Manual Practico de Experimentación Pecuaria

296759982.
docPecuaria I
Ing. Mg. Sci. Elmer R. Meza Rojas
UNIVERSIDAD NACIONAL SAN CRISTOBAL

DE HUAMANGA
ESCUELA DE FORMACIN PROFESIONAL DE MEDICINA

VETERINARIA
GUA DE CLASES PRCTICAS
CURSO: EXPERIMENTACION PECUARIA I
DOCENTE: ING. ELMER R. MEZA ROJAS
296759982.docPecuaria I
AYACUCHO - 2009
RECOMENDACIONES PARA EL ALUMNO
La presente gua de clases prcticas del curso de Experimentacin Pecuaria I, constituye

un material de ayuda para facilitar al alumno el proceso de aprendizaje, ya que en ella se
presentan los contenidos mnimos a desarrollarse en la presente asignatura. Por tanto, no
pretende excluir por ningn motivo la asistencia obligatoria a las clases tericas y/o
practicas, as como subestimar la necesidad de contar con la tutora del docente
encargado del curso, debiendo el estudiante asistir a sus clases en forma regular.
En ese sentido, el presente material didctico constituye una parte de la metodologa que
ser utilizada durante el proceso aprendizaje, puesto que en el presente curso se propone
impartir el conocimiento de manera dinmica, mediante la investigacin, el anlisis y
discusin de casos prcticos relacionados con la carrera de Medicina Veterinaria.
Para un mejor provecho de la presente gua de prcticas del curso de Experimentacin
pecuaria, el estudiante deber atender a las siguientes recomendaciones:
Utilizar la gua de clases prcticas como herramienta orientador de las enseanzas

impartidas por el docente durante el desarrollo de las prcticas.
Consultar la gua de clases prcticas con la finalidad de conocer el procedimiento
metodolgico empleado para la resolucin de los casos prcticos, y por
consiguiente considerarlo como referente durante las evaluaciones.
Para efectos de mejoras del proceso de aprendizaje, poner atencin a las
sugerencias y/o referencias metodolgicas puestas a consideracin por el docente
del curso.
Considerar la gua de clases prcticas como un instrumento de discusin, anlisis
y acuerdos durante las sesiones practicas.
El Autor
CAPITULO I
NOCIONES DE ESTADISTICA DESCRIPTIVA
1. Definicin de estadstica
Ciencia que nos proporciona un conjunto de mtodos, tcnicas o procedimientos para recopilar,
organizar (clasificar, agrupar), presentar y analizar datos con el fin de describirlos o de realizar
generalizaciones validas.
La estadstica se divide en: a) estadstica descriptiva y b) estadstica inferencial
La estadstica descriptiva se ocupa de la descripcin de datos experimentales, es decir de la
recopilacin, organizacin y anlisis de datos sobre alguna caracterstica de ciertos individuos
pertenecientes a la poblacin o universo.
Esta parte se dedica nica y exclusivamente al ordenamiento y tratamiento mecnico de la
informacin para su presentacin por medio de tablas y de representaciones grficas, as como de
la obtencin de algunos parmetros tiles para la explicacin de la informacin.
La estadstica inferencial es obtener la informacin acerca de una poblacin, partiendo de la
informacin que contiene una muestra. Permiten al investigador generalizar a una poblacin de
individuos basndose en la informacin obtenida de un nmero limitado de participantes en la
investigacin
2. Poblacin y Muestra
Poblacin.- conjunto de elementos que contienen una o ms caractersticas observables de
naturaleza cualitativa o cuantitativa que se pueden medir en ellos (N). A cada elemento de una
poblacin se denomina unidad elemental. Una poblacin puede ser finita o infinita.
Ejemplos:
Poblacin finita: Las alpacas de la comunidad de Ccarhuapampa
Poblacin infinita: Los cuyes criollos del departamento de Ayacucho
Establezca un ejemplo de cada tipo de poblacin:
N1:...
N2:...
Muestra.- Es una parte de la poblacin (sub conjunto), seleccionada de acuerdo a un plan o regla,
con el fin de obtener informacin acerca de la poblacin de la cual proviene. La muestra debe ser
representativa de la poblacin y con ello queremos decir que cualquier individuo de la poblacin en
estudio debe haber tenido la misma probabilidad de ser elegido.
Establezca dos ejemplos de muestras:
n1:..
n2:........................................................................................................................................
3. Parmetro y Estadstico
Existen medidas para realizar descripciones cuantitativas de los conjuntos de datos, o poblaciones,
y de sus muestras, diferencindose entre ellas las que se refieren a las mismas poblaciones y a las
muestras.
Parmetro.- Es una medida descriptiva que resume una caracterstica de la poblacin, la cual es
calculada a partir de los datos observados de toda la poblacin.
Estadstico.- Es una medida descriptiva que resume una caracterstica de la muestra, la cual es
calculada a partir de los datos observados de una muestra aleatoria.
Para el caso de las poblaciones, las medidas que las describen suelen estar representadas con
letras griegas (por ejemplo y ); y para el caso de la muestras suelen estar representados por
letras de nuestro alfabeto (por ejemplo, x o s).
Un parmetro o estadstico puede ser la media, la mediana, la varianza, etc.
4. Variables Estadsticas
Definicin.- Es una caracterstica o propiedad definida en la poblacin que puede ser medida y/o
observada, pudiendo tomar dos o mas valores. Se representan por una letra del alfabeto (X, Y, Z,
etc). Estas se clasifican en:
Variables cuantitativas.- Son aquellas pueden medirse y/o cuantificarse numricamente. Estas
pueden ser de dos tipos:
Variables cuantitativas continuas, si admiten tomar cualquier valor dentro de un rango
numrico determinado. Pueden tomar tanto valores enteros como decimales. Ejemplo: edad,
peso, talla, etc.
Variables cuantitativas discretas, si admiten solo ciertos valores en un intervalo considerado.
Suelen tomar solamente y en forma estricta valores enteros. Ejemplo: nmero de hijos,
nmero de partos, etc.
Variables cualitativas. Representan una cualidad o atributo de los elementos de una determinada
poblacin. Ejemplo: sexo, color de ojo, forma de cabello, etc. En el proceso de medicin de estas
variables, se pueden utilizar dos escalas:
Escalas nominales (No ordenables): los datos tomados no mantienen una relacin de orden
entre s (color de los ojos, sexo, profesin, presencia o ausencia de un factor de riesgo o
enfermedad, etctera).
Escalas ordinales (Ordenables): en las escalas utilizadas, existe un cierto orden o jerarqua
entre las categoras (grados de disnea, estadiaje de un tumor, etctera).
Establezca dos ejemplos de cada tipo de variable:

X1:..
X2:..................................................................................................................................................
X3:..................................................................................................................................................
X4:......
5. Organizacin de los Datos

Despus de la recopilacin de los datos, es necesario resumirlos y presentarlos en forma tal que
faciliten su comprensin y su posterior anlisis y utilizacin. Para ello se ordenan en cuadros o
tablas numricos y luego se representan en grficos.
Cuadros o tablas estadsticas
Las tablas constituyen un primer resumen de los datos y dependiendo del nmero de variables
identificados pueden ser:
Tablas de frecuencias (distribucin de frecuencias).- describen a una sola variable
(caracterstica)
Tablas de contingencia.- Describen la relacin entre dos o mas variables (caractersticas)
Toda tabla estadstica debe estar compuesta por:
Numero
Titulo
Encabezamiento (incluyendo las unidades en que se expresan los datos) y cuerpo (datos)
La fuente de los datos (pie de tabla)
Representaciones graficas
Los grficos son tiles en la estadstica, pues son fciles de comprender. Pretenden resumir la
informacin de la muestra de forma grfica con fines clarificadores o para enfatizar y descubrir
determinadas caractersticas que de otra forma sera muy difcil apreciar.
Dependiendo del tipo de variable en estudio, se empleara determinado tipo de grafico; es decir, las
variables discretas o categricas tienen graficas diferentes a las variables continuas
Al igual que las tablas estadsticas, todo grafico deber llevar:
Numero de grafica
Titulo
Cuerpo de grafica y leyenda
La fuente de los datos (pie de grafico)
Tipos de grficos
Para variables discretas y cualitativas (categricas)
a. Diagrama de Sectores.- Un grfico de sectores consiste en un crculo dividido en sectores de
tamao proporcional a la frecuencia de cada valor de la variable
Ejemplo:
b. Diagrama de barras.- Sobre un eje horizontal se representan los distintos valores de una variable
discreta o categrica, y sobre cada valor se levanta un rectngulo vertical cuya base est separada
de las contiguas. En un eje vertical se representa una caracterstica numrica de la variable como el
nmero de casos, o bien otra funcin resumen que puede estar asociada a otra variable
(frecuencias).
Para variables continuas

c. Histogramas.-Parecidos en forma a los diagramas de barras, pero su uso se restringe nicamente
a las variables continuas. Representan frecuencias agrupadas sobre intervalos. A diferencia de los
diagramas de barras, los histogramas dibujan rectngulos unidos entre s, lo que significa que existe
una continuidad en la variable cuyos valores se representan en el eje horizontal. El eje horizontal se
halla dividido en intervalos de igual amplitud, sobre los que se elevan rectngulos de altura
proporcional a su frecuencia.
En el histograma se representan las frecuencias absolutas, relativas y acumulas.
d. Polgonos de frecuencias (graficas de lneas)

Es una grafica poligonal cerrada que se obtiene uniendo con segmentos de recta los puntos que
tienen proporcionalmente como abscisa a la marca de clase y como ordenada a la frecuencia
respectiva (absoluta, relativa y acumulada)
e. Polgonos de frecuencias acumuladas (OJIVA)

Este tipo de polgono se construye con las frecuencias acumuladas de la variable en estudio, sean
estas absolutas, relativas o porcentuales.
f. Diagramas de caja (Boxplot)

Permite tener una idea visual de la distribucin de los datos. O sea, determinar si hay simetra, ver el
grado de variabilidad existente y finalmente detectar outliers. A diferencia de los otros grficos ya
vistos, los diagramas de caja hacen nfasis en las medidas de posicin. Es muy til para hacer
comparaciones entre muestras de distintas poblaciones
g. Grafico de tallos y hojas (Stem-and-Leaf )

Es una grfica usada para datos cuantitativos. Esta representacin se basa en la ordenacin de los
datos a manera de grfico, pero sin llegar a ello, utilizando las decenas y las unidades.
Ejemplo. Los siguientes datos representan pesos de 15 toretes criollos (kg) de 2 a 4 dientes de
edad.
165 178 185 169 152 180 175 189 195 200 183 191 197 208 179
Hacer su grfica de Stem-and Leaf.
Solucin: En este caso las ramas la forman los primeros dos dgitos de los datos, y las hojas sern
dadas por los ltimos dgitos de los datos.
Luego el stem-and leaf ser de la siguiente manera:
Ejemplo:
Se trata de los pesos vivos (kg) de carneros Corriedale de plantel: 78, 82, 54, 71, 58, 93, 61, 96,
70, 83, 67, 88, 74, 97, 72, 66, 73, 76, 80, 81, 83, 64, 91, 70, 77, 86 . Elabore el grafico de tallos
y hojas para observar la simetra de los datos.
6.0 Distribucin de frecuencias

Una de los primeros pasos que se realizan en cualquier estudio estadstico es la tabulacin de
resultados, es decir, recoger la informacin de la muestra resumida en una tabla en la que a cada
valor de la variable se le asocian determinados nmeros que representan el nmero de veces que
ha aparecido, su proporcin con respecto a otros valores de la variable, etc. Estos nmeros se
denominan frecuencias. Su clculo depende del tipo de variable a estudiarse (cualitativa o
cuantitativo). As tenemos los siguientes tipos de frecuencia:
Frecuencia absoluta
Frecuencia relativa
Frecuencia porcentual
Frecuencia absoluta acumulada
Frecuencia relativa acumulada
10
Frecuencia porcentual acumulada
Frecuencia absoluta.- La frecuencia absoluta de una variable estadstica es el nmero de veces

que aparece en la muestra dicho valor de la variable, la representaremos por ni
Frecuencia relativa.- La frecuencia absoluta, es una medida que est influida por el
muestra, al aumentar el tamao de la muestra aumentar tambin el tamao de
absoluta. Esto hace que no sea una medida til para poder comparar. Para esto
introducir el concepto de frecuencia relativa, que es el cociente entre la frecuencia
tamao de la muestra. La denotaremos por fi
tamao de la
la frecuencia
es necesario
absoluta y el
Donde N = Tamao de la muestra

Frecuencia porcentual.- La frecuencia relativa es un tanto por uno, sin embargo, hoy da es
bastante frecuente hablar siempre en trminos de tantos por ciento o porcentajes, por lo que esta
medida resulta de multiplicar la frecuencia relativa por 100. La denotaremos por pi.
Frecuencia Absoluta Acumulada.- Para poder calcular este tipo de frecuencias hay que tener en
cuenta que la variable estadstica ha de ser cuantitativa o cualitativa ordenable. En otro caso no
tiene mucho sentido el clculo de esta frecuencia. La frecuencia absoluta acumulada de un valor de
la variable, es el nmero de veces que ha aparecido en la muestra un valor menor o igual que el de
la variable y lo representaremos por Ni.
Frecuencia Relativa Acumulada.- Al igual que en el caso anterior la frecuencia relativa acumulada
es la frecuencia absoluta acumulada dividido por el tamao de la muestra, y la denotaremos por Fi
Porcentaje Acumulado.- Anlogamente se define el Porcentaje Acumulado y lo vamos a denotar

por Pi como la frecuencia relativa acumulada por 100.
Ejemplo1:
Se efectu una experiencia de cruzamiento de cuyes negros y blancos para observar la segregacin
del color de manto en la descendencia. Los resultados fueron los siguientes.
Cuadro 1. Distribucin de frecuencias del color de manto observado en la descendencia
cruzada
Color de
manto
Negro
Blanco
Rojo
Total
Frecuencia
Absoluta
fi
9
8
3
20
Frecuencia
Relativa
hi
0.45
0.4
0.15
1
Frecuencia
Porcentual
pi %
45
42
15
100
11
Fuente: INIA, 2007

Reconozca el procedimiento seguido para la elaboracin del presente cuadro
Ejemplo2:
Se trata de un estudio realizado en cuyes hembras de genotipo Per para observar la frecuencia de
cras nacidas (tamao de camada). Para tal efecto se recabo la informacin de 20 cuyes hembra
empadradas obtenindose el siguiente resultado:
La variable en estudio es...
Cuadro 2. Distribucin de frecuencias del nmero de cras nacidas por cuy hembra
empadrada
N de cras
nacidas
Frecuencias
Frecuencias Acumuladas
Absoluta
fi
Relativa
hi
Porcentual
pi %
Absoluta
Fi
Relativa
Hi
Porcentual
Pi %
0
1
2
3
4
1
4
7
6
2
0.05
0.20
0.35
0.30
0.10
5
20
35
30
10
1
5
12
18
20
0.05
0.25
0.60
0.90
1.00
5
25
60
90
100
Total
20
1.00
100
Fuente. INIA, 2008

Ejemplo3.
Se trata de un establo lechero bajo crianza intensiva en la cual se registro la produccin de leche en
vacas Holstein en un momento dado. Para tal efecto se midi la produccin diaria de 45 vacas en
fase de produccin, obtenindose el siguiente resultado:
12
La variable en estudio es..

Cuadro 3. Distribucin de frecuencias de la produccin de leche (kg) de Vacas Holstein bajo
crianza intensiva
N de cras
nacidas
[26 - 34[
[34 - 42[
[42 - 50[
[50 - 58[
[58 - 66[
[66 - 74[
[74 - 82[
[82 - 90]
Total
Frecuencias
Frecuencias Acumuladas
Absoluta
fi
Relativa
hi
Porcentual
pi %
Absoluta
Fi
Relativa
Hi
Porcentual
Pi %
1
2
4
10
16
8
3
1
45
0.022
0.044
0.089
0.222
0.356
0.178
0.067
0.022
1
2.2
4.4
8.9
22.2
35.6
17.8
6.7
2.2
100
1
3
7
17
33
41
44
45
0.022
0.066
0.155
0.377
0.733
0.911
0.978
1
2.2
6.6
15.5
37.7
73.3
91.1
97.8
100.0
Fuente: Establo San Isidro, 2008

13
PRACTICA N 1
ORGANIZACIN Y PRESENTACIN DE DATOS
Ejercicio N 1: En una granja de cuyes se efectu el inventariado de animales clasificndose a los
mimos segn forma de pelaje: Tipo I=125, Tipo II=48, Tipo III=17 y Tipo IV=20.
-
Identifique el tipo de variable en estudio y sus niveles correspondientes

Elabore su tabla de frecuencias
Grafique los resultados segn corresponda
Tiene sentido establecer sus frecuencias relativas para este tipo de variable?
Ejercicio N 2: En una granja cuncola de nombre El Conejar se efectu un seguimiento a un

grupo de conejas madres de diferentes razas para evaluar la relacin entre el tamao de camada y
la raza de las mismas obtenindose los siguientes resultados:
N
Arete
001
002
003
004
005
006
007
008
009
010
011
012
013
014
015
Raza
California
California
Leonado B.
N. Zelanda
N. Zelanda
California
Leonado B.
N. Zelanda
California
Leonado B.
Leonado B.
California
N. Zelanda
California
N. Zelanda
Tamao
Camada
8
8
10
7
8
9
12
10
7
10
9
8
7
6
8
N
Arete
016
017
018
019
020
021
022
023
024
025
026
027
028
029
030
Raza
California
California
Leonado B.
Leonado B.
California
Leonado B.
N. Zelanda
California
N. Zelanda
N. Zelanda
N. Zelanda
Leonado B.
California
Leonado B.
California
Tamao
Camada
7
6
10
12
11
12
8
8
9
7
7
9
8
10
9
14
Identifique el tipo de variable(s) en estudio y sus niveles correspondientes

Elabore la tabla de frecuencias para cada variable
Construya la respectiva tabla de contingencia
Grafique los resultados (dependiendo de la variable en estudio) segn corresponda
Ejercicio N 3: Se disponen de informacin de peso vivo (kg) de un lote de gorrinos que fueron
sometidos a engorde con una dieta especial por un periodo de 150 das.
85.3 87.5 87.8 88.5 89.9 90.4 91.8 92.7 86.7 87.8 88.2 88.6 90.3 91.0 91.8 93.2 88.3 88.3
89.0 89.2 90.4 91.0 92.3 93.3 89.9 90.1 90.1 90.8 90.9 91.1 92.7 93.4 91.2 91.5 92.6 92.7
93.3 94.2 94.7 94.2 95.6 96.1
-
Identifique el tipo de variable en estudio y sus niveles

Presente los datos en una tabla de frecuencias
Grafique los resultados segn corresponda
15
CAPITULO II
MEDIDAS DE RESUMEN DE DATOS CUANTITATIVOS
Recogido los valores que toman las variables en estudio (datos), se procede al anlisis descriptivo
de los mismos. Para variables categricas, se quiere conocer el nmero de casos en cada una de
las categoras, reflejando habitualmente el porcentaje que representan del total, y expresndolo en
una tabla de frecuencias.
Puesto que con los atributos no se pueden realizar operaciones aritmticas, para variables
cuantitativas o numricas (discretas o continuas), se opta por un mtodo de anlisis distinto,
respondiendo a las siguientes preguntas:
a. Alrededor de qu valor se agrupan los datos?
b. Supuesto que se agrupan alrededor de un nmero, cmo lo hacen? muy concentrados? muy
dispersos?
Es decir, tenemos que conocer las medidas de resumen de un conjunto de datos (sean de poblacin
o muestra). Tales medidas cuantitativas que describen a las poblaciones, pueden ser de:
a. Medidas de posicin
a.1. Medidas de tendencia central: media aritmtica, mediana, moda, media geomtrica, etc.
a.2. Medidas de localizacin o cuantiles: cuartiles, deciles, percentiles
b. Medidas de dispersin
Se encuentran: rango, varianza, desviacin estndar, coeficiente de variacin
c. Medidas de forma
Lo conforma la asimetra y curtosis
A continuacin se describen las respectivas medidas de resumen
a. Medidas de posicin
a.1. Medidas de tendencia central
Son valores que permiten resumir a un conjunto de datos dispersos. Podra asumirse que
estas medidas equivalen a un centro de gravedad que adoptan un valor representativo para
todo un conjunto de datos predeterminados.
Media (o promedio aritmtico).- Es la suma de todas las observaciones dividida por el
tamao de la muestra.
Para datos No agrupados:
Se utiliza la siguiente expresin:
Ejemplo1: Sean los siguientes pesos al nacimiento (kg) de llamas variedad Chaku:
16
5.2, 10.2, 7.0, 7.1, 10.2, 8.3, 9.4, 9.2, 6.5, 7.1, 6.6, 7.8, 6.8, 7.2, 8.4, 9.6, 8.5, 5.7,
6.4, 10.1, 8.2, 9.0, 7.8, 8.2, 5.3, 6.2, 9.1, 8.6, 7.0, 7.7, 8.3, 7.5
El peso medio es:
Para datos agrupados

Donde: fi = Frecuencia en la clase k-sima
Xi = Marca de clase en la intervalo k-simo
Ejemplo2: De los datos del ejemplo1 (pesos al nacimiento de llamas variedad Chaku)
Cuadro N 4 Distribucin de Frecuencias del Peso al Nacimiento de Llamas Variedad
Chaku
Intervalo
[5.2 - 6.1[
[6.1 - 7.0[
[7.0 - 7.9[
[7.9 - 8.8[
[8.8 - 9.7[
[9.7 - 10.6[
Total
Xi
fi
hi
Fi
Hi
5.65
6.55
7.45
8.35
9.25
10.15
-
3
5
9
7
5
3
32
0.094
0.156
0.281
0.219
0.156
0.094
1
3
8
17
24
29
32
-
0.094
0.25
0.531
0.75
0.906
1
-
Media = 7.87
Mediana Es el valor que ocupa la posicin central de un conjunto de observaciones
ordenadas. El 50% de las observaciones son mayores que este valor y el otro 50% son
menores.
17
Para datos No agrupados

La ubicacin de la mediana de n datos ordenados si n es impar se determina por: (n + 1);
2
Ejemplo3: En los 7 datos ordenados: {4, 5, 5, 6, 7, 8, 9},
La ubicacin de la mediana es: (7 + 1) = 4 (4ta posicin)
Luego el valor de la mediana es: Me=6
La ubicacin de la mediana de n datos ordenados si n es par se determina mediante el

promedio de: n y n + 1
2
2
Ejemplo4: En los 8 datos ordenados: {3, 4, 5, 5, 6, 7, 8, 9}
La mediana se ubica entre el lugar n/2 = 4 y n/2 + 1 = 5
Luego el valor de la mediana es
Me = (5 + 6) = 5.5
2

Se utiliza la siguiente expresin
Donde:
Li = Lmite Inferior del intervalo que contiene a la Mediana
Fi-1 = Frecuencia Acumulada en la clase anterior i-sima
fi = Frecuencia en la clase que contiene a la mediana
Hi-1 = Frecuencia Relativa Acumulada en la clase anterior i-sima
hi = Frecuencia Relativa en la clase que contiene a la mediana
c =Tamao del intervalo de clase.
Ejemplo5: Del cuadro N 4 (pesos al nacimiento de llamas variedad Chaku)
La mediana es:
18
Mediana = 7.8
El 50% de los pesos al nacimiento fueron menores a 7.8 kg
Moda.- es el dato que posee la mayor frecuencia. En caso de empates pueden darse varias
modas. Puede no existir o existir ms de una moda, y se utiliza para analizar tanto la
informacin cualitativa como la cuantitativa
Ejemplo6: De los 32 nacimientos registrados en las llamas variedad Chaku
5.2, 10.2, 7.0, 7.1, 10.2, 8.3, 9.4, 9.2, 6.5, 7.1, 6.6, 7.8, 6.8, 7.2, 8.4, 9.6, 8.5, 5.7,
6.4, 10.1, 8.2, 9.0, 7.8, 8.2, 5.3, 6.2, 9.1, 8.6, 7.0, 7.7, 8.3, 7.5
Se observa que el dato que ocurre con mayor frecuencia es el 7.1 (aparece 02 veces),
siendo este el valor de la moda
Donde: d1=(fi - fi-1) y d1=(fi - fi+1)
fi=Valor de la mayor frecuencia
Ejemplo7. De los pesos al nacimiento de llamas variedad Chaku (cuadro N 4)

d1= 9-5 = 4
d2= 9-7 = 2
c= 0.9 = Tamao de Intervalo de Clase
La moda es:
a.2. Medidas de localizacin o cuantiles

Solo tienen en cuenta la posicin de los valores en la muestra. Casos particulares de
cuantiles son los cuartiles, los percentiles y los deciles (estos ltimos dividen la muestra
ordenada en 10 partes).
Los cuartiles Q1,Q2 y Q3, son tres valores que dividen a la distribucin en cuatro partes
iguales. El primer cuartil tiene un 25% de casos menores o iguales que dicho valor; el
segundo cuartil coincide con la mediana y el tercer cuartil deja un 25% de valores
superiores o iguales a l. Los deciles y percentiles dividen a la distribucin en diez y cien
partes iguales, respectivamente.
19
b. Medidas de dispersin
Miden el grado de variabilidad o dispersin de los datos respecto a la media; es decir cuan lejos
o distantes se encuentran los datos en torno a la media.
Rango o amplitud que es la diferencia entre el mayor y el menor valor de la muestra.
Sean los valores: (x1 x2 x3 ... xn ), la amplitud o rango de estos datos es A=(Xmax-Xmin)
Varianza (S2) que mide el alejamiento medio de las diferencias al cuadrado de cada
observacin a la media. Se estima como:
n
n 2
( x ) 2
2
x i nx 2
i
2
( xi x)
xi
n
S2 i 1
i 1
n 1
n 1
n 1
Ejemplo8: Calcular la variancia de los cuatro datos siguientes (Xi: 3, 4, 6 y 7 )

La variancia de los valores: (x1 x2 x3 ... xk ) que ocurren con las frecuencias (f 1 f2 ... fk ) es:
Ejemplo9: De los pesos al nacimiento de Llamas variedad Chaku

Intervalo
Xi
fi
fiXi
fiXi2
[5.2 - 6.1[
[6.1 - 7.0[
[7.0 - 7.9[
[7.9 - 8.8[
[8.8 - 9.7[
[9.7 - 10.6[
Total
5.65
6.55
7.45
8.35
9.25
10.15
3
5
9
7
5
3
32
16.95
32.75
67.05
58.45
46.25
30.45
251.9
95.7675
214.5125
499.5225
488.0575
427.8125
309.0675
2034.74
20
Desviacin tpica o estndar (s) est medida en las mismas unidades que la variable y es
la raz cuadrada de la varianza.
Coeficiente de variacin de Pearson es una medida de dispersin relativa. Es el cociente

entre la desviacin tpica y el valor absoluto de la media. Carece de unidades y se usa para
comparar la dispersin entre variables que tengan distintas unidades de medida. Se suele
expresar en tantos por ciento.
En el ejemplo anterior el coeficiente de variabilidad es:
c. Medidas de forma
c.1. Asimetra
El coeficiente de asimetra de una variable mide el grado de asimetra de la distribucin de
sus datos en torno a su media. Su objetivo es expresar mediante un valor la forma simtrica
o asimtrica de la distribucin. Es adimensional
Grado de Asimetra
Simetra Perfecta Cero.
Sesgo Positivo Positivo.
Sesgo Negativo Negativo.
Valor del Sesgo

El promedio es igual a la mediana
Promedio mayor que la mediana
Promedio menor que mediana
En el ejemplo sobre los peso al nacimiento de Llamas variedad Chaku el promedio es 7.87,
la mediana es 7.80, y la desviacin estndar 1.293. Por tanto, el sesgo es ligeramente
positivo +0.16
21
Asimtrica a derecha
(Promedio>Mediana)
Simtrica
Promedio=Mediana
Asimtrica a Izquierda
Promedio<Mediana
c.2. Curtosis
Mide el grado de apuntamiento de la distribucin, el cual esta relacionado con la
concentracin de los valores que toma en torno a su media. Se elige como referencia una
variable con distribucin normal, de tal modo que para ella el coeficiente de apuntamiento es
0.
Segn su apuntamiento, una variable puede ser:

Leptocrtica, si Ap > 0, es decir, es mas apuntada que la normal. Los valores que toma la
variable estn muy concentrados en torno a su media y hay pocos valores extremos.
Mesocrtica, si Ap = 0, es decir, es tan apuntada como la normal.
Platicrtica, si Ap < 0, es decir, es menos apuntada que la normal. Hay muchos valores
extremos, las colas de la variable son muy pesadas.
Recuerde:
Dependiendo del tipo de variable cuantitativa (continua o discreta) y de la manera como
presenten los datos (agrupados o no agrupados) se establece el modo en la cual sern
calculados las medidas de resumen.
22
PRACTICA N 2
ANALISIS DESCRIPTIVO DE DATOS CUANTITATIVOS I
(MEDIDAS DE RESUMEN I: Media, Mediana y Moda)
Datos no agrupados
Ejercicio N 1: Se tienen los siguientes pesos de pavos de carne (kg.) de la lnea Nicholas hybrid
medido a las 16 semanas de edad:
11.5, 12.5, 10.8, 14.0, 11.8, 12.0, 10.8, 12.5, 13.2, 11.8, 10.6, 13.4, 12.2, 13.4
Encuentre: La media, la mediana y la moda
Ejercicio N 2: Se disponen de los siguientes pesos de velln (kg.) de carnerillos de la raza Junn
(kg.) obtenidos despus de 01 de crecimiento:
4.5, 3.8, 4.8, 4.0, 3.6, 3.5, 3.6, 4.1, 5.0, 4.8, 3.4, 3.7, 3.2, 4.3, 4.7
Ejercicio N 3: En una granja de gallinas de postura de la lnea Isa Brown se dispuso del registro de
produccin de huevos mensual de 20 gallinas los cuales fueron:
24, 24, 25, 23, 23, 26, 26, 24, 22, 23, 25, 24, 24, 25, 25, 23, 24, 25, 22, 26, 23, 24, 23,
25, 25, 24, 22, 24, 25, 23
Encuentre: La media, la mediana y la moda (use tabla de frecuencias)
23
Ejercicio N 4: Se trata de un estudio realizado en cuyes hembras de genotipo Per para observar
la frecuencia de cras nacidas (tamao de camada). Para tal efecto se recabo la informacin de 20
cuyes hembra empadradas obtenindose el siguiente resultado:
empadrada
N de cras
nacidas
Frecuencia
Absoluta
fi
0
1
2
3
4
1
4
7
6
2
Total
20
Fuente: INIA (2007)

Datos agrupados
Ejercicio N 5: Se cuenta con la informacin de peso vivo (kg.) de pollos de carne de la lnea Cobb
500 a las 7 semanas de edad:
24
Cuadro 3. Distribucin de frecuencias de los peso vivos (kg.) de pollos de carne de la lnea
Cobb 500
Intervalos (Ii)
(kg. de leche)
Frecuencias
Marca
de clase Absoluta Acumulada
(Xi)
(fi)
(Fi)
[2.0 - 2.2[
[2.2 - 2.4[
[2.4 - 2.6[
[2.6 - 2.8[
[2.8 - 3.0[
[3.0 - 3.2[
Total
4
8
18
24
12
6
72
Fuente: San Clemente (2006)

Ejercicio N 6: Se trata de un establo lechero bajo crianza intensiva en la cual se registro la

produccin de leche (kg.) en vacas Holstein en un momento dado. Para tal efecto se midi la
produccin diaria de 45 vacas en fase de produccin, obtenindose el siguiente resultado:
Cuadro 3. Distribucin de frecuencias de la produccin de leche (kg.) de Vacas Holstein bajo
crianza intensiva
Intervalos (Ii)
(kg. de leche)
[26 - 34[
Frecuencias
Marca
(Xi)
(fi)
(Fi)
1
25
[34 - 42[
[42 - 50[
[50 - 58[
[58 - 66[
[66 - 74[
[74 - 82[
[82 - 90]
Total

2
4
10
16
8
3
1
45

26
PRACTICA N 3
ANALISIS DESCRIPTIVO DE DATOS CUANTITATIVOS II
(MEDIDAS DE RESUMEN II: Varianza, desviacin estndar y coeficiente de
variacin)
Datos no agrupados
Ejercicio N 1: Se tienen los siguientes pesos de pavos de carne (kg.) de la lnea Nicholas hybrid
medido a las 16 semanas de edad:
11.5, 12.5, 10.8, 14.0, 11.8, 12.0, 10.8, 12.5, 13.2, 11.8, 10.6, 13.4, 12.2, 13.4
Encuentre: La desviacin media, varianza, desviacin estndar y el coeficiente de variacin
Ejercicio N 2: Se disponen de los siguientes pesos de velln (kg.) de carnerillos de la raza Junn
(kg.) obtenidos despus de 01 de crecimiento:
4.5, 3.8, 4.8, 4.0, 3.6, 3.5, 3.6, 4.1, 5.0, 4.8, 3.4, 3.7, 3.2, 4.3, 4.7
Ejercicio N 3: En una granja de gallinas de postura de la lnea Isa Brown se dispuso del registro de
produccin de huevos mensual de 20 gallinas los cuales fueron:
24, 24, 25, 23, 23, 26, 26, 24, 22, 23, 25, 24, 24, 25, 25, 23, 24, 25, 22, 26, 23, 24, 23,
25, 25, 24, 22, 24, 25, 23
Encuentre: La desviacin media, varianza, desviacin estndar y el coeficiente de variacin (use
tabla de frecuencias)
27
Ejercicio N 4: Se trata de un estudio realizado en cuyes hembras de genotipo Per para observar
la frecuencia de cras nacidas (tamao de camada). Para tal efecto se recabo la informacin de 20
cuyes hembra empadradas obtenindose el siguiente resultado:
empadrada
N de cras
nacidas
Frecuencia
Absoluta
fi
0
1
2
3
4
1
4
7
6
2
Total
20
Fuente: INIA (2007)

Encuentre: La desviacin media, la varianza, desviacin estndar y el coeficiente de variacin
Datos agrupados
28
Ejercicio N 5: Se cuenta con la informacin de peso vivo (kg.) de pollos de carne de la lnea Cobb
500 a las 7 semanas de edad:
Cuadro 3. Distribucin de frecuencias de los peso vivos (kg.) de pollos de carne de la lnea
Cobb 500
Intervalos (Ii)
(kg. de leche)
Frecuencias
Marca
(Xi)
(fi)
(Fi)
[2.0 - 2.2[
[2.2 - 2.4[
[2.4 - 2.6[
[2.6 - 2.8[
[2.8 - 3.0[
[3.0 - 3.2[
Total
4
8
18
24
12
6
72
Fuente: San Clemente (2006)

Ejercicio N 6: Se trata de un establo lechero bajo crianza intensiva en la cual se registro la

produccin de leche (kg.) en vacas Holstein en un momento dado. Para tal efecto se midi la
produccin diaria de 45 vacas en fase de produccin, obtenindose el siguiente resultado:
Cuadro 3. Distribucin de frecuencias de la produccin de leche (kg.) de Vacas Holstein bajo
crianza intensiva
Intervalos (Ii)
(kg. de leche)
[26 - 34[
[34 - 42[
Frecuencias
Marca
(Xi)
(fi)
(Fi)
1
2
29
[42 - 50[
[50 - 58[
[58 - 66[
[66 - 74[
[74 - 82[
[82 - 90]
Total

4
10
16
8
3
1
45

Encuentre: La varianza, desviacin estndar y el coeficiente de variacin
30
CAPITULO III
PROBABILIDADES
Las probabilidades constituyen como una especie de puente entre la estadstica descriptiva y la
estadstica inferencial; es decir proporciona las bases para la inferencia estadstica.
Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos experimentos
llamados aleatorios, o sea regidos por el azar, en que se conocen todos los resultados posibles,
pero no es posible tener certeza de cul ser en particular el resultado del experimento.
Ejemplo el sexo de la cra, el nmero de cras nacidas, etc.
Probabilidad.- Posibilidad de que suceda un evento o no dentro de un experimento aleatorio en un
tiempo y un espacio muestral definido.
Experimento aleatorio.- Es todo proceso que se puede repetir indefinidamente obtenindose
resultados imprevisibles.
Espacio muestral.- Conjunto de valores formado por todos los posibles resultados de un
experimento ().
Ejemplo: Al lanzar dos monedas, el espacio muestral es:
= {(c,c), (c,s), (s,c), (s,s)}.
Grupo sanguneo de un individuo = {A, B, AB, 0}.
Evento.- o suceso de un experimento aleatorio, es cualquier sub conjunto del espacio muestral
A = {{(c,c)}
La probabilidad de ocurrencia (o no ocurrencia) de un evento o suceso (A), siendo A un sub
conjunto del espacio muestral () se define como:
P(A) = Casos favorables
= N de elementos de A
Casos posible N de elementos de
Ejemplo1:
En los primeros 3 alumbramientos de una vaca Holstein Cul es la probabilidad de 2 cras sean
hembras?
31
La probabilidad de ocurrencia de un evento puede denotarse como p y la de no ocurrencia como q

Ambos eventos son mutuamente excluyentes; es decir solo puede ocurrir uno de los dos, peso
nunca los dos juntos. Por tanto la suma de probabilidades de los dos eventos es igual a
1: p +q = 1
De manera que la probabilidad de no ocurrencia de un suceso es: q = 1 - p
Eventos mutuamente excluyentes
Dos o ms eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir simultneamente.
Es decir, la ocurrencia de un evento impide automticamente la ocurrencia del otro
evento (o eventos). El enunciado es con la conjuncin o
Este tipo de eventos da lugar a una probabilidad total: Sea P(A), P(B) sucesos mutuamente
excluyentes: La probabilidad total ser: P(A B) = P(A) + P(B)
Ejemplo2: Al lanzar una moneda solo puede ocurrir que salga cara o sello pero no los dos a la
vez, esto quiere decir que estos eventos son excluyentes.
Ejemplo3: En un granja de cuyes existen 240 cuyes de tipo I, 40 cuyes tipo II, 25 cuyes tipo III, y
30 cuyes tipo IV Cual es la probabilidad obtener un cuy tipo III o tipo IV?
Reglas de la Adicin
La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y
B es igual a:
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente (Probabilidad total)
Siendo: P(A) = probabilidad de ocurrencia del evento A
P(B) = probabilidad de ocurrencia del evento B
Eventos Independientes
Dos o ms eventos son independientes cuando la ocurrencia (o no-ocurrencia) de un evento no
tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). El
enunciado suele hacerse con la conjuncin y.
Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la
muestra se regresa de nuevo a la poblacin donde se obtuvo.
32
Ejemplo4: Lanzar al aire dos veces una moneda son eventos independientes por que el resultado
del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o
sello, en el segundo lanzamiento.
Ejemplo5: En los primeros 3 alumbramientos de una vaca Holstein Cul es la probabilidad de que
la 1era y 2da cra sean hembras (las dos primeras cras sean hembras)?
Eventos dependientes (probabilidad condicional)

Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta
la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos
entonces, el concepto de probabilidad condicional para denominar la probabilidad
del evento relacionado.
La expresin P(A/B) indica la probabilidad de ocurrencia del evento A s el evento B ya ocurri.
P(A/B) = P(A y B)/P(B)
P(B/A) = P(A y B)/P(A)
Reglas de Multiplicacin
Se relacionan con la determinacin de la ocurrencia conjunta de dos o ms eventos. Es decir, la
interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir
que la probabilidad de que ocurran conjuntamente los eventos A y B es:
P(A y B) = P(A).P(B) si A y B son independientes
P(A y B) = P(A).P(B/A) si A y B son dependientes
CAPITULO IV
DISTRIBUCIONES DE PROBABILIDAD
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento. Una distribucin de probabilidad es similar a la distribucin de
frecuencias relativas. Si embargo, en vez de describir el pasado, describe la probabilidad que un
evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto
que se puede disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales.
Variable aleatoria.- Una variable se dice que es aleatoria, si los posibles valores que puede tomar
son determinados por el azar. En otras palabras se sabe qu valores puede tomar la variable pero
no se tiene certeza de su ocurrencia, slo se sabe que puede ocurrir con una cierta probabilidad.
Ejemplo1: En una granja avcola donde intempestivamente se presente la enfermedad de coriza
infecciosa, se sabe que un ave cualesquiera puede enfermar o no (eventos), pero no se sabe cul
de los dos eventos va a ocurrir.
33
Las variables aleatorias se clasifican:

1.
Discretas: aquellas que resultan de contar el nmero de casos en los que el evento de
inters ocurre, por ejemplo: numero de cras nacidas por parto en perras, nmero de animales
que enferman de clera porcino en una granja.
2.
Continuas: Toman infinitos valores dentro de un rango permitido, generndose una

distribucin de probabilidades continuas. Resultan producto de una medicin, por ejemplo: el
peso, el nivel de hemoglobina, etc.
Ejemplo2: Si lanzamos 3 monedas al aire y X es el nmero de caras que salen, los valores que
toma X son 0, 1, 2 y 3.
Ejemplo3: Si de una camada de 6 cachorros se cuenta el n de hembras que se obtienen la
variable aleatoria toma los valores x =0, 1, 2, 3, 4, 5, 6
Ejemplo4: En una granja de cuyes los niveles hemoglobina sangunea (x) puede ser de x = 12.5
14.6, 13.8,..
Distribucin de probabilidad.- La distribucin de probabilidad de una variable aleatoria es una

manera de modelar la variabilidad o la forma como se distribuyen los valores de la variable. Es
decir, Muestra todos los resultados posibles de un experimento y la probabilidad de cada
resultado.
Por tanto, dependiendo del tipo de variable aleatoria (discreta o continua) las distribuciones de
probabilidad pueden ser continuas y distribuciones de probabilidad continuas
Algunas de las distribuciones de probabilidad que tienen aplicaciones estadsticas importantes son:
Discretas:
Bernoulli
Binomial
Geomtrica
Pascal
Hipergeomtrica
Poisson
Continuas.
Uniforme
Normal
Gamma
Exponencial
Chi-cuadrado
t-estudent y F-Sneidecor
Las distribuciones ms frecuentemente utilizadas en la investigacin adems de la distribucin

Normal y la Binomial, son la F de Snedecor, la t de Student y la Ji-Cuadrado, entre otras.
Cmo se genera una distribucin de probabilidad?
Supongamos que se quiere saber el numero de caras que se obtienen al lanzar 04 veces una
moneda al aire? Los posibles resultados son: cero caras, una cara, dos caras, tres caras y cuatro
caras. Si realizamos el experimento obtenemos el siguiente espacio muestral:
cccc, cccs, c csc, ccss, csc c, csc s, cssc, csss, sccc, sccs, s csc, scss, sscc, sscs, sssc, ssss
34
n() 16
Numero de Frecuencia Distribucin de Probabilidades
caras
0
1
2
3
4
1
4
6
4
1
1/16
4/16
6/16
4/16
1/16
Funcin de probabilidad y de distribucin.-Una funcin de probabilidad no es ms que la

asignacin a cada valor de la variable de la probabilidad que le corresponde. Es decir:
La funcin de probabilidad se define as: f(xi)= P(X=xi)
En el ejemplo anterior f(2)= P(x=2) = Probabilidad que salga 02 caras es 6/16
Distribuciones de Probabilidad Discretas

Distribucin Binomial
Es una de las ms usadas en estadstica y se basada en el proceso de Bernoulli, el cual consistente
en una serie de pruebas repetidas, caracterizadas por tener resultados que se pueden clasificar en
si verifican o no cierta propiedad o atributo, siendo aleatorios e independientes. Se deben verificar
tres condiciones:
Resultados dicotmicos: Los resultados de cada prueba se pueden clasificar en xito (p) si
verifican cierta condicin, o fracaso (q) en el caso contrario.
Independencia de las pruebas: El resultado de una prueba cualquiera es independiente del
resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente.
Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un xito se
mantiene constante a lo largo de toda la serie de pruebas.
Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente r
xitos, en una serie de n pruebas, con una probabilidad de xito p, se puede aplicar la frmula de la
probabilidad binomial:
P( X x) C xn p x q n x C xn p x (1 p ) n x
Donde:
p: Probabilidad de xito de cada ensayo.
n: Nmero de ensayos.
x: Nmero de xitos.,
x = 0, 1, 2, , n.
La media
= np
35
La varianza
2 = np(1-p)
Ejemplo1: Sea el caso de una droga X, con una dosis mortal de 1g/100 ml para cobayos
experimentales, en el 25% de los casos. Aplicando esta dosis a cien cobayos se desea saber
cuanto vale la probabilidad de que mueran veinte de ellos.
Primero analizaremos si este caso cumple los supuestos bsicos de una distribucin binomial:
Los cobayos mueren (xito) o sobreviven (fracaso).

Que un cobayo muera con la dosis, no significa que lo har el siguiente (independencia)
pues no se trata de una epidemia.
La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p =
0,25).
Entonces, como si cumple los supuestos bsicos, aplicamos la formula:
100
(0.25) 20 (1 0.25)100 20 0.04902 4.9%
20
P ( x 20)
Distribucin Poisson
Esta distribucin es una forma lmite de la distribucin binomial, cuando la probabilidad de xito es
muy pequea y n es grande, por eso muchos la llaman: la binomial de los sucesos raros. A esta
distribucin se llama Ley de eventos improbables, lo cual significa que la probabilidad de p es bien
pequea. La expresin para modelar la probabilidad de ocurrencia de un evento poisson es:
P( x)
xe
x!
Donde:
: Media del nmero de ocurrencias.
: Constante de Euler (2.71828)
x : Nmero de ocurrencias,
X = 0, 1, 2, ., n
La media es np
2
La varianza es np .
Son eventos de este tipo las muertes por el sndrome de muerte sbitas en pollos de carne, la
presentacin de ojos zarcos en alpacas, ojos rojos en cuyes, etc.
Ejemplo de aplicacin:
una empresa productora de lneas genticas de pollos de carne reporta de la lnea Avelin 520 una
media de 8.6 muertes sbitas por campaa. Para efectos de ajuste d el alinea gentica, la empresa
desea saber cual es la probabilidad de que en cualquier campaa no ocurra muertes sbitas.
P ( x 0)
( 2.71828) 8.6 8.6 0

0.00018411 0.0184%
0!
36
Practica N 04
Probabilidades y Distribuciones de Probabilidad de Variables Discretas
(Binomial y Poisson)
1. Un centro de engorde posee una poblacin de 35 vacunos mejorados, 140 vacunos criollos y 60
cebuinos. Suponiendo que todos vacunos tienen iguales posibilidades de ganancia de peso.
a) Cules la probabilidad de que el primer vacuno beneficiado sea Ceb?
b) Cul es la probabilidad de que el primer vacuno vendido sea Cebu o mejorado?
c) Cul es la probabilidad de que dos vacunos vendidos sean mejorados?
d) Cul es la probabilidad de que de 3 vacunos vendidos 1 sea Ceb y 2 sean mejorados?
37
2. Suponiendo que una poblacin de cuyes esta compuesta por 620 cuyes Per, 560 Andina, 380
Inti, son igualmente susceptibles a morir por salmonelosis:
a) Cul es la probabilidad de que un cuy muerto por dicha enfermedad pertenezca al

genotipo Andina?
b) Cul es la probabilidad de que mueran 10 cuyes Andina?
c) Cual es la probabilidad de que de 30 casos de muerte registrados, 10 sean del genotipo

Per?
d) Cual es la probabilidad de que de 50 casos de muerte registrados, 15 sean Per, y 35

sean Inti?
3. Sea los casos de incidencia de casos clnicos a la enfermedad de coccidiosis en aves de

traspatio y su relacin con el uso de coccidiostato como medida profilctica
Medida profilctica
No usa coccidiostato
Si uso de coccidiostato
Total
Incidencia de la enfermedad
Casos clnicos
Casos no clnicos
38
102
12
120
50
222
Total
140
132
272
a) Calcule la probabilidad de que un ave de traspatio genere la enfermedad pese a estar

condicionado al uso de coccidiostato
b) Cual es la probabilidad de que un ave de traspatio genere la enfermedad por el hecho de no

estar sujeto al uso de coccidiostato
38
c) Que probabilidad existe de que un ave no manifieste la enfermedad por el hecho de haber
usado el coccidiostato
4. En ganadera vacuna de carne se desea obtener mayor porcentaje de machos, puesto que
estos responden mejor al engorde, siendo as:
a) Cual es la probabilidad de que una vaca Hereford genere 3 machos de un total de 5 partos
previstos?
b) Cul es la probabilidad que las 2 primeras cras nacidas sean machos de un total de 3
partos previstos?
5. Cul es la probabilidad de que en una camada de 8 cachorros, 3 sean machos?.
6. Si la probabilidad de abortos en conejas gestantes es del 8%. Si se seleccionan al azar 30

conejas preadas:
a) Cul es la probabilidad de que ninguna aborte?
b) Cul es la probabilidad de que 4 aborten?
39
7. En un rebao de alpacas en promedio se registra 2 casos de animales polidctylos anualmente:

a) Calcule la probabilidad de que en el periodo de un ao no se reporten casos de polidactylia
b) Calcule la probabilidad de que en el periodo de 3 aos se reporten 10 casos de polidactylia
c) Calcule la probabilidad de que en el periodo de un ao se reporten menos de 3 casos de

polidactylia
8. En un galpn de cuyes cada ao se registran en promedio 4 camadas supernumerosas (ms de

6 cras/parto)
a) Calcule la probabilidad de que en el periodo de 2 aos se reporten 5 casos de camadas
supernumerosas
b) Calcule la probabilidad de que en el periodo de seis meses no se reporten casos de

camadas supernumeras
40
Distribuciones de Probabilidad Continuas

Distribucin Normal
En muchas distribuciones de probabilidad de las variables cuantitativas se observa una tendencia
de los valores alrededor de la media y menos observaciones a medida que nos acercamos a los
extremos del rango de valores. Si el nmero de observaciones es grande la distribucin adopta una
forma de campana: campana de Gauss o distribucin Normal.
La distribucin normal es la ms utilizada porque la mayora de las variables relacionadas con
fenmenos biolgicos y sociales tienen o se ajustan a este tipo de distribucin. Su grafica tiene
forma de una campana y es simtrica con respecto a su media y puede ser modelada mediante la
siguiente funcin de densidad:
Siendo: y son los parmetros del modelo y corresponden a la media y a la desviacin estndar,
respectivamente
Distribucin Normal estndar
Cuando se hace que =0 y =1, se produce la estandarizacin de la curva normal a una estndar o
tpica, donde la nueva variable aleatoria Z puede adoptar tanto valores positivos como negativos.
Ejemplo: Supongamos que observamos una caracterstica que sigue una distribucin normal con =
50 y 2 = 81 ( =9), siendo su notacin N(50,9).
Nuestro objetivo es conocer cul es la probabilidad de que una observacin obtenida al azar tome
un valor mayor a 63. Mediante la estandarizacin obtendramos:
41
De modo que P (X > 63) = P [(X 50)/9 > (63 50)/9)] = P (Z > 1,4) = 1 P (Z 1,4)= 0.925
Distribucin T-Student
La distribucin de la t de Student es una distribucin de probabilidad terica, muy similar a la
distribucin normal estndar. Uno de los parmetros necesarios en la distribucin normal es la
desviacin estndar poblacional, pero en el caso de no disponer de ella, puede utilizarse la
desviacin estndar muestral
Esta distribucin se diferencia de la distribucin normal ya que en ella aparece un parmetro,
llamado grados de libertad (k). Esto significa que para cada medida de la muestra n, en realidad
tenemos una distribucin diferente.
La distribucin t-student surge del problema de estimar la media de una poblacin normalmente
distribuida cuando el tamao de la muestra es pequeo. Asimismo cuando la desviacin tpica (o
estndar) de una poblacin se desconoce y se desea ser estimada a partir de los datos de una
muestra.
La forma de la grafica de la funcin de densidad t-student es semejante a la distribucin normal
estndar
Donde: = 0 y 2 = n /(n-2), para n >2

No hay una sola distribucin t, sino una "familia" de distribuciones t, todas con la misma media cero,
pero con su respectiva desviacin estndar diferente segn el tamao de la muestra n
Caractersticas:
42
* Es simtrica respecto al 0 y se extienden desde menos infinito a ms infinito.

* Cuanto mayor es el nmero de df, ms se aproxima la distribucin t de Student a la distribucin
normal (0,1).
* Puede considerarse aproximar la tk por una normal estndar para n>100.
Generalmente, este modelo se aplica al caso de la media, proporciones y sus diferencias o sumas.
Para una estimacin con 30 o ms grados de libertad, se pueden usar tanto el modelo de Gauss,
como el de Student, aunque los intervalos obtenidos con Student son ms anchos que sus
equivalentes gaussianos. Los casos ms frecuentes en la prctica son:
Cuadro N Clculo de diferentes estadsticos donde se usa la distribucin t de Student
Prueba
Utilidad
T de Student para
medias muestrales
Comparar una variable continua con un

valor de referencia. Ejemplo: Es el
peso medio de mi muestra igual a 70
Kg?
Comparar una variable proporcin
muestral con un valor porcentual de
referencia.
Ejemplo: El 60% de los pacientes de
mi muestra son diabticos?
Comparar dos muestras de variables
continuas aleatorias e independientes.
Ejemplo: Los niveles de creatinina
obtenidos con el tratamiento A son
iguales a los obtenidos con el
tratamiento B?
Comparar
dos
proporciones
provenientes de variables aleatorias e
independientes.
Ejemplo: La proporcin de pacientes
curados es la misma para el tratamiento
A y para el B?
Comparar dos muestras de variables
continuas
aleatorias
relacionadas.
Ejemplo: Existen cambios en los
valores de creatinina tras 3 meses de
ser dializados?
T de Student
para proporciones
T de Student
para dos muestras
independientes
T de Student
para dos proporciones
T de Student
para dos muestras
apareadas
Clculo del Estadstico
43
44
Practica N 05
Distribucin de Probabilidad de Variables Continuas I (Normal y T-Student)
Distribucin Normal
1. Siendo Z una variable aleatoria normal estandarizada, hallar:
a) P (Z 2), b) P (0 Z 2), c) P (0 Z 2.57), d) P (-1 Z +1), e) P (-2 Z +1)
2. Sea X una variable aleatoria que se distribuye normalmente con media 12 y varianza 4.
Hallar P(10 X 14)
3. El peso vivo (kg.) de una poblacin de ovinos de la raza Hampshire bajo crianza estabulada
estn distribuidos normalmente con media=50 y varianza =25. Si se elige un animal al azar:
a) Cul es la probabilidad de que su peso se encuentre entre 40 y 60 kg.
b) Hallar el valor de a para el cual la probabilidad de que un peso sea menor o igual que
a sea 0.20.
45
4. Una poblacin de gallinas de postura de la linea Hy line Brown, durante su pico mximo de
produccin registra una media de 1.45 kg. de huevo mensual con un desvi estndar de 0.2
kg.
a) Cul es la probabilidad de que la produccin de huevos supere el 1.5 kg. mensual?
b) Qu proporcin de gallinas deberan de descartarse si el criterio seria eliminar a aquellas

gallinas que ponen por debajo de 1.3 kg mensual?.
c) Si por mejorar en la calidad de la dieta, las gallinas logran registrar una media de 1.55 kg de
huevos mensual, Cuanto debera ser la desviacin estndar para que el 30% de las
gallinas supere el 1.6 kg. de huevos por mes?
T- Student
5. Si X tiene distribucin t-student con 18 grados de libertad, hallar:
a) P(X 2.101), b) P(X > 1.734), c) P(X -2.878), d) P(-1.330 X 2.552), e) P(X 2)
46
6. Si X tienen distribucin t-student con 10 grados de libertad hallar el valor de c talque:

a) P(X c)=0.995, b) P(X c)=0.05, c) P(X > c)=0.01, d) P(-c X c)=0.95, e) P(X c)=0.92
47
Distribucin Chi-Cuadrado
Esta distribucin de probabilidad, a diferencia de las dos anteriores, no es simtrica respecto el valor
0, sino que es asimtrica positiva, es decir, solo toma valores positivos. Como en la distribucin t de
Student depende de los gados de libertad. Se denota como X2 con n grados de libertad. Esta
distribucin se hace ms simtrica al aumentar los grados de libertad.
La prueba X2 asociada a dicha distribucin se utiliza para comparar variables de tipo ordinal o
nominal, lo que es lo mismo, comparaciones de frecuencias observadas contra las frecuencias
esperadas, con datos de recuento.
La distribucin de probabilidad Chi-Cuadrado esta asociado a una variable aleatoria continua con
valores positivos mayor o igual a cero (X2 0), con curva asimtrica hacia la derecha
Fundamento:
Si
X=
Z 1 , Z 2 ,........, Z n
son v.a. que siguen una distribucin normal tipificada N (0,1), entonces
Z 12 Z 22 + ........ Z n2
sigue una distribucin
n2
. ,siendo K los grados de libertad: K= n-1
Existe una curva para cada valor de grado de libertad n-1. Su media es igual a su grado de libertad
(n-1) y su varianza es el doble 2(n-1).
Caractersticas:
La curva tiene asimetra hacia la derecha.

Nunca adopta valores menores de 0 (negativos).
Esta caracterizada por un parmetro llamado grados de libertad (gl).
Se trata de una familia de curvas, en funcin a los grados de libertad; es decir, hay una
distribucin chi-cuadrado con 1 gl, una distribucin chi-cuadrado con 2 gl, etc.
A medida que aumentan los grados de libertad, la distribucin se hace ms y ms simtrica.
Aplicaciones tiene la Distribucin Chi-cuadrado

* Pruebas de bondad de ajuste (si los eventos de una muestra se ajustan a valores tericos
esperados de una poblacin)
* Prueba de independencia (si un evento dado depende de otro), entre otras aplicaciones.
48
Pruebas de bondad de ajuste

X2 (k-1, ) =
Pruebas de independencia
X 2 (k-1).(m-1), ) =
Donde:
k-1, m-1 = grados de libertad
Oi = Valor observado en la i-esimo nivel de la variable
ei = Valor esperado en la i-esimo nivel de la variable
Oij = Valor observado en la i-esimo nivel de la variable 1 con el j-esimo nivel de la variable 2
eij = Valor esperado en la i-esimo nivel de la variable 1 con el j-esimo nivel de la variable 2
Distribucin F de Snedecor
Principalmente esta distribucin de probabilidad se caracteriza por ser totalmente asimtrica y

depender de dos parmetros o grados de libertad. Si de dos poblaciones normales, o
aproximadamente normales, se extraen dos muestras aleatorias e independientes, y a cada una se
le calcula su respectiva varianza, el cociente de ambos valores F tendr una distribucin de Fisher.
Esta tabla se caracteriza por tener dos grados de libertad: el correspondiente al numerador n 1 - 1 y
el del denominador n2 - 1.
La Distribucin F.- es una distribucin de probabilidad continua. Se construye como cociente de
dos variables de distribucin Chi-cuadrada:
f x
La media y la varianza son:
12 / v1 n1 1 S12 / 12 n1 1 S12 / 12
F 2
2 / v 2 n2 1 S 22 / 22 n2 1 S 22 / 22
; para
; para
La aplicacin principal para la cual se desarroll la distribucin F es la comparacin de dos

varianzas (de poblaciones normales). La distribucin F aparece frecuentemente en el anlisis de
varianza . Algunas de sus aplicaciones son:
Si dos muestras provienen de poblaciones que poseen varianzas iguales.

Para determinar si una poblacin normal tiene una mayor variacin que la otra
Cuando se trata de comparar simultneamente varias medias poblacionales.
49
Algunas de sus caractersticas son:
Es una distribucin continua

Nunca adopta valores menores de 0
Es asimtrica positiva (tiene una apariencia muy similar a la distribucin ji-cuadrada)
Es una familia de curvas, en funcin de los llamados grados de libertad del numerador y
del denominador.
Se emplea en el Anlisis de Varianza, entre otros
50
PRACTICA N 06
DISTRIBUCIN DE PROBABILIDAD DE VARIABLES CONTINUAS II (CHICUADRADO Y F DE SNEIDECOR)
Distribucin Chi-Cuadrado y sus Aplicaciones
1. Encuentre las siguientes probabilidades:
a) La probabilidad de que una variable estadstica chi-cuadrado de 6 grados de libertad sea
mayor que 3.4 P ( x26 >3.4)
b) La probabilidad de que una variable aleatoria chi-cuadrado de 8 grados de libertad este

comprendida entre 6.4 y 9.6 (6.4< x28 <9.6)
c) La probabilidad de que una variable aleatoria chi-cuadrado de 5 grados de libertad sea

menor que 1.75 P ( x25 <1.75)
d) Si x X25, hallar a de tal modo que P ( x a) = 0.05
51
2. Un laboratorio de productos veterinarios desea evaluar la eficacia de un nuevo producto

antiparasitario referente a uno de uso convencional y que se supone ha generado
resistencia por su uso prolongado y cotidiano. Para ello se realiza un experimento biolgico
en un total de 120 ovinos, recibiendo la mitad el nuevo producto. Despus de un periodo de
evaluacin se realizaron los exmenes coprolgicos respectivos. Se podra afirmar que
hubo una mayor eficacia del nuevo frmaco en relacin al de uso convencional?. Use
=0.05
Resultados
Positivos
Negativos
Sub total
Tipo de Medicamento
Nuevo antiparasitario
Antiparasitario convencional
12
23
48
37
60
60
Sub total
35
85
120
3. De un total de 260 descendientes cruzados se observaron 70 cuyes negros 134 bayos y 56

blancos. Suponiendo que el carcter color de pelaje es de herencia intermedia y que tanto
las madres y los padres son heterocigotos. Probar si las cantidades observadas se ajustan
a la proporcin esperada.
52
4. Se ha conducido un experimento para determinar el nivel de resistencia a la salmonelosis

en tres genotipos de cuyes. Para ello, se expuso a cierto grupo de animales en fase de
recra cepas virulentas de Salmonella Tiphymurium, registrndose despus de cierto
periodo de observacin los animales vivos y muertos. se podr afirmar que hubo
diferencias en el nivel de resistencia de los grupos genticos evaluados?. Use = 0.05
Resultados
Vivos
Muertos
Sub total
Per
12
34
46
Grupo Gentico
Inti
9
29
38
Sub total
Per x Inti
23
31
54
44
94
138
5. Se quiere saber si el sistema de ordeo esta relacionado con la manifestacin de mastitis

clnica en vacunos lecheros. Para ello se conduce un estudio de campo recabndose
informacin en un total de 368 vacas ordeadas bajo diferentes sistemas de ordeo se
podra afirmar que la presentacin de mastitis clnica esta relacionado con el sistema de
ordeo empleado?. Use = 0.05
Resultados
Con mastitis
Sin mastitis
Sub total
Sistema de ordeo
Manual
Mecnico
54
86
74
154
128
240
Sub total
140
228
368
53
6. Se quiere estudiar la posible asociacin entre el hecho de que una gestante fume durante el
embarazo y que el nio presente bajo peso al nacer. Para responder a esta pregunta se
realiza un estudio de seguimiento a 2000 gestantes, a las que se interroga sobre su hbito
tabaquito durante la gestacin, adems de registrar el peso de los respectivos neonatos.
Se podra afirmar que el bajo peso de los recin nacidos esta influenciado por el hbito
tabquico de las madres gestantes?. Use = 0.05
Habito de la gestante
Fumadora
No fumadora
Sub total
Recin nacidos con bajo peso

Si
No
43
207
105
1645
148
1852
Sub total
250
1,750
2,000
7. Se quiere determinar si la incidencia de cncer heptico en personas adultas esta asociado

con los hbitos de consumo de alcohol. Para ello, se realizo un estudio en un nosocomio
especializado en enfermedades neoplsicas durante un periodo de 3 aos, consultndose a
los pacientes que padecan de cncer heptico sobre su habito al alcohol, obtenindose la
siguiente informacin:
Habito de la gestante
Con cncer heptico
Sin cncer heptico
Sub total
Habito al consumo de alcohol

No bebedor
Bebedor
37
106
49
68
86
174
Sub total
143
117
260
Podremos afirmar que el padecimiento de cncer heptico esta asociado al consumo de

alcohol?. Use = 0.05
54
Distribucin F de Sneidecor y sus Aplicaciones

1. Encontrar el valor de a que define las siguientes probabilidades acumuladas.
a. P (F a) = 0.025 con k1 = 4 y k2= 9
b. P (F a) = 0.95 con k1 = 15 y k2= 10
c.
P (F a) = 0.95 con k1 = 6 y k2= 8
d. P (F 2.62) con k1 = 8 y k2= 20
2. Se tiene indicios de que la variabilidad de los ndices acadmicos tiene relacin con el nivel
de competitividad de los alumnos, siendo indicativo de una mayor competitividad acadmica

una menor variabilidad en los ndices ponderados. En ese sentido, se quiere saber si el
rendimiento acadmico de los alumnos egresados de la Escuela de Medicina Veterinaria en
el ao 2003 fue menor al que se registra en el ao 2007. Para tal efecto, se tomaron al azar
los ndices acadmicos de 24 alumnos de la promocin 2003 y los ndices acadmicos de
26 alumnos de la promocin 2007, obtenindose una varianza de 15.2 y 11.8,
55
respectivamente. Se tendr evidencias suficientes como para decir que el nivel competitivo
fue mayor en el ao 2007?.
3. Se piensa que la variabilidad de los pesos al destete de los lechones depende de la
influencia gentica de la lnea materna utilizada. Por otro lado, la obtencin de lotes
homogneos en peso facilita el manejo de los lechones durante toda la fase de recra y
engorde. Un porcicultor desea incorporar una nueva lnea gentica a su establecimiento
ganadero C-235 que segn indicaciones de la casa gentica producen lechones ms
homogneos en peso que la lnea gentica convencionalmente usada por la granja C-105.
Para tal efecto, el porcicultor antes de iniciar la compre de un importante lote de vientres,
realiza una prueba comparativa entre ambas lneas, reportndose la siguiente informacin:
nC-105 = 12, S2C-105 = 58.5; nC-235 = 7, S2C-235 = 32.8; Existir evidencias suficientes como
para indicar que las varianzas de los peso al destete con menores en la nueva lnea
gentica C-235?. Considere un = 0.01
56
Capitulo V
Estimacin de Parmetros
Los parmetros de una poblacin (, 2, , ) pueden ser estimados mediante:
a) Estimacin puntual. Aqu obtendremos un valor, como estimacin del parmetro. Se estima
mediante estadsticos (X, S2, S, )
b) Estimacin por intervalos de confianza. Aqu obtendremos un intervalo dentro del cual estimamos
(bajo cierta probabilidad) el parmetro.
c) Otros: Momentos, Mnimos Cuadrados, Mxima verosimilitud Restringida (REML), MIVQUEO,
Muestreo de Gibbs.
En el siguiente cuadro observamos los estimadores de los parmetros:
Intervalos de Confianza
Definicin.- Un intervalo de confianza es un rango de valores (calculado a partir de una muestra)
en el cual se encuentra el verdadero valor del parmetro, con una determinada probabilidad.
En lugar de indicar simplemente un nico valor como estimacin del parmetro, el mtodo de
intervalos de confianza ofrece un intervalo de valores donde con cierta probabilidad se encuentra el
verdadero valor del parmetro.
En general un intervalo de confianza se representa como:
P K . K . 1
Donde:
= Es el lmite inferior del intervalo de confianza.
= Es el lmite superior del intervalo de confianza.
57
= Es una constante no negativa.

= Es la probabilidad de que el intervalo no incluya al verdadero valor del parmetro.
= Es el nivel de confianza, es una medida de la fiabilidad de la estimacin
1-
Casos:
a. Intervalo de confianza para la media ()

Varianza poblacional (2) conocida
El intervalo se obtiene a travs del siguiente estimador:
El intervalo de confianza se construye como:
P X z (1 / 2 ) .
X z (1 / 2 ) .
1
n
n
Varianza poblacional (2) desconocida
X
S
n
S
S
P X T(1 / 2 ;n 1) .
X T(1 / 2 , n 1) .
1
n
n
b. Intervalote confianza para la diferencia entre dos medias

Varianza poblacional (21 y 22) conocida

X 1 X 2 ( 1 2 )
21 2 2
n1 n2
21 2 2
21 2 2
1
P ( X 1 X 2 ) z (1 / 2 ) .
1 2 ( X 1 X 2 ) z (1 / 2 ) .
n
n
n
n
1
2
1
2
Varianza poblacional (21 y 22) desconocida
2 (n1 1) S 2 1 (n 2 1) S 2 2
S C
n1 n 2 2
X 1 X 2 (1 2 )
S 2C S 2C
n1
n2
S 2C S 2C
S 2C S 2C
1
P ( X 1 X 2 ) t (1 / 2 ; n1 n 2 2 ) .
1 2 ( X 1 X 2 ) t (1 / 2 ; n 1 n 2 2 ) .
n
n
n
n
1
2
1
2
58
c. Intervalo de confianza para una proporcin

p
(1 )
n
p (1 p )
p (1 p )
1
P p z (1 / 2 ) .
p z (1 / 2 ) .
n
n
d. Intervalo de confianza para la diferencia entre dos proporciones

( p1 p 2 ) ( 1 2 )
1 (1 1 ) 2 (1 2 )
n1
n2
p (1 p1 ) p 2 (1 p 2 )
p (1 p1 ) p 2 (1 p 2 )
1
P ( p1 p 2 ) z (1 / 2 ) . 1
1 2 ( p1 p 2 ) z (1 / 2 ) . 1
n1
n2
n1
n2
e. Intervalo de confianza para la varianza
(n 1) S 2
2
(n 1) S 2
(n 1) S 2
2
1
2
2 ( / 2;n 1)
(1 / 2;n 1)
f. Intervalo de confianza para la razn de dos varianzas

S 21 / 21
F 2 2
S 2 / 2
2
21 S 21
S1
P 2 .F( / 2;r ,r ) 2 2 .F(1 / 2;r ,r ) 1
2 S2
S 2
2
Error Estndar (E.S)

Todo estimador genera un error estndar, el cual constituye una desviacin estndar del estimador
El Error Standard (o error promedio) podramos expresarlo conceptualmente como el error que se
puede cometer al intentar conocer a una poblacin (sus parmetros) por una muestra de s misma.
Esto se debe por:
59
La muestra no es una representacin "exacta" de la poblacin, por tanto debemos asumir un

Error por muestreo.
Hay una relacin inversa entre tamao de la muestra y Error por muestreo,"cuanto
menor la muestra, mayor el error"
El Error de muestreo se expresa en el lenguaje estadstico agregando a la medida de
tendencia central (media y/o mediana)
Entonces para cada valor del parmetro a estimar se generara su respectivo error estndar:
Error estndar para la media:
Error estndar para la proporcin:
E.S X
E.S p
S2
n
p (1 p)
n
60
PRACTICA N 07
ESTIMACIN DE PARMETROS POR INTERVALOS DE CONFIANZA (, 1
2, 2, )
7. El peso vivos de una muestra de 20 alpacas de un centro de produccin alpaquera arrojo
una media de 48.4 kg. y una varianza de 27.8. Se trata de estimar un intervalo de confianza
para la media del peso vivo de todos los animales pertenecientes de dicho centro de
produccin alpaquera considerando un error del 5%.
8. Los pesos finales al beneficio de 15 toretes de la raza Hereford en kg fueron los siguientes:
448, 460, 514, 488, 592, 490, 507, 513, 492, 534, 523, 452, 464, 562, 584. Suponiendo que
los pesos se distribuyen normalmente, determine un intervalo de confianza para la media
con un nivel de confianza del 95%.
9. De una muestra de 35 caballos de carrera se determino que las pulsaciones del corazn
tiene una media de 85 puls/min y un desvio estandar de 15 puls/min. Hallar los lmites que
determinan el aumento medio verdadero de las pulsaciones del corazn, asi como para el
valor de su varianza para una confianza del 95%.
61
10. Una muestra de 15 aves tomadas al azar de un establecimiento avcola de 5000 aves,
permiti establecer un aumento de peso promedio de 210 gr. por semana y un desvi
estndar de 26 gr. Se busca estimar el incremento de peso promedio para esa poblacin de
aves con una confianza del 99%. Estime el intervalo de confianza para el valor de la
varianza.
11. Se realizo un experimento para comparar el tiempo promedio requerido por el cuerpo
humano para absorber dos medicamentos A y B. Para ello se eligieron al azar a 12
personas para ensayar cada frmaco registrndose e tiempo en minutos que tardo en
alcanzar un nivel especfico en la sangre. Estime un intervalo de confianza del 95% para la
diferencia del tiempo promedio, as como para la razn entre ambas varianzas.
Medicamento A
nA = 12
XA = 36.8
S2A = 15.57
Medicamento B
nB = 12
XB = 32.6
S2B = 17.54
62
12. Se estudian dos grupos de animales A y B que pastorearon en campos diferentes. El

primero (A) pastorea en un campo sin contaminacin de plomo, y el segundo (B) en un
campo contaminado con dicho elemento. Despus de un periodo de pastoreo se evalu el
contenido de plomo en sangre (ug/ml), registrndose los siguientes resultados:
Grupo
A
B
0.70
1.20
Nivel de plomo en sangre (ug/ml de sangre)

0.80
0.55
0.95
0.75
1.00
0.90
0.95
0.80
1.15
0.90
0.85
0.65
Determinar un intervalo de confianza al 95% para la diferencia del contenido medio de plomo,
as como para la proporcin de ambas varianzas.
Capitulo VI
Pruebas de Hiptesis
Definicin de hiptesis.- Proposiciones o conjeturas tentativas acerca de las relaciones entre dos
o mas variables, y se apoyan en conocimientos organizados y sistematizados. Son las guas para
una investigacin o estudio y constituyen la parte medular del mtodo deductivo y/o inductivo
cuantitativo
Surgen del planteamiento del problema, del anlisis de una materia (revisin de la literatura); decir
de las preguntas de investigacin. Tambin del anlisis de teoras, de estudios previos realizados o
antecedentes consultados. A veces la experiencia y la observacin constante ofrecen materia
potencial para el establecimiento de hiptesis, lo mismo se dice de la intuicin.
Tipos de Hiptesis:
1.- Hiptesis de Investigacin.- Tambin denominadas hiptesis de trabajo. Son proposiciones
tentativas acerca de las posibles relaciones entre dos o ms variables. Se les suele simbolizar como
Hi o H1, H2, H3, etc. Pueden ser: a) Descriptivas de un valor pronosticado (o de estimacin), b)
Correlacionales, c) De diferencia de grupos, y d) Causales
2.- Hiptesis nulas.- Sirven para refutar o negar lo que afirma la hiptesis de investigacin. Se
simboliza as: Ho
63
3.- Hiptesis alternativas.- Son posibilidades alternas ante las hiptesis de investigacin y nula. Se
simboliza Ha, y solo deben formularse si hay otras posibilidades adems de las hiptesis de
investigacin y nula.
4.- Hiptesis estadsticas.- Son exclusivas del enfoque cuantitativo y representan la transformacin
de las hiptesis de investigacin, nulas y alternativas en smbolos estadsticos. Existen tres tipos de
hiptesis estadsticas: 1) De estimacin, 2) De correlacin y 3) De diferencia de medias.
En enfoques cuantitativos, la hiptesis nula (H 0) es aquella hiptesis que es aceptada
provisionalmente como verdadera y cuya valides ser sometida a comprobacin experimental. Los
resultados experimentales nos permitirn seguir aceptndola como verdadera o si por el contrario
debemos rechazarla como tal.
Toda hiptesis nula va acompaada de otra hiptesis alternativa. La hiptesis alternativa (H a o H1) es
aquella hiptesis que se acepta en caso de que la hiptesis nula H 0 sea rechazada.
Ejemplo:
Si se asume que 0 es un valor del parmetro desconocido de una poblacin cuya distribucin se
supone conocida, entonces son hiptesis nulas y alternativas las siguientes afirmaciones
= 0 , y Ha : 0
2) H0 : 0 , y Ha : > 0
3) H0 : 0 , y Ha : < 0
1) H0 :
Tipos de pruebas de hiptesis

El tipo de prueba depende de la hiptesis alternativa (H1).
- Se denomina prueba de una cola a toda prueba de hiptesis donde la alternativa (Ha) es
unilateral (izquierda o derecha)
- Si la alternativa es bilateral, la prueba es de dos colas
64
Zonas de rechazo de la Ho.- Las zonas de rechazo de la Ho puede estar ubicado a la derecha, a la
izquierda o en ambas zonas de la distribucin de probabilidad
Errores tipo I y tipo II
El problema de rechazar o aceptar una hiptesis puede plantearse como un problema de decisin,
en el que evidentemente existe la posibilidad de fracasar o acertar en la eleccin o decisin a la
hora de concluir que la hiptesis, bien nula o bien alternativa, son rechazables o no.
El problema de decisin: rechazo/no rechazo, vendra expresado en las siguientes opciones en
forma de tabla:
Situacin
Hiptesis
real
H0 es verdadera
H0 es falsa
de
la
Decisin
Aceptamos
Correcto
Error Tipo II ()
Rechazamos
Error Tipo I ()
Correcto
Si la hiptesis nula (H0) es cierta y nuestra decisin es no rechazarla, la decisin ha sido

correcta.
Si la hiptesis nula (H0) es cierta y nuestra decisin es rechazarla, la decisin provoca un
error. Dicho error se denomina error tipo I.
Si la hiptesis nula (H0) es falsa y nuestra decisin es no rechazarla, la decisin provoca un
error. Dicho error se denomina error tipo II.
Si la hiptesis nula (H0) es falsa y nuestra decisin es rechazarla, la decisin ha sido
correcta.
Nivel de significacin.- Es la probabilidad de cometer error tipo I. Se fija por lo general en =

0.05 o =0.01
Procedimiento General para la Prueba de Hiptesis.
65
1. Formulacin de la hiptesis (nula y alternante)

2. Especificacin de un valor de probabilidad crtico o nivel de significacin (error).
3. Elegir la estadstica de prueba adecuada
4.Calculo de la prueba estadstica (cmputos necesarios)

5. Establecer la regla de decisin; es decir definir una zona de rechazo o regin critica para
Ho (criterios de decisin).
6. Tomar decisin de rechazar H0 si el valor del estadstico de prueba esta en la zona de

rechazo. Caso contrario rechazar H0
Dependiendo del tipo de hiptesis estadstica a establecerse (estimacin de un parmetro,

correlacin, diferencia de medias), se usada determinado tipo de prueba estadstica
Prueba de hiptesis sobre la media poblacional ( )
x u0
a) Cuando la varianza poblacional es conocida
b) Cuando la varianza poblacional es desconocida y la muestra es pequea

Prueba de hiptesis para la diferencia de medias (
1 2
c) Cuando la varianza poblacional es conocida
d) Cuando la varianza poblacional es desconocida
2 (n1 1) S 2 1 (n 2 1) S 2 2
S C
n1 n 2 2
Prueba de hiptesis para la proporcin poblacional (
Prueba de hiptesis sobre la varianza poblacional (
x u0
s
n
X 1 X 2 ( 1 2 )
21 2 2
n1 n2
X 1 X 2 (1 2 )
S 2C S 2C
n1
n2
p
(1 )
n
) Z
Prueba de hiptesis para la diferencia de proporciones (
1 )2
( p1 p 2 ) ( 1 2 )
1 (1 1 ) 2 (1 2 )
n1
n2
(n 1) S 2
X
2
1
Prueba de hiptesis para razn de varianzas poblacionales ( 2 )
2
2
S 21 / 21
F 2 2
S 2 / 2
66
67
PRACTICA NRO. 08
PRUEBAS DE HIPTESIS I
(USO DE LAS PRUEBAS ESTADSTICAS: Z () , T (n-1, ), y F (n1-n2-1,))
1. La ganancia de peso medio de los pollos de carne de la lnea Cobb 500 en condiciones
normales de temperatura ambiental es de 47.8 gr/da. Sin embargo, se piensa que este valor
medio disminuye en poca de verano. Para corroborar tal presuncin se hace el seguimiento
a un grupo de 25 aves durante dicha poca, encontrndose una media de 42.8 gr./da y una
desviacin tpica de 12.8 gr. Si la variable ganancia de peso se distribuye normalmente.
Apoya la evidencia proporcionada por la muestra la presuncin de que los pollos criados
durante la poca de calor reducen su velocidad de crecimiento?. El error tipo I no debe ser
mayor al 1%.
2. Un establecimiento de vacunos de carne de la raza Hereford semi estabulado durante los

ltimos 5 aos se abasteci de semen importado como medio para efectuar el mejoramiento
gentico de su rebao. Antes de las importaciones se tuvo informacin de que el incremento
de peso de los animales desde el momento de su destete hasta el ao y medio de edad
registraba una media de 285.2 kg. Se desea saber si las importaciones de semen repercuti
favorablemente el incremento de peso de la poblacin de vacunos del establecimiento
ganadero. Para tal efecto, durante el ltimo ao se hizo el seguimiento a 15 vacunos
registrndose las siguientes ganancias de peso (kg): 328, 283, 282, 360, 275, 289, 316, 320,
286, 269, 331, 357, 306, 290, 326
Existi un impacto significativo de las importaciones de semen sobre el mejoramiento del
incremento de peso medio de los vacunos?. Considere un error tipo I del 5%
68
3. Se realizo un experimento en ovinos para comparar el tiempo promedio requerido para

absorber dos medicamentos A y B va sistmica. Para tal efecto, se eligieron al azar 12 ovinos
machos a los cuales se le aplicaron dichos frmacos, registrndose el tiempo en minutos que
tardo en alcanzar un nivel especfico en la sangre. Suponiendo que el tiempo necesario para
que cada medicamento alcance un nivel especfico en el torrente sanguneo se distribuye
normalmente, existir diferencias entre tiempos promedios de absorcin de los dos
medicamentos? Considere un =0.05
Medicamento A
nA = 12
XA = 36.8
S2A = 15.57
Medicamento B
nB = 12
XB = 32.6
S2B = 17.54
4. Para encontrar si un nuevo suero detiene la leucemia, se condujo un experimento en ratones

seleccionndose un total de 11 ratones, todos en una etapa avanzada de la enfermedad. 06
ratones reciben el suero y 05 no. Los tiempos de sobre vivencia de los ratones en aos, a
partir del momento en que comienza el experimento son los siguientes.
Grupo
Con suero
Sin suero
2.1
2.4
Edad de los ratones (aos)

4.3
2.6
3.6
2.9
0.5
1.3
2.2
1.2
2.5
-
69
a.
b.
Se puede afirmar que el nuevo suero es efectivo para controlar la

leucemia? Considere un =0.05
Compruebe si las variancias de ambos grupos son homogneas.
5. Se condujo un experimento para determinar los efectos de la marihuana sobre la libido. Se

seleccionaron 11 hombres jvenes que haban fumado marihuana por lo menos 4 das a la
semana por un mnimo de 6 semanas, sin usar otra droga en dicho periodo. Se uso un grupo
control de otros 10 jvenes que jams haban fumado marihuana, para hacer la comparacin.
La medida del vigor sexual fue el nivel de hormona masculina testosterona en la sangre
(ug/ml). Podra afirmarse que el uso de la marihuana disminuye en promedio el impulso
sexual?. Use =0.05
Grupo que ha
Grupo que jamas a
fumado marihuana
fumado marihuana
X1 = 420.6
X2 = 728.3
S1 = 12.22
S2 = 14.23
70
6. Se tienen algunos indicios de que el consumo de tabaco tiende a provocar problemas de

trombosis debidos a un aumento en la capacidad de coagulacin. Para estudiar esta hiptesis
se extrajo muestras de sangre de 11 individuos antes y despus de que fumasen un cigarrillo
y midi la capacidad de agregacin de las plaquetas, obteniendo los datos siguientes
(correspondientes al mximo porcentaje de plaquetas que se agregaron despus de haber
sido sometidas a un estimulo adecuado):
Antes
: 25 25 27 44 30 67 53 53 52 60 28
Despus
: 27 29 37 56 46 82 57 80 61 59 43
Hay suficiente evidencia estadstica (al nivel de significacin 0,01) a favor de la hiptesis de
que los fumadores presentan una mayor tendencia a la formacin de cogulos?
7. Un grupo de investigadores afirma haber descubierto un tipo de alimentacin para las gallinas,
bajo la cual estas producen huevos que no aumentan el colesterol en las personas que los
consumen. Para comprobar dicha teora, se seleccionaron al azar 10 personas a las que se
les midi su nivel de colesterol antes (X) y despus (Y) de ser sometidos a una dieta a base
de dichos huevos, siendo los resultados los siguientes:
Dieta
Antes (X)
Despus (y)
120
130
312
306
243
255
Nivel de Colesterol (um/ml)

161
314
234
143
168
310
250
158
287
290
423
440
155
140
Suponiendo Normalidad:
71
a) Contrastar la hiptesis nula de que el nivel de colesterol es el mismo antes y despus de la

dieta (al nivel =0.05).
b) Compruebe si las variancias de ambos grupos son homogneas.
72
PRACTICA NRO. 09
PRUEBAS DE HIPTESIS II
(USO DE LAS PRUEBAS ESTADSTICAS: Z () , T (n-1, ), y F (n1-n2-1,))
8. En una granja experimental se intenta comparar la virulencia de dos organismos patgenos (A
y B) causantes de epidemias en pollos. De 200 pollos inoculados con el organismo A, 137
manifestaron signos durante los 14 primeros das. De 150 pollos inoculados con el organismo
B, 98 manifestaron signos en los primeros 14 das. Con un nivel de confianza del 95%,
existir diferencias entre la virulencia de los dos organismos? (Se supone que los pollos
estn aislados y no hay contagios).
9. En una granja avcola se plantea la hiptesis de que la variabilidad (en trminos de desviacin
estndar) de los huevos producidos diariamente es de 12 gr. En una muestra de 12 huevos
elegidos al azar durante la puesta de un da se han encontrados los siguientes pesos de
huevos (gr.): 71, 66, 64, 72, 69, 67, 70, 68, 65, 69, 63, 64
Con estos datos se justifica la suposicin que la desviacin estndar verdadera es 12 gr.
Considere un error tipo I del 5%., y supngase que la distribucin de los pesos es normal.
73
10. Un productor porccola desea incorporar una nueva lnea materna a su establecimiento (XP540), pues a recibido comentados que de esta nueva lnea produce camadas de lechones
mas uniformes al destete. Para comprobar tal comentario, compra un lote de 4 marranas de la
nueva lnea gentica cuya muestra al azar de 30 lechones arrojo una variabilidad de pesos
(en trminos de desvos estndar) de 1.8 kg. La lnea gentica convencional con la que
siempre trabaja el porcicultor es el MP- 320 y de los registros de produccin se seleccionan un
grupo de 40 pesos de lechn destetados y obtiene un desvi estndar de 2.2 kg. Si los pesos
de los lechones se distribuyen normalmente:
a) Se podr afirmar que la nueva lnea materna XP-540 produce lechones con menor
variabilidad de peso al destete que la lnea convencional MP-320?
b) Si el mercado de venta de lechones apunta a vender lechones uniformes en peso,
recomienda o no su compra?.
11. Un funcionrio de Prompex desea saber si dos empresas agro exportadoras del pais estn
reuniendo los estndares optimo de calidad exigidos por la entidad reguladora como para
aceptar su solicitud de exportar carne de cuy. Para ello contrata los servicios de una
consultora vinculado al sector para que realice un estudio a fin de verificar el cumplimiento de
los estndares de calidad del producto. La informacin de dicho estudio se obtuvo en base a
una seleccin aleatoria de muestras de carcasas (gr. de carcasa)
Empresa
exportadora
A
B
Promedio
variancia
24
28
672.8
680.2
924.0
576.0
Uno de los requerimientos para que Prompex acepte la salida de los productos al exterior es
que la variancia de las carcasas sea a lo ms de 625 gr2:
a) Cumplir las empresas agro exportadoras los requerimientos exigidos por la entidad
reguladora?,
b) Para que valores del estimador no existir evidencias para rechazar la Hp en a)
c) Con que nivel de confianza se aceptara la Hp en a)?
d) Se puede concluir para un =0.05 que el peso de la carcasa medio de la empresa B es
superior en 12 gr o mas que el peso de la carcasa medio de la empresa A?
74
75
CAPITULO VII
INTRODUCCIN A LOS DISEOS EXPERIMENTALES
Definicin de experimento.- El experimento implica la manipulacin intencional de una accin
(variable) para analizar sus posibles efectos (sentido cientfico).
Es parte del proceso de investigacin que consiste en manipular deliberadamente una o ms
variables independientes (supuestas efectos), dentro de una situacin de control y a fin de observar
sus efectos (variable dependiente) ".
En general, el experimento tiene lugar en sistemas donde existen una o varias variables de
respuesta (y) cuyo valor depende de una o varias variables independientes (x) controlables,
llamadas factores.
Las respuestas pueden estar influenciadas por otras variables no controladas, llamadas variables
intervenientes (X).
Factores
(Xi)
Respuestas
(Yi)
Variables no controladas
(Xi)
Diseo de un experimento
Es un arreglo sistemtico o la forma como estarn organizados los elementos y/o recursos que
sern usados durante la ejecucin del experimento.
El diseo adecuado de un experimento es una etapa fundamental de la experimentacin, que
permite el suministro correcto de datos a posteriori, los que a su vez conducirn a que se realice el
anlisis objetivo de la informacin y que permitir obtener finalmente deducciones vlidas del
problema a investigar (hiptesis).
Involucra la forma en la que los niveles de los factores o tratamientos en estudio sern asignados a
las unidades experimentales, la eleccin del tamao muestral y la disposicin de las unidades
experimentales.
El diseo experimental determina el modelo estadstico que se usara para poner a prueba la
hiptesis del investigador
Principios del diseo experimental
Los principios bsicos del diseo experimental son: a) repeticin, b) aleatorizacin y c) control local.
a) Repeticin: Viene a ser la reproduccin del experimento bsico (asignacin de un tratamiento a
una unidad experimental). Las principales razones:
76
- Proporcionar una estimacin del error experimental, siendo tal estimacin confiable a medida que
aumenta el nmero de repeticiones, permitir estimaciones ms precisas del tratamiento en estudio.
b) Aleatorizacin: Consiste en la asignacin al azar de los tratamientos en estudio a las unidades
experimentales con el propsito de asegurar que un determinado tratamiento no presente sesgo. La
aleatorizacin hace vlidos los procesos de inferencia y las pruebas estadsticas.
c) Control local (Control del error experimental): Consiste en tomar medidas dentro del diseo
experimental para hacerlo ms eficiente, de tal manera que pueda permitir la reduccin del error
experimental y as hacerla ms sensible a cualquier prueba de significacin.
Terminologa asociada al diseo de experimento
Unidad experimental: son los objetos, individuos, intervalos de espacio a los cuales se
aplica el tratamiento (Factor), y donde se miden y/o extrae la informacin de la variable que
se investiga.
Factor: son las variables independientes que pueden influir en la variabilidad de la variable
de inters o respuesta.
Tratamiento: son los niveles de un determinado factor del cual se interesa conocer su
influencia en la variable respuesta.
Variable respuesta: es la variable que se desea estudiar y controlar su variabilidad.

Bloque: es un factor en el que no se est interesado en conocer su influencia sobre la
variable respuesta, pero se supone que sta existe y se quiere controlar su efecto para
disminuir la variabilidad residual (error experimental).
Niveles de un factor: Son cada uno de los resultados de un factor. Dependiendo de cmo
sean elegidos por el experimentador, o sean elegidos al azar de una poblacin se
denominan factores de efectos fijos o factores de efectos aleatorios.
Observacin experimental: es cada medicin de la variable respuesta u observada.
Testigo: Es el tratamiento de comparacin adicional, al cual no se la asignado un nivel
especifico del factor en estudio. Constituye como referencial del experimento y sirve para la
comparacin de los tratamientos en prueba.
Interaccin de factores: existe interaccin entre dos factores FI y FJ si el efecto de algn
nivel de FI cambia al cambiar de nivel en FJ. Esta definicin puede hacerse de forma
simtrica y se puede generalizar a interacciones de orden tres o superior.
Tamao del Experimento: es el nmero total de observaciones recogidas en el diseo.
Diseo balanceado: es el diseo en el que todos los tratamientos son asignados a un
nmero igual de unidades experimentales.

Diseo desbalanceado: es el diseo en el que todos los tratamientos son asignados a un
nmero desigual de unidades experimentales.
Experimentos simples: cuando se estudia un solo factor de variacin
Experimentos factoriales: cuando se estudian simultneamente dos o ms factores que

influyen en la produccin.
Error experimental: Es la variabilidad existente entre los resultados de las unidades
experimentales tratadas en forma similar.
Error de muestreo: Es la variabilidad existente entre las diferentes medidas o resultados
observados en una misma unidad experimental.
77
El Anlisis de varianza (ANVA)

Es una tcnica estadstica que sirve para analizar la variacin total de los resultados
experimentales de un diseo en particular, descomponindolo en fuentes de variacin
independientes atribuibles a cada uno de los efectos en que constituye el diseo experimental.
Tiene como objetivo identificar la importancia de los diferentes factores tratamientos en
estudio y determinar como interactan entre s.
Es usado ampliamente en experimentacin (El ANVA - diseos experimentales), dado que
permite identificar, cuantificar y contrastar la variacin causada por niveles de los factores en
estudio (o intervinientes) aplicado a cierto grupo de unidades experimentales, posibilitando
detectar diferencias entre las mismas
Fuente de variacin
Constituye cualquier factor (variable independiente que afectar los resultados de un
experimento) o conjunto de factores controlados o no por el investigador. Se distinguen tres
tipos:
a) Aquellas cuyo efecto sobre la respuesta es de particular inters para el investigador (Factor
tratamiento).
b) Aquellas que no sonde inters directo pero que se contemplan en el diseo para reducir la
variabilidad no planificada (Factor bloque).
C) Aquellas que no son contempladas en el diseo (error experimental).
El mtodo de anlisis de varianza se efecta sobre la base de los llamados modelos
operacionales o modelos estadsticos, los cuales son establecidos a partir de diseos
experimentales.
El modelo estadstico es una representacin matemtica que contiene los factores o fuentes de
variacin que afectan a la variable en estudio o respuesta, que de acuerdo a la cantidad de
factores con que estos cuentan pueden ser de una va, dos vas, tres vas, etc.
Ejemplo:
Modelo de una sola va (un solo factor de anlisis) Yij = + ti + eij
Este modelo es llamado diseo completo al azar (DCA)

Dependiendo de la forma en la que son elegidos los niveles de los factores en estudio los
modelos pueden ser de tres tipos:
a) Modelo I (Efectos Fijos).- Los tratamientos y dems factores que intervienen en un
experimento son fijados por el investigador.
b) Modelo II (Efectos aleatorios).- Los tratamientos y dems factores que intervienen en un
experimento son elegidos al azar de una poblacin, adems no se conocen a priori.
c) Modelo III (Modelo Mixto).- Es la combinacin de los dos anteriores y se presenta cuando
algunos factores son fijados y otros son elegidos al azar.
78
El ANOVA tradicional (una sola va) parte de descomponer la variacin total de la muestra, en dos
componentes:
Esta igualdad bsica nos indica que la variacin total es igual a la suma de la variacin o dispersin
entre los grupos, ms la variacin o dispersin dentro de cada grupo. Los grupos estn definidos
por los niveles de factor.
El anlisis de la varianza se va a basar no slo en la descomposicin de la variacin total, sino
adems en la comparacin de la variacin ENTRE-grupos y la variacin INTRA-grupos, teniendo en
cuenta sus correspondientes grados de libertad.
El mtodo del ANOVA o ANVA presenta sus resultados mediante la siguiente estructura de tabla:
Fuente de variacin
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medios
F
Calculado
Entre (grupos Tratamientos)
k-1
SSA
SSA/(k-1)
MSA/MSE
Dentro (Error experimental)
(n-1)k
SSE
SSE/k(n-1)
kn-1
SST
Total
F
Tabla
79
Practica N 10
Uso del anlisis de Varianza en Diseos experimentales Bsicos (DCA y
DBCA)
1. Los miembros del Jockey Club del Per, desean adoptar un mtodo eficaz para el
entrenamiento de sus caballos a fin a lograr animales mucho ms veloces y resistentes al
cansancio. Para tal efecto se ponen a prueba 03 mtodos de entrenamiento para un total de 15
caballos durante un periodo de 01 meses y 12 km. de recorrido. Los resultados se evalan en
funcin al tiempo que logran en llegar a la meta final. Los tiempos empleados (minutos) por los
grupos luego de la etapa de entrenamiento y prueba fueron los siguientes:
Mtodo I
Mtodo II
Mtodo III
14.5
13.2
12.2
16.2
12.8
11.6
13.7
14.1
10.8
14.6
13.7
13.3
16.4
11.4
10.5
Para una posibilidad de cometer error tipo I, se puede afirmar que los tres mtodos producen
resultados equivalentes?
2. Se desea saber si existen diferencias en el incremento de peso en gorrinos en etapa de

crecimiento sometidos a dietas que difieren en el tipo de insumo proteico utilizado durante su
formulacin. Para tal efecto, se conduce un experimento de nutricin tomando al azar 21
animales del mismo sexo y lnea gentica, las mismas que fueron alimentados durante el
periodo de 2 meses con tres dietas isoproteicos e isocalricos, formulados con diferentes tipos
de insumo proteico, obtenindose el siguiente resultado:
Dieta 1
Dieta 2
Dieta 3
80
(Solo H. soya)
(H. soya + H. pescado) (H. soya + H. langosta)
32.8
38.9
30.5
34.1
37.6
28.3
29.6
34.7
26.8
35.1
40.2
29.4
37.2
35.6
32.6
33.4
38.2
31.4
30.7
41.3
27.3
Se podra decir que las dietas elaboradas, independientemente del tipo de insumo proteico
producen los mismos resultados?
3. Tres grupos de alpacas madres de la misma edad y raza, empadradas en la misma poca y
lugar quedan preadas, y luego son sometidas durante el ltimo tercio de gestacin a tres
distintos programas de alimentacin. Completada la gestacin y producido el parto se pesan las
cras (kg), obtenindose el siguiente resultado:
Pastizal
(csped de puna)
6.4
5.5
7.2
5.7
7.3
6.42
Sistema de Alimentacin
Pastizal + Pasto
Pasto cultivado
cultivado
(rye grass + trbol)
7.2
8.2
6.3
7.8
6.8
8.5
7.6
8.1
6.4
7.6
6.86
8.04
81
4. Se quiere evaluar el efecto de dos marcas comerciales de implantes anablicos sobre los pesos
al beneficio de toretes Bos Indicus de 02 a 04 dientes (2 aos de edad aprox.) frente a un testigo
que solo recibe una dieta convencional de engorde. Por razones de costos y bioseguridad, el
experimento tuvo que realizarse con animales que permanecieron en sus respectivas estancias
(en total cuatro). A los grupos de animales experimentales se les suministro el mismo tipo y nivel
de alimentacin (en trminos de cantidad y aporte nutricional). El periodo experimental tuvo una
duracin de 3 meses, tiempo del cual se registr los siguientes pesos vivos (kg)
Sin
Estancia
Implante
Implante A Implante B
I
422
435
418
II
370
412
482
III
395
460
430
IV
405
398
434
Se podra afirmar que los anablicos usados generaron algn diferencial en los pesos vivos medios
de los toretes?. Concluya bajo una posibilidad de error del 5%
5. Complete la tabla de anlisis de varianza y calcule los componentes faltantes. Los 07

tratamientos corresponden a diferentes dosis de un antibitico de tercera generacin los cuales
fueron designaron aleatoriamente a un total de cuatro unidades experimentales por grupo
experimental
82
Fuente de variacin
Grados
libertad
de
Suma
de
cuadrados
Cuadrados
medios
F calculado
F tabla
Tratamiento
Error experimental
total
a. Escriba el modelo aditivo lineal correspondiente y explique cada componente
b. Formule las hiptesis correspondientes y pngale a escrutinio utilizando la prueba
estadstica mas conveniente Hay diferencias significativas entre los tratamientos usados?.
Use = 0.05
83
Capitulo VIII
ANALISIS BIVARIANTE: Regresin y Correlacin Lineal Simple
El anlisis de regresin y correlacin comprende el anlisis de datos muestrales para saber como se
relacionan entre s dos o ms variables en una poblacin. El anlisis de correlacin produce un
nmero que resume el grado de relacin entre dos variables, mientras que la regresin da lugar a
una ecuacin matemtica que describe dicha relacin. Est ecuacin se puede utilizar para estimar
o predecir los valores futuros que puede tener una variable cuando se conocen o suponen los
valores de la otra variable
Los datos necesarios para el anlisis de regresin y correlacin provienen de observaciones de
variables relacionadas
Regresin lineal simple
Sea Y una variable aleatoria que depende de otra variable aleatoria independiente X, el modelo de
regresin lineal simple se expresa como:
Y X
Siendo y sus parmetros, cuyos estimadores son: a y b
Si los datos provienen de una muestra, el modelo de regresin seria:
Y a bX
Siendo
mnimos cuadrados:
Y a bX e
; la ecuacin de prediccin lineal, cuyos estimadores a, b son obtenidos por
( X ).( Y )
XY
SP ( X , Y )
n
b
( X ) 2
SC ( X )
2
X
n
a Y b X
La pendiente
indica el cambio promedio en la variable de respuesta cuando la variable
predictora aumenta en una unidad adicional.
El intercepto
indica el valor promedio de la variable de respuesta cuando la variable predictora
vale 0. Sin embargo carece de interpretacin prctica si es irrazonable considerar que el rango de
valores de x incluye a cero.
Intervalo de confianza para los parmetros de la ecuacin de regresin
Para la pendiente poblacional
El intervalo de confianza del 100(1-) % para la pendiente poblacional
siguiente estadstica de prueba:

s
Sxx
es estimado usando la
~ t( n2)
84
P( t ( n 2 , / 2 )
El intervalo queda definido como:
s
t ( n 2 , / 2 )
Sxx
s
) 1
Sxx
El Coeficiente de Correlacin
Sea X, Y dos variables aleatorias con varianza
correlacin de pearson se define como:
2 X , 2 Y
Cov( X , Y )
el coeficiente de
Cov( X , Y )
1 1
2
2
Su estimador segn el mtodo de mnimos
cuadrados
se estima como:
x y
( X ).( Y )
XY
Cov( X , Y )
SP( X , Y )
n
rX ,Y
2
2
( X )
( Y )
SC ( X ).SC (Y )
S XS Y
( X
).( Y
)
R2
Coeficiente de Determinacin
Indica la proporcin de la varianza total que esta siendo explicada por el modelo de regresin.
Adems, ofrece una idea de la calidad de ajuste del modelo a los datos. Indica la eficiencia del
modelo para explicar el comportamiento de los datos. Se calcula como:
2
R 2 ( rX , Y ) 2
( X ).( Y )
XY
n
( X )
( Y ) 2
2
( X
).( Y
)
n
n
2
Cuando es obtenido del Anlisis de Varianza de la regresin su expresin es:
R2
SC regresion
SC total
Intervalo de confianza para el parmetro coeficiente de correlacin
r n2
1 r 2
85
PRACTICA N 11
ANALISIS BIVARIANTE: REGRESION Y CORRELACION LINEAL SIMPLE
1. Un centro de investigacin en reproduccin animal, ha conducido una investigacin para
evaluar la relacin existente entre el nivel de endsmosis en semen de carneros despus de
haber pasado por un proceso de criogenizacin a 160 C y su nivel de fertilidad durante su
uso en inseminacin artificial por va laparoscpico Dicho estudio arrojo los siguiente
informacin:
Fertilidad (%)
Endsmosis (%)
65.2
80.5
64.2
82.3
68.7
78.3
60.3
65.0
56.3
71.2
66.5
89.4
60.1
76.5
64.3
81.6
62.1
68.2
58.2
70.6
a) Estime la ecuacin de prediccin de la regresin

b) A partir de la ecuacin de regresin, encuentre el valor de Y 3, Y4,e Y10 y sus errores
respectivos o desvos.
c) Interprete el valor del parmetro de la ecuacin de regresin (b) y el coeficiente de
determinacin (R2)
d) Realice una prueba de hiptesis para el valor del parmetro B para ver si la relacin es
lineal o no. Construya el ANVA respectivo y realice la prueba F.
86
2. Un laboratorio parasitolgico quiere saber como afecta la carga parasitaria en la condicin

corporal de vacunos de carne alimentacin bajo pastoreo en sistemas extensivos. Para ello
tomo informacin de campo de 12 vacunos con evidentes signos de parasitosis, a las cuales
se les contabilizo la cantidad de huevos viables por gr. de heces, adems de registrar sus
respectivos pesos vivos. La informacin encontrada fue la siguiente:
Peso vivo (kg)
Huevos/gr. heces
345
45
420
22
380
30
368
24
405
38
362
38
384
36
367
25
349
41
410
21
405
24
355
48

determinacin (R2)
d) Realice una prueba de hiptesis para el valor del parmetro para ver si la relacin es
87
3. La unidad de control de produccin y productividad lechera de un programa de

mejoramiento gentico desea saber la relacin existente entre la produccin de leche y el
porcentaje de slidos (grasa y Protena) en la raza Holstein, a fin de reformular sus objetivos
y metodologas de seleccin. Para ello, realizo un anlisis de slidos totales en muestras de
leche de unas 10 vacas de diferente niveles de produccin, consiguiendo la siguiente
informacin:
Px. leche (kg/da)
Grasa (%)
Protena (%)
40.5 38.1 28.6 30.8 52.6 58.4 25.6 28.6 44.3 20.8
3
3.3
3.6
3.5
2.8
2.9
3.4
3.1
3.2
3.6
4.1
4
4.2
4.1
3.9
4.1
4.3
4.2
4.1
4.3

determinacin (R2)
d) Realice una prueba de hiptesis para el valor del parmetro para ver si la relacin es
88
4. Una empresa ovina del centro del pas, desea saber el grado de asociacin que existe entre
los caracteres de inters econmico de su ganado lanar, a fin de evaluar la posibilidad de
reorientar sus objetivos de crianza. Para ello, durante una campaa de esquila logra obtener
informacin productiva de 10 carnerillos de la raza Corriedale de 2 dientes (peso vivo y peso
de velln) e informacin de laboratorio con miras a medir su finura. Los datos de campo y
laboratorio se muestran en el cuadro 4.
Peso vivo (kg)
42.5 38.5 45.6 36.8 40.6 42.3 40.8 44.6 42.8 34.6
Peso velln (kg)
3.2
3.1
3.5
3.0
3.4
3.4
3.6
3.7
3.6
3.3
Dimetro (u)
26.4 25.8 28.1 26.8 28.3 28.7 29.1 27.3 27.8 25.8
a) Estime sus respectivos coeficientes de correlacin y coeficientes de determinacin
89
b) Realice una prueba de hiptesis utilizando la t- de student para establecer la

significancia de las relaciones encontradas.
90
CAPITULO IX
Teora Elemental del Muestreo y Tamao de Muestra
El objetivo de la estadstica inferencial es obtener la informacin acerca de una poblacin, partiendo
de la informacin que contiene una muestra. El proceso que se sigue para seleccionar una muestra
se denomina Muestreo.
Tipos de muestreo
Existen dos tipos de muestreo: a) el probabilstico y b) el no probabilstico.
Con el muestreo probabilstico, todos los sujetos tienen la misma probabilidad de entrar a formar
parte del estudio, puesto que la eleccin se hace al azar. El no probabilstico es aquel en el que
no todos los sujetos tienen la misma probabilidad de formar parte de la muestra de estudio.
Cuando se hace una muestra probabilstica debemos tener en cuenta principalmente dos aspectos:
- El mtodo de seleccin.
- El tamao de la muestra
Los tipos de muestreo probabilstico ms utilizados son: a) aleatorio simple, b) aleatorio
sistemtico, c) aleatorio estratificado y d) aleatorio por conglomerados.
a. Muestreo aleatorio simple
Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo
tamao tiene igual probabilidad de ser seleccionada de la poblacin. Para obtener una muestra
aleatoria simple, cada elemento en la poblacin tenga la misma probabilidad de ser seleccionado.
Existen dos formas de extraer una muestra de una poblacin: con reemplazo y sin reemplazo:
Muestreo con reemplazo: Un elemento puede ser seleccionado ms de una vez en la

muestra para ello se extrae un elemento de la poblacin se observa y se devuelve a la
poblacin
Muestreo sin reemplazo: No se devuelve los elementos extrados a la poblacin hasta que
no se hallan extrados todos los elementos de la poblacin que conforman la muestra.
b. Muestreo aleatorio sistemtico.

Una muestra sistemtica es obtenida cuando los elementos son seleccionados en una manera
ordenada. La manera de la seleccin depende del nmero de elementos incluidos en la poblacin y
el tamao de la muestra. El nmero de elementos en la poblacin es, primero, dividido por el
nmero deseado en la muestra. El cociente indicar si cada dcimo, cada onceavo, o cada
centsimo elemento en la poblacin va a ser seleccionado.
C. Muestreo Estratificado
91
Para obtener una muestra aleatoria estratificada, primero se divide la poblacin en grupos, llamados
estratos, que son ms homogneos que la poblacin como un todo. Los elementos de la muestra
son entonces seleccionados al azar o por un mtodo sistemtico de cada estrato. Las estimaciones
de la poblacin, basadas en la muestra estratificada, usualmente tienen mayor precisin (o menor
error muestral) que si la poblacin entera muestreada mediante muestreo aleatorio simple. El
nmero de elementos seleccionado de cada estrato puede ser proporcional o desproporcional al
tamao del estrato en relacin con la poblacin.
D. Muestreo de agrupado (conglomerados).
Para obtener una muestra de conglomerados, primero dividir la poblacin en grupos que son
convenientes para el muestreo. En seguida, seleccionar una porcin de los grupos al azar o por un
mtodo sistemtico. Finalmente, tomar todos los elementos o parte de ellos al azar o por un mtodo
sistemtico de los grupos seleccionados para obtener una muestra. Bajo este mtodo, aunque no
todos los grupos son muestreados, cada grupo tiene una igual probabilidad de ser seleccionado.
Por lo tanto la muestra es aleatoria.
Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da
menor precisin de las estimaciones acerca de la poblacin) que una muestra aleatoria simple del
mismo tamao. Los elementos individuales dentro de cada conglomerado tienden usualmente a
ser iguales.
Por ejemplo la gente rica puede vivir en el mismo barrio, mientras que la gente pobre puede vivir en
otra rea. No todas las reas son muestreadas en un muestreo de reas.
Caractersticas de una buena muestra
-
Precisin
Eficiencia (Exactitud confiabilidad )
Correccin
La Precisin: Se refiere a la correspondencia de los resultados de las mediciones obtenidas de la

muestra (estadstico) con respecto a los resultados que se mediran en toda la poblacin
(parmetros). Precisin es la medida del error muestral
La Exactitud (eficiencia, confiabilidad): Se refiere a la cercana de las mediciones obtenidas. Es
la medida de comparacin entre diversos proyectos de muestreo. Se dice que un proyecto es ms
eficiente que otros en sub-condiciones especficas, si se logran resultados ms confiables y
econmicos con la misma precisin o mayor precisin con el mismo costo.
A - Eficiente y Preciso
B - Solamente Preciso
Correccin: Se refiere al grado de ausencia de errores no muestrales en la muestra. Una muestra
es considerada correcta si las medidas sobrestimadas y las subestimadas son compensadas entre
los componentes de la muestra.
C - Solamente Eficiente
D - Ni eficiente ni preciso
92
Tamao de muestra
Para determinar el tamao muestral de un estudio, debemos considerar diferentes situaciones:
Estudios para determinar parmetros. Es decir pretendemos hacer inferencias a valores
poblacionales (proporciones, medias) a partir de una muestra
Estudios para contraste de hiptesis. Es decir pretendemos comparar si las medias o las
proporciones de las muestras son diferentes.
Estudios para determinar parmetros

Estimar una proporcin
a) Cuando no se conoce el tamao de la poblacin (infinito)
b) Cuando se conoce el tamao de la poblacin (finito)

Donde:
N = Total de la poblacin
Z2 = Valor z al cuadrado para cierta nivel de confianza.
p = proporcin esperada
q=1p
d = precisin
Estimar una media

a) Cuando no se conoce el tamao de la poblacin (infinito)
b) Cuando se conoce el tamao de la poblacin (finito)
93
Prctica Nro. 12
Determinacin del Tamao de Muestra
1. Se sabe que el contenido de fructosa de cierto alimento sigue una distribucin normal, cuya
varianza es conocida, teniendo un valor de 0,25. Se desea estimar el valor de la media
poblacional mediante el valor de la media de una muestra, admitindose un error mximo de 0,2
con una confianza del 95%. Cul ha de ser el tamao de la muestra?
2. Es necesario estimar entre 5,000 establos, el nmero de vacas lecheras por establo con un
error de estimacin de 4 y un nivel de confianza del 95%. Sabemos que la varianza es 1,000.
Cuntos establos deben visitarse para satisfacer estos requerimientos?.
3. Se desea estimar la proporcin p de individuos daltnicos de una poblacin a travs del

porcentaje observado en una muestra aleatoria de individuos de tamao n.
a. Si el porcentaje de individuos daltnicos en la muestra es igual al 30%, calcula el valor de n
para que, con un nivel de confianza de 0,95, el error cometido en la estimacin sea inferior
al 3,1%.
b. Si el tamao de la muestra es de 64 individuos y el porcentaje de individuos daltnicos en la

muestra es del 35%, determina, usando un nivel de significacin del 1%, el correspondiente
intervalo de confianza para la proporcin de daltnicos de la poblacin.
4. El supervisor de un centro avcola desea conocer con un error de estimacin de mximo 01 y

un nivel de confianza del 90%, la media estimada del peso vivo de los pollos al momento de
salir al mercado. Como la varianza era desconocida se procedi a escoger una muestra piloto.
Los resultados fueron los siguientes: 2.09, 2.15, 2.10, 1.95, 2.22, 2.05, 2.18, 2.02, 2.24, 2.12.
94
a. Cuntos pollos debo de pesar para conocer la media del establecimiento avcola?.
b. Si la poblacin de aves en el centro avcola fuera de 500,000 cunto debera ser mi
tamao de muestra?
5. Para estimar la proporcin de familias de una determinada ciudad que poseen perros, se
necesita realizar una muestra aleatoria de tamao n. Calcular el valor mnimo de n para
garantizar que, a un nivel de confianza del 95%, el error en la estimacin sea menor que 0,05.
(Como se desconoce la proporcin, se ha de tomar el caso ms desfavorable, que ser 0,5)
6. En un determinado barrio se seleccion al azar una muestra de 100 personas cuya media de
ingresos mensuales resultaba igual a S/. 1,060.0 con una desviacin tpica de S/. 200.0
a.
Si se toma un nivel de confianza del 95%, cul es el intervalo de

confianza para la media de los ingresos mensuales de toda la poblacin?
b.
Si se toma un nivel de significacin igual a 0,01, cul es el tamao

muestral necesario para estimar la media de ingresos mensuales con un error menor de S/.
30.0?
7. La media de edad de los alumnos que se presentan a pruebas de acceso a la Universidad

Nacional San Cristbal de Huamanga es de 18,1 aos, y la desviacin tpica 0,6 aos.
8.
a. De los alumnos anteriores se elige, al azar, una muestra de 100. Cul es la probabilidad
de que la media de la edad de la muestra est comprendida entre 17,9 y 18,2 aos?.
95
b. Qu tamao debe tener una muestra de dicha poblacin para que su media est
comprendida entre 17,9 y 18,3 aos, con una confianza del 99,5%?
9. Deseamos utilizar un nuevo frmaco antidiabtico y consideramos que seria clnicamente eficaz
si lograse un descenso de 15 mg/dl respecto al tto. Habitual con el antidiabtico estndar. Por
estudios previos sabemos que la desviacin tpica de la glucemia en pacientes que reciben el
tratamiento habitual es de 16 mg/dl. Aceptamos un riesgo de 0.05 y deseamos un poder
estadstico de 90% para detectar diferencias si es que existen.
BIBLIOGRAFA CONSULTADA
CALZADA BENZA J. 1987. Estadstica general. Editorial Jurdica-Lima.

CASCOS FERNNDEZ I. 2004. Estadstica descriptiva. Dpto. Estadstica e I.O. Universidad Publica
de Navarra-Espaa
CORDOVA, ZAMORA M. 2003. Estadistica descriptiva e inferencial. Edit. Libreria Moshera S.R.L 5ta
edicion. Lima Peru
LARIOS, OSORIO V. 1999. Estadistica descriptiva e infrencial. Universidad Autonoma de Queretaro.
Mexico. http://www.uaq.mx/matematicas/estadisticas/xu3.html.
MEZA DEL CASTILLO, E., 1984. Probabilidad. CONCYTEC, Lima- Per.
MILTON, J. S; 2001. Estadstica para biologa y ciencias de la salud. Madrid: Interamericana
McGraw-Hill; 2001, Bogot, 2a edition, 2001.
MURRAY R. S. SCHILLER, J. 2001.Probabilidad y estadstica. Coleccin Schaum. McGraw-Hill,
Bogot, 2a edition.
RUBIO, A. 2002. Apuntes de Estadstica General. Edit. Ediagraria. UNALM Lima-Per
V. ABRAIRA, A. PREZ DE VARGAS. 1996. Mtodos multivariantes en bioestadstica. Ed. Centro

de Estudios Ramn Areces.
96
97
ANEXO: Tablas Estadsticas
98
99
100
101
102
103
104
105
106

Manual Practico de Experimentación Pecuaria

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Practico de Experimentación Pecuaria

Cargado por

Copyright:

Formatos disponibles

296759982.

Ing. Mg. Sci. Elmer R. Meza Rojas

UNIVERSIDAD NACIONAL SAN CRISTOBAL

ESCUELA DE FORMACIN PROFESIONAL DE MEDICINA

GUA DE CLASES PRCTICAS

CURSO: EXPERIMENTACION PECUARIA I

DOCENTE: ING. ELMER R. MEZA ROJAS

Ing. Mg. Sci. Elmer R. Meza Rojas

Ing. Mg. Sci. Elmer R. Meza Rojas

RECOMENDACIONES PARA EL ALUMNO

La presente gua de clases prcticas del curso de Experimentacin Pecuaria I, constituye

Utilizar la gua de clases prcticas como herramienta orientador de las enseanzas

Ing. Mg. Sci. Elmer R. Meza Rojas

Ing. Mg. Sci. Elmer R. Meza Rojas

Ing. Mg. Sci. Elmer R. Meza Rojas

Establezca dos ejemplos de cada tipo de variable:

5. Organizacin de los Datos

Ing. Mg. Sci. Elmer R. Meza Rojas

Para variables continuas

Ing. Mg. Sci. Elmer R. Meza Rojas

d. Polgonos de frecuencias (graficas de lneas)

e. Polgonos de frecuencias acumuladas (OJIVA)

Ing. Mg. Sci. Elmer R. Meza Rojas

f. Diagramas de caja (Boxplot)

g. Grafico de tallos y hojas (Stem-and-Leaf )

Ing. Mg. Sci. Elmer R. Meza Rojas

6.0 Distribucin de frecuencias

Frecuencia absoluta acumulada

Frecuencia relativa acumulada

Ing. Mg. Sci. Elmer R. Meza Rojas

Frecuencia porcentual acumulada

Frecuencia absoluta.- La frecuencia absoluta de una variable estadstica es el nmero de veces

Donde N = Tamao de la muestra

Porcentaje Acumulado.- Anlogamente se define el Porcentaje Acumulado y lo vamos a denotar

Ing. Mg. Sci. Elmer R. Meza Rojas

Fuente: INIA, 2007

Fuente. INIA, 2008

Ing. Mg. Sci. Elmer R. Meza Rojas

La variable en estudio es..

Fuente: Establo San Isidro, 2008

Ing. Mg. Sci. Elmer R. Meza Rojas

Identifique el tipo de variable en estudio y sus niveles correspondientes

Ejercicio N 2: En una granja cuncola de nombre El Conejar se efectu un seguimiento a un

Ing. Mg. Sci. Elmer R. Meza Rojas

Identifique el tipo de variable(s) en estudio y sus niveles correspondientes

Identifique el tipo de variable en estudio y sus niveles

Ing. Mg. Sci. Elmer R. Meza Rojas

Ing. Mg. Sci. Elmer R. Meza Rojas

El peso medio es:

Para datos agrupados

Ing. Mg. Sci. Elmer R. Meza Rojas

Para datos No agrupados

Luego el valor de la mediana es: Me=6

La ubicacin de la mediana de n datos ordenados si n es par se determina mediante el

Para datos agrupados

Ing. Mg. Sci. Elmer R. Meza Rojas

Donde: d1=(fi - fi-1) y d1=(fi - fi+1)

fi=Valor de la mayor frecuencia

Ejemplo7. De los pesos al nacimiento de llamas variedad Chaku (cuadro N 4)

c= 0.9 = Tamao de Intervalo de Clase

a.2. Medidas de localizacin o cuantiles

Ing. Mg. Sci. Elmer R. Meza Rojas

Ejemplo8: Calcular la variancia de los cuatro datos siguientes (Xi: 3, 4, 6 y 7 )

Para datos agrupados