n
∑ Xi
1 + 2 + 3 + 4 + 5 + 6 21
i=1
X= = =
N 6 6

Las distintas combinaciones muestrales para la media serán:

3 4 5 6 7
x = , x 2 = , x3 = .x 4 = , x 5 =
1 2 2 2 2 2

5 6 7 8
x6 = , x7 = , x8 = , x9 =
2 2 2 2

7 8 9
x10 = , x11 = , x12 =
2 2 2

9 10
x13 = , x 14 =
2 2

11
x15 =
2

Luego la distribución en el muestreo se podrá expresar en la


tabla siguiente:

36
DISTRIBUCIÓN EN EL MUESTREO
Frecuencias
Medias Frecuencias relativas
x1 f1 f
pb =
∑ f1
3 1
1
2 15
4 1
1
2 15
5 2
2
2 15
6 2
2
2 15
7 3
3
2 15
8 2
2
2 15
9 2
2
2 15
10 1
1
2 15
11 1
1
2 15

En general, es de esperar que los valores de los estimadores, en


este caso las medias de las diferentes muestras posibles, fuesen
21
igual al parámetro poblacional X = lo cual permitirá definir
6
una distribución donde sólo hubiere dicho valor.

Al observar el cuadro anterior, se ve que esto no es posible dado


que los elementos de la población son diferentes. Al tomar las
posibles muestras se obtuvo la distribución en el muestreo donde la
mayoría de las medias muestrales generadas están concentradas
alrededor del valor verdadero.

37
El modelo considerado supone una distribución con un valor
medio m y una desviación

σ
σx =
n

La distribución en el muestreo no se podrá formar a menos que


se conozcan los elementos que integran la población; en
consecuencia, en la práctica se opera con una muestra que es una
de las posibles combinaciones que se pueden obtener. A partir de
ella se calcula el estimador Θ̂ que puede ser una media x con una
cuasi-varianza ŝ 2 estimada a partir de la muestra. Con estos
elementos muestrales se intenta estimar el valor poblacional X con
un cierto nivel de probabilidad determinado por la desviación:

σx =
n

3.2 Estimación de Parámetros.

Se señaló anteriormente que a partir de una muestra se podrá


obtener un estadístico θ el cual permite obtener una estimación Θ̂
del parámetro poblacional Θ. Este estimador debe poseer unas
características que lo definen como un “buen” estimador. Esas
características están conformadas por los siguientes aspectos:

a) Insesgado.
b) Consistente.
c) Eficiente.
d) Suficiente.

Esas características serán función de la distribución en el


muestreo, de la distribución poblacional y del diseño de muestreo
utilizado.

38
3.2.1 Estimador Insesgado.

Dado que a partir de una muestra se calculará un estimador Θ̂ y


que generalmente su valor no coincidirá con el valor poblacional,
se puede considerar desde el punto de vista estadístico aceptable el
hecho de que la distribución en el muestreo está concentrada sobre
el valor poblacional (valor real). La condición de estimador
insesgado será definida cuando la Esperanza Matemática del
estimador Θ sea igual al parámetro poblacional.

E(θ) = Θ

Como ejemplo intuitivo del concepto definido anteriormente,


supóngase un rifle el cual es disparado contra un blanco. Entre las
distintas alternativas que pueden ocurrir están las siguientes:

a. Existe concentración de los disparos


alrededor del blanco, habrá precisión e
insesgamiento; la coincidencia de estas
características se define por acuracidad.
La precisión vendrá a su vez
determinada por la escasa dispersión de
los valores alrededor del blanco.

b. No hay concentración de los


disparos, habrá dispersión y sesgo.

39
c. Habrá precisión y sesgo. Esto
es, hay concentración de los
disparos sobre un punto, pero hay
un distanciamiento respecto al
término central.

3.2.2 Estimador consistente.

Un estimador Θ̂ será consistente cuando la probabilidad tienda


a uno, en la medida que Θ̂ tienda al valor verdadero Θ al aumentar
el tamaño de la muestra.

Pb ( θ → Θ) → 1, n → ∞ )

Es decir, las estimaciones se aproximan al valor verdadero con


probabilidad que tiende a uno al aumentar el tamaño de la muestra
indefinidamente.

3.2.3 Estimador eficiente.

Si se considera el concepto de eficiencia relativa para comparar


dos estimadores, se tomará el cociente de las recíprocas de las
varianzas de sus distribuciones en el muestreo, para un mismo
tamaño de muestras. Si este cociente es superior, igual o menor a
uno, el estimador que se compara será más, igual o menos eficiente
que el considerado tipo.

3.2.4 Estimador suficiente.

Se refiere al caso en que una muestra aleatoria contiene toda la


información relativa al valor verdadero que se trata de estimar.

40
3.3 Estimación puntual y por intervalos.

En términos generales, una población tiene una distribución


determinada por la denominada función de densidad, expresada
mediante;

F(x) = f(X1 Θ1 , Θ2 . . . . . . . . .Θk )

siendo Xi una variable aleatoria y Θ1 , Θ2 . . . .Θk los parámetros


poblacionales. A partir de una muestra, donde se cuantifican las
observaciones x1 , x2 , … xn , se pretende estimar los parámetros
poblacionales Θ utilizando los estadísticos:

θ1 , θ2 . . . . . . . . . θk

Ciertamente estos estimadores deben cumplir con el requisito de


se “buenos estimadores”, sin embargo, los mismos están sujeto a un
cierto error, el cual se denomina error de muestreo (σ x ) que no es
más que la desviación standard de la distribución en el muestreo.

Si se tiene una muestra y se obtiene un estimado Θ̂ la estimación


obtenida será una estimación puntual, hasta tanto no se acompañe
de una medida de dispersión o del error de muestreo; así, por
ejemplo, al calcular a partir de una muestra una media x y estimar
la media poblacional (µ), deberá estimarse la desviación standard
de la distribución en el muestreo ( σ x ) mediante la relación

σx = y obtener un intervalo confidencial.
n

Supóngase que se tiene la distribución en el muestreo de la


media, donde x es la media muestral y la varianza es:

ŝ 2
σ 2x =
n

41
Gráficamente se observa el intervalo de confianza:

ŝ ŝ
x+k x −k
n n

Esto quiere decir, la Media poblacional m (real) estará


comprendida entre los valores:

ŝ 2 ŝ 2
x−k ≤ X ≤ x +k
n n

con una probabilidad determinada por el área A contenida entre


dichos puntos.

3.4 Distribuciones teóricas de probabilidades.

Al considerar la muestra aleatoria simple, donde todos los


elementos poblacionales sean lo suficientemente homogéneos con
respecto a la variable que se desea medir, lo cual equivale que
tenga una desviación típica pequeña, habrá de utilizarse la
distribución teórica de probabilidad más adecuada a la resolución
del problema específico que se plantea. En efecto, para una muestra
en particular, habrá una distribución de frecuencias a partir de la
cual se harán las inferencias correspondientes a las características
poblacionales. Esas distribuciones frecuenciales van a generar un
modelo que se traduce en la distribución teórica de probabilidad
que más se que más se le aproxime.

42
A los fines de la exposición general de este capítulo, es
conveniente sistematizar las características fundamentales de las
distribuciones teóricas de probabilidad de mayor aplicación en los
fundamentos básicos de los métodos estadísticos.

Dado un experimento aleatorio se tendrá un conjunto de


resultados posibles que se podría considerar como un conjunto
puntos donde cada uno tome un cierto valor único. Este conjunto de
puntos viene a constituir un espacio muestral. Así, por ejemplo, un
experimento aleatorio consistiría en lanzar un dado n veces en
condiciones semejantes, donde la variable aleatoria X1 toma los
valores 1, 2, 3, 4, 5 y 6, lo cual define un espacio muestral de seis
puntos.

De una manera general, se puede considerar una variable


aleatoria ξ, siendo sus respectivos valores x1, x2, . . . . Esta variable
aleatoria tiene una determinada distribución de probabilidad la cual
se definirá por su función de probabilidad o por una función de
punto, o de distribución F(x). Esta función expresa la probabilidad
que la variable aleatoria ξ tome un valor menor o igual que x; en
efecto se tiene:
F(x) = Pb (ξ ≤ x)

Cualquiera que sea la distribución de probabilidad, se cumplirá con


las siguientes características:

a) 0 ≤ F(x) ≤ 1
b) F (∞) = 1
c) F(-∞ ) = 0
d) Si X1 < X2
F(X2 ) – F(x1 ) = Pb(X1 ≤ ξ ≤ X2 )

43
Si existe la derivada de F(X), esto es, F’(X) = f(x) para un cierto
punto (x), se obtiene la función de densidad la cual representa la
probabilidad que la variable aleatoria tome un valor xi es decir:

f(x) = Pb(ξ = x)

Cualquiera que sea, la función de densidad tendrá las siguientes


características:

a) f(x) ≥ 0
b) La suma de todas las probabilidades es igual a la unidad.

Para resumir las características fundamentales de alguna


distribución es necesario analizar por separado las distribuciones de
tipo discreto y de tipo continuo.

En el primer caso, se dice que una variable es de tipo discreto si


su función de distribución F(x) crece mediante discontinuidades.
Esto se traduce en las aplicaciones cuando la variable representa un
cierto número de unidades, por ejemplo: las veces que sale un uno
al lanzar un dado, el número de clientes de una empresa, etc. Una
distribución discreta se definirá para una variable aleatoria ξ la
cual toma los valores x1 , x2 , . . . . xk (recorrido) con probabilidades
p1 , p2 , . . . . pk y la función de cuantía o de probabilidad vendrá
expresa mediante:
f(x) = Pb (ξ = x)
la cual cumple con las condiciones siguientes:

a) f(x) ≥ 0

k
b) ∑ f (x ) = 1
i =1

44
En el caso de una distribución continua, se dice que una variable
aleatoria es de tipo continuo si la función o distribución F(x) crece
de manera continua, sin puntos aislados o también si se verifica que
la derivada correspondiente es una función contínua, es decir, que
d F( x )
f ( x ) = F ′( x ) =
dx

En la práctica, se presenta cuando se miden cantidades que


pueden tomar valores cualesquiera en un intervalo, dependiendo de
la apreciación correspondiente.

La función de cuantía o probabilidad vendrá expresada


mediante:
f(x) = Pb (ξ = x)

y cumple con las siguientes condiciones:

a) f (x) ≥ 1

b) ∫− ∞ f (x )dx = 1
Si se tiene una distribución teórica de probabilidad, se podrá
obtener la media teórica o Esperanza Matemática, así como la
varianza correspondiente. En efecto, si se tiene una distribución
discreta se tiene:

E(ξ) = Σ X1 p1

y para una distribución continua:

E( ξ) = ∫ X f ( x) dx

Para obtener la varianza respectiva se utilizan los momentos con


respecto a la media y se tiene:

45
Momento de orden r:

µr = E [ξ r] = E [ ξ - E [ξ] ]r

Como el momento de segundo orden define la varianza, se tiene:

µ2 = σ2 = E [ξ 2 ] = E [ ξ - E [ξ] ]2

En general, si no se conoce o presume la forma de la


distribución, se aplica un teorema conocido bajo el nombre de
Tchebycheff el cual se expresa como sigue:

“La probabilidad que una variable aleatoria x tome un valor que


difiera en valor absoluto de su Esperanza Matemática menos k
veces su desviación standard, es mayor que:

1
1− o sea
k2

1
Pb( | ξ - E[ξ] ) ≤ k σ ξ ) > 1 −
k2
De acuerdo a los términos del Teorema se puede afirmar que la
probabilidad de que el estimador Θ̂ tome un valor que difiere en
valor absoluto de su Esperanza Matemática E (q) menos k veces la
1
desviación standard de dicha variable es mayor que 1 −
k2

ˆ - E( θ) | ≤ k σ θ ) > 1 − 1
Pb( | Θ 2
k
Si Θ̂ es un estimador insesgado de Θ, ocurre que E(θ) = Θ,
luego:

46
ˆ | ≤ k σ θ ) > 1− 1
Pb( | θ - Θ 2
k

Entonces:
ˆ ≤ θˆ - k σ θ ) > 1 − 1
Pb( θˆ - k σ θ ≤ Θ
k2
ˆ =
Así, por ejemplo, se obtuvo un estimador X 5 un error de
muestreo σ x = 1


σx = =1
n

El intervalo de confianza, si el coeficiente confidencial k = 3, es:

X̂ - kσ x = 5 - 3(1) = 2

X̂ - kσ x = 5 + 3(1) = 8
entonces:
1 1
1− 2
= 1- = 0,888 ....
k 9

Luego, se puede decir, que con una probabilidad superior al


88% que el intervalo:

(2, 8) cubrirá el valor verdadero.

El supuesto anterior está basado en el desconocimiento de la


distribución poblacional f(x), sin embargo, cuando se puede
establecer una hipótesis sobre la población, por ejemplo, que se
distribuye normalmente y tiene una varianza finita, bastará conocer
que en muestras grandes:

47
k = z (coeficiente de la distribución normal)
z = 1,64 Se obtiene un coeficiente confidencial del 90%
z = 1,96 Se obtiene un coeficiente confidencial del 95%
z = 2,58 Se obtiene un coeficiente confidencial del 99%
En general, este coeficiente estará dado por la tabla de la
Distribución Normal y se obtendrá un intervalo para la media
definido por :
X̂ - z σ x y = X̂ + z σ x

o sea: X̂ - z σ x ≤ X ≤ X̂ + z σ x

Se sintetizan a continuación las características particulares de las


distribuciones teóricas de probabilidad de tipo discreta y continua.

3.4.1 Distribuciones discretas.


3.4.1.1 Distribución binomial.
En este caso se considera una variable discreta xi cuyo campo de
variación es x: 1, 2, 3, . . . c y se desea calcular la probabilidad de
x éxitos en n intentos. Si se define como P la proporción de
elementos con una característica 1 en una población N, se tiene:
A
P= , siendo A la suma de los elemento que presenta una
N
característica que se ha llamado 1; la ausencia de esa característica
se identifica por (o). La proporción de elementos con característica
(o) es:
Q=1-P
Al considerar una población N, el número de veces o intentos
que se realiza en el experimento o prueba corresponde a una
muestra con reemplazamiento de n elementos. En este caso, la
función de densidad es:

48
f(x) =  nx  P x Q n − x
 
la función de distribución es:

F(x) = ∑  n  P x Qn −x
c

x= 0  
x

la Esperanza Matemática de esta distribución es:


E (x) = n P
y su varianza

σ2 = n . P . Q
Cuando se tienen muestras con reemplazamiento, en la
generalidad de los casos se desea estimar la proporción poblacional
P con un cierto nivel de probabilidad; en consecuencia, ese valor se
estima a partir de una muestra utilizando la proporción muestral ,
a en efecto, se sabe que la proporción muestral es un
p=
n estimador insesgado de la proporción poblacional, esto es:
p = P̂ el cual estima a P, siendo Q̂ = 1 - P̂ .

La desviación típica de la distribución en el muestreo en este caso


es:
N - n p.q N - n P̂ . Q̂
σp = . ≡ .
N n −1 N n −1

Para muestras grandes, o cuando N sea suficientemente grande


N- n
respecto a n, ó N → ∞ ó → 1 , se utiliza
n

p.q P̂ . Q̂
σp = ≡
n n

49
3.4.1.2 Distribución Hipergeométrica.

Cuando se tiene una muestra aleatoria simple sin


reemplazamiento y una población finita N, ya no se podrá utilizar
con propiedad la Distribución Binomial, a menos que se haga una
aproximación utilizando valores grandes de N. En este caso, la
función de densidad de la distribución hipergeométrica es:

 A  N - a 
f(x) =  
x n-x
 N
n
 

donde A=N.P

la función de distribución correspondiente es:

 A   N - a 
c
f(x) = ∑   
x n -x
 N
x =0 n
 
el valor de la variable xi también varía como en el caso anterior de
la manera siguiente: xi : 1, 2, . . . . c

siendo la Esperanza Matemática de esa distribución:

A
E ( x ) = E (n p ) = n .
N
Los valores de A se estimarán a partir de una muestra donde p es la
a
proporción muestral, esto es: p = donde:
n

 = N . p ó  = N . P̂

50
y la desviación típica de la distribución en el muestreo:

N - n P̂ . Q̂
σp = .
n n

3.4.1.3 Distribución de Poisson.

Cuando no se conoce el tamaño de la población N y se tiene un


muestreo aleatorio simple con reemplazamiento y los valores de P
son pequeños, se utiliza la Distribución de Poisson cuya función de
densidad viene dada por la expresión:

λ
f (x ) = e − λ .
x!
para un recorrido de la variable xi : 1, 2, 3, . . . . ∞
la función de distribución en este caso es:
c
λ
f (x ) = ∑ e −λ . x!
x =0

la Esperanza Matemática correspondiente es:

E(x) = λ
y la varianza:
σ2 = λ donde λ = n . P̂

La distribución binomial se aproxima a la distribución de


Poisson para valores pequeños de P y una muestra grande; las
estimaciones de P se harán a partir de la muestra, o sea:

51
a
p= = P̂
n

donde: λ = n . P̂

y el error de muestreo es:

σ x = n . P̂

3.4.2 Distribuciones continuas.

3.4.2.1 Distribución Normal o de Gauss.

Esta distribución es de particular importancia para la


comprensión y aplicación de los diferentes métodos estadísticos. Su
rango de variación para la variable aleatoria correspondiente es de
carácter continuo y su función de densidad se expresa mediante:

1  x 1 −µ 
2

−  
1 σ 
f (x ) = e 2
σ 2π

la función de distribución correspondiente viene dada mediante la


siguiente expresión:

z x1 - . µ
F( X) = ∫ f ( x ) dx donde z =
-∞ σ

la Esperanza Matemática de la distribución es la media aritmética;


en efecto:

E(x) = µ y su varianza: σ2

52
Al considerar una muestra n se pretende estimar un Parámetro
poblacional que puede ser la media X a partir de la media
muestral x . Esta media muestral es un estimador insesgado de la
media poblacional, o sea:

ˆ el cual estima a X
x= X

Al considerar la distribución en el muestreo se tiene que:

E ( x) = µ = X

Según el tipo de muestreo utilizado, se tendrá la varianza


correspondiente. Si se tiene un muestreo con reemplazamiento, la
varianza es:

σ2
σ 2x =
n

Si se trata de muestras sin reemplazamiento, se tiene:

N - n σ2 N - n σ2
σ 2x = . ó σ 2x = .
N −1 n n n

cuando N es suficientemente grande.

N-n
cuando tienda a 1, se usará como expresión general :
N −1

σ2
σ 2x = y la desviación típica de la distribución en el muestreo
n
σ
será: σx =
n

53
La acción de seleccionar una muestra está determinada por la
imposibilidad práctico-económica de analizar todos los elementos
de una población, por lo tanto, de estimará a partir de la muestra.

Si se tiene una población de tamaño N, la misma tendrá cierta


dispersión, la cual se mide por su varianza respectiva, o sea:

S2 =
∑ (X1 − X) 2
N

Claro está, que a la distribución frecuencial corresponderá una


distribución teórica con media µ y varianza σ2 . Ahora bien, si se
calcula la varianza en una muestra, llamada más propiamente
Cuasi-varianza, se tiene:

ŝ 2 =
∑ (x 1 − x )2
ó s2 =
∑ (x 1 − x )2
n -1 n

donde se verifica que:

n
ŝ 2 = s2 en efecto, si se sustituye s 2 se tiene :
n -1

De acuerdo al planteamiento anterior, la varianza de la


distribución en el muestreo es:

ŝ =
2 n
.
∑ (x 1 − x) 2 =
∑ (x 1 − x) 2 o según el caso:
n -1 n n -1

ŝ 2 s2
σ 2x = = ó según el caso
n n -1

54
N − n ŝ 2 N − n s2
σ 2x = . = .
N n N n -1

la desviación típica de la distribución en el muestreo (error de


muestreo para la media) es:

ŝ s
σx = = y según el caso
n n -1

N−n ŝ 2
σx = .
N n

N−n s2
σx = .
N n

A partir de una muestra n se podrán hacer las transformaciones a


una distribución normal standard que tiene por media µ = 0 y
varianza σ2 = 1 mediante el cambio de variable

Xˆ - µ Xˆ - µ
z= = donde se tiene la función
σx ŝ
n

1 − 12 z
f (x ) = e

y por función de distribución

z
F( x ) = ∫ f ( x ) dx
-∞

55
En la medida que se avance en la exposición, se harán los
planteamientos de otras distribuciones cuya aplicación en el
análisis estadístico son significativas; sin embargo, es conveniente
recordar que las distribuciones discretas mencionadas tienen
aproximaciones a la distribución normal. Por ejemplo, la
distribución binomial se podrá aproximar a una distribución normal
para valores de p cercanos a 0,5, teniendo por Media:

µ = np y por varianza σ2 = n . p . q

A partir de los elementos anteriores se podrá hacer la


transformación a los valores de z mediante la expresión siguiente:

ˆ - np
X
z=
npq

y en el caso de la proporción mediante:

P̂ - P P̂ - P
z= =
σp p.q
n

56
CAPÍTULO IV

HIPÓTESIS ESTADÍSTICA

Test de Hipótesis. Errores Tipo I y II. Nivel de Significación.


Región de Aceptación. Región Crítica. Potencia de un Test.
Curva Característica Operante. Factores a considerar
en la aplicación de las Pruebas o Test.

4.1 Hipótesis estadística.

En términos generales, suponer una hipótesis es definir un


enunciado sobre una o algunas características de un fenómeno. Se
definirá como Hipótesis Estadística un enunciado con respecto a
uno o más parámetros Q de una población. Como ejemplos se
podrán mencionar los siguientes casos:

1
a) La probabilidad de que obtenga 1 al lanzar un dado es p = 6

b) El valor medio de la facturación de una Empresa, es


mensualmente de Bs. 1.000.000,00.
c) El saldo medio de las cuentas por cobrar de una Empresa es
de Bs. 500,00 con una desviación standard de Bs. 50,00.

4.2 Test de Hipótesis.

Las Hipótesis mencionadas anteriormente deben ser


comprobadas; a tal efecto, se realizará un experimento aleatorio a
través de la selección de una muestra de la población y se acepta o
rechaza la Hipótesis planteada, sin que esto quiera decir que se
apruebe o desapruebe de manera efectiva, esto es que hay una
probabilidad de aceptación o rechazo y dependiendo de la
metodología usada, se hará una cosa u otra. Con el fin de
comprobar la hipótesis se somete a un procedimiento estadístico
denomina Test, Dócima o Contraste.

57
Póngase por caso el ejemplo de comprobar la hipótesis de que al
lanzar un dado, la probabilidad de que salga 1 es p = 16 . En
consecuencia, se procede a realizar un experimento aleatorio; se
realizan 6.000 lanzamientos de un dado y sus resultados se
sistematizan en dos alternativas, sean por ejemplo las siguientes:

CARAS ALTERNATIVA 1 Alternativa 2


x1 f1 pi =
f1 f1 pi =
f1
n n

1 995 1 4.998 5
6 6

2 1.002 1 1.002 1
6 6
1
3 1.001 6
— —
1
4 999 6
— —
1
5 999 6
— —
1
6 1.001 6
— —
Total 6.000 1 6.000 1

De producirse la alternativa 1 se aceptará la Hipótesis de que la


probabilidad de sacar 1 al lanzar un dado es CIERTA. Por el
contrario, en el segundo caso la probabilidad distará bastante de ser
p = 16 en consecuencia, se rechazará la Hipótesis planteada ya que
existe una diferencia significativa entre los valores p = 16 y p = 56 .

4.3 Errores tipo I y tipo II – Niveles de Significación.

El efectuar ensayos dentro del sentido enumerado anteriormente,


implica cometer errores. Los mismos son conocidos bajo el nombre
de errores tipo I y tipo II. Cada denominación corresponde a los
conceptos siguientes:

Tipo I - Rechazar una hipótesis cierta.


Tipo II - Aceptar una hipótesis falsa.

58
Las distintas alternativas que se presentan en la decisión de
aceptar o rechazar una Hipótesis se pueden sistematizar de la
siguiente forma:

Hipótesis
Decisión Cierta Falsa

Aceptación No hay error Error Tipo II

Rechazo Error Tipo I No hay error

Al efectuar un experimento a partir de una muestra de una


población para someter a prueba, test o docimasia a una hipótesis,
es necesario minimizar las probabilidades de cometer error Tipo I y
error Tipo II. Para el estudio de los efectos de estos errores se usará
la nomenclatura siguiente:

Se llamará α la probabilidad de cometer error Tipo I.


Se llamará β la probabilidad de cometer error Tipo II.

Estos valores de α y β son comúnmente denominados niveles de


significación.

La decisión de adoptar o rechazar una Hipótesis se basará en las


observaciones realizadas a partir de una muestra y en la
probabilidad de cometer errores tipo I y II. Por ejemplo,
establecida la Hipótesis que el parámetro de una población tiene un
cierto valor, se comprobará mediante una muestra de tamaño n y se
observará a través de experiencias que el estadístico de la muestra
se acerca o se parece a Θ; si así ocurre, se aceptará la hipótesis con
la probabilidad α de cometer un error de tipo I. En caso contrario,
es decir que se aparte de Θ de una manera significativa, se
rechazará la hipótesis.

59
Puesto que α no puede ser elegido por el experimentador (en la
práctica β no es posible fijarlo a priori y su elección determinará la
aceptación o rechazo de una Hipótesis) deberá ser fijado
previamente; por supuesto que intuitivamente se comprende la
necesidad que α y β resulten lo más pequeño posible; pero ¿qué
constituyen valores pequeños de α y β?. Mediante un ejemplo es
posible comprender el concepto. Considérese por ejemplo que una
fábrica construye un tipo de maquinaria cuya calidad está
garantizada al usuario. Las piezas que integran dicha maquinaria
proceden de otros sectores industriales, motivo por el cual la
Empresa debe asegurarse de recibir o aceptar lotes de piezas de
primera calidad. En consecuencia, sobre cada pedido que llega a la
planta y dada la importancia de analizar exhaustivamente cada
pieza, se toma una muestra de piezas y se someten a una revisión
acuciosa. En función del resultado de dicho examen se procede a
tomar la decisión de Aceptar o Rechazar el lote fijando de
antemano la probabilidad de cometer error tipo I. El tomar la
decisión implica varias alternativas:

a) Aceptar piezas buenas: No hay error.


b) Aceptar piezas malas Error tipo II.
c) Rechazar piezas malas: No hay error.
d) Rechazar piezas buenas Error tipo I.
En caso de producirse la alternativa b) las máquinas construidas
con piezas malas seguramente tendrán una calidad deficiente, luego
se debe procurar que el error tipo II tenga una probabilidad de
ocurrencia muy baja, por ejemplo β = 0,001. Por el contrario, si se
produce la alternativa d), es decir, se rechazan piezas buenas, lo
más que podría ocurrir es retardar el proceso de fabricación, luego
el error tipo I podrá tener una probabilidad de ocurrencia
relativamente grande, por ejemplo
α = 0,10 ó α = 0,05

60
En términos generales, dentro del campo de aplicación de la
Estadística, se trabaja con los niveles señalados anteriormente
como valores de α.
Evidentemente que una buena prueba o test se obtendrá en la
medida que haga las α y β tan pequeñas como sea posible. El
procedimiento rutinario para la aplicación de un test consiste en
fijar α y elegir la región de rechazo de manera que se haga mínimo
β.
4.4 Regiones de Aceptación. Región Crítica.
Considerando el ejemplo señalado anteriormente, donde se
tomaba una muestra de “n” piezas de un lote de tamaño “N” para
someterlas a inspección y aceptar o rechazar el lote, supóngase que
se establece la hipótesis de que las piezas de la población tienen
una longitud de 20 cms., µ0 = 20, con desviación standard σ = 12.
Con el fin de aceptar o rechazar la hipótesis que el lote de piezas
analizadas mediante una muestra de por ejemplo n = 36 tienen una
longitud de 20 cms., se establecerá la hipótesis de que no habrá
diferencias entre la media calculada a partir de la muestra y la
media de la población en una proporción de casos mayores de α
(nivel de significación) atribuibles dichas diferencias al azar. Esto
comúnmente se conoce como hipótesis nula (H0 ). En general lo
expresado anteriormente se escribe como:

H0 : µ = µ0
Es decir, se establece la Hipótesis Nula que no existen
diferencias significativas entre la media muestral x y la
poblacional, la cual toma un valor particular µ0 con un nivel de
significación α. Pero el no aceptar la hipótesis nula implica
reconocer que al nivel α sí existen diferencias significativas, esto
es, se aceptará la Hipótesis alternativa H1 , es decir:

H1 : µ ≠ µ0

61
O sea, que rechazar la hipótesis nula H0 implica aceptar la
alternativa H1.

Ahora bien, existirán muchas alternativas para comprobar la


hipótesis nula, es decir, a partir de la distribución muestral de la
media se obtendrán diversos valores que permitirán aceptar la
Hipótesis Nula. Esos valores, en el supuesto que la muestra
también sea normal, caerán en el intervalo de confianza definido
por la expresión:

X − Zσ x < µ 0 < X + Zσ x

Para comprender este punto, considérese el ejemplo anterior; en


efecto, se dijo que se establecía la Hipótesis que la media
poblacional era µ0 = 20 cms., con desviación σ = 12. Se necesita
contrastar la hipótesis nula:

H0 : µ = µ0 frente a la alternativa
H1 : µ ≠ µ0

Basados en la distribución muestral de la media x y suponiendo


que una muestra de n = 36 observaciones procede de la población
señalada anteriormente, la media es x = 20, dada la condición de
normalidad de la distribución muestra y que la desviación standard
de la muestra será:

σ 12
σx = (2) ó sea σ x = =2
n 36
Como se dijo anteriormente, existen muchas alternativas para
comprobar la Hipótesis Nula que estarán ubicados en el intervalo:

x − Zσ x < µ 0 < x + Zσ x

(2) Véase Teorema Central del Límite.

62
Fijando α = 0,05 se tendrá la distribución siguiente:

(20 – Z . 2 < µ0 < 20 + Z . 2)

donde Z = ± 2 para el 95% de confianza (Región de


Aceptación) luego:

(20 – 2 . 2 < µ0 < 20 + 2 . 2)

(16 < µ0 < 24)

Entonces, la Hipótesis Nula que µ0 = 20 se rechazará si para


cualquier medida ocurre que

x ≤ 16 Región Crítica

x ≥ 24 Región Crítica

y se aceptará cuando :

(16 < X < 24) Región de Aceptación

63
En general, la comparación se hará transformando los valores de
la muestra a la distribución correspondiente, ejecutando la
tipificación del caso.

Del planteamiento anterior se deduce, que si µ0 = 20, se tiene la


probabilidad α = 0,05 de cometer error Tipo I y que dada la
distribución del muestreo, el 95% de las muestras estarán
comprendidas entre 16 y 24, lo que implica aceptar µ0 = 20
(Hipótesis Nula).

Además del error α de rechazar la hipótesis cierta, existirá


también la posibilidad de aceptarla siendo falsa, es decir, de
cometer error Tipo II (β). Para un número fijo n y elegido α, queda
determinado β; por supuesto que a una disminución de α
aumentará β; en efecto, si se desea disminuir α y β, deberá
aumentarse el tamaño n de la muestra. La aceptación de la
Hipótesis Alternativa implica una nueva distribución cuya media
será µ1 . En consecuencia, se tiene la distribución cuya media es µ0
y la distribución con media µ1 . En el gráfico de dos colas se puede
observar la región que corresponde a α y β respectivamente en dos
alternativas diferentes.

64
En el ejemplo anterior se dijo que µ0 = 20 y el área de
aceptación de la Hipótesis Nula para α = 0,05 fue 16 y 24. En el
caso que la media poblacional tomara otro valor, es decir µ1 = 22,
la media muestral sería x = 22 con desviación standard σ = 2.
Considérese una hipótesis nula.

H0 : µ = µ0 con la alternativa H1 : µ = µ1

El aceptar o rechazar la Hipótesis está basada en una sola


muestra obtenida al azar, y al considerar una cola de la
distribución, se tendrán dos distribuciones: la correspondiente a µ0
y la de µ1.

Fijado el nivel de significación α, si el valor observado es X1 se


tomarán las decisiones siguientes:

X1 < A Se aceptará la hipótesis nula


X1 ≤ A Se rechazará la hipótesis nula, o sea que para valores
X1 < A Se determina la Región de Aceptación
X1 ≥ A Se determina la Región de Rechazo o Crítica.

Si se tienen dos colas, la probabilidad de cometer error Tipo I


vendrá determinada por α indicada en el gráfico y la probabilidad

65
de cometer error Tipo II vendrá determinada por el área señalada
como β.

La determinación del área punteada permitirá conocer el valor


de β, bajo el supuesto de normalidad. Tipificando se tiene:

X1 - µ1 16 - 22
Z1 = = = -3
σx 2
X 2 - µ1 24 - 22
Z2 = = = 1
σx 2

Buscando en la tabla de áreas de la distribución normal (tabla


No. 8) se tiene:

El área hasta 16 es A1 = 0,0013

El área hasta 24 es A2 = 0,8413

Luego β = 0,8413 - 0,0013 = 0,84

o sea que existe una probabilidad β de aceptar µo = 20 en lugar de


µ1 = 22. Esto hace pensar que la probabilidad de aceptar H0 siendo
falsa es grande cuando el valor tomado como hipótesis nula no

66
queda demasiado lejos del valor correcto, pero sí hay un
alejamiento significativo se tiene probabilidad mucho menor de
aceptar la Hipótesis nula.

4.3 Potencia de un test. Curva Característica Operante.

En un experimento donde se prueba una Hipótesis, el valor β


define la probabilidad de cometer error Tipo II y la expresión 1 – β
es conocida como Potencia del test lo cual viene a significar la
probabilidad de rechazar una hipótesis. Es evidente, que interesa
que esta probabilidad sea grande.

En general, cuando se utilizan los procedimientos de aceptación


o rechazo de las Hipótesis planteadas, es necesario definir las
variables objeto del estudio; en este sentido, se indicarán las
diferentes normas o patrones susceptibles de ser medidos. En
efecto, cada elemento es sometido a un proceso de medición bien
sea a través de una variable o un atributo, es decir, en el primer
caso expresándola cuantitativamente mediante valores o
magnitudes. En el segundo caso, mediante una relación cualitativa,
o sea, la asignación de un indicador de presencia o ausencia de un
sujeto o característica.

En los dos casos mencionados anteriormente, se pueden obtener


diferentes valores alternativos para un cierto parámetro Θi, o sea
Θ1 , Θ2 , Θ3 . . . . Θk . Para cada uno de estos valores Θi se obtendrá
un valor β. Esto se expresará mediante la relación β(µ) que es la
función característica operante. La representación gráfica de esta
función da origen a la curva característica operante, o curva C.O. la
cual permite obtener prácticamente la probabilidad de aceptar la
Hipótesis nula para un cierto rango de variación.

Como consecuencia de la función característica operante se


obtiene la función de potencia mediante la relación 1 – β(µ). Su
representación gráfica permite hallar la curva de potencia que

67
facilita obtener la probabilidad de rechazar la hipótesis nula para un
cierto rango de variación.

4.3.1 Curva Característica Operante considerando una


variable.

Si se tiene una variable X1 se podrá calcular un estadístico


cualquiera, entre los cuales se podría tener un estimador de la
media X que representa una estimación de la media poblacional
m0 lo que quiere decir que verifica la hipótesis nula.

H0 : µ = µ0

Se puede considerar un valor alternativo µ1 que verifica la


hipótesis alternativa H1 : µ ≠ µ0 o bien, de manera más general un
conjunto de valores alternativos µ1 , µ2 , µ3 , . . . . . µk .
A partir de los diferentes valores µi = 0, 1, 2. . . . se obtienen
diferentes valores de β i, es decir β(µ) o sea la función característica
operante; por supuesto que 1 – β(µ) define la función de potencia.
La representación gráfica de la función mencionada permite
obtener la Curva Característica Operante (C.O.) y la Curva de
Potencia (C.P.) respectivamente.

Véase nuevamente el ejemplo de la aceptación o rechazo del


lote de piezas (3.4). Allí se tenía una media µ0 = 20 con desviación
σ = 12 para un α = 0,05 y se tenía una región de aceptación
comprendida en el intervalo (16 < µ0 < 24). Gráficamente, bajo el
supuesto de normalidad, será:

68
Considérese la hipótesis nula frente a diversas alternativas de µi
con igual desviación σ x = 2 , en efecto,

H0 : µ = µ0

H1 : µ < µ1

Se calcularán para dos ramas los diferentes valores de β y 1 - β

16 - 20 A1 = 0,0228
Z1 = = -2
2
µ0 = 20 { β = 0,9544 {1- β = 0,0456
24 - 20
Z2 = = 2 A2 = 0,9772
2

16 - 19
Z1 = = - 1,5 A1 = 0,0668
2
µ0 = 19 24 - 19 { β = 0,9270 {1- β = 0,0730
Z2 = = 2,5
2 A2 = 0,9938

69
16 - 18 A1 = 0,1587
Z1 = = -1
2
µ0 = 18 { β = 0,8400 {1- β = 0,1600
24 - 18
Z2 = = 3 A2 = 0,9987
2

16 - 17
Z1 = = - 0,5 A1 = 0,3085
2
µ0 = 17 24 - 17 { β = 0,6915 {1- β = 0,3085
Z2 = = 3,5
2 A2 = 1

16 - 16 A1 = 0,5
Z1 = = -0
2
µ0 = 16 { β = 0,5000 {1- β = 0,5000
24 - 16
Z2 = = 4 A2 = 1
2

16 - 15
Z1 = = 0,5 A1 = 0,6915
2
µ0 = 15 24 - 15 { β = 0,3085 {1- β = 0,6915
Z2 = = 4,5
2 A2 = 1

16 - 14 A1 = 0,8413
Z1 = = 1
2
µ0 = 14 { β = 0,1587 {1- β = 0,8413
24 - 14
Z2 = = 5 A2 = 1
2

La representación gráfica de los diferentes valores conduce a la


Curva Característica Operante

70
De manera análoga se obtendrá la Hipótesis Nula frente a las
alternativas:
H0 : µ = µ0

H1 : µ > µ1

En este caso se deberán considerar los distintos valores de β. En


consecuencia se tiene:

16 - 20 A1 = 0,0228
Z1 = = -2
2
µ0 = 20 { β = 0,9544 {1- β = 0,0456
24 - 20
Z2 = = 2 A2 = 0,9772
2

71
16 - 21
Z1 = = - 2,5 A1 = 0,0062
2
µ0 = 21 24 - 21 { β = 0,9270 {1- β = 0,0730
Z2 = = 1,5
2 A2 = 0,9332

16 - 22 A1 = 0,0013
Z1 = = -3
2
µ0 = 22 { β = 0,8400 {1- β = 0,1600
24 - 22
Z2 = = 1 A2 = 0,8413
2

16 - 17
Z1 = = - 3,5 A1 = 0,0000
2
µ0 = 23 24 - 17 { β = 0,6915 {1- β = 0,3085
Z2 = = 0,5
2 A2 = 0,6915

16 - 24 A1 = 0,0000
Z1 = = -4
2
µ0 = 24 { β = 0,5000 {1- β = 0,5000
24 - 24
Z2 = = 0 A2 = 0,5000
2

16 - 25
Z1 = = - 4,5 A1 = 0,0000
2
µ0 = 25 24 - 25 { β = 0,3085 {1- β = 0,6915
Z2 = = - 0,5
2 A2 = 0,3085

16 - 26 A1 = 0,0000
Z1 = = -5
2
µ0 = 26 { β = 0,1587 {1- β = 0,8413
24 - 26
Z2 = = -1 A2 = 0,1587
2

72
Representando gráficamente se tiene la otra rama de la Curva
Característica Operante (C.O.).

Las dos curvas obtenidas representan la probabilidad de aceptar


la hipótesis nula para diferentes valores de µi. Representando
gráficamente los valores 1 – β se obtiene la Curva de Potencia.

73
Esta curva representa la probabilidad de rechazar la Hipótesis
nula para diferentes valores de µ.

4.5.2 Curva Característica Operante para atributos.

Si se considera un estimador de la proporción P̂ a partir de una


muestra para estimar la proporción poblacional P, se observa que el
estimador no es más que el cociente de la sumatoria de elementos
favorables o elementos que representan una cierta característica o
atributo ai sobre el tamaño de la muestra. La expresión
correspondiente es la siguiente:

ai
p= = P̂
n

Se puede afirmar que la proporción P verifica la hipótesis nula

H0 : P = P0

Frente a la alternativa

H1 : P ≠ P0

Generalizando, habrá un conjunto de valores alternativos Pi que


determinan diferentes valores de β(P) y consecuentemente 1 – β(P).
Estas funciones también determinan las curvas de operación y
potencia.

Una de las alternativas más importantes de la Curva


Característica Operante o Curva de Operación (C.O.) se refiere al
denominado muestreo de aceptación en los procesos de inspección.
Estos procesos se basan en el análisis de los elementos de una

74
muestra procedentes de un lote o población de ellos. A partir de
ese análisis se decide al respecto, si se acepta o rechaza el lote de
acuerdo a la comparación de un modelo preestablecido.

La naturaleza de la metodología empleada ha determinado su


aplicación generalizada en diferentes campos, así por ejemplo, se
podrá decidir si se acepta o rechaza un informe sobre la gestión
financiera de una empresa, tomando en cuenta el análisis de una
muestra de cuentas o partidas que integran la contabilidad.

Se podrá pensar en aceptar o rechazar un lote de artículos que


servirán de materia prima, de acuerdo a los resultados ofrecidos por
el análisis de algunos de los elementos que integran el lote, o se
puede decidir a poner o no en venta en los mercados un grupo de
productos terminados, cuya calidad ha sido debidamente
comprobada a través de los correspondientes procesos de
inspección.

Si N define una población o lote de elementos, a partir de una


muestra de ellos se tomará la decisión de aceptarlo o rechazarlo.
Esta decisión está condicionada por varios elementos, entre los
cuales están: el número (c) de elementos defectuosos que en un
determinado momento se desee aceptar; el tamaño de la muestra (n)
y las probabilidades α y β.

Por otra parte, la decisión de aceptar o rechazar un lote en base a


una muestra plantea varias alternativas, entre las cuales están la de
rechazar un lote de elementos no defectuosos con una probabilidad
α, o de aceptar un lote con elementos defectuosos y una
probabilidad β.

Si se tiene una muestra n y de ella se obtienen ai elementos


defectuosos, se tiene una proporción de defectuosos

ai
p= = P̂
n

75
A
que estima a la proporción total de defectuosos P = .
N

Si se cumple que la proporción P verifica exactamente la


Hipótesis nula H0 , se tiene una distribución teórica cuyas
características estarán definidas por la función de distribución
correspondiente F(x) y la probabilidad de aceptación de la hipótesis
se podrá conocer.

En la práctica se pueden conseguir varias alternativas, así, por


ejemplo, si se trata de muestras grandes y los valores son
proporciones, se utilizará la distribución normal como una
aproximación de la distribución binomial. Por lo general, en el
muestreo de aceptación se obtendrá una proporción de defectuosos
bastante pequeña calculada sobre muestras grandes; en
consecuencia, como una buena aproximación, se usa la distribución
de Poisson la cual tiene por función la siguiente expresión:

c λx

F( x ) = ∑ e x!

x =0

siendo sus parámetros los valores de λ, donde:

λ = n P̂

Bajo el supuesto anterior, se procederá a fijar el valor de α el


cual representa el riesgo del productor. Fijado α para un tamaño de
muestra dado y un número de aceptación c, se obtiene el valor de l
y como resultante, el valor de β, conocido bajo el nombre de
“riesgo del consumidor”. Para valores alternativos de Pi se
obtienen las funciones β(P) y 1 – β(P).

76
Para desarrollar el esquema planteado anteriormente, los
elementos seleccionados a base de una muestra se clasifican en
defectuosos o no defectuosos. De acuerdo a que la proporción de
defectuosos exceda o no a un cierto número dado de defectos, se
aceptará o no el lote objeto de estudio. Es obvio que si este último
se rechaza, habrá necesidad de examinar todos los elementos del
lote.

El planteamiento hecho se conoce bajo el nombre de planes de


muestreo simple. Existen otras modalidades del problema, tales
como los planes de muestreo doble que se utilizan en los modelos
de control de calidad (véase Grant E.L., Statistical Quality Control,
Mc Graw Hill, 1952).

Se cita a continuación un ejemplo para la obtención de las


curvas C.O. y C.P. para una muestra de cien elementos (n = 100)
fijando α = 0,05 y un número de aceptación c = 4. Para que se
verifique exactamente la Hipótesis nula H0 , la probabilidad de
aceptación P0 es β 0 = 0,95 considerando una cola de la distribución.
Si se busca en la tabla de la distribución de Poisson (tabla No. 5) un
área de 0,95 para un valor de c = 4, se obtiene un valor de λ = 2
que sería el valor medio o número de defectos para la probabilidad
considerada, verificándose que:

λ = n . p = n P̂ , luego 2 = 100 . P̂

por lo tanto, despejando P̂ :

P̂ = 0,02

que sería la proporción de defectuosos.

77
Si se calculan los valores alternativos de β(P) y 1-β(P) se tiene:

P 0 = 0,02 λ = 2 β0 = 0,95 1 – β0 = 0,05

P 0 = 0,03 λ = 3 β0 = 0,82 1 – β0 = 0,18


P 0 = 0,04 λ = 4 β0 = 0,63 1 – β0 = 0,37
P 0 = 0,05 λ = 5 β0 = 0,44 1 – β0 = 0,565
P 0 = 0,06 λ = 6 β0 = 0,29 1 – β0 = 0,71

P 0 = 0,07 λ = 7 β0 = 0,17 1 – β0 = 0,83


P 0 = 0,08 λ = 8 β0 = 0,10 1 – β0 = 0,90
P 0 = 0,09 λ = 9 β0 = 0,05 1 – β0 = 0,95
P 0 = 0,10 λ = 10 β0 = 0,03 1 – β0 = 0,97

P 0 = 0,11 λ = 11 β0 = 0,02 1 – β0 = 0,98


P 0 = 0,12 λ = 12 β0 = 0,01 1 – β0 = 0,99

Representando gráficamente estos valores se obtiene la Curva


Característica de Operación (C.O.) y la curva de Potencia (C.P.)

78
CURVA CARACTERÍSTICA OPERANTE PARA UN
PLAN DE MUESTREO SIMPLE

CURVA DE POTENCIA PARA UN PLAN DE


MUESTREO SIMPLE

79
Al analizar el gráfico C.O. se observa que para un número de
aceptación c = 4, se tiene que para diferentes valores de la
proporción se obtiene una probabilidad de aceptación.

Si por ejemplo, se selecciona una muestra de 100 elementos y se


consiguen 8 defectos, significa que hay una proporción de
defectuosos P = 0,08, luego hay una probabilidad de aceptar la
hipótesis nula β = 0,10.

Una interpretación más sencilla es que existe una probabilidad


α = 0,05 de rechazar el lote teniendo piezas malas y una
probabilidad β = 0,10 de aceptarlo cuando en realidad tiene un 8%
de piezas defectuosas.

Es importante poner de manifiesto que para cada tamaño de


muestra, para cada número de aceptación y un cierto nivel α, se
obtendrá una curca C.O. y otra C. P.

80
4.6 Factores a considerar en la aplicación de Pruebas o Tests.

Al enunciar una Hipótesis y se desea su comprobación


estadística, hay que tener en cuenta un conjunto de factores, entre
los cuales se mencionan los siguientes:

a) Fijar claramente las hipótesis y los objetivos.


b) Fijar el nivel de significación.
c) Seleccionar la distribución más apropiada y
consecuencialmente la prueba más conveniente.
d) Fijar el tamaño de la muestra.
e) Calcular el valor del estadístico correspondiente.
f) Tomar la decisión.

81
CAPÍTULO V

TEST DE HIPÓTESIS PARA LA MEDIA

Muestras grandes, la significación de una media.


Muestras pequeñas, la distribución t de Student,
Usos de la tabla, significación de una media.
Pares de observaciones, significación de la diferencia de dos medias.

5.1 Muestras grandes, significación de una media.

Seleccionada una muestra de una población y su tamaño sea


superior a treinta observaciones (muestras grandes) la distribución
muestral será normal o aproximadamente normal. Esta
consideración será más exacta en la medida que el número de
observaciones de la muestra vaya creciendo y aproximándose al
tamaño de la población.

Considérese un universo de tamaño N que tiene por media a µ la


cual toma un cierto valor µ0 y la varianza σ2 de la población es
conocida; en este caso la distribución muestral

x − µ0
Z=
σ
n

es una distribución normal con media cero y desviación standard 1,


es decir N(0,1). Esta expresión se verifica si la hipótesis nula H0 es
verdadera H0 : µ = µ0 y la población es normal; también se
verifica para muestras grandes, aunque no provenga de poblaciones
normales.

Es de esperar que mientras la hipótesis sea nula, los valores de


Z estarán próximos a cero dentro de un intervalo definido por un

82
nivel de significación α previamente fijado, esto es, se aceptará la
hipótesis nula cuando el valor de Z caiga en dicho intervalo.

Para aclarar ideas, se analizará el ejemplo siguiente: un


investigador de mercados conoce que el precio medio de
exportación de un producto se ha mantenido por muchos años en
Bs. 260,00 (µ0 ) con una varianza de 100 (σ0 2 = 100). Con el fin de
comprobar esta hipótesis, se tomó una muestra al azar de 36
observaciones y se obtuvo un precio medio de Bs. 267,00 ( x ). Los
valores estimados a partir de la muestra ¿estarán de acuerdo con el
valor supuesto de Bs. 260,00 con un nivel de significación del 5%?.

1. Como primer paso, se establece la hipótesis nula

H0 : µ = µ0

frente a la alternativa

H0 : µ ≠ µ0

2. Se establece el nivel de significación

α = 0,05

3. Se utiliza el estadístico

x − µ0
Z=
σ
n

Luego:
267 − 260
Z=
10
36

83
7
Z= = 4,19
1,67

Se establece a continuación la región de aceptación y la región


crítica.

α
Z ≥ Z1 −
2

Z ≤ Zα Se rechazará la Hipótesis Nula.


2

Como esta distribución es


N(0,1) buscando en la tabla
de áreas de la distribución
normal acumulativa (tab. No.
8) el valor a la cual
corresponde el área 0,025 se
obtiene
Z = 1,96; para el valor de la
derecha se tiene
0,025 + 0,95 = 0,975 cuyo
valor de Z2 = 1,96.

Luego, la región crítica será para α = 0,05

Z1 ≤ -1,96, Z2 ≥ 1,96

como Z = 4,19 > 1,96 se rechazará la hipótesis de que no existen


diferencias significativas entre la media muestral y la poblacional.

84
5.2 Muestras pequeñas

5.2.1 La distribución t de Student.

Cuando el número de observaciones extraídas de una población


es menor que o igual a 30 observaciones, se tendrá por definición
una muestra pequeña y no se podrá afirmar que la distribución es
normal o aproximadamente normal.

El análisis de este tipo de muestreo conduce al planteamiento de


lo que en estadística se conoce como la “Teoría Muestral Exacta”
que permite contrastar hipótesis que tienden a la generalización,
pues sus resultados conducen a obtener soluciones eficientes no
sólo para las muestras pequeñas sino también para muestras
grandes.

En términos generales, se presenta con mucha frecuencia la


utilización de muestras pequeñas en el análisis de una o un
conjunto de variables de un fenómeno. Dado que en muchas
ocasiones es imposible analizar todas las variables debido al costo
que el mismo involucra, se utilizan pequeñas muestras y
consecuencialmente los tests de hipótesis con el fin de controlar y
contrastar los resultados.

En el punto 5.1 se dijo que la distribución muestral del


x − µ0
estadístico Z= es normal N(0,1). Por lo general, al
σ
n
seleccionar una muestra para conocer o estimar los parámetros
poblacionales, se desconocerá el valor de la varianza poblacional
σ2 , sin embargo, en la práctica, esta varianza se estima mediante la
cuasi-varianza ŝ 2 . Este valor sustituye la σ2 , aunque por término
medio tiene un valor menor que el verdadero; si se sustituye
entonces dicho valor en Z, se obtendrá un nuevo estadístico

85
x − µ0
Z=

n

cuya distribución muestral estará ligeramente más extendida que la


distribución normal; si n tiende a crecer, la distribución muestral de
t tenderá a confundirse con Z.

Experimentalmente se podría construir la distribución


correspondiente. En efecto, al tomar muchas muestras de una
población y se observan sus frecuencias, se construirán los
histogramas correspondientes y se observará que en la medida que
se aumente el tamaño de la muestra se aproximará la curva a la
normal.
El estadístico inglés Gosset, conocido como Student, realizó el
estudio de esta distribución la cual se definió por la expresión:

yo
y= υ +1
t2 2
(1 + )
υ

Elegida y0 , de manera que el área de la curva sea igual a la


unidad, se obtiene:

t0 y0
Pb = ∫−∞ 2 υ+1
dt
(1 + t ) 2
υ

que es la probabilidad que tomando muestras al azar se obtenga un


valor t no mayor que un valor dado ti. Esta expresión ha sido
tabulada convenientemente en función de ν que son los grados de
libertad. Esta noción (grados de libertad) reviste gran importancia
y viene a ser el número efectivo de observaciones sobre la cual se
basa una estimación. Representando por k el número de vínculos

86
independientes en una serie de datos, o sea los grados de libertad,
serán:

ν = n–k

En la práctica, esta expresión estará determinada por el número


de datos n-1, y en otros usos por k-1 menos una unidad por cada
parámetro estimado.

Los límites confidenciales vendrán expresados mediante:

ˆ ± t ŝ
X
n

Es conveniente destacar que s2 es una medida estimada de la


dispersión poblacional. En general, la varianza se estimará
mediante la cuasi-varianza ŝ 2 calculada a partir de la muestra.

La varianza vendrá expresada mediante la relación:

s 2
=
∑ (x i
− x )2
n

y la cuasi-varianza por:

ŝ 2 =
∑ (x i
− x )2
n −1

evidentemente se verifica

(x i − x )2
s =
2
s 2 en efecto al sustituir s2 se tiene
n −1

87
n ∑ (x i − x )
2

ŝ =
2

n −1 n

En consecuencia, el estadístico t se define indistintamente como:

x − µ 0 x − µ0
t= =
ŝ s
n n −1

x − µ0
En efecto, t=
s
n −1
n 2 n −1 2
Como ŝ 2 = s s2 = ŝ
n −1 n

n −1
Luego s= ŝ
n

Sustituyendo en t se tiene:

x − µ0 x − µ0
t= =
s n −1
n −1 n

n −1

x − µ0 x −µ0
t= =
ŝ n − 1 ŝ
n −1 n n

88
x − µ 0 x − µ0
luego t= =
ŝ s
n n −1

Cuando se utiliza el primer término, se calcula:

ŝ =
∑ (x i
− x )2
n −1

5.2.2 Usos de las tablas de la distribución t.

Existen dos tipos de tablas que se pueden utilizar para conseguir


las áreas de la distribución t de Student. Al efecto, la primera viene
expresada en función de los niveles de significación directamente y
de los grados de libertad (tabla 9). Con el fin de conocer su
aplicación, se consideran los siguientes ejemplos:

1. El gráfico de la distribución t de Student con 5 grados de


libertad es:

89
Se requieren los valores de t para los casos siguientes:

a) La parte sombreada a la
derecha es igual a =,05.
Utilizando la tabla No. 9 el
nivel de significación será 0,05,
luego se tendrá t 0,10:5 = 2,015.

El percentil correspondiente será 1 – 0,05 = 0,95 luego el percentil


buscado en la tabla No. 10 con 5 grados de libertad será t 0,95:5 = 2,02

b) El área total sombreada es


0,05.
1. Tabla 9 : t 0,05:5 = 2,571
2. Tabla 10: 1-0,025 = 0,975
t 0,975:5 = 2,571

c) El área total sombreada es


0,10.
1. Tabla 9 : t 0,10:5 = 2,015
2. Tabla 10 : 1-0,05 = 0,95
t 0,95:5 = 2,02

d) El área sin sombrear es 0,99.


1. Tabla 9 : t 0,01:5 = 4,032
2. Tabla 10: 1-0,005=0,995
t 0,995:5 = 4,032

90
e) El área de la izquierda es
0,20.
1. Tabla 9 : t 0,01:5 = 0,92
2. Tabla 10 : 1-0,20 = 0,80
t 0,80:5 = 0,92

2. Determinar el intervalo de confianza para un nivel de


significación del 0,10 con un grado de libertad ν = 3

El nivel de significación es del 10%. La región de confianza es


del 90% y los grados de libertad

ν =n –1=4–1=3
de donde t 0,10:3 = 2,353

El intervalo de confianza será:

ˆ ± 2,353 s
X
n −1

91
3. Encontrar los valores críticos de t para los cuales el área de la
rama derecha de la distribución es 15 si los grados de libertad
son 28, 16, 8, 4, calcular el intervalo confidencial cuando el
error Tipo I es del 1% para ν = 8.

a) ν= 28 t 0,99:28 = 2,47
ν= 16 t 0,99:16 = 2,58
ν= 8 t 0,99: 8 = 2,90
ν= 4 t 0,99: 4 = 3,75

b) ν= 9

s s
x−t ≤ X ≤ x+t
n −1 n −1

s s
luego x − 2,90 ≤ X ≤ x + 2,90
9 9

5.2.3 Significación de una media.

5.2.3.1 Se conoce la media de la población y de la muestra y se


desconoce la varianza.

Se desea conocer en muchos casos si una muestra al azar


proviene de una población normal con media µ0 y se desea

92
contrastar la hipótesis nula frente a la alternativa, con un nivel de
significación a, es decir:

H0 : µ = µ0

H1 : µ ≠ µ0

en tal caso se calcula t mediante:

x − µ0 x − µ0
t= ⋅ n −1 =
s ŝ
n

y se rechaza H0 si :

t ≤ tα
; n -1
2
o si:
t≥t α
1− ; n -1
2

Ejemplos:

1. Un fabricante espera que su producto tenga un contenido


medio de 120 grs. Con el fin de verificar esta norma, se seleccionó
una muestra de 25 Artículos para los cuales se obtuvo una
desviación típica de 15 gramos. Se verifica en este caso que el
producto cumple con las especificaciones esperadas, utilizando un
nivel de significación del 5% y 1% respectivamente. ¿Cuál es el
intervalo de confianza para el valor medio estimado a partir de la
muestra, utilizando un nivel de confianza del 95%?.

93
a) Se establecen las hipótesis

H0 : µ = µ0 = 120

H1 : µ ≠ µ0 ≠ 120

x − µ0 135 − 120 15
b) t= t= = =5
ŝ 15 3
n 25

c) al considerar la distribución t se tiene:

Para α = 0,05

como se verifica que t ≥ t α


ya que 5 > 2,06
1− ; υ
2

se rechaza la hipótesis nula, esto es, que existen diferencias


significativas entre las especificaciones y el contenido real del
producto a un nivel de significación del 5%.

94
Para α = 0,01

Como 5 > 2,80 también se rechaza la hipótesis nula al nivel del 1%.

d) Al calcular el intervalo de confianza para el valor medio


estimado se tiene x = 135 que es un estimador de la media
poblacional, o sea X = x = 135 grs. y el intervalo es:

ŝ ŝ
X̂ - t α ≤ X ≤ X̂ + t α
2
n 1-
2
n

sustituyendo:

135 –2,06 . 3 ≤ X ≤ 135 + 2,06 . 3

128,8 ≤ X ≤ 141,3: límites dentro de los cuales estará la media


poblacional con una confiabilidad del 95%.

2. Una empresa espera que por término medio un caucho dure


6.000 horas en condiciones normales. Una prueba realizada sobre
17 de ellos proporcionó una media de 5.900 horas con una
desviación típica s = 145 horas. Comprobar sobre esta base si

95
efectivamente el fabricante puede garantizar que el neumático dura
6.000 horas promedio. Se desea una alta confiabilidad.

2) H0 : µ = µ0 = 6.000

H1 : µ ≠ µ0 ≠ 6.000

x − µ0 5.900 − 6.000 100


3) t= t= = = - 2,758
ŝ 145 36,25
n 16

4) Como –2,758 > -2,92 se acepta la hipótesis nula, o sea, que el


fabricante puede garantizar con bajo riesgo la duración media de
6.000 horas.

5.2.3.2 Se conoce la media poblacional, se desconoce la


varianza y se desea contrastar la hipótesis que la media
poblacional µ es menor o igual que un cierto valor, con
un nivel de significación α .

Para realizar este contraste se consideran las hipótesis

96
H0 : µ ≤ µ0

H1 : µ > µ0

Se calcula:

x − µ0 x − µ0
t= ⋅ =
s ŝ
n −1 n

y se rechaza la hipótesis nula si t ≥ t1-α , siendo ν = n-1 y


utilizando sólo una rama de la distribución, o sea realizando un
contraste unilateral

Ejemplo:

Una fábrica produce baterías cuya duración no debe ser menor


de 12 meses. En una muestra obtenida de 10 baterías en un nuevo
proceso de fabricación, se calculó que con el nuevo procedimiento
se obtendría una duración promedio de 14 meses con una
desviación de 4. Con base en estos resultados, se aceptará la
hipótesis que la duración de las baterías no será menor de 12 meses
con un nivel de significación del 5%.

97
H0 : µ ≤ µ0

H1 : µ > µ0

x − µ0 14 − 12
t= ⋅ = ⋅ 3 = 1,5
s 4
n −1

t1-α; n−1 = t 0,05; 9

t 0,95; 9 = 1,83 (tabla 10)

como t < t1-α; n−1 ó sea 1,5 < 1,83

se aceptará la hipótesis nula que la duración de las baterías será


menor o igual a 12 meses.

5.2.3.4 Se conoce la media poblacional, se desconoce la


varianza y se desea contrastar la hipótesis que la media
poblacional µ es mayor que un cierto valor µ 0 , con un
nivel de significación α .

Para realizar este contraste se considera la relación

H0 : µ ≥ µ0

H1 : µ < µ0

Se calcula:

x − µ0 x − µ0
t= ⋅ =
s ŝ
n −1 n

98
y se rechaza la hipótesis nula si: t ≤ t α,ν, siendo ν = n-1 utilizando
una rama de la distribución, o sea:

Ejemplo:

Un equipo produce enlatados a un costo medio unitario de Bs.


20,00. Un nuevo equipo produce los mismos enlatados a un costo
medio de B. 18 con una desviación de Bs. 2,00. Estos resultados se
extrajeron sobre una muestra de 16 días. ¿El nuevo equipo
garantiza una reducción significativa de los costos unitarios?

H0 : µ ≥ µ0

H1 : µ < µ0

x − µ0 18 − 20 −2
t= = = = -4
ŝ 2 0,5
n 16

t 0,95; 15 = 1,75

t 0,05; 15 = 1,75

99
como - 4 < - 1,75 se rechaza la hipótesis nula; por lo tanto, el
nuevo equipo garantiza una reducción significativa de los costos
medios.

5.2.4 Pares de observaciones.

En algunas ocasiones conviene tomar las observaciones por


pares xi1 , xi2 , de tal forma que los dos miembros de cada par sea
parecidos en todos los aspectos, excepto en el que tratamos de
medir. Así por ejemplo, si se considera la elección de dos personas
para un puesto y son sometidas a nueve pruebas de selección, se
plantea la hipótesis que no hay diferencias en los tratamientos, o
sea, en los pares de valores para cada prueba. Para contrastar esta
hipótesis o sea µ1 = µ2 , las diferencias de los pares xi1 , xi2 proceden
de un conjunto con media cero, o sea µ0 = 0. Luego, se utilizará la
operación:

x − µ0 x − µ0
t= ⋅ =
s ŝ
n −1 n

como µ0 = 0 se tendrá

x x
t= ⋅ n −1 = ⋅ n
s ŝ

En este método no es necesario suponer la igualdad de las


varianzas o que xi1 , xi2 sean independientes.

100
La hipótesis H0 : µ1 = µ2 se rechazará si

t ≤ tα ó t≥t α
; n -1 1− ; n -1
2 2

Ejemplos:

1. Una empresa necesita de un administrador comercial con


ciertas características. De un grupo de candidatos se seleccionan
dos atendiendo a una prueba de credenciales y para tomar a uno de
los dos se someten a nueve pruebas diferentes; del resultado se
escogerá al que se quedará en la empresa.

NOTAS DE CANDIDATOS
Pruebas
A B
1 20 19
2 18 17
3 20 17
4 19 16
5 18 16
6 16 16
7 19 16
8 20 18
9 20 20
TOTAL 170 155
MEDIA 18,88 17,22

Dado que la nota promedio de A y B difiere tan poco, se pregunta


si existirá diferencias significativas a un nivel del 10%. Se procede
en consecuencia a aplicar el test de los pares:

t = X a−b ⋅ n − 1 ó t = X a −b ⋅ n
s ŝ

101
A B X1 = A-B X1 2
20 19 1
18 17 1 1
20 17 3 19
19 16 3 9
18 16 2 4
16 16 0 0
19 16 3 9
20 18 2 4
20 20 0 0
TOTAL 15 37

x a = 18,88
15
x a −b =
9
x b = 17,22

∑x 225
∑x 2
1

n
1
37 -
9 = 1,5 = 2
ŝ = =
n −1 8

ŝ = 1,5 = 1,2

1,67
t= 9 = 4,18
1,2

102
t 0,10; 8 = 1,860

Como 4,18 > 1,860 habrá diferencias significativas al 0,10, luego


se elegirá el candidato A.

2. En un estudio de mercado realizado en un sector de la ciudad,


se hizo una selección al azar de 4 manzanas. En cada una se ordenó
el conteo de viviendas ocupadas y posteriormente se visitaron las
manzanas elegidas para pasar un cuestionario. Al hacerse el
trabajo, se encontraron ciertas divergencias entre el listado o marco
y el levantamiento de acuerdo al cuadro siguiente:

Manzanas: 1 2 3 4
Lista: 5 8 6 9
Levantamiento: 6 9 4 7

¿Habrá diferencias significativas entre el listado y el levantamiento


a un nivel del 5% que amerite repetir el trabajo?

103
A B A-B =x 1 x12
5 6 -1 1
6 9 -1 1
8 4 2 4
9 7 2 4
TOTALES 28 26 2 10
MEDIAS 7 6,5 0,5

∑ x12 − ∑n 1
x 4
10 -
ŝ = = 4 = 3 = 1,73
n −1 3

0,5 0,5 ⋅ 2
t= 4= = 0,58
1,73 1,73

t α; n-1 = t 0,05; 3 = 3,182

como t < t α; n-1 0,58 < 3,182

se acepta la hipótesis H0 : µ1 = µ2 es decir, que no hay diferencias


significativas entre el listado y el levantamiento al nivel del 0,05.

5.2.5 Significación de la diferencia de dos medias

Es posible comparar dos medias que se refieren a dos


fenómenos y probar si son significativamente diferentes o no; en
otras palabras, si provienen de dos poblaciones diferentes. En
efecto, se tienen dos muestras provenientes de dos poblaciones, las
medias respectivas µ1 y µ2 con varianzas σ1 2 = σ2 2 . Con el fin de
comparar µ1 y µ2 , se toman dos muestras y se calculan sus medias
respectivas x12 y x 22 . Para contrastar µ1 – µ2 = 0, se usará el
estadístico

104
x1 − x 2
1 1
ŝ +
n1 n 2

cuya distribución muestral es aproximadamente normal, con


media m1 – m2 y varianza

σ12 σ 22
+
n1 n2

Por lo general, no se conocerán las varianzas poblacionales las


cuales deberán ser estimadas a partir de la cuasi-varianza ŝ12 y ŝ 22
con el fin de contrastar la hipótesis nula.

H0 : µ = µ0 frente a la alternativa H1 : µ ≠ µ0 la cual se


probará mediante el estadístico

x1 − x 2 x1 − x 2 n1 ⋅ n 2
t= = ⋅
1 1 ŝ p n1 + n 2
ŝ +
n1 n 2

donde para muestras de igual tamaño

ŝ p =
∑ ( x 1 − x 1 ) 2 + ∑ (x 1 − x 2 ) 2
n1 + n 2 − 2

o bien para el caso de muestras grandes de tamaño diferente

n1 ŝ12 + n 2 ŝ 22
ŝ p =
n1 + n 2 − 2

105
y para muestras pequeñas

( n 1 − 1) ŝ12 + (n 2 − 1) ŝ 22
ŝ p =
n1 + n 2 − 2

5.2.5.1 Dos poblaciones tienen la misma media y se desconoce la


varianza

Se desea contrastar

H0 : µ = µ0

H1 : µ ≠ µ0

Se usa
x1 − x 2
t=
1 1
ŝp +
n1 n 2

y al región crítica será:

t ≤ tα
; n +n -2
2 1 2

t≤t α
1− ; n + n - 2
2 1 2

Ejemplos:

1. Hay dos cursos: Administración, Sección A y Contaduría,


Sección B. Se tomó una muestra del primer curso de tamaño n1 = 8
personas y se le hizo un examen de Estadística, resultando una nota

106
promedio x1 = 10 con desviación ŝ1 = 2. Del segundo se tomó una
muestra de n2 = 5 alumnos cuya nota fue de x 2 = 12 con
desviación ŝ2 = 4. Se desea conocer si existen diferencias
significativas entre los cursos con un nivel de confianza del 99%.

x1 − x 2
t=
1 1
ŝp +
n1 n 2

(n 1 − 1) ŝ12 + ( n 2 − 1) ŝ22 7 ⋅ 4 + 14 ⋅16


ŝ p = = = 2,41
n1 + n 2 − 2 8+5−2

10 − 12 −2
t= t= = - 1,48
1 1 2 ,41 ⋅ 0,56
2,41 +
8 5

t 0,01; 8+5 -2 = - 3,106

Como -1,48 > - 3,106

Se acepta la hipótesis, no hay diferencias significativas entre


cursos, luego se verifica la hipótesis H0 : µ1 = µ2 .

El intervalo de confianza viene dado por:

ˆ −X
ˆ − t ⋅ ŝ 1 1 ˆ −Xˆ +t 1 1
X1 2 α p
+ ≤ X1 − X 2 ≤ X 1 2 α
⋅ ŝ p +
n1 n 2 1− n1 n 2
2 2

107
o sea:

1 1 1 1
10 − 12 − 3,106 ⋅ 2 ,41 + ≤ X1 − X 2 ≤ (10 − 12 ) + 3,106 ⋅ 2,41 +
8 5 8 5

(−2 ) − 3,106 ⋅ 1, 374 ≤ X 1 − X 2 ≤ (−2) + 3,106 ⋅ 1,374

( −2) − 4, 26 ≤ X1 − X 2 ≤ (−2 ) + 4, 26

− 6, 26 ≤ X 1 − X 2 ≤ 2, 26

2. El Departamento de Ventas quiere comparar los resultados


obtenidos por dos de sus vendedores. Cada uno de ellos tiene una
zona de ventas; de cada zona se toma una muestra al azar de 4 y 6
sub-zonas respectivamente. Se hace un análisis y se compara el
resultado con las cuotas de ventas y la diferencia se escribe en el
cuadro siguiente:

SUB-ZONA VENDEDOR A VENDEDOR B


1 2 4
2 4 1
3 8 0
4 2 3
5 - 4
6 - 4

Se desea conocer si existen diferencias significativas al nivel


α = 0,10 entre la gestión de los dos vendedores.

x1 x2 x1 2 x2 2
2 4 4 16
4 1 46 1
8 0 64 0
- 3 4 9
- 4 - 16
4 - 16
TOTALES 16 16 88 58

108
x1 =
∑ x1i =
16
= 4 x2 =
∑ x 2i =
16
= 2,66
n1 4 n2 6

( ∑ ( x1i ) 2
∑ x2 −
1i n1 88 −
16 2
ŝ1 = = 4 = 8
n1 − 1 3

( ∑ (x 2 i ) 2
∑ x2
2i

n2 58 −
16 2
ŝ 2 = = 6 = 3,06
n 2 −1 5

( n 1 − 1) ŝ12 + (n 2 − 1) ŝ 22 3 ⋅ 8 + 5 ⋅ 3,06
ŝ p = = = 2,2
n1 + n 2 − 2 8

x1 − x 2 4 − 2,66
t= =
1 1 1 1
ŝ p + 2,2 ⋅ +
n1 n 2 4 6

t = 0,94

t 0,10; 8 = 1,860

Como 0,94 < 1,860, se admite que no hay diferencias significativas


al nivel de confianza del 90%.

3. Mediante dos procesos se manufactura cable de alambre. Se


desea determinar si los procesos tienen diferentes efectos en la
resistencia media de ruptura del cable. Se efectuaron pruebas de
laboratorio sometiendo muestras de cable a tensión y registrando la
carga requerida para romperlo. Del experimento realizado en el

109
x1 ŝ1
proceso uno, resultó una media = 8,17 y = 5 y en el proceso
x2
dos, resultó una media = 11,29 y ŝ2 = 4. Al nivel del 1%,
probar la hipótesis nula de H0 : µ1 = µ2 , considerando que en ambos
casos se tomo n1 = n2 = 6.

( n 1 − 1) ŝ12 + (n 2 − 1) ŝ 22
ŝ p = = 10 = 2,12
n1 + n 2 − 2

x1 − x 2 8,17 − 11,29
t= =
1 1 1 1
ŝ p + 2,12 ⋅ +
n1 n 2 6 6

t = - 2,54

t 0,01; 10 = - 3,169

Como – 2,54 > - 3,169 se aceptará la hipótesis que los procesos no


tienen diferentes efectos en la resistencia media de ruptura.

5.2.5.2 La media procedente de una muestra es menor o igual a


la media de otra, desconociéndose σ 2 .

Se desea probar la hipótesis:

H0 : µ1 ≤ µ2

H1 : µ1 > µ2

110
Se calcula el estadístico:

x1 − x 2
t=
1 1
ŝp +
n1 n 2

y utilizando una sola rama de la distribución se obtiene la región


crítica en la cual se rechaza la hipótesis, cuando:

t ≥ t 1- α; n1 + n2 – 2

Ejemplo:

Sobre una muestra de 10 consumidores entre hombres y mujeres


se calculó el consumo medio por semana de cerveza, resultando de
3 litros con una desviación típica de 3 litros.

En la presunción de que el consumo considerando hombres


solamente sea más alto, se tomó una muestra de 16, resultando una
media de 3,5 litros con una desviación típica de 2 litros.

¿Se podrá concluir que el consumo medio es más alto en los


hombres que en grupos mixtos?

H0 : µ1 ≤ µ2

H1 : µ1 > µ2

α = 0,05

x1 − x 2
t=
1 1
ŝp +
n1 n 2

111
( n 1 − 1) ŝ12 + ( n 2 − 1) ŝ 22 15 ⋅ 4 + 9 ⋅ 9
ŝ p = = = 2,5
n1 + n 2 − 2 16 + 10 − 2

3,5 − 3,0 0,5 0,5


t= = = = 0,5
1 1 2,5 0 ,163 2,5 ⋅ 0,4
2,5 ⋅ +
16 10

t ≥ t 1- α; n1 + n2 – 2 = t 0,95; 24 = 1,71

Como =,5 < 1,71 se rechaza la hipótesis que el consumo de


cerveza en los hombres es más alto que en grupos mixtos, a un
nivel de confianza del 95%.

5.2.5.3 La media procedente de una población es mayor o


igual a la media de otra, desconociéndose σ 2 .

Se desea probar:
H0 : µ1 ≥ µ2

H1 : µ1 < µ2

Se calcula el estadístico:

x1 − x 2
t=
1 1
ŝp +
n1 n 2

y utilizando una sola rama de la distribución se obtiene la región


crítica, caso en el cual se rechaza la hipótesis cuando:

t ≤ t 1- α; n1 + n2 – 2

112
Ejemplo:

Un procedimiento de fabricación determina que los costos


medios directos sean de Bs. 140 estimado sobre una muestra de 100
artículos fabricados. Este costo tiene una desviación típica de Bs.
20,00.

Un procedimiento ideado por el Departamento de Ingeniería


reduce aparentemente el costo. A tal fin, se toma una muestra de 25
artículos resultando un costo medio de Bs. 130 con una desviación
típica de Bs. 30,00. ¿Proporciona este procedimiento alternativo
una reducción significativa de los costos?

H0 : µ1 ≥ µ2

H1 : µ1 < µ2

α = 0,01

x1 − x 2
t=
1 1
ŝp +
n1 n 2

n 1s12 + n 2 s 22 25 ⋅ 900 + 100 ⋅ 400 62.500


ŝ p = = = = 508,13 = 22,54
n1 + n 2 − 2 25 + 100 − 2 123

1 30 − 140 − 10 0,5
t= = = = 1,981
1 1 22 ,54 0,5 22 ,54 ⋅ 0,224
22,54 ⋅ +
25 100

t α; n1 + n2 – 2 = t 0,01; 123 = -2,36

113
Como -1,98 > -2,36 se verifica la hipótesis nula, esto es, que los
costos no son significativamente menores al procedimiento original
con un nivel de confianza del 99%.

114
CAPÍTULO VI

TEST PARA LA PROPORCIÓN

Significación de una proporción. Diferencia de dos proporciones.


Diferencia entre varias proporciones:
Distribución χ2 . Tablas de contingencia.
Test para la bondad de un ajuste.

6.1 Significación de una proporción.

Una aplicación importante de los tests estadísticos se refiere a la


ai
proporción p que se define por la relación p = la cual es un
n
estimador insesgado P̂ de la proporción poblacional P, siendo ai la
suma de los valores afirmativos correspondientes a un determinado
atributo.

En el caso de una proporción, se podrá establecer una


comparación entre los dos valores de una muestra (p) y el valor
poblacional dado P0 para un cierto nivel de significación α.
También se podrán comparar las proporciones P1 y P2 calculadas
sobre dos muestras, bien sea para dos colas o una cola, cuando se
consideren las modalidades del caso.

6.1.1 Se conoce la proporción de la población y de la muestra


y se desconoce la varianza.

Se desea en este caso conocer si una muestra con


reemplazamiento para valores de N proviene de una población P0
y se desea contrastar la Hipótesis nula H0 : P = P0 frente a la
alternativa H1 : P ≠ P0 con un cierto nivel de significación α.

115
Si P se considera como un parámetro y p como el estadístico
correspondiente, la distribución en el muestreo de p es una
distribución binomial cuya función de distribución es:

c
∑ ( x )p x q n − x
n
F (x ) =
x =0

Para valores grandes del tamaño de la muestra, donde se


verifique que np > 5, se podrá realizar una aproximación utilizando
la distribución normal. En este caso, la distribución en el muestreo
del estadístico

p −P0
Z=
P0 ⋅ Q 0
n

es aproximadamente normal, con media 0 y varianza 1.

Bajo el supuesto anterior, se contrasta la hipótesis nula, o sea

H0 : P = P0

H1 : P ≠ P0

Donde, dado α se calcula:

p −P0
Z= si np > 5 y nq > 5
P0 ⋅ Q 0
n

116
luego si:
Z ≤ Zα
2

Z≥ Z α
1−
2

se rechaza la hipótesis nula.


El intervalo de confianza respectivo viene dado por la expresión
siguiente:
p - Zσp ≤ P ≤ p + Zσp

P0 ⋅ Q 0
donde σp =
n

Ejemplo:
Sobre una muestra de 120 artículos seleccionados al azar se
encuentra que 30 de ellos están defectuosos. El fabricante espera
que la proporción de defectuosos sea un 20%. ¿Se estarán
cumpliendo las especificaciones con un nivel de confianza del
95%? Determine el intervalo de confianza.
H0 : P = P0 = 0,20

H1 : P ≠ P0

α = 0,05

30
para n = 120, p = =0,25 como:
120

np = 120 . 0,25 > 5 y nq = 120 . 0,75 > 5

117
p − P0 0,25 − 0,20 0,05
Z= = = = 1,39
P0 ⋅ Q 0 0,20 .0,80 0 ,036
n 120

Como Z0,975 = 1,96

y 1,39 < 1,96 se acepta la hipótesis nula, es decir, que no existen


diferencias significativas entre los valores de la muestra y las
especificaciones al nivel de confianza del 95%.

p - Zσp ≤ P ≤ p + Zσp

P0 ⋅ Q 0
donde σp =
n

0,25 – 1,96 . 0,036 ≤ P ≤ 0,25 + 1,96 . 0,036

0,18 ≤ P ≤ 0,32

Si en este mismo caso se desea conocer si una muestra aleatoria


sin reemplazamiento, conocido el tamaño de la población N, se
desea contrastar la hipótesis nula, se tiene:

H0 : P = P0 frente a la alternativa
H1 : P ≠ P0 para un nivel de significación α

La distribución en el muestreo de p es una distribución


hipergeométrica cuya función de distribución es:

118
c
N−A
∑  x   n − x 
A
x =0
F (x ) =
N
 
n

En este caso y bajo ciertas condiciones es posible utilizar la


distribución binomial como una aproximación de la distribución
hipergeométrica, logrando de esta manera la simplificación de los
cálculos. Las restricciones vendrán determinadas por el tamaño de
la muestra, esto es, si n es bastante grande y se verifica que al
menos N excede ocho veces el tamaño de la muestra, se podrá
utilizar la distribución binomial y si además np > 5 y nq > se podrá
utilizar la aproximación normal. En consecuencia, se podrá
contrastar la hipótesis nula Ho mediante el estadístico:

p −P0
Z=
P0 ⋅ Q 0
n

En el caso que np < 5 y nq < 5 para valores grandes del tamaño de


la muestra, tomando p valores muy pequeños, se utilizará la
distribución de Poisson cuya función de distribución es la
siguiente:

c
λx
F (x ) = ∑ e −λ
x!
x =0

Para valores de λ = np es posible obtener valores aproximados para


la distribución de Poisson y en este caso es suficiente con fijar a y
determinar los valores críticos para la hipótesis nula. En efecto, se
tiene:

119
H0 : P = P0
H1 : P ≠ P0
α
Si n es grande y np < se utiliza la función
c
λx
F (x ) = ∑ e −λ
x!
x =0

donde λ = np. Gráficamente se tiene:

Los valores críticos vendrán dados por los puntos L1 y L2 o sea:

L1
λx α
L1 = ∑ e −λ =
x! 2
x =0

120
L
1 λx α
L2 = ∑ e −λ x!
=1−
2
x =L2

Luego si los valores de: x ≥ L2


x ≤ L1 se rechaza la hipótesis nula.

Ejemplo:

Un fabricante espera que de cada 100 artículos producidos salgan


cuando mucho dos defectuosos. La inspección realizada sobre 267
artículos determinó que se encontrase un total de 4 artículos
defectuosos. ¿Se estará cumpliendo con los valores esperados del
fabricante a un nivel del 95% de confianza?

A 2
P0 = = = 0 ,02
N 100

Luego: H0 : P = P0 = 0,02

H1 : P ≠ P0
α = 0,05

como: n = 267

4
ai = 4 entonces p = = 0,015
267

ya que np = 267 . 0,015 = 4 < 5

se utiliza la distribución de Poisson, por lo tanto, como:

λ = 267 . 0,02 = 5,34

121
L
1 λx
L1 = ∑ e −λ x!
= 0,025
x =0

L
1 λx
L2 = ∑ e −λ
x!
= 0,975
x =L2

se busca en la tabla No. 5 de la distribución de Poisson para l = 5,3


y una probabilidad P0 = 0,025 el valor de L1; aproximadamente
se tiene L1 = 1. En este caso, se toma el valor de la tabla que
haga máxima la suma en vista que no todos los valores están en
ella. Para l = 5,3 y una probabilidad de 0,975 resulta L2 = 10 por
lo tanto los valores de aceptación están definidos por el intervalo

1 < X < 10

Como el número de defectuosos en la muestra es de 4 y está


contenido en el intervalo anterior, se acepta la hipótesis nula, es
decir, que el fabricante está en lo cierto de que tiene 2 defectuosos
con un nivel de confianza del 95%. Expresado en términos
porcentuales el intervalo sería:

1 10
< P< , o sea 0,01 < P < 0,10
100 100

como p = 0,015 se verifica la hipótesis nula.

122
6.1.2 Se conoce la proporción de la población, se desconoce la
varianza y se desea contrastar la hipótesis que la
proporción poblacional P es menor o igual que un cierto
valor P0 con un nivel de significación α .

Dada una muestra n para valores de np > 5 se considera

H0 : P ≤ P0

H1 : P > P0

p −P0
Se calcula Z=
P0 ⋅ Q 0
n

Y se rechaza la hipótesis nula si

Z ≥ Z1 – α

Ejemplo:
Un producto es vendido al 20% del potencial de mercado de una
zona. Se cree que un cambio de colores en la etiqueta hará crecer
el porcentaje de participación significativamente. Para comprobar
esta hipótesis se tomó una muestra en la zona de 200 consumidores
y se encontró que con un nuevo color en la etiqueta un 25% estaría
dispuesto a adquirirlo. ¿Será este incremento significativo para
tomar la decisión de cambiar el color de la etiqueta del producto?

H0 : P ≤ P0 = 0,20
H1 : P > P0 incremento significativo
α = 0,05

123
p − P0 0,25 −0,20 0,05
Z= = = = 1,77
P0 ⋅ Q 0 0,20 ⋅ 0 ,80 0,0283
n 200

Z1 = α = Z0,95 = 1,64

como 1,64 < 1,77 se rechaza la hipótesis nula; en consecuencia, el


cambio de color en la etiqueta produce un aumento significativo en
el potencial de mercado.

6.1.3 Se conoce la proporción de la población, se desconoce la


varianza y se desea contrastar la hipótesis que la
proporción poblacional es mayor o igual que un cierto
valor P0 con un nivel de significación α .

Dada una muestra grande n para valores de np > 5 se considera

H0 : P ≥ P0

H1 : P < P0

p −P0
Se calcula Z=
P0 ⋅ Q 0
n

Y se rechaza la hipótesis nula si

Z ≥ Z1 – α

Ejemplo:
Un procedimiento de fabricación determina que el montaje de una
pieza de una máquina dure un 20% del tiempo de fabricación. El

124
ensayo de un nuevo procedimiento realizado sobre el montaje de 60
máquinas reduce el tiempo a un 16%. ¿Se podrá adoptar el segundo
procedimiento en la seguridad de reducir significativamente el
tiempo?

p −P0
Z=
P0 ⋅ Q 0
n

α = 0,05

p − P0 0,61 − 0,20 − 0,04


Z= = = = −0,7752
P0 ⋅ Q 0 0,20 ⋅ 0,80 0.0516
n 60

Z1 = α = Z0,95 = 1,64

Como –0,7752 > -1,64 se acepta la hipótesis nula. Por lo tanto, el


segundo procedimiento no garantiza la reducción significativa del
tiempo de montaje de la pieza.

6.2.1 Diferencia entre dos proporciones procedentes de dos


muestras.

Cuando se tienen dos proporciones resultantes de dos muestras y se


desea comprobar si presentan diferencias significativas a un nivel a,
se considera la hipótesis nula H0 : P1 = P2 frente a la alternativa
H1 : P1 ≠ P2 . Para valores grandes de n1 y n2, se utilizará una
aproximación a la distribución normal. En este caso, la
distribución en el muestreo del estadístico

125
P1 − P2
Z= es aproximadamente normal, con media P1 – P2
1 1
sp +
n1 n 2
P1 Q1 P2 Q 2
y varianza de σp2 = σp1 2 + σ2 p2 = +
n1 n2

donde p1 y p2 son estimaciones de P1 y P2 .


Bajo el supuesto anterior, se contrasta la hipótesis nula H0 , o sea:
H0 : P1 = P2

H1 : P1 ≠ P2
La hipótesis se prueba utilizando

p1 − p 2 n1 p1 + n 2 p 2
Z= donde : p =
 1 n1 + n 2
1 
p ⋅ q +
n 
 1 n2 

luego si Z≥ Z α
1−
2

Z ≤ Z α se rechaza la hipótesis nula H0 .


2

El intervalo de confianza viene dado por la expresión siguiente:

 1 1   1 1 
p1 − p 2 − Z α p ⋅ q  + ≤ P1 − P2 ≤ p1 − p 2 + Z α p ⋅ q  +
n   
2  1 n2  1−
2  n1 n 2 

126
Ejemplo:

Sobre una muestra de 200 mujeres en una zona, se investigó la


preferencia sobre el tipo de envases de una marca de aceite,
resultando que el 45% lo preferían. En una zona vecina se realizó
un sondeo sobre 250 mujeres, resultando que el 43% lo prefieren.
¿Habrá diferencias entre las preferencias con un nivel del 95%?

H0 : P1 = P2
H1 : P1 ≠ P2

α = 0,05

p1 − p 2
Z=
 1 1 
p ⋅ q +
n 
 1 n2 

n 1 p1 + n 2 p 2 200 .0,45 + 250 .053


como: p= = = 0,49
n1 + n 2 200 + 250

0,45 − 0 ,53 0.08


Z= = − = −1,667
 1 1  0.048
0,49 ⋅ 0,51 + 
 200 250 

Z0,025 = -1,96

Como –1,667 < -1,96 se acepta la hipótesis nula de que no existen


diferencias significativas entre las preferencias para un cierto tipo
de envase en las zonas estudiadas.

127
El intervalo de confianza para la diferencia es:

 1 1   1 1 
p1 − p2 − Z α p ⋅ q + ≤ P1 − P2 ≤ p1 − p 2 + Z α p ⋅ q  +
n  n 
2  1 n2  1−
2  1 n2 

(-0,08) – 1,96 . 0,048 ≤ P1 - P2 ≤ (-0.08) + 1,96 . 0,048

-0,17 ≤ P1 – P2 ≤ 0.014

6.2.2 La proporción procedente de una población es menor o


igual a la proporción de otra.

En este caso, se desea probar la hipótesis

H0 : P1 ≤ P2
H1 : P1 > P2

Dado α se calcula:
p1 − p 2
Z=
 1 1 
p ⋅ q +
n 
 1 n2 

Si Z ≥ Z1-α se rechaza la hipótesis nula.

Ejemplo:

Un obrero especializado controla el 20% de la producción diaria de


una máquina, calculado sobre una muestra de 90 días. Para
reemplazarlo, se emplea a prueba un obrero que debe controlar un
porcentaje más elevado de la producción. Un análisis realizado

128
sobre la producción de 60 días reveló que controla el 24%.
¿Controlará el nuevo obrero un porcentaje más alto de la
producción que el original?

H0 : P1 ≤ P2
H1 : P1 > P2

α = 0,05
p1 − p2 0 ,24 − 0,20 0,040 0,04
Z= = = - = 0,18
 1 1   1 1  0,048 0,22
p ⋅ q + 0,22 ⋅ 0,78  + 
n   60 90 
 1 n2 

n 1 p1 + n 2 p 2 60.0,24 + 90 .0,20
p = = = 0,22
n1 + n 2 60 + 90

Para Z0,95 = 1,64

Como 0,18 < 1,64 se acepta la hipótesis nula, es decir, el nuevo


obrero no garantiza un incremento porcentual significativo.

6.2.3 La proporción procedente de una población es mayor o


igual que otra.

Se desea probar que:

H0 : P1 ≥ P2
H1 : P1 < P2

129
p1 − p 2
Para Z=
 1 1 
p ⋅ q +
n 
 1 n2 

Si Z ≤ Zα se rechaza la hipótesis nula.


Ejemplo:
El porcentaje de fumadores en una pequeña población es del
60% calculado sobre una muestra de 400 personas. Después de una
campaña contra el hábito de fumar a través de los medios de
comunicación de masas, se toma una muestra de 600 personas y se
encuentra que el porcentaje de fumadores es del 43%. ¿Se habrá
operado una reducción significativa del porcentaje de fumadores
por efecto de la campaña publicitaria realizada?

H0 : P1 ≥ P2
H1 : P1 < P2

α = 0,05

p1 − p 2 0,43 − 0 ,60 0,17


Z= = =- = - 5,15
 1 1   1 1  0,033
p ⋅ q + 0,5 ⋅ 0,5 + 
n   600 400 
 1 n2 

n 1 p1 + n 2 p 2 600 .0,43 + 400 .060


p= = = 0,50
n1 + n 2 1000

como Zα = -1,64 y -5,15 < -1,64 se rechaza la hipótesis nula, es


decir, que la campaña publicitaria parece indicar que ha permitido
una reducción significativa en el hábito de fumar.

130
6.3 Diferencia entre varias proporciones.

En muy variadas situaciones, al seleccionar una muestra n, se


tendrá una variable expresada en diversas modalidades o atributos.
Por ejemplo, considerando una pregunta sobre el color preferido
para un producto de limpieza, se obtendrán diferentes respuestas
para cada elemento de la muestra. Conviene entonces comprobar la
hipótesis nula:

H0 : Pi = Pi0 donde i = 1, 2, 3, . . . . . . . k

H1 : Pi ≠ Pi0

k k
Se verifica que ∑ Pi = ∑ Pi0 =1
i =1 i =1

En este caso, se debe utilizar la distribución multinomial cuya


función de densidad es:

n!
f ( x 1 , x 2 , . . . ..x k ) = . p x1 p 2 x 2 . . . .pk x k
x 1 , x 2 , . . . ..x k 1

La función anterior expresa la probabilidad de que en una


muestra con reemplazamiento o de población infinita, haya x1
elementos con loa característica o atributo 1; x2 elementos con la
característica 2, . . . . . etc. y se verifica que la proporción muestral
ai
es pi = .
n

Una aproximación razonable de la distribución multinomial


vendrá expresada por la distribución χ2 (ji-cuadrada) que en este
caso particular es:

131
k (O i − E i ) 2
χ = 2
∑ Ei
i=1

siendo Oi el,número observado en la i- esima clase y Ei el valor


expresado: Ei = n Pi0 .

Para realizar el contraste de hipótesis planteado es necesario


puntualizar las características de la citada distribución.

6.3.1 La distribución χ 2 .

Al tomar muestras de tamaño n de una población, se podrá


calcular el estadístico χ2 mediante las expresiones siguientes:

k (O i − E i ) 2
χ = 2
∑ Ei
i=1
ó
n . ŝ 2
χ2 =
σ 02

La distribución muestral χ2 tendrá una función de densidad


expresada mediante:

1 1 2
( υ - 2) - χ
f ( x ) = y 0 (χ ) 2 2 e 2

la función de distribución es:

1 1 2
χ2 ( υ - 2) - χ
F (x ) = ∫- ∞ y 0 (χ 2 ) 2 e 2

132
Estos valores se tabularán en una tabla expresada en función de
los niveles de significación y los grados de libertad (tabla No. 11),
o bien a través de los percentiles correspondientes con ν grados de
libertad (tabla No. 12).

Esta distribución tomará diversos valores según el valor que


toman los grados de libertad correspondientes; por ejemplo:

Existen dos maneras de dar los calores correspondientes a χ2 ;


en primer lugar utilizando la tabla expresada en función de los
niveles de significación y los grados de libertad (tabla No.11) o a
través de los percentiles (tabla No. 12) (Corresponde a una sola
rama).

Ejemplo:

1. La distribución χ2 con cinco grados de libertad tendrá


diferentes valores de acuerdo a α. Encontrar los valores
críticos de χ2 para:

133
a)
b) El área sombreada a la derecha es de 0,05

Tabla 11
χ 02,05; 5 = 11,07 ≈ 11,1
Tabla 12
χ 02,05; 5 = 11,1

c) El área total sombreada es 0,10


Como la distribución no es
simétrica, por convención se
supondrán las dos ramas
iguales, es decir: 0,05

Tabla 11
χ 02,05; 5 = 11,1
χ 02,95; 5 = 1,15

Tabla 12
χ 02,05; 5 = 11,1

χ 02,95; 5 = 1,15

134
d) El área sombreada a la izquierda es 0,10

Tabla 11
χ 02,90; 5 = 1,61
Tabla 12
χ 02,10; 5 = 1,61

e) El área sombreada a la derecha es 0,01

Tabla 11
χ 02,01; 5 = 15,086 ≈ 15,1
Tabla 12
χ 02,99; 5 = 15,1

f) Encontrar χ 02,975; 5 y χ 20 ,025; 5


para 50 grados de libertad.

Como n > 50 se utiliza la expresión Z = 2χ 2 - 2 υ - 1 que se


distribuye aproximadamente normal con media 0 y varianza 1; por
lo tanto, se podrán encontrar valores de χ2 mediante:

χ2 =
1
2
(
Z + 2υ - 1 )2
Para el caso anterior se tiene entonces:

χ 20 ,975 =
1
(
Z
2 0 ,975
+ (2 .50 ) - 1 )
2
como Z0,975 = 1,96

135
χ 20 ,975 =
1
2
(
1,96 + 99 )2 = 70,92

2
1
χ 20 ,025 =  Z 0,025 + (2 ⋅ 50) − 1  como Z0,025 = -1,96
2 

χ 20 ,025 =
1
2
(
− 1,95 + 99 )2 = 31,92
6.3.2 Se conocen las proporciones pi0 y pi y se desea
contrastar la hipótesis de igualdad de varias
proporciones.
En este caso se desea contrastar la hipótesis siguiente:
H0 : Pi = Pi0

H1 : Pi ≠ Pi0
k (O i − E i ) 2
χ2 = ∑ Ei
donde Ei = n Pi0
i=1

y se rechaza la hipótesis nula si

χ 2 ≥ χ12−α ;υ donde ν = k - 1
siendo K el número de grupos.
Ejemplo:
Se espera que la proporción de colores preferidos para un
producto de limpieza sea:

P1 = 0,10 color azul


P2 = 0,20 color rojo

136
P3 = 0,30 color verde
P4 = 0,40 otros colores

La hipótesis a verificar será:


H0 : Pi = Pi0

H1 : Pi ≠ Pi0

α = 0,05

Se utiliza:
k (O i − E i ) 2
χ = 2
∑ Ei
i=1

En una muestra se hicieron las observaciones (O i) siguientes:

Prefirieron color azul 25


Prefirieron color rojo 30
Prefirieron color verde 65
Prefirieron otros colores 80

Los valores esperados (Ei) son : Ei = n . Pi luego:

color azul 200 . 0,10 = 20


color rojo 200 . 0,20 = 40
color verde 200 . 0,30 = 60
otros colores 200 . 0,40 = 80

Total: 200

137
Calculando χ2 se tiene:

χ2 =
(25 - 20)2 +
(30 - 40 )2 + (65 - 60)2 + (80 - 80)2 = 4,16
20 40 60 80

el valor de n = k – 1 = 4 – 1 = 3

Como χ2 0,95; 3 = 7,85 y 4,16 < 7,81 se acepta la hipótesis


nula, es decir, que no hay diferencias significativas de los valores
observados con respecto a los valores esperados al nivel de
confianza del 95%.

6.4 Tablas de contingencia.


Un problema frecuente en las aplicaciones estadísticas se
refieren a cruzar o combinar dos variables obtenidas a partir de una
muestra. Estas variables se expresan mediante varias modalidades o
respuestas a través de proporciones o simplemente por frecuencias
observadas. En la generalidad de los casos, interesa comprobar la
relación que existe entre las dos variables consideradas y expresar
esta relación utilizando el criterio de independencia, es decir, se
comprobará utilizando el test o prueba más conveniente si las
variables son independientes o por el contrario existe dependencia
entre ellas.
De acuerdo al planteamiento anterior se consideran dos
variables escritas en una tabla estadística arregladas en c columnas
y r filas. Para un cierto nivel de significación, se establece la
hipótesis nula que las variables son independientes frente a la
alternativa de que son dependientes, o sea:
H0 : Independencia

138
H1 : Dependencia
Al establecer esta hipótesis se deben calcular las frecuencias
esperadas que correspondan a las frecuencias observadas y se
verifica que la suma de ambas deben ser iguales. El tratamiento
aquí planteado corresponde a un enfoque bidimensional donde cada
fila o columna es una frecuencia marginal.

6.4.1 Tablas r x c
Las observaciones de una muestra se podrán clasificar de
acuerdo con dos criterios diferentes y tabulados de tal forma que se
tendrá un cuadro donde concurren un grupo de frecuencias
observadas Oij ubicadas en las casillas Oij, por ejemplo:
FRECUENCIAS OBSERVADAS

Columnas 1 2 3 4 5 j c Totales
Filas
1 O11 O12 O13 O14 O15 ... O1j .... O1c O1j
2 O21 O22 O23 O24 O25 ... O2j .... O2c O2j
3 O31 O32 O33 O34 O35 ... O3j .... O3c O3j
4 O41 O42 O43 O44 O45 ... O4j .... O4c O4j
5 O51 O52 O53 O54 O55 ... O5j .... O5c O5j
... .... .... .... .... .... .... .... .... .... ....
i .... .... .... .... .... .... .... .... Oic Oij
r Or1 Or2 Or3 Or4 Or5 ... Orj .... Orc Orj
Totales Oi1 Oi2 Oi3 Oi4 Oi5 ... Oij .... Oic n

En la intersección de una fila con una columna habrá una


frecuencia identificada con Oij. Estas frecuencias, de acuerdo con la
distribución correspondiente, se esperará que ocurran con
frecuencias Eij, es decir, con frecuencias esperadas o teóricas; en
consecuencia, se presume que habrá un cuadro similar al anterior
con las frecuencias Esperadas. En efecto, se tiene:

139
FRECUENCIAS ESPERADAS

Columnas 1 2 3 j c
Filas
1 E11 E12 E13 ... E1j .... E1c
2 E21 E22 E23 ... E2j .... E2c
3 E31 E32 E33 ... E3j .... E3c
i ... Eij .... Eic
... .... .... .... .... .... .... ....
... .... .... .... .... .... .... ....
... .... .... .... .... .... .... ....
r Er1 Er2 Er3 ... Erj .... Erc

A menudo se deseará saber si las frecuencias observadas


difieren significativamente de las frecuencias esperadas o si los dos
criterios de clasificación son independientes o no lo son.

j r (Oij − E ij ) 2
χ = 2
∑∑ E ij
i=1 i=1
donde
r c
∑ Oij ∑ Oij
i =1 i =1
E ij =
n
En efecto se tiene:

E 11 = ∑ O11 ∑ O11 /n
E 12 = ∑ O12 ∑ O12 /n
− − −− − −− − −− −
E rc = ∑ O rc ∑ Orc /n

Las tablas de contingencia en general tendrán r filas y c columnas,


luego la hipótesis de independencia se rechazará cuando:

χ2 ≥ χ2 1−α con (r-1).(c-1) grados de libertad.

140
Es conveniente destacar en este punto que del resultado de expe-
rimentos repetidos se establecerán χ2 1, χ2 2,. . . .χ2 k con ν 1 , ν 1 ,. . .ν k
grados de libertad. El resultado de estos experimentos se
considerará equivalente a un valor χ2 dado por:

χ2 = χ2 1 + χ2 2 +. . . . + χ2 k con ν 1 + ν 1 +. . . + ν k grados de libertad,

lo cual se conoce como la propiedad aditiva de χ2 .

Por otra parte, cuando los resultados para distribuciones continuas


se aplican a los datos discretos, se harán ciertas correcciones de
continuidad. En la χ2 esta corrección será necesaria cuando el
número de grados de libertad sea ν = 1. La corrección en
referencia, conocida como corrección Yates, se hará mediante:

(O11 − E11 − 0,5)2 (O12 − E12 − 0,5) (O rc − E rc − 0,5)2


χ =
2
+ + .....+
E11 E12 E rc

Ejemplo:

1. Un organismo debe elegir entre planes de seguro. Al efecto,


se desea investigar sobre una muestra de empleados si los
planes serán elegidos independientemente de la jerarquía de
los mismos.

La investigación en referencia condujo a los resultados


siguientes:

141
PLANES
Tipos de Económico Normal Especial Total
Empleados
Obreros 200 100 10 310
Empleados 150 210 150 510
Supervisores 10 30 100 140
Directivos - - 40 40
Total 360 340 300 1000

El primer paso será construir una tabla con los valores esperados
mediante:
r c
∑ Oij ∑ Oij
i =1 i =1
E ij =
n
o sea:
360 ⋅ 310 340 ⋅ 310
E 11 = = 112 E12 = = 105
1000 1000
3 00 ⋅ 3 10 300 ⋅ 310
E 13 = = 93 E 21 = = 184
1000 1000
340 ⋅ 510 3 40 ⋅ 5 10
E 22 = = 173 E 23 = = 153
1000 1000
360 ⋅ 140 360 ⋅ 140
E 31 = = 50 E 32 = = 48
1000 1000
300 ⋅ 140 300 ⋅ 140
E 33 = = 42 E 41 = = 14
1000 1000
340 ⋅ 4 0 3 40 ⋅ 40
E 42 = = 14 E 43 = = 12
1000 1000

La tabla de valores esperados es:

142
PLANES
Tipos de Económico Normal Especial Total
Empleados
Obreros 112 105 93 310
Empleados 184 173 153 510
Supervisores 50 48 42 140
Directivos 14 14 12 40
Total 360 340 300 1000

Se calcula ahora el valor de χ2 , o sea:

j r (Oij − E ij ) 2
χ =
2
∑∑ E ij
i=1 i=1

(200 − 112)2 (100 − 105)2 (10 − 93)2


χ =
2
+ + +
112 105 93

+
(150 − 184)2 +
(210 − 173)2 +
(150 − 153)2 +
184 173 93
(200 − 112) + (100 − 105) + (10 − 93)2 +
2 2
+
112 105 153

+
(10 − 50)2 +
(30 − 48)2 +
+
(100 − 42)2
50 48 42
(0 − 14)2 + (0 − 14)2 + (40 − 12)2 donde χ 2 = 369,88
+
14 14 12

Considerando una rama de la distribución para un valor α = 0,05


se tiene:

χ12−α,υ = χ 20,95;6 donde ν = (r-1) (c-1) = 6

143
luego:
χ 20,95;6 = 12,59

como 369 > 12,59 se verifica que c2 ≥ c2 1-a; n. Por lo tanto se


rechaza la hipótesis de independencia, es decir, que la elección de
los planes es función del tipo de empleo, o sea, que son dos
variables dependientes para un nivel de confianza del 95%.

2. Se obtuvo una muestra al azar de 28 mujeres y se les


preguntó respecto a su hábitos de compra en la ropa y, al mismo
tiempo, se les preguntó la edad. ¿Serán dichos hábitos
independientes de la edad a un nivel del 5%?.

Hábitos
Edad Frecuente Rara vez Total

15 – 25 15 2 17
25 y más 1 10 11
Total 16 12 28

Se obtendrá la tabla de valores esperados mediante

j r (Oij − E ij ) 2
χ = 2
∑∑ E ij
i=1 i=1

Hábitos
Edad Frecuente Rara vez Total

15 – 25 10 7 17
25 y más 6 5 11
Total 16 12 28

144
Luego se calcula el estadístico

j r ( Oij − E ij − 0,5) 2
χ =
2
∑∑ E ij
i=1 i=1

puesto que ν = 1

Entonces:

χ2 =
(4,5)2 + (4,5)2 + (4,5)2 + (4,5)2 = 2,02 + 3,37 + 2,89 + 4,05 = 12,33
10 6 7 5

Se contrastará mediante:

χ2 1-α; (r-1).(c-1) = χ2 0,98; 1 = 3,84 (Tabla 12)

como: χ2 > χ2 1-a; (r-1).(c-1) o sea 12,33 > 3,84

se rechazará la hipótesis de independencia.

6.4.2 Métodos aproximados para tablas 2 x 2.

Cuando se tiene una tabla de contingencia de 2 x 2 se puede


utilizar la fórmula abreviada siguiente:

2
 n
n  ad − bc − 
 2
χ2 =
(a + b)(c + d )(a + c)(b + d )

145
donde cada valor vendrá determinado por los valores expresados en
la tabla:

Columnas
Filas 1 2 Total

1 a b a+b
2 c d c+d
Total a+c b+d n

Ejemplo:
Suponiendo el mismo ejemplo anterior se tiene la tabla:

Hábitos
Edad Frecuente Rara vez Total

15 – 25 15 2 17
25 y más 1 10 11
Total 16 12 28

Para verificar la hipótesis

H0 : Independencia
H1 : Dependencia
se calcula

2
 n
n  ad − bc − 
 2
χ2 = ya que (r-1 (c-1) = 1
(a + b)(c + d )(a + c)(b + d )

por lo tanto se tiene:

2
 28 
28 15 ⋅ 10 − 2 ⋅ 1 − 
χ2 = 
2
= 14
16 ⋅12 ⋅17 ⋅11

146
para χ2 1-α;ν donde α = 0,05 se tiene

χ2 0,95;1 = 3,84

como 14 > 3,84 se rechaza la hipótesis de independencia.

6.5 Bondad de un ajuste.

Considerando una variable unidimensional conviene contrastar


si hay diferencias significativas entre ciertos valores esperados y
los valores observados, esto es, hasta qué punto los valores reales
se ajustan a los valores teóricos o esperados. Este problema se
puede hacer extensivo hasta comparar hasta qué punto una función
ajusta correctamente con los datos observados, incluyendo las
distribuciones teóricas de probabilidad.
6.5.1 Comparación entre los valores esperados y observados
en una variable.
En este caso se plantea la hipótesis de que no existen diferencias
significativas entre los valores teóricos o esperados y los valores
observados para un nivel a, es decir, que hay un buen ajuste.

H0 : Oi = Ei (buen ajuste)

H1 : Oi ≠ Ei (mal ajuste)

(O i − E i )2
Se usa en este caso: χ =
2
∑ Ei
y si se verifica
χ2 1-α: ν donde ν = n-1
se rechaza la hipótesis nula.

147
Ejemplo:
Un estimado regional de las ventas de una empresa prevé
repartirlas de acuerdo a la proporción siguiente:
Región Central 80%
Región Oriental 10%
Región Occidental 5%
Región Sur 5%

Un análisis de las ventas realizadas demuestra que se vendieron


1500 del producto de acuerdo a la distribución siguiente:

Región Central 1000 cajas


Región Oriental 160 “
Región Occidental 200 “
Región Sur 140 “

¿Se habrá cumplido la previsión regional de las ventas?


La hipótesis correspondiente es:
H1 : Se cumplió la previsión
H0 : No se cumplió

α = 0,05

(O i − E i )2
Se calcula χ2 = ∑ Ei
donde los valores observados y esperados son:
Regiones O1 Ei = n Pi0 Oi - Ei (Oi - Ei)2 (Oi - Ei)2 / Ei
Central 1000 1200 -200 40.000 33,33
Oriental 160 150 10 100 0,67
Occidental 200 75 125 15.625 208,33
Sur 140 75 65 4.225 56,33
Total 1500 1500 - 296,66

148
luego χ2 = 298,66

χ2 0,95: 3 = 7,81

Como 298,66 > 7,81 se concluye que no se verifica la hipótesis


nula, por lo tanto la previsión de venta no se cumplió.

6.5.2 Comparación de valores esperados y observados para


las distribuciones de frecuencia.

En términos generales, para la aplicación de los métodos


estadísticos se supone que los valores que asume una variable se
distribuyen de acuerdo a una distribución estadística en particular;
así, con bastante frecuencia, se supone que los datos muestrales
provienen de una distribución normal. El método de la bondad
proporciona en este caso una técnica útil para comprobar la
hipótesis de un buen ajuste, es decir:

H0 : Oi = Ei (buen ajuste)
Frente a la alternativa de un ajuste diferente, esto es:

H1 : Oi ≠ Ei

Se supone a continuación un conjunto de observaciones las


cuales se han agrupado en clases y frecuencias. A esta distribución
de frecuencias se le ajusta una distribución normal cuyos valores
teóricos son obtenidos. El método χ2 para comprobar la bondad de
un ajuste de una distribución (valores teóricos) permite ver si
efectivamente la distribución teórica “ajusta” a la observada. Al
efecto se usará el estadístico:

149
(O − E ij )
2

∑ ij
χ =
2
E ij
con ν = K – p – 1 grados de libertad, donde p será el número de
parámetros estimados por la muestra. Así, por ejemplo, si estuviese
bajo prueba la hipótesis de normalidad µ y σ2 se estiman mediante
2 parámetros x y ŝ 2 y K el número de intervalos de clase de la
distribución. Luego ν = K - 3.

En este contraste la región crítica vendrá determinada por:

χ2 ≥ χ2 1-α; K-p-1

150
Ejemplo:
Sea una muestra de 27 personas a las cuales se tomó el peso
correspondiente, obteniéndose una distribución de frecuencia y se
supuso que procedían de una población normal. ¿Será correcta
dicha suposición a un nivel del 5%?
DISTRIBUCIÓN DE LOS PESOS
Clases (Kgs.) Fi .
46 – 54 6
54 – 62 3
62 – 70 10
70 – 78 4
78 - 86 4

luego se procede a ajustar la distribución haciendo los cálculos


siguientes:

ic xi fi fa d’ f’d’ d’2 fd’2


46 – 54 50 6 6 -2 -12 4 24
54 – 62 58 3 9 -1 -3 1 3
62 – 70 66 10 19 0 0 0 0
70 – 78 74 4 23 1 4 1 4
78 - 86 82 4 27 2 8 4 16
27 -3 47

xi − X ∑f
xi − x t= y yt = ic y
σ σ
-15,11 - 1,44 0,1415 3
- 7,11 - 0,68 0,3136 6
0,89 0,08 0,3977 9
8,89 0,85 0,2780 6
16,89 1,61 0,1092 3

La media de la distribución será:

X = Xa +
∑ fd' ic = 66 + (-3 . 8) / 27 = 66 – 0,89 = 65,11
N

151
y la desviación típica

∑ fd'2 −  ∑ fd' 
2
2
47  − 3 
σ = ic =8 −  = 8 1,74 - (-0,11) 2
∑ f  N  27  27 

σ = 8 1,74 - 0,0123 = 8 1,72 = 8 ⋅1,31 = 10,48

el ajuste correspondiente será el siguiente:

Finalmente se tiene:

Oij : Eij :
Clases Oi - Ei (Oi - Ei)2 (Oi - Ei)2 / Ei
f. Observada f . Teóricas
46 – 54 3 3 -3 9 3,00
54 – 62 6 6 -3 9 1,50
62 – 70 10 9 1 1 0,11
70 – 78 4 6 -2 4 0,67
78 - 86 4 3 1 1 0,33
Total 27 - 5,61

152
Aplicando
(O − E ij )
2

∑ ij
χ =
2
E ij

la región crítica será:

χ2 ≥ χ2 1-α; K-p-1

χ2 0,95; 2 = 5,99

como 5,61 < 5,99 se acepta la hipótesis de normalidad.

153
CAPÍTULO VII

TEST PARA LA VARIANZA

Intervalos de confianza para la varianza.


Significación de una varianza.
Contraste de Hipótesis referente a dos varianzas
Análisis de la varianza.

7.1 Intervalos de confianza para la varianza.

En el capítulo precedente se consideró la distribución χ2 la cual


se define a partir de una muestra mediante la expresión siguiente:

nŝ 2
χ2 =
σ0 2
Generalmente, estos valores se contrastarán con los valores
teóricos de la distribución cuyos valores han sido
convenientemente tabulados. A partir de estas relaciones es posible
determinar el intervalo de confianza para la varianza y
consecuentemente para la desviación típica, fijando un cierto nivel
de confianza y considerando los valores de la muestra n.

El intervalo de confianza para un valor calculado de χ2 es el


siguiente:
χ1 2 ≤ χ2 ≤ χ2 2

En la expresión anterior, χ1 2 y χ2 2 son los valores críticos y


corresponden a los valores teóricos de la distribución. Sustituyendo
χ2 por su valor, se tiene:

nŝ 2
χ1 2 ≤ ≤ χ2 2
σ0 2

154
Siendo σ0 2 la varianza, se puede calcular el intervalo respectivo, es
decir:
n ŝ 2 n ŝ 2
≤ σ 02 ≤
χ 22 χ12

Esta expresión representa el intervalo de confianza para la


varianza, donde los valores de χ1 2 y χ2 2 se obtienen a partir de la
tabla de la distribución para un cierto nivel de significación, o sea:

χ12 = χ 2α

2

χ 22 = χ 2 α
1− ; υ
2

El intervalo de confianza para la desviación típica se obtiene


mediante la siguiente relación:

ŝ n ŝ n
≤ σ0 ≤
χ 22 χ12
Ejemplo:

La desviación típica de 25 cuentas seleccionadas al azar de una


población de 100, es de Bs. 625,00. Encontrar los límites
confidenciales de la desviación típica con el 97,5% de confianza.

ŝ n ŝ n
Utilizando: ≤ σ0 ≤
χ2 χ1

Luego ν = n-1 = 25 – 1 = 24 grados de libertad.

Utilizando las dos ramas de la distribución se tiene:

155
χ2 1 = χ2 0,025; 24 = 12,4

χ2 2 = χ2 0,975; 24 = 39,4

Entonces
625 25 625 25
≤ σ0 ≤
39,4 12,4

3 .1 25 3 .125
≤ σ0 ≤
6,28 3,53

luego el intervalo confidencial será

(498 ≤ σ0 ≤ 885)

7.2 Significación de una varianza.

7.2.1 Se conoce la varianza de la población y de una muestra.

Considere la hipótesis que la varianza σ2 de una población tiene


un valor fijo σ0 2 . Entonces, se tendrá la hipótesis nula siguiente:

H0 : σ2 = σ0 2

H1 : σ2 ≠ σ0 2

Para realizar este contraste, se calculará --- a partir de la


muestra y se utilizará la relación ---- cuya distribución muestral es
una χ2 α; n-1 siendo la región crítica:

nŝ 2
≤ χ 2α
σ 20 ; n -1
2

156
nŝ 2
≤ χ2 α
σ0 2
1− ; n -1
2

ŝ 2
Para muestras grandes se usa también χ 2 = n − 1 ⋅
σ 20

Ejemplo:
Por varios años una empresa ha administrado exámenes para
contratar a auxiliares de auditoría y ha obtenido de los aspirantes
una nota promedio µ = 14 con una varianza σ0 2 = 16. Los
exámenes fueron administrados a un grupo de 20 auxiliares que
aspiraban el cargo y se obtuvo una media x = 15 con una varianza
ŝ 2 = 25. ¿Habrá alguna razón para pensar que los estudiantes
tuviesen una varianza de 16?
H0 : σ2 = σ0 2

H1 : σ2 ≠ σ0 2

α = 0,10
Se usará el estadístico
nŝ 2
χ2 =
σ0 2
luego
25
χ 2 = 20 ⋅ = 31,25
16

χ 2α = χ 20 ,05;19 = 10,1
; n -1
2

χ2 α
= χ 02,95;19 = 30 ,1
1− ; n -1
2

157
como 31,25 > 10,1
31,25 > 30,1

se rechazará la hipótesis que H0 : σ2 = σ0 2 y se aceptará la


alternativa H1 : σ2 ≠ σ0 2 .

7.2.2 Se conoce la varianza poblacional y se desea contrastar


la hipótesis que es menor o igual que un cierto valor σ 0 2 .

En este caso se tiene: H0 : σ2 ≤ σ0 2

H1 : σ2 > σ0 2

Para un nivel a, se calcula el estadístico

nŝ 2
χ2 =
σ0 2
y si ocurre que

χ2 ≥ χ2 1-α; n-1

se rechaza la hipótesis nula.

Ejemplo:

Al fabricar un producto, el llenado de los envases se realiza con


un promedio de 14 grs. Y una desviación típica de 4 grs. Un nuevo
procedimiento de llenado calculado sobre una muestra de 100
envases logra el mismo promedio con una desviación de 6 grs.
¿Este resultado indica que el segundo procedimiento presenta
mayor variación al llenar dos envases?

H0 : σ2 ≤ σ0 2 llenado con menor o igual variación

H1 : σ2 > σ0 2 llenado con mayor variación.

158
α = 0,05

nŝ 2 100 ⋅ 6 2
χ2 = = = 225
σ0 2 42

χ2 1-α; n-1 = χ2 0,95; 99 = 124,3

se verifica que 225 > 124,3 por lo tanto, se rechaza la hipótesis


nula, es decir, que el nuevo procedimiento tiene una desviación
típica significativamente mayor a un nivel de confianza del 95%.
7.2.3 Se conoce la varianza poblacional y se desea contrastar
la hipótesis que es mayor o igual que un cierto valor σ 0 2 .
La hipótesis correspondiente es:
H0 : σ2 ≥ σ0 2

H1 : σ2 < σ0 2
Para un nivel a, la región de rechazo es

χ2 ≤ χ2 α; n-1
Ejemplo:
La gestión de ventas de una empresa requiere que sus
vendedores coloquen un promedio de Bs. 600,00 diarios con una
desviación típica de Bs. 100,00. Una muestra de 20 vendedores
coloca un promedio de Bs. 60,00, con una desviación típica de Bs.
60,00. ¿Se cumplen las normas establecidas en el sentido que es
deseable que la gestión tenga la menor dispersión posible?

H0 : σ2 ≥ σ0 2

H1 : σ2 < σ0 2

α = 0,05

159
nŝ 2 20 ⋅ 60 2
χ2 = = = 7 ,2
σ0 2 100 2

Considerando χ2 α; n-1 = χ2 0,05; 19 = 10,1


Como 7,2 < 10,1 se rechaza la hipótesis nula, es decir, que la
gestión de ventas tiene una desviación típica significativamente
menor.

7.3 Contraste de hipótesis referente a dos varianzas.

7.3.1 La Distribución F.

En algunos casos es importante analizar el comportamiento de la


variabilidad de un suceso. En este caso, se podrá realizar un
contraste de dos estimaciones de variabilidad con el fin de medir si
son significativamente diferentes.

Al considerar una población y tomar dos muestras cuyo tamaño


es n1 y n2, se calcularán las medias y varianzas respectivas, es
decir:
ˆ ,X
X ˆ y ŝ 2 , ŝ 2
1 1 1 2

El estadístico F vendrá determinado por la expresión

ŝ 22
F= si ŝ 22 > ŝ12
ŝ12

ŝ12
o también F= si ŝ12 > ŝ22
ŝ 22

Estas relaciones tienen una distribución muestral llamada


distribución F que tiene la forma:

160
υ1 z
e
f ( x) = y0
(υ1e2 z + υ2 ) 2 (υ1+ υ2 )
1

luego la probabilidad de encontrar un valor Z0 dado será

Pb = F(x) = f(x) dx

Estos valores de P se tabularon en una tabla de dos entradas, es


decir, expresada en función de los niveles de significación α y los
grados de libertad ν 1 y ν 2 correspondientes a las dos muestras
(Tabla 13).

7.3.2 Uso de las tablas.

La Tabla N° 13 muestra la probabilidad con los percentiles más


usados, expresados en función de los grados de libertad. Estos
deben ser calculados para cada muestra. En efecto, el número de
grados de libertad de la varianza que se encuentran en el
numerados, está ubicado en la escala horizontal y en la escala
vertical se encuentran los correspondientes al denominador. La
intersección de esas dos línea, para un percentil p, da el valor
correspondiente de

F α
1− ; n1 −1; n 2 −1
2

ó F
1−α; n1−1; n 2 −1

ó Fα ; n
1 −1; n 2 −1
Ejemplo:
2
1. La varianza 1 = 10 calculada con n1 = 6
2
y la varianza 2 = 5 calculada con n2 = 9

161
se desea obtener el valor F para un α = 0,05 con una rama de la
distribución.

La relación de varianza es:

ŝ12 10
F= = =2 F1-α; 6 -1; 9-1
ŝ 22 5

a) Se buscará en la escala horizontal la columna: 5 grados de


libertad.
b) Se buscará el percentil 0,95.
c) Se buscará en la escala vertical la línea: 8 grados de
libertad.
d) En la intersección se lee: 3,69.

2. Se desea encontrar

F1-α; ν1; ν2 = F 0,95; 3; 18

En vista de que este valor no está directamente en las tablas,


habrá necesidad de interpolar. En consecuencia, se utiliza el
método de los inversos. El valor de F está entre F0,95;3;15 y F0,95;3;20
luego, se procede de la manera siguiente:

F Inverso
1/ν
F0,95; 3 ;15 = 3,29 1/15 = 0,0667
F0,95; 3; 18 = ? 1/18 = 0,0556
F0,95; 3; 20 = 3,10 1/20 = 0,0500

162
Distancia Inverso Proporción F

0,500 3,10
0,0056
= 0,3353
0,0167
0,0056 0,0556
0,0167

F = 3,10 + 0,3353
0,0667 (0,0167) = 3,11

3,29

Por lo tanto F0,95; 3; 18 = 3,11

7.3.3 Contraste de hipótesis referente a la varianza de dos


poblaciones.

Con el fin de contrastar la hipótesis que las varianzas σ1 2 y σ2 2


de dos poblaciones normales son iguales, o sea:

H0 : σ1 2 = σ2 2

H1 : σ1 2 ≠ σ2 2

Se procederá a tomar dos muestras de tamaño n1 y n2 , calcular sus


varianzas 1 2 y 2 2 y encontrar el estadístico

ŝ12
F= si ŝ12 > ŝ22
ŝ 22

y se rechazará la hipótesis si:

F≥F α
1− ; n1 −1; n 2 −1
2

163
F ≤ Fα
; n1−1; n 2 −1
2

Ejemplo:

El Departamento de Cobranzas de una empresa calculó para un


período del año los índices de cobros de dos de sus cobradores. El
jefe del Departamento desea conocer si existen variaciones
marcadas de un cobrador con respecto al otro a un nivel del 5%.

Meses Cobrador A Cobrador B


Enero 100 102
Febrero 101 100
Marzo 102 105
Abril 100 106
Mayo 106 106
Junio 107 106
Julio 110 102
Agosto 101 102
Septiembre 100 102

Con el fin de simplificar los cálculos, se resta 100 a la serie.

Cobrador (x1) Cobrador (x2) X1 2 X2 2


0 2 0 4
1 0 2 0
2 5 4 25
0 6 0 36
6 6 36 36
7 6 49 36
10 2 100 4
1 2 1 4
0 2 0 4
Totales 21 31 191 149

164
2 2
Se calcula 1 y 2 :

∑ x12 − (∑ x1 )
2
/ n1 192 − 27 2 / 9
ŝ12 = = = 13,75
n1 − 1 8

∑ x 22 − (∑ x 2 )
2
/ n1 149 − 312 / 9
ŝ 22 = = = 5,28
n 2 −1 8

13,75
F=
5,28

Región crítica

F≥F α
1− ; n1 −1; n 2 −1
2

F ≤ Fα
; n1−1; n 2 −1
2

α = 0,05

F0,975; 8; 8 = 4,43 (Tabla 13)

F0,025; 8; 8 = 0,226

2,60 < 4,43 Se acepta la hipótesis H0 : σ1 2 = σ2 2

2,60 > 0,226 o sea que no hay diferencias significativas a un


nivel del 0,05%.

165
7.3.3.1 La varianza procedente de una población es menor o
igual a otra.

Se desea probar la hipótesis:

H0 : σ1 2 σ2 2
H1 : σ1 2 > σ2 2

Para un nivel α se calcula el estadístico

ŝ12
F=
ŝ 22

y se rechazará la hipótesis nula cuando

F > F1−α; υ1; υ2


siendo ν 1 = n1 - 1
ν 2 = n2 -1

Ejemplo:

Un método clásico de aprendizaje determina que sobre un grupo


de 25 alumnos se obtenga una nota promedio en los exámenes de
14 puntos con una desviación de 5 puntos.

Un segundo método, basado en medios audiovisuales, aplicado


sobre 12 alumnos arroja un promedio de 15 puntos con una
desviación de 7 puntos. ¿La desviación del segundo método será
significativamente igual o menor que el primero?

H0 : σ1 2 σ2 2

H1 : σ1 2 > σ2 2

α = 0,05

166
ŝ12 72
F= = = 1,96
ŝ 22 52

Para F1-α; n1-1; n2-1 = F0,95; 11; 24 = 2,221

Como 1,96 < 2,21 se acepta la hipótesis nula, es decir, que las
variaciones no presentan diferencias significativas.

7.3.3.2 La varianza procedente de una población es mayor o


igual que otra.

Se desea:
H0 : σ1 2 σ2 2

H1 : σ1 2 < σ2 2

ŝ12
Para un nivel a se calcula F = donde 1
2
< 2
2
ŝ 22
y se rechaza H0 si

F Fα;ν1,ν2 siendo ν 1 = n1 – 1 y ν 2 = n2 –1

Ejemplo:

Una máquina corta piezas con un promedio de 200 por jornada y


una desviación de 10. Después de un largo período y realizado un
ajuste de mantenimiento, se espera que disminuya la desviación
típica. Sobre una muestra de 661 días se mantiene el promedio y la
desviación típica es de 5 piezas. ¿Los resultados indicarán que la
dispersión se mantiene o que por el contrario ha bajado
significativamente?

167
H0 : σ1 2 σ2 2
H1 : σ1 2 < σ2 2

α = 0,05

ŝ12 52
F= = = 0,25
ŝ 22 10 2
y se rechaza H0 si

Fα; ν1 −1; n2-1 = F0,05; 60; = 0,72

Como 0,25 < 0,72 se rechaza la hipótesis nula; por lo tanto, la


desviación típica después de ajustada la máquina es
significativamente más pequeña.

7.4 Análisis de la varianza.

En este aparte, se tratará sobre los contrastes relativos a la


comparación de varias medias bajo el supuesto de la igualdad de
las varianzas y adicionalmente, se contrastan diferentes varianzas
utilizando los criterios de la distribución F.

7.4.1 Contraste para varias medias.

H0 : µ1 = µ2 = µ3 . . . . . .= µi

H1 : µ1 µ2 µ3 . . . . . . µi

En este caso se utiliza el estadístico F cuya expresión es la


siguiente:

168
2
ˆ ˆ
k ni X − X
∑ 
k −1
 SCM
F = i =1 = k −1
k n1 2 SCG
∑∑  X − Xˆ 
 ij  ∑ n i −1
i =1 j=1
k
∑ (n i − 1)

donde:

ˆ es la media de una muestra cualquiera


X i
ˆ
Xi es la media general considerando todos los elementos de las
muestras
K = el número de clases

SCM : Suma de cuadrados medios, o entre grupos

k
ˆ ˆ ∑ x 2i − ∑∑ xi2
k
∑ ni X − X = ∑ n
i =1   i ∑ni
siendo xij una variable cualquiera de cualquier muestra.

Ahora bien, si F > F1- α;ν1,ν2 se rechazará la hipótesis nula.

La disposición de los cálculos para simplificar las operaciones es la


siguiente:

169
Análisis de la Varianza
Fuente de Suma de Grados de Cuadrados
Razón F
variación cuadrados libertad medios
Entre grupos SCM
SCM K-1 k -1 SCM
F = k −1
Dentro de los SCG SCG
SCG Ni – k
grupos ni - k ni − k
Total SCM+SCG (k-1) + (n i -k)

Ejemplo:

Un sondeo de opinión realizado sobre cuatro muestras


seleccionadas de una población dieron origen al precio que estaban
dispuestos a pagar los consumidores por un cierto artículo. En
efecto, se tiene:

Muestra 1 Muestra 2 Muestra 3 Muestra 4


10 10 12 14
10 12 12 13
12 12 10 12
11 11 12 10
9 10 10
10 10
12

Se desea:
H0 : µ1 = µ2 = µ3 . . . . . .= µi

H1 : µ1 µ2 µ3 . . . . . . µi

α = 0,05

k 2
ˆ ˆ
∑ n i  X − X  ÷ k −1
  SCM SCG
i=1
F= = ÷
k ni 2 k
÷ ∑ (n i − 1)
k −1 ∑ni −1
∑∑ X − X
 ij

ˆ


i=1 j=1

170
MUESTRAS
1 2 3 4 Total
10 10 12 14 46
10 12 12 13 47
12 12 10 12 46
11 11 10 10 42
9 10 12 31
10 10 20
12 12
Totales Σ Xi 52 65 44 83 244
ˆ 10,4 10,8 11,00 11,8 11,1 = X
Medias X i
X ij 2 546 709 488 997

SCM = ∑
∑ x 2i
k

∑∑ x i2 52 2 65 2 44 2 83 2  224 2 
= + + + −  = 6,93
ni ∑ n i 5 6 4 7  22 
k ni k ni
∑ x i2
SCG = ∑ ∑ (x ij − x̂) 2
= ∑∑ X ij2 −
ni
i =1 j=1 i=1 j=1

 52 2 65 2 44 2 83 2 
SCG = 546 + 709 + 488 + 997 -  + + +  = 26,89
 5 6 4 7 
 

llevando estos valores a la tabla de análisis de la varianza se tiene:

Fuente de Suma de Grados de


Razón F
variación cuadrados libertad
6,93 3
Entre grupos
6,93 ÷ 3
Dentro de los 26,89 18 F= = 1,55
26 ,89 ÷ 18
grupos
33,82 22
Total

F1-α; ν1; ν2 = F0,95; 3; 18

171
En vista de que este valor no está directamente en las tablas, habrá
necesidad de interpolar. En consecuencia, se tiene que F0,95; 3; 18 está
comprendido entre F0,95; 3; 15 y F0,95; 3; 20 (ver 7.3.2), luego se tiene
que F0,95; 3; 18 = 3,11.
Como 1,55 < 3,11 se verifica la hipótesis nula, es decir que no
existen diferencias significativas entre las medias con un nivel de
significación del 5%.

7.4.2 Contraste para varias varianzas.


Se pretende

H0 : σ1 2 = σ2 2 = σ3 2 . . . . . .= σi2

H1 : σ1 2 σ2 σ3 2 . . . . . . σi2
En este caso se calcula
υ2 M
F=
υ 1 (b − M )

k +1
υ2 =
2
 1   1   
∑  − 1
  
 n − 1  Σ( n − k )  
 3( k − 1)   i  i  

ν1 = K – 1
υ2
b=
 1   1  

∑  − 1 2
1−   +
 n − 1  Σ ( n − k )  υ 2
 3( k − 1)   i  i 

M =( ∑ n i - k )1g (e) sp 2 - [ ∑ (n i − 1)1g (e) ŝ i 2 ]

s p2 =
∑ (n i ) ŝ i2
∑ni - k

172
Si F F1-α; ν1; ν2 se rechaza la hipótesis nula.

Ejemplo:

En un estudio a base de muestras, las variables se clasificaron en


cuatro grupos. Para cada uno se calculó la media y la varianza,
obteniéndose los resultados siguientes:

Media Varianza Muestra (n)


Clase 1 20 4 10
Clase 2 21 9 15
Clase 3 20 6 10
Clase 4 19 6 12

Se desea contrastar si existen diferencias significativas entre las


varianza a un nivel del 0,05.

Se desea:
H0 : σ1 2 = σ2 2 = σ3 2 . . . . . .= σi2

H1 : σ1 2 σ2 σ3 2 . . . . . . σi2

α = 0,05

υ2 M
F=
υ 1 (b − M )

donde:
k +1
υ2 =
2
 1   1  
∑  − 1
  
 n − 1  Σ ( n − k ) 
 3 (k − 1)   i  i 

173
5
υ2 = = 3,125
2
 1  1   1   1   1  1  
  + + + − 
 3 (4 − 1)  10 − 1   15 − 1   10 − 1   12 − 1  ( 47 − 4 )  

ν1 = k – 1 = 4 – 1 = 3
υ2
b=
 1    
∑  n i − 1  − Σ(ni − k)  + υ2
1 1 2
1−  
 3( k − 1)  

3. 125 3.125
b= = = 3. 253 ,18
 1 1 1 1 1 1 1  2 1 - 0,04 + 0,0006
1−  + + + + −  +
 3( 4 − 1)  9 14 9 11 9 43   3. 125

M =( ∑ n i − k ) lg (e) sp 2 - [ ∑ (n i − 1) lg (e) ŝ i 2 ]
donde:

s p2 =
∑ ( n i ) ŝ i2 9,4 + 14 ,9 + 9,6 + 11,6
= = 6,56
∑ni - k 47 − 4

M = (43 lg(e) 6,56) – (9 lg(e) 4) – (14 lg(e) 9) – (9 lg(e) 6) – (11 lg(e) 6)


M = (43 . 1,887) – (9 . 1,386) – (14 . 2,197) – (9 . 1,792) – (11 . 1,792)

M = 2,07

(3.125 )2,07
F= = 0,66
(3)3.253,18 − 2,07

F1-α; ν1; ν2 = F0,95; 3; = 2,60


Como 0,66 < 2,60 se acepta la hipótesis H0 , es decir, no hay
diferencias significativas entre las varianzas.

174
CAPÍTULO VIII

TEST PARA LOS COEFICIENTES DE CORRELACIÓN


Y REGRESIÓN LINEAL

Errores de estimación.
Significación del coeficiente de correlación.

8.1 Correlación lineal.

No es el propósito de este capítulo exponer detalladamente la


teoría de la correlación la cual es tratada exhaustivamente por
muchos autores. Más bien se intenta expresar las relaciones básicas
con el fin de concluir en la determinación de la significación del
coeficiente de correlación como producto de muestras obtenidas de
una población normal.

La relación de dos variables expresadas en términos


cuantitativos se pone de manifiesto a través del coeficiente de
correlación r. Existen varios tipos de correlación: lineales y
curvilíneas. En el primer caso, los cambios que experimenta una
variable están determinados por una razón constante en la otra; si
esta relación es directamente proporcional, se dice que la
correlación es directa; en caso contrario, es decir, cuando es
inversamente proporcional será inversa. En el caso de la
correlación curvilínea, los cambios de una variable con respecto a
otra obedecen a una función no lineal.

En los dos casos mencionados se tendrán varias formas: simple,


múltiple o parcial. La correlación simple está determinada por la
relación entre dos características o variables, siendo una
independiente y la otra dependiente. Por ejemplo, las ventas de una
empresa y los cobros correspondientes. La correlación múltiple se
refiere al grado de asociación entre dos o más variables y por
último, la correlación parcial mide el grado de relación entre
variables respecto a una de ellas, la cual permanece constante.

175
En este punto se tratará el caso de la correlación lineal simple, es
decir la relación de dos variables que se comportan de forma lineal.
Las funciones que definen el coeficiente de correlación son las
siguientes y su valor variará entre –1 y 1, bien sean negativas o
positivas.
a) Momento-Producto.

rxy =
∑ x' y'
∑ x ' 2 ∑ y '2
siendo ∑ x ' y' = ∑ (x i − x )(y i − y )

b) Pearson.

rxy = ∑ x' y'


n sx sy

c) Thurstone.

rxy = ∑ (xy) − n x y
∑x 2
− n x 2 ∑ y 2 − n y2

Estos coeficientes de correlación oscilarán entre –1 y 1.


Ejemplo de cálculo:
Supóngase que se tiene una muestra de facturas y recibos de cobros
de una empresa.
Ventas Cobros
1 2
2 2
3 3
3 5
3 4
4 5
5 7

176
Se desea establecer el coeficiente de correlación de dichas
variables.
Ventas Cobros
x' = x − x y' = y − y x’y’ (x − x)2 (y − y)2
(x) (y)
1 2 -2 -2 4 4 4
2 2 -1 -2 2 1 4
3 3 0 -1 0 0 1
3 5 0 1 0 0 1
3 4 0 0 0 0 0
4 5 1 1 1 1 1
5 7 2 3 6 4 9
21 28 0 0 13 10 20

∑ (xi − x )
2
21
x= =3 sx =
7 n
10 28
sx = = 1,43 = 1,2 y= =4
7 7

∑ (y i − y)
2
20
sy = = = 1,7
n 7

rxy = ∑ x' y' =


13
=
13
= 0,92
∑ x ' 2 ∑ y '2 10.20 14,16

La representación gráfica será:

y (5,7)

6
(4,5)
5

4 (3,4)
(3,3)
3
(1,2) (2,2)
2

1 2 3 4 5 6 7 x

177
8.2 Regresión lineal.
8.2.1 Generalidades.
La relación funcional que existe entre dos variables x e y se
expresa mediante las ecuaciones de regresión y su expresión
algebraica viene determinada por:

Ŷ = a + bx

X̂ = a + by

Al considerar la primera ecuación, x será la variable


independiente e Ŷ la dependiente. Análogamente en la segunda, y
será la independiente y X̂ la dependiente.
Para la determinación de las ecuaciones de regresión, habrá dos
maneras de calcularlas:
a) En función del coeficiente de correlación r
sy sx
y' = r x' x' = r y'
sx sy

donde x' = x − x

y' = y − y

en función de los valores de la serie x e y quedaría:


sy
y− y = r (x − x )
sx

sx
x− x = r (y − y)
sy

178
b) De acuerdo a las ecuaciones normales: para y:

Σy =na+bΣx
Σ xy = a Σ x + b Σ x2 (1)

Ŷ = a + bx

para x:

Σx =na+bΣy
(2)
Σ xy = n Σ y + b Σ y2
X̂ = a + by

Al considerar la resolución del sistema (1) se tiene:

Σy Σx
Σxy Σx 2 ΣyΣx 2 − ΣxΣxy
a= a=
Σx n Σx 2 − (Σx )
2
n
Σx Σx 2

n Σy
Σxy Σx 2 nΣxy − ΣxΣy
b= b=
nΣx − (Σx )
2 2
nΣx 2 − (Σx )2

Estas relaciones se obtienen a partir de una muestra, extraída de


una población de tamaño n, donde existirá una relación funcional
determinada por:

η = ( x1 , x2 . . . . . xp / θ1 , θ2 . . . . . . .θg)

siendo η la variable dependiente la cual es calculada a partir de una


variable independiente x1 , x2 . . . . . xp relacionadas estrechamente
con los parámetros θ1 , θ2 . . . . . . .θg.

179
Estos parámetros no se podrán calcular sin error ya que los valores
observados de la variable dependiente rara vez se corresponden con
los valores esperados; aunque los valores xi se midan sin error, el
valor esperado de la variable dependiente “y” no será igual al valor
esperado η, o sea:
y=η+E

Este valor de E se puede considerar como una variable aleatoria


con media “o” y varianza σ. En el caso que nos ocupa, de
regresión lineal simple, se tendrá:

η = α’ + β’ x

donde la variable dependiente será:

y = η + E = α’ + β’ + E

el problema se reduce a estimar α’ y β’ a partir de una muestra


mediante a y b que son los coeficientes de regresión.

La representación gráfica de la relación funcional señalada será la


siguiente:

y (x6 , y 6 )
(x2 , y 2 )
(x4 , y 4 )

(x1 , y 1 ) (x3 , y 3 )

(x5 , y 5 )

x x

180
Se observa en el gráfico anterior que los valores de las variables
observadas no coinciden exactamente con los valores de Y. Esta
diferencia es atribuible a un error el cual se calcula en función de
las diferencias al cuadrado observadas, En efecto se tiene:

∑ (yi − Ŷ )
2

S y
2
=
n

que se denomina error cuadrático de la estimación.

Para un valor dado de x las y están normal o independientemente


distribuidas con respecto a la media.

my/x = η = α’ + β’ x con varianza σ2

Ejemplo:

Considéresele mismo ejemplo señalado en 8.1. Se tiene:

a) La ecuación.

sy
1) y '= r x' para Ŷ = a + bx
sx
sx
2) x ' = r y' para X̂ = a + by
sy

sustituyendo en (1)
1,7
Ŷ − 4 = 0 ,92 ⋅ ( x − 3)
1,2
Ŷ − 4 = 1,3 (x − 3)
Ŷ = 0,10 + 1,3 x

181
Sustituyendo en (2)
1,2
X̂ − x = 0,92 ⋅ ( y − y)
1,7
X̂ − 3 = 0,92 ⋅ 0,70 (y − 4)
X̂ − 0,64 (y − 4) + 3
Ŷ = 0,44 + 0,64 y

Utilizando las ecuaciones normales:


x y x2 xy y- (y – )2
1 2 1 2 1,40 0,60 0,36
2 2 4 4 2,70 -0,70 0,49
3 3 9 9 4,00 -1,00 1,00
3 5 9 15 4,00 1,00 1,00
3 4 9 12 4,00 0,00 0,00
4 5 16 20 5,30 -0,30 0,09
5 7 25 35 56,60 0,40 0,16
21 28 73 97 - - 3,10

Σy =na+bΣx 28 = 7 a + 21 b
Σ xy = a Σ x + b Σ x2 97 = 21 a + 73 b

ΣyΣx 2 − ΣxΣxy 28 .73 − 21.97 7


a= = = = 0,10
nΣx 2 − (Σx )2 7 .73 − (21)2 10

nΣxy − ΣxΣy 7 . 97 - 21 . 97
b= = = 1,30
nΣx 2 − (Σx )2 1 . 73 - (21) 2

= 0,10 + 1,30 x

182
y
Ñ

5 Ñ
4

3 Ñ Ñ
Ñ
2 Ñ

1 2 3 4 5 6 7 x

El error de estimación será:

∑ (yi − Ŷ)
2
3,10
sy = = = 0,79
n 7

8.2.2 Intervalos de confianza.

Una vez calculado el error cuadrático de la estimación

∑ (yi − Ŷ )
2

Sy 2
=
n
se podrán obtener estimaciones de la varianza de diferentes
parámetros calculados en el análisis de la regresión y los intervalos
de confianza correspondientes; en efecto, se tiene:

a) Coeficiente b

S y2
La varianza de b es: s = 2
y
∑ x'2

183
El intervalo es: b − t ŝ b ≤ β '0 ≤ b + t ŝ b

b) Coeficiente a:

1 x2 
La varianza de a es: s 2 a = S2y  + 
 n ∑ x' 2 
El intervalo es: a − t s a ≤ α ' ≤ a + t s a

c) Para dado x:

2 1
= S  +1 +
2 (x − x) 
2
La varianza es: S ŷ 
y
 n ∑ x'2 

Luego el intervalo de estimación es:

Ŷ − t α ⋅ S ŷ ≤ Y ≤ Ŷ + t α
⋅ S ŷ
⋅ν 1− ⋅ ν
2 2

con ν = n – 2

En el ejemplo anterior, donde: = 0,10 + 1,30 x


Para x = 2 = 2,70 Sy 2 = 0,62 x =3

El intervalo para ese valor de x = 2 viene dado por:

Ŷ − t α ⋅ S ŷ ≤ Y ≤ Ŷ + t α
⋅ S ŷ
⋅ν 1− ⋅ ν
2 2

donde:
1
= 0,62  + 1 +
(2 − 3) 
2

 = 0 .7706
2
S ŷ
 7 10 

S = 0,878

184
Luego para un nivel de confianza del 95%

t=t α
= t 0 , 975;5 = 2,57
1− ; υ
2

entonces el intervalo de confianza es:

(2,70 – 2,57 . 0,878 ≤ Y ≤ 2,70 + 2,57 . 0,878)

(0,4435 ≤ Y ≤ 4,9565)

8.2.3 Contraste de hipótesis.

8.2.3.1 Coeficiente de regresión.

En algunas ocasiones se querrá conocer si el coeficiente de


regresión “b” difiere significativamente de un valor hipotético β’ el
cual toma un valor β 0 ’ y se desea contrastar la hipótesis nula:

H0 : β’ = β 0 ’

H1 : β’ ≠ β 0 ’

β '0
En este caso se utiliza el estadístico t = b −
sb
Donde la varianza del coeficiente de regresión, b es:

s y2
s =
2
b
∑X2
La región crítica será:

t ≥t α
t ≤ tα
1− ; n − 2 ; n− 2
2 2

185
Un valor común de β 0 ’ = 0 que refleja la hipótesis que y es
independiente de x. En otras palabras, de confirmarse esta
hipótesis, x no tendrá valor para estimar a y.

Ejemplo:

Anteriormente se había obtenido para el ejemplo 8.1 un


coeficiente de regresión b = 1,30. Se intenta comprobar que este
valor difiere poco de un valor teórico β 0 ’ = 2,00 o sea:

H0 : β’ = β 0 ’

H1 : β’ ≠ β 0 ’

β '0
utilizando el estadístico t = b −
sb

s y2 0,62
siendo s b = = = 0,007 = 0,084
∑X 2
73

1,29 − 2,00 − 0,71


luego t = = = −8,45
0,084 0.084

la región crítica es t ≥ t α
para α = 0,05
1− ; n − 2
2

t ≤ tα t0,975; 5 = 2,57
; n− 2
2

como t = -8,45

se rechaza la hipótesis β’ = β 0 ’

186
8.2.3.2 Significación del coeficiente de correlación.
Si se extrae una muestra de dos variables x e y de una
población normal, el coeficiente de correlación:

r= ∑ x' y'
n sx sy
es una estimación de ρ . En este sentido, se plantea contrastar la
hipótesis que:

H0 : ρ = ρ0
H1 : ρ ≠ ρ0

r
Se utilizará el estadístico: t = ⋅ n−2
1 − r2

y se rechazará cuando t ≥t α
t ≤ tα
1− ; n − 2 ; n− 2
2 2

Continuando con el ejemplo de 8.1, se tiene: r = 0,92 n = 7.


Luego, se desea comprobar la hipótesis

H0 : ρ = ρ0
H1 : ρ ≠ ρ0
Se calcula
0,92
t= ⋅ 5 1 − 0,92 2 = 0,3919 (tabla15)
1 − 0,92 2

0,92
5 = 2,24 t= ⋅ 2,24 = 5,26
0,39

a = 0,05 t0,975 = 2,57


como 5,26 > 2,57 se rechaza la hipótesis que el coeficiente de
correlación poblacional es “o”
H0 : ρ = ρ0

187
8.2.3.3 Comparación de dos coeficientes de correlación lineal.

Se trata de contrastar la hipótesis:

H0 : ρ1 = ρ2
H1 : ρ1 ≠ ρ2

Al efecto, supóngase que r1 sea el coeficiente de correlación de dos


variables y r2 el coeficiente de dos más, procedentes de un
conjunto de pares determinados por n1 y n2 . Ahora bien, los
valores r deben ser transformados en z, dado que el estadístico

r − ρ0
t=
s

no se distribuye como la t de Student para valores de r ≠ 0. En


consecuencia, se utilizará como expresión aproximada la siguiente:

z = ½ [log(e)(1 + r) – log(e) (1 – r)]

Fisher demostró que esta expresión se distribuye de forma normal


con media:
½ [log(e)(1 + r) – log(e) (1 – r)]

1
y varianza σ 2z =
n −3
Luego, para contrastar
H0 : ρ1 = ρ2
H1 : ρ1 ≠ ρ2
Se utiliza el estadístico
z1 − z2
zp =
Ŝ12 + Ŝ 22

188
y se rechaza la hipótesis cuando

z ≥z α
z ≤zα
1−
2 2

Ejemplo:
El servicio de auditoría de una empresa toma muestras de los
cobros efectuados sobre 20 facturas y los ingresos a caja efectuados
sobre los comprobantes de ingresos. Se calculó r y se obtuvo r1 =
0,99. En otro período se tomó una muestra de 30 facturas y se hizo
un análisis similar con r2 = 0,90. ¿Se podrá considerar que las dos
muestras provienen de un mismo colectivo?
Se pretende comprobar
H0 : ρ1 = ρ2
H1 : ρ1 ≠ ρ2
el estadístico a utilizar será:
z1 − z2
zp =
Ŝ12 + Ŝ 22

habrá de hacerse la transformación de r en z mediante:


z = ½ [log(e)(1 + r) – log(e) (1 – r)]
utilizando la tabla 18 se tiene:
r1 = 0,99 z1 = 2,64665
r2 = 0,90 z2 = 1,47222

1 1
Ŝ1 2 = = = 0,059
n 1 − 3 20 − 3

1 1
Ŝ2 2 = = = 0,037
n 2 − 3 30 − 3

189
luego

2,64665 − 1,47222 1,17443 1,17443


zp = = =
0,059 + 0,037 0,096 0,311

zp = 3,8

Luego, para un 95% de confianza

(-1,96 ≤ zp ≤ 1,96)

como zp = 3,8

se rechazará la hipótesis de igualdad de los dos coeficientes de


correlación.

190
CAPÍTULO IX

MUESTREO ALEATORIO SIMPLE

Conceptos y definiciones.
Estimaciones de la media, total y proporción.
Errores de muestreo. Intervalos de confianza.
Determinación del tamaño de la muestra.
Estimadores indirectos: método de la razón.

9.1 Conceptos y definiciones.

Al considerar un tipo de muestreo simple sin reemplazamiento,


se podrá seleccionar tantas muestras como combinaciones de N
elementos, tomados de n en n.

 N
 
n 
la probabilidad de salir de cualquier muestra vendrá dada por la
expresión:

1
Pb =
 N
 
n 

Bajo el supuesto anterior, la probabilidad de que salga cualquier


elemento poblacional será:

 N − 1
 
 n − 1  n
Pb = =
 N N
 
n 

191
puesto que fijado un elemento, con los N-1 restantes se podrán
hacer tantas combinaciones como:

 N − 1
 
n − 1 

luego, todos los elementos tienen la misma probabilidad de ser


seleccionados.
A continuación se pretende obtener los estimadores de la media,
del total y de la proporción en el denominado muestreo aleatorio
simple, o sea, muestreo sin reemplazamiento.
En esencia, el método consiste en la selección de n elementos de
una población N, de modo que cualquier muestra tenga la misma
probabilidad de salir, o sea:
1
Pb =
 
N
 
n 

 N
de todas las muestras posibles  
 
n

9.2 Estimaciones de la media, total y proporciones


poblacionales.

Considerada una población de N elementos que se supone


homogénea con respecto a la variable que se desea medir, se
selecciona al azar un subconjunto formado por n elementos. A
partir de éstos, se calcula la media aritmética de la variable
considerada, se hará la estimación del total correspondiente a todos
los elementos y se obtendrá una estimación de la proporción,
consistente en encontrar la relación entre un número o frecuencia
de elementos, con presencia o ausencia de una determinada
característica, con respecto al total de ellos.

192
9.2.1 Estimación de la media.

Sobre los elementos seleccionados, se calcula la media


aritmética correspondiente, mediante la expresión:

n
∑Xi
ˆ =
X i =1

n
la media aritmética muestral será un estimador insesgado de la
poblacional, o sea se obtendrá el estimador mediante

ˆ
x= X luego se dirá que

ˆ estima a la media poblacional X


X

Obtenidas las estimaciones de la media, el total y la proporción,


se deberán calcular los errores de muestreo correspondientes. Para
ello, es necesario calcula la varianza S2 , la cual se estima a partir de
la muestra mediante la cuasi-varianza, determinada por:

∑ x i − X 
ˆ
ŝ 2 =
n −1

obtenido este valor, se procederá a estimar la varianza σ x 2


ŝ 2
mediante la relación: σ x2 =
n

En general, el error de muestreo de la media σ x se determina


mediante la expresión siguiente:

N − n ŝ2 N − n ŝ
σx = ⋅ ó σx = ⋅
N n N n

193
el valor (N-n) / N se denomina Coeficiente de Corrección para
poblaciones finitas. Cuando N es suficientemente grande o infinita
con relación a la muestra, dicho coeficiente tiende a 1, o sea que
quedaría la expresión reducida a los términos siguientes:


σx =
n

Para encontrar el intervalo de confianza fijando un determinado


nivel de significación α, el coeficiente k deberá fijarse de acuerdo a
las características de la muestra y la población de donde procede.
En efecto, se tiene:

x − k σ x ≤ X ≤ x + kσ x
Ejemplos:

1. Se supone una población de 40 artículos de donde se extrajo


una muestra de 6, a fin de valorarlos. Determinar el precio medio y
el valor total de los 40 artículos.

Los valores obtenidos para cada artículo fueron los siguientes:

Bs. 10; 13; 16; 9; 10

La estimación de la media es:

ˆ =
X
∑Xi =
10 + 13 + 16 + 12 + 9 + 10
= 12
n 6
el error de muestreo de la media es:

N − n ŝ2
σx = ⋅
N n
2
como = 6,8

194
40 − 6 6,8
se tiene que: σx = ⋅ ≈ 0,9
40 6

el intervalo de confianza para la media es:

x − k σ x ≤ X ≤ x + kσ x

como se trata de una muestra pequeña debe usarse el coeficiente

t α
1 − ; n −1
2

fijado α = 0,05, se tiene que t = 2,57


luego el intervalo de confianza es:

12 − 2, 57 ⋅ 0, 9 ≤ X ≤ 12 − 2,57 ⋅ 0,9

o sea: 9,69 ≤ X ≤ 14,31


Esto indica que la media poblacional estará comprendida entre
Bs. 10 y 14 con un 95% de confianza.

2. Al efectuar un análisis de 35 paradas de un equipo, se


obtuvieron los siguientes resultados:

Horas de parada N° de paradas

4,1 – 6 5
6– 8 20
8– 0 6
10 – 12 3
12,1 – 14 1

Se desea calcular el promedio de horas de parada con un 95% de


confianza.

195
Clases xi fi d’ fa’ d’2 fd’2

4-6 5 5 -2 -10 4 20
6-8 7 20 -1 -20 1 20
8-10 9 6 0 0 0 0
10-12 11 3 1 3 1 3
12-14 13 1 2 2 4 4
35 -25 47

La estimación puntual de la media es:

ˆ = X + ∑ fd' ⋅ i = 9 − 25 ⋅ 2 = 7,57
X a
∑f c 35

la desviación típica es:

∑ fd'2  ∑ fd' 
2
47  − 25 
2

s = ic −  = 2 ⋅ − = 1,82
∑f  ∑f  35  35 

El error de muestreo se obtiene mediante

s 1,82
σx = = = 0,314
n −1 34

luego, el intervalo de confianza se define por:

x − k σ x ≤ X ≤ x + kσ x

Se requiere un nivel de confianza del 95%, luego:


α = 0,05 y Z 0,975 = 1,96, por lo tanto:

7,57 – 1,96 . 0,314 ≤ X ≤ 7,57 – 1,96 . 0,314


la media poblacional está comprendida entre 6,95 y 8,18 horas con
un nivel de confianza del 95%.

196
3. Se plantea la construcción de un gráfico de control para la
media x y la desviación típica σ x . El problema reside en calcular
un promedio de todas las muestras sacadas x así como la dispersión
correspondiente, o sea σ x y establecer los límites de control
respectivos determinados por:

x − k σ x : límite inferior (L1 )

x + k σ x : límite superior (L2 )

Se desea establecer los límites de control para un proceso de


fabricación donde la variable es el contenido promedio de los
envases de un cierto artículo. En efecto, en 10 días de producción
regular se seleccionan 600 envases diarios que condujeron a los
resultados siguientes:

Días N° de Promedio de Error de


observaciones Medición muestreo
xi σ xi
(cc/envase) (cc/envase)
1 600 25 2
2 600 24 2
3 600 25 3
4 600 27 3
5 600 23 1
6 600 27 3
8 600 26 2
9 600 25 2
10 600 25 2
11 600 25 1
Total 6000 252 21

La media general se obtiene así: x=


∑ xi =
252
= 25 ,2 siendo K el
K 10
número de muestras.

197
∑ σ xi 21
La desviación típica es: σ x = = = 2,1
K 10
si se considera el 99% de confianza: Z = 3

Límite inferior (L1 ): x − Z σ x

L1 = 25,2 – 3 . 2,1 = 20,1

Límite superior (L2 ): x + Z σ x

L2 = 25,2 + 3 . 2,1 = 31,5

La representación gráfica correspondiente se observa a


continuación:

L2 = 31,5
30 _
x = 25,2 + + +
25
+ + + + L1 = 20,1 + + +
20

10

1 2 3 4 5 6 7 8 9 10 11
Días

Establecidos los límites de control, se realizarán muestras diarias


distribuidas en la forma de trabajo, aceptándose lotes de producción
que estén comprendidos en los límites de confianza.

9.2.2 Estimación de la proporción.

Al considerar un determinado atributo, o sea la presencia de un


carácter en una variable (1) o la ausencia (0), se podrá obtener la
proporción de elementos que tienen (1) o no tienen una

198
determinada característica con respecto al total. Si ese total es con
respecto a la población y se consideran todos los elementos, se
tendrá una proporción P, o sea:

P=
∑ai
N

A partir de una muestra (n) se podrá obtener la proporción de


esa característica mediante:

p=
∑ai
n

Esta expresión p será un estimador insesgado o sea P̂ = p de la


proporción poblacional P.
El error de muestreo de la proporción σp se determina mediante el
término siguiente:

N − n p ⋅q
σp = ⋅
N n

p⋅q
quedando reducida dicha expresión a: σp = cuando el
n
coeficiente de corrección para poblaciones finitas tiende a 1.
En muestras pequeñas debe usarse como estimador del error de
muestras la expresión
N − n p ⋅q
σp = ⋅
N n

usando esta expresión se determina el intervalo de confianza


correspondiente, es decir:
p − k σp ≤ P ≤ p + k σp

199
Ejemplos:

1. Se supone una población de 400 personan y de la selección


al azar de 60 se observa que 40 fuman cigarrillos de una
determinada marca. Se desea estimar la proporción de fumadores
con el 95% de confianza.

La estimación de la proporción de fumadores es:

p=
∑ai =
40
= 0,57
n 60
como p = P̂ P̂ = 0,67

El error de muestreo de la proporción se calcula mediante:

N − n p ⋅q
σp = ⋅
N n

siendo q = 1 – p luego q = 1 – 0,67 = 0,33

400 − 600 0,67 ⋅ 0,33


σp = ⋅ = 0,055
400 60

El intervalo de confianza para α = 0,05 es:

p − k σp ≤ P ≤ p + k σp

Como se trata de una pequeña muestra, se usa el coeficiente t =


1,96 luego:
0,67 – 1,96 . 0,055 ≤ P ≤ 0,67 + 1,96 . 0,055

o sea: 0,56 ≤ P ≤ 0,78


El porcentaje de fumadores se estima entre un 56% y un 78%, con
un nivel de confianza del 95%.

200
Se requieren los límites de control para la aceptación o rechazo
de piezas construidas en un proceso de fabricación. En efecto, si la
proporción de artículos con algún defecto (etiquetas corridas, mal
tapados, sucios, etc.) excede un nivel de confianza del 99%, se
rechazará la producción y se hará un análisis exhaustivo de los
procedimientos utilizados. En efecto, se obtendrá un conjunto de
muestras (se recomienda al menos 20 cuyo tamaño no sea inferior a
50 observaciones) y se procede a calcular el porcentaje (p)
promedio de defectuosos.

En 20 días de observaciones aleatorias se obtuvo el resultado


siguiente:
Se hicieron 300 observaciones diarias, obteniéndose en
promedio p = 0,10 de artículos defectuosos con una desviación
σp = 0,02.
En efecto, el promedio de defectuosos

p=
∑pi
k
siendo la desviación típica

q
⋅ pi ⋅
σp = n
k
considerando Z = 3 para el 99% de confianza, se tendrá:

el límite inferior (L1 ) p – Z σp

0,10 – 3 . 0,02 = 0,04

el límite superior (L2 ) p + Z σp

0,10 + 3 . 0,02 = 0,16

201
L2 = 0,16
0,16

0,14

0,12
P̂ = 0,10
0,10

0,08

0,06
L1 = 0,04
0,04

0,02

Días
Establecidos los límites de control, se realizarán muestras
periódicas o cuando se juzgue necesario, para mantener el control
sobre la aceptación o rechazo de un determinado lote de
producción.
2. Se desea darle curso a una requisición mediante la cual se
solicitan tres unidades de transporte adicionales en un alacen. A fin
de tomar una decisión al respecto, se conviene en hacer un estudio
de tiempos con un nivel de confianza del 95% y un error de
estimación para los tiempos de parada que no exceda al 1%.
Se establecen los pasos necesarios para obtener un gráfico de
control. Al efecto, se determina el tamaño de la muestra. Para tal
fin se hace una muestra piloto en un día de movimiento del
almacén y se hace 200 observaciones al azar y se tiene que en 2o de
ellas las unidades estaban detenidas por diversas causas. Esto hace
que:
20
p= = 0,10
200

202
En la tabla 19 se observa que se requieren 3.600 observaciones
para establecer un tamaño de muestreo adecuado. Se decide hacer
un período de 10 días de observación, a razón de 360 observaciones
diarias distribuidas en la jornada de trabajo.

Los resultados obtenidos fueron los siguientes:

Número de veces Porcentaje


Tamaño de la
Días que estaban paradas de parada
muestra
la máquinas pi
1 360 10 2,8
2 360 15 4,2
3 360 15 5,6
4 360 20 13,9
5 360 50 5,6
6 360 20 4,4
7 360 16 4,2
8 360 15 4,2
9 360 15 4,2
10 360 15 4,2

El cálculo del promedio de parada es como sigue:

p=
∑ pi ⋅ 100 = 191 ⋅100 = 5,3
n 3600

La desviación es:

p ⋅q 5,3 ⋅ 94,7
σp = = = 139 ≈ 1,15
n 360
los límites de confianza para el 95% son los siguientes:
L1 : 5,3 – 1,96 . 1,15 = 3,05
L2 : 5,3 + 1,96 . 1,15 = 7,55
El gráfico de control se dibuja a continuación:

203
%

0,14

0,12

0,10
L2 = 8%
0,08

0,06 p = 5,3 + +

0,04 + + L1 = 3% + + +

+
0,02
| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10
Días

Como ser observa en el gráfico de control, las unidades de


transporte están detenidas por causas intrínsecas de trabajo entre el
3% y el 8% del tiempo diario, lo cual es considerado normal. Sin
embargo, el gráfico no está regularizado porque existen dos días, el
1 y el 5, donde las unidades operaron en condiciones anormales; en
consecuencia, es prudente rehacer el gráfico haciendo abstracción
de esos dos días.
a) Tabla de resultados revisada.
Tamaño de la Porcentaje de
Días
muestra parada p
2 360 4,2
3 360 4,2
4 360 5,6
6 360 5,6
7 360 4,4
8 360 4,2
9 360 4,2
10 360 4,2

204
b) Porcentaje de parada.

36 ,6
p= = 4,6
8
c) Desviación.

4,6 ⋅ 95 ,4
σp = = 1,22 ≈ 1,1
360

d) Límites de confianza.

inferior : 4,6 – 1,96 . 1,1 = 2,44


superior : 4,6 + 1,96 . 1,1 = 6,76

e) Gráfico de control.

0,14

0,12

0,10
L2 = 8%
0,08

0,06 p = 5,3 + +

0,04 + + L1 = 3% + + +

+
0,02
| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10
Días

205
f) Conclusiones.

De acuerdo a los resultados, es normal esperar que las máquinas


estén paradas entre un 2,44 y 6,76% del tiempo hábil diario. Esto
conduce a decidir que realmente no es necesario adquirir unidades
de transporte y, al mismo tiempo, se estableció un procedimiento
para llevar un control del tiempo de parada de las unidades. Desde
el momento en que se exceda de los límites de control, habrá que
investigar las causas respectivas.

9.2.3 Estimación del total.

El total poblacional (X) será la sumatoria de la cuantificación de


una variable de todos los elementos del colectivo considerado; las
estimación de ese total (X̂ ) se podrá hacer a partir de las relaciones
siguientes:

N
X̂ = Nx ó X̂ =
n
∑xi

Se demuestra que X̂ es un estimador insesgado del total


poblacional (X).

La varianza del total es:

σ x̂ 2 = N 2 σ x2

Sustituyendo σ x 2 se tiene:

N − n ŝ 2
σ x2 = N 2 ⋅ ⋅
N n

Luego
ŝ 2
σ x 2 = N ⋅ (N − n ) ⋅
n

206
Y el error de muestreo total será:

ŝ 2
σ x̂ = N ⋅ (N − n ) ⋅ ó σ x̂ = N ⋅ (N − n )

n n

El intervalo de confianza para el total es:

X̂ − k σ x̂ ≤ X ≤ X̂ + k σ x̂
Ejemplo:
Una muestra de seis artículos determinó un precio medio de Bs.
12,00 con una desviación de Bs. 6,80. Estimar el valor total de 40
artículos con un nivel de confianza del 95%.

X̂ = N x = 40 ⋅ 12 = 480

o sea que el conjunto de los 40 artículos vale Bs. 480,00. El error


de muestreo del total se obtiene mediante:

ŝ 2
σ x̂ = N ⋅ (N − n )
n

σ x̂ = 40 ⋅ (40 − 6)
6,8
= 39
6

luego el intervalo de confianza es:

X̂ − z σ x̂ ≤ X ≤ X̂ + z σ x̂

480 – 2,57 . 39 ≤ X ≤ 480 + 2,57 . 39


379 ≤ X ≤ 580

Entonces, la estimación del total del valor de los 40 artículos estará


comprendida entre Bs. 379 y 580 con un 95% de confianza.

207
9.3 Métodos Indirectos de estimación. El método de la razón.
En ocasiones es útil efectuar ciertas estimaciones utilizando
variables auxiliares correlacionadas con la variable sometida a
estudio. El origen de las variables auxiliares podrá provenir de
muestras semejantes o de valores conocidos obtenidos por
cualquier procedimiento. En efecto, xi es la variable objeto del
estudio utilizado para estimar la media poblacional X . La variable
Yi constituye una variable auxiliar correlacionada
significativamente con xi donde:
n
∑ yi = Y

que es el valor poblacional de la variable auxiliar.


Existe un conjunto de métodos que permiten encontrar los
estimadores correspondientes. Uno de ellos es el conocido como
Método de la Razón, el cual consiste esencialmente en lo siguiente:

a) Para la media: ˆ , r =  x  Y
X y
 
que es el estimador de la media con error de muestreo:

σ x ,r =
N
1 N -n 2 2
2

N n
(
X̂ Vx + Vy2 − 2rxy ⋅ Vx Vy )
siendo Vx y Vy los coeficientes de variación de x e y
respectivamente.

x
b) Para el total: X̂, r =   Y
 y

que es el estimador total con un error de muestreo:

σ x̂ ,r =
N -n 2 2
Nn
(
X̂ Vx + Vy2 − 2 rxy ⋅ Vx Vy )

208
Ejemplo:
Una empresa dispone de 150 clientes que tienen un saldo total
de Bs. 8.500. A los fines comprobar la veracidad del saldo según
libros (Bs. 8.500) se decidió usar la metodología siguiente:
a) Confirmar todas las cuentas cuyo saldo es superior a los
Bs. 100,00. En efecto, se tiene que son 50 con un saldo
total de Bs. 7.500,00.
b) Hacer una muestra sobre las 100 restantes que tienen un
saldo inferior o igual a Bs. 100,00 las cuales suman un
total de Bs. 1.000,00.
El objetivo del muestreo se hace con el fin de determinar si
existen diferencias entre lo reportado por los clientes y los libros
respectivos, son un nivel de confianza del 95%. En el caso que la
diferencia sea crítica, o sea que exceda al nivel de significación
respectivo, se asumirá que hay sub-estimación, falsificación
deliberada, apropiación indebida y en consecuencia, se procederá a
realizar un examen exhaustivo de todas las cuentas.
A los fines del problema, se tratarán por separado los casos a y
b, desarrollándose los cálculos para este último (b).
Asumiendo que se espera que algunos clientes no contestarán, se
supondrá que éstos se comporten como el promedio y los cálculos
se harán sobre todos los clientes seleccionados.
De la población de 100 clientes se tomó una muestra de cinco de
ellos, los cuales presentan los saldos siguientes:

Clientes Saldo (Bs.)


1 50
2 20
3 80
4 100
5 100
Total 350

209
Se enviaron los estados de cuenta a los clientes y se recibió
contestación de todos, reportando los siguientes saldos:
Clientes Saldo (Bs.) Observaciones
1 50
2 20
3 30 Inconforme
4 100
5 80 Inconforme
Total 280

De acuerdo al planteamiento del problema, habrá que calcular


una estimación de los parámetros que se mencionan:

a) Estimación del total X̂ en base al método de la razón,


considerando como variable auxiliar a los saldos según
libros.
b) Calcular el error de muestreo de la estimación total.
c) Calcular el intervalo de confianza para el 95%.
Los cálculos respectivos serán los siguientes, sobre la tabla que
define las variables.

Cliente Saldo s / libros (y) Confirmación (x)


1 50 50
2 20 20
3 80 30
4 100 100
5 100 80
Total Σ y = 350 Σ x = 280

a) Estimación del total X̂

X̂ = Y ⋅ ∑
x
∑y

siendo Y el saldo según libros, o sea, Bs. 1.000

luego:

210
280
X̂ = 100 ⋅ = 800
350

b) Error de muestreo del total X̂

σ x̂ ,r =
N -n 2 2
Nn
(
X̂ Vx + Vy2 − 2 rxy ⋅ Vx Vy )
siendo
r : el coeficiente de correlación entre x e y
Vy : el coeficiente de variación de y
Vx : el coeficiente de variación de x

En efecto, se tiene que:

r= ∑ x' y' , Vx =
sx
, Vy =
sy
n ⋅s x ⋅s y x y

calculando se tiene que:


sy = 34,7 y = 70 r = 0,96

sx = 33,6 x = 56

s x 33,6
luego: Vx = = = 0,6
x 56

s y 34,7
Vy = = = 0,5
y 70

entonces, el error de muestreo será:

σ x̂ =
100 - 5
100 ⋅ 5
[
800 2 (0,6 ) 2 + (0,5) 2 − 2 ⋅ 0 ,96 ⋅ 0,6 ⋅ 0 ,5 ]
σ x̂ = 64

211
c) El intervalo de confianza será:

X̂ − k σ x̂ ≤ X ≤ X̂ + k σ x̂
como el nivel de confianza requerido es del 95%, el valor de t
será:
t α
= t 0 ,975; υ = 2,78
1− ; υ
2
luego el intervalo será :

800 – 2,78 . 64 ≤ X ≤ 800 + 2,78 . 64

finalmente, se tiene que el saldo total verdadero debe estar


comprendido entre Bs. 662 y 978, es decir, 662 ≤ X ≤ 978.

Atendiendo a los resultados, se dictaminará favorablemente


sobre el saldo de las cuentas por cobrar que aparece en los estados
financieros.

9.4 Determinación del tamaño de la muestra.

Uno de los factores que mayor importancia tiene en el diseño de


una muestra es la determinación del tamaño de la misma., por lo
tanto, se debe prestar a este punto especial atención. En la práctica,
existe una tendencia generalizada de fijar el tamaño de la muestra
como un porcentaje de la población, Realmente, esto podrá tener
relativa importancia en muestras pequeñas, pero por lo general, el
tamaño de la muestra estará en función de la homogeneidad de la
población, los niveles de confianza elegidos y el error que se desee
obtener en las estimaciones.

Así, por ejemplo, una muestra bastante grande tomada de una


población suficientemente homogénea con respecto a la
característica que se desea medir, no difiere significativamente de
una muestra pequeña de la misma población, o sea que la eficiencia
en la estimación estará en razón directa a la variabilidad de los

212
elementos medidos. Por otra parte, el tamaño de la muestra para
dar determinada información con un nivel de confianza requerido,
no aumentará indefinidamente cuando crece el tamaño de la
población.

Atendiendo a lo expuesto anteriormente habrá que tomarse en


cuenta, para la determinación del tamaño de la muestra, las
siguientes consideraciones:

a) Los objetivos de la muestra.

Si se trata de investigar un conjunto de variables para


analizar propósitos múltiples, deberá considerarse el mayor número
de variables y analizar con muestras rápidas o piloto la variabilidad
de las características que se desee medir. El cálculo de una cuasi-
varianza permitirá tener una idea concreta de la dispersión de las
variables. En consecuencia, en la medida que la variabilidad de los
elementos sea menor, se obtendrán muestras más pequeñas, dado
que proceden de poblaciones homogéneas.

b) El dominio de estudio.

En razón directa a las diferentes clasificaciones y niveles en que


se desee estimar las variables, se determinará que el tamaño de la
muestra crezca. Así, por ejemplo si se desea estimar el resultado
económico de empresas a nivel de municipios, se requerirá una
muestra significativamente más grande que si se deseare una
estimación a nivel de Estado o Nacional. Evidentemente que el
tamaño de la población será también factor a considerar.

c) El costo de los estudios.

Esta variable es importante dado que liga una función


económica a los niveles de investigación. En muchos casos habrá
que sacrificar precisión de acuerdo a las asignaciones
presupuestarias respectivas.

213
d) Error absoluto y precisión.
Fijando el nivel de confianza de las estimaciones, se deberá
concretar el error absoluto o máximo admisible; este último se
define como el producto del nivel de confianza requerido por el
error de muestreo, o sea:
E=kσ
Este error, expresado en las mismas unidades con que se mide la
variable, determina el valor a sumar y restar en la estimación para
obtener el intervalo de confianza. Así, por ejemplo, si se quiere
calcular una estimación del saldo medio de un conjunto de cuentas
que aproximadamente sea de Bs. 500, el error máximo admisible o
absoluto que se fijará podría ser de Bs. 20,00 de acuerdo a nuestros
intereses. Otro ejemplo podría ser estimar la probabilidad de
fumadores de un mercado potencial y se fija que las estimaciones
deben tener un error del 3%, porque dicha precisión es necesaria
para los fines del trabajo.
e) Diseño de muestreo.
Atendiendo al tipo de muestreo utilizado, la formulación para
calcular el tamaño de la muestra será diferente en cada caso
particular.

9.4.1 Cálculo del tamaño de la muestra para la media en el


muestreo aleatorio simple.
Siendo e = k σ x se tiene:
e 2 = k 2 σx sustituyendo a σ x 2 por su valor,
2

N − n ŝ 2
e2 = k2 ⋅
N n

N n e 2 = k 2 N ŝ 2 - k 2 n ŝ 2

N n e 2 + k 2 n ŝ 2 = k 2 N ŝ 2

214
n (N e 2 + k 2 ŝ 2 ) = k 2 N ŝ 2

luego, el tamaño de la muestra para la media se calcula mediante:

k 2 N ŝ 2
n =
N e2 + k 2 ŝ 2
Ejemplo:

De una población de 400 artículos, se tomó una muestra piloto


de 6 para estimar su valor medio y utilizar el resultado para
determinar el tamaño de la muestra con el 95% de confianza.

a) Se calcula la media de la muestra piloto: x = 12 Bs.


b) Se calcula la cuasi-varianza: ŝ 2 = 6,8
c) Se fija el coeficiente de confianza para el 95%: k = 1,96 ≈ 2
d) Se fija el error máximo admisible: e = Bs. 1
e) Se determina el tamaño de la muestra:

k 2 N ŝ 2 4 ⋅ 400 ⋅ 6,8
n = = = 25
N e + k ŝ
2 2 2 400 ⋅ 1 + 4 ⋅ 6,8

o sea que el tamaño de la muestra requerida es de 25 elementos.

9.4.2 Cálculo del tamaño de la muestra para el total en el


muestreo aleatorio simple.

Siendo e = k σ x se tiene:
e 2 = k 2 σx sustituyendo a σ x 2 por su valor,
2

 ŝ 2 
e 2 = k 2  N (N − n )⋅ 
 n 

n e 2 + k 2 N n ŝ 2 = k 2 N 2 ŝ 2

215
n (e 2 + k 2 N ŝ 2 ) = k 2 N 2 ŝ 2

luego, el tamaño de la muestra para el total se calcula mediante:

k 2 N 2 ŝ 2
n =
e 2 + k 2 N ŝ 2

Ejemplo:

De una población de 400 artículos, se tomó una muestra piloto


de 6 para estimar su valor total de los artículos y utilizar el
resultado para determinar el tamaño de la muestra con el 95% de
confianza.

a) Se calcula la media de la muestra piloto: x = 12 Bs.


b) Se calcula la cuasi-varianza: ŝ 2 = 6,8
c) Se fija el coeficiente de confianza para el 95%: k = 1,96 ≈ 2
d) Se fija el error máximo admisible: e = Bs. 150
e) Se determina el tamaño de la muestra:

k 2 N 2 ŝ 2 4 ⋅ 400 2 ⋅ 6,8
n = = = 130
e 2 + k 2 N ŝ 2 150 ⋅ 1 + 400 ⋅ 6,8

o sea que el tamaño de la muestra requerida es de 130


elementos.

9.4.3 Cálculo del tamaño de la muestra para la proporción en


el muestreo aleatorio simple.

Siendo e = k σp se tiene:
e2 = k 2 σp2 sustituyendo a σ p 2 por su valor,

216
N − n p ⋅q
e2 = k2 ⋅
N n

N n e2 = k2 N p q − k2 n p q

n (Ne 2 + k 2 p q) = k 2 N p q

luego, el tamaño de la muestra para la proporción se calcula


mediante:

k2 N p q
n =
Ne 2 + k 2 p q

Ejemplo:

De una población de 400 personas, se tomó una muestra piloto


de 60 para estimar la proporción de fumadores y utilizar el
resultado para determinar el tamaño de la muestra con el 95% de
confianza.

a) Se calcula la proporción de la muestra piloto: p = 0,7


b) Se fija el coeficiente de confianza para el 95%: k = 1,96 ≈ 2
c) Se fija el error máximo admisible: e = 0,10
d) Se determina el tamaño de la muestra mediante:

2 2 ⋅ 400 ⋅ 0,7 ⋅ 0, 3
n = = 69
400 ⋅ 0 ,10 2 + 2 ⋅ 0, 78 ⋅ 0,3

o sea que el tamaño de la muestra requerida es de 69 personas.

9.4.4 Uso de las tablas para determinar el tamaño de la


muestra.

En algunos casos se simplifica la determinación del tamaño de


la muestra utilizando ciertas tablas, fijando a priori el error absoluto

217
o el grado de acuracidad, así como el valor de la estimación de la
proporción o de la varianza fijada a partir de una muestra piloto. A
continuación se verán algunos casos.

9.4.4.1 Tamaño de la muestra para una proporción dada,


considerando una población infinita.

La tabla 19 recoge el tamaño de la muestra fijando a priori el


error absoluto y la proporción p, cuando la población es infinita. En
efecto, se tabularon los diferentes valores para la expresión

p ⋅q
e=k
n
Ejemplo:

En un archivo se dispone de un conjunto de carpetas que


contienen los ingresos de caja de 5 años. Se quiere hacer un
análisis de dicha información. Para tal fin se tomó una muestra
piloto de 25 comprobantes eligiéndolos al azar. Se encontró que el
8% de los comprobantes tenían reparos. Se desea hacer la
determinación del tamaño de la muestra con el 95% de confianza y
considerando que se podrían admitir errores en un 2% máximo, o
sea que se admite como normal que 2 de cada 100 documentos
estén defectuosos.

En la tabla 19 se lee el error absoluto e = 2% en el


encabezamiento y en la columna matriz el porcentaje
correspondiente, o sea 8%. En el cuerpo del cuadro, se leerá el
tamaño de la muestra correspondiente, o sea: n = 736.

Esto quiere decir que con las restricciones planteadas, se deben


analizar 736 comprobantes.

218
9.4.4.2 Tamaño de la muestra para una proporción (p) dada,
considerando una población finita.

A partir de la expresión

N − n p ⋅q
e=k ⋅
N n

usando la tabla N° 20, considerando un nivel de confianza del 95%,


un error absoluto de 0,025 y 0,05, se tabuló el tamaño de la
muestra, dado el tamaño de la población.

Ejemplo:

Se considera un conjunto de relaciones que permiten definir si


un procedimiento se cumple o no. Se tienen 1.000 documentos que
deben ser analizados mediante una muestra y hacer un dictamen
con el 95% y un error del 5%. Se tomó una muestra piloto y se
encontró que el 4% no cumple con los procedimientos. Se desea
calcular el tamaño de la muestra respectiva.

En la tabla 20 se busca en la columna N = 1000 y en la línea


p = 0,05, con un error del 0,05, el tamaño de la muestra que es de
56 documentos los cuales deben ser analizados.

Para valores de N no contenidos en la tabla, se podrá tomar el


valor más próximo hacia arriba. Así por ejemplo si N = 800, se
podrá leer sin mucha rigurosidad en la columna N = 1000 o, en
todo caso, se procederá al cálculo respectivo.

219
220
CAPÍTULO X

MUESTREO ESTRATIFICADO

Conceptos y definiciones.
Estimaciones de la media, total y proporción.
Errores de muestreo.
Intervalos de confianza.
Determinación del tamaño de la muestra.

10.1 Conceptos y definiciones.


Cuando los elementos de una población no son homogéneos,
con respecto a las características que se desean medir, se deberán
clasificar los elementos en función de ellas, con el fin de agruparlos
en estratos para hacerlos aproximadamente homogéneos con
respecto a la característica considerada. Sea, por ejemplo, que se
desea calcular los saldos medios de un gran número de clientes con
saldos cuya variabilidad y antigüedad es bien diferente. Para tal fin,
habrá necesidad de clasificar a los cliente por antigüedad, o sea: 30,
60, 90 y 180 días y además por saldos, de acuerdo a una
distribución adecuada, por ejemplo:
Saldos menores de Bs. 1000
1001 2000
2001 3000
más de Bs. 3000

A cada grupo o estrato habrá que darle un tratamiento como si


se tratase de una muestra aleatoria simple y agruparla por un
método apropiado para obtener las estimaciones de la población.
El problema reside entonces en clasificar la población en h
estratos, o sea: N1 N2 N3 . . . . . . .Nh , donde
h
∑ N h = N o sea la suma de los elementos de cada estrato es igual al
i =1

tamaño de la población.

221
De cada estrato se seleccionará una muestra, o sea:
n1 n2 n3 . . . . . . .nh , donde

h
∑ n h = n o sea la suma de los elementos seleccionados en cada
i =1

estrato es igual al tamaño de la muestra.

Existen varios criterios para seleccionar la muestra. Se


mencionan a continuación los siguientes:

a) Afijación arbitraria.

Se selecciona un número cualquiera de elementos de cada


estrato, independientemente del total de elementos que cada uno de
ellos tenga. En otras palabras:

n1 ≠ n2 ≠ n3 ≠. . . . . . .≠ nh

b) Afijación proporcional.

Se selecciona un número proporcional (Wh ) de elementos en


cada estrato con respecto al total de cada uno de ellos. En efecto:

N1
W1 =
N
N2
W2 =
N
.....
Nh
Wh =
N

c) Afijación óptima.

En este caso, el tamaño de la muestra de cada estrato Nh es


proporcional al producto de ella por la varianza del estrato
correspondiente. Este método es particularmente útil cuando hay

222
diferencias marcadas entre las varianzas y proporciona errores de
muestreo un poco más pequeños.

10.2 Estimaciones de la media.


Considerada una población que ha sido previamente
estratificada, se selecciona una muestra de los estratos
correspondientes y se procede a calcular para cada uno de ellos la
media y la varianza, procediendo luego a obtener la media general,
el error de muestreo y el intervalo de confianza respectivo. Habrá
que diferenciar en cada caso el tipo de afijación establecido.

10.2.1 Afijación arbitraria.


La media general es:

X̂ =
∑ N h x h donde
N

Nh : es el total de elementos del estrato h.


x : la media del estrato h.

La varianza general se obtiene mediante:

σ x2 =
∑ N h σ xh 2
N2
donde:
σ x2 : es la varianza del estrato h

El error de muestreo entonces se obtiene por :

( )
1 ŝ h
σ x2 =
N
∑ Nh Nh - nh ⋅ nh
donde

ŝ h2 : es la varianza de cada estrato h

223
El intervalo de confianza respectivo es:

x −k σ ≤ X ≤x + kσ
x x

Ejemplo:

Para realizar una investigación económica, una población


constituida por 150 empresas se han clasificado en empresas
pequeñas, medianas y grandes. De cada grupo se seleccionó una
muestra y se estimó el valor medio de los ingresos por empleado.
Con los resultados se desea estimar el ingreso medio de todos los
empleados.

Los resultados del caso se resumen a continuación:

Tipo de Total Número de Ingreso Medio Desviación


Empresa Empresas Bs. Típica
seleccionadas
Total 400 150 - -
Pequeñas 80 20 500 100
Medianas 200 100 800 150
Grandes 120 30 900 220

La estimación de la media y el error de muestreo es el siguiente:

∑ Nh xh 2

∑ N h (N h - n h ) ⋅
1 ŝ h
X̂ = σ x2 =
N N nh

Para realizar el cómputo correspondiente se pueden disponer los


cálculos en la tabla siguiente:

224
2
N h (N h − n h )ŝ h
N h- xh ŝ h2
ŝ h2
Estrato
-h - Nh nh xh ŝ h Nh-- n h N h-( N h-- n h) nh
nh

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
1 80 20 500 100 40.000 60 4.800 10.000 500 2.400.000
2 200 100 800 150 160.000 100 20.000 22.500 225 4.500.000
3 120 30 900 220 18.000 90 10.800 48.400 1.163 17.420.000
Total 400 150 -- -- 308.000 -- -- -- -- 24.320.000

La media es la suma de la columna (5) sobre el tamaño de la


población

ˆ 308 .000
X= = 770
400

El error de muestreo es:

1
σ = 24.320 .400 = 12
x 400

El intervalo de confianza para la estimación del ingreso medio para


α = 0,06 es:
770 - 1,96 . 12 ≤ X ≤ 770 + 1,96 . 12
es decir:
746,48 ≤ X ≤ 793,52

10.2.2 Afijación proporcional.

En este caso, los valores de nh son proporcionales a Nh , por tanto


las expresiones citadas anteriormente se transforman en las
siguientes:

La media general es:


ˆ
X=
∑nh xh
n

225
Con un error de muestreo definido por:

nh
N- n ∑ n
⋅ ŝ h 2
σx =
N n

Por supuesto que el intervalo de confianza se obtiene mediante:

x − k σx ≤ X ≤ x + k σ x
Ejemplo:
En un estudio de mercado se investigó el consumo medio por
familia de un limpiador de cocinas. A tal fin, la zona de estudio se
clasificó atendiendo al tipo de familia según su ingreso y de allí se
tomó una muestra proporcional al total de familias. Se desea
estimar el consumo promedio por familia para la zona.
De acuerdo con el resumen de la investigación se detalla la
información a continuación:

Tipo de familia Total de Muestra Consumo Desviación


según ingreso familias seleccionada medio típica
A 300 30 10 6
B 200 20 15 4
C 70 7 12 4
D 30 3 15 2
Total 600 60 -- --

En este caso, por tratarse de una muestra proporcional, se


utilizan los estimadores siguientes:

nh
ˆ ∑nh xh N- n ∑ n
⋅ ŝ h 2
X= σx =
n N n

Los cálculos se disponen en una tabla:

226
N h- xh nh
Nh nh xh ŝ h ŝ h2 ŝ h2
n
(1) (2) (3) (4) (5) (6) (7)
30 10 6 36 300 0,50 18,00
20 15 4 16 300 0,33 5,28
7 12 4 16 84 0,12 1,92
3 15 2 4 45 0,05 0,20
60 -- -- -- 729 -- 25,4

La media es la suma de la columna (5) entre 60.


729
x= = 12,15
60
el error de muestreo es:

600 − 60 25,4
σx = ⋅ = 0,90 ⋅ 0,4233 = 0,62
600 60

luego el intervalo de confianza para un 99%, para la estimación del


consumo medio es:

12,15 - 3 . 0,62 ≤ X ≤ 12,15 + 3 . 0,62

10 ≤ X ≤ 14
10.2.3 Afijación óptima.
Si se verifica que el tamaño de la muestra para cada estrato es
proporcional al producto del tamaño del estrato por la desviación
típica ŝ h y además existen diferencias significativas entre las
varianzas por estrato, se utilizará preferentemente la afijación
óptima. Al efecto, se debe verificar que

Nh ŝ h
nh = n
∑ N h ŝ h

Los estimadores correspondientes se indican a continuación.

227
Para obtener la media general:

ˆ
X=
∑ Nh xh
N

y el error de muestreo es:

2
 N ŝ 
∑  hN h 
 Nh 2
  1
σx =
n N
∑ N
⋅ ŝ

el intervalo correspondiente es:

x − k σx ≤ X ≤ x + k σ x

Ejemplo:

En una investigación realizada en cinco comunidades se estimó


el ingreso medio familiar. Se desea una estimación del ingreso de
todas las comunidades. La información del caso se resume a
continuación.

NÚMERO DE FAMILIAS
Ingreso Desviación
Comunidades Total Seleccionadas
Medio Bs. típica
A 500 60 1.000 100
B 200 12 800 500
C 650 159 700 200
D 300 45 600 120
E 200 24 850 100

En vista de que existe una proporcionalidad entre el tamaño del


estrato y el producto de él con la desviación, se estima la media y el
error de muestreo correspondiente mediante:

228
Los cálculos se disponen en la tabla siguiente:

nh Nh Nh . (Nh . h)2 Nh . 2
ŝ h2
Estrato h h
Nh xh ŝ h N h- xh
-h - N N N2 N
(*)

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
1 500 60 1000 100 10.000 500.000 0,27 27,0 729,00 2.700
2 200 12 800 500 250.000 160.000 0,11 55,0 3.025,00 27.500
3 650 159 700 200 40.000 455.000 0,35 70,0 4.900,00 14.000
4 300 45 600 120 14.400 180.000 0,16 19,2 368,64 2.304
5 200 24 850 100 10.000 170.000 0,11 11,0 121,00 1.100
Total 1.850 300 -- -- 1.465.000 1,00 -- 9.143,64 47.604
(*) El tamaño de la muestra n se repartió en cada estrato según

Nh ŝ h
nh = n
∑ N h ŝ h
La media resulta de dividir la columna (6) sobre N
ˆ 1.465 .000
X= = 792
1.850
El error de muestreo es:

9143 ,64 1
σx = − ⋅ 47 .604 = 30.40 - 25,73 = 2,18
300 850

luego el intervalo de confianza para el ingreso medio de las


comunidades, para el 99% de confianza es:

792 - 3 . 2,18 ≤ X ≤ 792 + 3 . 2,18

785 ≤ X ≤ 799

10.3 Estimaciones de la proporción.

Las consideraciones anotadas para la media se hacen extensivas


a la proporción. En este sentido, se toma en cuenta el tipo de
afijación para el cálculo de los estimadores correspondientes.

229
10.3.1 Afijación arbitraria.
La proporción general se obtiene mediante:

pe =
∑ N h ph
N

siendo ph la proporción para cada estrato h.

El error de muestreo es:

1 N h (N h - n h )
σp = p h qh
e N n h −1

El intervalo de confianza para la proporción poblacional P es :

p − k σp ≤ P ≤ p + k σp
e e

Ejemplo:

Si se consideran varios lotes de producción y para cada uno de


ellos se ha estimado a partir de una muestra la proporción de
aluminio, se tiene:

Lotes de Proporción de Total de Muestra


producción Aluminio artículos seleccionada
A 0,10 1000 300
B 0,15 1500 350
C 0,16 600 100

Se desea estimar la proporción de aluminio al reunir los lotes A,


B y C.

Los cálculos correspondientes se disponen de esta manera:

230
Nh (Nh -n h ) qh p h
qh = 1 - p h
Estrato

nh ph Nh (Nh -n h)ph qh
Nh Nh ph Nh -nh Nh (Nh -nh)
(*) nh - 1

(1) (2) (3) (4) (5) (6) (7) (8) (9)


1 1000 300 0,10 0,90 100 700 700.000 63.000,0 210,70
2 1500 350 0,15 0,85 225 1150 1.725.000 219.937,5 630,19
3 600 100 0,16 0,84 96 500 300.000 40.320,0 407,27
Tot. 3100 750 -- -- 421 -- -- 1.248,16

La proporción se estima mediante el cociente del total de la


columna (5) sobre el tamaño de la población N, es decir:

421
pe = = 0,14
3100
El error respectivo es:

1
σp = 1248,16 ≅ 0,01
e 3100

Luego, el intervalo de confianza para la proporción de aluminio de


todos los lotes, considerando un 99% es:

0,14 - 3 . 0,01 ≤ P ≤ 0,14 + 3 . 0,01 o sea 0,11 ≤ P ≤ 0,17

10.3.2 Afijación proporcional.


Si nh es proporcional a Nh, el cálculo de los estimadores se
reduce a calcular la proporción general mediante:

pe =
∑nh ph
n

con un error de muestreo determinado por:

231
N- n nh
σp = ∑ ⋅ ph ⋅ q h
e N.n n

El intervalo de confianza es:

p − k σp ≤ P ≤ p + k σp
e e

Ejemplo:
En un estudio de opinión se obtiene la proporción de familias
consumidoras que están dispuestas a comprar un artículo de
consumo a un precio dado. El estudio se realizó a base de muestras
proporcionales sobre 4 ciudades y se obtuvo el resultado siguiente:

Total de N° de familias Proporción de


Ciudades
Familias entrevistadas familias
1 1000 200 0,60
2 2000 400 0,80
3 600 120 0,75
4 400 80 0,65
Total 4000 800 --

Se desea estimar la proporción para las cinco ciudades. A tal fin,


los cálculos correspondientes se disponen así:
Estrato

N h- xh nh
Nh nh xh ŝ h ŝ h2 ŝ h2
n
(1) (2) (3) (4) (5) (6) (7)
1 1000 200 0,60 0,40 0,25 0,15 0,06
2 2000 400 0,70 0,30 0,50 0,35 0,11
3 600 120 0,75 0,25 0,15 0,11 0,03
4 400 80 0,65 0,35 0,10 0,07 0,02
Total 4000 800 -- -- -- 0,68 0,22

La proporción total estimada para las cinco ciudades se obtiene


sumando la columna (6)

Pe = 0,68

232
El error de muestreo es:

4000 − 800
σp = ⋅ 0,22 = 0,015
e 4000 ⋅ 800

Luego, el intervalo de confianza para la proporción con un 95% es:


0,68 - 1,96 . 0,015 ≤ P ≤ 0,68 + 1,96 . 0,015
0,65 ≤ P ≤ 0,71
10.3.3 Afijación Óptima.
Si la muestra nh es proporcional al producto de Nh por la
desviación típica de cada estrato, la proporción en el muestreo
estratificado se calcula mediante:

pe =
∑ N h ph
N
con un error de muestreo

N 
2

∑  Nh ⋅ p h ⋅ q h  Nh
  1
σp =
e n N
∑ ⋅p ⋅q
N h h

El intervalo de confianza es:

p e − k σ p ≤ P ≤ pe + k σ p
e e

Ejemplo:
Al considerar la información necesaria para realizar un
diagnóstico social de un proyecto, se investigaron 4 comunidades
rurales, calculándose para cada una de ellas la proporción de
analfabetismo.
Los resultados se disponen a continuación:

233
N° total de N° de personas % de
Comunidades
habitantes entrevistadas analfabetismo
1 600 32 20
2 500 21 15
3 200 6 10
4 600 41 30

El cálculo de los estimadores se dispone de la manera siguiente:


Estrato

Nh Nh Nh
Nh nh ph qh .p h .p h q h
N N N
(1) (2) (3) (4) (5) (6) (7)
1 600 32 0,32 0,20 0,80 0,0640 0,0512
2 500 21 0,26 0,15 0,85 0,0390 0,0332
3 200 6 0,11 0,10 0,90 0,0110 0,0099
4 600 41 0,31 0,30 0,70 0,0930 0,0651
Total 1900 100 -- -- -- 0,2070 0,1594

La estimación de la proporción de analfabetos es:

pe =
∑ Nh ph = 0,207
N

y el error de muestreo es:


2
N 
∑  Nh ⋅ p h ⋅ q h   Nh 
  1
σp =
n
∑ 

N  N
⋅ p h ⋅ q h 
e

1 0,1594
σp = 1 00 -
e N 1000

σ p = 0,013
e

234
Luego el intervalo de confianza para el 95% es:
0,207 - 1,96 . 0,013 ≤ P ≤ 0,207 + 1,96 . 0,013
0,18 ≤ P ≤ 0,23

10.4 Estimaciones para el total.

10.4.1 Afijación arbitraria.

El estimador del total para el muestreo estratificado es el


siguiente:
ˆ
Xˆ = N x = ∑ N h . x h

El error de muestreo correspondiente se calcula mediante:

( ) ŝ h
σ =
x̂ˆ
∑ Nh Nh - nh ⋅ nh

El intervalo de confianza respectivo es:

ˆ ˆˆ + k σ
Xˆ − k σ ≤ X ≤ X
x̂ˆ x̂ˆ

Ejemplo:

Al realizar un diagnóstico económico de la industria metálica se


desea estimar el total de obreros que trabajan en el sector.
Previamente, las empresas se han clasificado de acuerdo a su
importancia económica, obteniéndose los resultados que se
describen en el cuadro siguiente:

235
N° de Promedio de
Tipo de Total de Desviación
empresas obreros el día
Empresa Empresas Típica
Seleccionadas de la encuesta
Pequeñas 300 30 4 1
Medianas 150 20 20 3
Grandes 20 50 50 5

Los cálculos para estimar el total y su error correspondiente se


disponen así:
Estratos

ŝ h 2 Nh
Nh nh xh ŝ h ŝ h2 Nh x h N h ( Nh − n h ) N h (N h − n h )ŝ h2
nh n

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
1 300 30 4 1 1 0,033 0,64 1200 81.000 2.673
2 150 20 20 3 9 0,450 0,32 3000 19.500 8.755
3 20 10 50 5 25 2,500 0,04 1000 200 500
Total 470 60 -- -- -- -- 1,00 5200 -- 11.948

La estimación del total de obreros es:

ˆˆ
X = ∑ N h . x h = 5200

El error de muestreo es:


ŝ h 2
σ = (
∑ Nh Nh - nh ⋅ ) = 11 .948 = 109
x̂ˆ nh

El intervalo de confianza para la estimación del total de obreros


para el 95% es:

5200 - 1,96 . 109 ≤ X ≤ 5200 + 1,96 . 109


4.893 ≤ X ≤ 5.413

236
10.4.2 Afijación proporcional.
El estimador del total en este caso es:

ˆˆ n
X = N x = N ⋅ ∑ h ⋅ xh
n
con un error de muestreo:
n h ŝ h 2
σˆ = N (N - n) ∑ ⋅
xˆ n n
ˆ ˆˆ
Xˆ − k σ ≤ X ≤ X +k σ
x̂ˆ x̂ˆ

Ejemplo:
Se desea estimar, a partir de una muestra estratificada
proporcional, el valor de la producción de la industria química
sobre la base de que se han obtenido los estimadores de la
producción para cada sub-sector específico de la industria, es decir:

NÚMERO DE EMPRESAS
Producción media Desviación
Sub-sector Total Muestra
(millones de Bs) Típica
1 190 19 2 1
2 200 20 8 2
3 400 40 20 3
4 310 31 10 1

En este caso el cálculo se hará utilizando la tabla abajo descrita.


Estratos

nh nh nh
Nh nh xh ŝ h ŝ h2 xh ŝ h2
n n n

(1) (2) (3) (4) (5) (6) (7) (8)


1 190 19 0,17 2 1 1 0,34 0,17
2 200 20 0,18 8 2 4 1,44 0,72
3 400 40 0,36 20 3 9 7,20 3,24
4 310 1031 0,29 10 1 1 2,90 0,29
Total 1100 110 -- -- -- -- 11,88 4,42

237
El valor total de la producción se estima mediante:

ˆˆ n
X = N ⋅ ∑ h ⋅ x h = 1100 .11,88 = 13.068
n

El error de muestreo correspondiente se obtiene por


:

n h ŝ h 2 4,42
σˆ = N (N - n) ∑ ⋅ = 1100(1100 - 110) ⋅ = 209
xˆ n n 110

El intervalo de confianza para el 95% es:

13.068 - 1,96 . 209 ≤ X ≤ 13.068 + 1,96 . 209


o sea: 12.676 ≤ X ≤ 13.460

10.4.3 Afijación óptima.


El estimador del total es:
ˆˆ
X = N x = ∑ Nh ⋅ x h

con un error de muestreo

σˆ =
(∑ N h
ŝh )
2

(
− ∑ Nh ŝh 2 )
xˆ n

luego el intervalo de confianza se obtiene utilizando:


ˆ ˆˆ
Xˆ − k σ ≤ X ≤ X +k σ
x̂ˆ xˆˆ

Ejemplo:

Al finalizar el diagnóstico socio-económico de un proyecto, se


realizó un muestreo de fincas ganaderas, las cuales se clasificaron
atendiendo a la superficie total en hectáreas. Para cada explotación

238
ganadera se realizó un inventario del ganado. Con esta base se
requiere estimar el total de cabezas de la zona en cuestión.
Total de
Tamaño de la Promedio
N° Total de Muestra de cabezas Desviación
explotación por
explotaciones explotaciones en la Típica
(has) explotación
Muestra
0,1-15 has 300 22 220 10 1
15.1-30 has 200 48 960 20 3
30.1-60 has 1150 35 1120 32 3
60.1-90 has 60 15 90 50 4
90.1 y más 50 17 680 40 4
Total 760 140 3070 -- --

Para calcular los estimadores se tiene:


Estratos

Nh nh xh ŝ h ŝ h2 Nh x h N h ŝh Nh ŝh2

(1) (2) (3) (4) (5) (6) (7) (8)


1 300 22 10 1 1 3000 300 300
2 200 48 20 3 9 4000 600 1800
3 150 35 32 3 9 4800 450 1350
4 60 18 50 4 16 3000 240 960
5 50 17 40 4 16 2000 200 800
Total 760 140 -- -- -- 16800 1790 5210

La estimación total de cabezas de la región es:


ˆˆ
X = ∑ N h ⋅ x h = 16.800

El error de muestreo se obtiene mediante:

σˆ =
(∑ N h
ŝh )
2

(
− ∑ Nh ŝ h 2 = ) (1790 )2
− 5210 ≈ 133
xˆ n 140

El intervalo de estimación para el total de cabezas de ganado para


el 95% de confianza es:

16.800 - 1,96 . 133 ≤ X ≤ 16.800 + 1,96 . 133


o sea: 16.539 ≤ X ≤ 17.061

239
10.5 Determinación del tamaño de la muestra.
10.5.1 Para estimar la media.

a) En el caso de afijación arbitraria.

N  ŝ h
2

∑  Nh 
n ÷n
n=   h
Nh 2
e2 ∑ N h
⋅ ŝ
+
k2 n

Si no se considera el coeficiente de corrección para poblaciones


finitas, la ecuación toma la forma:

Nh
⋅ ŝ h2
1 2
n= 2 ∑ Nn
e h

k2 n
Ejemplo:
Se desea calcular el tamaño de la muestra para analizar los
salarios medios de la industria maderera, la cual se ha clasificado
previamente en tres estratos y se estima para cada uno de ellos la
desviación en base a una muestra piloto. El marco de la muestra es
el siguiente:

N° de Peso deseado
Estratos Desviación
Empresas en cada estrato
1 200 100 0,20
2 300 150 0,50
3 50 200 0,30

Si se desea un error absoluto de Bs. 50,00 con un nivel de


confianza, se tiene que e = 50 y k = 3.

240
Para calcular el tamaño de la muestra se tiene:

2
 Nh 
  2
Estratos

nh Nh  Nh 
2
 Nh
2
 2  N  ŝ h N h ŝ h2
Nh ŝ h   ŝ h 2   ŝ h  
n N  N   N 
    nh N
n
(1) (2) (3) (4) (5) (6) (7) (8) (9)
1 200 100 0,20 0,36 0,130 10.000 1.300 6.500,0 3.600
2 300 150 0,50 0,55 0,302 22.500 3.795 13.590,0 12.375
3 50 200 0,09 0,09 0,008 40.000 320 1.066,7 3.600
Total 550 -- -- -- -- -- -- 21.156,7 19.575

21.156 ,7
n= = 68
50 2 19 .575
+
32 550

El tamaño de la muestra es 68 la cual se reparte para cada estrato


según los pesos nh , o sea:
N° de N° de Empresas
Tipos Peso
Empresas a seleccionar
1 200 0,20 14
2 300 0,50 34
3 50 0,30 20
Total 550 68

b) Afijación proporcional.

Nh nh
Para estimar el tamaño de la muestra cuando = se
N n
obtiene mediante:

Nh Nh
∑ 2
⋅ ŝh2 ∑ ⋅ ŝ h2
n= N ÷1+ N2 ÷N
e2 e2
k2 k2

241
e2
siendo el coeficiente 2
= σ x2 o se la varianza de la distribución
k
en el muestreo.
Ejemplo:
Se desea calcular el tamaño de una muestra para estimar el
rendimiento promedio de producción de maíz en un sector del país.
Para tal fin, se realizó una muestra piloto de acuerdo al tipo de
empresa y se obtuvo el siguiente resultado:
Tipos de N° de Desviación
Empresas Empresas
Pequeñas 260 4000
Medianas 540 6000
Grandes 120 5000
Total 920

Los cálculos correspondientes se disponen así:


Estratos

Nh N h ŝ h2
Nh ŝ h ŝ h 2
N
N
(1) (2) (3) (4) (5) (6)
1 260 4000 10.106 0,28 448.104
2 540 6000 36.106 0,59 2124.104
3 120 5000 25.106 0,139 325.104
Total 920 -- -- -- 2897.104

Se espera que el rendimiento medio por ha. sea de alrededor de


5.000 Kgs. Se desea un error de muestreo de 300 Kgs. Con un nivel
de confianza del 95% (k = 2); luego, el error absoluto es:

e = k σ x = 2 ⋅ 300 = 600

sustituyendo en la ecuación correspondiente se tiene:

242
 600 2 
 2897 ⋅ 10 4
÷ 
2897 .10 4 22
n= ÷ 1 +   = 238
600 2
 920 
2 2 
 

El resultado de la muestra se repartirá proporcionalmente en cada


estrato, es decir:

Tipos de N° de Desviación
Empresas Empresas
Pequeñas 260 67
Medianas 540 140
Grandes 120 31
Total 920 238

c) Afijación óptima.
2
 Nh 
 
 N ⋅ ŝ h 
 
n=
e 2
1 N
2
+ ∑ h ⋅ ŝ h2
k N N

Ejemplo:
Considerando la información del ejemplo precedente, se desea
calcular el tamaño de la muestra para la afijación óptima. Al efecto
se tiene:

Tipos de N° de Desviación
Empresas Empresas
Pequeñas 260 4000
Medianas 540 6000
Grandes 120 5000
Total 920

Los cálculos se disponen así:

243
Estratos Nh
Nh 2 Nh
Nh ŝ h ŝ h ŝh ŝ h2
N N N

(1) (2) (3) (4) (5) (6) (7)


1 260 0,28 4000 10.106 1120 448.104
2 540 0,59 6000 36.106 3540 2124.104
3 120 0,13 5000 25.106 650 325.104
Total 920 -- -- -- 5310 2897.104

Si se desea un 95% de confianza y un error absoluto e = 600, se


tiene:

(5310 )2 28196100
n= 2
= = 232
600 1 121489,13
2
+ ⋅ 2897 .10 4
2 920

El tamaño de la muestra se repartirá de manera proporcional al


tamaño del estrato por la desviación correspondiente, es decir:

N ⋅ ŝ h
nh = n
∑ N h ⋅ ŝ h

De acuerdo a la expresión anterior, se tiene la distribución de los


elementos o muestras en cada estrato, o sea:

2 Tamaño de la
Empresas Total N h ŝh muestra
Pequeñas 260 448.104 49
Medianas 540 2124.104 154
Grandes 120 325.104 29
Total 920 2897.104 232

244
10.5.2 Para estimar totales.

a) Afijación arbitraria.

N h ŝ h2
∑ n
h

n= n
e2
+ ∑ N h ⋅ ŝ h2
k2

Ejemplo:
Para realizar una estimación del total de cabezas de ganado, se
desea estimar el tamaño de la muestra considerando varios tipos de
explotaciones estratificadas de acuerdo a la superficie. Previamente
se hizo una muestra piloto obteniéndose los siguientes resultados.

Superficie de las Desviación


N° de explotaciones
explotaciones (cabezas)
0,5-10 has 100 5
10.1-50 has 80 30
50.1-100 has 60 120
100.1 y más 20 180
Total 260

Para calcular el tamaño de la muestra, se fijan los criterios que se


describen seguidamente:
1. Se desea un error de muestreo del 20% y se espera un
promedio total aproximado entre 4000 y 8000 cabezas.
2. Se desea un nivel de confianza del 99%.
3. Se quiere una muestra que represente porcentualmente a los
diferentes estratos de la forma que abajo se indica:

0,5-10 has 10%


10.1-50 has 20%
50.1-100 has 30%
100.1 y más 40%

245
Los cálculos se disponen así:

N h 2 sh 2
Estratos
nh
Nh ŝ h ŝ h 2 Nh ⋅ ŝh 2 Nh 2 Nh 2 ⋅ ŝ h 2 nh
n
n

(1) (2) (3) (4) (5) (6) (7) (8)


1 100 5 25 2500 10000 25.104 0,10 25.105
2 80 30 900 72000 6400 576.104 0,20 288.105
3 60 120 14400 864000 3600 5184.104 0,30 1728.105
4 20 180 32400 648000 400 1269.104 0,40 324.105

Total 260 -- -- 1586500 -- 7081.104 -- 2365.105

Para un nivel de confianza del 95%, k = 2 y el error absoluto es:


e = k ⋅ σ x ; estimando a ⋅σ x en 1600 cabezas se tiene:

e = 2 . 1600 = 3200

23265 .10 5
n= = 57
3200 2
+ 1586500
4

La distribución del tamaño de la muestra es:

Superficie de las N° de nh
n
explotaciones explotaciones n
0,5-10 has 100 0,10 6
10.1-50 has 80 0,20 11
50.1-100 has 60 0,30 17
100.1 y más 20 0,40 23
Total 260 57

246
b) Afijación proporcional.
N
∑ N h ŝ h 2
e2
N 2
n= ∑ N h ŝ h ÷1+ k
2

e2 N
k2

Ejemplo:
Se quiere determinar el tamaño de una muestra para seleccionar
viviendas en tres sectores de un centro poblado y estimar la
población total. Previamente, se hizo una encuesta piloto con los
siguientes resultados:

Media de
N° de
Sectores personas por Desviación
Viviendas
vivienda
1 600 5 6
2 800 6 5
3 700 6 4
Total 2100

Se fija un error e = 2500 personas con un intervalo de confianza del


99% (k = 3)
Los cálculos correspondientes son:

Estratos Nh ŝ h ŝ h 2 Nh ⋅ ŝh 2

(1) (2) (3) (4)


1 600 6 36 21600
2 800 5 25 20000
3 700 4 16 11200

Total -- -- 52800

247
2100
⋅ 52800
2500 2
2100 32
n= ⋅ 52800 ÷ 1 +
2500 2 2100
2
3

159,67
n= = 148
1,08

El tamaño de la muestra se repartirá proporcionalmente al tamaño


del estrato Nh quedando finalmente:

N° de Nh
Sectores Muestra (n h)
Viviendas N
1 600 0,29 43
2 800 0,38 56
3 700 0,33 49
Total 2100 148

c) Afijación óptima.

n=
(∑ N ŝ )
h h
2

e2
2
+ ∑ N h ⋅ ŝ h2
k

Ejemplo:
Se pretende estimar la superficie total bajo cultivo, considerando
las fincas de cuatro sectores bien diferenciados. Se realizó una
muestra piloto y se obtuvo una primera aproximación de la
desviación típica.

248
Desviación
Sectores N° de Fincas
Superficie
A 190 15
B 300 20
C 800 40
D 900 60

La muestra piloto dio un promedio de 12 hectáreas por finca, lo


cual representa algo más de 26000 hectáreas. Se fija un error de
muestreo del 12%, es decir, 3000 hectáreas. El error absoluto es:
e = k ⋅ σ x = 2 . 3000 = 6000.

Los cálculos se realizan utilizando la tabla siguiente:

N h ⋅ ŝh N h ⋅ ŝ h
2 2
Estratos Nh ŝ h ŝ h

(1) (2) (3) (4) (5) (6)


A 190 15 225 2850 42750
B 300 25 1625 7500 187500
C 800 40 1600 32000 1280000
D 900 60 3600 54000 3240000
Total 2190 -- -- 96350 4750025

(96350 ) 2
n= = 1061
6000 2
+ 4750025
32

La repartición de cada nh se hace utilizando la expresión:

N h ŝ h
nh = n
∑ N h ŝ h

249
N° total de Muestra
Estrato
fincas
N h ŝ h
(n h )
A 190 2850 32
B 300 7500 83
C 800 32000 352
D 900 54000 594
Total 2190 96350 1061

10.5.3 Para estimar proporciones.

a) Afijación arbitraria.
En este caso se encuentra una aproximación calculando el
tamaño de la muestra bajo el supuesto que:

Nh
→1
Nh − 1
en efecto se tiene:
nh N h p h .q h
∑ ⋅
N  n h −1 N nh −1
2
e2
n = ∑  h  ⋅
 ⋅ p q ÷ +
 N  nh h h
k2 N
n

en el caso de valores grandes de nh se tiene:


Nh
 ph qh e2 ∑ N ph qh
2
N
n =  h  ⋅
 ÷ 2 +
 N  nh k N
n

Ejemplo:

Para realizar un sondeo de opinión relativo a las preferencias por


determinadas televisoras, se desea determinar el tamaño de la
muestra considerando tres sectores de una población. Se realiza una

250
investigación preliminar en cada sector, estimándose la proporción
de audiencia de una planta A del total de familias en cada sector;
los resultados se presentan a continuación:
Proporción de
Sectores N° de familias audiencia
(P)
1 400 0,60
2 600 0,70
3 500 0,65

Para la determinación del tamaño de la muestra, se fija un error


absoluto e = 0,03, un nivel de confianza del 95% y se desea
entrevistar un 20% en el sector 1, 40% en el sector 2 y 40% en el
sector 3.
Los cálculos se disponen así:

2
N 
2 2  h  p q
N  N 
Estrato

qh Nh  h  nh  h  p q  N  h h Nh
Nh ph
 N   N  h h   p hq h
N n   N
  nh
n
(1) (2) (3) (4) (5) (6) (7) (8) (9)
1 400 0,60 0,40 0,27 0,073 0,20 0,018 0,090 0,065
2 600 0,70 0,30 0,40 0,160 0,40 0,034 0,085 0,084
3 500 0,65 0,35 0,33 0,109 0,40 0,025 0,063 0,075
Total 1500 -- -- -- -- 0,238 0,224

0,238
n= = 793
(0,03 ) 2 0,024
+
22 1500

La distribución de la muestra entre los estratos es como sigue:

nh Muestra
Sectores N° de familias
n (n h )
1 400 0,20 159
2 600 0,40 317
3 500 0,40 317
Total 1500 1,00 793

251
b) Afijación proporcional.

 Nh  Nh
∑  p q
 h h ∑
e2
⋅ p h .q h ÷ 2
n=  N  ⋅÷ 1 + N k
2
e N
k2

Ejemplo:

En tres fábricas de una empresa se desea conocer la opinión


favorable o no relativa a unos planes de protección a los
empleados. Se desea determinar el tamaño de la muestra
proporcionalmente al número de empleados de cada fábrica. A tal
fin, se realizó una encuesta piloto y los resultados se disponen de la
manera siguiente:
Estrato

Nh Nh
Nh ph qh phqh
N
N

(1) (2) (3) (3) (4)


1 800 0,25 0,30 0,70 0,053
2 600 0,19 0,50 0,50 0,048
3 1000 0,31 0,60 0,40 0,074
4 800 0,25 0,50 0,30 0,063
Total 3200 -- -- 0,238

Fijando un error e = 0,06 y k = 2, para el 95% de confianza, se


tiene:
0 ,06 2
0,238 ÷
0,238 2 2 = 244
n= ⋅÷ 1 +
0 ,06 2 3200
22

La distribución del tamaño de la muestra es:

252
N° de nh M uestra
Fábricas
empleados (n h )
n
1 800 0,25 61
2 600 0,19 46
3 1000 0,31 76
4 800 0,25 61
Total 3200 1,00 244

c) Afijación óptima

  Nh 
2

∑  ph qh 
  N  
    ÷1+ 1 Nh
n= 2 ∑ ⋅ p h .q h
e e2 N
N ⋅
k2 k2

Ejemplo:

Se quiere determinar el tamaño de una muestra de cinco


comunidades para realizar una investigación social referente a la
proporción de viviendas que presentan determinadas
características. Para tal fin, se toma una muestra piloto y se
investiga la proporción de viviendas que usan energía eléctrica y se
encuentran los valores siguientes:

% de viviendas
Comunidades N° de v iviendas
con electricidad
El Jobo 800 60
Sosa 500 30
La Esperanza 600 20
La Unión 820 70
Santa Elena 900 70

El tamaño de la muestra se repartirá proporcionalmente al número


de viviendas de cada comunidad y se desea un error absoluto del
5% para una confiabilidad del 99%.

253
Los cálculos se disponen así:
Estrato

Nh Nh Nh
Nh ph qh p hq h ph qh ph qh p hq h
N N N

(1) (2) (3) (4) (5) (6) (7) (8)


1 800 0,22 0,60 0,40 0,0528 0,24 0,498 0,1096
2 500 0,14 0,30 0,70 0,0294 0,21 0,459 0,0643
3 600 0,16 0,20 0,80 0,0256 0,16 0,400 0,0640
4 820 0,23 0,70 0,30 0,0483 0,21 0,459 0,1056
5 900 0,25 0,70 0,30 0,0525 0,21 0,459 0,1148
Total 3620 -- -- -- 0,2086 -- 0,4583

(0,4583 )2 ÷ 1 + 1
n= 2
0,2086 ≈ 869
0,05 0,05 2
3620 ⋅ 2
32 3

La distribución de la muestra se hará proporcional al tamaño del


estrato por la desviación correspondiente, es decir:

N h ph qh
nh = ⋅n
∑Nh ph qh

N h ph q h
Estrato Nh N h p hq h nh
∑Nh ph qh
(1) (2) (4) (5)
1 800 192,0 0,225 222
2 500 105,0 0,139 121
3 600 96,0 0,127 110
4 820 172,2 0,228 198
5 900 189,0 0,251 218
Total 3620 754,2 -- 869

Finalmente, la distribución del tamaño de la muestra queda asÍ:

254
Viviendas a
Comunidades N° de viviendas
seleccionar
El Jobo 800 222
Sosa 500 121
La Esperanza 600 110
La Unión 820 198
Santa Elena 900 218
Total 3260 869

10.5.4 Determinación del tamaño de la muestra bajo


consideración de una función de costos.

Sea una función de costos

C = C0 + Σ ch nh

donde C0 es un costo fijo y dentro de cualquier estrato el costo ch


es proporcional al tamaño de la muestra. Si se considera la varianza
en el proceso de afijación óptima:

2
 Nh 
∑ ⋅ ŝ h 
σ 2x =  N  − 1 ∑ N h ŝ 2
n N N h

Si se minimizó dicha varianza bajo la restricción de que


C = C0 + Σ ch nh se puede obtener el tamaño de la muestra
correspondiente para estimar la media, es decir:

 Nh   Nh 
∑  ∑ ⋅ ŝ h ÷ c h 
 N ⋅ ŝ h c h  N
n=  
e2 1 Nh
+ ∑ N ŝ h
k2 N

En el caso de la proporción, el tamaño de la muestra se obtiene


por:

255
 Nh   Nh 
∑
h h h  ∑
⋅ p q c   ⋅ p h q h ÷ ch 
 N N 
n=    
e2 1 N
2
+ ⋅ ∑ h ⋅ phqh
k N N

la asignación para cada estrato se hace mediante:

N h ŝ h
ch
nh = n
∑ N h ŝ h
ch
ó
ph q h
Nh
ch
nh = n
phqh
∑ Nh ch

Ejemplo:

Para realizar una investigación relativa a la opinión de los


productores agropecuarios de cuatro áreas de cultivo en una zona
respecto a los servicios de asistencia técnica de los organismos
oficiales, se desea determinar el tamaño de la muestra, así como
estimar el ingreso medio familiar mensual, para relacionarlo
posteriormente con las opiniones emitidas por los productores.

En este caso, se tienen dos variables, una media y una


proporción. Es conveniente determinar el tamaño de la muestra en
los dos casos y tomar luego una decisión al respecto. Un estudio
piloto previo, proporcionó los resultados siguientes:

256
Ingreso Opinión (%) Costo
Áreas
N° total de Muestra No por
de Reciben
productores Piloto Media Desviación reciben entrevista
Cultivo Asistencia
asistencia Bs.
1 300 15 800 500 30 70 10
2 500 25 500 400 40 60 12
3 320 16 300 250 20 80 20
4 400 20 1000 500 32 68 25

a) Cálculo del tamaño de la muestra para la media.

Nh
Estrato

Nh Nh Nh ŝ h Nh . 2
Nh ch ch ŝ h c h N h

N
h
N
ŝ h
N ŝ h2 N
ch

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
1 300 0,20 500 100,0 10 3,3 330,00 30,30 250.000 50.000
2 500 0,33 400 132,0 12 3,4 448,80 38,52 160.000 52.800
3 320 0,21 250 52,5 20 4,5 236,25 11,67 65.500 13.125
4 400 0,26 500 130,0 25 5,0 650,00 26,00 230.000 65.000
Total 1520 1,00 -- -- 1665,05 106,79 -- 180.925

Si se fija un error absoluto e = 100 Bs. que es 15% de la media


esperada y un nivel de confianza del 99% (k = 3), se tiene:
1665 ,05 ⋅ 106 ,79
n= ≈ 145
100 2 1
+ ⋅ 180925
32 1520

Cálculo del tamaño de la muestra para la proporción:


p hqhch
Estrato

Nh ph qh ph qh
Nh p qh ch ch
Nh
p q
N h ch N h h

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
1 300 0,20 0,30 0,70 10 2,10 1,45 0,29 0,021 0,14 0,028 0,042
2 500 0,33 0,40 0,60 12 2,88 1,70 0,56 0,020 0,14 0,046 0,079
3 320 0,21 0,20 0,80 20 3,20 1,79 0,38 0,008 0,09 0,019 0,031
4 400 0,26 0,32 0,68 25 5,44 2,3 3 0,61 0,009 0,10 0,026 0,057
Total 1520 1,00 -- -- -- -- -- 1,84 -- 0,119 0,212

257
Si se fija un error absoluto e= 0,15 y un nivel de confianza k = 3,
para el 99% se tiene:

1,84 ⋅ 0,119
n= = 84
0,15 2 1
+ ⋅ 0,212
32 1520

Si se comparan los resultados para la media y la proporción, es


deseable elegir el tamaño de la muestra para la primera, es decir, n
= 145. Esto permite reducir el error absoluto en el caso de la
estimación de la proporción. En efecto, si se despeja e de la
ecuación de la proporción, e se reduce aproximadamente al 1%.

El tamaño de la muestra para cada estrato se obtiene mediante:

N h sh ÷ c h
nh = n
(
∑ Nhsh ÷ c h )
al efecto se tiene:
Estrato

N h ŝh
Nh h ch ch N h ŝ h nh
ch

(1) (3) (5) (6) (4) (7) (8)


1 300 500 10 3,3 150.000 45.454,55 41
2 500 400 12 3,4 200.000 52.823,53 52
3 320 250 20 4,5 80.000 17.777,78 16
4 400 500 25 5,0 200.000 40.000,00 36
Total 1520 -- -- -- 162.055,86 145

258
Finalmente, se tiene que la distribución para el tamaño de la
muestra es:

Áreas de N° de Productores a entrevistar


cultivo productores N° %
1 300 41 28
2 500 52 36
3 320 16 11
4 400 36 25
Total 1520 145 100

Una práctica generalizada consiste en deducir de la muestra los


estudios de casos ya realizados en la muestra piloto. Por ejemplo,
en el primer estrato, se analizaron 15 productores, entonces para
completar los 41 productores del estrato, se entrevista la diferencia
o sea 26, para luego proceder a calcular los estimadores con 41
entrevistas.

259
APÉNDICE
Tabla 1
Números Aleatorios
10 27 63 96 23 71 50 54 36 23 54 31 04 82 98 04 14 12 15 09 26 78 25 47 47
28 41 50 61 88 64 85 27 20 18 83 36 36 05 56 39 71 65 09 62 94 76 62 11 89
34 21 42 57 02 59 19 18 97 48 80 30 03 30 98 05 24 67 70 07 84 97 50 87 46
61 81 77 23 23 82 82 11 54 08 53 28 70 58 96 44 07 39 55 43 42 34 43 39 28
61 15 18 13 54 16 86 20 26 88 90 74 80 55 09 14 53 90 51 17 52 01 63 01 59

91 76 21 64 64 44 91 13 32 97 75 31 62 66 54 84 80 32 75 77 56 08 25 70 29
00 97 79 08 06 37 30 28 59 85 53 56 68 53 40 01 74 39 59 73 30 19 99 85 48
36 46 18 34 94 75 20 80 27 77 78 91 69 16 00 08 43 18 73 68 67 69 61 34 25
88 98 99 60 50 65 95 79 42 94 93 62 40 89 96 43 56 47 71 66 46 76 29 67 02
04 37 59 87 21 05 02 03 24 17 47 97 81 56 51 92 34 86 01 82 55 51 33 12 91

63 62 06 34 41 94 21 78 55 09 72 76 45 16 94 29 95 81 83 83 79 88 01 97 30
78 47 23 53 90 34 41 92 45 71 09 23 70 70 07 12 38 92 79 43 14 85 11 47 20
87 68 62 15 43 53 14 36 59 25 54 47 33 70 15 59 24 48 40 35 50 03 42 99 36
47 60 92 10 77 88 59 53 11 52 66 25 69 07 04 48 68 64 71 06 61 65 70 22 12
56 88 87 59 41 65 28 04 67 53 95 79 88 37 31 50 41 06 94 76 81 83 17 16 33

02 57 45 86 67 73 43 07 34 48 44 26 87 93 29 77 09 61 67 84 06 69 44 77 75
31 54 14 13 17 48 62 11 90 60 68 12 93 64 28 46 24 79 16 76 14 60 25 51 01
38 50 16 43 36 28 97 85 58 99 67 22 52 76 23 24 70 36 54 54 59 28 61 71 96
63 29 62 66 50 02 63 45 52 38 67 63 47 54 75 83 24 78 43 20 92 63 13 47 48
45 65 58 26 51 76 96 59 38 72 86 57 45 71 46 44 67 76 14 55 44 88 01 62 12

39 65 36 63 70 77 45 85 50 51 74 13 39 35 22 30 53 36 02 95 49 34 88 73 61
73 71 98 16 04 29 18 94 51 23 75 51 94 84 86 79 93 96 38 63 08 58 25 58 94
72 20 56 20 11 72 65 71 08 86 79 57 95 13 91 97 48 72 66 48 09 71 17 24 89
75 17 26 99 76 89 37 20 70 01 77 31 61 95 46 26 97 05 73 51 53 33 18 72 87
37 48 60 82 29 81 30 15 39 14 48 38 75 93 29 06 87 37 78 48 45 56 00 84 47

68 08 02 80 72 83 71 46 39 49 89 17 95 88 29 02 39 56 03 46 97 74 06 56 17
14 23 98 61 67 70 52 85 01 50 01 84 02 78 43 10 62 98 19 41 18 83 99 47 99
49 08 96 21 44 25 27 99 41 28 07 41 08 34 66 19 42 74 39 91 41 96 53 78 72
78 37 06 08 43 63 61 62 42 29 39 68 95 10 96 09 24 23 00 62 56 12 80 73 16
37 21 34 17 68 68 96 83 23 56 32 84 60 15 31 44 73 67 34 77 91 15 79 74 58

14 29 09 34 04 87 83 07 55 07 76 58 30 83 64 87 29 25 58 84 86 50 60 00 25
58 43 28 06 36 49 52 83 51 14 47 56 91 29 34 05 87 31 06 95 12 45 57 09 09
10 43 67 29 70 80 62 80 03 42 10 80 21 38 84 90 56 35 03 09 43 12 74 49 14
44 38 88 39 54 86 97 37 44 22 00 95 01 31 76 17 16 29 56 63 38 78 94 49 81
90 69 59 19 51 85 39 52 85 13 07 28 37 07 61 11 16 36 27 03 78 86 72 04 95

41 47 10 25 62 97 05 31 03 61 20 26 36 31 62 68 69 86 95 44 84 95 48 46 45
91 94 14 63 19 75 89 11 47 11 31 56 34 19 60 79 57 92 36 59 14 93 87 81 40
80 06 54 18 66 09 18 94 06 19 98 40 07 17 81 22 45 44 84 11 24 62 20 42 31
67 72 77 63 48 84 08 31 55 58 24 33 45 77 58 80 45 67 93 82 75 70 16 08 24
59 40 24 13 27 79 26 88 86 30 01 31 60 10 39 53 58 47 70 93 85 81 56 39 38

05 90 35 89 95 01 61 16 96 94 50 78 13 69 36 37 68 53 37 31 71 26 35 03 71
44 43 80 69 98 46 68 05 14 82 90 78 50 05 62 77 79 13 57 44 59 60 10 39 66
61 81 31 96 82 00 57 25 60 59 46 72 60 18 77 55 66 12 62 11 08 99 55 64 57
42 88 07 10 05 24 98 65 63 21 47 21 61 88 32 27 80 30 21 60 10 92 35 36 12
77 94 30 05 39 28 10 99 00 27 12 73 73 99 12 49 99 57 94 82 96 88 57 17 91

78 83 19 76 16 94 11 68 84 26 23 54 20 86 85 23 86 66 99 07 36 37 34 92 09
87 76 59 61 81 43 63 64 61 61 65 26 36 95 90 18 48 27 45 68 27 23 65 30 72
91 43 05 96 47 55 78 99 95 24 37 55 85 78 78 01 48 41 19 10 35 19 54 07 73
84 97 77 72 73 09 62 06 65 72 87 12 49 03 60 41 15 20 76 27 50 47 02 29 16
87 41 60 76 83 44 88 96 07 80 83 05 83 38 96 73 70 66 81 90 30 56 10 48 59
Tabla 2
Distribución Binomial
n x\p 0,01 0,05 0,10 0,20 0,25 0,30 0,33 0,35 0,40 0,45 0,50
2 0 0,9801 0,9025 0,8100 0,6400 0,5625 0,4900 0,4489 0,4225 0,3600 0,3025 0,2500
1 0,0198 0,0950 0,1800 0,3200 0,3750 0,4200 0,4422 0,4550 0,4800 0,4950 0,5000
2 0,0001 0,0025 0,0100 0,0400 0,0625 0,0900 0,1089 0,1225 0,1600 0,2025 0,2500
3 0 0,9703 0,8574 0,7290 0,5120 0,4219 0,3430 0,3008 0,2746 0,2160 0,1664 0,1250
1 0,0294 0,1354 0,2430 0,3840 0,4219 0,4410 0,4444 0,4436 0,4320 0,4084 0,3750
2 0,0003 0,0071 0,0270 0,0960 0,1406 0,1890 0,2189 0,2389 0,2880 0,3341 0,3750
3 0,0000 0,0001 0,7290 0,0080 0,0156 0,0270 0,0359 0,0429 0,0640 0,0911 0,1250
4 0 0,9606 0,8145 0,6561 0,4096 0,3164 0,2401 0,2015 0,1785 0,1296 0,0915 0,0625
1 0,0388 0,1715 0,2916 0,4096 0,4219 0,4116 0,3970 0,3845 0,3456 0,2995 0,2500
2 0,0006 0,0135 0,0486 0,1536 0,2109 0,2646 0,2933 0,3105 0,3456 0,3675 0,3750
3 0,0000 0,0005 0,0036 0,0256 0,0469 0,0756 0,0963 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0000 0,0001 0,0016 0,0039 0,0081 0,0119 0,0150 0,0256 0,0410 0,0625
5 0 0,9510 0,7738 0,5905 0,3277 0,2373 0,1681 0,1350 0,1160 0,0778 0,0503 0,0313
1 0,0480 0,2036 0,3281 0,4096 0,3955 0,3602 0,3325 0,3124 0,2592 0,2059 0,1563
2 0,0010 0,0214 0,0729 0,2048 0,2637 0,3087 0,3275 0,3364 0,3456 0,3369 0,3125
3 0,0000 0,0011 0,0081 0,0512 0,0879 0,1323 0,1613 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0000 0,0005 0,0064 0,0146 0,0284 0,0397 0,0488 0,0768 0,1128 0,1563
5 0,0000 0,0000 0,0000 0,0003 0,0010 0,0024 0,0039 0,0053 0,0102 0,0185 0,0313
6 0 0,9415 0,7351 0,5314 0,2621 0,1780 0,1176 0,0905 0,0754 0,0467 0,0277 0,0156
1 0,0571 0,2321 0,3543 0,3932 0,3560 0,3025 0,2673 0,2437 0,1866 0,1359 0,0938
2 0,0014 0,0305 0,0984 0,2458 0,2966 0,3241 0,3292 0,3280 0,3110 0,2780 0,2344
3 0,0000 0,0021 0,0146 0,0819 0,1318 0,1852 0,2162 0,2355 0,2765 0,3032 0,3125
4 0,0000 0,0001 0,0012 0,0154 0,0330 0,0595 0,0799 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0000 0,0001 0,0015 0,0044 0,0102 0,0157 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0013 0,0018 0,0041 0,0083 0,0156
7 0 0,9321 0,6983 0,4783 0,2097 0,1335 0,0824 0,0606 0,0490 0,0280 0,0152 0,0078
1 0,0659 0,2573 0,3720 0,3670 0,3115 0,2471 0,2090 0,1848 0,1306 0,0872 0,0547
2 0,0020 0,0406 0,1240 0,2753 0,3115 0,3177 0,3088 0,2985 0,2613 0,2140 0,1641
3 0,0000 0,0036 0,0230 0,1147 0,1730 0,2269 0,2535 0,2679 0,2903 0,2918 0,2734
4 0,0000 0,0002 0,0026 0,0287 0,0577 0,0972 0,1248 0,1442 0,1935 0,2388 0,2734
5 0,0000 0,0000 0,0002 0,0043 0,0115 0,0250 0,0369 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0000 0,0004 0,0013 0,0036 0,0061 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0006 0,0016 0,0037 0,0078
8 0 0,9227 0,6634 0,4305 0,1678 0,1001 0,0576 0,0406 0,0319 0,0168 0,0084 0,0039
1 0,0746 0,2793 0,3826 0,3355 0,2670 0,1977 0,1600 0,1373 0,0896 0,0548 0,0313
2 0,0026 0,0515 0,1488 0,2936 0,3115 0,2965 0,2758 0,2587 0,2090 0,1569 0,1094
3 0,0001 0,0054 0,0331 0,1468 0,2076 0,2541 0,2717 0,2786 0,2787 0,2568 0,2188
4 0,0000 0,0004 0,0046 0,0459 0,0865 0,1361 0,1673 0,1875 0,2322 0,2627 0,2734
5 0,0000 0,0000 0,0004 0,0092 0,0231 0,0467 0,0659 0,0808 0,1239 0,1719 0,2188
6 0,0000 0,0000 0,0000 0,0011 0,0038 0,0100 0,0162 0,0217 0,0413 0,0703 0,1094
7 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0023 0,0033 0,0079 0,0164 0,0313
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0002 0,0007 0,0017 0,0039
9 0 0,9135 0,6302 0,3874 0,1342 0,0751 0,0404 0,0272 0,0207 0,0101 0,0046 0,0020
1 0,0830 0,2985 0,3874 0,3020 0,2253 0,1556 0,1206 0,1004 0,0605 0,0339 0,0176
2 0,0034 0,0629 0,1722 0,3020 0,3003 0,2668 0,2376 0,2162 0,1612 0,1110 0,0703
3 0,0001 0,0077 0,0446 0,1762 0,2336 0,2668 0,2731 0,2716 0,2508 0,2119 0,1641
4 0,0000 0,0006 0,0074 0,0661 0,1168 0,1715 0,2017 0,2194 0,2508 0,2600 0,2461
5 0,0000 0,0000 0,0008 0,0165 0,0389 0,0735 0,0994 0,1181 0,1672 0,2128 0,2461
6 0,0000 0,0000 0,0001 0,0028 0,0087 0,0210 0,0326 0,0424 0,0743 0,1160 0,1641
7 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0069 0,0098 0,0212 0,0407 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0008 0,0013 0,0035 0,0083 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020
10 0 0,9044 0,5987 0,3487 0,1074 0,0563 0,0282 0,0182 0,0135 0,0060 0,0025 0,0010
1 0,0914 0,3151 0,3874 0,2684 0,1877 0,1211 0,0898 0,0725 0,0403 0,0207 0,0098
2 0,0042 0,0746 0,1937 0,3020 0,2816 0,2335 0,1990 0,1757 0,1209 0,0763 0,0439
3 0,0001 0,0105 0,0574 0,2013 0,2503 0,2668 0,2614 0,2522 0,2150 0,1665 0,1172
4 0,0000 0,0010 0,0112 0,0881 0,1460 0,2001 0,2253 0,2377 0,2508 0,2384 0,2051
5 0,0000 0,0001 0,0015 0,0264 0,0584 0,1029 0,1332 0,1536 0,2007 0,2340 0,2461
6 0,0000 0,0000 0,0001 0,0055 0,0162 0,0368 0,0547 0,0689 0,1115 0,1596 0,2051
7 0,0000 0,0000 0,0000 0,0008 0,0031 0,0090 0,0154 0,0212 0,0425 0,0746 0,1172
8 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0028 0,0043 0,0106 0,0229 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0005 0,0016 0,0042 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
Tabla 3
Coeficientes para la Binomial

N C(N,0) C(N,1) C(N,2) C(N,3) C(N,4) C(N,5) C(N,6) C(N,7) C(N,8) C(N,9) C(N,10)
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
9 1 9 36 84 126 126 84 36 9 1
10 1 10 45 120 210 252 210 120 45 10 1
11 1 11 55 165 330 462 462 330 165 55 11
12 1 12 66 220 495 792 924 792 495 220 66
13 1 13 78 286 715 1287 1716 1716 1287 715 286
14 1 14 91 364 1001 2002 3003 3432 3003 2002 1001
15 1 15 105 455 1365 3003 5005 6435 6435 5005 3003
16 1 16 120 560 1820 4368 8008 11440 12870 11440 8008
17 1 17 136 680 2380 6188 12376 19448 24310 24310 19448
18 1 18 153 816 3060 8568 18564 31824 43758 48620 43758
19 1 19 171 969 3876 11628 27132 50388 75582 92378 92378
20 1 20 190 1140 4845 15504 38760 77520 125970 167960 184756
Tabla 4
Algunas funciones de p

p 1-p p (1-p) √ p (1- p) 1 - p2 1- (1 - p)2


0,01 0,99 0,0099 0,09950 0,0099 0,0199
0,02 0,98 0,0196 0,14000 0,0196 0,0396
0,03 0,97 0,0291 0,17059 0,0291 0,0591
0,04 0,96 0,0384 0,19596 0,0384 0,0784
0,05 0,95 0,0475 0,21794 0,0475 0,0975
0,06 0,94 0,0564 0,23749 0,0564 0,1164
0,07 0,93 0,0651 0,25515 0,0651 0,1351
0,08 0,92 0,0736 0,27129 0,0736 0,1536
0,09 0,91 0,0819 0,28618 0,0819 0,1719
0,10 0,90 0,0900 0,30000 0,0900 0,1900
0,11 0,89 0,0979 0,31289 0,0979 0,2079
0,12 0,88 0,1056 0,32496 0,1056 0,2256
0,13 0,87 0,1131 0,33630 0,1131 0,2431
0,14 0,86 0,1204 0,34699 0,1204 0,2604
0,15 0,85 0,1275 0,35707 0,1275 0,2775
0,16 0,84 0,1344 0,36661 0,1344 0,2944
0,17 0,83 0,1411 0,37563 0,1411 0,3111
0,18 0,82 0,1476 0,38419 0,1476 0,3276
0,19 0,81 0,1539 0,39230 0,1539 0,3439
0,20 0,80 0,1600 0,40000 0,1600 0,3600
0,21 0,79 0,1659 0,40731 0,1659 0,3759
0,22 0,78 0,1716 0,41425 0,1716 0,3916
0,23 0,77 0,1771 0,42083 0,1771 0,4071
0,24 0,76 0,1824 0,42708 0,1824 0,4224
0,25 0,75 0,1875 0,43301 0,1875 0,4375
0,26 0,74 0,1924 0,43863 0,1924 0,4524
0,27 0,73 0,1971 0,44396 0,1971 0,4671
0,28 0,72 0,2016 0,44900 0,2016 0,4816
0,29 0,71 0,2059 0,45376 0,2059 0,4959
0,30 0,70 0,2100 0,45826 0,2100 0,5100
0,31 0,69 0,2139 0,46249 0,2139 0,5239
0,32 0,68 0,2176 0,46648 0,2176 0,5376
0,33 0,67 0,2211 0,47021 0,2211 0,5511
0,34 0,66 0,2244 0,47371 0,2244 0,5644
0,35 0,65 0,2275 0,47697 0,2275 0,5775
0,36 0,64 0,2304 0,48000 0,2304 0,5904
0,37 0,63 0,2331 0,48280 0,2331 0,6031
0,38 0,62 0,2356 0,48539 0,2356 0,6156
0,39 0,61 0,2379 0,48775 0,2379 0,6279
0,40 0,60 0,2400 0,48990 0,2400 0,6400
0,41 0,59 0,2419 0,49183 0,2419 0,6519
0,42 0,58 0,2436 0,49356 0,2436 0,6636
0,43 0,57 0,2451 0,49508 0,2451 0,6751
0,44 0,56 0,2464 0,49639 0,2464 0,6864
0,45 0,55 0,2475 0,49749 0,2475 0,6975
0,46 0,54 0,2484 0,49840 0,2484 0,7084
0,47 0,53 0,2491 0,49910 0,2491 0,7191
0,48 0,52 0,2496 0,49960 0,2496 0,7296
0,49 0,51 0,2499 0,49990 0,2499 0,7399
0,50 0,50 0,2500 0,50000 0,2500 0,7500
Tabla 5
Distribución Acumulativa de Poisson
λ \ x 0 1 2 3 4 5 6 7 8 9 10
0,01 0,990
0,02 0,980
0,03 0,970
0,04 0,961 0,999
0,05 0,951 0,999
0,06 0,942 0,998
0,07 0,932 0,998
0,08 0,923 0,997
0,09 0,914 0,996
0,10 0,905 0,995
0,15 0,861 0,990 0,999
0,20 0,819 0,982 0,999
0,25 0,779 0,974 0,998
0,30 0,741 0,963 0,996
0,35 0,705 0,951 0,994
0,40 0,670 0,938 0,992 0,999
0,45 0,638 0,925 0,989 0,999
0,50 0,607 0,910 0,986 0,998
0,55 0,577 0,894 0,982 0,998
0,60 0,549 0,878 0,977 0,997
0,65 0,522 0,861 0,972 0,996 0,999

λ \ x 0 1 2 3 4 5 6 7 8 9 10
0,70 0,497 0,844 0,966 0,994 0,999
0,75 0,472 0,827 0,959 0,993 0,999
0,80 0,449 0,809 0,953 0,991 0,999
0,85 0,427 0,791 0,945 0,989 0,998
0,90 0,407 0,772 0,937 0,987 0,998
0,9 5 0,387 0,754 0,929 0,984 0,997
1,00 0,368 0,736 0,920 0,981 0,996 0,999
1,1 0,333 0,699 0,900 0,974 0,995 0,999
1,2 0,301 0,663 0,879 0,966 0,992 0,998
1,3 0,273 0,627 0,857 0,957 0,989 0,998
1,4 0,247 0,592 0,833 0,946 0,986 0,997 0,999
1,5 0,223 0,558 0,809 0,934 0,981 0,996 0,999
1,6 0,202 0,525 0,783 0,921 0,976 0,994 0,999
1,7 0,183 0,493 0,757 0,907 0,970 0,992 0,998
1,8 0,165 0,463 0,731 0,891 0,964 0,990 0,997 0,999
1,9 0,150 0,434 0,704 0,875 0,956 0,987 0,997 0,999
2,0 0,135 0,406 0,677 0,857 0,947 0,983 0,995 0,999
2,1 0,122 0,380 0,650 0,839 0,938 0,980 0,994 0,999
2,2 0,111 0,355 0,623 0,819 0,928 0,975 0,993 0,998
2,3 0,100 0,331 0,596 0,799 0,916 0,970 0,991 0,997 0,999
2,4 0,091 0,308 0,570 0,779 0,904 0,964 0,988 0,997 0,999
2,5 0,082 0,287 0,544 0,758 0,891 0,958 0,986 0,996 0,999
2,6 0,074 0,267 0,518 0,736 0,877 0,951 0,983 0,995 0,999
2,7 0,067 0,249 0,494 0,714 0,863 0,943 0,979 0,993 0,998 0,999
2,8 0,061 0,231 0,469 0,692 0,848 0,935 0,976 0,992 0,998 0,999
2,9 0,055 0,215 0,446 0,670 0,832 0,926 0,971 0,990 0,997 0,999
3,0 0,050 0,199 0,423 0,647 0,815 0,916 0,966 0,988 0,996 0,999
Tabla 5
(Continuación)

λ \ x 0 1 2 3 4 5 6 7 8 9 10
3,2 0,041 0,171 0,380 0,603 0,781 0,895 0,955 0,983 0,994 0,998
3,4 0,033 0,147 0,340 0,558 0,744 0,871 0,942 0,977 0,992 0,997 0,999
3,6 0,027 0,126 0,303 0,515 0,706 0,844 0,927 0,969 0,988 0,996 0,999
3,8 0,022 0,107 0,269 0,473 0,668 0,816 0,909 0,960 0,984 0,994 0,998
4,0 0,018 0,092 0,238 0,433 0,629 0,785 0,889 0,949 0,979 0,992 0,997
4,2 0,015 0,078 0,210 0,395 0,590 0,753 0,867 0,936 0,972 0,989 0,996
4,4 0,012 0,066 0,185 0,359 0,551 0,720 0,844 0,921 0,964 0,985 0,994
4,6 0,010 0,056 0,163 0,326 0,513 0,686 0,818 0,905 0,955 0,980 0,992
4,8 0,008 0,048 0,143 0,294 0,476 0,651 0,791 0,887 0,944 0,975 0,990
5,0 0,007 0,040 0,125 0,265 0,440 0,616 0,762 0,867 0,932 0,968 0,986
5,2 0,006 0,034 0,109 0,238 0,406 0,581 0,732 0,845 0,918 0,960 0,982
5,4 0,005 0,029 0,095 0,213 0,373 0,546 0,702 0,822 0,903 0,951 0,977
5,6 0,004 0,024 0,082 0,191 0,342 0,512 0,670 0,797 0,886 0,941 0,972
5,8 0,003 0,021 0,072 0,170 0,313 0,478 0,638 0,771 0,867 0,929 0,965
6,0 0,002 0,017 0,062 0,151 0,285 0,446 0,606 0,744 0,847 0,916 0,957

λ \ x 0 1 2 3 4 5 6 7 8 9 10
6,2 0,002 0,015 0,054 0,134 0,259 0,414 0,574 0,716 0,826 0,902
6,4 0,002 0,012 0,046 0,119 0,235 0,384 0,542 0,687 0,803 0,886 0,939
6,6 0,001 0,010 0,040 0,105 0,213 0,355 0,511 0,658 0,780 0,869 0,927
6,8 0,001 0,009 0,034 0,093 0,192 0,327 0,480 0,628 0,755 0,850 0,915
7,0 0,001 0,007 0,030 0,082 0,173 0,301 0,450 0,599 0,729 0,830 0,901
7,2 0,001 0,006 0,025 0,072 0,156 0,276 0,420 0,569 0,703 0,810 0,887
7,4 0,001 0,005 0,022 0,063 0,140 0,253 0,392 0,539 0,676 0,788 0,871
7,6 0,001 0,004 0,019 0,055 0,125 0,231 0,365 0,510 0,648 0,765 0,854
7,8 0,004 0,016 0,048 0,112 0,210 0,338 0,481 0,620 0,741 0,835
8,0 0,003 0,014 0,042 0,100 0,191 0,313 0,453 0,593 0,717 0,816
8,2 0,003 0,012 0,037 0,089 0,174 0,290 0,425 0,565 0,692 0,796
8,4 0,002 0,010 0,032 0,079 0,157 0,267 0,399 0,537 0,666 0,774
Tabla 6
Ordenadas de la Distribución Normal

z 0 1 2 3 4 5 6 7 8 9
0,0 0,3989 0,3989 0,3989 0,3988 0,3986 0,3984 0,3982 0,3980 0,3977 0,3973
0,1 0,3970 0,3965 0,3961 0,3956 0,3951 0,3945 0,3939 0,3932 0,3925 0,3918
0,2 0,3910 0,3902 0,3894 0,3885 0,3876 0,3867 0,3857 0,3847 0,3836 0,3825
0,3 0,3814 0,3802 0,3790 0,3778 0,3765 0,3752 0,3739 0,3725 0,3712 0,3697
0,4 0,3683 0,3668 0,3653 0,3637 0,3621 0,3605 0,3589 0,3572 0,3555 0,3538
0,5 0,3521 0,3503 0,3485 0,3467 0,3448 0,3429 0,3410 0,3391 0,3372 0,3352
0,6 0,3332 0,3312 0,3292 0,3271 0,3251 0,3230 0,3209 0,3187 0,3166 0,3144
0,7 0,3123 0,3101 0,3079 0,3056 0,3034 0,3011 0,2989 0,2966 0,2943 0,2920
0,8 0,2897 0,2874 0,2850 0,2827 0,2803 0,2780 0,2756 0,2732 0,2709 0,2685
0,9 0,2661 0,2637 0,2613 0,2589 0,2565 0,2541 0,2516 0,2492 0,2468 0,2444
1,0 0,2420 0,2396 0,2371 0,2347 0,2323 0,2299 0,2275 0,2251 0,2227 0,2203
1,1 0,2179 0,2155 0,2131 0,2107 0,2083 0,2059 0,2036 0,2012 0,1989 0,1965
1,2 0,1942 0,1919 0,1895 0,1872 0,1849 0,1826 0,1804 0,1781 0,1758 0,1736
1,3 0,1714 0,1691 0,1669 0,1647 0,1626 0,1604 0,1582 0,1561 0,1539 0,1518
1,4 0,1497 0,1476 0,1456 0,1435 0,1415 0,1394 0,1374 0,1354 0,1334 0,1315
1,5 0,1295 0,1276 0,1257 0,1238 0,1219 0,1200 0,1182 0,1163 0,1145 0,1127
1,6 0,1109 0,1092 0,1074 0,1057 0,1040 0,1023 0,1006 0,0989 0,0973 0,0957
1,7 0,0940 0,0925 0,0909 0,0893 0,0878 0,0863 0,0848 0,0833 0,0818 0,0804
1,8 0,0790 0,0775 0,0761 0,0748 0,0734 0,0721 0,0707 0,0694 0,0681 0,0669
1,9 0,0656 0,0644 0,0632 0,0620 0,0608 0,0596 0,0584 0,0573 0,0562 0,0551
2,0 0,0540 0,0529 0,0519 0,0508 0,0498 0,0488 0,0478 0,0468 0,0459 0,0449
2,1 0,0440 0,0431 0,0422 0,0413 0,0404 0,0396 0,0387 0,0379 0,0371 0,0363
2,2 0,0355 0,0347 0,0339 0,0332 0,0325 0,0317 0,0310 0,0303 0,0297 0,0290
2,3 0,0283 0,0277 0,0270 0,0264 0,0258 0,0252 0,0246 0,0241 0,0235 0,0229
2,4 0,0224 0,0219 0,0213 0,0208 0,0203 0,0198 0,0194 0,0189 0,0184 0,0180
2,5 0,0175 0,0171 0,0167 0,0163 0,0158 0,0154 0,0151 0,0147 0,0143 0,0139
2,6 0,0136 0,0132 0,0129 0,0126 0,0122 0,0119 0,0116 0,0113 0,0110 0,0107
2,7 0,0104 0,0101 0,0099 0,0096 0,0093 0,0091 0,0088 0,0086 0,0084 0,0081
2,8 0,0079 0,0077 0,0075 0,0073 0,0071 0,0069 0,0067 0,0065 0,0063 0,0061
2,9 0,0060 0,0058 0,0056 0,0055 0,0053 0,0051 0,0050 0,0048 0,0047 0,0046
3,0 0,0044 0,0043 0,0042 0,0040 0,0039 0,0038 0,0037 0,0036 0,0035 0,0034
3,1 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 0,0025 0,0025
3,2 0,0024 0,0023 0,0022 0,0022 0,0021 0,0020 0,0020 0,0019 0,0018 0,0018
3,3 0,0017 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 0,0013 0,0013
3,4 0,0012 0,0012 0,0012 0,0011 0,0011 0,0010 0,0010 0,0010 0,0009 0,0009
3,5 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007 0,0007 0,0007 0,0006
3,6 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005 0,0005 0,0005 0,0005 0,0004
3,7 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 0,0003 0,0003 0,0003
3,8 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002 0,0002 0,0002 0,0002 0,0002
3,9 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0001 0,0001
Tabla 7
Distribución Normal acumulada a un lado de la media

z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Tabla 8
Distribución Normal Acumulativa

z 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
Tabla 8
(Continuación)

z 0 1 2 3 4 5 6 7 8 9
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4 562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
Tabla 9
Distribución t de Student en función de a

ν 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,05 0,02 0,01 0,001
1 0,158 0,325 0,510 0,727 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,656 636,578
2 0,142 0,289 0,445 0,617 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,600
3 0,137 0,277 0,424 0,584 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 12,924
4 0,134 0,271 0,414 0,569 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,132 0,267 0,408 0,559 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,869
6 0,131 0,265 0,404 0,553 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959
7 0,130 0,263 0,402 0,549 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 5,408
8 0,130 0,262 0,399 0,546 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,129 0,261 0,398 0,543 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 4,781
10 0,129 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,129 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437
12 0,128 0,259 0,395 0,539 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 4,318
13 0,128 0,259 0,394 0,538 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,128 0,258 0,393 0,537 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015
17 0,128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,965
18 0,127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,127 0,257 0,391 0,533 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,127 0,257 0,391 0,532 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819
22 0,127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,127 0,256 0,390 0,532 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,768
24 0,127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,745
25 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707
27 0,127 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,689
28 0,127 0,256 0,389 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,660
30 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,646
40 0,126 0,255 0,388 0,529 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551
60 0,126 0,254 0,387 0,527 0,679 0,848 1,045 1,296 1,671 2,000 2,390 2,660 3,460
120 0,126 0,254 0,386 0,526 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,126 0,253 0,385 0,524 0,674 0,842 1,036 1,282 1,645 1,960 2,326 2,576 3,291
Tabla 10
Distribución t de Student – Percentiles

ν t 0,995 t 0,99 t 0,975 t 0,95 t 0,90 t 0,80 t 0,75 t 0,70 t 0,60 t 0,55
1 127,321 63,656 25,452 12,706 6,314 3,078 2,414 1,963 1,376 1,171
2 14,089 9,925 6,205 4,303 2,920 1,886 1,604 1,386 1,061 0,931
3 7,453 5,841 4,177 3,182 2,353 1,638 1,423 1,250 0,978 0,866
4 5,598 4,604 3,495 2,776 2,132 1,533 1,344 1,190 0,941 0,836
5 4,773 4,032 3,163 2,571 2,015 1,476 1,301 1,156 0,920 0,819
6 4,317 3,707 2,969 2,447 1,943 1,440 1,273 1,134 0,906 0,808
7 4,029 3,499 2,841 2,365 1,895 1,415 1,254 1,119 0,896 0,800
8 3,833 3,355 2,752 2,306 1,860 1,397 1,240 1,108 0,889 0,794
9 3,690 3,250 2,685 2,262 1,833 1,383 1,230 1,100 0,883 0,790
10 3,581 3,169 2,634 2,228 1,812 1,372 1,221 1,093 0,879 0,786
11 3,497 3,106 2,593 2,201 1,796 1,363 1,214 1,088 0,876 0,783
12 3,428 3,055 2,560 2,179 1,782 1,356 1,209 1,083 0,873 0,781
13 3,372 3,012 2,533 2,160 1,771 1,350 1,204 1,079 0,870 0,779
14 3,326 2,977 2,510 2,145 1,761 1,345 1,200 1,076 0,868 0,777
15 3,286 2,947 2,490 2,131 1,753 1,341 1,197 1,074 0,866 0,776
16 3,252 2,921 2,473 2,120 1,746 1,337 1,194 1,071 0,865 0,774
17 3,222 2,898 2,458 2,110 1,740 1,333 1,191 1,069 0,863 0,773
18 3,197 2,878 2,445 2,101 1,734 1,330 1,189 1,067 0,862 0,772
19 3,174 2,861 2,433 2,093 1,729 1,328 1,187 1,066 0,861 0,771
20 3,153 2,845 2,423 2,086 1,725 1,325 1,185 1,064 0,860 0,771
21 3,135 2,831 2,414 2,080 1,721 1,323 1,183 1,063 0,859 0,770
22 3,119 2,819 2,405 2,074 1,717 1,321 1,182 1,061 0,858 0,769
23 3,104 2,807 2,398 2,069 1,714 1,319 1,180 1,060 0,858 0,769
24 3,091 2,797 2,391 2,064 1,711 1,318 1,179 1,059 0,857 0,768
25 3,078 2,787 2,385 2,060 1,708 1,316 1,178 1,058 0,856 0,767
26 3,067 2,779 2,379 2,056 1,706 1,315 1,177 1,058 0,856 0,767
27 3,057 2,771 2,373 2,052 1,703 1,314 1,176 1,057 0,855 0,767
28 3,047 2,763 2,368 2,048 1,701 1,313 1,175 1,056 0,855 0,766
29 3,038 2,756 2,364 2,045 1,699 1,311 1,174 1,055 0,854 0,766
30 3,030 2,750 2,360 2,042 1,697 1,310 1,173 1,055 0,854 0,765
40 2,971 2,704 2,329 2,021 1,684 1,303 1,167 1,050 0,851 0,763
60 2,915 2,660 2,299 2,000 1,671 1,296 1,162 1,045 0,848 0,760
120 2,860 2,617 2,270 1,980 1,658 1,289 1,156 1,041 0,845 0,758
∞ 2,807 2,576 2,241 1,960 1,645 1,282 1,150 1,036 0,842 0,755
Tabla 11
Distribución χ 2 en función de α

ν \ α 0,99 0,98 0,95 0,9 0,8 0,7 0,5 0,3 0,2 0,1 0,06 0,02 0,01 0,001
1 1,57E-4 6,28E-4 3,93E-3 0,0158 0,0642 0,1485 0,4549 1,0742 1,6424 2,7055 3,5374 5,4119 6,6349 10,8274
2 0,0201 0,0404 0,1026 0,2107 0,4463 0,7133 1,3863 2,4079 3,2189 4,6052 5,6268 7,8241 9,2104 13,8150
3 0,1148 0,1848 0,3518 0,5844 1,0052 1,4237 2,3660 3,6649 4,6416 6,2514 7,4069 9,8374 11,3449 16,2660
4 0,2971 0,4294 0,7107 1,0636 1,6488 2,1947 3,3567 4,8784 5,9886 7,7794 9,0444 11,6678 13,2767 18,4662
5 0,5543 0,7519 1,1455 1,6103 2,3425 2,9999 4,3515 6,0644 7,2893 9,2363 10,5962 13,3882 15,0863 20,5147
6 0,8721 1,1344 1,6354 2,2041 3,0701 3,8276 5,3481 7,2311 8,5581 10,6446 12,0896 15,0332 16,8119 22,4575
7 1,2390 1,5643 2,1673 2,8331 3,8223 4,6713 6,3458 8,3834 9,8032 12,0170 13,5397 16,6224 18,4753 24,3213
8 1,6465 2,0325 2,7326 3,4895 4,5936 5,5274 7,3441 9,5245 11,0301 13,3616 14,9563 18,1682 20,0902 26,1239
9 2,0879 2,5324 3,3251 4,1682 5,3801 6,3933 8,3428 10,6564 12,2421 14,6837 16,3459 19,6790 21,6660 27,8767
10 2,5582 3,0591 3,9403 4,8652 6,1791 7,2672 9,3418 11,7807 13,4420 15,9872 17,7131 21,1608 23,2093 29,5879
11 3,0535 3,6087 4,5748 5,5778 6,9887 8,1479 10,3410 12,8987 14,6314 17,2750 19,0614 22,6179 24,7250 31,2635
12 3,5706 4,1783 5,2260 6,3038 7,8073 9,0343 11,3403 14,0111 15,8120 18,5493 20,3934 24,0539 26,2170 32,9092
13 4,1069 4,7654 5,8919 7,0415 8,6339 9,9257 12,3398 15,1187 16,9848 19,8119 21,7113 25,4715 27,6882 34,5274
14 4,6604 5,3682 6,5706 7,7895 9,4673 10,8215 13,3393 16,2221 18,1508 21,0641 23,0166 26,8727 29,1412 36,1239
15 5,2294 5,9849 7,2609 8,5468 10,3070 11,7212 14,3389 17,3217 19,3107 22,3071 24,3108 28,2595 30,5780 37,6978
16 5,8122 6,6142 7,9616 9,3122 11,1521 12,6243 15,3385 18,4179 20,4651 23,5418 25,5950 29,6332 31,9999 39,2518
17 6,4077 7,2550 8,6718 10,0852 12,0023 13,5307 16,3382 19,5110 21,6146 24,7690 26,8701 30,9950 33,4087 40,7911
18 7,0149 7,9062 9,3904 10,8649 12,8570 14,4399 17,3379 20,6014 22,7595 25,9894 28,1370 32,3462 34,8052 42,3119
19 7,6327 8,5670 10,1170 11,6509 13,7158 15,3517 18,3376 21,6891 23,9004 27,2036 29,3964 33,6874 36,1908 43,8194
20 8,2604 9,2367 10,8508 12,4426 14,5784 16,2659 19,3374 22,7745 25,0375 28,4120 30,6488 35,0196 37,5663 45,3142
21 8,8972 9,9145 11,5913 13,2396 15,4446 17,1823 20,3372 23,8578 26,1711 29,6151 31,8949 36,3434 38,9322 46,7963
22 9,5425 10,6000 12,3380 14,0415 16,3140 18,1007 21,3370 24,9390 27,3015 30,8133 33,1350 37,6595 40,2894 48,2676
23 10,1957 11,2926 13,0905 14,8480 17,1865 19,0211 22,3369 26,0184 28,4288 32,0069 34,3696 38,9683 41,6383 49,7276
24 10,8563 11,9918 13,8484 15,6587 18,0618 19,9432 23,3367 27,0960 29,5533 33,1962 35,5989 40,2703 42,9798 51,1790
25 11,5240 12,6973 14,6114 16,4734 18,9397 20,8670 24,3366 28,1719 30,6752 34,3816 36,8235 41,5660 44,3140 52,6187
26 12,1982 13,4086 15,3792 17,2919 19,8202 21,7924 25,3365 29,2463 31,7946 35,5632 38,0435 42,8558 45,6416 54,0511
27 12,8785 14,1254 16,1514 18,1139 20,7030 22,7192 26,3363 30,3193 32,9117 36,7412 39,2593 44,1399 46,9628 55,4751
28 13,5647 14,8475 16,9279 18,9392 21,5880 23,6475 27,3362 31,3909 34,0266 37,9159 40,4710 45,4188 48,2782 56,8918
29 14,2564 15,5745 17,7084 19,7677 22,4751 24,5770 28,3361 32,4612 35,1394 39,0875 41,6789 46,6926 49,5878 58,3006
30 14,9535 16,3062 18,4927 20,5992 23,3641 25,5078 29,3360 33,5302 36,2502 40,2560 42,8831 47,9618 50,8922 59,7022
Tabla 12
Distribución χ 2 – Percentiles

n χ2 0,995 χ2 0,99 χ2 0,975 χ2 0,95 χ2 0,90 χ2 0,75 χ2 0,50 χ2 0,25 χ2 0,10 χ2 0,05 χ2 0,025 χ2 0,01 χ2 0,005
1 7,8794 6,6349 5,0239 3,8415 2,7055 1,3233 0,4549 0,1015 0,0158 0,0039 0,0010 0,00016 0,00004
2 10,5965 9,2104 7,3778 5,9915 4,6052 2,7726 1,3863 0,5754 0,2107 0,1026 0,0506 0,0201 0,0100
3 12,8381 11,3449 9,3484 7,8147 6,2514 4,1083 2,3660 1,2125 0,5844 0,3518 0,2158 0,1148 0,0717
4 14,8602 13,2767 11,1433 9,4877 7,7794 5,3853 3,3567 1,9226 1,0636 0,7107 0,4844 0,2971 0,2070
5 16,7496 15,0863 12,8325 11,0705 9,2363 6,6257 4,3515 2,6746 1,6103 1,1455 0,8312 0,5543 0,4118
6 18,5475 16,8119 14,4494 12,5916 10,6446 7,8408 5,3481 3,4546 2,2041 1,6354 1,2373 0,8721 0,6757
7 20,2777 18,4753 16,0128 14,0671 12,0170 9,0371 6,3458 4,2549 2,8331 2,1673 1,6899 1,2390 0,9893
8 21,9549 20,0902 17,5345 15,5073 13,3616 10,2189 7,3441 5,0706 3,4895 2,7326 2,1797 1,6465 1,3444
9 23,5893 21,6660 19,0228 16,9190 14,6837 11,3887 8,3428 5,8988 4,1682 3,3251 2,7004 2,0879 1,7349
10 25,1881 23,2093 20,4832 18,3070 15,9872 12,5489 9,3418 6,7372 4,8652 3,9403 3,2470 2,5582 2,1558
11 26,7569 24,7250 21,9200 19,6752 17,2750 13,7007 10,3410 7,5841 5,5778 4,5748 3,8157 3,0535 2,6032
12 28,2997 26,2170 23,3367 21,0261 18,5493 14,8454 11,3403 8,4384 6,3038 5,2260 4,4038 3,5706 3,0738
13 29,8193 27,6882 24,7356 22,3620 19,8119 15,9839 12,3398 9,2991 7,0415 5,8919 5,0087 4,1069 3,5650
14 31,3194 29,1412 26,1189 23,6848 21,0641 17,1169 13,3393 10,1653 7,7895 6,5706 5,6287 4,6604 4,0747
15 32,8015 30,5780 27,4884 24,9958 22,3071 18,2451 14,3389 11,0365 8,5468 7,2609 6,2621 5,2294 4,6009
16 34,2671 31,9999 28,8453 26,2962 23,5418 19,3689 15,3385 11,9122 9,3122 7,9616 6,9077 5,8122 5,1422
17 35,7184 33,4087 30,1910 27,5871 24,7690 20,4887 16,3382 12,7919 10,0852 8,6718 7,5642 6,4077 5,6973
18 37,1564 34,8052 31,5264 28,8693 25,9894 21,6049 17,3379 13,6753 10,8649 9,3904 8,2307 7,0149 6,2648
19 38,5821 36,1908 32,8523 30,1435 27,2036 22,7178 18,3376 14,5620 11,6509 10,1170 8,9065 7,6327 6,8439
20 39,9969 37,5663 34,1696 31,4104 28,4120 23,8277 19,3374 15,4518 12,4426 10,8508 9,5908 8,2604 7,4338
21 41,4009 38,9322 35,4789 32,6706 29,6151 24,9348 20,3372 16,3444 13,2396 11,5913 10,2829 8,8972 8,0336
22 42,7957 40,2894 36,7807 33,9245 30,8133 26,0393 21,3370 17,2396 14,0415 12,3380 10,9823 9,5425 8,6427
23 44,1814 41,6383 38,0756 35,1725 32,0069 27,1413 22,3369 18,1373 14,8480 13,0905 11,6885 10,1957 9,2604
24 45,5584 42,9798 39,3641 36,4150 33,1962 28,2412 23,3367 19,0373 15,6587 13,8484 12,4011 10,8563 9,8862
25 46,9280 44,3140 40,6465 37,6525 34,3816 29,3388 24,3366 19,9393 16,4734 14,6114 13,1197 11,5240 10,5196
26 48,2898 45,6416 41,9231 38,8851 35,5632 30,4346 25,3365 20,8434 17,2919 15,3792 13,8439 12,1982 11,1602
27 49,6450 46,9628 43,1945 40,1133 36,7412 31,5284 26,3363 21,7494 18,1139 16,1514 14,5734 12,8785 11,8077
28 50,9936 48,2782 44,4608 41,3372 37,9159 32,6205 27,3362 22,6572 18,9392 16,9279 15,3079 13,5647 12,4613
29 52,3355 49,5878 45,7223 42,5569 39,0875 33,7109 28,3361 23,5666 19,7677 17,7084 16,0471 14,2564 13,1211
30 53,6719 50,8922 46,9792 43,7730 40,2560 34,7997 29,3360 24,4776 20,5992 18,4927 16,7908 14,9535 13,7867
40 66,7660 63,6908 59,3417 55,7585 51,8050 45,6160 39,3353 33,6603 29,0505 26,5093 24,4331 22,1642 20,7066
50 79,4898 76,1538 71,4202 67,5048 63,1671 56,3336 49,3349 42,9421 37,6886 34,7642 32,3574 29,7067 27,9908
60 91,9518 88,3794 83,2977 79,0820 74,3970 66,9815 59,3347 52,2938 46,4589 43,1880 40,4817 37,4848 35,5344
70 104,2148 100,4251 95,0231 90,5313 85,5270 77,5766 69,3345 61,6983 55,3289 51,7393 48,7575 45,4417 43,2753
80 116,3209 112,3288 106,6285 101,8795 96,5782 88,1303 79,3343 71,1445 64,2778 60,3915 57,1532 53,5400 51,1719
90 128,2987 124,1162 118,1359 113,1452 107,5650 98,6499 89,3342 80,6247 73,2911 69,1260 65,6466 61,7540 59,1963
100 140,1697 135,8069 129,5613 124,3421 118,4980 109,1412 99,3341 90,1332 82,3581 77,9294 74,2219 70,0650 67,3275
Tabla13
Distribución F - Percentiles
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
1 0,0005 6,2E-7 0,0005 0,0038 0,0094 0,0157 0,0217 0,0270 0,0317 0,0357 0,0392 0,0423 0,0449
0,001 2,5E-6 0,0010 0,0060 0,0135 0,0212 0,0282 0,0342 0,0393 0,0437 0,0475 0,0508 0,0536
0,005 6,2E-5 0,0050 0,0180 0,0319 0,0439 0,0537 0,0616 0,0681 0,0735 0,0780 0,0818 0,0851
0,010 0,0002 0,0102 0,0293 0,0472 0,0615 0,0728 0,0817 0,0888 0,0947 0,0996 0,1037 0,1072
0,025 0,0015 0,0260 0,0573 0,0818 0,0999 0,1135 0,1239 0,1321 0,1387 0,1442 0,1487 0,1526
0,05 0,0062 0,0540 0,0987 0,1297 0,1513 0,1670 0,1788 0,1881 0,1954 0,2014 0,2064 0,2106
0,10 0,0251 0,1173 0,1806 0,2200 0,2463 0,2648 0,2786 0,2892 0,2976 0,3044 0,3101 0,3148
0,25 0,1716 0,3889 0,4941 0,5533 0,5909 0,6167 0,6356 0,6500 0,6613 0,6705 0,6780 0,6843
0,50 1,0000 1,5000 1,7092 1,8227 1,8937 1,9422 1,9774 2,0041 2,0250 2,0419 2,0558 2,0674
0,75 5,8284 7,5000 8,1999 8,5809 8,8198 8,9832 9,1021 9,1923 9,2631 9,3202 9,3671 9,4064
0,90 39,8636 49,5002 53,5933 55,8330 57,2400 58,2045 58,9062 59,4391 59,8575 60,1949 60,4728 60,7051
0,95 161,446 199,4995 215,707 224,583 230,160 233,988 236,767 238,884 240,543 241,882 242,981 243,905
0,975 647,793 799,4822 864,151 899,599 921,835 937,1142 948,2028 956,6429 963,2786 968,6337 973,0284 976,7246
0,99 4052,185 4999,340 5403,53 5624,257 5763,955 5858,950 5928,334 5980,954 6022,397 6055,925 6083,399 6106,682
0,995 16212,46 19997,36 21614,13 22500,75 23055,82 23439,53 23715,20 23923,81 24091,45 24221,84 24333,60 24426,73
0,999 4,05E+5 4,997E+5 5,40E+5 5,63E+5 5,76E+5 5,86E+5 5,93E+5 5,98E+5 6,02E+5 6,06E+5 6,08E+5 6,10E+5
0,9995 1,62E+6 1,999E+6 2,16E+6 2,25E+6 2,30E+6 2,34E+6 2,37E+6 2,39E+6 2,41E+6 2,42E+6 2,43E+6 2,44E+6
2 0,0005 0,0000 0,0005 0,0042 0,0114 0,0201 0,0287 0,0368 0,0440 0,0503 0,0560 0,0610 0,0654
0,001 0,0000 0,0010 0,0067 0,0163 0,0269 0,0370 0,0461 0,0541 0,0610 0,0671 0,0724 0,0771
0,005 0,0001 0,0050 0,0201 0,0380 0,0546 0,0688 0,0806 0,0906 0,0989 0,1061 0,1122 0,1175
0,010 0,0002 0,0101 0,0325 0,0556 0,0753 0,0915 0,1047 0,1156 0,1247 0,1323 0,1388 0,1444
0,025 0,0013 0,0256 0,0623 0,0939 0,1186 0,1377 0,1529 0,1650 0,1750 0,1833 0,1903 0,1962
0,05 0,0050 0,0526 0,1047 0,1440 0,1728 0,1944 0,2111 0,2243 0,2349 0,2437 0,2511 0,2574
0,10 0,0202 0,1111 0,1831 0,2312 0,2646 0,2887 0,3070 0,3212 0,3326 0,3419 0,3497 0,3563
0,25 0,1333 0,3333 0,4386 0,5000 0,5397 0,5675 0,5879 0,6036 0,6159 0,6260 0,6343 0,6412
0,50 0,6667 1,0000 1,1349 1,2071 1,2519 1,2824 1,3045 1,3213 1,3344 1,3450 1,3537 1,3610
0,75 2,5714 3,0000 3,1534 3,2321 3,2799 3,3121 3,3352 3,3526 3,3661 3,3770 3,3859 3,3934
0,90 8,5263 9,0000 9,1618 9,2434 9,2926 9,3255 9,3491 9,3668 9,3805 9,3916 9,4006 9,4082
0,95 18,5128 19,0000 19,1642 19,2467 19,2963 19,3295 19,3531 19,3709 19,3847 19,3959 19,4050 19,4125
0,975 38,5062 39,0000 39,1656 39,2483 39,2984 39,3311 39,3557 39,3729 39,3866 39,3984 39,4066 39,4148
0,99 98,5019 99,0003 99,1640 99,2513 99,3023 99,3314 99,3568 99,3750 99,3896 99,3969 99,4078 99,4187
0,995 198,503 199,012 199,158 199,245 199,303 199,332 199,361 199,376 199,390 199,390 199,419 199,419
0,999 998,378 998,843 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309
0,9995 1998,618 1998,618 1998,618 1998,618 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481
3 0,0005 4,63E-7 0,0005 0,0045 0,0125 0,0225 0,0328 0,0426 0,0516 0,0596 0,0668 0,0732 0,0790
0,001 1,85E-6 0,0010 0,0071 0,0178 0,0301 0,0422 0,0533 0,0632 0,0719 0,0797 0,0865 0,0926
0,005 4,63E-5 0,0050 0,0211 0,0412 0,0605 0,0774 0,0919 0,1042 0,1147 0,1238 0,1316 0,1384
0,010 0,00019 0,01008 0,03395 0,05990 0,08292 0,10225 0,11832 0,13173 0,14302 0,15262 0,16086 0,16800
0,025 0,00116 0,02553 0,06477 0,10021 0,12881 0,15154 0,16978 0,18464 0,19692 0,20723 0,21598 0,22350
0,05 0,00464 0,05218 0,10780 0,15171 0,18486 0,21021 0,23005 0,24593 0,25890 0,26967 0,27875 0,28651
0,10 0,01866 0,10915 0,18550 0,23861 0,27628 0,30407 0,32530 0,34202 0,35551 0,36661 0,37591 0,38380
0,25 0,12195 0,31712 0,42453 0,48860 0,53071 0,56040 0,58244 0,59942 0,61292 0,62389 0,63299 0,64065
0,50 0,58506 0,88110 1,00000 1,06323 1,10236 1,12894 1,14818 1,16274 1,17415 1,18332 1,19086 1,19717
0,75 2,02386 2,27976 2,35555 2,39011 2,40950 2,42179 2,43023 2,43637 2,44102 2,44467 2,44760 2,45001
0,90 5,53831 5,46240 5,39077 5,34266 5,30915 5,28473 5,26620 5,25168 5,24000 5,23042 5,22240 5,21561
0,95 10,1280 9,5521 9,2766 9,1172 9,0134 8,9407 8,8867 8,8452 8,8123 8,7855 8,7633 8,7447
0,975 17,4434 16,0442 15,4391 15,1010 14,8848 14,7347 14,6244 14,5399 14,4730 14,4189 14,3741 14,3366
0,99 34,1161 30,8164 29,4567 28,7100 28,2371 27,9106 27,6714 27,4895 27,3449 27,2285 27,1320 27,0520
0,995 55,5519 49,8003 47,4683 46,1951 45,3911 44,8381 44,4343 44,1250 43,8813 43,6848 43,5248 43,3865
0,999 167,056 148,488 141,095 137,079 134,576 132,830 131,608 130,618 129,861 129,221 128,755 128,319
0,9995 266,591 236,556 224,682 218,279 214,204 211,410 209,315 207,801 206,637 205,589 204,891 204,192
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
1 0,0005 5,1E-2 0,0582 0,0619 0,0657 0,0697 0,0721 0,0738 0,0772 0,0781 0,0799 0,0721 0,0825
0,001 6,0E-2 0,0675 0,0713 0,0752 0,0793 0,0818 0,0835 0,0870 0,0879 0,0896 0,0818 0,0924
0,005 9,3E-2 0,1006 0,1047 0,1089 0,1133 0,1159 0,1177 0,1214 0,1223 0,1241 0,1159 0,1269
0,010 0,1152 0,1235 0,1278 0,1322 0,1367 0,1395 0,1413 0,1450 0,1460 0,1479 0,1395 0,1507
0,025 0,1613 0,1703 0,1749 0,1796 0,1844 0,1873 0,1892 0,1931 0,1941 0,1961 0,1873 0,1990
0,05 0,2201 0,2298 0,2348 0,2398 0,2448 0,2479 0,2499 0,2541 0,2551 0,2572 0,2479 0,2603
0,10 0,3254 0,3362 0,3416 0,3471 0,3527 0,3560 0,3583 0,3628 0,3639 0,3662 0,3560 0,3696
0,25 0,6983 0,7124 0,7195 0,7267 0,7339 0,7382 0,7411 0,7469 0,7484 0,7513 0,7382 0,7557
0,50 2,0931 2,1191 2,1321 2,1452 2,1584 2,1663 2,1716 2,1822 2,1848 2,1901 2,1663 2,1981
0,75 9,4934 9,5812 9,6255 9,6698 9,7144 9,7412 9,7592 9,7951 9,8041 9,8221 9,7412 9,8492
0,90 61,2204 61,7401 62,0021 62,2649 62,5291 62,6878 62,7942 63,0071 63,0607 63,1671 62,6878 63,3281
0,95 245,949 248,0156 249,052 250,096 251,144 251,774 252,196 253,043 253,254 253,676 251,774 254,3165
0,975 984,874 993,0809 997,272 1001,405 1005,596 1008,0985 1009,7865 1013,1625 1014,0357 1015,7237 1008,0985 1018,2557
0,99 6156,974 6208,662 6234,27 6260,350 6286,427 6302,260 6312,970 6333,925 6339,513 6349,757 6302,260 6365,5898
0,995 24631,62 24836,51 24937,09 25041,40 25145,71 25212,76 25253,74 25339,42 25358,05 25399,03 25212,76 2,5466E+4
0,999 6,2E+5 6,2E+5 6,2E+5 6,3E+5 6,3E+5 6,3E+5 6,3E+5 6,3E+5 6,3E+5 6,4E+5 6,3E+5 6,3658E+5
0,9995 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5E+6 2,5482E+6
2 0,0005 0,0760 0,0878 0,0943 0,1010 0,1081 0,1126 0,1156 0,1218 0,1234 0,1266 0,1126 0,1316
0,001 0,0882 0,1005 0,1071 0,1140 0,1212 0,1257 0,1287 0,1350 0,1366 0,1398 0,1257 0,1448
0,005 0,1299 0,1431 0,1501 0,1574 0,1648 0,1694 0,1726 0,1789 0,1805 0,1838 0,1694 0,1887
0,010 0,1573 0,1710 0,1781 0,1855 0,1931 0,1978 0,2009 0,2073 0,2089 0,2122 0,1978 0,2171
0,025 0,2099 0,2242 0,2315 0,2391 0,2469 0,2516 0,2548 0,2612 0,2628 0,2661 0,2516 0,2711
0,05 0,2716 0,2863 0,2939 0,3016 0,3094 0,3142 0,3174 0,3239 0,3255 0,3288 0,3142 0,3338
0,10 0,3710 0,3862 0,3940 0,4018 0,4098 0,4146 0,4178 0,4244 0,4260 0,4293 0,4146 0,4343
0,25 0,6567 0,6725 0,6805 0,6885 0,6966 0,7015 0,7048 0,7114 0,7130 0,7164 0,7015 0,7213
0,50 1,3771 1,3933 1,4014 1,4096 1,4178 1,4228 1,4261 1,4327 1,4344 1,4377 1,4228 1,4427
0,75 3,4098 3,4263 3,4346 3,4428 3,4511 3,4561 3,4594 3,4661 3,4677 3,4711 3,4561 3,4761
0,90 9,4247 9,4413 9,4496 9,4579 9,4662 9,4713 9,4745 9,4813 9,4829 9,4862 9,4713 9,4912
0,95 19,4291 19,4457 19,4541 19,4625 19,4707 19,4757 19,4791 19,4857 19,4873 19,4907 19,4757 19,4957
0,975 39,4311 39,4475 39,4566 39,4648 39,4730 39,4775 39,4812 39,4875 39,4894 39,4930 39,4775 39,4975
0,99 99,4332 99,4478 99,4551 99,4660 99,4769 99,4769 99,4842 99,4914 99,4914 99,4914 99,4769 99,4987
0,995 199,434 199,449 199,449 199,478 199,478 199,478 199,478 199,478 199,492 199,492 199,478 199,5068
0,999 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,309 999,3091
0,9995 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,481 2000,4809
3 0,0005 0,0929 0,1087 0,1174 0,1267 0,1365 0,1426 0,1468 0,1555 0,1577 0,1622 0,1426 0,1692
0,001 0,1071 0,1235 0,1324 0,1418 0,1516 0,1578 0,1620 0,1707 0,1730 0,1775 0,1578 0,1844
0,005 0,1544 0,1719 0,1812 0,1909 0,2010 0,2072 0,2115 0,2201 0,2224 0,2268 0,2072 0,2337
0,010 0,18461 0,20250 0,21195 0,22174 0,23188 0,23813 0,24237 0,25102 0,25322 0,25766 0,23813 0,2644
0,025 0,24080 0,25915 0,26874 0,27860 0,28875 0,29497 0,29918 0,30773 0,30990 0,31427 0,29497 0,3209
0,05 0,30419 0,32275 0,33236 0,34220 0,35227 0,35842 0,36257 0,37098 0,37311 0,37739 0,35842 0,3839
0,10 0,40164 0,42015 0,42967 0,43935 0,44922 0,45522 0,45926 0,46743 0,46949 0,47363 0,45522 0,4799
0,25 0,65779 0,67531 0,68421 0,69321 0,70231 0,70782 0,71151 0,71895 0,72082 0,72457 0,70782 0,7302
0,50 1,21112 1,22517 1,23224 1,23933 1,24645 1,25074 1,25360 1,25934 1,26077 1,26365 1,25074 1,2680
0,75 2,45518 2,46019 2,46263 2,46503 2,46738 2,46877 2,46968 2,47150 2,47195 2,47284 2,46877 2,4742
0,90 5,20032 5,18449 5,17636 5,16812 5,15972 5,15462 5,15118 5,14426 5,14251 5,13901 5,15462 5,1337
0,95 8,7028 8,6602 8,6385 8,6166 8,5944 8,5810 8,5720 8,5539 8,5494 8,5402 8,5810 8,5265
0,975 14,2527 14,1674 14,1242 14,0806 14,0365 14,0099 13,9921 13,9562 13,9473 13,9291 14,0099 13,9021
0,99 26,8719 26,6900 26,5973 26,5045 26,4108 26,3544 26,3162 26,2407 26,2207 26,1825 26,3544 26,1252
0,995 43,0846 42,7790 42,6226 42,4661 42,3097 42,2115 42,1496 42,0223 41,9896 41,9241 42,2115 41,8295
0,999 127,358 126,427 125,932 125,438 124,972 124,681 124,448 124,070 123,982 123,749 124,681 123,458
0,9995 202,563 201,049 200,234 199,536 198,721 198,255 197,906 197,324 197,208 196,858 198,255 196,276
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12

4 0,0005 4,4E-7 0,0005 0,0046 0,0131 0,0241 0,0356 0,0466 0,0569 0,0662 0,0746 0,0821 0,0889
0,001 1,8E-6 0,0010 0,0073 0,0187 0,0322 0,0456 0,0582 0,0695 0,0796 0,0886 0,0966 0,1038
0,005 4,4E-5 0,0050 0,0216 0,0432 0,0643 0,0831 0,0995 0,1136 0,1257 0,1362 0,1453 0,1533
0,010 0,0002 0,0101 0,0348 0,0626 0,0878 0,1093 0,1274 0,1427 0,1557 0,1668 0,1764 0,1848
0,025 0,0011 0,0255 0,0662 0,1041 0,1354 0,1606 0,1811 0,1979 0,2120 0,2238 0,2339 0,2426
0,05 0,0045 0,0520 0,1097 0,1565 0,1926 0,2206 0,2427 0,2606 0,2752 0,2875 0,2979 0,3068
0,10 0,0179 0,1082 0,1872 0,2435 0,2841 0,3144 0,3378 0,3563 0,3714 0,3838 0,3943 0,4032
0,25 0,1165 0,3094 0,4184 0,4845 0,5284 0,5595 0,5828 0,6009 0,6153 0,6270 0,6368 0,6450
0,50 0,5486 0,8284 0,9405 1,0000 1,0367 1,0617 1,0797 1,0933 1,1040 1,1126 1,1196 1,1255
0,75 1,8074 2,0000 2,0467 2,0642 2,0723 2,0766 2,0790 2,0805 2,0814 2,0820 2,0823 2,0826
0,90 4,5448 4,3246 4,1909 4,1072 4,0506 4,0097 3,9790 3,9549 3,9357 3,9199 3,9067 3,8955
0,95 7,709 6,9443 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,936 5,912
0,975 12,218 10,6490 9,979 9,604 9,364 9,1973 9,0741 8,9796 8,9046 8,8439 8,7936 8,7512
0,99 21,198 18,000 16,69 15,977 15,522 15,207 14,976 14,799 14,659 14,546 14,452 14,374
0,995 31,33 26,28 24,26 23,15 22,46 21,98 21,62 21,35 21,14 20,97 20,82 20,70
0,999 7,4E+1 61,25 5,6E+1 5,3E+1 5,2E+1 5,1E+1 5,0E+1 4,9E+1 4,8E+1 4,8E+1 4,8E+1 4,7E+1
0,9995 1,1E+2 87,43 8,0E+1 7,6E+1 7,4E+1 7,2E+1 7,1E+1 7,0E+1 6,9E+1 6,8E+1 6,8E+1 6,7E+1
5 0,0005 0,0000 0,0005 0,0047 0,0136 0,0252 0,0375 0,0496 0,0608 0,0711 0,0805 0,0889 0,0966
0,001 0,0000 0,0010 0,0074 0,0193 0,0336 0,0481 0,0617 0,0742 0,0854 0,0954 0,1044 0,1125
0,005 0,0000 0,0050 0,0220 0,0445 0,0669 0,0872 0,1050 0,1205 0,1338 0,1455 0,1557 0,1647
0,010 0,0002 0,0101 0,0354 0,0644 0,0912 0,1143 0,1340 0,1508 0,1651 0,1774 0,1881 0,1975
0,025 0,0011 0,0254 0,0672 0,1068 0,1399 0,1670 0,1892 0,2076 0,2230 0,2361 0,2473 0,2570
0,05 0,0043 0,0518 0,1109 0,1598 0,1980 0,2279 0,2518 0,2712 0,2872 0,3007 0,3121 0,3220
0,10 0,0175 0,1076 0,1884 0,2469 0,2896 0,3218 0,3468 0,3668 0,3831 0,3966 0,4080 0,4177
0,25 0,1134 0,3049 0,4150 0,4826 0,5278 0,5602 0,5844 0,6033 0,6184 0,6308 0,6411 0,6498
0,50 0,5281 0,7988 0,9071 0,9646 1,0000 1,0240 1,0414 1,0545 1,0648 1,0730 1,0798 1,0855
0,75 1,6925 1,8528 1,8843 1,8927 1,8947 1,8945 1,8935 1,8923 1,8911 1,8899 1,8887 1,8877
0,90 4,0604 3,7797 3,6195 3,5202 3,4530 3,4045 3,3679 3,3393 3,3163 3,2974 3,2816 3,2682
0,95 6,6079 5,7861 5,4094 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351 4,7040 4,6777
0,975 10,0069 8,4336 7,7636 7,3879 7,1464 6,9777 6,8530 6,7572 6,6810 6,6192 6,5678 6,5245
0,99 16,2581 13,2741 12,0599 11,3919 10,9671 10,6722 10,4556 10,2893 10,1577 10,0511 9,9626 9,8883
0,995 22,785 18,314 16,530 15,556 14,939 14,513 14,200 13,961 13,772 13,618 13,491 13,385
0,999 47,177 37,122 33,200 31,083 29,751 28,835 28,165 27,649 27,241 26,914 26,645 26,419
0,9995 63,621 49,782 44,412 41,531 39,727 38,475 37,558 36,860 36,307 35,856 35,492 35,187
6 0,0005 4,3E-7 0,0005 0,0047 0,0139 0,0260 0,0390 0,0518 0,0639 0,0750 0,0851 0,0943 0,1027
0,001 1,7E-6 0,0010 0,0075 0,0198 0,0347 0,0499 0,0644 0,0778 0,0899 0,1008 0,1105 0,1193
0,005 4,3E-5 0,0050 0,0223 0,0455 0,0689 0,0903 0,1092 0,1258 0,1402 0,1528 0,1639 0,1737
0,010 0,00017 0,01007 0,03583 0,06576 0,09370 0,11812 0,13905 0,15697 0,17236 0,18567 0,19727 0,20744
0,025 0,00107 0,02542 0,06787 0,10873 0,14331 0,17183 0,19537 0,21497 0,23150 0,24557 0,25769 0,26822
0,05 0,00427 0,05173 0,11185 0,16226 0,20201 0,23343 0,25867 0,27928 0,29641 0,31083 0,32314 0,33377
0,10 0,01718 0,10723 0,18922 0,24939 0,29373 0,32738 0,35368 0,37477 0,39203 0,40641 0,41857 0,42900
0,25 0,11132 0,30193 0,41292 0,48156 0,52785 0,56112 0,58619 0,60575 0,62145 0,63432 0,64507 0,65419
0,50 0,51489 0,77976 0,88578 0,94191 0,97654 1,00000 1,01694 1,02975 1,03977 1,04783 1,05444 1,05997
0,75 1,62142 1,76220 1,78443 1,78715 1,78521 1,78214 1,77895 1,77596 1,77326 1,77085 1,76870 1,76678
0,90 3,77595 3,46330 3,28876 3,18076 3,10752 3,05455 3,01446 2,98304 2,95774 2,93694 2,91952 2,90472
0,95 5,9874 5,1432 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600 4,0274 3,9999
0,975 8,8131 7,2599 6,5988 6,2271 5,9875 5,8197 5,6955 5,5996 5,5234 5,4613 5,4098 5,3662
0,99 13,7452 10,9249 9,7796 9,1484 8,7459 8,4660 8,2600 8,1017 7,9760 7,8742 7,7896 7,7183
0,995 18,6346 14,5442 12,9166 12,0276 11,4637 11,0731 10,7857 10,5656 10,3914 10,2500 10,1327 10,0345
0,999 35,507 27,001 23,705 21,922 20,802 20,031 19,463 19,030 18,688 18,412 18,183 17,990
0,9995 46,071 34,794 30,457 28,114 26,645 25,633 24,891 24,324 23,880 23,516 23,218 22,963
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
4 0,0005 1,1E-01 0,1247 0,1353 0,1467 0,1588 0,1665 0,1717 0,1826 0,1855 0,1912 0,1665 0,2000
0,001 1,2E-01 0,1409 0,1518 0,1633 0,1755 0,1832 0,1884 0,1993 0,2021 0,2078 0,1832 0,2166
0,005 1,7E-01 0,1933 0,2045 0,2163 0,2286 0,2363 0,2416 0,2523 0,2551 0,2606 0,2363 0,2692
0,010 0,2044 0,2257 0,2371 0,2489 0,2612 0,2689 0,2740 0,2847 0,2874 0,2929 0,2689 0,3013
0,025 0,2629 0,2845 0,2959 0,3077 0,3199 0,3274 0,3325 0,3429 0,3455 0,3508 0,3274 0,3590
0,05 0,3273 0,3489 0,3602 0,3718 0,3837 0,3911 0,3960 0,4061 0,4086 0,4138 0,3911 0,4216
0,10 0,4235 0,4447 0,4556 0,4668 0,4783 0,4852 0,4900 0,4995 0,5019 0,5068 0,4852 0,5142
0,25 0,6635 0,6825 0,6922 0,7020 0,7120 0,7180 0,7221 0,7303 0,7324 0,7365 0,7180 0,7428
0,50 1,1386 1,1517 1,1583 1,1649 1,1716 1,1756 1,1782 1,1836 1,1849 1,1876 1,1756 1,1916
0,75 2,0829 2,0828 2,0827 2,0825 2,0821 2,0819 2,0817 2,0813 2,0812 2,0809 2,0819 2,0806
0,90 3,8704 3,8443 3,8310 3,8174 3,8036 3,7952 3,7896 3,7782 3,7753 3,7695 3,7952 3,7607
0,95 5,8578 5,8025 5,7744 5,7459 5,7170 5,6995 5,6878 5,6640 5,6581 5,6461 5,6995 5,6281
0,975 8,6566 8,5599 8,5108 8,4613 8,4111 8,3808 8,3604 8,3195 8,3091 8,2885 8,3808 8,2573
0,99 14,1981 14,0194 13,9289 13,8375 13,7452 13,6897 13,6522 13,5769 13,5583 13,5201 13,6897 13,4633
0,995 20,4382 20,1671 20,0298 19,8916 19,7515 19,6669 19,6105 19,4968 19,4686 19,4113 19,6669 19,3249
0,999 46,7553 46,1005 45,7658 45,4311 45,0818 44,8781 44,7471 44,4707 44,3979 44,2669 44,8781 44,0486
0,9995 66,4731 65,5418 65,0471 64,5523 64,0866 63,7665 63,5628 63,1844 63,0971 62,8643 63,7665 62,5732
5 0,0005 0,1154 0,1374 0,1498 0,1630 0,1772 0,1862 0,1924 0,2054 0,2088 0,2156 0,1862 0,2262
0,001 0,1321 0,1548 0,1673 0,1807 0,1950 0,2040 0,2102 0,2231 0,2265 0,2332 0,2040 0,2437
0,005 0,1861 0,2100 0,2229 0,2365 0,2509 0,2598 0,2660 0,2786 0,2818 0,2884 0,2598 0,2985
0,010 0,2195 0,2437 0,2567 0,2703 0,2846 0,2935 0,2995 0,3119 0,3151 0,3215 0,2935 0,3314
0,025 0,2796 0,3040 0,3170 0,3304 0,3444 0,3530 0,3589 0,3709 0,3740 0,3802 0,3530 0,3896
0,05 0,3447 0,3689 0,3816 0,3947 0,4083 0,4166 0,4222 0,4338 0,4367 0,4426 0,4166 0,4516
0,10 0,4399 0,4633 0,4755 0,4880 0,5008 0,5086 0,5140 0,5247 0,5275 0,5330 0,5086 0,5413
0,25 0,6694 0,6897 0,7001 0,7106 0,7213 0,7279 0,7322 0,7411 0,7433 0,7478 0,7279 0,7546
0,50 1,0980 1,1106 1,1170 1,1234 1,1297 1,1336 1,1361 1,1413 1,1426 1,1452 1,1336 1,1490
0,75 1,8851 1,8820 1,8802 1,8784 1,8763 1,8751 1,8742 1,8724 1,8719 1,8709 1,8751 1,8694
0,90 3,2380 3,2067 3,1905 3,1741 3,1573 3,1471 3,1402 3,1263 3,1228 3,1157 3,1471 3,1050
0,95 4,6188 4,5581 4,5272 4,4957 4,4638 4,4444 4,4314 4,4051 4,3985 4,3851 4,4444 4,3650
0,975 6,4277 6,3285 6,2780 6,2269 6,1751 6,1436 6,1225 6,0800 6,0693 6,0478 6,1436 6,0153
0,99 9,7223 9,5527 9,4665 9,3794 9,2912 9,2377 9,2020 9,1300 9,1118 9,0754 9,2377 9,0204
0,995 13,146 12,903 12,780 12,656 12,530 12,454 12,402 12,300 12,274 12,222 12,454 12,1436
0,999 25,910 25,393 25,131 24,869 24,600 24,440 24,331 24,113 24,062 23,952 24,440 23,7851
0,9995 34,503 33,804 33,440 33,091 32,727 32,509 32,363 32,058 31,985 31,840 32,509 31,6213
6 0,0005 0,1235 0,1480 0,1617 0,1766 0,1928 0,2030 0,2101 0,2250 0,2288 0,2367 0,2030 0,2489
0,001 0,1410 0,1662 0,1802 0,1952 0,2114 0,2216 0,2287 0,2435 0,2473 0,2551 0,2216 0,2672
0,005 0,1972 0,2236 0,2380 0,2532 0,2693 0,2794 0,2864 0,3007 0,3044 0,3119 0,2794 0,3235
0,010 0,23157 0,25830 0,27272 0,28790 0,30386 0,31383 0,32065 0,33471 0,33831 0,34563 0,31383 0,3569
0,025 0,29285 0,31966 0,33394 0,34883 0,36438 0,37403 0,38061 0,39410 0,39755 0,40454 0,37403 0,4152
0,05 0,35836 0,38477 0,39869 0,41313 0,42811 0,43736 0,44365 0,45650 0,45977 0,46639 0,43736 0,4765
0,10 0,45288 0,47817 0,49137 0,50497 0,51897 0,52758 0,53341 0,54529 0,54830 0,55439 0,52758 0,5637
0,25 0,67476 0,69609 0,70705 0,71823 0,72962 0,73657 0,74125 0,75072 0,75311 0,75793 0,73657 0,7652
0,50 1,07219 1,08449 1,09067 1,09687 1,10309 1,10683 1,10933 1,11435 1,11560 1,11811 1,10683 1,1219
0,75 1,76214 1,75688 1,75400 1,75095 1,74771 1,74568 1,74428 1,74140 1,74065 1,73914 1,74568 1,7368
0,90 2,87122 2,83634 2,81835 2,79996 2,78117 2,76969 2,76195 2,74626 2,74229 2,73430 2,76969 2,7222
0,95 3,9381 3,8742 3,8414 3,8082 3,7743 3,7537 3,7398 3,7117 3,7047 3,6904 3,7537 3,6689
0,975 5,2686 5,1684 5,1172 5,0652 5,0125 4,9804 4,9589 4,9154 4,9045 4,8824 4,9804 4,8491
0,99 7,5590 7,3958 7,3128 7,2286 7,1432 7,0914 7,0568 6,9867 6,9690 6,9335 7,0914 6,8801
0,995 9,8139 9,5888 9,4742 9,3582 9,2409 9,1695 9,1218 9,0258 9,0013 8,9528 9,1695 8,8794
0,999 17,557 17,120 16,898 16,673 16,444 16,305 16,214 16,029 15,982 15,887 16,305 15,745
0,9995 22,403 21,828 21,537 21,246 20,947 20,773 20,649 20,409 20,344 20,227 20,773 20,038
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
7 0,0005 4,2E-07 0,0005 0,0048 0,0142 0,0266 0,0402 0,0536 0,0663 0,0781 0,0889 0,0987 0,1077
0,001 1,7E-06 0,0010 0,0076 0,0201 0,0355 0,0514 0,0666 0,0807 0,0935 0,1051 0,1155 0,1250
0,005 4,2E-05 0,0050 0,0225 0,0462 0,0704 0,0927 0,1125 0,1300 0,1452 0,1587 0,1705 0,1810
0,010 0,0002 0,0101 0,0361 0,0668 0,0956 0,1211 0,1430 0,1619 0,1782 0,1923 0,2047 0,2155
0,025 0,0011 0,0254 0,0684 0,1102 0,1459 0,1756 0,2002 0,2208 0,2383 0,2532 0,2661 0,2773
0,05 0,0042 0,0517 0,1125 0,1641 0,2051 0,2377 0,2641 0,2857 0,3037 0,3189 0,3320 0,3432
0,10 0,0170 0,1070 0,1899 0,2513 0,2969 0,3317 0,3591 0,3811 0,3992 0,4143 0,4271 0,4381
0,25 0,1099 0,2998 0,4115 0,4810 0,5281 0,5621 0,5878 0,6080 0,6241 0,6375 0,6486 0,6580
0,50 0,5057 0,7665 0,8709 0,9262 0,9603 0,9833 1,0000 1,0126 1,0224 1,0304 1,0369 1,0423
0,75 1,5732 1,7010 1,7169 1,7157 1,7111 1,7059 1,7011 1,6969 1,6931 1,6898 1,6869 1,6843
0,90 3,5894 3,2574 3,0741 2,9605 2,8833 2,8274 2,7849 2,7516 2,7247 2,7025 2,6839 2,6681
0,95 5,591 4,7374 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637 3,603 3,575
0,975 8,073 6,5415 5,890 5,523 5,285 5,1186 4,9949 4,8993 4,8232 4,7611 4,7095 4,6658
0,99 12,246 9,547 8,451 7,847 7,460 7,191 6,993 6,840 6,719 6,620 6,538 6,469
0,995 16,235 12,404 10,883 10,050 9,522 9,155 8,885 8,678 8,514 8,380 8,270 8,176
0,999 29,246 21,690 18,772 17,197 16,207 15,520 15,018 14,634 14,330 14,083 13,879 13,708
0,9995 36,991 27,205 23,458 21,442 20,169 19,296 18,656 18,168 17,782 17,470 17,208 16,989
8 0,0005 0,0000 0,0005 0,0048 0,0143 0,0271 0,0411 0,0550 0,0683 0,0807 0,0920 0,1024 0,1119
0,001 0,0000 0,0010 0,0077 0,0204 0,0362 0,0526 0,0683 0,0830 0,0964 0,1086 0,1197 0,1297
0,005 0,0000 0,0050 0,0227 0,0468 0,0716 0,0946 0,1152 0,1334 0,1494 0,1635 0,1760 0,1871
0,010 0,0002 0,0101 0,0364 0,0676 0,0972 0,1234 0,1462 0,1659 0,1829 0,1978 0,2108 0,2223
0,025 0,0010 0,0254 0,0688 0,1114 0,1480 0,1786 0,2041 0,2256 0,2438 0,2594 0,2729 0,2848
0,05 0,0042 0,0516 0,1131 0,1655 0,2075 0,2411 0,2684 0,2909 0,3096 0,3256 0,3392 0,3511
0,10 0,0168 0,1068 0,1904 0,2528 0,2995 0,3352 0,3634 0,3862 0,4050 0,4207 0,4340 0,4455
0,25 0,1088 0,2983 0,4104 0,4807 0,5285 0,5631 0,5893 0,6099 0,6265 0,6402 0,6516 0,6614
0,50 0,4990 0,7568 0,8600 0,9146 0,9483 0,9711 0,9876 1,0000 1,0097 1,0175 1,0240 1,0293
0,75 1,5384 1,6569 1,6683 1,6642 1,6575 1,6508 1,6448 1,6396 1,6350 1,6310 1,6275 1,6244
0,90 3,4579 3,1131 2,9238 2,8064 2,7264 2,6683 2,6241 2,5893 2,5612 2,5380 2,5186 2,5020
0,95 5,3176 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472 3,3129 3,2839
0,975 7,5709 6,0595 5,4160 5,0526 4,8173 4,6517 4,5285 4,4333 4,3572 4,2951 4,2434 4,1997
0,99 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0288 5,9106 5,8143 5,7343 5,6667
0,995 14,6883 11,0426 9,5965 8,8053 8,3019 7,9519 7,6941 7,4958 7,3387 7,2107 7,1045 7,0149
0,999 25,4149 18,4937 15,8288 14,3918 13,4842 12,8584 12,3982 12,0453 11,7670 11,5397 11,3523 11,1941
0,9995 31,5558 22,7519 19,3868 17,5787 16,4400 15,6579 15,0794 14,6392 14,2900 14,0062 13,7734 13,5769
9 0,0005 4,1E-07 0,0005 0,0048 0,0145 0,0275 0,0419 0,0562 0,0700 0,0828 0,0946 0,1055 0,1155
0,001 1,7E-06 0,0010 0,0077 0,0206 0,0367 0,0535 0,0698 0,0850 0,0990 0,1117 0,1232 0,1337
0,005 4,2E-05 0,0050 0,0228 0,0473 0,0726 0,0962 0,1175 0,1363 0,1529 0,1676 0,1806 0,1922
0,010 0,00017 0,0101 0,0366 0,0682 0,0984 0,1254 0,1488 0,1692 0,1869 0,2023 0,2159 0,2279
0,025 0,00104 0,0254 0,0691 0,1123 0,1497 0,1810 0,2073 0,2295 0,2484 0,2646 0,2787 0,2910
0,05 0,00416 0,0516 0,1135 0,1667 0,2095 0,2440 0,2720 0,2951 0,3146 0,3311 0,3453 0,3576
0,10 0,01671 0,1066 0,1908 0,2541 0,3015 0,3381 0,3670 0,3904 0,4098 0,4260 0,4398 0,4518
0,25 0,10796 0,2971 0,4097 0,4805 0,5288 0,5639 0,5906 0,6116 0,6286 0,6426 0,6543 0,6643
0,50 0,49382 0,7494 0,8517 0,9058 0,9392 0,9617 0,9781 0,9904 1,0000 1,0077 1,0141 1,0194
0,75 1,51206 1,62355 1,63155 1,62530 1,61701 1,60914 1,60219 1,59614 1,59090 1,58634 1,58235 1,57883
0,90 3,3603 3,0064 2,8129 2,6927 2,6106 2,5509 2,5053 2,4694 2,4403 2,4163 2,3961 2,3789
0,95 5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373 3,1025 3,0729
0,975 7,2093 5,7147 5,0781 4,7181 4,4844 4,3197 4,1970 4,1020 4,0260 3,9639 3,9121 3,8682
0,99 10,5615 8,0215 6,9920 6,4221 6,0569 5,8018 5,6128 5,4671 5,3511 5,2565 5,1779 5,1115
0,995 13,6138 10,1068 8,7171 7,9558 7,4710 7,1338 6,8849 6,6932 6,5411 6,4172 6,3142 6,2273
0,999 22,8574 16,3873 13,9007 12,5601 11,7143 11,1286 10,6975 10,3682 10,1063 9,8944 9,7189 9,5697
0,9995 27,9906 19,8634 16,7711 15,1049 14,0572 13,3368 12,8057 12,3982 12,0745 11,8162 11,5979 11,4160
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
7 0,0005 0,1301 0,1568 0,1719 0,1883 0,2061 0,2175 0,2254 0,2421 0,2464 0,2552 0,2175 0,2690
0,001 0,1483 0,1757 0,1910 0,2076 0,2255 0,2368 0,2447 0,2612 0,2655 0,2742 0,2368 0,2878
0,005 0,2063 0,2349 0,2506 0,2673 0,2850 0,2962 0,3038 0,3198 0,3239 0,3323 0,2962 0,3452
0,010 0,2415 0,2704 0,2860 0,3026 0,3201 0,3311 0,3386 0,3542 0,3582 0,3663 0,3311 0,3789
0,025 0,3036 0,3325 0,3480 0,3642 0,3811 0,3917 0,3989 0,4138 0,4176 0,4253 0,3917 0,4372
0,05 0,3695 0,3978 0,4128 0,4284 0,4446 0,4547 0,4616 0,4756 0,4792 0,4865 0,4547 0,4976
0,10 0,4634 0,4903 0,5044 0,5190 0,5340 0,5433 0,5496 0,5625 0,5658 0,5724 0,5433 0,5825
0,25 0,6794 0,7017 0,7132 0,7249 0,7369 0,7442 0,7492 0,7592 0,7617 0,7668 0,7442 0,7746
0,50 1,0543 1,0664 1,0724 1,0785 1,0846 1,0883 1,0908 1,0957 1,0969 1,0994 1,0883 1,1031
0,75 1,6781 1,6712 1,6675 1,6635 1,6593 1,6567 1,6548 1,6511 1,6501 1,6482 1,6567 1,6452
0,90 2,6322 2,5947 2,5753 2,5555 2,5351 2,5226 2,5142 2,4971 2,4928 2,4841 2,5226 2,4708
0,95 3,5107 3,4445 3,4105 3,3758 3,3404 3,3189 3,3043 3,2749 3,2674 3,2525 3,3189 3,2298
0,975 4,5678 4,4668 4,4150 4,3624 4,3089 4,2763 4,2544 4,2101 4,1989 4,1764 4,2763 4,1424
0,99 6,3144 6,1555 6,0743 5,9920 5,9084 5,8577 5,8236 5,7546 5,7373 5,7024 5,8577 5,6496
0,995 7,9676 7,7539 7,6450 7,5345 7,4224 7,3544 7,3087 7,2166 7,1932 7,1466 7,3544 7,0761
0,999 13,3241 12,9312 12,7329 12,5292 12,3255 12,2018 12,1181 11,9508 11,9089 11,8234 12,2018 11,6961
0,9995 16,5019 16,0035 15,7524 15,4942 15,2359 15,0758 14,9739 14,7593 14,7047 14,5992 15,0758 14,4355
8 0,0005 0,1358 0,1643 0,1806 0,1984 0,2178 0,2303 0,2389 0,2572 0,2620 0,2718 0,2303 0,2871
0,001 0,1545 0,1838 0,2003 0,2183 0,2377 0,2501 0,2588 0,2768 0,2815 0,2912 0,2501 0,3062
0,005 0,2139 0,2445 0,2613 0,2793 0,2985 0,3107 0,3190 0,3365 0,3410 0,3501 0,3107 0,3644
0,010 0,2497 0,2806 0,2974 0,3152 0,3341 0,3460 0,3542 0,3712 0,3755 0,3844 0,3460 0,3982
0,025 0,3126 0,3433 0,3598 0,3772 0,3954 0,4068 0,4146 0,4308 0,4349 0,4433 0,4068 0,4562
0,05 0,3787 0,4087 0,4246 0,4413 0,4587 0,4695 0,4769 0,4920 0,4959 0,5038 0,4695 0,5159
0,10 0,4720 0,5004 0,5153 0,5308 0,5468 0,5567 0,5634 0,5772 0,5807 0,5878 0,5567 0,5987
0,25 0,6835 0,7065 0,7185 0,7307 0,7432 0,7509 0,7561 0,7666 0,7693 0,7747 0,7509 0,7829
0,50 1,0412 1,0531 1,0591 1,0651 1,0711 1,0747 1,0772 1,0820 1,0832 1,0857 1,0747 1,0893
0,75 1,6170 1,6088 1,6043 1,5996 1,5945 1,5914 1,5892 1,5848 1,5836 1,5813 1,5914 1,5777
0,90 2,4642 2,4246 2,4041 2,3830 2,3614 2,3481 2,3391 2,3208 2,3162 2,3068 2,3481 2,2926
0,95 3,2184 3,1503 3,1152 3,0794 3,0428 3,0204 3,0053 2,9747 2,9669 2,9513 3,0204 2,9276
0,975 4,1012 3,9994 3,9472 3,8940 3,8398 3,8067 3,7844 3,7393 3,7279 3,7050 3,8067 3,6702
0,99 5,5152 5,3591 5,2793 5,1981 5,1156 5,0654 5,0316 4,9633 4,9461 4,9114 5,0654 4,8588
0,995 6,8144 6,6082 6,5029 6,3960 6,2876 6,2216 6,1773 6,0875 6,0650 6,0195 6,2216 5,9506
0,999 10,8412 10,4792 10,2955 10,1081 9,9189 9,8044 9,7280 9,5715 9,5315 9,4533 9,8044 9,3332
0,9995 13,1367 12,6856 12,4564 12,2236 11,9908 11,8453 11,7507 11,5579 11,5069 11,4087 11,8453 11,2632
9 0,0005 0,1406 0,1709 0,1882 0,2073 0,2281 0,2416 0,2510 0,2708 0,2760 0,2867 0,2416 0,3034
0,001 0,1598 0,1909 0,2085 0,2276 0,2485 0,2619 0,2712 0,2908 0,2959 0,3064 0,2619 0,3228
0,005 0,2204 0,2528 0,2706 0,2898 0,3104 0,3234 0,3324 0,3512 0,3561 0,3660 0,3234 0,3815
0,010 0,25675 0,28929 0,30712 0,32610 0,34631 0,35907 0,36786 0,38612 0,39084 0,40047 0,35907 0,4154
0,025 0,32023 0,35254 0,37000 0,38841 0,40784 0,42002 0,42837 0,44565 0,45010 0,45915 0,42002 0,4731
0,05 0,38645 0,41792 0,43474 0,45235 0,47080 0,48231 0,49017 0,50637 0,51053 0,51896 0,48231 0,5319
0,10 0,47934 0,50894 0,52459 0,54084 0,55775 0,56824 0,57537 0,59000 0,59374 0,60131 0,56824 0,6129
0,25 0,68700 0,71080 0,72315 0,73583 0,74885 0,75684 0,76224 0,77324 0,77603 0,78167 0,75684 0,7903
0,50 1,03113 1,04293 1,04886 1,05480 1,06076 1,06435 1,06674 1,07154 1,07275 1,07515 1,06435 1,0788
0,75 1,57046 1,56110 1,55602 1,55064 1,54495 1,54137 1,53891 1,53383 1,53252 1,52985 1,54137 1,5257
0,90 2,33963 2,29832 2,27683 2,25472 2,23196 2,21797 2,20849 2,18918 2,18427 2,17435 2,21797 2,1592
0,95 3,0061 2,9365 2,9005 2,8637 2,8259 2,8028 2,7872 2,7556 2,7475 2,7313 2,8028 2,7067
0,975 3,7693 3,6669 3,6142 3,5604 3,5055 3,4719 3,4493 3,4034 3,3918 3,3684 3,4719 3,3329
0,99 4,9621 4,8080 4,7290 4,6486 4,5667 4,5167 4,4831 4,4150 4,3977 4,3631 4,5167 4,3106
0,995 6,0325 5,8319 5,7291 5,6248 5,5186 5,4539 5,4104 5,3224 5,3001 5,2553 5,4539 5,1875
0,999 9,2386 8,8976 8,7239 8,5474 8,3683 8,2600 8,1864 8,0381 8,0017 7,9262 8,2600 7,8126
0,9995 11,0085 10,5902 10,3773 10,1609 9,9426 9,8080 9,7189 9,5388 9,4915 9,4005 9,8080 9,2623
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
10 0,0005 4,1E-07 0,0005 0,0049 0,0146 0,0279 0,0425 0,0572 0,0714 0,0846 0,0969 0,1082 0,1185
0,001 1,7E-06 0,0010 0,0077 0,0208 0,0372 0,0543 0,0710 0,0867 0,1011 0,1142 0,1262 0,1371
0,005 4,1E-05 0,0050 0,0229 0,0477 0,0734 0,0976 0,1193 0,1387 0,1558 0,1710 0,1846 0,1966
0,010 0,0002 0,0101 0,0367 0,0687 0,0995 0,1270 0,1511 0,1720 0,1902 0,2062 0,2203 0,2328
0,025 0,0010 0,0254 0,0694 0,1131 0,1511 0,1831 0,2100 0,2328 0,2523 0,2690 0,2836 0,2964
0,05 0,0041 0,0516 0,1138 0,1677 0,2112 0,2463 0,2750 0,2988 0,3187 0,3358 0,3504 0,3632
0,10 0,0166 0,1065 0,1912 0,2551 0,3033 0,3405 0,3700 0,3940 0,4139 0,4306 0,4448 0,4571
0,25 0,1073 0,2961 0,4091 0,4803 0,5291 0,5647 0,5918 0,6131 0,6304 0,6446 0,6566 0,6668
0,50 0,4897 0,7435 0,8451 0,8988 0,9319 0,9544 0,9705 0,9828 0,9923 1,0000 1,0063 1,0116
0,75 1,4915 1,5975 1,6028 1,5949 1,5853 1,5765 1,5688 1,5621 1,5563 1,5513 1,5469 1,5430
0,90 3,2850 2,9245 2,7277 2,6053 2,5216 2,4606 2,4140 2,3771 2,3473 2,3226 2,3018 2,2841
0,95 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782 2,9430 2,9130
0,975 6,9367 5,4564 4,8256 4,4683 4,2361 4,0721 3,9498 3,8549 3,7790 3,7168 3,6649 3,6210
0,99 10,0442 7,5595 6,5523 5,9944 5,6364 5,3858 5,2001 5,0567 4,9424 4,8491 4,7716 4,7058
0,995 12,8266 9,4269 8,0809 7,3428 6,8724 6,5447 6,3026 6,1159 5,9676 5,8467 5,7462 5,6614
0,999 21,0384 14,9048 12,5528 11,2832 10,4810 9,9262 9,5170 9,2041 8,9558 8,7539 8,5865 8,4456
0,9995 25,4950 17,8661 14,9666 13,4060 12,4237 11,7470 11,2486 10,8666 10,5647 10,3191 10,1154 9,9426
11 0,0005 4,1E-07 0,0005 0,0049 0,0147 0,0282 0,0431 0,0581 0,0726 0,0862 0,0989 0,1105 0,1212
0,001 1,6E-06 0,0010 0,0078 0,0210 0,0375 0,0550 0,0720 0,0881 0,1029 0,1165 0,1288 0,1401
0,005 4,1E-05 0,0050 0,0230 0,0480 0,0741 0,0987 0,1209 0,1408 0,1584 0,1740 0,1880 0,2005
0,010 0,0002 0,0101 0,0369 0,0692 0,1004 0,1284 0,1529 0,1744 0,1931 0,2096 0,2241 0,2370
0,025 0,0010 0,0254 0,0696 0,1137 0,1523 0,1849 0,2123 0,2357 0,2556 0,2729 0,2879 0,3011
0,05 0,0041 0,0515 0,1141 0,1685 0,2126 0,2483 0,2775 0,3018 0,3223 0,3398 0,3549 0,3680
0,10 0,0165 0,1064 0,1915 0,2560 0,3047 0,3425 0,3726 0,3971 0,4173 0,4344 0,4490 0,4617
0,25 0,1068 0,2953 0,4086 0,4802 0,5295 0,5654 0,5928 0,6144 0,6320 0,6465 0,6587 0,6691
0,50 0,4864 0,7387 0,8397 0,8932 0,9261 0,9484 0,9645 0,9766 0,9861 0,9937 1,0000 1,0052
0,75 1,4749 1,5767 1,5798 1,5704 1,5598 1,5502 1,5418 1,5346 1,5284 1,5229 1,5182 1,5140
0,90 3,2252 2,8595 2,6602 2,5362 2,4512 2,3891 2,3416 2,3040 2,2735 2,2482 2,2269 2,2087
0,95 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,9480 2,8962 2,8536 2,8179 2,7876
0,975 6,7241 5,2559 4,6300 4,2751 4,0440 3,8806 3,7586 3,6638 3,5879 3,5257 3,4737 3,4296
0,99 9,6461 7,2057 6,2167 5,6683 5,3160 5,0692 4,8860 4,7445 4,6315 4,5393 4,4624 4,3974
0,995 12,2263 8,9121 7,6004 6,8808 6,4217 6,1016 5,8648 5,6821 5,5368 5,4183 5,3196 5,2363
0,999 19,6869 13,8116 11,5615 10,3464 9,5788 9,0467 8,6548 8,3546 8,1163 7,9226 7,7616 7,6252
0,9995 23,6541 16,4073 13,6533 12,1763 11,2450 10,6011 10,1281 9,7643 9,4769 9,2423 9,0477 8,8839
12 0,0005 4,1E-07 0,0005 0,0049 0,0148 0,0284 0,0435 0,0589 0,0737 0,0876 0,1006 0,1125 0,1236
0,001 1,6E-06 0,0010 0,0078 0,0211 0,0379 0,0556 0,0730 0,0893 0,1045 0,1184 0,1311 0,1428
0,005 4,1E-05 0,0050 0,0230 0,0483 0,0747 0,0997 0,1223 0,1426 0,1606 0,1766 0,1910 0,2038
0,010 0,00016 0,0101 0,0370 0,0696 0,1011 0,1296 0,1546 0,1765 0,1956 0,2125 0,2274 0,2407
0,025 0,00102 0,0254 0,0698 0,1143 0,1533 0,1864 0,2143 0,2381 0,2585 0,2762 0,2916 0,3051
0,05 0,00410 0,0515 0,1144 0,1692 0,2138 0,2500 0,2797 0,3045 0,3254 0,3433 0,3587 0,3722
0,10 0,01647 0,1063 0,1917 0,2567 0,3060 0,3443 0,3748 0,3997 0,4204 0,4378 0,4527 0,4657
0,25 0,10631 0,2947 0,4082 0,4802 0,5297 0,5660 0,5937 0,6156 0,6334 0,6481 0,6605 0,6711
0,50 0,48370 0,7348 0,8353 0,8885 0,9212 0,9434 0,9594 0,9715 0,9810 0,9886 0,9948 1,0000
0,75 1,46132 1,55953 1,56091 1,55035 1,53892 1,52861 1,51968 1,51200 1,50537 1,49962 1,49459 1,49017
0,90 3,1766 2,8068 2,6055 2,4801 2,3940 2,3310 2,2828 2,2446 2,2135 2,1878 2,1660 2,1474
0,95 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534 2,7173 2,6866
0,975 6,5538 5,0959 4,4742 4,1212 3,8911 3,7283 3,6065 3,5118 3,4358 3,3735 3,3215 3,2773
0,99 9,3303 6,9266 5,9525 5,4119 5,0644 4,8205 4,6395 4,4994 4,3875 4,2961 4,2198 4,1553
0,995 11,7543 8,5097 7,2257 6,5211 6,0711 5,7571 5,5245 5,3451 5,2021 5,0854 4,9884 4,9063
0,999 18,6446 12,9730 10,8048 9,6334 8,8921 8,3783 8,0008 7,7107 7,4797 7,2923 7,1359 7,0049
0,9995 22,2426 15,2977 12,6638 11,2486 10,3537 9,7389 9,2841 8,9349 8,6584 8,4347 8,2473 8,0909
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
10 0,0005 0,1448 0,1766 0,1950 0,2151 0,2373 0,2517 0,2618 0,2831 0,2887 0,3002 0,2517 0,3183
0,001 0,1644 0,1970 0,2156 0,2359 0,2581 0,2724 0,2824 0,3034 0,3089 0,3202 0,2724 0,3380
0,005 0,2261 0,2599 0,2788 0,2990 0,3208 0,3347 0,3443 0,3644 0,3697 0,3803 0,3347 0,3970
0,010 0,2628 0,2969 0,3156 0,3357 0,3571 0,3706 0,3800 0,3995 0,4045 0,4148 0,3706 0,4309
0,025 0,3268 0,3605 0,3788 0,3982 0,4187 0,4316 0,4405 0,4589 0,4636 0,4733 0,4316 0,4882
0,05 0,3931 0,4259 0,4435 0,4620 0,4814 0,4935 0,5019 0,5190 0,5234 0,5324 0,4935 0,5462
0,10 0,4856 0,5163 0,5326 0,5496 0,5673 0,5783 0,5858 0,6012 0,6052 0,6132 0,5783 0,6255
0,25 0,6901 0,7145 0,7273 0,7403 0,7538 0,7621 0,7677 0,7791 0,7820 0,7879 0,7621 0,7969
0,50 1,0232 1,0349 1,0408 1,0467 1,0526 1,0562 1,0585 1,0633 1,0645 1,0669 1,0562 1,0705
0,75 1,5338 1,5235 1,5179 1,5119 1,5056 1,5017 1,4990 1,4933 1,4919 1,4889 1,5017 1,4843
0,90 2,2435 2,2007 2,1784 2,1554 2,1317 2,1171 2,1072 2,0869 2,0818 2,0713 2,1171 2,0554
0,95 2,8450 2,7740 2,7373 2,6996 2,6609 2,6371 2,6211 2,5884 2,5801 2,5634 2,6371 2,5379
0,975 3,5217 3,4185 3,3654 3,3110 3,2554 3,2214 3,1984 3,1517 3,1399 3,1161 3,2214 3,0798
0,99 4,5582 4,4054 4,3269 4,2469 4,1653 4,1155 4,0819 4,0137 3,9965 3,9618 4,1155 3,9090
0,995 5,4706 5,2740 5,1732 5,0705 4,9660 4,9022 4,8592 4,7721 4,7501 4,7058 4,9022 4,6385
0,999 8,1291 7,8035 7,6379 7,4688 7,2969 7,1923 7,1223 6,9804 6,9440 6,8721 7,1923 6,7621
0,9995 9,5606 9,1641 8,9640 8,7603 8,5511 8,4256 8,3401 8,1673 8,1254 8,0381 8,4256 7,9053
11 0,0005 0,1485 0,1817 0,2009 0,2222 0,2456 0,2609 0,2715 0,2942 0,3002 0,3125 0,2609 0,3320
0,001 0,1685 0,2025 0,2220 0,2433 0,2667 0,2819 0,2925 0,3149 0,3207 0,3328 0,2819 0,3518
0,005 0,2310 0,2663 0,2860 0,3072 0,3302 0,3449 0,3550 0,3764 0,3819 0,3933 0,3449 0,4111
0,010 0,2681 0,3036 0,3232 0,3442 0,3667 0,3809 0,3908 0,4115 0,4168 0,4278 0,3809 0,4449
0,025 0,3325 0,3675 0,3866 0,4069 0,4284 0,4420 0,4513 0,4707 0,4757 0,4859 0,4420 0,5018
0,05 0,3989 0,4329 0,4512 0,4705 0,4908 0,5035 0,5122 0,5303 0,5350 0,5444 0,5035 0,5591
0,10 0,4910 0,5228 0,5397 0,5573 0,5757 0,5872 0,5951 0,6112 0,6154 0,6238 0,5872 0,6368
0,25 0,6928 0,7179 0,7309 0,7444 0,7583 0,7668 0,7726 0,7844 0,7875 0,7936 0,7668 0,8029
0,50 1,0168 1,0284 1,0343 1,0401 1,0460 1,0495 1,0519 1,0566 1,0578 1,0602 1,0495 1,0637
0,75 1,5041 1,4930 1,4869 1,4805 1,4737 1,4694 1,4664 1,4603 1,4587 1,4554 1,4694 1,4504
0,90 2,1671 2,1230 2,1000 2,0762 2,0516 2,0364 2,0261 2,0050 1,9997 1,9888 2,0364 1,9721
0,95 2,7186 2,6464 2,6090 2,5705 2,5309 2,5066 2,4901 2,4566 2,4480 2,4308 2,5066 2,4045
0,975 3,3299 3,2261 3,1725 3,1176 3,0613 3,0268 3,0035 2,9561 2,9441 2,9198 3,0268 2,8828
0,99 4,2509 4,0990 4,0209 3,9411 3,8596 3,8097 3,7761 3,7077 3,6904 3,6555 3,8097 3,6025
0,995 5,0488 4,8552 4,7557 4,6543 4,5508 4,4877 4,4450 4,3585 4,3367 4,2926 4,4877 4,2255
0,999 7,3214 7,0077 6,8476 6,6839 6,5174 6,4165 6,3483 6,2100 6,1755 6,1050 6,4165 5,9981
0,9995 8,5183 8,1418 7,9490 7,7525 7,5543 7,4324 7,3505 7,1850 7,1432 7,0595 7,4324 6,9322
12 0,0005 0,1518 0,1862 0,2063 0,2285 0,2531 0,2692 0,2805 0,3045 0,3108 0,3239 0,2692 0,3446
0,001 0,1721 0,2073 0,2276 0,2500 0,2745 0,2905 0,3016 0,3253 0,3315 0,3444 0,2905 0,3646
0,005 0,2353 0,2719 0,2924 0,3146 0,3386 0,3540 0,3647 0,3872 0,3931 0,4051 0,3540 0,4240
0,010 0,27276 0,30949 0,32986 0,35173 0,37526 0,39024 0,40062 0,42237 0,42803 0,43961 0,39024 0,4577
0,025 0,33746 0,37372 0,39352 0,41459 0,43703 0,45122 0,46100 0,48138 0,48666 0,49744 0,45122 0,5142
0,05 0,40399 0,43906 0,45801 0,47800 0,49914 0,51242 0,52154 0,54047 0,54535 0,55530 0,51242 0,5707
0,10 0,49577 0,52844 0,54587 0,56411 0,58324 0,59518 0,60334 0,62020 0,62453 0,63333 0,59518 0,6469
0,25 0,69525 0,72082 0,73418 0,74797 0,76223 0,77103 0,77701 0,78924 0,79235 0,79866 0,77103 0,8083
0,50 1,01150 1,02307 1,02887 1,03470 1,04054 1,04405 1,04639 1,05110 1,05227 1,05463 1,04405 1,0582
0,75 1,47960 1,46776 1,46129 1,45443 1,44712 1,44250 1,43933 1,43271 1,43100 1,42750 1,44250 1,4221
0,90 2,10485 2,05968 2,03599 2,01149 1,98610 1,97040 1,95973 1,93786 1,93228 1,92097 1,97040 1,9036
0,95 2,6169 2,5436 2,5055 2,4663 2,4259 2,4010 2,3842 2,3498 2,3410 2,3233 2,4010 2,2962
0,975 3,1772 3,0728 3,0187 2,9633 2,9063 2,8714 2,8478 2,7996 2,7874 2,7626 2,8714 2,7249
0,99 4,0096 3,8584 3,7805 3,7008 3,6192 3,5692 3,5355 3,4668 3,4494 3,4143 3,5692 3,3608
0,995 4,7213 4,5300 4,4314 4,3309 4,2281 4,1654 4,1230 4,0368 4,0150 3,9710 4,1654 3,9039
0,999 6,7093 6,4047 6,2487 6,0900 5,9281 5,8290 5,7626 5,6270 5,5934 5,5243 5,8290 5,4197
0,9995 7,7380 7,3742 7,1886 6,9995 6,8067 6,6902 6,6102 6,4501 6,4101 6,3283 6,6902 6,2037
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
15 0,0005 4,1E-07 0,0005 0,0049 0,0150 0,0290 0,0446 0,0606 0,0761 0,0908 0,1046 0,1174 0,1292
0,001 1,6E-06 0,0010 0,0079 0,0214 0,0386 0,0570 0,0750 0,0922 0,1082 0,1230 0,1366 0,1490
0,005 4,1E-05 0,0050 0,0232 0,0489 0,0761 0,1019 0,1255 0,1467 0,1658 0,1828 0,1981 0,2118
0,010 0,0002 0,0101 0,0372 0,0704 0,1029 0,1323 0,1584 0,1813 0,2015 0,2194 0,2352 0,2494
0,025 0,0010 0,0254 0,0702 0,1155 0,1556 0,1898 0,2189 0,2438 0,2653 0,2840 0,3003 0,3147
0,05 0,0041 0,0515 0,1149 0,1707 0,2165 0,2539 0,2848 0,3107 0,3327 0,3515 0,3678 0,3821
0,10 0,0163 0,1061 0,1923 0,2584 0,3088 0,3483 0,3799 0,4058 0,4274 0,4457 0,4614 0,4751
0,25 0,1053 0,2933 0,4073 0,4801 0,5305 0,5675 0,5959 0,6184 0,6368 0,6520 0,6648 0,6759
0,50 0,4778 0,7262 0,8257 0,8783 0,9107 0,9327 0,9485 0,9605 0,9698 0,9773 0,9835 0,9886
0,75 1,4321 1,5227 1,5202 1,5071 1,4938 1,4820 1,4718 1,4631 1,4556 1,4491 1,4434 1,4383
0,90 3,0732 2,6952 2,4898 2,3614 2,2730 2,2081 2,1582 2,1185 2,0862 2,0593 2,0366 2,0171
0,95 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437 2,5068 2,4753
0,975 6,1995 4,7650 4,1528 3,8043 3,5764 3,4147 3,2934 3,1987 3,1227 3,0602 3,0078 2,9633
0,99 8,6832 6,3588 5,4170 4,8932 4,5556 4,3183 4,1416 4,0044 3,8948 3,8049 3,7299 3,6662
0,995 10,7980 7,7007 6,4761 5,8029 5,3722 5,0708 4,8473 4,6743 4,5363 4,4236 4,3294 4,2497
0,999 16,5874 11,3396 9,3351 8,2528 7,5670 7,0913 6,7412 6,4706 6,2560 6,0809 5,9354 5,8121
0,9995 19,5068 13,1622 10,7648 9,4751 8,6620 8,0981 7,6834 7,3651 7,1122 6,9049 6,7339 6,5893
20 0,0005 0,0000 0,0005 0,0050 0,0153 0,0296 0,0458 0,0625 0,0788 0,0944 0,1091 0,1228 0,1356
0,001 0,0000 0,0010 0,0079 0,0217 0,0394 0,0584 0,0773 0,0954 0,1124 0,1281 0,1427 0,1561
0,005 0,0000 0,0050 0,0234 0,0496 0,0775 0,1043 0,1290 0,1513 0,1715 0,1896 0,2060 0,2208
0,010 0,0002 0,0101 0,0375 0,0713 0,1047 0,1352 0,1625 0,1866 0,2080 0,2270 0,2440 0,2592
0,025 0,0010 0,0253 0,0706 0,1168 0,1580 0,1935 0,2239 0,2500 0,2727 0,2925 0,3100 0,3254
0,05 0,0040 0,0514 0,1155 0,1723 0,2194 0,2581 0,2903 0,3174 0,3405 0,3605 0,3779 0,3931
0,10 0,0162 0,1059 0,1929 0,2601 0,3119 0,3526 0,3854 0,4124 0,4351 0,4544 0,4710 0,4855
0,25 0,1044 0,2919 0,4065 0,4801 0,5314 0,5692 0,5984 0,6216 0,6406 0,6564 0,6698 0,6813
0,50 0,4719 0,7177 0,8162 0,8683 0,9004 0,9221 0,9378 0,9496 0,9588 0,9663 0,9724 0,9775
0,75 1,4037 1,4870 1,4808 1,4652 1,4500 1,4366 1,4252 1,4153 1,4069 1,3995 1,3930 1,3873
0,90 2,9747 2,5893 2,3801 2,2489 2,1582 2,0913 2,0397 1,9985 1,9649 1,9367 1,9129 1,8924
0,95 4,3513 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479 2,3100 2,2776
0,975 5,8715 4,4612 3,8587 3,5147 3,2891 3,1283 3,0074 2,9128 2,8365 2,7737 2,7209 2,6758
0,99 8,0960 5,8490 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682 3,2941 3,2311
0,995 9,9440 6,9865 5,8177 5,1743 4,7615 4,4721 4,2569 4,0900 3,9564 3,8470 3,7555 3,6779
0,999 14,8193 9,9526 8,0981 7,0959 6,4606 6,0186 5,6921 5,4401 5,2391 5,0754 4,9386 4,8231
0,9995 17,1894 11,3851 9,1950 8,0181 7,2741 6,7594 6,3783 6,0854 5,8517 5,6616 5,5034 5,3697
24 0,0005 4,0E-07 0,0005 0,0050 0,0154 0,0299 0,0464 0,0635 0,0803 0,0964 0,1116 0,1258 0,1391
0,001 1,6E-06 0,0010 0,0079 0,0218 0,0398 0,0592 0,0785 0,0971 0,1146 0,1309 0,1460 0,1600
0,005 4,0E-05 0,0050 0,0235 0,0499 0,0782 0,1056 0,1308 0,1538 0,1745 0,1933 0,2103 0,2257
0,010 0,00016 0,0101 0,0376 0,0718 0,1056 0,1367 0,1646 0,1894 0,2115 0,2311 0,2487 0,2645
0,025 0,00100 0,0253 0,0708 0,1175 0,1593 0,1954 0,2265 0,2533 0,2767 0,2971 0,3152 0,3313
0,05 0,00402 0,0514 0,1158 0,1732 0,2209 0,2603 0,2932 0,3210 0,3448 0,3653 0,3833 0,3991
0,10 0,01613 0,1058 0,1932 0,2610 0,3134 0,3548 0,3883 0,4160 0,4392 0,4590 0,4762 0,4912
0,25 0,10389 0,2912 0,4061 0,4801 0,5318 0,5701 0,5997 0,6233 0,6427 0,6588 0,6725 0,6843
0,50 0,46902 0,7136 0,8115 0,8633 0,8953 0,9169 0,9325 0,9442 0,9534 0,9608 0,9669 0,9719
0,75 1,38977 1,46954 1,46154 1,44467 1,42846 1,41433 1,40221 1,39181 1,38283 1,37501 1,36814 1,36206
0,90 2,9271 2,5383 2,3274 2,1949 2,1030 2,0351 1,9826 1,9407 1,9063 1,8775 1,8530 1,8319
0,95 4,2597 3,4028 3,0088 2,7763 2,6207 2,5082 2,4226 2,3551 2,3002 2,2547 2,2163 2,1834
0,975 5,7166 4,3187 3,7211 3,3794 3,1548 2,9946 2,8738 2,7791 2,7027 2,6396 2,5865 2,5411
0,99 7,8229 5,6136 4,7181 4,2185 3,8951 3,6667 3,4959 3,3629 3,2560 3,1681 3,0944 3,0316
0,995 9,5513 6,6609 5,5190 4,8898 4,4856 4,2019 3,9905 3,8264 3,6949 3,5870 3,4967 3,4199
0,999 14,0280 9,3396 7,5543 6,5893 5,9767 5,5506 5,2351 4,9913 4,7967 4,6380 4,5052 4,3929
0,9995 16,1672 10,6083 8,5147 7,3887 6,6775 6,1827 5,8180 5,5370 5,3124 5,1296 4,9768 4,8476
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
15 0,0005 0,1596 0,1974 0,2195 0,2443 0,2720 0,2902 0,3031 0,3308 0,3381 0,3533 0,2902 0,3777
0,001 0,1807 0,2192 0,2416 0,2665 0,2941 0,3122 0,3249 0,3521 0,3593 0,3742 0,3122 0,3979
0,005 0,2457 0,2856 0,3081 0,3327 0,3596 0,3769 0,3890 0,4147 0,4215 0,4354 0,3769 0,4573
0,010 0,2839 0,3238 0,3462 0,3703 0,3966 0,4134 0,4251 0,4498 0,4563 0,4696 0,4134 0,4905
0,025 0,3494 0,3886 0,4103 0,4334 0,4583 0,4742 0,4851 0,5081 0,5141 0,5264 0,4742 0,5457
0,05 0,4161 0,4539 0,4745 0,4963 0,5196 0,5344 0,5445 0,5658 0,5713 0,5825 0,5344 0,6001
0,10 0,5070 0,5420 0,5608 0,5806 0,6015 0,6147 0,6237 0,6424 0,6472 0,6571 0,6147 0,6724
0,25 0,7011 0,7280 0,7422 0,7568 0,7721 0,7815 0,7880 0,8012 0,8046 0,8115 0,7815 0,8221
0,50 1,0000 1,0114 1,0172 1,0229 1,0287 1,0322 1,0345 1,0391 1,0403 1,0426 1,0322 1,0461
0,75 1,4263 1,4127 1,4052 1,3973 1,3888 1,3834 1,3796 1,3718 1,3698 1,3656 1,3834 1,3591
0,90 1,9722 1,9243 1,8990 1,8728 1,8454 1,8284 1,8168 1,7929 1,7867 1,7743 1,8284 1,7551
0,95 2,4034 2,3275 2,2878 2,2468 2,2043 2,1780 2,1601 2,1234 2,1141 2,0950 2,1780 2,0658
0,975 2,8621 2,7559 2,7006 2,6437 2,5850 2,5488 2,5242 2,4739 2,4611 2,4352 2,5488 2,3954
0,99 3,5222 3,3719 3,2940 3,2141 3,1319 3,0814 3,0471 2,9772 2,9594 2,9235 3,0814 2,8684
0,995 4,0698 3,8826 3,7859 3,6868 3,5850 3,5225 3,4803 3,3941 3,3722 3,3279 3,5225 3,2602
0,999 5,5352 5,2487 5,1009 4,9504 4,7958 4,7016 4,6375 4,5079 4,4752 4,4083 4,7016 4,3069
0,9995 6,2637 5,9272 5,7544 5,5779 5,3979 5,2869 5,2123 5,0613 5,0231 4,9449 5,2869 4,8267
20 0,0005 0,1687 0,2104 0,2352 0,2633 0,2951 0,3163 0,3314 0,3642 0,3730 0,3914 0,3163 0,4211
0,001 0,1905 0,2331 0,2582 0,2863 0,3180 0,3389 0,3538 0,3860 0,3946 0,4125 0,3389 0,4413
0,005 0,2576 0,3014 0,3265 0,3542 0,3849 0,4048 0,4189 0,4490 0,4570 0,4736 0,4048 0,5000
0,010 0,2966 0,3404 0,3652 0,3924 0,4221 0,4415 0,4550 0,4839 0,4915 0,5073 0,4415 0,5324
0,025 0,3629 0,4058 0,4297 0,4555 0,4836 0,5017 0,5143 0,5410 0,5480 0,5624 0,5017 0,5853
0,05 0,4296 0,4708 0,4934 0,5177 0,5438 0,5605 0,5721 0,5965 0,6029 0,6160 0,5605 0,6367
0,10 0,5197 0,5575 0,5780 0,5998 0,6230 0,6377 0,6479 0,6692 0,6747 0,6861 0,6377 0,7039
0,25 0,7079 0,7364 0,7515 0,7673 0,7838 0,7942 0,8012 0,8159 0,8197 0,8274 0,7942 0,8394
0,50 0,9887 1,0000 1,0057 1,0114 1,0171 1,0205 1,0228 1,0274 1,0285 1,0308 1,0205 1,0343
0,75 1,3736 1,3580 1,3494 1,3401 1,3301 1,3237 1,3193 1,3099 1,3074 1,3023 1,3237 1,2944
0,90 1,8449 1,7938 1,7667 1,7382 1,7083 1,6896 1,6768 1,6501 1,6433 1,6292 1,6896 1,6074
0,95 2,2033 2,1242 2,0825 2,0391 1,9938 1,9656 1,9464 1,9066 1,8963 1,8755 1,9656 1,8432
0,975 2,5731 2,4645 2,4076 2,3486 2,2873 2,2493 2,2234 2,1699 2,1562 2,1284 2,2493 2,0853
0,99 3,0880 2,9377 2,8594 2,7785 2,6947 2,6430 2,6077 2,5353 2,5168 2,4792 2,6430 2,4212
0,995 3,5020 3,3178 3,2220 3,1234 3,0215 2,9586 2,9159 2,8282 2,8058 2,7603 2,9586 2,6904
0,999 4,5616 4,2901 4,1493 4,0050 3,8565 3,7651 3,7030 3,5761 3,5438 3,4784 3,7651 3,3779
0,9995 5,0672 4,7530 4,5911 4,4247 4,2542 4,1491 4,0777 3,9322 3,8954 3,8199 4,1491 3,7053
24 0,0005 0,1738 0,2178 0,2443 0,2744 0,3089 0,3320 0,3486 0,3848 0,3946 0,4152 0,3320 0,4488
0,001 0,1961 0,2410 0,2677 0,2979 0,3321 0,3549 0,3712 0,4068 0,4163 0,4364 0,3549 0,4689
0,005 0,2641 0,3104 0,3371 0,3667 0,3997 0,4214 0,4367 0,4698 0,4787 0,4971 0,4214 0,5268
0,010 0,3036 0,3497 0,3761 0,4050 0,4371 0,4580 0,4727 0,5044 0,5128 0,5303 0,4580 0,5584
0,025 0,3703 0,4154 0,4407 0,4682 0,4983 0,5178 0,5314 0,5606 0,5683 0,5842 0,5178 0,6097
0,05 0,4371 0,4802 0,5041 0,5298 0,5577 0,5757 0,5882 0,6147 0,6217 0,6362 0,5757 0,6591
0,10 0,5266 0,5660 0,5876 0,6106 0,6353 0,6510 0,6619 0,6850 0,6910 0,7034 0,6510 0,7230
0,25 0,7116 0,7411 0,7568 0,7732 0,7906 0,8015 0,8090 0,8246 0,8286 0,8369 0,8015 0,8498
0,50 0,9831 0,9944 1,0000 1,0057 1,0113 1,0147 1,0170 1,0216 1,0227 1,0250 1,0147 1,0284
0,75 1,3474 1,3307 1,3214 1,3113 1,3004 1,2934 1,2885 1,2781 1,2754 1,2697 1,2934 1,2607
0,90 1,7831 1,7302 1,7019 1,6721 1,6407 1,6209 1,6073 1,5788 1,5715 1,5563 1,6209 1,5327
0,95 2,1077 2,0267 1,9838 1,9390 1,8920 1,8625 1,8424 1,8005 1,7896 1,7675 1,8625 1,7331
0,975 2,4374 2,3273 2,2693 2,2090 2,1460 2,1067 2,0799 2,0243 2,0099 1,9807 2,1067 1,9353
0,99 2,8887 2,7380 2,6591 2,5773 2,4923 2,4395 2,4035 2,3291 2,3099 2,2710 2,4395 2,2107
0,995 3,2456 3,0624 2,9667 2,8679 2,7654 2,7018 2,6585 2,5692 2,5463 2,4997 2,7018 2,4276
0,999 4,1387 3,8731 3,7353 3,5934 3,4468 3,3563 3,2946 3,1682 3,1357 3,0700 3,3563 2,9686
0,9995 4,5557 4,2514 4,0936 3,9317 3,7644 3,6612 3,5907 3,4470 3,4102 3,3356 3,6612 3,2205
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
30 0,0005 4,0E-07 0,0005 0,0050 0,0155 0,0302 0,0471 0,0645 0,0818 0,0984 0,1142 0,1290 0,1428
0,001 1,6E-06 0,0010 0,0080 0,0220 0,0402 0,0600 0,0798 0,0989 0,1170 0,1339 0,1496 0,1642
0,005 4,0E-05 0,0050 0,0235 0,0503 0,0790 0,1069 0,1327 0,1563 0,1778 0,1972 0,2149 0,2309
0,010 0,0002 0,0101 0,0377 0,0723 0,1066 0,1383 0,1669 0,1924 0,2151 0,2355 0,2537 0,2702
0,025 0,0010 0,0253 0,0710 0,1182 0,1606 0,1974 0,2292 0,2568 0,2809 0,3020 0,3208 0,3375
0,05 0,0040 0,0514 0,1161 0,1740 0,2224 0,2626 0,2962 0,3247 0,3492 0,3704 0,3890 0,4055
0,10 0,0161 0,1057 0,1935 0,2620 0,3151 0,3571 0,3913 0,4196 0,4435 0,4639 0,4816 0,4971
0,25 0,1034 0,2905 0,4057 0,4802 0,5324 0,5711 0,6011 0,6252 0,6449 0,6614 0,6754 0,6876
0,50 0,4662 0,7094 0,8069 0,8584 0,8902 0,9117 0,9272 0,9389 0,9480 0,9554 0,9614 0,9665
0,75 1,3761 1,4524 1,4426 1,4244 1,4073 1,3923 1,3795 1,3685 1,3590 1,3507 1,3434 1,3369
0,90 2,8807 2,4887 2,2761 2,1422 2,0492 1,9803 1,9269 1,8841 1,8490 1,8195 1,7944 1,7727
0,95 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646 2,1256 2,0921
0,975 5,5675 4,1821 3,5893 3,2499 3,0265 2,8667 2,7460 2,6513 2,5746 2,5112 2,4578 2,4120
0,99 7,5624 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791 2,9057 2,8431
0,995 9,1798 6,3546 5,2388 4,6234 4,2276 3,9493 3,7415 3,5801 3,4505 3,3440 3,2547 3,1787
0,999 13,2932 8,7730 7,0545 6,1245 5,5338 5,1223 4,8171 4,5816 4,3929 4,2387 4,1100 4,0006
0,9995 15,2213 9,8971 7,8944 6,8167 6,1355 5,6607 5,3105 5,0404 4,8249 4,6484 4,5011 4,3765
40 0,0005 4,0E-07 0,0005 0,0050 0,0156 0,0306 0,0477 0,0656 0,0834 0,1006 0,1169 0,1324 0,1469
0,001 1,6E-06 0,0010 0,0080 0,0222 0,0406 0,0608 0,0811 0,1008 0,1195 0,1370 0,1534 0,1687
0,005 4,0E-05 0,0050 0,0236 0,0506 0,0798 0,1082 0,1347 0,1590 0,1812 0,2014 0,2197 0,2365
0,010 0,0002 0,0101 0,0379 0,0728 0,1076 0,1400 0,1692 0,1955 0,2190 0,2401 0,2591 0,2763
0,025 0,0010 0,0253 0,0712 0,1189 0,1619 0,1995 0,2321 0,2604 0,2853 0,3072 0,3267 0,3441
0,05 0,0040 0,0514 0,1164 0,1749 0,2240 0,2650 0,2994 0,3286 0,3539 0,3758 0,3951 0,4122
0,10 0,0160 0,1056 0,1938 0,2629 0,3167 0,3596 0,3945 0,4235 0,4480 0,4691 0,4874 0,5035
0,25 0,1029 0,2898 0,4053 0,4803 0,5329 0,5722 0,6027 0,6271 0,6473 0,6642 0,6786 0,6910
0,50 0,4633 0,7053 0,8023 0,8536 0,8852 0,9065 0,9220 0,9336 0,9427 0,9500 0,9560 0,9610
0,75 1,3626 1,4355 1,4239 1,4045 1,3863 1,3706 1,3571 1,3455 1,3354 1,3266 1,3188 1,3119
0,90 2,8353 2,4404 2,2261 2,0909 1,9968 1,9269 1,8725 1,8289 1,7929 1,7627 1,7369 1,7146
0,95 4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0773 2,0376 2,0035
0,975 5,4239 4,0510 3,4633 3,1261 2,9037 2,7444 2,6238 2,5289 2,4519 2,3882 2,3343 2,2882
0,99 7,3142 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005 2,7273 2,6648
0,995 8,8278 6,0664 4,9758 4,3738 3,9860 3,7129 3,5088 3,3498 3,2220 3,1167 3,0284 2,9531
0,999 12,6092 8,2509 6,5947 5,6980 5,1282 4,7307 4,4356 4,2071 4,0243 3,8744 3,7489 3,6425
0,9995 14,3518 9,2477 7,3287 6,2964 5,6434 5,1882 4,8517 4,5911 4,3838 4,2137 4,0714 3,9504
60 0,0005 4,0E-07 0,0005 0,0051 0,0157 0,0309 0,0484 0,0668 0,0851 0,1029 0,1199 0,1360 0,1513
0,001 1,6E-06 0,0010 0,0080 0,0223 0,0411 0,0617 0,0825 0,1028 0,1222 0,1404 0,1575 0,1735
0,005 4,0E-05 0,0050 0,0237 0,0510 0,0806 0,1096 0,1368 0,1619 0,1848 0,2058 0,2250 0,2425
0,010 0,0002 0,0101 0,0380 0,0732 0,1087 0,1417 0,1717 0,1987 0,2231 0,2450 0,2648 0,2828
0,025 0,0010 0,0253 0,0715 0,1196 0,1633 0,2017 0,2351 0,2642 0,2899 0,3127 0,3329 0,3512
0,05 0,0040 0,0513 0,1167 0,1758 0,2257 0,2674 0,3026 0,3327 0,3588 0,3815 0,4016 0,4194
0,10 0,0159 0,1055 0,1941 0,2639 0,3184 0,3621 0,3977 0,4275 0,4528 0,4746 0,4936 0,5103
0,25 0,1025 0,2891 0,4049 0,4804 0,5336 0,5733 0,6043 0,6292 0,6498 0,6671 0,6819 0,6948
0,50 0,4605 0,7012 0,7977 0,8487 0,8802 0,9014 0,9168 0,9284 0,9374 0,9447 0,9507 0,9557
0,75 1,3493 1,4188 1,4055 1,3848 1,3657 1,3491 1,3348 1,3226 1,3119 1,3026 1,2943 1,2870
0,90 2,7911 2,3933 2,1774 2,0410 1,9457 1,8747 1,8194 1,7748 1,7380 1,7070 1,6805 1,6574
0,95 4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926 1,9522 1,9174
0,975 5,2856 3,9253 3,3425 3,0077 2,7863 2,6274 2,5068 2,4117 2,3344 2,2702 2,2159 2,1692
0,99 7,0771 4,9774 4,1259 3,6491 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318 2,5587 2,4961
0,995 8,4947 5,7950 4,7290 4,1399 3,7600 3,4918 3,2911 3,1345 3,0083 2,9042 2,8166 2,7418
0,999 11,9726 7,7680 6,1714 5,3069 4,7567 4,3719 4,0864 3,8649 3,6873 3,5416 3,4192 3,3153
0,9995 13,5478 8,6511 6,8121 5,8235 5,1959 4,7594 4,4356 4,1850 3,9845 3,8203 3,6825 3,5657
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 50 ∞
30 0,0005 0,1793 0,2260 0,2543 0,2869 0,3245 0,3500 0,3684 0,4092 0,4203 0,4438 0,3500 0,4826
0,001 0,2020 0,2497 0,2783 0,3108 0,3482 0,3733 0,3914 0,4312 0,4421 0,4649 0,3733 0,5025
0,005 0,2712 0,3202 0,3487 0,3805 0,4164 0,4402 0,4572 0,4941 0,5040 0,5249 0,4402 0,5589
0,010 0,3111 0,3599 0,3880 0,4191 0,4538 0,4767 0,4930 0,5282 0,5376 0,5574 0,4767 0,5895
0,025 0,3783 0,4258 0,4527 0,4822 0,5147 0,5359 0,5509 0,5831 0,5917 0,6097 0,5359 0,6386
0,05 0,4451 0,4904 0,5157 0,5432 0,5733 0,5927 0,6064 0,6356 0,6434 0,6595 0,5927 0,6854
0,10 0,5340 0,5753 0,5980 0,6225 0,6489 0,6659 0,6777 0,7029 0,7095 0,7233 0,6659 0,7452
0,25 0,7157 0,7462 0,7626 0,7798 0,7982 0,8097 0,8177 0,8345 0,8389 0,8479 0,8097 0,8621
0,50 0,9776 0,9888 0,9944 1,0000 1,0056 1,0090 1,0113 1,0158 1,0170 1,0192 1,0090 1,0226
0,75 1,3213 1,3033 1,2933 1,2823 1,2703 1,2626 1,2571 1,2455 1,2424 1,2359 1,2626 1,2256
0,90 1,7223 1,6673 1,6377 1,6065 1,5732 1,5522 1,5376 1,5069 1,4989 1,4824 1,5522 1,4564
0,95 2,0148 1,9317 1,8874 1,8409 1,7918 1,7609 1,7396 1,6950 1,6835 1,6597 1,7609 1,6223
0,975 2,3072 2,1952 2,1359 2,0739 2,0089 1,9681 1,9400 1,8816 1,8664 1,8354 1,9681 1,7867
0,99 2,7002 2,5487 2,4689 2,3860 2,2992 2,2450 2,2079 2,1307 2,1108 2,0700 2,2450 2,0062
0,995 3,0057 2,8230 2,7272 2,6278 2,5241 2,4594 2,4152 2,3234 2,2998 2,2514 2,4594 2,1760
0,999 3,7528 3,4927 3,3572 3,2171 3,0716 2,9813 2,9197 2,7924 2,7595 2,6928 2,9813 2,5889
0,9995 4,0936 3,7980 3,6443 3,4856 3,3210 3,2187 3,1491 3,0054 2,9686 2,8936 3,2187 2,7767
40 0,0005 0,1853 0,2351 0,2657 0,3011 0,3427 0,3712 0,3920 0,4387 0,4516 0,4792 0,3712 0,5257
0,001 0,2085 0,2593 0,2901 0,3256 0,3667 0,3948 0,4152 0,4607 0,4733 0,5000 0,3948 0,5449
0,005 0,2789 0,3310 0,3616 0,3962 0,4356 0,4620 0,4810 0,5230 0,5345 0,5588 0,4620 0,5991
0,010 0,3193 0,3711 0,4012 0,4349 0,4730 0,4984 0,5165 0,5564 0,5673 0,5902 0,4984 0,6280
0,025 0,3868 0,4372 0,4660 0,4978 0,5333 0,5567 0,5734 0,6097 0,6195 0,6401 0,5567 0,6741
0,05 0,4537 0,5015 0,5286 0,5581 0,5907 0,6121 0,6272 0,6600 0,6688 0,6872 0,6121 0,7174
0,10 0,5419 0,5854 0,6095 0,6356 0,6642 0,6827 0,6957 0,7237 0,7312 0,7468 0,6827 0,7721
0,25 0,7201 0,7518 0,7690 0,7872 0,8067 0,8191 0,8278 0,8461 0,8509 0,8609 0,8191 0,8769
0,50 0,9721 0,9832 0,9888 0,9944 1,0000 1,0034 1,0056 1,0101 1,0112 1,0135 1,0034 1,0169
0,75 1,2952 1,2758 1,2649 1,2529 1,2397 1,2310 1,2249 1,2116 1,2080 1,2005 1,2310 1,1883
0,90 1,6624 1,6052 1,5741 1,5411 1,5056 1,4830 1,4672 1,4336 1,4248 1,4064 1,4830 1,3769
0,95 1,9245 1,8389 1,7929 1,7444 1,6928 1,6600 1,6373 1,5892 1,5766 1,5505 1,6600 1,5089
0,975 2,1819 2,0677 2,0069 1,9429 1,8752 1,8324 1,8028 1,7405 1,7242 1,6906 1,8324 1,6371
0,99 2,5216 2,3689 2,2880 2,2034 2,1142 2,0581 2,0194 1,9383 1,9172 1,8736 2,0581 1,8047
0,995 2,7811 2,5984 2,5020 2,4015 2,2958 2,2295 2,1838 2,0884 2,0636 2,0125 2,2295 1,9318
0,999 3,4004 3,1450 3,0111 2,8722 2,7269 2,6359 2,5736 2,4439 2,4103 2,3413 2,6359 2,2326
0,9995 3,6766 3,3883 3,2378 3,0814 2,9181 2,8165 2,7467 2,6016 2,5641 2,4870 2,8165 2,3661
60 0,0005 0,1918 0,2452 0,2785 0,3175 0,3641 0,3966 0,4206 0,4757 0,4913 0,5251 0,3966 0,5842
0,001 0,2156 0,2700 0,3035 0,3425 0,3886 0,4205 0,4440 0,4977 0,5128 0,5455 0,4205 0,6024
0,005 0,2873 0,3430 0,3762 0,4141 0,4579 0,4878 0,5096 0,5588 0,5725 0,6019 0,4878 0,6525
0,010 0,3282 0,3835 0,4161 0,4529 0,4952 0,5238 0,5446 0,5911 0,6040 0,6316 0,5238 0,6789
0,025 0,3962 0,4498 0,4808 0,5155 0,5547 0,5810 0,6000 0,6420 0,6536 0,6783 0,5810 0,7203
0,05 0,4629 0,5138 0,5428 0,5749 0,6108 0,6347 0,6518 0,6895 0,6998 0,7217 0,6347 0,7587
0,10 0,5504 0,5964 0,6222 0,6504 0,6816 0,7021 0,7167 0,7487 0,7574 0,7758 0,7021 0,8065
0,25 0,7248 0,7580 0,7761 0,7955 0,8164 0,8300 0,8395 0,8599 0,8654 0,8769 0,8300 0,8958
0,50 0,9667 0,9777 0,9833 0,9888 0,9944 0,9978 1,0000 1,0045 1,0056 1,0078 0,9978 1,0112
0,75 1,2690 1,2481 1,2361 1,2229 1,2081 1,1983 1,1912 1,1757 1,1715 1,1625 1,1983 1,1474
0,90 1,6034 1,5435 1,5107 1,4755 1,4373 1,4126 1,3952 1,3576 1,3476 1,3264 1,4126 1,2915
0,95 1,8364 1,7480 1,7001 1,6491 1,5943 1,5590 1,5343 1,4814 1,4673 1,4377 1,5590 1,3893
0,975 2,0613 1,9445 1,8817 1,8152 1,7440 1,6985 1,6668 1,5990 1,5810 1,5435 1,6985 1,4822
0,99 2,3523 2,1978 2,1154 2,0285 1,9360 1,8772 1,8363 1,7493 1,7263 1,6784 1,8772 1,6007
0,995 2,5705 2,3872 2,2898 2,1874 2,0789 2,0100 1,9622 1,8609 1,8341 1,7785 2,0100 1,6885
0,999 3,0782 2,8265 2,6937 2,5550 2,4086 2,3161 2,2522 2,1175 2,0821 2,0087 2,3161 1,8905
0,9995 3,2992 3,0172 2,8690 2,7142 2,5511 2,4486 2,3776 2,2283 2,1892 2,1080 2,4486 1,9776
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 1 2 3 4 5 6 7 8 9 10 11 12
120 0,0005 3,9E-07 0,0005 0,0051 0,0159 0,0313 0,0491 0,0680 0,0869 0,1053 0,1231 0,1400 0,1560
0,001 1,6E-06 0,0010 0,0081 0,0225 0,0416 0,0626 0,0840 0,1049 0,1250 0,1440 0,1619 0,1788
0,005 3,9E-05 0,0050 0,0238 0,0514 0,0815 0,1111 0,1390 0,1649 0,1887 0,2105 0,2306 0,2491
0,010 0,0002 0,0101 0,0381 0,0738 0,1097 0,1435 0,1743 0,2022 0,2274 0,2502 0,2710 0,2899
0,025 0,0010 0,0253 0,0717 0,1203 0,1648 0,2039 0,2382 0,2682 0,2948 0,3185 0,3397 0,3588
0,05 0,0039 0,0513 0,1170 0,1767 0,2274 0,2699 0,3060 0,3370 0,3640 0,3876 0,4085 0,4272
0,10 0,0159 0,1055 0,1945 0,2649 0,3202 0,3647 0,4012 0,4317 0,4578 0,4804 0,5001 0,5175
0,25 0,1020 0,2884 0,4045 0,4805 0,5342 0,5745 0,6060 0,6315 0,6525 0,6703 0,6856 0,6988
0,50 0,4577 0,6972 0,7932 0,8439 0,8752 0,8964 0,9116 0,9232 0,9322 0,9394 0,9454 0,9503
0,75 1,3362 1,4024 1,3873 1,3654 1,3453 1,3278 1,3128 1,2999 1,2886 1,2787 1,2699 1,2621
0,90 2,7478 2,3473 2,1300 1,9923 1,8959 1,8238 1,7675 1,7220 1,6842 1,6524 1,6250 1,6012
0,95 3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105 1,8693 1,8337
0,975 5,1523 3,8046 3,2269 2,8943 2,6740 2,5154 2,3948 2,2994 2,2217 2,1570 2,1021 2,0548
0,99 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721 2,3990 2,3363
0,995 8,1789 5,5393 4,4972 3,9207 3,5482 3,2849 3,0875 2,9329 2,8083 2,7052 2,6183 2,5439
0,999 11,3796 7,3214 5,7812 4,9472 4,4156 4,0436 3,7669 3,5518 3,3792 3,2371 3,1180 3,0161
0,9995 12,8039 8,1036 6,3410 5,3924 4,7903 4,3701 4,0586 3,8171 3,6234 3,4643 3,3310 3,2173
∞ 0,0005 3,9E-07 0,0005 0,0051 0,0160 0,0316 0,0499 0,0693 0,0888 0,1080 0,1265 0,1443 0,1612
0,001 1,6E-06 0,0010 0,0081 0,0227 0,0420 0,0635 0,0855 0,1071 0,1280 0,1479 0,1667 0,1845
0,005 3,9E-05 0,0050 0,0239 0,0517 0,0823 0,1126 0,1413 0,1681 0,1928 0,2156 0,2367 0,2562
0,010 0,0002 0,0101 0,0383 0,0743 0,1109 0,1453 0,1770 0,2058 0,2320 0,2558 0,2776 0,2975
0,025 0,0010 0,0253 0,0719 0,1211 0,1662 0,2062 0,2414 0,2725 0,3000 0,3247 0,3469 0,3670
0,05 0,0039 0,0513 0,1173 0,1777 0,2291 0,2726 0,3096 0,3416 0,3695 0,3940 0,4159 0,4355
0,10 0,0158 0,1054 0,1948 0,2659 0,3221 0,3674 0,4047 0,4362 0,4631 0,4865 0,5071 0,5253
0,25 0,1015 0,2877 0,4042 0,4806 0,5349 0,5758 0,6078 0,6338 0,6554 0,6737 0,6895 0,7032
0,50 0,4549 0,6931 0,7887 0,8392 0,8703 0,8914 0,9065 0,9180 0,9270 0,9342 0,9401 0,9450
0,75 1,3233 1,3863 1,3695 1,3463 1,3251 1,3068 1,2910 1,2774 1,2654 1,2549 1,2455 1,2371
0,90 2,7055 2,3026 2,0838 1,9449 1,8473 1,7741 1,7167 1,6702 1,6315 1,5987 1,5705 1,5458
0,95 3,8415 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799 1,8307 1,7887 1,7522
0,975 5,0239 3,6889 3,1162 2,7858 2,5665 2,4082 2,2875 2,1918 2,1137 2,0483 1,9927 1,9447
0,99 6,6349 4,6052 3,7816 3,3192 3,0173 2,8020 2,6394 2,5113 2,4073 2,3209 2,2477 2,1848
0,995 7,8794 5,2984 4,2794 3,7151 3,3500 3,0913 2,8969 2,7444 2,6211 2,5188 2,4325 2,3583
0,999 10,8275 6,9076 5,4220 4,6166 4,1030 3,7430 3,4745 3,2655 3,0975 2,9588 2,8422 2,7425
0,9995 12,1163 7,6016 5,9099 4,9995 4,4211 4,0172 3,7169 3,4834 3,2962 3,1421 3,0125 2,9017
Tabla13
Distribución F
(continuación)
ν2 p \ ν1 15 20 24 30 40 50 60 100 120 200 500 ∞
120 0,0005 0,1991 0,2567 0,2933 0,3369 0,3900 0,4281 0,4568 0,5252 0,5452 0,5903 0,6382 0,6757
0,001 0,2235 0,2822 0,3189 0,3624 0,4149 0,4522 0,4803 0,5466 0,5660 0,6094 0,6554 0,6912
0,005 0,2965 0,3564 0,3927 0,4348 0,4846 0,5194 0,5452 0,6055 0,6229 0,6615 0,7020 0,7333
0,010 0,3379 0,3973 0,4329 0,4738 0,5216 0,5548 0,5793 0,6360 0,6523 0,6884 0,7260 0,7550
0,025 0,4063 0,4638 0,4975 0,5358 0,5800 0,6103 0,6325 0,6835 0,6980 0,7299 0,7631 0,7884
0,05 0,4730 0,5273 0,5588 0,5940 0,6343 0,6616 0,6815 0,7269 0,7397 0,7678 0,7967 0,8187
0,10 0,5597 0,6085 0,6364 0,6672 0,7019 0,7252 0,7421 0,7801 0,7908 0,8140 0,8378 0,8557
0,25 0,7300 0,7649 0,7841 0,8049 0,8278 0,8429 0,8536 0,8773 0,8839 0,8980 0,9121 0,9227
0,50 0,9613 0,9723 0,9778 0,9833 0,9889 0,9922 0,9944 0,9989 1,0000 1,0022 1,0042 1,0056
0,75 1,2428 1,2200 1,2068 1,1921 1,1752 1,1638 1,1555 1,1367 1,1314 1,1198 1,1078 1,0987
0,90 1,5450 1,4821 1,4472 1,4094 1,3676 1,3400 1,3203 1,2767 1,2646 1,2385 1,2122 1,1926
0,95 1,7505 1,6587 1,6084 1,5543 1,4952 1,4565 1,4290 1,3685 1,3519 1,3162 1,2804 1,2539
0,975 1,9450 1,8249 1,7597 1,6899 1,6141 1,5649 1,5299 1,4536 1,4327 1,3880 1,3434 1,3104
0,99 2,1915 2,0346 1,9500 1,8600 1,7628 1,7000 1,6557 1,5592 1,5330 1,4770 1,4215 1,3805
0,995 2,3727 2,1881 2,0891 1,9839 1,8709 1,7981 1,7469 1,6357 1,6055 1,5413 1,4778 1,4311
0,999 2,7833 2,5344 2,4019 2,2621 2,1129 2,0172 1,9502 1,8057 1,7668 1,6842 1,6028 1,5433
0,9995 2,9577 2,6810 2,5339 2,3792 2,2144 2,1091 2,0354 1,8769 1,8341 1,7437 1,6549 1,5901
∞ 0,0005 0,2071 0,2697 0,3103 0,3598 0,4222 0,4686 0,5050 0,5978 0,6276 0,7013 0,8011 0,9547
0,001 0,2321 0,2959 0,3366 0,3859 0,4475 0,4929 0,5283 0,6181 0,6467 0,7173 0,8123 0,9574
0,005 0,3066 0,3715 0,4117 0,4592 0,5172 0,5593 0,5916 0,6722 0,6976 0,7595 0,8415 0,9643
0,010 0,3485 0,4128 0,4521 0,4981 0,5537 0,5936 0,6241 0,6997 0,7232 0,7805 0,8559 0,9677
0,025 0,4173 0,4793 0,5165 0,5594 0,6104 0,6466 0,6741 0,7413 0,7621 0,8122 0,8774 0,9727
0,05 0,4839 0,5423 0,5768 0,6161 0,6624 0,6948 0,7193 0,7785 0,7967 0,8402 0,8961 0,9770
0,10 0,5697 0,6220 0,6522 0,6864 0,7259 0,7534 0,7739 0,8229 0,8378 0,8732 0,9181 0,9821
0,25 0,7357 0,7725 0,7931 0,8158 0,8413 0,8586 0,8713 0,9010 0,9098 0,9303 0,9557 0,9905
0,50 0,9560 0,9669 0,9724 0,9779 0,9834 0,9868 0,9890 0,9934 0,9945 0,9967 0,9987 1,0001
0,75 1,2167 1,1917 1,1771 1,1604 1,1408 1,1271 1,1169 1,0920 1,0844 1,0663 1,0431 1,0097
0,90 1,4878 1,4213 1,3840 1,3427 1,2960 1,2643 1,2410 1,1862 1,1699 1,1317 1,0842 1,0185
0,95 1,6674 1,5716 1,5184 1,4603 1,3952 1,3514 1,3194 1,2451 1,2231 1,1721 1,1093 1,0238
0,975 1,8339 1,7099 1,6416 1,5675 1,4851 1,4301 1,3900 1,2977 1,2706 1,2079 1,1314 1,0284
0,99 2,0403 1,8802 1,7927 1,6983 1,5943 1,5252 1,4752 1,3606 1,3273 1,2504 1,1575 1,0339
0,995 2,1889 2,0020 1,9005 1,7914 1,6716 1,5923 1,5351 1,4047 1,3668 1,2800 1,1755 1,0376
0,999 2,5162 2,2688 2,1356 1,9933 1,8383 1,7366 1,6636 1,4983 1,4508 1,3423 1,2132 1,0453
0,9995 2,6514 2,3784 2,2318 2,0756 1,9060 1,7949 1,7154 1,5359 1,4844 1,3672 1,2281 1,0483
Tabla 14
Valores del Coeficiente de Correlación "r"
Grados de
libertad Niveles de significación
ν 0,10 0,05 0,02 0,01 0,001
1 0.988 0.997 0.999 1,000 1,000
2 0.900 0.950 0.980 0.990 0,999
3 0.805 0.878 0.934 0.959 0,991
4 0.729 0.811 0.882 0.917 0,974
5 0.669 0.754 0.833 0.874 0,951
6 0.622 0.707 0.789 0.834 0,925
7 0.582 0.666 0.750 0.798 0,898
8 0.549 0.632 0.716 0.765 0,872
9 0.521 0.602 0.685 0.735 0,847
10 0.497 0.576 0.658 0.708 0,823
11 0.476 0.553 0.634 0.684 0,801
12 0.458 0.532 0.612 0.661 0,780
13 0.441 0.514 0.592 0.641 0,760
14 0.426 0.497 0.574 0.623 0,742
15 0.412 0.482 0.558 0.606 0,725
16 0.400 0.468 0.542 0.590 0,708
17 0.389 0.456 0.528 0.575 0,693
18 0.378 0.444 0.516 0.561 0,679
19 0.369 0.433 0.503 0.549 0,665
20 0.360 0.423 0.492 0.537 0,652
25 0.323 0.381 0.445 0.487 0,597
30 0.296 0.349 0.409 0.449 0,554
35 0.275 0.325 0.381 0.418 0,519
40 0.257 0.304 0.358 0.393 0,490
45 0.243 0.288 0.338 0.372 0,465
50 0.231 0.273 0.322 0.354 0,443
60 0.211 0.250 0.295 0.325 0,408
70 0.195 0.232 0.274 0.302 0,380
80 0.183 0.217 0.256 0.283 0,357
90 0.173 0.205 0.242 0.267 0,337
100 0.164 0.195 0.230 0.254 0,321
Tabla 15
Valor de √ 1 – r2 dado el coeficiente de correlación "r"

r
√ 1 – r2 r √ 1 – r2 r √ 1 – r2
0,0000 1,0000 0,3400 0,9404 0,6800 0,7332
0,01 0,9999 0,35 0,9367 0,69 0,7238
0,02 0,9998 0,36 0,9330 0,70 0,7141
0,03 0,9995 0,37 0,9290 0,71 0,7042
0,04 0,9992 0,38 0,9250 0,72 0,6940
0,05 0,9987 0,39 0,9208 0,73 0,6834
0,06 0,9982 0,40 0,9165 0,74 0,6726
0,07 0,9975 0,41 0,9121 0,75 0,6614
0,08 0,9968 0,42 0,9075 0,76 0,6499
0,09 0,9959 0,43 0,9028 0,77 0,6380
0,10 0,9950 0,44 0,8980 0,78 0,6258
0,11 0,9939 0,45 0,8930 0,79 0,6131
0,12 0,9928 0,46 0,8879 0,80 0,6000
0,13 0,9915 0,47 0,8827 0,81 0,5864
0,14 0,9902 0,48 0,8773 0,82 0,5724
0,15 0,9887 0,49 0,8717 0,83 0,5578
0,16 0,9871 0,50 0,8660 0,84 0,5426
0,17 0,9854 0,51 0,8602 0,85 0,5268
0,18 0,9837 0,52 0,8542 0,86 0,5103
0,19 0,9818 0,53 0,8480 0,87 0,4931
0,20 0,9798 0,54 0,8417 0,88 0,4750
0,21 0,9777 0,55 0,8352 0,89 0,4560
0,22 0,9755 0,56 0,8285 0,90 0,4359
0,23 0,9732 0,57 0,8216 0,91 0,4146
0,24 0,9708 0,58 0,8146 0,92 0,3919
0,25 0,9682 0,59 0,8074 0,93 0,3676
0,26 0,9656 0,60 0,8000 0,94 0,3412
0,27 0,9629 0,61 0,7924 0,95 0,3122
0,28 0,9600 0,62 0,7846 0,96 0,2800
0,29 0,9570 0,63 0,7766 0,97 0,2431
0,30 0,9539 0,64 0,7684 0,98 0,1990
0,31 0,9507 0,65 0,7599 0,99 0,1411
0,32 0,9474 0,66 0,7513 1,00 0,0000
0,33 0,9440 0,67 0,7424
Tabla 16
Transformación de "z" en "r"
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,00000 0,01000 0,02000 0,02999 0,03998 0,04996 0,05993 0,06989 0,07983 0,08976
0,1 0,09967 0,10956 0,11943 0,12927 0,13909 0,14889 0,15865 0,16838 0,17808 0,18775
0,2 0,19738 0,20697 0,21652 0,22603 0,23550 0,24492 0,25430 0,26362 0,27291 0,28213
0,3 0,29131 0,30044 0,30951 0,31852 0,32748 0,33638 0,34521 0,35399 0,36271 0,37136
0,4 0,37995 0,38847 0,39693 0,40532 0,41364 0,42190 0,43008 0,43820 0,44624 0,45422
0,5 0,46212 0,46995 0,47770 0,48538 0,49299 0,50052 0,50798 0,51536 0,52267 0,52990
0,6 0,53705 0,54413 0,55113 0,55805 0,56490 0,57167 0,57836 0,58498 0,59152 0,59798
0,7 0,60437 0,61068 0,61691 0,62307 0,62915 0,63515 0,64108 0,64693 0,65271 0,65841
0,8 0,66404 0,66959 0,67507 0,68048 0,68581 0,69107 0,69626 0,70137 0,70642 0,71139
0,9 0,71630 0,72113 0,72590 0,73059 0,73522 0,73978 0,74428 0,74870 0,75307 0,75736
1,0 0,76159 0,76576 0,76987 0,77391 0,77789 0,78181 0,78566 0,78946 0,79320 0,79688
1,1 0,80050 0,80406 0,80757 0,81102 0,81441 0,81775 0,82104 0,82427 0,82745 0,83058
1,2 0,83365 0,83668 0,83965 0,84258 0,84546 0,84828 0,85106 0,85380 0,85648 0,85913
1,3 0,86172 0,86428 0,86678 0,86925 0,87167 0,87405 0,87639 0,87869 0,88095 0,88317
1,4 0,88535 0,88749 0,88960 0,89167 0,89370 0,89569 0,89765 0,89958 0,90147 0,90332
1,5 0,90515 0,90694 0,90870 0,91042 0,91212 0,91379 0,91542 0,91703 0,91860 0,92015
1,6 0,92167 0,92316 0,92462 0,92606 0,92747 0,92886 0,93022 0,93155 0,93286 0,93415
1,7 0,93541 0,93665 0,93786 0,93906 0,94023 0,94138 0,94250 0,94361 0,94470 0,94576
1,8 0,94681 0,94783 0,94884 0,94983 0,95080 0,95175 0,95268 0,95359 0,95449 0,95537
1,9 0,95624 0,95709 0,95792 0,95873 0,95953 0,96032 0,96109 0,96185 0,96259 0,96331
2,0 0,96403 0,96473 0,96541 0,96609 0,96675 0,96740 0,96803 0,96865 0,96926 0,96986
2,1 0,97045 0,97103 0,97159 0,97215 0,97269 0,97323 0,97375 0,97426 0,97477 0,97526
2,2 0,97574 0,97622 0,97668 0,97714 0,97759 0,97803 0,97846 0,97888 0,97929 0,97970
2,3 0,98010 0,98049 0,98087 0,98124 0,98161 0,98197 0,98233 0,98267 0,98301 0,98335
2,4 0,98367 0,98400 0,98431 0,98462 0,98492 0,98522 0,98551 0,98579 0,98607 0,98635
2,5 0,98661 0,98688 0,98714 0,98739 0,98764 0,98788 0,98812 0,98835 0,98858 0,98881
2,6 0,98903 0,98924 0,98946 0,98966 0,98987 0,99007 0,99026 0,99045 0,99064 0,99083
2,7 0,99101 0,99118 0,99136 0,99153 0,99170 0,99186 0,99202 0,99218 0,99233 0,99248
2,8 0,99263 0,99278 0,99292 0,99306 0,99320 0,99333 0,99346 0,99359 0,99372 0,99384
2,9 0,99396 0,99408 0,99420 0,99431 0,99443 0,99454 0,99464 0,99475 0,99485 0,99496
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
3 0,99505 0,99595 0,99668 0,99728 0,99777 0,99818 0,99851 0,99878 0,99900 0,99918
4 0,99933 0,99945 0,99955 0,99963 0,99970 0,99975 0,99980 0,99983 0,99986 0,99989
Tabla 17
Percentiles de la Distribución de "r" para
N t 0,95 t 0,975 t 0,99 t 0,995 t 0,9995 N t 0,95 t 0,975 t 0,99 t 0,995 t 0,9995
5 0,805 0,876 0,934 0,959 0,991 20 0,378 0,444 0,516 0,561 0,679
6 0,729 0,811 0,882 0,917 0,974 22 0,360 0,423 0,492 0,537 0,652
7 0,669 0,754 0,833 0,875 0,951 24 0,344 0,404 0,472 0,515 0,629
8 0,621 0,707 0,789 0,834 0,925 26 0,330 0,388 0,453 0,496 0,607
9 0,582 0,666 0,750 0,798 0,898 28 0,317 0,374 0,437 0,479 0,588
10 0,549 0,632 0,715 0,765 0,872 30 0,306 0,361 0,423 0,463 0,570
11 0,521 0,602 0,685 0,735 0,847 40 0,264 0,312 0,366 0,402 0,501
12 0,497 0,576 0,658 0,708 0,823 50 0,235 0,279 0,328 0,361 0,451
13 0,476 0,553 0,634 0,684 0,801 60 0,214 0,254 0,300 0,330 0,414
14 0,457 0,532 0,612 0,661 0,780 80 0,185 0,220 0,260 0,286 0,361
15 0,441 0,514 0,592 0,641 0,760 100 0,165 0,196 0,232 0,256 0,324
16 0,426 0,497 0,574 0,623 0,742 250 0,104 0,124 0,147 0,163 0,207
17 0,412 0,482 0,558 0,606 0,725 500 0,074 0,088 0,104 0,115 0,147
18 0,400 0,468 0,543 0,590 0,708 1000 0,052 0,062 0,074 0,081 0,104
19 0,389 0,456 0,529 0,575 0,693 ∞ 0,000 0,000 0,000 0,000 0,000
t 0,05 t 0,025 t 0,01 t 0,005 t 0,0005 t 0,05 t 0,025 t 0,01 t 0,005 t 0,0005

Tabla 17
Transformación de "r" en "z"
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,00000 0,01000 0,02000 0,03001 0,04002 0,05004 0,06007 0,07011 0,08017 0,09024
0,1 0,10034 0,11045 0,12058 0,13074 0,14093 0,15114 0,16139 0,17167 0,18198 0,19234
0,2 0,20273 0,21317 0,22366 0,23419 0,24477 0,25541 0,26611 0,27686 0,28768 0,29857
0,3 0,30952 0,32055 0,33165 0,34283 0,35409 0,36544 0,37689 0,38842 0,40006 0,41180
0,4 0,42365 0,43561 0,44769 0,45990 0,47223 0,48470 0,49731 0,51007 0,52298 0,53606
0,5 0,54931 0,56273 0,57634 0,59015 0,60416 0,61838 0,63283 0,64752 0,66246 0,67767
0,6 0,69315 0,70892 0,72501 0,74142 0,75817 0,77530 0,79281 0,81074 0,82911 0,84796
0,7 0,86730 0,88718 0,90764 0,92873 0,95048 0,97296 0,99622 1,02033 1,04537 1,07143
0,8 1,09861 1,12703 1,15682 1,18814 1,22117 1,25615 1,29334 1,33308 1,37577 1,42193
0,9 1,47222 1,52752 1,58903 1,65839 1,73805 1,83178 1,94591 2,09230 2,29756 2,64665
Tabla 19
Tamaño de la muestra según el tamaño de población, el error absoluto y la fracción p, con un
nivel de confianza del 95%
100 p ERROR ABSOLUTO 100 p ERROR ABSOLUTO
± 1,0% ± 1,5% ± 2,0% ± 2,5% ± 3,0% ± 3,5% ± 1,0% ± 1,5% ± 2,0% ± 2,5% ± 3,0% ± 3,5%
1 396 176 99 63 44 32 51 9996 4443 2499 1599 1111 816
2 784 348 196 125 87 64 52 9984 4437 2496 1597 1109 815
3 1164 517 291 186 129 95 53 9964 4428 2491 1594 1107 813
4 1536 683 384 246 171 125 54 9936 4416 2484 1590 1104 811
5 1900 844 475 304 211 155 55 9900 4400 2475 1584 1100 808
6 2256 1003 564 361 251 184 56 9856 4380 2464 1577 1095 805
7 2604 1157 651 417 289 213 57 9804 4357 2451 1569 1089 800
8 2944 1308 736 471 327 240 58 9744 4331 2436 1559 1083 795
9 3276 1456 819 524 364 267 59 9676 4300 2419 1548 1075 790
10 3600 1600 900 576 400 294 60 9600 4267 2400 1536 1067 784
11 3916 1740 979 627 435 320 61 9516 4229 2379 1523 1057 777
12 4224 1877 1056 676 469 345 62 9424 4188 2356 1508 1047 769
13 4524 2011 1131 724 503 369 63 9324 4144 2331 1492 1036 761
14 4816 2140 1204 771 535 393 64 9216 4096 2304 1475 1024 752
15 5100 2267 1275 816 567 416 65 9100 4044 2275 1456 1011 743
16 5376 2389 1344 860 597 439 66 8976 3989 2244 1436 997 733
17 5644 2508 1411 903 627 461 67 8844 3931 2211 1415 983 722
18 5904 2624 1476 945 656 482 68 8704 3868 2176 1393 967 711
19 6156 2736 1539 985 684 503 69 8556 3803 2139 1369 951 698
20 6400 2844 1600 1024 711 522 70 8400 3733 2100 1344 933 686
21 6636 2949 1659 1062 737 542 71 8236 3660 2059 1318 915 672
22 6864 3051 1716 1098 763 560 72 8064 3584 2016 1290 896 658
23 7084 3148 1771 1133 787 578 73 7884 3504 1971 1261 876 644
24 7296 3243 1824 1167 811 596 74 7696 3420 1924 1231 855 628
25 7500 3333 1875 1200 833 612 75 7500 3333 1875 1200 833 612
26 7696 3420 1924 1231 855 628 76 7296 3243 1824 1167 811 596
27 7884 3504 1971 1261 876 644 77 7084 3148 1771 1133 787 578
28 8064 3584 2016 1290 896 658 78 6864 3051 1716 1098 763 560
29 8236 3660 2059 1318 915 672 79 6636 2949 1659 1062 737 542
30 8400 3733 2100 1344 933 686 80 6400 2844 1600 1024 711 522
31 8556 3803 2139 1369 951 698 81 6156 2736 1539 985 684 503
32 8704 3868 2176 1393 967 711 82 5904 2624 1476 945 656 482
33 8844 3931 2211 1415 983 722 83 5644 2508 1411 903 627 461
34 8976 3989 2244 1436 997 733 84 5376 2389 1344 860 597 439
35 9100 4044 2275 1456 1011 743 85 5100 2267 1275 816 567 416
36 9216 4096 2304 1475 1024 752 86 4816 2140 1204 771 535 393
37 9324 4144 2331 1492 1036 761 87 4524 2011 1131 724 503 369
38 9424 4188 2356 1508 1047 769 88 4224 1877 1056 676 469 345
39 9516 4229 2379 1523 1057 777 89 3916 1740 979 627 435 320
40 9600 4267 2400 1536 1067 784 90 3600 1600 900 576 400 294
41 9676 4300 2419 1548 1075 790 91 3276 1456 819 524 364 267
42 9744 4331 2436 1559 1083 795 92 2944 1308 736 471 327 240
43 9804 4357 2451 1569 1089 800 93 2604 1157 651 417 289 213
44 9856 4380 2464 1577 1095 805 94 2256 1003 564 361 251 184
45 9900 4400 2475 1584 1100 808 95 1900 844 475 304 211 155
46 9936 4416 2484 1590 1104 811 96 1536 683 384 246 171 125
47 9964 4428 2491 1594 1107 813 97 1164 517 291 186 129 95
48 9984 4437 2496 1597 1109 815 98 784 348 196 125 87 64
49 9996 4443 2499 1599 1111 816 99 396 176 99 63 44 32
50 10000 4444 2500 1600 1111 816
Tabla 20
Tamaño de la muestra correspondiente a un error absoluto
y valor de "p" dados, con un nivel de confianza del 95%
Tamaño de la población
p
N = 100 N = 200 N = 1.000 N = infinito
Error absoluto 0,025
0,01 38 47 58 62
0,02 55 76 109 123
0,03 65 95 154 183
0,04 71 109 194 241
0,05 75 120 230 298
0,06 78 128 261 354
0,07 80 134 290 408
0,08 82 140 316 462
0,09 84 144 339 514
0,10 85 148 361 565
0,11 86 151 380 614
0,12 87 154 398 662
0,13 88 156 415 709
0,14 88 158 430 755
0,16 89 162 457 843
0,18 90 164 481 926
0,20 91 167 501 1004
0,25 92 171 540 1176
0,30 93 174 568 1317
0,40 94 177 601 1505
0,50 94 177 611 1568
Error absoluto 0,05
0,01 13 14 15 16
0,02 24 27 30 31
0,03 31 37 44 46
0,04 38 46 57 60
0,05 43 54 69 74
0,06 47 61 81 88
0,07 51 68 93 102
0,08 54 73 103 115
0,09 56 78 114 128
0,10 59 83 124 141
0,11 61 87 133 154
0,12 62 91 142 166
0,13 64 94 151 177
0,14 65 97 159 189
0,16 68 103 174 211
0,18 70 107 188 231
0,20 72 111 201 251
0,25 75 119 227 294
0,30 77 124 248 329
0,40 79 131 273 376
0,50 80 132 282 392
Tabla 21
Tamaño de la muestra para estimar medidas y totales
Razón del error de Tamaño de la muestra requerido con un
Tamaño de la
muestreo sobre la nivel de confianza del:
población
desviación típica 95% 99% 99,90%
0,10 217
0,15 127 187 246
500 0,20 81 125 176
0,25 55 88 129
0,30 39 64 97
0,10 278 400
0,15 146 228 326
1.000 0,20 88 143 214
0,25 58 96 148
0,30 41 69 108
0,05 869
0,10 322 500 705
0,15 157 258 390
2.000
0,20 92 154 240
0,25 60 101 160
0,30 42 71 114
0,05 1.016 1.411
0,10 341 517 799
0,15 162 269 417
3.000
0,20 93 158 250
0,25 60 103 165
0,30 42 72 116
0,04 1.500
0,05 1.110 1.598
0,10 351 571 856
4.000 0,15 164 275 432
0,20 94 160 255
0,25 61 104 167
0,30 42 73 117
Tabla 21
(Continuación)
Razón del error de Tamaño de la muestra requerido con un
Tamaño de la
muestreo sobre la nivel de confianza del:
población
desviación típica 95% 99% 99,90%
0,03 2.303
0,04 1.622 2.271
0,05 1.175 1.737 2.328
0,10 357 588 894
5.000
0,15 165 279 441
0,20 94 161 258
0,25 61 104 168
0,30 42 73 118
0,03 2.991 4.252
0,04 1.936 2.938 4.050
0,05 1.332 2.103 3.034
0,10 370 624 982
10.000
0,15 168 287 462
0,20 95 164 265
0,25 61 105 171
0,30 43 73 120
0,02 6.498 9.083
0,03 3.517 5.400 7.541
0,04 2.144 3.444 5.079
0,05 1.427 2.350 3.577
20.000 0,10 377 644 1.033
0,15 169 292 473
0,20 96 165 269
0,25 61 106 173
0,30 43 74 120
0,01 27.755 39.968
0,02 8.764 14.265 21.413
0,03 4.093 6.887 10.799
0,04 2.345 3.994 6.373
0,05 1.513 2.593 4.174
100.000
0,10 383 661 1.077
0,15 170 295 482
0,20 96 166 272
0,25 61 106 174
0,30 43 74 121