NOI{MA CO'/ENIN- ISO

3534-1: 1995
VENEZOLANA

ESTADÍSTICA. VOCABULARIO Y
SÍM·BOLOS. PARTE 1: TÉRMINOS
RELATIVOS
,
A PROBABILIDADES Y
ESTADISTICA GENERAL.
/
 PRÓLOGO

.
La Comisión Venezolana de Normas [ndusuiales (COVENIN), creada en
1958, es el organismo encargado de programar y coordinar las actividades de
Normalización y Calidad en el país. Para Uevar a cabo el trabajo de elabora-
ción de normas, la COVENIN constituye Comités y Comisiones Técnicas de
Normalización, donde participan organizaciones gubernamentales y no guberna-
mentales relacionadas con un área específica.

La presente norma es una adopción de la norma ISO No 3534-1:1993,

fue considerada bajo los lineamientos del Comité Técnico de Normalización
CT23 CALIDAD por el Subcomité Técnico SC3 PROCEDIMlENTOS Es-
TADÍSTICOS y aprobada por la COVENIN en su reunión No 136 de fecha
/
11-10-95.
 ÍNDICE Página

Objeto

Sección t. Térmmos usados en tJ teori<l de prob<1bilidades 2

Sección 2: Términos estadísticos generales .lO

Sección 3 Términos generales rclati,·os a las obserYaciones y resulwdos de ensayos 21

Sección -J: Términos generales relativos a los métodos de muestreo 2-J

ANEXO A Símbolos usados en la Norma COVENIN-ISO 353-J-1 27

Índice alfabético 29

/
 NORMA VENEZOLANA COVENIN-JSO
ESTADÍSTICA. VOCABULARIO Y SÍMBOLOS. 3534-l: 1995
PARTE 1: TÉRMINOS RELATIVOS A
PROBABI.LIDADES Y ESTADÍSTICA GENERAL

OBJETO Térmjnos generales rclath·os a las obser\'aciones y re-

sultados de ensayos.
Esta Norma Venezolana define términos de probabilidades
y estadística general que pueden ser usados en el desarro- Términos generales relati\·os a los métodos de
llo de otras normas. Además. define los símbolos para un muestreo.
número limitado de estos términos.

Los términos están clasificados bajo los siguientes títulos:
- ¡érminos usados en Ja teoria de probabilidades
Ténninos estadísticos generales
Los términos en esta norma están dispuestos analíticamen-
te y se provee un índice alfabético.
El anexo A sumirústra una lista de símbolos y abrcYiaturas
usados en esta norma.
 SECCIÓN 1: TÉRMINOS USADOS EN LA TEORÍA
OE PROBABILIDADES
Muchos términos estan definidos en esta sección y en la
sección 2. Se definen por separado para llamar la atención
Cll lector al hecho que
a) los términos en su sentido probabilístico se aplican :l
principios. independientes de cualquier aplicación
práctica:
b) los términos en su sentido estadístico se aplican a las
observaciones con las que se relacionan: estas definicio-
nes tienen un carácter operacional específico.
NOTA - El concepto de probabilidades puede ser introdu-
cido en dos formas. según sea usado para designar un gra-
do de creencia o. si se le considera como un valor límite de
una frecuencia relativa. En ambos casos. la introducción
del concepto requiere que se tomen algunas precauciones
que no pueden ser desarrolladas dentro del contexto de una
norma. por lo que el lector debería referirse a literatura
especializada.
1.1 probabilidad: Número real. en la escala de O a l.
relacionado con un evento aleatorio.
NOTA - Puede estar relacionado a una frecuencia relativa
de ocurrencia a largo plazo o a un grado de creencia en que
un evento dado ocurrirá. Para un Cilio grado de creencia. la
probabilidad es cercana a l.
1.2 ,·ariable aleatoria: Variable que puede tomar cual-
quier valor dentro de un conjunto de valores determinados.
y a la cual se le asocia una distribución de probabilidades
( 1.3 ).
NOTAS
Una variable aleatoria qu~ sólo puede tomar valores
aislados es denominada "discreta". Una variable aleatoria
que puede tomar cualquier valor dentro de un intervalo fi-
nito o infinito es denominada "continua".
2 La probabilidad de un evento A se denota P, (A) o
P(A).
1.3 distribución de 1•robabilidades (de una variable
alemoria): Función que da la probabilidad de que una va-
riable aleatoria tome un valor dado o pertenezca a un con-
junto dado de valores.
NOTA - La probabilidad para el total de los ,·atores dentro
de un conjunto de variables aleatorias es igual a l.
2
lA función de distribución: Función que da. para cada
valor de x. la probabilidad de que la ,·ariablc aleatoria .r
sea menor o igual a x:
F (x) = P, [.r ..::.xl
1.5 función de densidad de probabilidades (parCl una
variable alcatoriCl continua): L<t deri,·ada (cuando existe)
de la función de distribución:
/(x) = df~x)
NOTA -f (x) dx es el "elcmcn!O probabilístico":
f(x) dt = P, [x < _r < x + dtl
1.6 función de masa probabilística: Función que da.
para cada valor x, de una variable alcatoriCl discreta .\". la
probabilidad p,de que la variable aleatoria sea igual a x,:
p, = P, [.\" = xJ
t. 7 función de distribución bivariablc: Función que
da, para cada par de valores x. y. la probabilidad de que la
variable aleatoria X sea menor o igual a x. y q~e la Yaria-
blc aleatoriCl Y sea menor o igual a y:
F (.'!:,y) = P, [...\"$x: Y ~y 1 /
1.8 función de distribución multivariable: Función
que da, para cada conjunto de valores x. y . ... la probabi-
lidad de que cada una de las variables aleatorias.\', r....
sea menor o igual al valor correspondiente de x. y, ... :
F(x.y ... . )=P, [X$x: Y$y: .. . J
1.9 distribución de 1>robabilidadcs marginal: Distri-
bución de probabilidades de un subconjunto de k1 < k \'a-
fiables aleatorias, tomado de una distribución de
probabilidades de k variables aleatorias. cuando las otras
k-k1 variables toman cualquier valor dentro de su conjunto
de valores.
EJEMPLO
En una distribución de probabilidades con tres vClriables
aleatorias..\~ r y Z, hay
- tres distribuciones de probabilidades marginales bi\'t'l·
riablcs: las distribuciones de los pares (.\'. )), (X.Z).
( LZ):
- tres distribuciones de probabilidades marginales biva-
riables: las distribuciones de .r. de r y de z
 l. W distribución de probabilidades condicional: Distri-
bución de probabilidades de un subconjunto de k 1<k ,·aria-
bies aleatorias. tomado de una distribución de
probabilidades de k ,·ariables aleatorias. cuando las otras
k-k 1 variables tienen valores fijos.
EJEMPLO
En una distribución de probabilidades de dos Yariables
aleatorias .re r. hay
- distribuciones de probabilidades condicionales de .r:
una distribución específica se expresa como la distribu-
ción de X para el caso que r-= y:
- distribuciones de probabilidades condicionales de Y:
una distribución específica se expresa como la distribu-
ción de r para el caso que.\"= x.
1.11 independencia: Dos variables aleatorias X e r son
independientes sí. y sólo si. sus funciones de distribución
se relacionan por:
F (x, y) == F(x. oo) • F (oo. y) = G (x) • H (1:)
donpc F (x. 00 ) = G (x) y F (oo, y)= H (v) son las funcio-
nes de distribución marginal de X e }' respectivamente.
para t~ los pares (x. y).
NOTAS
PaJa variables aleatorias independientes continuas.
sus funciones de densidad de probabilidades (si existen) se
relacionan por:
f(x. y)= g (x) • h (v)
donde g {x) y h (v) son las funciones de densidad marginal
de X e Y respectivamente. para todos los pares (x, y).
Para variables aleatorias independientes discretas. sus pro-
babilidades se relacionan por:
P, (X= x, : Y= X) = P, (X= x,) • P, ( r = y1)
para cada par (x, . .Y¡).
2 Dos eventos son independientes cuando la probabili-
dad de que ambos ocurran es igual al producto de la proba-
bilidad de cada uno de los dos eventos.
t. 12 parámetro; Valor utilizado para describir la distri-
bución de probabilidades de una variable aleatoria.
t. 13 correlación: Relación entre dos o ,·a rías ,·ariablcs
aleatorias dentro de una distribucíón con dos o más varia-
bles aleatorias.
NOTA - La mayoría de las medidas estadísticas de correla-
ción sólo miden el grado de relación lineaL
J.t.t cuantila; fractila (de una variable aleatoria o de una
distribución de probabilidades): La fractila de orden p es
el valor de la variable aleatoria para la cual la función de
distribución es igual a p (siendo O~ p ~ 1) o "salta" de un
valor menor quepa un valor ma)'or que p.
NOTAS
·1 Cuando la función de distribución es igual a p para
todo el intervalo entre dos Yalores consecutivos de una va-
riable aleatoria. entonces cualquier valor en este intervalo
puede ser considerado como la fractila de orden p.
2 x" es la fractila de orden p cuando:
P, (.Y< x) ~p ~ P, (.\' ~ x)
3 En el caso de una variable continua. la fractila de or-
den p es un valor de la variable debajo de la cual se en-
cuentra la proporción p de la distribución.
4 Una percentila se define de la misma manera cuando
p se expresa como un porcentaje.
1.15 mediana: Fractila de orden 0.5.
1.16 cuartila: Fracúla de orden 0,25 o fractila de orden
0.75.
1.17 moda; Valor(es) de una variable aleatoria en un má-
ximo local de la función de masa probabilística de una va-
riable aleatoria discreta o en un máximo local de la función
de densidad de probabilidades de una ·Yariable aleatoria
continua.
NOTA - Cuando hay una sola moda, se dice que la distri-
bución de probabilidades es "unimodal": cuando hay má'>
de una moda se dice que es "mullimodal" (o "bimodal"
cuando hay dos modas).
1.18 esperanza matemática (de una variable a leatoria o
de una distribución de probabilidades): Yalor esperado
media:
(1) Para una variable aleatoria discreta .\' que tom;• lo~
\'alorcs x, con las probabilidades p,, la esperanza matemá-
tica. si existe, es
J.J = E(.\) = r.pr'(1
.1
 extendiéndose la sumatoria a todos los Yalores de x, que
pueden ser tomados por .r.
(2) Para una variable aleatoria co'nt.inua .r con una fun-
ción de densidad de probabilidades./{x). la espera nza mate-
mática. si existe. es
.IJx "'E(.\) = Jx.f(x) d-r
con la integral extendtda sobre el(los) intcrvalo(s) de varia-
ción de.r.
1.19 es11e ra nu m ate mática ma rgin:~J : Esperanza mate-
mática de una distribución de probabilidades marginal
( 1.9) de una variable a leatoria.
1.20 c.~pe ranza mate mát ica condicional: Esperanza ma-
temática de una distrlhuc:ión de probabilidades condicio-
nal (l. 10) de una \(lriable aleatoria.
1.21 ,·a ria ble a leatoria centrad a: Variable alea1oria
cuya esperanza matemática es igual a cero.
NOTA - Si una variable aleatoria .r tiene una esperanza
matemática igual a J,J . su correspondiente variable aleatoria
centrada es X- ¡.¡.
1.22 ,·a rianza (de una van able aleatoria o de una distribu-
ción de probabilidades): Esperanza matemática del cuadra-
do de la variable aleatoria centrada ( 1.21 ):
1.23 des,•iación est ánda r (de una variable aleatoria o de
una distribución de probabilidades): Raiz cuadrada posití-
va de la \'aria!lZ<I:
1.24 coeficiente d e "·ariaciÓn (de una variable aleatoria o
de una distribución de probabilidades): Razón entre la des-
viación estándar y la esperanza matemática de una variable
aleatoria no negativa:
Jf1 {).)} 1E(.\) = al¡.¡
1.25 varia ble aleato ria normalizada: Variable a leatoria
cuya esperanza matemática es igua l a cero y cuya desvia-
ción estándar es igual a l .
11
Si en la definición de los momentos se reemplazan las cantidades.\'..r - a. r, Y-b. cte. por sus valores absolutos, es de-
cir. ~\1. ~\'-a j . ; Y~. Y-b· cte., quedarían definidos otros momcn\os llamados "momentos absolutos".
NOTAS
Si la ,·ariablc alcatona uenc una esperanza matemá-
tica igual a 1J y una dcs\'iactón estándar igual a o . la ,·a-
n<tble aleatoria normah;:~da correspondiente es la \(lriablc
aleatoria
(.\'- IJ) 1 (]
La distribución de la ,·ariable aleatoria nonnalizada se lla-
ma "distribución nonnalizada".
2 El concepto de una variable aleatoria normalizada
puede ser generalizado a una "ntriable aleatoria reducida"
que se define usando otra ubicaci-ón y/u otra escala para-
métrica en lugar de una esperant.a matemática y una des-
\'iación estándar.
1. 26 momento11 de orden q alrededor del origen: Espe-
ranza matemática de la potencia q de una variable aleato-
ria, en una distribución uni,·ariablc:
E [ .\''1
NOTA • El momento de orden 1 es la esperanza malemti-
fica ( 1. 18) de la variable aleatoria .r.
1. 27 momento0 de orden q a lrededor d e un origen a:"
Esperanza matemaliea de la potencia q de la variable al~~­
toria (.\' - a). en una distribución uni,·ariablc:
E [( X -a)"J
1.28 momento1 l centrado de orden q : Esperanza mate-
mática de la potencia q de la variable aleatoria centrada
P,: - IJ..-1 (en una distribución univariablc):
NOTA - El momento centrado de o rden 2 es la varianza
( 1. 22) de la variable aleatoria X
1.29 mome nlo11 conjunto de orden q y s al rededor del
origen: Esperanza matemática (en una distribución biva-
riablc) del producto de la variable aleatoria .relevada a la
potencia q por la variable aleatona r clc\'ada a la potencia
s:
E(.\'~ }"1
 NOTA - El momento COJtimllo de orden 1 y O es la t:.~pc­
ranzn matemática marginal (l. IIJ) de.\". El momento con-
junto de orden O y 1 es lt~ espernn;:a matemática marginal
( 119J der.
1.30 momento11 conjunto de orden q ~- s alrededor del
origen a, b.· Esperan7.a matctmitica (en una distribución
bi,·ariable) del producto de la ,·ariable aleatoria(.\"- a) clc-
'ada a la potencia q. por la ,·aríable aleatoria (Y- b) eleva-
d<~ la potencia s:
~:_· [(.\". a)11 o·. b)'J
1.31 momento•' centrado conjunto de orden q y s: Espe·
ranza matemática (en una distribución bivariable) del pro-
ducto de la variable aleatoria {.\"- J.lx) elevada a la potencia
q. por la variable aleatoria (} ·- Jly) elevada a la potencias:
NOTA - El momento centrado conjunto de orden 2 y O es
la ,·arianza de la distribución de probabilidades marginal
(l. 9) de .r. El momento centrado conjunto de orden O y 2
es la varianza de la distrihución de prohabilidades margi-
nal (l. 9) de r.
1.3{ co\·arianza: Momento centrado conjunto de orden 1
y 1: ""
E ((.\" • Px) (Y - V..v )J
1.33 coeficiente de correlación: Razón entre la cova-
rianza de dos variables aleatorias y el producto de sus des·
viaciones estándar:
p=
E r<x- J.l.tHr- v..v>J
NOTAS
Su valor siempre estará entre -1 y + 1 inclusive.
2 Sí dos ,-ariablcs aleatorias son independientes. su
coeficiente de correlación es cero. Sin embargo. si el coe-
ficiente de correlación es cero, sólo se puede inferir que las
dos variables aleatorias son independientes en el caso de
tener una distribución norma"/ bí\"aríada (l. 53).
1.34 cun'a de regresión: Curva (para el caso de dos va-
riables aleatorias) que da para cada x la esperanza mate-
11 Sí en la defínición de los momentos se reemplazan las cantidades.\". X- a. r. r · b. etc. por sus \aJores absolutos. es de-
cir. ~\l ~f-a·. Y .. , Y·bl etc.. quedarían definidos otros momentos llamt~dos "momentos absolutos".
málica condicional de r para .r = x. Esta cur.a se llama
"cur.a de regresión de r en.\".
NOTA -Cuando la cur.·a de regresión de }"en X es una lí-
nea recta. 1;~ regresión se denomina "lineal simple".
En dicho caso. el coeficiente de regresión lineal de r en .r
es el coeficiente de x (la pendiente) en la ecuación de la lí-
nea de regresión.
1.3:"1 superficie de regreston: Superficie que da para
cada par (x. y) la esperanza matemática condicional de Z
para .\" = X e }" =y para e) caso de tres variables aleatorias
.r. }" y l. donde Z está afectada por X e r. Esta superficie
es llamada "superficie de regresión del en.\" e 1".
NOTAS
Cuando la superficie de regresión es un plano. la re-
gresión es llamada "lineal''. En dicho caso. el coeficiente
de regresión lineal de l en .r es el coeficiente de x en la
ecuación de regresión de la superficie plana.
2 La definición anterior puede ser extendida a más de
tres \'ariables aleatorias.
1.36 distribución uniforme; distribución rectangular:
( 1) Distribución de probabilidades de una variable alea-
toria continua. cuya función de densidad de probabilidad es
constante dentro de un inter.'alo finito (n,bl y cero fuera de
este inter.'alo.
(2) Distribución de probabilidades de una variable alea-
toria discreta donde
p r (\"=x)=j_
" 11
1
para i = l. 2.... , n
NOTA - Una distribución uniforme discreta tiene una pro·
babílídad de ocurrencia igual para cada uno de sus n ,·ato-
res. por ejemplo
P,1 = lln
Paraj ~, l. 2 ..... n
1.37 distribución normal; distribución de Laplacc-
Gauss: Distribución pe probabilidades de una \'ariablc
5
 aleatoria continua .r. cuya función de densidad de probabi- donde
lidades es
-oo <t <+oocon el parámetro v= l. 2.... :
·
/(x) 1
= cr .['2rr e:xp [ - lJ (X - jJ )
-cr- ;]
res la función gamma definida en J..t.l.

para- oo < x < +oo · NOTA - El cocicmc de dos \·ariables aleatorias indepen- .
dientes. cuyo numerador es una Yariable normal normali-
NOTA - J.l es la esperanza matemática y a es la deS\'iación zada y cuyo denominador es la raíz cuadrada positiva del
estándar de la distribución normal. cociente de una \'ariable aleatori::t x~ con v grados de liber-
tad, es una distribución de Student con v grados de
1.38 distribución normal normalizada; distribución de libertad.
Laplacc-Gauss normalizada: Distribución de probabili-
dades de la variable aleatoria normal normalizada C. cuva 1.41 distribución F: Distribución de probabilidades de
función de densidad de probabilidades es - una variable aleatoria continua. que puede tomar cualquier
,·alor entre O y + oo. cuya función de densidad de probabi-
{(u)= Jk exp(- ~~)
lidades es

{(F; v~_ v~) ==

para - oo < u < + oo

(Véase 1.25, nota 1).

1.39 distribución chi-cuadrado; distribución X~: Distri- donde

bución de probabilidades de una variable aleatoria continua
que puede tomar cualquier valor entre O y + 00, cuya fun- F ;::: O con los parámetros v 1 v 2 = L 2, . · .:

ción de densidad de probabilidades es res la función gamma. definida en 1.44.

/
NOTA - Esla es la distribución del cociente de dos varia-
bles aleatorias independientes, distribuidas según x2 y
donde cada una dividida por su correspondiente número de gra-
dos de libertad. El número de grados de libertad de la va-
x2 ~o con parámetros v= l. 2.... : riable aleatoria x1 del numerador v 1 y del denominador v 2
son. en este mismo orden, el número de grados de libertad
de la variable aleatoria distribuida según F.
r es la función gamma definida en ( 1:44).
1.42 distribución log-nonnal: Distribución de probabili-
NOTAS
dades de una variable aleatoria continua X que puede to-
mar cualquier valor entre a y + oo, cuya función de
La suma de los cuadrados de v variables normales
densidad de probabilidades es
normalizadas independientes es una variable aleatoria x2
con el parámetro v; ves llamado grados de libertad (2.85).

2 La disl.ribución de probabilidades de la variable alea-

r.() ..
,,X
(X-
1
a)o{iñ
¡1 [log~(x-a)-J.JJ2l
exp --
2 cr
toria X~ /2 es una distribución gamma ( 1.44) con parámetro
m= v/2. donde

1.40 distribución t; distribución de Studeot: Distribu- x>a:

ción de probabilidades de una variable aleatoria continua.
cuya función de densidad de probabilidades es ~y cr son la medía y la dcsúación estándar respecti-
vamente del log. (X- a).
{(t:v)=-l-(r[(v+l)/21)[ 1 )
,¡r:¡ry
11 V
f(v/2) ( l + ¡-fv)
, (v+l)i2

6
 NOTAS
La distribuCIÓn de probabilidades de un<l ,·ariablc
aleatoria log,. (.r - a) es una distribución normal: ¡; ~· o
son. rcspccti\'amemc. la esperanza matemática y la desvia-
ción estándar de esta \'ariable aleatoria.
2 Los parámetros J.l y o no son los logaritmos de la me-
dia y de la desviación estándar de X.
3 Frecuentemente se usa ellog10 en lugar dcllog,..
En este caso
2 El parámetro m detennina la forma de la distribu-
ción. Para 111 = l. la distribución gamma se convierte en
una distribución exponencial
3 La suma de m ,·ariablcs aleatorias independientes con
una distribución exponencial con el parámetro t.. = ~. es
una distribución gamma con los parámetros m y a .
1.45 distribución beta: Distribución de probabilidades de
una variable aleatoria continua X que puede tomar cual-
quier ,·ator entre O y l inclusi\'e. cuya función de densidad
de probabilidades es

con O :S x :S 1 y los parámetros 1111• m)> O.

donde
r es la función gamma. definida en 1.44
p y o son, respectivamente. la media y !a dcs\'iación
estándar dellog1u (X- a):
NOTA -Para m1 =m~ = l. la distribución beta se convierte
en una distribución uniforme con a = O y b "" l.

1.46 distribución de Gumbel; distribución de valores

1.43 distribución exponencial: Distribución de probabi-
extremos tipo 1: Distribución de probabilidades de una
lidajies de una variable aleatoria continua X que puede to-
variable aleatoria continua .r. cuya función de distribución
mar cualquier valor entre O y + oo, cuya función de
es
densid<Ml de probabilidades es
F(x) = exp (-e'Y)

con
con x ~O y el parámetro A. >O.
- oo ( x( +oo:
NOTA - Esta distribución de probabilidades puede ser ge-
neralizada sustituyendo (x-a) por x (con x ~a).
y= (x- a)/b: y
f..U distribución gamma: Distribución de probabilida-
los parámetros -oo <a < +oo, b >O.
des de una variable aleatoria continua. X que puede tomar
cualquier valor entre O y + oo, cuya función de densidad de
probabilidades es: 1A7 distribución de Fréchet; distribución de valores
extremos tipo JI: Distribución de probabilidades de una
variable aleatoria continua X que puede tomar cualquier
valor entre a y+ oo, cuya función de densidad de probabili-
dades es
con x ~O y los parámetros m > O. a> O.

La función gamma f(m) es

co n
~

r {m) fe ·xxm·ldY'
o x >a;

NOTAS y= (x- a)lb: y

Cuando m es un número entero. entonces los parámetros- oo< a<+""· k> O, b >O.

f(m) =(m- 'i)!

7
 NOTA - El parámetro k determina la forma de 1:1 tienen por el desarrollo del binomial del e.,poncncial nega-
distribución. tivo -e

1..18 distribución de Wcibull; distr:ibución de nlorcs p' 11 - n- P>r

extremos tipo 111: Distribución de probabilidades de una
variable aleatoria continua .r que puede tomar cualquier según sean las potencias de ( 1-p) enteras y posui,·as.
valor entre a y + oo .. cuya función de distribución es
2 Cuando el parámetro e = .1. la distribución se llama
F(x) "" 1 - exp(·:Y k) "distribución geomctríca".

con 1.51 distribución de Poisson: Distribución de probabili-

dades de una variable aleatoria discreta .\"de modo que
x >a~
X
= !!!...e-"'
y== (x- a)/b; y x!

los parámetros- 00 < a < + oo. k> O. h >O. con x =O. L 2..... y parámetro m >O.

NOTA - El parámetro f.: fija la forma de la distribución. NOTAS

La esperanza matemática y la ,·arianza de una distri-

1.49 distribución binomial: Distribución de probabilida-
des de una variable aleatoria discreta .r que puede tomar
cualquier valor entero de O a n, de modo que
con
x"" O, 1, 2, ... , n; y
bución de Poisson son ambas iguales a 111.
2 La distribución de Poisson puede ser usada para
aproximar la distribución binomial cuando n es grande, p
es pequeilo, y np"' m.
1.52 distribución bipergcométrica: Distribución de ' pro-
babilidades discreta con la función de probabilidad /

parámetros n"" 1, 2, ... ;y O< p < 1 (AI)(N- M)

X 11- X
P,(X=x)= (~)
donde
donde
( ")- 11!
X x'(n·x)'
x = mh:. (0, M- N+ n). máx. (0, M- N+ n) +l .....
1.50 distribución binomial oegati\'a: Distribución de pro- min. (M, n)
babilidades de una variable aleatoria discreta X. de tal
modo que los parámetros N"" l. 2....

M::: O. L 2.... , V

n = 1, 2..... :\'

con x =O, l. 2, ... , y parámetros e>{) y O< p < 1 V

(M)_
donde M!
x x!(M-x)!
e + x - 1 ) = (e+ x- 1)!
( x x!(e- 1)! etc

NOTAS NOTA - Esta distribución surge como la distribución de

probabilidades para un número de sucesos en una muestra
El nombre "distribución binomial negativa" se debe a de lamatio n tomado sin reposición de una población de ta-
que las probabilidades sucesivas para x =O, l. 2.... se ob- maño .V que contiene ;\1 sucesos.

8
 J.SJ dbtribución normal hívariada; dis.l ribuciún clr La- con
placc-Causs hivariada; Distribución de probabiliuaJc.s de
dos variables aleatorias continuas .\'e r. de moJo qu~ la -T.<II··· IX
función de densidad de probabilidades es
\'

--:r.: < \' < +X:

El parámetro p~s el coeficiente de correlación de X e Y, y

también de t: y de r.

NOTA - Estn distribución puede ser ge11eralízada a una di~­

con
tribución de más de dos variables aleatorias de modo que la
distribución marginal de cualquier par de estas distribucio-
-")O< X< +'Y.:
nes tome la torma arriba descrita.

y 1.55 distribución multinomial: Distribución de probabi·

lidadcs de k variables aleatorias díscre1as, X,. X~ . ... , X1 • Jc
-oc <y< +oc modo qu~

donde ll< y J.l.,. son las esperanzas matemáticas y

<J,y cr, las desviaciones estándar de las distribuciones
marginales de X e Y (siendo ambas distribuciones norma-
les): p es el coeficiente de correlación de X e Y. !Véase
nota 2 de 1.33 ).
donde x 1• -":· . . . . xk son números enteros tomados de
NOliA - Esta distribución puede ser generalizada para una O. l. 2, .... de modo que x, + x~ + ... + x. = n
distribución de más de dos variables aleatorias, de modo
que la ct:Stribución marginal de cualquier par de estas dis- con parámetros
tribuciones tome la forma arriba descrita.
p, ~o (i ~ l. 2, ... k)
1.54 distribución normal bivariada normalizada; distri-
bución de La¡}face-Gauss bivariada normalizada: Dis- y
tribución de probabilidades de un par de variables
aleatorias normales normalizadas. Para un par de variables k
I: p, = 1
aleatorias normales (X. Y) con parámetros (¡.t r. ~~ ... ). 1=1
(cr.•. cr,) y p. las variables aleatorias. normalizadas corres-
pondientes son

donde k "' 2. 3, ...

U= X -p., y
<J,

La función de densidad de probabilidades de U y de V es ~OTA - La distribución multinomial es una generalización

,. de la disrribucíón bínomwl ( 1.4<>) de una distribución con Ir.

f(u. v} = 1
~
2n ~ 1 - p-
l r
exp --(--,.
!
( u--
>
•-"·l
2puv + v-)
,\
> 2 variables aleatorias.

1)
 SECCIÓN 2: TÉRMINOS ESTADiSTICOS
GENERALES
Los términos definidos en la sección·) ,(términos usados en
la teoría de probabilidades). son definidos en términos de
las propiedades de la población. En la sección 2. las defi-
niciones están relacionadas a un conjunto de obser\'acio-
nes. Muchas de estas definiciones implican obscr\'acioncs
sobre una muestra de alguna población. pero las definicio-
nes de muestra y muestreo serán precisadas en la sección 3.
Si fuese necesario distinguir cmrc los parámetros de la po-
blación y los resultados de los cálculos sobre la muestra o
Jos datos empíricos. las palabras "muestra" o "empírico"
pueden ser agregadas como calificativo a los términos defi-
nidos en esta sección.
2.1 elemento; unidad: Aquello que puede ser descrito y
considerado individualmente.
NOTAS
1 Una unidad puede ser. por ejemplo:
una entidad física;
una cantidad de material definido~
un servicio, una actividad o un proceso:
una orgarúzación o una persona: o
alguna combinación de ellos.
2 En inglés, elténnino "unit" o "individual'' no debería
ser usado en lugar de "entity" o "item".
3 En francés, el ténnino "individu" puede ser usado en
lugar de "entité", en estadística.
2.2 característica: Propiedad que ayuda a identificar o
diferenciar entre elementos de una población dada.
NOTA -La característica puede ser cuantitativa (por varia-
bles) o cualitativa (por atributos}.
2.3 JlOblacióo: Totalidad de los elementos bajo
consideración.
NOTA - En el caso de una variable aleatoria. la distribu-
ción de probabilidades ( 1.3) se considera para definir la
población a la que pertenece esa ,·ariable.
2A base del muestreo: Lista, seleccionada para propósi-
tos del muestreo, que designa los elementos de una pobla-
ción a ser considerados en un estudio.
10
2.5 subpoblación: Parte definida de una población.
2.6 ulor obscn·ado: Valor de una característica obteni-
da como resultado de una obscr,ación simple. (Véase sec-
ción 1)
2. 7 clase:
( 1)Para una característica cualitativa, grupos de ele-
mentos apropiadamcnlc definidos en el que cada grupo tie-
ne algún atributo común, siendo los grupos mutuamente
excluyentes y exhaustivos.
(2) Para una característica cuamitativa. cada uno de los
intervalos consecutivos y mutuamente excluyentes dentro
del cual el inteC\·alo total de variación está definido.
2.8 límites de clase, fronteras de clase: Valores que
definen los extremos superior e inferior de una clase.
NOTAS
Se debería especificar cual de las dos fronteras se
considera perteneciente a la clase.
2 Si es posible, ningún límite de clase dcber,ja coincidir
con un valor posible. ....,
2.9 (lUnto medio de la clase: Media aritmética de lo$
límites superior e inferior de una clase para una caracterís-
tica cuantitativa.
2.10 am¡llitud de clase: Diferencia entre el límite supe-
rior y el límite inferior de una clase para una característica
cuantitaliva.
2.11 frecuencia: Número de ocurrencias de un tipo de
evento dado o número de observaciones que caen (o están)
dentro de una clase especifica.
2.12 frecuencia acumulada: Número de miembros de un
conjunto de observaciones que tienen valores menores o
iguales a un valor dado.
NOTA - Con los datos agrupados dentro de clases. la fre-
cuencia acumulada puede ser definida sólo en fronteras de
clase.
2.13 frecuencia relativa: Frecuencia dividida entre el
número total de ocurrencias u obserYaciones.
2.14 frecuencia relath·a acumulada: Frecuencia acumu-
lada dividida entre el número total de observaciones.
 2.1!' distribución de fn.>cuencia: Relación empírica en-
tre los valores de una característica y sus frecuencias o sus
frecuencias relativas.
NOTA - La distribución puede ser gráficamente presenta-
da como un histograma (217). gráfico de harras (2.18).
polígono de frecuencia acumulada (2 19). o como una ta-
hla de dohle entrada (2.22).
2.16 distribución de frecuencia de una \'ariable: Distri-
bución de frecuencia para una sola característica.
2.17 histograma: Representación gráfica de la distribu-
ción de frecuencia de una característica cuantitativa que
consiste en un conjunto de rectángulos contiguos, cada uno
con una base igual a la amplitud de clase y un área propor-
cional a la frecuencia de clase.
2.18 gráfico de barras, dia~rama de barras: Represen-
tación gráfica de una distribución de frecuencia para una
característica cualitativa que consiste en un conjunto de
barras de amplitud unifonne y longitud proporcional a la
frecuencia.
2.19 Jlolí~ouo de frecuencia acumulada: Línea poligo-
nal¡>btenida por la unión de puntos cuyas abcisas son el
límite superior de las clases y cuyas ordenadas son las fre-
cuenciai absolutas acumuladas o las frecuencias relativas
acumuladas. ·
2.20 distribución de frecuencia bivariable: Para dos ca-
racterísticas consideradas simultáneamente, relación empí-
rica entre los pares de ,·alores o características de clases,
por un lado, y sus frecuencias por el otro.
2.21 diagrama de dispersión: Representación gráfica
que consiste en un conjunto de puntos cuyos ejes coordena-
dos x e y (ejes rectangulares ordinarios) son los valores de
las características .re Y.
NOTAS
Un conjunto de n elementos suministra así n puntos
cuya dispersión demuestra la relación en1re X e r.
2 1 El concepto de un diagrama de dispersión puede ser
extendido a más de dos caraCterísticas.
2.22 tabla de frecuencias de doble entrada, tabla de
contingencia: Tabla usada para representar una distribu-
ción de dos características en la cual las filas y las colum-
nas corresponden a los valores o clases de la primera y
segunda c.aracteristica respectivamente. En la intersección
de una fila y una columna aparece la frecuencia correspon-
diente a la combinación de los valores o clases.
NOTA - El concepto puede ser generalizado en los casos
de más de dos características.
2.23 distribución de frecuencia multh·ariable: Para va-
rias características consideradas simultáneamente. relación
empírica entre conjuntos de valores unidos o clases de ca-
racterísticas. por un lado. y sus frecuencias por el otro.
2.2-' distribución de frecuencia marginal: Distribución
de frecuencia de un subconjunto de k, < k características
para una distribución de frecuencia multivariable de k ca-
racterísticas, tomando las otras variables (k - k1) algún va-
lor dentro de su conjunto de valores.
NOTA - Para k = 2 características. las distribuciones de
frecuencia marginal pueden ser obtenidas por la suma de
cada valor o clase de característica en consideración a las
frecuencias correspondientes (o frecuencias relativas) de la
otra característica.
EJEMPLO
En una distribución de frecuencias con tres características
X. Y y Z, hay
tres distribuciones de frecuencia marginal de dos va-
riables, es decir. las distribuciones de los pares (X,}').
(X.Z), (Y,Zj.
tres distribuciones de frecuencia marginal de una va-
riable, es decir. las distribuciones de X, de Y y de Z.
2.25 distribución de frecuencia condicional: Distribu-
ción de frecuencia de k, < k características de una distribu-
ción de frecuencia multivariable cuando las características
remanentes (k- k,) son fijas.
NOTA - Para k = 2 características, las distribuciones de
frecuencia condicionales son leídas directamente en filas y
columnas de la tabla de frecuencia de doble en1rada. Las
distribuciones condicionales de frecuencias relativas son
obtenidas por la división de los números en cada fila (o co-
lumna) por el número total en las filas (o columnas)
relevantes.
EJEMPLO
En una distribución de frecuencia con dos características X
e Y. hay
la distribución de .frecuencia condicional de X; una
distribución específica es expresada como la distribución
de X parar= y: y
11
 la distribución de frecuencia condicional de r: una
distribución específica es expresada como la distribución
de r para .r ~ x.
2.26 media aritmética; promedio: Suma de ,·atores díú-
dido por el número de \'atores.
NOTAS
El término "media" se usa generalmente cuando es
referido a un parámetro de población y el término "prome-
dio" cuando es referido a resultados de un cálculo sobre los
datos obtenidos en una muestra.
2 El promedio de una muestra aleatoria simple de una
población es un estimado insesgado de la media de esta po-
blación. Sin embargo. algunas veces son usados otros esti-
madores tales como la media geométrica o annónica. la
mediana o la moda.
2.27 media aritmética ponderada; media ponderada:
Suma de los productos de cada .valor y su peso. dividido
por la suma de los pesos. donde los pesos son coeficientes
no negativos asignados a cada uno de los valores.
2.28 mediana: Si n valores son arreglados en orden no
decreciente en magnitud y numerados desde 1 hasta n, la
mediana de estos 11 valores es el valor [(n + 1)/2]<'11110 si 11 es
impar.
Sí n es par, la mediana se encuentra entre los (n/2)"""" y los
[(n/2)+ 11.,""• valores y no está definida únicamente. A me-
nos que se especifique lo contrario. esto puede ser tomado
como la medía aritmética (2.26) de esos dos valores.
2.29 centro del rango: Media aritméúca del mayor y del
menor valor observado de una característica cuantitativa.
2.30 rango: Diferencia entre el mayor y el menor valor
observado de una característica cuantitativa.
2.31 rango promedio; rango medio: Media aritmética de
los rangos de un conjunto de muestras del mismo tamaño.
2.32 desviación media: Medía aritméúca de las desvia-
ciones respecto a un origen cuando todas las desviaciones
son dadas con signo positivo.
NOTA - Generalmente, el origen seleccionado es la medía
arírmética (2.26), aunque la desviación media sea minimi-
zada al tomar la mediana como el origen.
2.33 varianza: Medida de la dispersión. que es la suma
del cuadrado de las desviaciones de las observaciones y sus
promedios. dividida po~_el número de observaciones menos
uno.
12
EJEMPLO
Para n obsen·acíoncs X1 • .r, ... Y., con promedio
- = ij ~
1 L.
X X1
1
La \·arianza es
s 2 = lt•·
_!_t E (x , -x) 2
1
NOTAS
La varianza de la muestra es un estimador inscsgado
de la ,·arianza de la población.
2 La \·aríanza es n/(n·l) veces el momento centrado de
orden 2 (véase nota de 2.39).
2.3-' desviación estándar: Raíz cuadrada positiva de la
varianza.
NOTA - La desviación estándar de la muestra es un esti-
mado sesgado de la desviación estándar de la población.
2.35 coeficiente de variación: Para una característica no
negativa, razón entre la desviación estándar y el prom~io.
NOTAS
La razón puede ser expresada como un porcentaje.
2 El término "desviación estándar relativa" es usado
algunas veces como una altemativa de "coeficiente de va-
riación", pero este uso no es recomendado.
2.36 momento de orden q alrededor del origen: En una
distribución de una característica simple, media ari!mética
de las q pOtencias de los valores observados.
l
..
[ /'1
1
donde n es el número total de obscn·aciones.
NOTA - El momento de orden 1 es la media aritmética de
los valores observados.
2.37 momento centrado de orden q: En una distribución
de una característica simple. medía aritmética de las q po-
tencias de la diferencia entre los valores observados y sus
promedios i
donde n es el número de obsen'aciones.
 NOTA - El momento centrado de orden 1 es i~ual a cero.
2.38 momento conjunto de orden q y .\" alrededor del
origen: En una distribución conjunta de dos c¡¡racterísti-
cas. media aritmética de los productos de las q potencias de
x, y de las s potencins de y, para todos los pares observados
(X;, Y):
! ,~
x,lf y,·'
11 <:-
'
donde n es el número de pares observados.
NOTAS
El momento conjunto de orden q y s es uno de los
momentos de orden (q + s).
2 El momento de orden l y Oes la media de la distribu-
ción de frecuencia marginal de X, y el momento de orden O
y 1 es la media de la distribución de frecuencia marginal de
Y.
2.39 momento centrado conjunto de orden t¡ )' s: En
una distribución conjunta de dos características, media arit-
mética de los productos de la q potencia de la diferencia
entrif'x; y su promedio i, y las potencia de la diferencía en-
tre y, y~ promedio ji, para todos los pares observados (x;.
}';}:
ñ1 "'
L (X; -x
'')''(v,-y-)·'
1
donde n es el número de pares observados.
NOTA - El momento centrado de orden .2 y O es la varian-
7.a de la distribución de frecuencia m·arginal de X multipli-
cada por (n-1)/n. El momento centrado de orden Oy 2 es la
varian7.a de la distribución . de frecuencia marginal de Y,
multiplicada por (n-I )In. ·
2.40 covarianza: Suma de los productos de las desviacio-
nes de :re y de sus respectivos promedios divididos por el
número de pares observados menos uno.
, s.n, - -
1 L (x~ - ,t) (F; - _ii)
n- 1 ,
donde n es el nllmero de pares observados.
NOTA - La covarianza de la muestra es un estimador in-
sesgado de la covarianza poblacional.
2.-J J coeficiente de corrcfaciún: l~azón entre la covarian·
za de dos características y d producto de sus desv iaciones
c~t<indares.
donde
s.,.es la covaríanza de X e Y
s,. y s, son las desviaciones estándnres de X e r
respectí vamente.
NOTAS
bte coeticieme es usado freeuenccmcnte como una
expresión numérica para la independencia lineal entre X e r
en la serie de observaciones apareadas. 0 1ando sea posi-
ble. el diagrama de dispersión (2.2 1) también debería ser
examinado para verificar la linealidad.
2 El valor de r,, siempre permanecerá entre · 11 y -1 l.
Cuando el coeficiente de correlación es igual a ~mo de estos
límites, significa que allí existe una relación lineal exacta
entre X e Y en la serie de observaciones apareadas.
3 Este coeficiente de correlación es para las característi-
cas medidas. Otros coeficientes de correlación tales como
los coeficientes de Spcarman o de Kendall son usados para
datos ordenados o clasificados.
2.42 curva de regresión: Para una muestra den pares de
observaciones de dos características X e Y. la curva de re-
gresión de Y en X es una representación de Y como una fun-
ción de.\'.
2.43 superficie de regresión: Para una muestra de n ob-
servaciones de cada una de las tres características X. Y y Z.
la superficie de regresión de Z sobre X e Y, es una represen-
tación de Z como una función de X e Y.
NOTA - El concepto anterior puede ser extendido a más de
3 características.
2.44 coeficiente de regresión: Coeficiente de una variable
en la ecuación de una curva de regresión ti de una superli·
cie de regresión.
2.45 estadístico: fun~ión de variables aleatorias de la
muestra.
NOTA - Un estadístico. como una función de variables
aleatorias. es también una vnriable aleatoria y por lo l<tnlo
asume valores diferentes de muestra a muestra. U valor dd
1.~
del estadístico obtenido por el uso de los valores observa-
dos en esta función puede ser usado en una prueba estadís-
tica o como un estimado de un parámetro poblacional, tal
como una media o una desviación estándar.
2.46 estadístico de orden: Cuando las observaciones en
una muestra son ordenadas en forma no decreciente en
magnitud, cada una de estas observaciones ordenadas es un
valor de una variable aleatoria conocida como un estadísti-
co de orden. Más aún, cualquier cstadísl..ico basado en es-
tadísticos de orden es conocido además como wt estadístico
de orden.
EJEMPLO
El valor k ésimo en una secuencia no decreciente de obser-
vaciones x1k1es el valor de la variable aleatoria X1.t:1 llamado
"estadístico de orden k". En una muestra de tamaño 11, la
menor observación x 1, 1 y la mayor observación de x1.,1 son
los valores de las variables aleatorias x¡, 1 y X1.,J. el cstadísti·
co de primer y n orden respecl..ivamente. El rango x 1,r xt11,
es el valor del estadístico de orden X1.,¡-x¡, 1
2.47 tendencia: Inclinación hacia arriba o hacia abajo,
después de la exclusión del error al azar y de los efectos cí-
clicos cuando los valores observados son graficados en el
orden de las observaciones.
2.48 corrida: En una serie de observaciones de una ca-
racteristica cualitativa, la ocurrencia de una serie ininte-
mimpida del mismo atributo es llamada "conida".
En una serie de observaciones de una característica cuanti-
taúva, a un conjunto consecutivo de valores que son monó-
tonamente crecientes o decrecientes se le dice que provee
una conida "hacia arriba" o "hacia abajo" respectivamente.
2.49 estimación: Operación de asignar, a partir de las ob-
servaciones en una muestra, valores numéricos a los pará-
metros de una distribución elegida como el modelo
estadístico de la población. de la cual se extrae esta
muestra.
NOTA - Un resultado de esta operación puede ser e>..-presa-
do como Wl valor simple (estimado punlual; véase 2.51) o
como Wl estimado del intervalo (véase 2.57 y 2.58).
2.50 estimador: Estadístico utilizado para estimar el pa-
rámetro de una población.
2.51 estimado: Valores de un estimador obtenidos como
resultado de una estimación.
2.52 error de estimación: Error en la estimación de un
parámetro (T- 0), donde Tdenota el estimador y O el pará-
metro a ser estimado.
14
NOTA - El error de estimación puede implicar uno o más
de los siguientes errores:
-error de muestreo (2.51);
-error de medida (3.8);
- error de redondeo de valores o de su subdivisión en
clases:
-otros errores.
2.53 error de muestreo: Parte del error de estimación
debido al hecho de que sólo wta pequeña porción de la po-
!>lación es 0bservada.
2.54 sesgo del estimador: Diferencia entre el valor espe-
rado del estimador y el parámetro que va a ser estimado
(véase 3.13 ).
2.55 estimador insesgado: Estimador con cero sesgo.
2.56 error estándar: Desviación estándar de un
estimador.
2.57 intervalo de confianza bilateral: Si 6qs un pará-
metro de la población a ser estimado y r, y Tl dos f'u(tcío-
nes de los valores observados, tales que la probabilidad
P,[T1 :::: e~ T2 ] sea al menos igual a (1 -a) (siendo (l -a)
un número fijo, positivo e inferior a 1), el intervalo entre
r, yrl es un intervalo de confianza bilateral a ( 1 - (X) para
O.
NOTAS
1 Los límites T1 y T~ del intervalo de con1ianza son esla-
díslicos (2.45) y para estos generalmente se aswnirán va-
lores diferentes de muestra a muestra,
2 En una serie amplia de muestras, la frecuencia relativa
de casos donde el valor real del parámetro de la población
O está incluido en el inlervalo de confianza es mayor o
igual a (1-o:}.
2.58 intervalo de confianza unilateral: Si Oes un pará-
metro de la población a ser estimado y Tes una función de
los valores observados. lal que la probabilidad P,(T ~O) o
la probabilidad P,(T ~e) se<l al menos igual a ( 1-a) (sien-
do ( 1 -a) un número fijo. positivo e ilúerior a 1). el inter-
valo que se extiende desde el menor valor posible de 8
hasta T, o el intervalo entre Ty el mayor valor posible de
o, es un inlervalo de confian7~1 unilateral a ( 1-a) para e.
 NOTAS
El límite T del intcrYalo de confianza es un estadísti-
co (2.45) y como tal asumirá generalmente ,·alares dife-
rentes de muestra a muestra.
2 Véase nota 2 de 2.57.
2.59 coeficiente de confianza. nivel de confianza: Valor
( 1 -a) de la probabilidad asociada con un intervalo de
confianza o un intervalo estadístico de dispersión (véase
2.57, 2.58 y 2.61).
NOTA - ( 1 -a) es frecuentemente expresado como un
porcentaje.
2.60 límite de confianza: Cada uno de los límites 7"1 _,.
T; del intervalo de confianza bilateral o el límite T del in·
tervalo de confianza unilateral.
2.61 intcnalo estadístico de dispersión: Intervalo para
el que se puede decir. con un nivel de confianza dado. que
contiene al menos una proporción especificada de la
población.
Orando ambos límites están definidos por estadísti-
cos. el interválo es bilateral. Cuando uno de los dos lími-
tes no es finito o consútuye la frontera de la variable. el
intervalo es unilateral.
2 También es llamado "intervalo de tolerancia estadís-
tica". Este término no debe tia ser usado porque puede
causar confusión con "intervalo de tolerancia". el cual es
definido en la norma COVENlN-1$0 3534-2.
2.62 límites estadísticos de dispersión: Para un interva·
lo estadístico de dispersiótl bilateral, son los límites supe·
rior e inferior de este • intervalo. Para un intervalo
estadístico de dispersión unilateral, es el valor tomado por
el estadístico que limita ese intervalo.
NOTA - Éste no debería ser confund.ído con "límites de to·
lcrancia" el cual es definido en la norma COVENIN-ISO
3534·2.
2.63 adecuación de una distribución; validez del ajuste
de una distribución: Medida de la concordancia entre
una distribución observada )" una distribución teórica espe·
citicada a priori o una ajustada a las obserYacíones.
2.6-' valores atíJ)icos: Observaciones en una muestra. tan
separadas de los valores restantes. que sugieren que pue·
den ser de una población diferente o el resultado de un
error en la medición.
2.65 prueba estadística: Procedimiento estadístico para
decidir si una Jupátesis nula debería ser rcchaz.ada en fa,or
de la hip<)lesis alternativa o no (véase 2.66).
NOTAS
La decisión sobre la hipótesis nula (2.66) es tomada
basada en el(los) ,·alor(es) de un estadístico o estadísticos
de pmeba apropiado(s). Dado que el estadísúco de prueba
es una variable aleatoria. existe algún riesgo de error cuan·
do se toma la decisión (véase 2. 75 y 2. 77).
2 Generalmente. una prueba asume a priori que se
cumplen ciertas presunciones (por ejemplo. presunción de
independencia de obserYaciones. presunción de normali-
dad. etc.).
2.66 hi¡lótesis nula e hipótesis altcrnath'a: Afirmación
acerca de uno o más parámetros o acerca de una dístribu·
ción que va a ser ensayada por medio de una prueba es/a·
distica (2.65).
NOTA • La hipótesis nula CHv) se relaciona con la afirma·
ción que está siendo probada mientras que la lúpótesis al-
ternativa (H1} se relaciona con la afirmación que sena
aceptada cuando la hipótesis nula es rechazada.
EJEMPLOS
a) Prueba de hipótesis que la esperanza JJ de una ''a·
riable aleatoria X en una población no es menor que
un valor J..lodado.
Ho(J..l ~ J..lo)y H I(J..l <J..lo)
b) Prueba de la hipótesis que la proporción de ele·
mentos no conformes en dos lotes. p1 y Pz tienen el
mismo valor (no especificados).
e) Prueba de la hipótesis que una variable aleatoria
.res distribuida normalmente (con parámetros no es-
pecificados). Hipótesis alternativa: la distribución no
es normal.
1.67 hipótesis simple: Hipótesis que especifica completa-
mente la distribución de la población.
'
2.68 hi¡>ótesis compuesta: Hipótesis que no especifica
completamente la distribución de la población.
NOTA • En la práctica, esto es comúnmente una hipótesis
que comprende una colección infinita de hipótesis simples.
15
 EJEMPLOS
a) Asumiendo una distribución normal. la hipótesis
1J = !Jo es simple si la desviacióQ estándar de la po-
blación es conocida. pero compuesta si ésta no es
conocida.
b) Todas las hipótesis en los ejemplos dados en 2.66
son compuestos.
2.69 prueba no paramétrica: Prueba en la cual la fun-
ción de distribución del estadístico de prueba no depende
de la función de distribución de las observaciones.
EJEtv1PLO
Prueba de la hipótesis nula en que la observación de dos
series dadas son distribuidas con la misma función de dis-
tribución no especificada.
2. 70 nh,cl de significación (de una prueba): Valor dado
correspondiente al límite superior de una probabilidad de
error del lipo 1 (2. 76).
NOTA - El nivel de significación es usualmente designado
como a.
2. 71 región crítica: Conjunto de los valores del estadísti-
co de prueba para el cual la hipótesis nula es rechazada.
NOTA - Las regiones críticas son determinadas de manera
tal que si la hipótesis nula es verdadera, la probabilidad de
que esta hipótesis nula sea rechazada no debería ser mayor
que un \:aJor a dado. el cual es generalmente bajo {por
ejemplo 5% ó 1%).
EJEMPLO
Una forma clásica de probar la Jlipótesis nula relativa a la
media de una distribución normal con desviación estándar
a, conocida, Ho (JJ ¿ J.! o), contra la hipótesis alternativa
<
H1 (JJ !Jo) usa el estadístico x, que es el promedio de las
muestras.
La región crítica es el conjunto de valores menores que
A= IJo·IJ¡-aO'/ Jii
donde
n es el tamaño de la muestra:
J,lt -a es la fractila de orden ( 1-a) de la variable alea-
toria nom1al normalizada.
.·
16
Si el ,·ator calculado de Xes meuor que. 1_ fiv es rccha1.ada.
Si ocurre el caso opuesto. Hv no es rechazada (es
aceptada).
2. 72 ,·alor crítico: Valores que limitan a la región
critica.
2. 73 11rueba unilateral: Prueba en la cual el estadístico
usado es de una sola dimensión y la región crítica es el .
conjunto de ,·atores menores que un valor crítico (o el con-
jumo de \·aJores mayor que el ,·alor critico).
2. 7.a prueba bilateral: Prueba en la cual el estadístico
usado es unidimensional y la región crítica es el conjunto
de ,·atores menores que un primer. valor crítico y el con-
jumo de \·a lores mayores que un segundo valor crítico.
:-.JOTA - La selección entre una prueba bilateral está deter-
minada por la hipótesis alternativa. En el ejemplo dado en
2. 71. la prueba es unilateral y el ,·alor critico es A.
2. 75 error de primer tipo: Error cometido al rechazar la
hipótesis nula (debido a que el estadístico toma un valor
dentro de la región crítica). cuando la hipótesis nula es
verdadera.
NOTA - A menudo es llamado error del tipo l. """
2. 76 probabilidad del error del tipo 1: Probabilidad dé
cometer el error de primer tipo.
NOTAS
Este siempre es menor o igual al nivel de signifiw-
ción (2. 70) de la prueba.
2 Algunas \'CCCS es llamado "riesgo del tipo [ ".
EJEMPLO
En el ejemplo dado en 2. 71. el error de primer tipo consis-
te en rechazar Hu (J.l ~ !Jo). porque xes menor que A_
mientras que, de hecho. ¡.¡ es igual o mayor que J.lo. La
probabilidad de tal error es a si 1J = !Jo y disminuye
cuando 1J se incrementa.
2. 77 error de segundo tipo: Error de no rechazar {acep-
tar) la hipótesis nula {porque el valor del estadístico cae
fuera de la región crítica). cuando la hipótesis nula no es
verdadera.
:-.JOTA - A menudo es referido como error del tipo 1l.
2. 78 1•robabilidad del error del Cipo 11: Probabilidad de
cometer un error del segundo tipo.
 NOTAS
Su \·alor. usualmente designado como (3. depende de
la situación real y sólo puede ser calculada si la hipótesis
alterna! iva es especificada adecuadamente.
2 Algunas veces es llamado "riesgo del tipo W.
2. 79 potencia de una prueba: Probabilidad de no come-
ter un error del segundo tipo.
NOTA - Por lo tanto, ésta es la probabilidad. usualmente
designada como ( 1 ·13 ). de rechazar la hipótesis nula
cuando esta hipótesis es falsa. (Véase 2.&1).
EJEMPLOS
a) En el ejemplo dado en 2. 71. el error de segundo tipo
consiste en aceptar H., (J.l ~ p11). porque xcs mayor que A.
mientras que. en efecto, J.l es menor que Pu· La probabili-
dad 13 de tal error depende del valor real de ¡J: mientras
más bajo esté p de p 0 , más cercana estará la potencia a l.
b) En el ejemplo e) de 2.66, la prueba de la hipótesis H.,
(la población es distribuida normalmente) contra la alter-
natiy!¡ H, (la población no es distribuida normalmente). es
imposible expresar (3 como una función de la hipótesis
altemat~a cuando esta alternativa es demasiado
imprecisa.
2.80 función de potencia de una prueba: Función que
da la potencia usualmente designada corno ( 1 -13 ) o
( 1-P,), en términos del valor del parámetro cuando la hi·
pótesis concierne a los valores de w1 parámetro escalar.
NOTA - La función es sólo definida para valores del pará-
metro que realiza la lúpótesis alternativa y representa la
probabilidad, en ténninos del valor del parámetro. de re-
cha:r.ar la hipótesis nula <;uando ésta es falsa.
2.81 curva de JJOtencia: Representación gráfica de la
función de potencia.
EJEMPLOS
a) La figura 1 ilustra la curva de potencia para la prue-
ba de la hipótesis H., (J.J ~ IJu) contra H1 (J.l < J-1 0 ) como una
función de ¡.¡, la media de la población (a es el nivel de
significación (2. 70) de la prueba! (véase 2.76).
b) La figura 2 ilustra la curva de potencia para la prue-
ba de la hipótesis HQ (p ;: p.) contra H, (p > Pu) como una
función de p, la proporción de elementos no coruorrnes en
un lote sujeto a control.
2.82 función característica de o¡leraci6n de una pru<~­
ba: Función que da la probabilidad usualmente designada
como P•. de no rechazar (aceptar) la hipótesis nula en tér-
minos del ,·alor del parámetro cuando la hipótesis concier-
ne al valor de un parámetro escalar.
NOTA · La característica de operación es siempre igual a
uno menos la potencia. (Véase 2.80).
2.83 cun·a característica de operación: Representación
gráfica de la función característica de operación (2.82).
EJEMPLOS
a) La figura 3 ilustra la cun·a CO para la prueba de la
hipótesis H., (J.J 2::. J.Jo) contra H1 (J.l < J.lu) (véase 2.66) como
una función de J.l • la medía de la población ra es el nivel
de significación (2.70) de la prueba!. (Véase 2.76).
b) La figura .J ilustra la cun·a CO para la prueba de la
hipótesis H,¡ (p ~ p11) contra H, (p >p..,) como una función
de p. la proporción de elementos no co1úormes en un lote
sujeto a control.
2.8~ resultado significatiYo (al nivel de significación se-
leccionado a): Resultado de una prueba estadística (2.65)
que conlleva al rechazo de la hipótesis nulo (2.66). Sí la
hipótesis no es rechazada. el resultado no es significativo.
NOTA - Decir que el resultado de la prueba es significativo
estadísticamente, significa que el resultado está fuera del
rango de los valores esperados por los efectos aleatorios
cuando la hipótesis nula es verdadera. Esto no significa
necesariamente que tenga importancia fisica o económica.
EJEMPLO
Para el ejemplo dado en 2. 71, si xes menor que
A = !Ju- ~l·a o/ fii'
se dice que x es significativamente menor que ¡.¡ 0
en el ni·
vel 1 -a.
2.85 grados de libertad: En generaL número de términos
en una suma menos el número de restricciones sobre los
términos de la suma.
2.86 prueba de chi-cuadrado; prueba x~: Prueba esta-
dística en la cuaL bajo la hipótesis nula. se presume que el
estadístico usado tiene una distribución x~ ( 1.39).
NOTA - Ésta es aplicable. por ejemplo. en los siguiente~
problemas:
17
 o
I
(¡;
N
ro
-n
Q)
'-
Q)

"'ro
"' ór;
"'
j5 .....
C1)
.D
o
,_
(L

Media de la población, ~t
/
Figura 1 - Curva de JlOtencia

o
I

·~
1
.....

a.

o Pn
~~--------~~---------J
H,.

Proporción de elementos no
conformes en el lote, p

Figura 2 -Curva de potencia

18
 o
I
-- L ..
<U
a..
1- a
Q)
u

- <U
L-
<U
N
ro
~
u
Q)
L..

o
r:::
Q)
-o <l)

-o Q.
<U
-o
:0
ro
.o
o
o...
L.. o

Media de la población J.l

/ Figura 3- Curva CO
""'
o
I
-.. 1- a
-
L..
<U
a..
Q)
u
-<U
L-
ro
N
<U
~
u
Q)
L..

o
r:::
Q)
-o
-o
ro
-o
-
..0
ro
..0
o
L.. .O p(,
o...
~------------~~-----------J

Ho

Proporción de elementos no
conformes en el lot~. p

Figura 4- Curva CO

19
 - prueba de la igualdad entre la ,·aríanz.a de tma población
normal y un ,·alor especificado: basándose la pmeba esttt-
dística en la varianza de la muestra:
- comparación entre frecuencias obsen:adas y teóricas.
2.87 t)rucba t, prueba de Student: Prueba estadística en
la cual. bajo la hipótesis nula, se supone que el estadístico
usado tiene una distribución t (de Srmlent) (l. .JO).
NOTA - Ésta es aplicable. por ejemplo. en Jos siguientes
problemas:
- prueba de la igualdad entre la media de una población
nom1al y un valor especificado: basándose la prueba esta-
dística en la muestra promedio y la varianza de la muestra:
- prueba de la igualdad entre la medía de dos poblaciones
normales que tenga la misma varianza: basándose la prue-
ba estadística en los promedios y las varianzas de dos
muestras independientes:
- prueba para aplicar a los valores de una regresión lineal o
coeficiente de correlación.
2.88 prueba F: Prueba estadística en la cual. bajo la hi-
pótesis nula, se presume que el estadístico usado tiene una
dislribución F ( 1.41 ).
NOTA - Ésta es aplicable. por ejemplo. en los siguientes
problemas:
- prueba de la igualdad entre las varianzas de dos poblacio-
nes normales; basándose la prueba estadística en las va-
rianzas de las dos muestras independientes;
- prueba (que ocurre en el análisis de varianza) de la igual-
dad entre las medias de varias k poblaciones normales que
tienen la misma varianza; basándose la prueba estadística
en los promedios y las . varianzas de k muestras
independientes.
20
2.89 repetición: Término que denota la ~jecución repeti-
da de una investigación est.adistica usando el mismo méto-
do sobre la misma población ba_jo las mismas condiciones.
(Véase 3.16).
2.90 réplica: Detenninación de un valor más de una ,-e,
durante el curso de un experimento o medición.
NOTA - La réplica debería ser diferenciada de la repeti-
ción puesto que la réplica denota determinaciones desarro-
lladas en diferentes lugares y/o tiempos definidos en el
plan o diseño. Las detenninaciones sucesivas. incluyendo
la primera, son llamadas réplicas. (Véase también ISO
353~-.l. 1.10).
2.91 aleatorización : Proceso mediante el cual un conjun-
to de elementos son seleccionados en fonna aleatoria.
NOTA - Se dice que los números son tomados al azar si se
toman estos números sucesivamente uno a uno sin reem-
plazo y al azar (en fonna que todos los números tengan la
misma oportunidad de ser seleccionados). de una pobla-
ción compuest.a por números naturales desde t a n. hasta
que la población se agota. ,
/
Si estos n números han sido asociados previamente con n
distintos objetos o n distintos tratamientos (véase ISO
3534-3, 1.4) que son entonces organizados en el orden en
el cual los números son tomados, se dice que el orden de
los objetos o trat.amientos es aleatorio. (Véase también ISO
3534-3, 1.12).
2.92 causas aleatorias: Factores no identificados, gene-
ralmente numerosos pero relativamente con poca impor-
tancia. que contribuyen a la variación.
 SECCIÓN J: TÉRMINOS GENERALES RELA TI-
VOS A LAS OBSERVACIONES Y RESULTADOS
DE ENSAYOS
Los térnúnos 3.6 a 3.2-l son considerados en más detalle
en la norma lSO 5725 11.
3.1 cantidad (medible)~': Atributo de un fenómeno.
cuerpo o sustancia. que puede ser distinguido cualitali\ a-
mente y dctenninado cuantitati\·amente.
NOTAS
El término "cantidad• puede referirse a una cantidad
en sentido general [véase ejemplo a)] o a una cantidad es-
pecífica [véase ejemplo b)J.
2 Cantidades que son mútuamente comparables pue-
den ser agrupadas dentro de categorías de cantidades. por
ejemplo:
- trabajo, calor, energía:
-espesor, círcunsferencia, longitud de onda.
3 /En la norma ISO 3l~ 1 se suministran símbolos para
can!ldades.
....
4 La cantidad medible puede ser definida como una ca-
racterística cuantitativa.
EJE~fPLOS
a) Cantidades en un sentido general: longitud. tiempo.
masa, temperatura. resistencia elécUica;
b) Cantidades específicas: longin1d ·de una varilla en
particular, resistencia eléctrica de un alambre en
particular.
3.2 valor verdadero (de una cantidad):}: Valor que ca-
racteriza una cantidad perfectamente definida en las con-
diciones existentes cuando esa cantidad es considerada.
11
ISO 5725:1986. Precisión of test mcthods- Dctermination of rcpcatability and reproducibility for a standard best method
by interlaboratory tests.
;, Esta definición es tomada de lnternational Vocabulary of Basic and General Tcrms in Metrology. ISO/IEC/01-
:YIL/BIPM. Génova, 1984.
J) ISO 31 (Partes O al 13), Quantities and units.
NOTA- El ,·alor verdadero de unil cantidad es un concepto
teórico. ~- en general. no puede ser conocido e.-.:actamcnte.
3.3 Yalor ,·erdadero com·encional (de una cantidad);':
Valor de una cantidad que. para un propósito dado. puede
ser sustituido en lugar del valor verdadero.
NOTA - Un valor \'Crdadero convencional es. en general.
tomado como suficientemente cercano al \·alor \·crdadero
para que la diferencia entre ellos sea insignificante para el
propósito dado.
EJEMPLO
Dentro de una organíl'.ación. el valor asignado a una refc-
rencía estándar puede ser tomado como un valor \·crdadcro
convencional de la cantidad definida por el estándar.
3.4 valor de refe•·cncia aCC(ltado: Valor que sin·e como
una referencia acordada para comparar y que es derh·ada
como:
a) un valor teórico o establecido. basado en principios
cíemíficos {véase 3.2);
b) un valor asignado o certificado. basado en un trabajo
experimental de alguna organización nacional o
internacional;
e) valor certificado o aceptado por consenso o basado en
un trabajo experimental de colaboración bajo los auspi-
cios de un grupo científico o de ingeniería (\·éase 3.3 ):
d) la esperanza de la cantidad medible cuando a). b) y e)
no están disponibles. esto es la media de una población
especificada de medidas.
3.5 objeto medido: Cantidad sujeta a medición.
NOTA - Según sea apropiado. ésta puede ser la cantidad
medida o la cantidad a ser medida.
3.6 valor observado: Valor de una característica obteni-
da como el resultado de una observación individual
21
 J. 7 resultado de ensayo: Valor de una característica ob-
tenida por un método de ensayo específico. ·
NOTA - El método de ensayo debería especificar que una o
más de una observación individual.sean hechas, y su pro-
medio u otra función apropiada (tales como la mediana o la
desviación estándar) sea reportada como el resultado del
ensayo. También puede requerir la aplicación de correc-
ciones estándares, tales como la corrección de volúmenes
de gas a temperatura y presión estándar. De este modo, un
resllltado de ensayo puede ser un resultado calculado a par-
tir de varios valores observados. En el caso más sencillo,
el resultado de ensayo es el valor observado en sí.
3.8 error de resultado: Resultado del ensayo menos el
valor de referencia aceptado (de la característica).
NOTA - El error es la suma de los errores aleatorios y los
errores sistemáticos.
3.9 error aleatorio de resultado: Componente del error
que, en el curso de un número de resultados de ensayo para
la misma característica, varia de fonna impredecible.
NOTA - No es posible corregir un error aleatorio.
3.1 O error sistemático de rcsuleado: Componente del
em>r que, en el curso de un número de resultados de ensa-
yo para la misma característica, pcnnanece constante o va-
ria de fonna predeciole.
NQTA - Los errores sistemáticos y sus causas pueden ser
conocidos o desconocidos.
3.ll exactitud: Proximidad de la concordancia entre un
resultado de ensayo y el valor de referencia aceptado.
NOTA - El término exactitud. aplicado a un grupo de re-
sultados de ensayos, involucra una combinación de compo-
nentes aleatorios y de un error sistemático común o de un
componente sesgado.
3.12 veracidad: Proximidad de la concordancia entre el
valor promedio obtetúdo a partir de una serie larga de re-
sultados de ensayos y el valor de referencia aceptado.
NOTAS
La medida de veracidad es e,,:presada usualmente en
ténn.inos de sesgo.
2 La \'eracidad ha sido referida como "exactitud de la
media". Este uso no es recomendado.
3.13 sesgo: Diferencia entre la espcrant.a matemática de
los resultados de ensayos v el valor de referencia aceptado.
22
NOTA - El sesgo es el error sistemático total a diferencia
del error aleatorio. Puede haber uno o más componemes
de errores sistemáticos contribuyendo al sesgo. Una dife-
rencia sistemática mayor del valor de referencia aceptado
es reflejado por un valor mayor en el sesgo.
3.14 precisión: Proximidad de la concordancia entre los
resultados de ensayos independientes obtenidos bajo condi-,
ciones estipuladas.
NOTAS
La precisión depende únicamente de la distribución
de errores aleatorios y no guarda ninguna relación con el
valor verdadero o el valor especificado.
2 La medida de la precisión ustl3lmcnte es expresada
en ténninos de ímprccisión y calculada como una desvia-
ción estándar de !os resultados de ensayos. Una precisión
menor es reflejada por una desviación estándar mayor.
3 "Resultados de cnsa)·os independientes" significa re-
sultados obtenidos en fonna no influenciada por un resul-
tado previo en el mismo objeto de ensayo u objetos de
ensayo similares. Las medidas cuantitativas de precisión
dependen de manera critica de las C()ndicioncs estipuladas.
Las condiciones de repetibilidad y reproducibilidad son
conjuntos parúculares de condiciones cxtr&nas
estipuladas.
/
3.15 rcpetibilidad: Precisión bajo condiciones de
rcpetibilidad.
3.16 condiciones de repctibilidad: Condiciones donde
los resultados de ensayos independientes son obtenidos por
el mismo método sobre elementos de ensayo idénticos, en
el mismo laboratorio, por el mismo operador, usando el
núsmo equipo y durante cortos intervalos de tiempo.
NOTA- Véase 3.14, nota J.
3.17 desviación estándar de rcpetibilidad: Desviación
estándar de los resultados de ensayos obtenidos bajo condi-
ciones de repctibilidad.
NOTAS
Es una medida de la dispers1ón de la distribución de
los resultados de ensayos bajo condiciones de rcpetibíldiad.
2 Similarmente. la "varian1a de repctibilidad" ~- el
"coeficiente de variación de repetibilidad" podrian ser defi-
nidos y usados como medidas de la dispersión de los resul-
tados de ensayos. bajo condiciones de rcpctibilidad.
 3.18 límite de re¡1etibilídad: Valor maxuno. con una
probabilidad de 95%. de la diferencia absoluw entre dos
resultados de ensayo, obtenidos bajo condiciones de
repctibilidad.
NOTA - El símbolo usado es r.
3.19 diferencia crítica de repetibilidad: Valor máxirno.
con una probabilidad especificada. de la diferencia absolu-
ta entre dos valores finales donde cada uno de estos repre-
senta una serie de resultados de ensayo, obtenidos bajo
condiciones de repctibilidad.
NOTAS
Ejemplos de resultados finales son la media y la me-
diana de una serie de resultados de ensayo. las series en sí
pueden consistir solamente de un ensayo.
2 El límite de repelibilidad res la dife rencia critica de
repetíbilidad para dos resultados de ensayo individuales y
una probabilidad de 95%.
3.20 reproducibilidad: Precisión bajo condiciones de
reproducibilidad.
J.z{ condiciones de reproducibiJidad: Condiciones
donde lQ.s resullados de ensayo son obtenidos con el mismo
método sobre .. elementos de ensayo idénticos en diferentes
laboratorios con diferentes operadores usando equipos
diferentes.
3.22 desviación estándar de reproducibiJidad : Desvia-
ción estándar de los resullados de ensayos obtenidos bajo
condiciones de reproducibilidad.
NOTAS
Es una medida de la dispersión de la distribución de
los resullados de ensayos bajo condiciones de
reproducíbilídad.
2 Similarmente, la "varianza de reproducibilidad" y el
"coeficiente de Yariacíón de reproducibilidad" podrían ser
definidos y usados como medidas de la dispersión de los
resultados de ensayos bajo condiciones de
reproducibilidad.
3.23 límite de reproducibilidad Valor máximo. con una
probabilidad de 9S%. de la diferencia absoluta entre dos
resultados de ensayo_ obtenidos bajo condiciones de
reproducibílidad.
NOTA - El símbolo usado es R.
3.24 diferencia crítica de reproducibilidad: .Valor má-
ximo. con una probabilidad especificada. de la difercnc1a
absoluta entre dos ,·aJores finales donde cada uno de estos
represenla una serie de resultados de ensayo. obtenidos
bajo condiciones de reproducibílidad.
NOTAS
Ejemplos de resultados finales son la media y la me-
diana de una serie de resultados de ensayos: la serie en s1
puede consistir solamente de un resultado de ensayo.
2 El límite de reproducíbilídad R es la diferencia crítica
de reproducibilidad para dos resullados de ensayo y una
probabilidad de 95%.
3.25 incertidumbre: Estimado aplicado a un resultado de
un ensayo que caracteriza el rango de valores dentro de los
cuales se dice que se encuentra el valor verdadero.
NOTAS
La incertidumbre de una medición comprende, en ge-
neral, numerosos componentes. AJgunos de estos compo-
nentes pueden ser estimados sobre la base de una
distribución estadística de los resultados de una serie de
mediciones y pueden estar caracterizados por las desviacio-
nes estándares. Los esúmados de otros componentes sólo
pueden estar basados en la experiencia u otra<;
informaciones.
2 La incertidumbre debería ser diferenciada de un esti-
mado aplicado a un resultado de ensayo que caracteri7..-1 el
rango de valores dentro del cual se dice que se espera la es-
peranza matemática. Esta última estimación es una medi-
da de la precisión más que de la exactitud y debería ser
usada solamente cuando no esté definido el valor verdade-
ro. Cuando la esperanza matemática sea usada en lugar
del valor verdadero. se debería usar la expresión "compo-
nente aleatorio de incertidumbre".
 SECCIÓN -': TÉRMINOS GENERALES RELATI-
VOS A LOS MÉTODOS DE MUESTREO
-t 1 unidad de muestreo:
(1) Unidades individuales en las cuales es dh·idida una
población.
(2) Cantidad de producto. material o servicio que forma
una entidad coherente y es tomado de un lugar en un mo-
mento para formar parte de una muestra.
NOTAS
Una unidad de muestra puede contener más de un
elemento a ser ensayado. por ejemplo un paquete de ciga-
rrillos. pero se obtendrá un solo resultado del ensayo.
2 La unidad de un producto puede ser un solo elemen-
to, un par o un grupo de elementos. o puede ser una canti-
dad especificada de un material tal como el largo de una
varilla de bronce. un volumen de. pintura o un peso de car-
bón. No necesita ser la misma unidad de compra. suminis-
tro, producción o despacho.
4.2 muestra: Una o más unidades de muestreo tomadas
de una población y destinadas a proveer información de la
población.
NOTA - Una muestra puede servir como base para una de-
cisión concerniente a la población o al proceso que la
produjo.
4.3 tamaño de muestra: Número de unidades de mues-
treo que constituyen la muestra.
NOTA - En una muestra polietápica, .el ·tamaño de la
mues!Ia es el número total de unidades de muestreo al con-
cluir la etapa final del muestreo.
4.4 muestreo: Proceso de extracción o constitución de
una muestra.
4.5 procedimiento de muestreo: Requisitos operaciona-
les y/o instmcciones relativas al uso de un plan de mues-
treo particular; es decir, el método planificado de
selección. extracción y preparación de las muestras de un
lote para dar información de las características del lote.
4.6 muestreo con reemplazo: Muestreo en el cual cada
unidad de muestreo tomada y observada es devuelta a la
población antes de tomar la siguiente unidad de muestreo.
NOTA - En este caso la misma unidad de muestreo puede
aparecer varias veces en la muestra.
24
4. 7 muestreo sin reemplazo: Muestreo en el cual las
unidades de muestreo son tomadas de la población sola-
mente una vez o sucesivamente sin ser regresadas a la
población.
4.8 muestra aleatoria: Muestra den unidades de mues-
treo tomadas de una población de tal manera que cada una
de las posibles combinaciones de JI unidades de muestreo
tiene una probabilidad particular de ser tomada.
-'.9 muestra aleatoria simple: Muestra de JI unidades
de muestreo tomadas de una población de tal manera que
todas las combinaciones posibles de JI unidades de mues-
treo tienen la misma posibilidad de ser tomadas.
-'.10 submucstra: Muestra tomada de una muestra de
una población.
NOTAS
Puede ser seleccionada por el mismo método que fue
usado en la selección de la muestra original. pero no nece-
sariamente debe ser así.
2 En el muestreo de materiales a granel, las submues-
tras son a menudo preparadas por división de .la muestra.
La submuestra así obtenida es también llamad"- una
''muestra dividida". (Véase 4.11 ).
,1
4.11 división de una muestra: Proceso de selección de
una o más submuestras de una muestra de un material a
granel por medíos tales como división mecánica o
fraccionamiento.
4.12 muestra duplicada: Una de dos o más muestras o
submuestras obtenidas separadamente al mismo tiempo
por el mismo procedimiento de muestreo (4.5) o procedi-
miento de división de una muestra (4.11).
4.13 estratificación: División de una población en sub-
poblaciones mutuamente exclusivas y exhaustivas (llama-
das estratos), que se piensa que son más homogéneas con
respecto a las características investigadas que la población
total.
-'.14 muestreo estratificado: En una población que pue-
de ser dividida en diferentes subpoblaciones mutuamente
exclusivas y exhaustivas (llamadas estratos). es el mues-
treo efectuado de tal manera que porciones especificas de
la muestra son tomadas de diferentes estratos y cada estra-
to es muestreado al menos con una unidad de muestreo.
4.15 muestreo sistemático: Muestreo por algún método
sistematizado.
 4. J6 muestreo sistemático 11eriódico: Si las unidades de
muestreo en une~ población han sido ordenadas sistemáti-
camente (por ejemplo. siguiendo el orden de producción).
y numerados del 1 a la .v. una muestra sistemática de n
unidades de muestreo se obtiene tomando las unidades de
muestreo enumeradas.
h. h + k. h .;.. lk. ...... , h + (n - 1) k.
donde h y k da números enteros que satisfacen las
relaciones.
nk ~N < n (k+ 1) y
h ~k
y h es tomada generalmente al azar de los primeros k nú-
meros enteros.
NOTA - Una muestra sistemática periódica es usada nor-
malmente para obtener una muestra que es aleatoria con
respecto a ciertas características que son conocidas por ser
independientes de la base sistemática.
-'.17 intervalos de muestreo: Intervalo al final del cual
una ynidad de muestreo es tOmada en un muestreo períó-
-
dicd sistemático.
NOTA - Los intervalos de muestreo pueden estar fonnados
por tamaños iguales o por tamaños que dependen de la
producción o tiempo de corrida del proceso (por ejemplo
dependiendo de la cantidad de material producido en un
proceso de producción o del material cargado en un proce-
so de carga).
4.18 muestreo por conglomerados: Método de mues-
treo en el cual la población es dhidida en agregados (o
conglomerados) de unidades de muestreo mutuamente ex~
clusi,·as y exhaustivas relacionadas de alguna manera.
Una muestra de estos co)lglomerados es tomada al azar y
todas las unidades de muestreo que lo constituyen son in-
cluidas en la muestra.
4.19 muestreo pofietápico; muestreo inclusivo: Mues-
treo en el cual la muestra es seleccionada por etapas y las
unidades de muestreo en cada etapa son muestreadas a
partir de unidades de muestreo mayores escogidas en la
etapa anterior.
NOTA - El muestreo polietápico es diferente del muestreo
múltiple. (Véase COVENIN-fSO 3534-2. l.-U).
4.20 muestreo por conglomerados polietápico: Mues-
treo por conglomerados con dos o más etapas donde cada
muestreo se hace sobre agregados conglomerados en los
cuales han sido divididos los conglomerados obtenidos por
muestreo prcYÍO.
.t21 muestra l>rimaria: Muestra tomada de una pobla-
ción en la primera etapa de un mue.wreo polietápico (4.19).
4.22 muestra secundaria: Muestra tomada de w1a mues-
tra primaria durante la segunda etapa de un muestreo po-
lietápico (-U 9).
NOTA -Esta puede ser extendida a la k ésima etapa cuan-
do k> 2.
4.23 muestra final: Muestra obtenida en la última etapa
de un muestreo polietápico (..J.l9).
4.24 fracción de muestreo:
( 1) Relación entre el tamaño de muestra y el numero to-
tal de unidades de muestreo en la población. o subpobla-
cíón. de la cual la muestra ha sido tomada.
(2) Cuando se muestrea material a granel o material de
producción continua, relación entre la cantidad de muestra
(peso, volumen, área, etc) y la población o subpoblacíón.
4.25 incremento: Unidad de muestreo en el caso de
mues/reo a granel (4.27): es decir. cantidad de material to-
mada de una sola vez por una acción de un cuerpo de ma-
terial mayor.
4.26 probeta: Pane de la unidad de muestreo requerida
para propósito de ensayo.
NOTAS
A veces es llamado ''espécimen de ensayo".
2 Un grupo de especímenes de ensayo es a veces llama-
do "unidad de ensayo".
..l.27 muestreo a granel: Muestreo de materiales a granel
en lotes en los cuales las unidades de muestreo no son fá-
cilmente distinguibles al inicio.
NOTA - Por ejemplo. el muestreo de un lote de carbón a
granel para determinar su contenido de ceniza o valor calo-
rí.fico. o de un lote de tabaco para determinar su humedad
(véase también mueslra (4.2)).
4.28 muestra agregad".a:. Agregado de porciones elemen-
tales cuando se muestrea materiales a granel.
-t29 muestra global: Muestra de una población obtenida
por la combinación de todas las unidades de muestreo for-
madas de la población.
25
 -'.30 prcJ>araciún de muestra Para materiales a granel. -'.31 muestn1 de hlboratorio Muestra destinada para
conjunto de operaciones de materiales (tales como reduc- inspección o ensayo de laboratono.
ción de tamaiio. mezclado. di,·isión. etc.) necesarios para
transformar una muestra agregada o ·a .pranel en una mues-
tra de laboratorio o de ensayo. -'.32 muestra de ensayo, muestra de análisis: Muestra.
preparada para análisis o ensayo. donde la cantidad total
NOTA - La preparación de la muestra no debería modifi- es usada al mismo tiempo.
car. dentro de lo posible. la aptitud de la muestra para re-
presentar la población de la cual fue tomada.

26
 Anexo A
(Normath·o)

Símbolos usados en la Norma COVENIN-ISO 3~34-1

-¡-- . ---

~-S-im~b-o-lo~~~~~~~~~~~~~~~T-é-rm~in_._'~~~~~~~~~~~~·l- ~&Na
t: (X) esperanza matemática de una Yariablc aleatoria X (en algunos casos. n es usado
para designar la esperanza matemática) 1.18
F distribución F: designa tanto a la variable aleatoria como al ,·alor particular u ob-
servado de est.'l variable. 1.41
NOTA - Si es necesario. se debería usar los siguientes símbolos:
Fp fractila de orden p de la variable F
F ( v 1 , v 2) variable F con v 1 y v 2 grados de libertad
f~ (v1• v 2) fractila de orden p de la variable F con v 1 y v2 grados de libertad
f{x) G(x) función de distribución (valor en :-\) 1.4
f(x). g (x) función de densidad de probabilidades para una variable aleatoria continua 1.5
k número de clases 2.10
N tamaño de lote o población COVENlN-ISO 3534-2
1.3.6
n tamru1o de mncstra .u
P~~ ). Pr(A) probabilidad de un evento A
R... límite de reproducibilidad 3.23
r ' límite de repctibilidad 3.18
r coeficiente de correlación (en una muestra) 2.41
S desviación estándar de una muestra (véase nota) 2.34
varianza de una muestra 2.33

NOTA - E l símbolo; es usado generalmente para designar la suma de los cuadra-

dos de las desviaciones ~stándar de la media aritmética, dividida por n-1 (y el sím-
bolo s para la raíz cuadrada de esta cantidad) como estimador de la varianza de la
población de la cual la muestra es tomada.
distribución 1 (o de Student): designa tanto a la variable aleatoria como a un valor 1.40
u
particular observado de esta variable.

NOTA - Si es necesario. se debería usar los siguientes símbolos:

lp fractila de orden p de la variable 1
t (v) variable t con v grados de libertad
lp(v) fractila de orden p de la variable 1 con v grados de libertad
e ¡.. variable normal normalizada 1.38
n. 1' valor parúcular de la variable aleatoria normali7.ada 1.38
II',R rango de la muestra 2.30
.r. Y variable aleatoria. ,·alor observable de un¡¡ característica. en una población 1.2. 2.2
x.y valor particular u observado 1.2. 2.6, 3.6
1
i .\p fra~tila de orden p de la variable aleatoria .\' 1.14

27
 ..
··¡
Rcf. No. J
Símbolo Ténnino
1

...

x media aritmétic<~ de tina población 2.26

.r media aritmética (promedio) de una muestra 2.26

a nivel de significación de una prueba. 2.70

riesgo del tipo f 2.76

13 riesgo del tipo 11 2.78

8 parámetro a ser estimado 2.52

1
¡.¡ esperanza matemática 1.1&

V número de grados de libertad 2.85

p coeficiente de correlación (entre dos variables aleatorias o en una población) 1.33

(J desviación estándar de una variable aleatoria o de una población 1.23
(Jl. ¡. (.\) varianza de una ,·aríable o de una población 1.22
x2 distribución chi-cuadrado: designa tanto a la variable aleatoria como a un valor
panicular observado de esta variable 1.39

NOTA - Si es necesario. se debería usar los siguientes símbolos:

x; practilade ordenp de la variable x~

..
xlv) variable x2con v grados de libertad

Xj;{v) practila de orden pde la variable X~con v grados de libertad

'

28
 ÍNDICE ALFABÉTICO

desviación estándar (de una \·ariable alea-

A toria o de una distribución de
probabilidades) 1.23
adecuación de una distribución 2.63 desviación estándar de repctibilidad 3.17
aleatorización 2.91 desviación estándar de reproducibilidad 3.22
amplitud de clase 2.10 desviación medía 2.32
diagrama de barras 2. 18
B
diagrama de dispersión 2.21
diferencia crítica de repctibilidad 3.19
base del muestreo 2.-l
diferencia crítica de reproducibilidad 3.2-l

e distribución beta I...J5

distribución binomial 1A9
cantidad (medible) 3.1 distribución binomial negativa 1.50
característica 2.2 distribución chí-cuadrado ()() 1.39
causas aleatorias 2.92 distribución de Weibull IA8
centro del rango 2.29 distribución de Frechet I...J7
clase 2.7 distribución de frecuencia 2.15
coeficiente de confianza 2.59 distribución de frecuencia condicional 1.10. 2.25
c/eficíente de correlación 1.33. 2.41 distribución de frecuencia bivaríablc 2.20
coefid'Mte de regresión 2.44 distribución de frecuencia de una variable 2.16
·..
coeficiente de variación 2.35 distribución de frecuencia marginal 1.9. 2.24
coeficiente de variación (de una distribu- distribución de frecuencia multivariable 2.23
ción de probabilidades 1.24
distribución de Laplace - Gauss bivariada 1.53
coeficiente de variación (de una variable
distribución de Laplace • Gauss bívariada
aleatoria o de una distribución de
normalizada 1.54
probabilidades) 1.24
distribución de Laplace - Gauss
condiciones de repetibilidad 3.16
normalizada 1.38
condiciones de reproducibilidad .1.21
distribución de Laplace - Gauss 1.37
correlación 1.13
distribución de Poisson 1.51
corrida 2.4X
distribución de probabilidades (de una va-
covarianza 1.32, 2.40 riable aleatoria) u
cuantila (de una distribución de distribución de probabilidades condicional 1.10
probabilidades) 1.14
distribución de probabilidades marginal 1.9
cu:utila 1.16
distribución de Student l. ..JO
curva característica de operación vn distribución de Gumbel JA6
curva de potencia 2.81
distribución de valores extremos tipo 1 JA6
curva de regresión 1.3-l. 2.42
distribución de valores .~xtremos tipo !! l...J7
distribución de valores extremos tipo 111 lAS
D
distribución exponencial IA3

desviación estándar 1.23. 2.34 distribución F l...JI

distribución gamma U4
29
 distribución hipergeométrica 1.52 frecuencia 2.1 1
distribución log - normal IA2 frecuencia acumulada 2. 12
distribución multinomial 1.55 frecuencia relativa 2.1 ~

distribución normal 1.37 frecuencia relativa acumulada 2.1-t

distribución normal bivariada 1.53 función de densidad de probabilidades
distribución normal bivariada normalizada 1.5.t (para una variable aleatoria continua) 1.5

distribución normal normalizada 1.38 función de distribución u

distribución rectangular 1.36 fronteras de clase 2.8

distribución t 1.40 función Gamma U.t

distribución uniforme 1.36 función caracteristica de operación de una
prueba (función CO de una prueba) 2.82
división de una muestra 4.11
función de densidad de probabilidades
(para una variable aleatoria continua) 1.5
E
función de distribución bivaríablc 1.7
función de distribución multi,·ariable u~
elemento 2.1
error aleatorio de resultado 3.9
función de masa probabilística 1.6

error de estimación 2.52

función de potencia de una prueba 2.80

error de muestreo 2.53

G
error de primer tipo 2.75
error de resultado 3.8 grados de libertad 2.85
error de segundo tipo 2.77 gráfico de barras "'
2.18
error estándar 2.56 /
error sistemático 3.10 H
error sistemático de resultado 3.10
esperanza matemática (de una variable hipótesis alternativa 2.66
1.18
aleatoria) hipótesis compuesta 2.68
esperanza matemática condicional 1.20 hipótesis nula 2.66
esperanza matemática marginal 1.19 hipótesis simple 2.67
estadístico 2.45 histograma 2.17
estadístico de orden 2.46
estimación 2.49
estimado 2.51
incertidumbre 3.25
estimador 2.50
incremento 4.25
estimador insesgado 2.55
independencia 1.11
estratificación 4.13
intervalo de confianza bilateral 2.57
estratos 4.l3
inte!"\·ato de confianza unilateral 2.58
exactitud 3.11
intervalo estadístico de dispersión 2.61
intervalos de muestreo 4.17
F

L
fracción de muestreo 4.24
fractila (de una distribución de
límite de confianza 2.60
probabilidades) 1.14

10
 límites de clase 2.8 muestreo por conglomerados -U8
límites de repetibilidad 3.18 muestreo por conglomerados polictápico .uo
limites de reproducibilidad 3.23 muestreo sin reempluo .u
límites estadísticos de dispersión 2.62 muestreo sistemático -U5
muestreo sistemático periódico -U6
M
N
media l.l8
media aritmética 2.26 nh·cl de confianza 2.59
media aritmética ponderada 2.27 nivel de significación (de una prueba) 2.70
media ponderada 2.27
mediana 1.15. 2.28 o
moda 1.17
objeto medido 3.5
momento centrado conjunto de orden q y s 1.3 L 2.39
momento centrado de orden q U&. 2.37 p
momento conjunto de orden q y s alrede- 1.29. 2.38
dor del origen parámetro 1.12
momento conjunto de orden q y s alrede· pcrcentila 1.14
dor del origen (a. b) 1.30
población 2.3
momento de orden q alrededor de un ori-
gep (a) 1.27 poligono de frecuencia acumulada 2.19

momento de orden q alrededor del origen 1.26. 2.36 pote ncia de una prueba 2.79

""
momentos absolutos 1.26 A Ul precisión 3.14
(v pie de preparación de muesua 4.30
página) probabilidad 1.1
muestra .u probabilidad del error del tipo 1 2.76
muestra agregada 4.28 probabilidad del error del tipo II 2.78
muestra aleatoria -U~
probeta 4.26
muestra aleatoria simple 4.9 procedimiento de muestreo 4.5
muestra de análisis 4.32 promedio 2.26
muestra de ensayo -U2 pmeba bilateral 2.74
muesua de laboratorio· -Ul prueba de chi-cuadrado (X 2
) 2.86
muestra duplicada 4.12
prueba de Student 2.&7
,. muestra final -U3
prueba estadística 2.65
muestra global 4.29
prueba F 2.88
muestra primaria -Ul prueba no paramétrica 2.69
muestra secundaria 4.22
pmeba t 2.&7
muestreo .u prueba unilateral 2. 73
muestreo a granel -U7 2.9
punto medio de la clase,
muestreo con reemplazo 4.6
rnueslreo estratificado 4.14 R
muestreo inclusivo 4.19
muestreo polietápíco 4.19 rango 2.30

:H
 rango medio 2.31 valor esperado 1.18
rango promedio 2.31 ,-alor obser\"ado 2.6. 3.ú
región crítica 2. 71 ,·aJor verdadero (de una cantidad) .12
repclibilidad 3.15 valor verdadero com·encional (de una 3 .3
repetibilidad. condiciones de 3.16 canlidad)

rcpetibilidad. desviación estándar de 3.17 valores atípicos 2.6-l

repctíbilidad. diferencia crítica de 3.19 variable aleatoria 1.2

repetibilidad, límiles de 3.18 variable aleatoria centrada 1.21

repetición 2.89 ,·ariable alcatori<~ normalizada 1.25

varianza 2.33
réplica 2.90
,·aríanza (de una \"aríable aleatoria o de 1.22
reproducibilidad 3.20
una distribución de probabilidades)
reproducibilidad. condiciones de 3.21
Yeracidad 3.12
reproducibilidad. deS\·iación estándar de 3.22
reproducibilidad. diferencia crítica de 3.2-l
reproducibilidad. límites de 3.23
resultado de ensayo 3. 7
resultado significativo (al nivel de signifi-
cación seleccionado a) 2.84
riesgo del tipo 1 2. 76
riesgo del tipo rr 2. 78

S /

sesgo 3.13
sesgo del estimador 2.54
submuestra 4.10
subpoblacíón 2.5
superficie de regresión 1.35.2.43
tabla de contingencia 2.22
tabla de frecuencia de dob,le entrada 2.22
tamaño de muestra 4.3
tendencia 2.47

u
unidad . 2.1
unídad de muestreo 4.1

\"alidel. del ajuste de una distribuc ión 2.63

,·alor crítico 2. 72
,·alor de referencia aceptado 3.4

32
 COVENIN- ISO CATEGORJA
3534-1: 1995 E

COMISION VENEZOLANA DE NORMAS INDUSTRIALES

MINISTERIO DE FOMENTO
Av. Andrés Bello Edif. Torre Fondo Co1nún Pisos 11 y 12
Telf. 575. 41. 11 Fax: 574. 13. 12
CARACAS

publicación de: FONDONORMA

CDU: 519.2:001.4
RESERVADOS TODOS LOS DERECHOS
Prohibida la reproducción total o parcial. por cualquier medie.
ISBN: 980-06-1596-2

Descriptores: Estadística, análisis estadístico, control estadístico de la calidad, pruebas estadísricas,

vocabulario, símbolos.