Estadisticaaplicada 150213113058 Conversion Gate01

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

Estimación de parámetros: Introducción: Estimación Puntual
(Estimación puntual para la media poblacional, Estimación
Puntual para la varianza poblacional, Estimación de parámetros
de dos poblaciones, Estimación puntual de una población de
variable cualitativa, Estimación puntual de dos poblaciones de
variables cualitativas) y Estimación por intervalos (Intervalo de
confianza para la media poblacional, Intervalo de confianza para
la diferencia de medias poblacionales, Intervalo de confianza
para la proporción poblacional, Intervalo de confianza para la
diferencia de proporciones poblacionales).
2. Modalidad y procedimiento de desarrollo de la unidad
Durante la fase a distancia

a) Cada alumno lee la primera unidad del módulo.
b) Cada alumno desarrolla las prácticas dirigidas y los trabajos
prácticos.
c) Remite las prácticas y los trabajos a la página web de PROESAD
Durante la fase presencial/tutorial

a) Exposición sobre los trabajos elaborados y remitidos.
b) Refuerzo del profesor con incidencia y corrección en los puntos
fuertes y debilidades.
PROESAD 13 Programa de Educación Superior a Distancia

Mg. María Vallejos Atalaya
Tutoría Nº
Estimación de parámetros:
estimación puntual y estimación
1.1. INTRODUCCIÓN
por intervalos
1
Los métodos estadísticos inferenciales constituyen una forma de extraer conclusiones respecto a
una población, de los datos obtenidos realmente de una muestra.
La inferencia estadística comprende dos tipos principales de técnicas: Estimación de parámetros y

contrastación de hipótesis. Independientemente de la técnica que se utilice, la finalidad general es
utilizar datos de una muestra para extraer conclusiones respecto a una población.
1.2. ESTIMACIÓN DE PARÁMETROS
Las técnicas de estimación son utilizadas cuando el investigador no tiene hipótesis previa respecto
al valor de una característica de la población y desea conocer cuál podría ser tal valor.
La estimación puede asumir 2 formas:
- Estimación puntual
- Estimación por intervalos
1.2.1. Estimación puntual
Contiene el cálculo de una sola cifra numérica, esto es un valor estadístico para evaluar el
parámetro desconocido de la población.
Una desventaja de esta forma de estimación es que no aporta la precisión de la estimación del
parámetro.
Las estimaciones puntuales más usuales son:
(A) Estimación Puntual para la media poblacional.
Se halla mediante las siguientes fórmulas.

- Para datos simples - Para datos agrupados
xi xi f i
= x= = x=
n fi
(B) Estimación Puntual para la varianza poblacional.
Se halla mediante las siguientes fórmulas.

- Para datos simples - Para datos agrupados
2
x2 n( x ) 2 2
x2 f n( x ) 2
= s2 = = s2 =
n 1 f 1

(C) Estimación de parámetros de dos poblaciones
Sea X1 una variable aleatoria que se distribuye como una distribución normal con media 1
2
y varianza 1 e X2 otra variable aleatoria que se distribuye como una distribución normal
2
con media 2 y varianza 2 .
La estimación de parámetros de dos poblaciones se pueden realizar mediante:
a) La comparación de sus medias, luego:
1 - 2 = ˆ 1 - ˆ 2 = x1 - x 2
b) La comparación de sus varianzas, luego:

2 2
ˆ x1 ˆ x1 s 2x1
2
= =
x2 ˆ x 2 s 2x 2
(D) Estimación puntual de una población de variable cualitativa
Sea X una variable cualitativa con:
1, si X A
X
0, si X A
MXi
con P y Q =1- P
N N
A : Presencia de la característica
Luego:
1, si x A
x
0, si x A
xi m
con p y q =1- p
N n
Entonces: P p
(E) Estimación puntual de dos poblaciones de variables cualitativas
Sea X1 la variable aleatoria de una población cualitativa con P x1 proporción de aciertos en X1

y sea X2 la variable aleatoria de otra población cualitativa con P x2 proporción de aciertos en
X2, luego:
Px1 - Px 2 = Pˆ x1 - Pˆ x 2 = px1 - px 2
1.2.2. Estimación por intervalos
La estimación por intervalos de un parámetro nos indica límites dentro de los cuales el parámetro
tiene la probabilidad especificada de estar. Los estimados por intervalos se conocen como
intervalos de confianza y los límites inferior y superior como los límites de confianza.
En general el intervalo de confianza para el parámetro se expresa:
P(  - k  + k  ) = 1 -

Donde:
= Parámetro
= Estimador
k = Valor tabulado
= Desviación estándar del estimador
1 = Nivel de confianza
Los intervalos de confianza más usuales son:
(A) Intervalo de confianza para la media poblacional ( )
Para determinar el intervalo de confianza para la media poblacional se debe tomar en

cuenta lo siguiente:
- Cuando se conoce la varianza de la población y/o el tamaño de muestra n 30.
P( x - Z (1 ) x + Z (1 ) ) = 1 -
2 n 2 n
- Cuando no se conoce la varianza de la población y el tamaño de muestra n < 30.

s s
P( x - t ( 1 ,n 1) x + t(1 ,n-1) ) = 1 -
2 n 2 n
(B) Intervalo de confianza para la diferencia de medias poblacionales
Se presentan los siguientes casos:

2 2
- Si 1 y 2 son conocidos
2 2 2 2
1 2 1 2
P[( x1 - x 2 ) - Z (1 ) + 1 - 2 ( x1 - x 2 ) + Z (1 ) + ]=1-
2 n1 n2 2 n1 n2
2 2
- Si 1 y 2 no son conocidos
se presentan dos casos:
2 2
a. Si 1 es aproximadamente igual a y entonces
2 2 2
1 2
2 1 1 2 1 1
P[( x1 - x2 ) - t ( 1 ,n - 1) s ( + ) 1 - 2 ( x1 - x2 ) + t ( 1 ,n - 1) s ( + ) ] = 1-
2 n1 n2 2 n1 n2
( n1 - 1) s12 + ( n 2 - 1) s 22
donde : s 2 =
n1 + n 2 - 2
2 2
b. Cuando 1 es diferente a 2
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - t ( 1 ,n -1) + 1- 2 ( x 1 - x 2 ) + t (1 , n -1) + ]=1-
2 n1 n2 2 n1 n2
Observación:
Sí n1+ n2 - 2 30, el valor tabulado es Z(1 - /2)
Sí n1 + n2 - 2 < 30, el valor tabulado es t(n1 + n2 – 2, 1 - /2)

(C) Intervalo de confianza para la proporción poblacional
Se presentan los siguientes casos:
- Cuando el tamaño de muestra es grande (n 30)
pq pq
P(p - Z (1 ) P p + Z (1 ) )= 1 -
2 n 2 n
- Cuando el tamaño de muestra es pequeño (n < 30)
pq pq
P(p - t ( 1 ,n-1) P p + t(1 ,n-1) ) = 1 -
2 n 2 n
(D) Intervalo de confianza para la diferencia de proporciones poblacionales
Se pueden presentan los siguientes casos:
- Si, n1 y n2 son muestras grandes (n1 + n2 - 2 30)

p1 q1 p2 q2 p1 q1 p2 q2
P[( p1 - p 2 ) - Z (1 ) + P1 - P2 ( p1 - p 2 ) + Z (1 ) + ] = 1-
2 n1 n2 2 n1 n2
- Si, n1 y n2 son muestras pequeñas (n1 + n2 - 2 30)

p1 q1 p2 q2 p1 q1 p2 q2
P[( p1 - p1 ) - t ( (1 ,n - 1) + P1 - P 2 ( p1 - p 2 ) + t ( 1 ,n - 1) + ] = 1-
2 n1 n2 2 n1 n2
Nota: Si los tamaños de muestra son muy diferentes por ejemplo n 1 = 80, n2 = 20 se
recomienda emplear:
2 1 1
s = p(1 - p )( + )
nx ny
n1 p1 + n2 p 2
donde : p=
n1 + n2
esta proporción denota la proporción conjunta de las dos muestras.
Ejemplo 1.1
Se ensaya un test para determinar el cociente de inteligencia a 8 alumnos; los resultados fueron:
98, 108, 92, 111, 102, 95, 89, 115.
Determine: a) estimación puntual y b) estimación por intervalo (use el 90% de confianza) para el
promedio verdadero del cociente de inteligencia.
Solución
n = 8, x = 101.25, s = 9.38 1- = 0.90 Luego 1
2
= 0.95
como n 30, entonces t(n – 1, 1 - /2) = t(7,095) = 1.895
a) Estimación puntual:
Por formula
xi x 101 .25
= x=
n

b) Estimación por intervalo:
Por formula
s s
P( x - t( 7,.0.95) x + t( 7,0.95 ) )= 1 -
n n
Reemplazando:
9.38 9.38
P( 101 .25 - 1.895 101 .25 1.895 )= 1 -
8 8
Se obtiene
P[ 94.97 107 .53 ] = 90%
Luego el promedio verdadero del cociente de inteligencia de los alumnos se encuentra entre 94.97
y 107.53, con un nivel de confianza de 90%.
Ejemplo 1.2
Una muestra aleatoria de 100 hogares de una ciudad indica que el promedio de los ingresos
mensuales es de $ 500. Encuentre un intervalo de confianza del 95 % para la media poblacional
de los ingresos de todos los hogares de esa ciudad. Suponga σ = $ 110.
Solución
n = 100, x = 500 σ = $ 110 1- = 0.95 luego 1
2
= 0.975
como n = 30, entonces Z(1 - /2) = Z(0.95) = 1.96
Por formula
P( x - Z (1 ) x + Z (1 ) )=1-
2 n 2 n
Reemplazando
110 110
P( 500 - 1.96 500 +1.96 ) = 95%
100 100
Se obtiene
P[ 478.44 521.56 ] = 95%
Esto, es se tiene una confianza del 95% que el promedio del ingreso familiar poblacional de esa
ciudad, está en el intervalo $ 478.44 y $ 521.56.
Ejemplo 1.3
Como parte de un experimento, una gran empresa manufacturera encontró que el tiempo
promedio requerido para que 16 empleados escogidos al azar completaran una tarea determinada
era de 26 minutos, la desviación estándar 5 minutos. Construir el intervalo de confianza del 95%
para la media poblacional.
Solución
n = 16 x = 26 s = 5 1- = 0.95 Luego 1
2
= 0.975
como n < 30, entonces t(n – 1, 1 - /2) = t(15, 0.975) = 2.131
Por formula
s s
P( x - t ( 15,0.975) x + t ( 15,0.975 ) )= 1 -
n n
Reemplazando
5 5
P( 26 - 2.131 26 + 2.131 ) = 95 %
16 16
Se obtiene
P[ 23.34 28.66 ] = 95%
Ejemplo 1.4
Se ha hecho un estudio de las diferencias entre estudiantes universitarios del primer año que
estuvieron en academias y estudiantes que no estuvieron. Para ello se tomó una muestra aleatoria
de 50 estudiantes universitarios que habían asistido a academias y una muestra aleatoria simple
independiente de 60 estudiantes que no lo habían hecho. Al final del primer semestre se
administró a los estudiantes una prueba de rendimiento en matemática. Los que habían asistido a
academias, obtuvieron un puntaje promedio de 14,5, con una varianza de 4,8; y el puntaje
promedio para el grupo que no había asistido a la academia, fue de 13,75 con una varianza de
6,4. Construya un intervalo de confianza para la diferencia entre las dos medias poblacionales
(use 99% de confianza).
Solución
NO ASISTIERON
ASISTIERON ACADEMIA
ACADEMIA
n1 = 50 n 2 = 60
x1 =14.5 x 2 =13.75
2 2
s1 = 4.8 s2 = 6.4
1- = 0.99 luego 1- 2
= 0.995
Como n1 + n 2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58
Por formula
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - z( 1 ) + 1- 2 ( x 1 - x 2 ) + z (1 ) + ]=1-
2 n1 n2 2 n1 n2
Reemplazando
4.8 6.4 4.8 6.4
P[( 14 .5 - 13 .75 ) - 2.58 + 1 - 2 ( 14 .5 - 13 .75 ) + 2.58 + ] = 99 %
50 60 50 60
Se obtiene
P[ 0.41 1 - 2 1.91] = 99%
Ejemplo 1.5
Los estudiantes que se matricularon en un curso de investigación educativa fueron distribuidos al

azar en dos grupos. El grupo A utilizó numerosas técnicas y actividades para enriquecer el curso.
El grupo B estudió mediante el método tradicional de conferencias. Los puntajes obtenidos en una
prueba de rendimiento, hecha al terminar el curso dieron los siguientes resultados:
Grupo n x s
A (1) 10 80 8
B (2) 12 72 10
Construir el intervalo de confianza del 90% para la diferencia de los puntajes promedios
poblacionales.

Solución
1- = 0.90 luego 1 - 2
= 0.95
Como n1 + n2 –2 < 30 entonces t (n1 + n2 –2,1– /2) = t(20, 0.95) = 1.725
Por formula
2 2 2 2
s1 s 2 s1 s 2
P[( x1 - x 2 ) - t ( n1 n2 2, 1 / 2) + 1 - 2 ( x1 - x 2 ) + t ( n1 n 2 2, 1 / 2) + ] = 1-
n1 n 2 n1 n 2
Reemplazando
64 100 64 100
P[( 80 - 72 ) - 1.725 + 1 - 2 ( 80 - 72 ) +1.725 + ] = 90 %
10 12 10 12
Se obtiene
P[1.38 1 - 2 14.62 ] = 90%
Ejemplo 1.6
Una encuesta para verificar las actitudes de los empleados ante el boletín mensual, se les pidió a
500 empleados de una gran organización nacional que indicaran con que frecuencia leían el
boletín de noticias. De los 500, 375 informaron que leían todas las ediciones. Construir el intervalo
de confianza del 95% para la proporción real de los que opinan afirmativamente.
Solución:
375
n = 500 p = = 0.75 q =0.25 1- = 0.95 luego 1
2
= 0.975
500
Como n > 30 entonces Z(1 - /2) = Z(0.975) = 1.96
Por formula
pq pq
P[p - Z (1 / 2) P p + Z (1 / 2) ]=1-
n n
Reemplazando
0.75(0.25) 0.75(0.25)
P[ 0.75 - 1.96 P 0.75 + 1.96 ] = 95 %
500 500
Se obtiene
P[ 0.71 P 0.79 ] = 95 %
Ejemplo 1.7
En una muestra aleatoria de 400 adultos y 600 jóvenes que vieron un cierto programa de
televisión, 100 adultos y 300 jóvenes reconocieron que les había gustado. Determinar los límites
de confianza del 99% para la diferencia de proporciones de todos los adultos y jóvenes que vieron
con agrado el programa.
Solución
ADULTOS JÓVENES
n1 = 400 n 2 = 60 0
a1 = 100 a 2 = 300
a a
p1 = 1 0.25 p 2 = 2 0 .5
n1 n2
q1 = 1-p1 = 0.75 q 2 = 1 – p2 = 0.5
1- = 0.99 Luego 1- 2
= 0.995

Como n1+ n2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58
Puesto que los tamaños de muestras son muy diferentes, se emplea la varianza mancomunada
así:
n1 p1 + n2 p 2
p=
n1 + n2
Reemplazando
100 + 300 400
p= 0.4
400 + 600 1000
1 1
s = p(1 - p )( + )
n1 n2
1 1
s = 0.4( 0.6 )( + ) 0.032
400 600
Por formula
1 1 1 1
P[( p1 - p 2 ) - Z (1/ /2 p(1 - p )( + ) P1 - P 2 ( p1 - p 2 ) + Z (1/ /2 p(1 - p )( + ) ] = 1 -
n1 n 2 n1 n 2
Reemplazando
P[( 0.25 0.5 ) - 2.58(0.032 ) P A - P J ( 0.25 0.5 ) + 2.58(0.032 ) ] = 99 %
Se obtiene
P[ 0.33 P1 - P2 0.17 ] = 99 %

AUTOEVALUACIÓN
1. Señale con una V si es verdadero o F si es falso en los siguientes enunciados:
( ) El método de estimación de un parámetro puede ser: puntual o por intervalos.

( ) La Inferencia estadística comprende dos tipos principales de técnicas.
( ) La estimación por intervalos contiene el cálculo de una sola cifra numérica.
( ) Se obtiene conclusiones de la población a través de la información de la muestra.
( ) En la estimación puntual incluye un intervalo en el que están comprendidos los
valores del parámetro.
2. De una población se escogieron al azar 10 personas y se les tomo la estatura. Los resultados
en cm fueron: 160, 170, 170, 150, 160, 180, 160, 170, 130, 150.
a) Estime la media y la varianza.
3. En una universidad se desea conocer la opinión de los estudiantes acerca de ciertas medidas
que han tomado las directivas. De 120 estudiantes consultados, 90 estuvieron a favor.
a) Estime la proporción de estudiantes que están a favor de las medidas
4. Para estimar la media del consumo (dólares) en el restaurante de una universidad, se tomó
una muestra de 49 profesores. Suponga una desviación estándar poblacional de 5 dólares. Si
la media en la muestra fue de 24.80 dólares mensuales.
a) ¿Cuál fue el intervalo de confianza de 95% para el consumo medio poblacional?
5. Los siguientes números representan el tiempo(en minutos) que tardaron 15 operarios en

familiarizarse con el manejo de una nueva máquina adquirida por la empresa: 3.4, 2.8, 4.4,
2.5, 3.3, 4, 4.8, 2.9, 5.6, 5.2, 3.7, 3, 3.6, 2.8, 4.8.
a) Determina e interpreta un intervalo del 95% de confianza para el verdadero tiempo

promedio.
b) El instructor considera que el tiempo promedio requerido por los trabajadores es mayor
que 5 minutos, ¿qué se puede decir de acuerdo con el intervalo hallado?
6. Una marca de lavadoras quiere saber la proporción de amas de casa que preferirían usar su
marca. Toman al azar una muestra de 100 amas de casa y 20 dicen que la usarían.
a) Calcula un intervalo de confianza del 95% para la verdadera proporción de amas de casa
que preferirían dicha lavadora.

Unidad 2
PRUEBA DE HIPOTESIS DE PARAMETRO POBLACIONALES
Nº de tutorías: Dos
Tutoría Nº 1: PRUEBA DE HIPÓTESIS: CONCEPTOS BÁSICOS; PRUEBA DE

HIPÓTESIS PARA UNA MEDIA; UNA VARIANZA Y DOS VARIANZA
POBLACIONAL
Tutoría Nº 2: PRUEBA DE HIPÓTESIS: PROPORCIÓN POBLACIONAL; DOS

MEDIAS POBLACIONALES; DOS PROPORCIONES POBLACIONALES.


1. Competencias
1.1. Conceptuales
Reconoce el concepto de prueba de hipótesis para los parámetros.
Comprobar las pruebas de hipótesis en las investigaciones científicas.
1.3. Actitudinales
Resuelve situaciones en donde el interés es probar hipótesis de los
parámetros de una población en estudio.
El contenido programático de la unidad referida es el siguiente:
Introducción, Concepto prueba de hipótesis, hipótesis nula, hipótesis
alternativa, errores de prueba y nivel de significación, pruebas
bilaterales y unilaterales, prueba de hipótesis referida a la media
poblacional, prueba de hipótesis sobre la varianza poblacional, prueba
de hipótesis referida a dos variancias poblacionales, prueba de
hipótesis referida a la proporción poblacional, prueba de hipótesis
referida a la diferencia entre dos medias poblacionales, prueba de
hipótesis referida a la diferencia entre dos proporciones poblacionales

prácticos.


Tutoría Nº
Prueba de hipótesis: conceptos
básicos; prueba de hipótesis para
una media; una varianza y dos
2.1. INTRODUCCIÓN
varianza poblacional
2
El objetivo es dar algunos métodos que se usan para tomar decisiones sobre poblaciones, a partir
de los resultados de una muestra aleatoria escogida de esa población. Para llegar a tomar
decisiones estadísticas se debe partir de afirmaciones o conjeturas con respecto a la población en
el que estamos interesados. Tales suposiciones, pueden ser verdaderas o no. Una conjetura
hecha sobre una población o sobre sus parámetros deberá ser sometida a comprobación
experimental con el propósito de saber si los resultados de una muestra aleatoria extraída de esa
población, contradicen o no tal conjetura.
A continuación definiremos algunos conceptos básicos para la prueba de hipótesis.
2.2. HIPÓTESIS
Es una afirmación que esta sujeta a verificación o comprobación; así un educador puede hacerse
la hipótesis de que cierto método de enseñanza mejora el rendimiento de los alumnos. Hipótesis
establecidas en esta forma proporcionan con frecuencia motivo para realizar una investigación.
Por esta razón se le denomina hipótesis de investigación.
Generalmente hay que volver a plantear las hipótesis de investigación convenientemente de tal
forma que se puedan comprobar mediante los métodos estadísticos, así planteadas las hipótesis
reciben el nombre de hipótesis estadística.
2.3. HIPÓTESIS ESTADÍSTICAS
Una hipótesis estadística es un enunciado o proposición respecto a uno o más parámetros de la

población. A fin de probar una proposición, es preciso formular una hipótesis denominada nula
juntamente con otra denominada hipótesis alternativa.
2.3.1. Hipótesis nula (Ho)
Son aquellas que están referidas a algún parámetro de la población o de las poblaciones de
estudio. Estas son llamadas hipótesis científicas.
2.3.2. Hipótesis alternativa (Ha)
Junto a la hipótesis nula se debe formular la denominada hipótesis alternativa que es la que sirve
para contrastarla.
2.4. ERRORES DE PRUEBA Y NIVEL DE SIGNIFICACIÓN
Tengamos presente que si bien Ho puede ser cierta, tendremos siempre la probabilidad no nula de
que por efecto del azar, nuestra decisión sea la de rechazar hipótesis; en tal caso estaremos
cometiendo el denominado ERROR DE TIPO I.
De otro lado podría Ho ser falsa y nuevamente el efecto aleatorio conducirnos a la decisión
equivocada de aceptar Ho, en tal caso estaremos cometiendo el ERROR DE TIPO II. Obviamente,
si Ho es cierta y no lo rechazamos o si es falsa y rechazamos, estaremos decidiendo bien.

Al error de tipo I se le fija una probabilidad de ocurrencia previamente a la prueba, a dicha

probabilidad se le denomina , en ocasiones se le llama P valúe, pero en ambos casos
corresponde al NIVEL DE SIGNIFICACIÓN.
P(ERROR TIPO I) =
Podemos objetivizar la decisión de Ho respecto a la naturaleza de ésta de ser cierta o falsa.
DECISIÓN NATURALEZA DE Ho
SOBRE Ho Cierta Falsa
No rechazar Decisión Error tipo II
Correcta (probabilidad )
Rechazar Error tipo I Decisión

(Probabilidad ) correcta
Es deseable que ambas probabilidades fuesen lo menores posibles. Sin embargo, no es posible
minimizar ambas probabilidades a la vez ya que están íntimamente relacionadas de tal modo que
al disminuir una de ellas la otra aumenta. Así si queremos minimizar inmediatamente aumenta la
probabilidad de y viceversa. Generalmente el investigador fija apriori el error que está
dispuesto a tolerar, es decir la probabilidad máxima de cometer el error de tipo I.
La decisión de una prueba estadística está asociada al nivel de significación:
a) Si P < 0.05 ( = 0.05)

se dice que existe significación en la prueba
b) Si P < 0.01 ( = 0.01)

se dice que existe alta significación en la prueba
Pruebas bilaterales y unilaterales
Cuando tenemos hipótesis alternativa de la forma:
Ho : = 0 Ho : P = Po
Ha : 0 Ha : P Po
Al rechazar Ho, optaremos por que el parámetro es diferente del supuesto pudiendo ser mayor,
significativamente o acaso menor, significativamente. En tales casos el nivel de significación
queda partido en /2 en cada lado de la distribución del estadístico o función de prueba.
Tendremos entonces una prueba bilateral o no direccionada (dos puntos críticos)
1
2 2
De otro lado, si la hipótesis se orienta a un solo lado, entonces el nivel de significación también
estará en aquel lado y consecuentemente estas pruebas se llaman unilaterales o direccionada (un
punto crítico)
Ho : = 0
Ha : 0 1

Ho : = 0
Ha : 0
1
A las regiones de valores de abscisas comprendidas en la parte sombreada se le llama REGIÓN

DE RECHAZO, y a las no sombreadas se le llama REGIÓN DE ACEPTACIÓN.
Una prueba de contrastación de hipótesis estadística se conduce básicamente según el siguiente

procedimiento.
1. Plantear las hipótesis

- Hipótesis nula (Ho)
- Hipótesis alternativa (Ha)
2. Establecer el nivel de significación de prueba ( )
3. Identificar o construir la función de prueba y la ley de probabilidad que sigue dicha función de
prueba.
4. Efectuar el reemplazo numérico en la función de prueba con la información muestral.
5. Determinar las regiones de aceptación o rechazo en la distribución de la función de prueba,

según se trate de pruebas bilaterales o unilaterales.
6. Tomar una decisión sobre Ho, según la siguiente regla:

a. Rechazar Ho si el valor de la función de prueba cae en la región de rechazo.
En tal caso se concluirá que Ho se rechaza en favor de Ha con una significación
estadística.
b. No rechazar Ho si el valor de la función de prueba cae en la región de aceptación.

En tal caso se concluirá de que la información muestral no brinda suficientes evidencias
como para sospechar de que Ho no sea cierta.
7. Establecer la conclusión, según la hipótesis que se acepte.
2.5. PRUEBA DE HIPÓTESIS REFERIDA A LA MEDIA POBLACIONAL
Esta prueba se aplica aún a poblaciones que no se alejan demasiado de las características de una
población normal.
Las hipótesis referentes a este parámetro pueden ser:
Ho: µ = µo
Ha: µ µo Prueba bilateral o de dos colas
Ho: µ = µo
Ha: µ µo Prueba unilateral de cola a la derecha
Ho: µ = µo
Ha: µ µo Prueba unilateral de cola a la izquierda
Dicha prueba se efectúa mediante la siguiente función de prueba:
a) Si la desviación estándar poblacional no es conocida o n<30
x - o
to = t (n-1)
s/ n
b) Si la desviación estándar poblacional es conocida ó n≥30
x- o
zo = n( 0,1)
/ n
Ejemplo 2.1
El señor Martínez afirma que su programa de entrenamiento en ventas de seguro de vida le
permite a su compañía vender más pólizas que las compañías "promedio". El promedio mensual
de ventas de todos los agentes de la compañía es de $300. A una muestra de agentes que han
recibido el programa de entrenamiento se le encuentra las siguientes ventas en dólares: 300, 270,
360, 390, 309, 405, 360, 420, 375, 330. Si usted fuera el supervisor de estos agentes, adoptaría
para los restantes el programa de entrenamiento propuesto por el señor Martínez. Emplee 5% de
significación.
Solución:
= 300, n = 10, x = 351.9, s = 48.64 1- = 0.95

como n 30, entonces t(n – 1, 1– ) = t(9,0.95) = 1.833
1) Ho: 300
Ha: 300
2) = 0.05
x 0
3) f.p. t0
s
n
351.9 300
4) t0 3.37
48.64
10
5) t(9,0.95) = 1.833
RA RR
1- = 0,95 = 0,05
tt = 1,833
t0 = 3,37
6) Decisión: Como t0 pertenece a la región de rechazo entonces rechazamos la hipótesis nula a
favor de la hipótesis alternativa
7) Conclusión: El programa de entrenamiento de ventas de seguro de vida le permite a su

compañía vender más pólizas de seguro que la compañía promedio, por lo cual se adoptará para
el resto de los agentes el programa propuesto por el señor Martinez.

Ejemplo 2.2
Un investigador afirma que la ingestión diaria de nutrientes (proteína) recomendada en varones de
18-34 años moderadamente activos, tiene un promedio de 75 grs. para contrastar tal hipótesis se
tomó una muestra de 116 varones saludables obteniendo los siguientes resultados:
Proteína encontrada (gr) Número de

varones
71 8
73 20
75 60
77 18
79 10
Total 116
Pueden estos resultados, sostener la hipótesis formulada por el investigador. Use el 5% de

significación.
Solución:
= 75, n = 116, x = 75.03, s =1.95 = 0.05

como n > 30, entonces Z(1 - /2) = Z(0.975) = 1.96
1) Ho: = 75
Ha: 75
2) = 0.05
x- o
3) f.p. Zo=
s
n
75.03 75
4) Zo= 0.17
1.95
116
5) Z t = Z ( 0,975) 1.96
RR RA RR
2 = 0,025 1- = 0,95 2 = 0,025
Zt = -1,96 Zt =1,96
Z0 = 0,17
6) Decisión: Como Zo RA aceptamos Ho
7) Conclusión: Se sostiene la hipótesis formulada para el investigador.
2.6. PRUEBA DE HIPÓTESIS SOBRE LA VARIANZA POBLACIONAL
Algunas veces se necesitan pruebas sobre la varianza o la desviación estándar de una población.

Ho: = o
Ha: o Prueba bilateral
Ho: = o
Ha: o Prueba unilateral
Ho: = o
Ha: o Prueba unilateral
Procedimiento:
2
Supóngase que se desea probar la hipótesis de que la varianza de una población normal es
2
igual a un valor específico, por ejemplo, o. Sea X1, X2, ..., Xn una muestra aleatoria de n
observaciones tomadas de esta población. Para probar
2 2
Ho: = o
2 2
Ha: o
Se utiliza el estadístico de prueba

2 (n 1) S 2
X o 2
o
2 2 2
donde S es la varianza muestral. Ahora si Ho: = o es verdadera, entonces el estadístico de
2
prueba X o sigue una distribución ji-cuadrada con n-1 grados de libertad. Por consiguiente, se
2 2 2
calcula el valor de la estadística de prueba X o, y la hipótesis Ho: = º debe rechazarse si:
2 2
o n 1, / 2
o si
2 2
o n 1,1 /2
2 2
donde X n-1, /2 y X n-1,1- /2 son los puntos que corresponden a los porcentajes 100 /2 inferior y
superior de la distribución ji-cuadrada con n-1 grados de libertad, respectivamente.
RR RA
/2 1– RR
/2
X (n2 1, / 2) X (n2 1, 1 / 2)
El mismo estadístico se utiliza para hipótesis alternativas unilaterales, Para hipótesis unilateral:
2 2
Ho : = o
2 2
Ha: > o
2 2
Se rechaza si: X o > X n-1,1-
RA RR
1–
X (n2 1, 1 )
2 2
Para la otra hipótesis unilateral: Ho: = o
2 2
Ha: < o
2 2
Se rechaza si: X o < X n-1,

RR RA
1–
X (n2 1, )
PROCEDIMIENTO PARA MUESTRAS GRANDES
Las hipótesis planteadas son idénticas a las mencionadas anteriormente lo que se modifica es la
función de prueba, que cuando el tamaño de muestra es mayor que 30 se utiliza la distribución
normal.
El estadístico de prueba es:

s o
Zo
o
2n
El gráfico utilizado sería acampanado.
Ejemplo 2.3
Considérese una máquina de llenado de botellas. Al tomar una muestra aleatoria de 20
botellas se obtiene una varianza muestral para el volumen de llenado de 0,0153 (onzas
de fluido)2. Si la varianza del volumen de llenado es mayor que 0,01 (onzas de fluido)2,
entonces existe una proporción inaceptable de botellas que serán llenadas con una
cantidad menor de líquido. ¿Existe evidencia en los datos muestrales que sugiera que el
fabricante tiene un problema con el llenado de botellas? Utilice 5% de significación de
prueba.
Solución:
2 2
= 0.01, n = 20, s = 0.0153 = 0.05
2 2
como n < 30, entonces X (n 1, 1 ) = X (19, 0.95) 30 .1
2
Ho: = 0.01
2
Ha: > 0.01
= 0.05
(n 1) S 2 (19)(0.0153 )
f.p. X o2 2
29.07
o 0.01
X (219, 0.95) 30 .1
RA RR
1– = 0.95 = 0.05
X t2 30.1
X o2 29.07

2
Decisión: Como X o 29.07 RA aceptamos Ho
Conclusión: El fabricante no tiene problemas con el llenado de botellas, pues la varianza es igual a
0.01.
2.7. PRUEBA DE HIPÓTESIS REFERIDA A DOS VARIANCIAS POBLACIONALES
La prueba de comparación de muestras, requiere que las variancias de las dos poblaciones
2
muestreadas sean iguales. En esta sección describiremos una prueba para la hipótesis nula 1 =
2
2 , que se aplica a muestras aleatorias independientes obtenidas de dos poblaciones normales;
debe utilizarse con mucho cuidado por ser muy sensible a las desviaciones de tal suposición.
Ho: 1 = 2
Ha: 1 2 Prueba bilateral
Ho: 1 = 2
Ha: 1 2 Prueba unilateral
Ho: 1 = 2
Ha: 1 2 Prueba unilateral
Si las muestras aleatorias independientes de tamaño n1 y n2, se extraen de poblaciones normales

que tiene la misma variancia, para la prueba de igualdad de variancias se utiliza el siguiente
estadístico.
s12
F
s 22
que es un valor de una variable aleatoria que tiene la distribución F con n 1 - 1 y n2 – 1 grados de
libertad.
1
Obs. F1 - (v1,v2) =
F (v 2 , v1 )
2 2
Regiones críticas para probar 1 2
(Poblaciones normales)
Hipótesis alterna Estadístico de Rechaza la hipótesis nula si:

prueba
2 2
1 < 2 s12 F < F (n1 – 1, n2 – 1)
F
s 22
2 2
1 > 2 s12 F > F1- (n1 – 1, n2 – 1)
F
s 22
2 2
1 2 s M2 F < F /2(nM – 1, nm – 1) ó
F F > F1- /2(nM – 1, nm – 1)
s m2
2
Donde: s M : la mayor de las dos variancias muestrales,
2
s m : la más pequeña de las variancias.

2 2
Para hipótesis unilateral: Ho: 1 2
2 2
Ha: 1 2
RR RA
/2 1– RR
/2
F / 2 (n M 1, n m 1) F1 / 2 (n M 1, n m 1)
El mismo estadístico se utiliza para hipótesis alternativas unilaterales, Para hipótesis unilateral: Ho:
2 2
1 2
2 2
Ha: 1 2
RA RR
1–
F1 ( n1 1, n 2 1)
2 2
Para la otra hipótesis unilateral: Ho: 1 2
2 2
Ha: 1 2
RR RA
1–
F1 ( n1 1, n 2 1)
PROCEDIMIENTO PARA MUESTRAS GRANDES
Las hipótesis planteadas son idénticas a las mencionadas anteriormente lo que se modifica es la
función de prueba, que cuando el tamaño de muestra es mayor que 30, se utiliza la distribución
normal.
El estadístico de prueba es:

s1 s 2
Zo
1 1
sp
2n1 2n2

donde :
2 (n1 1) s12 (n2 1) s 22

s p
n1 n2 2
Ejemplo 2.4
Se requiere determinar si existe menos variabilidad en el plateado realizado por la compañía 1 que
el efectuado por la compañía 2. Si las muestras aleatorias independientes de tamaño 12 del
trabajo desempeñado por las compañías producen s 1=0,035 mil y s2=0,062 mil, pruébese la
2 2 2 2
hipótesis nula de que 1 = 2 contra la hipótesis alterna de que 1 < 2 con un nivel de
significancia de 0,05.
Solución:
n1 = n2 = 12, s1 = 0.035, s2 = 0.062, = 0.05
como n1 + n2 < 30, entonces F t = F (n1 1, n 2 1) F0,05 (11,11) 0.355
2 2
Ho: 1 2
2 2
Ha: 1 2
= 0.05
s12 (0.035 ) 2
f.p. F 0.319
s 22 (0.062 ) 2
RR RA
= 0.05 1 – = 0.95
Ft 0.355
F0 0.319
Decisión: Como F0 RA se acepta Ho
Conclusión: La variabilidad de plateado de la compañía 1 es menor que de la compañía 2. Usando

5% de significación de prueba.

AUTOEVALUACIÓN
( ) El rechazo de Ho cuando es verdadera se llama error de tipo I

( ) Si la función de prueba cae en la región crítica entonces aceptamos la Ho
( ) Ha se formula con el propósito de rechazarla, es la que se va a someter a prueba.
( ) Es una prueba bilateral cuando la hipótesis se orienta a un solo lado.
( ) No rechazar la Ho si el valor de la función de prueba cae en la región de aceptación.
2. Un estudio de 29 familias de una zona residencial de la ciudad de Lima, revela que el ingreso
medio por familia durante el año 1999 fue de $ 508 con una desviación estándar de $ 16.
Probar la hipótesis de que el verdadero ingreso medio por familia en Lima durante 1999 fue de
$ 500 frente a la alternativa de que no fue de $ 500. Utilizar un nivel de significancia del 5%.
3. Se escoge una muestra aleatoria de 13 tiendas y se encuentra que las ventas de la semana
de un determinado producto de consumo popular tiene una desviación estándar s $6 . Se
supone que las ventas del producto tienen una distribución normal. Al nivel de significancia del
5%, ¿se podría inferir que la varianza de la población es menor que $40?
4. Los pesos netos (en gramos) de las latas de conserva de una muestra, fueron los siguientes:
121; 119; 124; 123; 119; 121; 124.
¿Se puede concluir que el peso neto poblacional medio es mayor que 123.5? Utilice un nivel
de significancia del 1%.
5. Un determinado proceso de empaquetar un producto está controlado, si el peso medio del

producto empaquetado es 400 gramos. Si en una muestra aleatoria de 100 paquetes del
producto se ha encontrado que el peso medio es de 395 gramos. ¿Se podría concluir que el
proceso está fuera de control al nivel de significación 5%?. Suponga que el peso de los
productos empaquetados se distribuye normalmente con desviación estándar de 20 gramos.
6. En un proceso de fabricación, se plantea la hipótesis que la desviación estándar de las

longitudes de cierto tipo de tornillo es 2.0 mm. En una muestra de diez tornillos elegidos al
azar del proceso de producción se han encontrado las siguientes longitudes en milímetros:
71, 66, 64, 72, 69, 67, 70, 68, 65, 69. Con estos datos se justifica la suposición
que la desviación estándar verdadera es 2.0 mm? Use el nivel de significación α=0.05, y
suponga que la distribución de las longitudes es normal.

Tutoría Nº
Prueba de hipótesis: proporción
poblacional; dos medias
poblacionales; dos proporciones
poblacionales
3.1. PRUEBA DE HIPÓTESIS REFERIDA A LA PROPORCIÓN POBLACIONAL
3
La hipótesis se refiere al parámetro P, la proporción de individuos de la población con una
determinada característica.
Ho: P = Po
Ha: P Po Prueba bilateral
Ho: P = Po
Ha: P Po Prueba unilateral
Ho: P = Po
Ha: P Po Prueba unilateral
La función de prueba para valores de n 30 es:
P - po
zo = n(0,1)
po (1- po ) / n
La función de prueba para valores de n 30 es:
P - po
to = t (n-1)
po (1- po ) / n
Ejemplo 3.1
El alcalde de una ciudad cree que más del 60% de los residentes de un suburbio adyacente está a
favor de anexarse a la ciudad. En una muestra aleatoria de 120 adultos, 75 dijeron que estaban a
favor. ¿Proporcionan estos datos evidencia suficiente como para apoyar la opinión del alcalde?
Solución:
75
P = 0.60, n = 120, m = 75, p 0.625 , = 0.05
120
como n > 30, entonces Z t = Z (1 ) Z ( 0,95) 1.645
Ho: P 0.60
Ha: P 0.60
= 0.05
p - Po 0.625 0.6
f.p. Z0 = 0.56
Po (1 - Po )/n 0.6(0.4)
120

Z t = Z ( 0,95) 1.645
RA RR
1- = 0,95 = 0,05
Zt = 1,645
Z0 = 0,56
Decisión: Como Zo RA aceptamos Ho
Conclusión: Los datos no proporcionan suficiente evidencia como para aceptar la opinión del
alcalde. Usando un 5% de significación de prueba.
Ejemplo 3.2
Se tomó una muestra aleatoria de 400 escolares, de los cuales 120 tuvieron signos de
desnutrición. Verifique la hipótesis de que el porcentaje de desnutridos no excede a 25% en la
cobertura de estudio (Use 5% como nivel de significación).
Solución
120
P = 0.25, n = 400, m = 120, p 0.30 , = 0.05
400
como n > 30, entonces Z t = Z( ) Z ( 0,05) 1.645
Ho: P 0.25
Ha: P 0.25
= 0.05
0.30 0.25
f.p. Z o 2.31
0.25(0.75)
400
Z t = Z (1 ) Z ( 0,95) 1.645
RR RA
= 0,05 1- = 0,95
Zt = -1,645
Z0 = 2,31
Decisión: Como Zo RA se acepta Ho
Conclusión: La proporción de desnutridos no excede al 25% en la cobertura de estudio. En un 5%

de significación de prueba.
3.2 PRUEBA DE HIPÓTESIS REFERIDA A LA DIFERENCIA ENTRE DOS MEDIAS

POBLACIONALES
Cuando la comparación de dos poblaciones es con respecto a sus medias la hipótesis natural es
que ambas tienen igual promedio, o en otras palabras que la diferencia de ambos promedios es
nula o difieren en alguna cantidad específica.
Ho: µ1 = µ2
Ha: µ1 µ2 Prueba bilateral
Ho: µ1 = µ2
Ha: µ1 µ2 Prueba unilateral

Ho: µ1 = µ2
Ha: µ1 µ2 Prueba unilateral
Pueden presentarse varias situaciones dependiendo de como son sus varianzas:
1. Con varianzas conocidas:

La función de prueba es:
( x1 - x 2 ) - ( 1 - 2 )
zo = 2 2
n( 0,1)
1 2
+
n1 n2
2. Con varianzas desconocidas y diferentes:

( x2 - x2 ) - ( 1 - 2 )
to = 2 2
t ( n1 + n 2 - 2)
s1 s 2
+
n1 n2
Cuando n1 + n2 2 30 entonces esta función de prueba sigue una distribución normal estándar.
3. Con varianzas desconocidas y aproximadamente iguales:

( x1 - x2 ) - ( 1 - 2 )
to = t( n1 + n2 - 2)
2 1 1
s +
n1 n2
2
Aquí s es la varianza mancomunada
2 (n1 - 1) s12 + (n2 - 1) s22

s =
n1 + n2 - 2
Al igual que en el caso anterior, si n1 + n2 2 30 entonces la función de prueba sigue una
distribución normal estándar.
Observación: Antes de realizar la prueba de comparación de medias, es conveniente efectuar la

prueba de comparación de varianzas para determinar si los datos de ambas poblaciones tienen
varianzas aproximadamente iguales o diferentes.
Ejemplo 3.3
Una compañía desea comparar las expectativas salariales anuales de su personal de ventas
femenino y masculino, según un nuevo plan de compensaciones venta-más-comisión. Se pidió a
n1 = 40 vendedoras y n2 = 40 vendedores, muestreados al azar, predijeron sus ingresos anuales
bajo el nuevo plan. Las medias y desviaciones muestrales eran:
x 1 = $ 31 083 x 2 = $ 29 745
s1 = $ 2 312 s 2 = $ 2 569
¿Proporcionan estos datos evidencia que indique una diferencia en el promedio del ingreso anual
esperado tanto entre los vendedores como las vendedoras? Haga la prueba con = 0,10.
Solución:
2 (n2 - 1) s12 + (n2 - 1) s 22
Ho: 1 2 s = 5972552 .5
n1 + n2 - 2
Ha: 1 2 Z t = Z ( 0,95) 1.645
= 0.10
( x1 - x 2 ) - ( 1 - 2 ) 31083 29745 0
f.p. Zo= 2.45
1 1 1 1
s2 + 597255252 .5 +
n1 n2 40 40
RR RA RR
2 = 0,05 1- = 0,90 2 = 0,05
Zt = -1,645 Zt =1,645
Z0 = 2,46
Decisión: Como Z o RR no existe suficiente evidencia como para aceptar la hipótesis nula,
por consiguiente aceptamos la Ha.
Conclusión: Los datos proporcionan suficiente evidencia como para indicar una diferencia en el
promedio del ingreso anual esperado tanto entre los vendedores usando un 10% de significación
de prueba.
3.3. PRUEBA DE HIPÓTESIS REFERIDA A LA DIFERENCIA ENTRE DOS PROPORCIONES

POBLACIONALES
Cuando se desea comparar dos poblaciones cualitativas.
Ho: P1 = P2
Ha: P1 P2 Prueba bilateral
Ho: P1 = P2
Ha: P1 P2 Prueba unilateral
Ho: P1 = P2
Ha: P1 P2 Prueba unilateral

(p1 - p 2 ) - ( P1 - P 2 )
z= n( 0,1)
1 1
p 1- p +
n1 n2
Aquí p es la proporción mancomunada:
n1 p1 + n2 p2
p=
n1 + n2
Ejemplo 3.4
Un sociólogo cree que la proporción de hombres que pertenecen a un grupo socioeconómico
determinado (grupo A) y que ven regularmente lucha en TV. supera mucho a un segundo grupo de
hombres (grupo B) que también ven lucha. Muestras aleatorias simples de los dos grupos
arrojaron los siguientes resultados.
tamaño de Número de hombres que ven

Grupo la muestra regularmente lucha en TV
A (1) n1 = 150 a1 = 98
B (2) n2 = 200 a2 = 80

¿Proporcionan estos datos evidencia suficiente como para apoyar la tesis del sociólogo? use =
0,05
Solución:
98 80
Ho: P1 P2 p 0.51
350
Ha: P1 P2 Z t = Z ( 0.95) 1.645
a1 98
p1 0.65
n1 150
a2 80
p2 0.40
n2 200
= 0.05
(p1 - p 2 ) - ( P1 - P 2 ) (0.65 0.4) 0
f.p. Z0 = 4.63
1 1 1 1
p 1- p + 0.51(0.49 ) +
n1 n2 150 200
RA RR
1- = 0,95 2 = 0,05
Zt =1,645
Z0 = 4,63
Decisión: Como Zo RR rechazamos Ho en favor Ha
Conclusión: Los datos proporcionan suficiente evidencia como para apoyar la opinión del
sociólogo con un 5% de significación de prueba.

AUTOEVALUACIÓN
( ) La hipótesis Ho: P > Po es una prueba bilateral.

( ) En la prueba F los n1-1 y n2-1 son conocidos como los grados de libertad.
( ) Cuando el tamaño de muestra es mayor que 30 se utiliza la distribución normal.
( ) Cuando Fo pertenece a la Región de aceptación entonces se rechaza Ho.
( ) La hipótesis Ho: P > Po es una prueba unilateral a la derecha.
2. El gerente de una empresa insiste en que a lo más del 33% de los clientes de la empresa esta
de acuerdo con el cambio de su producto. De 80 clientes tomados al azar, 29 están de
acuerdo con el cambio del producto. Al nivel de significancia de 5%, ¿tiene razón el gerente?
3. Ejemplo: Una muestra aleatoria de 300 hombres y otro de 400 mujeres de una determinada
población reveló que 120 hombres y 120 mujeres estaban a favor de cierto candidato. ¿Se
puede concluir a un nivel de significación del 5% que la proporción de hombres a favor del
candidato es mayor que la proporción de mujeres?
4. Dos fabricantes A y B producen un artículo similar, cuyas vidas útiles tienen desviaciones
estándar respectivas de 120 horas y 90 horas. Para comparar el promedio de vida útil de estos
artículos se extrae una muestra aleatoria de 60 artículos de cada fabricante encontrándose la
duración media de 1.230 horas para la marca A y de 1.190 horas para la marca B. ¿Se puede
concluir a un nivel de significación del 5% que los artículos de marca A tienen mayor duración
media que los artículos de marca B?
5. Se controla la calidad de una muestra aleatoria de 40 piezas producidas por un fabricante. Si

se hallaron 4 piezas defectuosas, ¿se debería inferir que el porcentaje de todas las piezas
defectuosas es más del 5% al nivel de significación del 5%?
6. Un inversionista está por decidir entre dos provincias para abrir un centro comercial. Par esto
debe probar la hipótesis de que hay diferencia en el promedio de ingresos familiares de las
_
dos provincias. Si una muestra de 300 hogares de la provincia 1 da x1 $400 y s1 $90 y
_
otra muestra de 400 hogares de la provincia 2 da x2 $420 y s2 $120 . ¿se puede inferir
que las dos medias poblacionales son diferentes?, si es así, ¿en cual de las provincias
_ _
debería abrir la sucursal? Utilice =0.05. s2 $120 x2 $420 x1 $400

Unidad 3
ANALISIS DE VARIANZA
Nº de tutoría: Uno
Tutoría Nº 4:
ANÁLISIS DE VARIANZA : ANÁLISIS DE VARIANZA DE UNA VÍA Y
DE DOS VÍAS.


1. Competencias
1.1. Conceptuales
Reconoce el modelo del análisis de varianza.
Prueba las diferencias entre k-medias.
1.3. Actitudinales
Comparan las medias de k-grupos o poblaciones.
El contenido programático de la unidad referida es el siguiente: Análisis

de varianza: conceptos básicos, Análisis de varianza de una vía
(concepto, modelo, prueba de hipótesis); Análisis de varianza de dos
vías (concepto, clases: sin interacción y con interacción, modelos)

prácticos.


Tutoría Nº
Análisis de varianza: análisis de
varianza de una vía y de dos vías
4.1. ANÁLISIS DE VARIANZA

4
El análisis de varianza se emplea para probar las diferencias entre k medias. Una suposición
básica implícita en el análisis de varianza es que las diversas medias muestrales se obtienen de
las poblaciones distribuidas normalmente que tienen la misma varianza ². Sin embargo, se ha
descubierto que el procedimiento de pruebas no se ve afectado por las violaciones de la
suposición de normalidad cuando las poblaciones son unimodales y los tamaños de muestra son
aproximadamente iguales.
Todos los procedimientos de cálculo presentados son para efectos fijos, contrariamente a los
modelos de efectos aleatorios.
El concepto básico en el análisis de varianza fue desarrollado por R.A. Fisher y la distribución F se
ha denominado en honor suyo. El razonamiento conceptual es el siguiente:
(1) Se calcula la media para cada grupo de la muestra y después se determina el error estándar
de la media S_ con base sólo en las diversas medias muestrales.
(2) Dada la fórmula S_ = S/ n , tenemos que s = n S X y que s 2 n S X . Esta estimación

resultante de la varianza de la población se llama la media cuadrática entre los grupos
(MCE).
(3) Se calcula la varianza dentro de cada grupo muestral y con respecto a cada media de grupo.
Luego se combinan estos valores de la varianza ponderándolos de acuerdo a n-1 para cada
muestra. La estimación resultante de la varianza de la población se llama media cuadrática
dentro de los grupos (MCD).
(4) Si la hipótesis nula 1 = 2 = 3 = ... = k es verdadera, entonces tenemos que las dos medias
cuadráticas obtenidas en (2) y (3) no están sesgadas y son estimadores independientes de
la misma varianza de la población, ². Si la hipótesis nula es falsa, entonces el valor
esperado de la MCE es mayor que el de la MCD. Esencialmente, todas las diferencias entre
las medias de la población inflarán la MCE, mientras que no afectarán la MCD.
(5) Con base al numeral (4), se involucra una prueba de una cola y la fórmula general de la
prueba F en el análisis de la varianza es:
MCD
F
MCE
Si la relación F está en la región de rechazo para el nivel de significación especificado,

entonces se rechaza la hipótesis de que las diversas medias muestrales se obtuvieron de la
misma población.
Para simplificar este procedimiento con diseños en términos del modelo lineal que identifica
los componentes que influyen sobre la variable aleatoria y se presenta una tabla estándar de
análisis de varianza que muestra los cálculos necesarios de la media cuadrática para cada
tipo de diseño experimental.

4.2. ANÁLISIS DE VARIANZA DE UNA VÍA
El modelo del análisis de varianza de una vía se relaciona con la prueba de la diferencia entre k
medias muestrales, cuando los sujetos se asignan aleatoriamente a cada uno de los diversos
grupos de tratamiento.
La ecuación lineal que representa el modelo del análisis de varianza de una vía es:
Xik = + k + ik
donde:
= media global de todos los k grupos de tratamiento

k = efecto del tratamiento en el grupo específico k, del cual se muestreo el valor
ik = error aleatorio relacionado con el proceso de muestreo.
La tabla siguiente es un resumen del análisis de varianza de una vía en la cual; MCD pasa a ser la
media cuadrática entre los A grupos de tratamiento (MCA) y (MCE) es llamada media cuadrática
del error, N asigna el tamaño total de la muestra para todos los grupos de tratamiento combinados,
antes que el tamaño de la población. T k representa la suma (total) de los valores muestreados en
todos los grupos combinados.
La hipótesis nula y alternativa son:
Ho: k = 0 para todos los niveles de tratamiento

Ha: k 0 para todos los niveles de tratamiento
Si la hipótesis nula es verdadera, entonces tenemos que :

1 = 2 = 3 = ... = k .
Fuente de Suma de los Grados de Media

Relación F
variación cuadrados, SC libertad, gl cuadrática MC
Entre grupos Tk2 T2 k–1 MCA

SCA MCA
SCA F0
de tratamiento nk N k 1 MCE
A
Error de SCE SCT SCA n–k SCE

MCE
muestreo, E n k
T2 N-1
Total, T SCT X2
N
Ejemplo 4.1
Quince personas que se capacitan en un programa técnico son asignadas en forma aleatoria a
tres tipos diferentes de enfoques de instrucción. Los puntajes de las pruebas de rendimiento, al
concluir la especialización, se presentan en la tabla siguiente. Use el procedimiento de análisis de
varianza para probar la hipótesis nula de que las tres medias muestrales son iguales a un nivel de
significación del 5%.
Método de Tk
Puntaje de la prueba
Instrucción Total
A1 86 79 81 70 84 400
A2 90 76 88 82 89 425
A3 82 68 73 71 81 375
Total 1200

Solución:
Suma de cuadrados de tratamiento = Tk2 T2

SCA
nk N
400 2 425 2 375 2 1200 2

= 250
5 5 5 15
Suma de cuadrados del total = T2
SCT X2
N
1200 2
= 86 2 90 2 82 2 ... 70 2 82 2 712 698
15
Suma de cuadrados del error = SCE SCT SCA
= 698 – 250 = 448
Fuente de Suma de grados de Media

relación, F
variación cuadrados SC libertad, gl cuadrática MC
Entre grupos
de trat., A SCA = 250 2 MCA =125 Fo = 3.35
Error de
muestreo, E SCE = 448 12 MCE =37.33 Ft = 3.89
Total, T SCT = 698 14
Ft = F(1- , glA, glE) = F(0.95, 2, 12) = 3.89
Ho: 1 2 3 0
Ha: a lg ún i 0
RA
= 0.05 1– = 0,95 RR
= 0,05
f.p. Fo = 3.35
Ft = 3,89
F0 = 3,35
Conclusión: No hay efecto asociado a los niveles del método de instrucción por lo tanto las
diferencias de métodos no son significativo, con un 5% de significación de prueba.
Ejemplo 4.2
La tabla siguiente presenta el promedio de palabras mecanografiadas por minuto en diferentes
marcas de máquinas eléctricas, por individuos asignados aleatoriamente sin experiencia previa en
estas máquinas, después del mismo período de instrucción. Pruebe la hipótesis nula de que la
media de palabras por minuto lograda para las tres máquinas no es diferente, usando un nivel de
Marca de las Tk
Promedio de palabras por minuto
máquinas Total
A1 79 83 62 51 77 352
A2 74 85 72 - - 231
A3 81 65 79 55 - 280
Total 863

Solución

SCA
nk N
352 2 231 2 280 2 863 2

= 103 .72
5 3 4 12

SCT X2
N
863 2
= 79 2 83 2 62 2 ... 65 2 79 2 55 2 1376 .96
12
Suma de cuadrados del error = SCE SCT SCA
= 1376.96 – 103.72 = 1273.20
Fuente de Suma de Grados de Media Relación,

variación cuadrados SC libertad, gl cuadrática MC F
Entre grupos
SCA = 103.72 2 MCA = 51.86 Fo = 0.37
de trat., A
Error de
SCE = 1273.20 9 MCE = 141.47 Ft = 4.26
muestreo, E
Total, T SCT = 1376.92 11
Ho: 1 2 3 0
Ha: a lg ún i 0
RA
= 0.05 1– = 0,95 RR
= 0,05
f.p. Fo = 0.37
Ft = 4.26 Ft = 4,26
F0 = 0,37
Conclusión: No existe diferencia significativa entre las 3 máquinas de escribir en términos de

velocidad de mecanografía, con un 5% de significación de prueba.
4.3. ANÁLISIS DE VARIANZA DE DOS VÍAS
El análisis de varianza de dos vías se basa en dos conjuntos de clasificaciones o tratamientos. Por
ejemplo, al analizar el nivel de rendimiento de un programa de capacitación, podríamos considerar
ambos efectos, el del método de instrucción y el del rendimiento escolar anterior. Asimismo,
podríamos investigar el kilometraje de gasolina según la categoría de peso del automóvil y el
grado de la gasolina. En las tablas de datos, los tratamientos identificados en los encabezamientos
de la columna se llaman típicamente tratamientos A; aquellos en los encabezamientos de fila se
denominan tratamientos B.
La interacción en un experimento de dos factores significa que los dos tratamientos no son
independientes y que el efecto particular de los niveles de tratamiento en un factor difiere según
los niveles del otro factor. Por ejemplo, al estudiar el kilometraje de un automóvil, una gasolina de
octanaje más alto puede mejorar el kilometraje para ciertos tipos de autos pero no p ara otros.
Además la efectividad de varios métodos de instrucción puede diferir según los niveles de

capacidad de los estudiantes. Con el objeto de probar la interacción, en cada célula de la tabla de
datos de dos vías debe incluirse más de una observación o medición muestreada (reiteración).
4.3.1. Análisis de varianza de dos vías sin interacción (diseño de bloque aleatorizado)
El modelo de análisis de varianza de dos vías en el cual hay una sola observación por célula se
denomina a menudo diseño de bloque aleatorizado, debido a un tipo particular de uso para este
modelo. El objetivo de utilizar éste diseño no tiene propósito específico de probar un efecto de los
"bloques". Más bien, al ser capaz de asignar alguna variabilidad a los sujetos antes del
rendimiento, la MCE, puede reducirse y la prueba resultante del efecto de los tratamientos A ser
más sensible.
La ecuación lineal para el modelo del análisis de varianza de dos vías sin interacción es:
Xjk = + j + k + jk
Donde:
= media global de cualquier tratamiento
j = efecto del tratamiento j o del bloque j en la dimensión B de clasificación.
k = efecto del tratamiento k en la dimensión A de clasificación.
Las hipótesis correspondientes serían:
Ho : k =0
Ha : k 0
La tabla de resumen para el análisis de varianza de dos vías sin interacción se da a continuación:
Grados
Fuente de Suma de los de Media cuadrática
Relación F
variación cuadrados, SC libertad, MC
gl
Entre grupos Tk2 T2 K-1 MCA

SCA MCA
SCA F0
de nk N K 1 MCE
tratamiento
A
Entre grupos 1 T2 J-1 SCB

SCB T j2 MCB
de k N J 1
tratamiento
B
Error de SCE SCT SCA SCB (J–1) (K– SCE

MCE
muestreo, E 1) (J 1) ( K 1)
T2 N-1
Total, T SCT X2
N
Ejemplo 4.3
Para los datos de la tabla siguiente suponga que en la realidad se utilizó un diseño de bloque
aleatorizado y que se parearon los participantes antes del experimento, asignando un participante
de cada grupo de aptitud (con base en los rendimientos anteriores del curso) a cada método de
instrucción. La tabla siguiente es una revisión de la tabla del ejemplo 1, en el sentido que los
valores presentados se han reorganizado para reflejar el diseño de bloque aleatorizado. Sin
embargo observe que en cada grupo de tratamiento A se incluyen los mismos valores, excepto
que se indican de acuerdo a los grupos de aptitud B y, por lo tanto, están dispuestos en un orden
diferente. Pruebe la hipótesis nula de que no existe diferencia en el desempeño promedio entre los
tres métodos de instrucción y los niveles de aptitud, utilizando un nivel de significación del 5%.

Nivel de Método de instrucción Tj

aptitud A1 A2 A3 Total
B1 86 90 82 258
B2 84 89 81 254
B3 81 88 73 242
B4 79 76 68 223
B5 70 82 71 223
Total Tk 400 425 375 1200
Solución:
SCA
nk N
400 2 425 2 375 2 1200 2

= 250
5 5 5 15
Suma de cuadrados de bloque = SCB

1
T j2
T2
k N
258 2 254 2 242 2 223 2 223 2 1200 2

= 367 .33
3 3 3 3 3 15
SCT X2
N
1200 2
= 86 2 90 2 82 2 ... 70 2 82 2 712 698
15
Suma de cuadrados del error = SCE SCT SCA SCB
= 698 – 250 – 367.33 = 80.87
Media
Fuente de Suma de grados de
cuadrática relación, F
variación cuadrados SC libertad, gl
MC
Entre grupos Fo = 12.4
SCA = 250 2 MCA = 125
de trat., A Ft = 4.46
Entre grupos
SCB = 367.33 4 MCB = 91.83
de bloque B
Error de
SCE = 80.87 (2)(4) = 8 MCE = 10.98
muestreo, E
Total, T SCT = 698 14
Ho: 1 2 3 0
Ha: a lg ún i 0
RA
1– = 0,95 RR
= 0.05 = 0,05
f.p. Fo = 12.4
Ft = 4.46
Ft = 4,46
F0 = 12,4

Decisión:
Como F0 RR rechazamos Ho
Conclusión:
Existe diferencia significativa entre los porcentajes de rendimiento para los diferentes métodos de
instrucción, cuando se consideran el nivel de aptitud. Utilizando una prueba significativa.
4.3.2. Análisis de varianza de dos vías con interacción (N observaciones por célula)
Cuando se utiliza este diseño se pueden probar por el análisis de varianza tres hipótesis nulas
diferentes; que no hay efectos de columna (las medias de las columnas no son significativamente
diferentes) y que no hay efectos de fila (las medias de las filas no son significativamente
diferentes) y que no hay interacción entre los dos factores (los dos factores son independientes).
Un efecto de interacción significativo indica que el efecto de los tratamientos para un factor varía
según los niveles del otro factor. En tal caso, la existencia de efectos de columna y de fila puede
no tener mucho significado desde el punto de vista de la aplicación de los resultados de la
investigación.
La ecuación lineal para el modelo del análisis de varianza de dos vías sin interacción es:
Xijk = + j + k + ijk + ijk
Donde:
= media global independiente de cualquier tratamiento
j = efecto del tratamiento j en la dimensión B.
k = efecto del tratamiento k en la dimensión A.
ijk = efecto de la interacción entre el tratamiento j (del
factor B) y el tratamiento k (del factor A)
Las hipótesis correspondientes serían:

Ho : k =0 Ho : j =0 Ho : Ijk = 0
Ha : k 0 Ha : j 0 Ha : Ijk 0
La tabla de resumen para el análisis de varianza de dos vías con interacción se da a continuación:
Grados
Fuente de Suma de los de Media cuadrática
Relación F
variación cuadrados, SC libertad, MC
gl
Entre grupos 1 T2 K-1 SCA MCA

SCA Tk2 MCA F0
de n N K 1 MCE
tratamiento
A
Entre grupos 1 T2 J–1 SCB MCB

SCB T j2 MCB F0
de nk N J 1 MCE
tratamiento
B
Interacción 1 2 SCI MCI

SCI X MCI F0
(entre n (J 1) ( K 1) MCE
T2 (J–1) (K–
grupos de SCA SCB
N 1)
tratamiento
A y B) I
Error de SCE SCT SCA SCB JK (n–1) SCE

MCE
muestreo, E SCI JK (n 1)
T2 N-1
Total, T SCT X2
N

Ejemplo 4.4
Nueve personas que se capacitan en cada una de cuatro áreas temáticas diferentes fueron
asignadas en forma aleatoria a tres métodos de instrucción distintos. Se asignaron tres
estudiantes a cada método de instrucción. Se refiere a la tabla siguiente, pruebe las diversas
hipótesis nulas que son de interés respecto a tal diseño, a un nivel de significación del 5%.
Método de instrucción Total Tj

Área
temática
A1 A2 A3
B1 70 83 81 717
79 89 86
72 78 79
221 250 246
B2 77 77 74 709
81 87 69
79 88 77
237 252 220
B3 82 94 72 722
78 83 79
80 79 75
240 256 226
B4 85 84 68 732
90 90 71
87 88 69
262 262 208
Total Tk 960 1020 900 T=2880
Solución:
Suma de cuadrados de tratamiento A = SCA
1
Tk2
T2
nk N
960 2 1020 2 900 2 2880 2

= 600
12 12 12 36
Suma de cuadrados de tratamiento B = 1 T2

SCB T j2
nj N
717 2 709 2 722 2 732 2 2880 2

= 30 .8
9 9 9 9 36
Suma de cuadrados de la interacción = SCI

1
X
2
n
T2
SCA SCB
N
2
= 221 250 2 246 2 262 2 262 2 208 2 2880 2
... 600 30 .8 533 .9
3 3 3 3 3 3 36

SCT X2
N
2880 2
= 70 2 83 2 812 ... 87 2 88 2 69 2 1600 .0
36
Suma de cuadrados del error = SCE SCT SCA SCB SCI
= 1600 – 600 – 30.8 – 533.9 = 435.3

Suma de
Fuente de Grados de Media
cuadrados relación, F
variación libertad, gl cuadrática MC
SC
Entre grupos
de trat., A SCA = 600.0 3-1 = 2 MCA = 300 Fo = 16.57
(método)
Entre grupos
de trat., B SCB = 30.8 4-1 = 3 MCB = 10.3 Fo = 0.57
(tema)
Interacción
entre
SCI = 533.9 (2)(3) = 6 MCI = 18.1 Fo = 4.92
método y
tema, I
Error de
muestreo, E (4)(3)(2) =
SCE = 435.3 MCE = 18.1
24
Total, T SCT =
36-1=35
1600.0
Ho: A1 A2 A3 Ho: B1 BA2 BA3 Ho: I jk 0

Ha: a lg ún i 0 Ha: a lg ún j 0 Ha: I jk 0
= 0.05
f.p.
Fo = 16.57 Fo = 0.57
Ft = F(2,24,0.95) = 3.4 Ft = F(3,24,0.95) = 3.0
RA RR RA RR
1– = 0,95 = 0,05 1– = 0,95 = 0,05
Ft = 3.4 Ft = 3.0
Fo = 16.57 Fo = 0.57
Fo = 4.92
Ft = F(6,24,0.95) =2.5
RA RR
1– = 0,95 = 0,05
Ft = 2.5
Fo = 4.92
Decisión:
1. Como F0 RR rechazamos Ha
2. Como F0 RA aceptamos Ho
3. Como F0 RR aceptamos Ha
Conclusión: Hay diferencia satisfactoria entre los porcentajes de los métodos de instrucción, no
hay diferencia significante entre las distintas áreas hay interacción importante entre los dos
factores:
La última conclusión indica que varía la efectividad de los tres métodos de instrucción para las
diferentes áreas temáticas.

AUTOEVALUACIÓN
( ) El análisis de varianza se emplea para probar las diferencias entre k medias.

( ) El análisis de varianza de dos vías se basa en dos conjuntos de tratamientos
( ) Al análisis de varianza de dos vías sin interacción se le conoce como diseños de bloque
aleatorizado.
( ) El modelos del análisis de varianza de dos vías es: Xik = + k + ik
( ) MCE es llamada media cuadrática del error
2. En 12 depósitos al por menor se establecieron 4 tipos de exhibiciones de publicidad, con tres

depósitos asignados en forma aleatoria a cada una de las exhibiciones con el propósito de
estudiar el impacto de la exhibición en el punto de venta. Refiriéndose a la tabla siguiente,
pruebe la hipótesis de que no existe diferencia entre las medias de los valores de venta para
los cuatro tipos de exhibiciones, usando un nivel de significancia del 5%.
Tipo VENTAS
De Exhibición 1 2 3
E1 40 44 43
E2 53 54 59
E3 48 38 46
E4 48 61 47
3. Los siguientes son los números de hornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compañía distribuidora de artículos domésticos
SUCURSAL ALFA 21 11 17 28
SUCURSAL BETA 27 15 18 26 17 21
SUCURSAL GAMMA 24 17 31 12 15
Realice un ANVA para probar, con un nivel de significancia de 0.05, si la hipótesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
4. Completar la siguiente tabla de análisis de varianza (ANVA)
FUENTE SUMA DE GRADO DE MEDIA F

VARIACION CUADRADO LIBERTAD CUATRADTICA
S
Tratamiento 2
Error 9 10
Total 120
5. Un ejecutivo de marketing llevó a cabo un estudio para examinar el efecto comparativo de 3

técnicas diferentes de promoción en 4 zonas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguiente. Determinar las conclusiones a las que puede llegar usando
los resultados de la tabla ANVA y formule en forma clara las hipótesis de contraste.

VARIACION CUADRADOS LIBERTAD CUADRATICA
Entre técnicas 7.48
promocionales
Entre zonas de 3
ventas
Error 3.90 6
Total 11.41 11


Unidad 4
TEORIA DE LA TOMA DE DECISIONES
Nº de tutoría: Uno
Tutoría Nº 5
Teoría de la toma de decisiones


1. Competencias
1.1. Conceptuales
Reconoce los conceptos del análisis estadístico en la toma de
decisiones.
Elaboran tabla, diagrama en base a las probabilidades para la toma de
decisiones.
1.3. Actitudinales
Realiza toma de decisiones basadas en un análisis estadístico en un
problema de investigación.
El contenido programático de la unidad referida es el siguiente: La
estructura bayesiana comparada con la estadística clásica conceptos
fundamentales (conceptos generales), estructura de la tabla de
decisión; toma de decisiones basadas en probabilidades (criterios:
probabilidad máxima, esperanza del evento); toma de decisiones con
base sólo en las consecuencias económicas (criterios: maximin,
máximax, pena mínimax); toma de decisiones con base en
probabilidades y consecuencias económicas (criterios: del valor
esperado o criterio bayesiano, mínima pérdida de oportunidad o pena
esperada); análisis de árbol de decisión.

prácticos.
c) Remite las prácticas y los trabajos a la página web de PROESAD.


Tutoría Nº
Teoría de la toma
de decisiones
5.1. LA ESTRUCTURA BAYESIANA COMPARADA CON LA ESTADÍSTICA CLÁSICA

5
La estadística clásica trata en lo fundamental dos problemas estrechamente relacionados:
1. El problema de la estimación de algunos parámetros de la población, como la media aritmética

de la población y la proporción poblacional p.
2. El problema de probar una hipótesis respecto a alguna característica o parámetro de la
población
Pero, ya sea que el problema consista en estimar algún parámetro de la población o probar (o
contrastar o verificar) una hipótesis respecto al valor de ese parámetro, el método que se usa para
resolver el problema es uno y el mismo; se selecciona una muestra aleatoria de la población y esta
información muestral se convierte en la base de todas las inferencias acerca de los parámetros de
la población. Para ejemplificar esto, supóngase que el problema inmediato es estimar el porcentaje
de estudiantes del quinto año de secundaria en un colegio. Si una muestra aleatoria de 100
estudiantes seleccionados de este colegio revela que hay 10 esudiantes del último año, entonces
se estimará el porcentaje de estudiantes del último año de todo el colegio como 10/100 ó 10%.
La información que se puede utilizar al hacer una inferencia sobre una característica de la
población, por lo general, se clasifica en dos clases: la información objetiva y la información
subjetiva. Por ejemplo, la información que se obtiene por medio de muestreos es información
objetiva. Por otra parte, la opinión personal del experto en un campo es información subjetiva. Al
estimar el porcentaje de estudiantes del último año del colegio como 10%, se ha adoptado el
método tradicional o clásico de la inferencia estadística, un método en el que la inferencia acerca
de la población se basa de una manera estricta en información muestral objetiva.
En contraste con el método estadístico clásico, en el que sólo se puede utilizar información
muestral objetiva, un enfoque alternativo de la estadística, llamado estadística de Bayes, puede
utilizarse toda la información disponible pertinente: subjetiva y objetiva. En la estadística de Bayes,
una inferencia sobre un parámetro de la población puede hacerse partiendo de información
subjetiva exclusivamente. Sin embargo, si posteriormente se cuenta con información muestral
objetiva, se combinan la información subjetiva y la objetiva, y las inferencias sobre el parámetro de
la población se basan en esta información combinada.
La distinción entre la estadística clásica y la de Bayes, puede presentarse desde una perspectiva
definida considerando el ejemplo siguiente: Una compañía manufacturera está considerando la
compra de una nueva máquina, denominada la máquina A. La decisión de si se compra o no la
máquina A se basará en el porcentaje de partes defectuosas que produzca la máquina. En base a
su experiencia pasada con otras máquinas semejantes, el ingeniero de control de calidad de la
compañía estima el porcentaje de partes defectuosas producidas por la máquina A según la
siguiente tabla:
PORCENTAJE DE PARTES PROBABILIDAD

DEFECTUOSAS
0,05 0,30
0,06 0,50
0,07 0,20
Esto significa que el ingeniero de control de calidad no está absolutamente seguro del porcentaje
de partes defectuosas que produce la máquina A. Sin embargo, en base a cualquier conocimiento

o experiencia que posee, el ingeniero piensa personalmente que es de 0,30 la probabilidad de que
el porcentaje de partes defectuosas producidas por la máquina A sea 5% es de 0,50 la
probabilidad de que el porcentaje de partes defectuosas sea 6% y hay un riesgo de 0,20 en que el
porcentaje de partes defectuosas sea 7%.
Dos observaciones importantes pueden hacerse en esta fase de la discusión. Primera, la

información del ingeniero de control de calidad respecto a la máquina A es personal o subjetiva,
puesto que algún otro ingeniero bien podría dar una estimación del porcentaje de partes
defectuosas que produce la máquina A. Segunda, en contraste con la estadística de Bayes está
especialmente diseñada para hacer uso más constructivo de este tipo de información. De hecho,
usando la información subjetiva del ingeniero de control de calidad, la estadística de Bayes
permitirá a la compañía decidir si compra o no la máquina A.
Continuando el caso de la máquina A, supóngase además que en una serie de pruebas, una
muestra aleatoria de 100 partes producidas por la máquina A revela que hay 4 partes defectuosas.
Ahora bien, según la estadística, el porcentaje de partes defectuosas producidas por la máquina A
se estima como 4%. Sin embargo, usando la estadística de Bayes la información muestral se
combina con la información subjetiva del ingeniero de control de calidad, y una estimación del
porcentaje de partes defectuosas producidas por la máquina A se hace, partiendo de esta
combinación de información.
El uso de información subjetiva en la inferencia estadística es sólo una de las características de la

estadística bayesiana. En los últimos años, la estadística bayesiana se ha convertido en una teoría
integrada para la toma de decisiones, llamada la teoría de decisión bayesiana.
La teoría de decisión bayesiana trata el problema de la toma de decisiones bajo condiciones de

incertidumbre. Esta teoría le proporciona a quien toma una decisión un procedimiento racional y
sistemático que le permite elegir entre varios cursos de acción posible cuando las consecuencias
de cada una de estas acciones están sujetas a incertidumbre.
I. Estructura de tablas de decisión

Una tabla de decisión identifica la ganancia (o pérdida) ocasional asociada por todas las
combinaciones posibles de actos y sucesos de decisión, también indica la probabilidad de
ocurrencia para cada uno de los eventos mutuamente excluyentes.
TABLA 1
ESTRUCTURA GENERAL DE UNA TABLA DE DECISIÓN
ACTOS
EVENTO PROB.
A1 A2 A3 ... An
E1 p1 X11 X12 X13 ... X1n
E2 p2 X21 X22 X23 ... X2n
E3 p3 X31 X32 X33 ... X3n
... ... ... ... ... ... ...
Em pm Xm1 Xm2 Xm3 ... Xmn
Donde:
Actos: Son los cursos de acción alternativos, o estrategias, que están a disposición de la
persona que toma la decisión. Como resultado del análisis se elige uno de estos
actos como el mejor.
Eventos: Identifica las ocurrencias que están fuera del control de la persona que toma la
decisión y que determina el nivel de éxito de un acto dado.
Probabilidad: Deben estar disponibles, pueden basarse en actos objetivos o determinarse

subjetivamente con base en el criterio. Las sumas de las probabilidades siempre
es 1,00.
Las entradas en las células: Son valores condicionales o consecuencias económicas

condicionales. Frecuentemente se denominan pagos y son condicionales pues el
resultado económico depende del acto de decisión que se elige y del evento que
ocurre.

II. Toma de decisiones basadas en probabilidades

Esto se efectúa haciendo uso de la primera y segunda columna de la tabla 1.
Criterios
1º Probabilidad máxima: Es aquel que se selecciona el acto del evento que presenta mayor
probabilidad.
2º Esperanza del evento: Es aquel que se selecciona el acto del evento considerando la
esperanza matemática del evento. E(e) = e p(e)
Obs. Representa una base incompleta para efectuar toma de decisión.
III. Toma de decisiones con base sólo en las consecuencias económicas

La tabla que se usa es similar a la tabla 1, excepto que por la ausencia de las probabilidades
de los eventos.
Criterios
1º Maximin: Esta estrategia de decisión es "altamente conservadora" pues la persona que
toma la decisión se preocupa de que "pueda suceder lo peor" respecto a cada acto.
Cálculo: Se determina el valor mínimo de cada columna. El mejor acto es aquel para el
cual el valor resultante es mayor.
2º Máximas: Es el estándar por el cual el mejor acto es el para el que el valor máximo es
mayor que el máximo de cualquier otro acto de decisión. Este criterio se opone
filosóficamente al criterio maximin, pues la persona que toma las decisiones está
orientada hacia "lo mejor que puede suceder" con respecto a cada acto.
Cálculo: Se determina el valor máximo de cada columna. El mejor acto es aquel para el
cual el valor resultante es mayor.
3º Pena Minimax (Pérdida de oportunidad condicional): Es la diferencia entre el resultado

económico del mejor acto dado que ha ocurrido en un evento particular y el resultado
económico de acto. El valor "mejor" o más deseado de la pena es "0".
Cálculo: Se determina la tabla pena minimáx restando el resultado de cada acto del
mejor, en cada fila, luego el valor máximo de cada columna. El mejor acto es aquel para
el cual el valor resultante es menor.
IV. Toma de decisiones con base en probabilidades y consecuencias económicas

Estos métodos utilizan toda la información contenida en la tabla 1.
Criterios
1º Del valor esperado (VE) o Criterio Bayesiano: Es la norma por el cual el mejor acto es
aquel para el que el resultado económico esperado es el más alto como promedio a
largo plazo.
Cálculo: Se determina multiplicando el valor condicional para cada combinación
evento/acto por la probabilidad del evento y sumando estos resultados para cada acto
(columna). El mejor acto es aquel para el cual el valor resultante es mayor.
2º Minima pérdida esperada de oportunidad (PEO) o Pena esperada.- El acto con la mayor
ganancia esperada tendría la menor pena esperada.
Cálculo: Se determina la tabla pena minimáx restando el resultado de cada acto del
mejor en cada fila, luego se multiplicando el valor condicional para cada combinación
evento/acto por la probabilidad del evento y sumando estos resultados para cada acto
(columna). El mejor acto es aquel para el cual el valor resultante es menor.
V. Análisis de árbol de decisión

Es el método que puede utilizarse para identificar el mejor acto inicial, como también los
mejores actos subsiguientes.
Proceso
1º Construir el árbol de decisión de izquierda a derecha, con sus puntos de decisión (puntos
secuenciales en los cuales tiene que hacerse la elección) y eventos causales (puntos
secuenciales en los cuales ocurrirá un evento probabilístico). Depende del análisis

apropiado, de la situación global de decisión.
2º Se colocan en el diagrama los valores de probabilidad asociados con los eventos

causales y las consecuencias económicas. Los valores esperados de los actos
alternativos en el punto inicial de decisión, los valores esperados se calculan
sistemáticamente de derecha a izquierda en el árbol de decisión. Este proceso se llama
"devolverse".
Ejemplo 5.1
Un contratista de calefacción y aire acondicionado debe comprometerse a comprar unidades de
aire acondicionado desde el 1ero de abril, para reventa e instalación durante la próxima temporada
de verano. Con base en la demanda del verano anterior, en las actuales condiciones económicas
y en los factores de competencia del mercado, calcula que hay una probabilidad de 0,10 de vender
sólo 5 unidades, una probabilidad de 0,30 de vender 10 unidades, una probabilidad de 0,40 de
vender 15 unidades y una probabilidad de 0,20 de vender 20 unidades. Los equipos de aire
acondicionado se pueden ordenar sólo en grupos de cinco, siendo el costo unitario de $1000 y el
precio al por menor de $1300 (más gastos de instalación). Todas las unidades que no se han
vendido al término de la temporada se devuelven al fabricante por un crédito neto de $800,
después de deducir los gastos de embarque. Determine los mejores actos de decisión desde el
punto de vista de los criterios.
a) basada sólo en probabilidades, (probabilidad máxima y esperanza del evento).

b) basada sólo en las consecuencias económicas, (maximin, maximax, pena minimax).
c) basada en probabilidades y consecuencias económicas, (criterio bayesiano y pena esperada
de oportunidad).
Solución:
(Tabla de ganancias)
E ACTOS (Compra – Stock)
P (E)
Demanda A1 = 5 A2 = 10 A3 = 15 A4 = 20
E1 = 5 0.10 1500 500 (500) (1500)
E2 = 10 0.30 1500 3000 2000 1000
E3 = 15 0.40 1500 3000 4500 3500
E4 = 20 0.20 1500 3000 4500 6000
Valor esperado 13,3
Maximin 1500 500 (500) (1500)
Máxima x 1500 3000 4500 6000
C. Bayesiano 1500 2750 3250 2750
(Tabla de pérdida de oportunidad)

E ACTOS (Cantidad de orden)
P (E)
Demanda A1 = 5 A2 = 10 A3 = 15 A4 = 20
E1 = 5 0.10 0 1000 2000 3000
E2 = 10 0.30 1500 0 1000 2000
E3 = 15 0.40 3000 1500 0 1000
E4 = 20 0.20 4500 3000 1500 0
Pena Mimi max 4500 3000 2000 3000
Pena esperada de oportunidad 2550 1300 800 1300
a) i) Como la probabilidad máxima es 40%, entonces el mejor acto de decisión es ordenar la

compra de 15 unidades de aire acondicionado.
ii) Como el valor esperado = EP(E) = 13,3 y las ordenes se afectan en grupos de 5, luego el
mejor acto de decisión, es ordenar la compra de 15 unidades de aire acondicionado.
b) Maximinin: ordenar comprar 5 unidades de aire acondicionado

Maximimax: ordenar comprar 20 unidades de aire acondicionado
Pena mínimas: ordenar comprar 15 unidades de aire acondicionado
c) Criterio Bayesiano: ordenar comprar 15 unidades de aire acondicionado

Pena esperada de oportunidad: ordenar comprar 15 unidades de aire acondicionado
Ejemplo 5.2
a. A un fabricante se le presentó un proyecto para un producto nuevo, y debe decidir si
desarrollarlo o no. El costo del desarrollo de proyecto es S/. 200 000; la probabilidad de éxito
es 0,70. Si el desarrollo no tiene éxito se termina el proyecto. Si tiene éxito, el fabricante debe
entonces decidir si el nivel de producción ha de ser alto o bajo. Si la demanda es alta, el
aumento en la utilidad, dado un nivel elevado de producción, es de S/. 700 000; dado un nivel
bajo, es de S/. 150 000. Si la demanda es baja, el incremento en la utilidad, dado un nivel
elevado de producción es S/. 100 000; dado un nivel bajo es S/. 150 000.
Todos estos incrementos en utilidades son cifras brutas (es decir, antes de restar los S/. 200 000
del costo de desarrollar el producto). Se estima que la probabilidad de una demanda elevada es
0,40 y para la demanda baja es 0,60. Elabore el árbol de decisiones para esta situación.
La figura muestra el árbol de decisión de este problema:
: Puntos de decisión
: Eventos aleatorios
Figura 1. Diagrama del árbol de decisión
b. Con referencia a la figura 1, determine si el fabricante debe intentar el desarrollo de este

producto o no, determinando la ganancia esperada correspondiente a las acciones alternativas
“desarrollar” y “no desarrollar”.
En la figura 2 se repite el árbol de decisión presentado en la figura 1, pero ahora se incluyen las
ganancias esperadas correspondientes a cada una de las decisiones posibles del proceso
secuencial, y se eliminan las acciones no preferidas de cada decisión, cruzando con dos rayas la
rama correspondiente. Trabajando de derecha a izquierda, se determina la ganancia esperada de
la decisión “nivel alto de producción”, y que es de S/. 140 000, de la siguiente manera:
GE (nivel alto de fabricación) = (0,40) (500 000) +

(0,60) (-100 000)
= S/. 140 000
De manera análoga:
GE (nivel bajo de fabricación) = (0,40) (-50 000) +
(0,60) (-50 000)
= S/. 50 000

Al comparar las dos ganancias esperadas, la mejor decisión es “nivel alto de fabricación”; se
elimina la posibilidad de la otra acción. Pasando a la izquierda hacia el siguiente punto de decisión
(que es también el punto inicial de decisión en este caso), las ganancias esperadas para las dos
posibles decisiones son:
GE (desarrollar) = (0,70) (140 000) +

(0,30) (-200 000)
= S/. 38 000
GE (no desarrollar) = S/. 0
Al comprar las dos ganancias esperadas, la mejor acción en el punto inicial es “desarrollar”. Al
calcular la ganancia esperada de “desarrollar”, debe observarse que la probabilidad de 0,70 (para
“desarrollo con éxito”) se multiplica por S/. 140 000, y se ignora la rama adyacente de S/. –50 000,
debido a que corresponde a una decisión eliminada en la etapa previa de análisis.
Figura 2: Diagrama del árbol con reversión

AUTOEVALUACIÓN
( ) La pena mínimax se calcula en la tabla de perdida.

( ) El criterio que maximiza los pagos mínimos de todos los actos se llama máximas.
( ) En el criterio máximax, el mejor acto es aquel para el cual el valor resultante es mayor.
( ) Los eventos son los cursos de acción alternativos, que están a disposición de la
persona que toma la decisión.
( ) La teoria bayesiana trata el problema de la toma de decisiones bajo condiciones de
incertidumbre.
2. Supóngase que un fabricantes de equipos de oficina debe decidir si ampliar la capacidad de

su planta ahora o espera otro año. Sus consejeros le advierten que si hace ahora la
ampliación y las condiciones económicas siguen siendo favorable, se logrará una utilidad de $
369 000; si hace ahora la ampliación y existe alguna recesión económica, habrá un pérdida
(utilidad negativa) de $ 900 000; si espera otro año y las condiciones económicas siguen
siendo favorables, se logrará una utilidad de $ 180 000; y si espera otro año, y existe una
recesión económica, se logrará una pequeña utilidad de $ 18 000.
a) Construya una tabla de pagos.

b) Construya una tabla de pérdida
3. Un canillita debe ordenar los periódicos con un día de anticipación. El costo de los periódicos
es de $ 2 la docena y el precio de venta es de $ 4 la docena. Los periódicos no vendidos al
cabo del día deben devolverse. Si el canillita estima la demanda diaria de su clientela por
periódicos en la forma siguiente: Demanda diaria, en docenas: 12, 13, 14. Probabilidad de la
demanda 0.20, 0.30, 0.50.
a) Establecer la tabla de pago y de pérdida.

b) Determine los mejores actos de decisión desde el punto de vista de los criterios:
Probabilidad máxima, valor esperado, maximin, máximax, pena mínimax, criterio
bayesiano y pena esperada de oportunidad
4. Dada la siguiente tabla de resultados:
UTILIDADES
Suceso Probabilidad Acciones
A1 A2 A3 A4
A 0.1 20 0 -30 -40
B 0.2 20 40 20 0
C 0.5 20 40 60 40
D 0.2 20 40 60 80
a) Determínese la acción óptima mediante la Probabilidad Máxima

b) Determínese la acción óptima utilizando el criterio Bayesiano y Pena Esperada de
Oportunidad
c) Determínese la acción óptima utilizando el criterio MÁXIMAX, MAXIMIN, MINIMAX
5. La junta directiva de un hospital privado debe decidir, sobre fases financieras, si autoriza
fondos a un nuevo centro de atención a pacientes cardiacos. La junta considera que si se
construye el nuevo centro y contratan a un cardiólogo de prestigio nacional, el centro percibirá
$ 7.2 millones. Si se construye el nuevo centro pero no pueden contratar un cardiólogo
eminente, habrá una pérdida de $ 1.25 millones. Si se remodela el antiguo centro de
cardiología y se contrata a un cardiólogo eminente, el centro captará $ 2 millones. Si se
remodela el centro y no contratan a un cardiólogo eminente, la institución sólo percibirá $ 0.5
millones.
a) Construya una tabla de pagos.

b) Trace un árbol de decisión.

Unidad 5
CONTRO DE CALIDAD
Tutoría Nº 6: CONTROL DE CALIDAD: GRAFICA DE CONTROL PARA LA

MEDIA DEL PROCESO.
Tutoría Nº 7: CONTROL DE CALIDAD: GRAFICA DE CONTROL PARA LA

VARIACIÓN DEL PROCESO Y PARA LA PROPORCIÓN DE DEFECTUOSOS.


1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las técnicas muy útiles que se usan en la
industria para controlar y mejorar la calidad del producto.
Elaboran diagramas de control para controlar y mejorar el producto de
un proceso de manufactura.
1.3. Actitudinales
Asegurar que las variables que miden la calidad de un producto queden
dentro de los intervalos que son aceptables para posibles clientes.
El contenido programático de la unidad referida es el siguiente: control
de calidad, introducción, métodos de control de calidad: técnicas de
supervisión, técnicas de localización de problemas, técnicas de
selección, supervisión de la calidad mediante graficas o diagramas de
control, grafica de control para media del proceso: diagrama de x ;
gráfica de control para la variación del proceso: diagrama de r, gráfica
de control para la proporción de defectuosos: diagrama de p; gráfica
de control para el número de defectuosos por unidad: diagrama de c

prácticos.


Tutoría Nº
Control de calidad: grafica de
control para la media del proceso
ESTUDIO DE UN CASO
6
El Caso del Aceite Perdido
Considérese un problema administrativo, en el que usted es el encargado de la operación de llenar

latas de aceite lubricante para motores. Los envases de un cuarto de galón, el tipo que se compra
en una estación de servicio local, se llenan con una máquina que tiene 28 boquillas (inyectores).
Cada boquilla descarga el aceite en una lata, y la máquina llena así los 28 envases, uno con cada
inyector.
El problema se presenta cuando los controladores de la compañía detectan una discrepancia

extraña. Aunque la cantidad de aceite que se recibe mensualmente para la operación de llenado
asciende a 10 000 000 de cuartos de galón, el número de latas de una cuarto que se llenan, es
siempre considerablemente menor. Si el número de latas llenadas de un mes dado es de 9 700
000, ¿qué pasó con los 300 000 cuartos de aceite perdido?
El problema que acabamos de describir es similar al problema encontrado por V. Filimon y sus
colegas quienes trabajan, en ese tiempo, para la Estándar Oil Company en Cleveland, Ohio (V.
Filimon, R. Maggass, D. Frazier y A. Flingel, “Some Applications of Quality Control Techniques in
Motor Oil Can Filing, Industrial Quality Control, Vol. 12, 1995”). Su operación consistió en usar tres
maquinas llenadoras cada una con 6 boquillas para latas de un cuarto, otra con 28 boquillas
también para un cuarto y una mas con 16 inyectores para latas de un galón.
La búsqueda del aceite perdido se concentro rápidamente en la maquina llenadora. ¿Se puede
ajustar una máquina para que una boquilla descargue exactamente un cuarto de aceite en cada
lata? La respuesta es negativa, porque la cantidad de aceite descargada para una sola boquilla
difiere ligeramente de la que descargue otra, debido a la variación en el flujo del aceite por la
citada boquilla. Así la cantidad x de aceite descargada en una lata, medida en volumen o en peso,
varia de una lata a otra y tiene una distribución de frecuencias relativas. Esta variación en el peso
de llenado, llevo a Filimon y a sus colegas, a sospechar que el aceite perdido salía de la planta en
las mismas latas.
La operación de llenar los envases, y sus problemas inherentes, es comparable a la mayoría de

las operaciones actuales en los negocios. Cada operación origina un producto que se considera
aceptable o inaceptable, dependiendo de una o más variables que miden la calidad del producto.
El producto de una operación de llenado de envases de aceite es una lata de aceite; una medida
de su calidad es la cantidad de aceite depositado en cada lata. El producto de una máquina que
origina lámparas eléctricas es una bombilla o un foco, y una medida de su calidad es la cantidad
de luz que emita. El producto de un hospital es el tratamiento médico y el cuidado para un solo
paciente. La calidad del cuidado de un paciente se mediría, sin duda, mediante un cierto número
de variables de calidad.
En esta unidad presentaremos algunas técnicas administrativas y estadísticas para supervisar,

mejorara y controlar la calidad del producto de una operación actual en los negocios.

6.1. INTRODUCCION
El objetivo de este capitulo es presentar algunas técnicas muy útiles que se usan en la industria
para controlar y mejorar la calidad de productos manufacturados así como para el mejoramiento
de la calidad de sistemas de administración.
Como lo indica el titulo, la metodología del control de calidad se estructuro para controlar y mejorar
el producto de un proceso de manufactura. Los perfiles o barras de acero deben tener una
resistencia a la tensión especifica; un jabón tiene que ser producido con un nivel bajo de
impurezas; una caja de cereales debe tener un contenido en peso específico, y los datos de
entrada financieros en una computadora para administración tienen que ser exactos y preciso, con
una alta probabilidad. Así, el objetivo de un programa de control de calidad es asegurar que las
variables que miden la calidad de un producto queden dentro de los intervalos que son aceptables
para posibles clientes.
6.2. MÉTODOS DE CONTROL DE CALIDAD
Los métodos de control de calidad se clasifican en tres categorías:
6.2.1. Técnicas de supervisión
Diseñadas para seguir o rastrear el nivel de las variables de calidad y para detectar cambios
indeseables en la calidad del producto;
6.2.2. Técnicas de localización de problemas
Ideadas para ayudar a ubicar las causas de cambios indeseables en la calidad del producto; y
6.2.3. Técnicas de selección
Diseñadas para eliminar productos defectuosos, o de mala calidad que entran al proceso como
materia prima y sirven para realizar el mismo trabajo, en el caso de los productos acabados antes
de enviarlos a un cliente.
Se dice a menudo que el control de calidad consta del 10% de Estadística y de 90% de ingeniería
y sentido común. Como se aprender, la mayoría de los métodos de control de calidad se basan en
los conceptos estadísticos elementales. El verdadero problema ocurre cuando se detecta uno de
los procesos de supervisión o monitoreo o de selección. Así los métodos de control de calidad
pueden decir cuando pero no porque ocurren los problemas. Para descubrir la causa de la baja
calidad en productos y corregir la situación, es necesario conocer el proceso y tener aptitudes y
habilidad para resolver problemas.
Esta unidad trata de dos de los tres tipos de métodos de control de calidad, los procedimientos
para controlar un proceso de producción actual y los métodos utilizados para eliminar materia
prima poco satisfactoria que entra al proceso o productos defectuosos que salen del proceso o
ambas cosas. La tercera categoría metodológica, los procedimientos estadísticos para localizar la
causa de un cambio que haga bajar la calidad del producto, consiste en todos los métodos
desarrollados en esta asignatura como en estadística general. Dos de los procedimientos de
mayor utilidad son el análisis de regresión y el análisis por tablas de contingencia que pueden
establecer con correlación entre una o más materias primas, o variables del proceso o del entorno,
y la calidad del producto.
6.3. SUPERVISION DE LA CALIDAD MEDIANTE GRAFICAS O DIAGRAMAS DE CONTROL
Las mediciones de una variable de calidad varían en el tiempo. Por ejemplo, las mediciones del
diámetro interior de un cojinete cuyo valor es pulgada, variarán ligeramente de una pieza a otra. El
diámetro del cojinete tiende a hacerse mas pequeño debido al desgaste del utensilio de corte del
proceso de maquinado. Una variación de este tipo se denomina definida por una causa
atribuible. Otra variación en la que ocurre pequeños cambios fortuitos que se deben a la gran
cantidad de variables desconocidas que afectan el diámetro: cambios en la materia prima,
condiciones ambientales, etc., se considera como una variación aleatoria.

Si la variación de una variable de calidad es únicamente el tipo aleatorio, se dice que el proceso
esta bajo control. El hecho de estar bajo control no indica que el producto origine productos 100%
aceptables. Los valores de la variable de la calidad pueden o no localizarse de manera fortuita,
dentro de los límites especificados por los clientes del fabricante.
La figura 1 (a) muestra una representación grafica o diagrama de los valores de diámetros de
cojinetes, según una medición por hora, en el caso de un proceso industrial que se encuentra bajo
control y que produce cojinetes que cumplen con las especificaciones de los clientes, por ejemplo,
de 0.980 a 1.020 pulgadas.
La figura 1 (b) muestra una gráfica similar para un proceso que se encuentra bajo control, pero
que produce muchos cojinetes con diámetros que no cumplen las especificaciones y que se
considerarían defectuosos.
La figura 1 (c) ilustra como seria una grafica si existiera una causa de variación atribuible.
Obsérvese que los diámetros señalados ya no parecen variar de modo aleatorio, sino que tienen
una manifiesta tendencia decreciente con respecto al tiempo.
Límite superior de especificación

1.020
Diámetro del cojinete
1.000
Límite inferior de especificación

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(a) Proceso bajo control que cumple las
especificaciones

1.020
1.000

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(b) Proceso bajo control que no cumple las
especificaciones

1.020
1.000

.980
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Tiempo (en horas)
(c) Proceso fuera de control
FIGURA 1: Gráficas respecto al tiempo de los diámetros de cojinetes producidos.

El primer objetivo de un fabricante es liminar las causas de variación atribuibles de una variable de
calidad y mantener el proceso bajo control. El siguiente paso es reducir la variación del proceso y
tener la distribución de las mediciones de calidad dentro de especificaciones. El valor medio de la
distribución tendría que encontrarse cerca o en el centro del intervalo de los valores de
especificación, y la varianza de la distribución tendría que ser la más pequeña posible. Una
distribución deseable para los diámetros interiores de cojinetes es que se cumple absolutamente
con las especificaciones, como se muestra en la figura 2.
0.980 Diámetro x
FIGURA 2. Una distribución deseable.
Una vez que un proceso esta bajo control y que produce productos satisfactorios, se controlan el
medio del proceso y su varianza mediante diagramas de control. Se sacan muestras de n
artículos del proceso a intervalos de tiempo específicos, digamos cada media hora o cada hora, y
se calcula la media muestral x y la amplitud total (“rango”) R. Se transportan estas variables
estadísticas a gráficas de x y R similares a las que se tienen en la figura 1 Se utiliza el diagrama
de control de la media muestral x para detectar posibles corrimientos en la media de la
distribución de una variable de calidad. De igual manera, se emplea un diagrama de control para la
amplitud de variación de la muestra R, a fin de detectar cambios en la variancia de las distribución.
Se analizan los diagramas de control para la media x y para la amplitud R, respectivamente.
6.4. GRAFICA DE CONTROL PARA MEDIA DEL PROCESO: DIAGRAMA DE x

Suponga que se seleccionan n artículos del proceso de producción a intervalos iguales (en el
tiempo o en los números de artículos producidos) y que se registran las mediciones de la variable
de calidad. Por ejemplo, la figura 3 presenta una gráfica de la media de los diámetros de n = 5
cojinetes, seleccionados cada hora, de un proceso de maquinado.
Límite superior de control, LSC
3 x
Línea central x
3 x
Límite inferior de control, LIC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Número de la muestra
FIGURA 3. Diagrama de x par control
La lógica que apoya un diagrama x para control es que si el proceso esta controlado, las medias
muestrales tendrán que variar alrededor de la media poblacional de manera aleatoria, y que
casi todos los valores de x tendrán que estar en un intervalo ( 3 ).
X

Aunque se desconoce el valor exacto de la media del proceso de , es posible obtener una
estimación precisa promediando un número grande, k (por lo menos 25)1, de medias muestrales.
Está estimación fija el eje o línea central del diagrama de control. En la notación tradicional de
control de calidad, se representa tal estimación por el símbolo x (es decir, la media de las medias
muéstrales).
Los límites superior e inferior de control se localizan.

3
3 X
n
Arriba y abajo del eje. Puede estimarse el valor de calculando la desviación estándar muestral
s, utilizando el conjunto combinado de los datos de las k muestras. Si se ingresan en una
computadora los datos obtenidos cada periodo, se logra la estimación de s mediante un
comando. Si no se dispone de tal sistema (lo que era el caso cuando se desarrollaron estos
métodos), el cálculo de s es tardado y, algunas veces, está más allá de las aptitudes en aritmética
de algunos trabajadores en la producción. Por esta razón, ha sido tradicional el cálculo de una
estimación de mediante la amplitud total o “rango”. Para establecer dicho valor, se obtiene R
para cada muestra, es decir, la diferencia entre la mayor y la menor de las mediciones de la
muestra. Después se determina el promedio R para los 25 (o más) valores de R. Entonces:
K
Ri
 R i 1 K
d2 d2
2
Donde d es la constante que hace de un estimador insesgado de
 cuando se realiza el
2
muestreo de una población distribuida normalmente. Sustituyendo tal estimación de en la
fórmula de 3  ,
X resulta
 R
3 3 3 2
A2 R
n d n
3
A2 = 2
d n
Donde:
Los valores de A2 y d2 para n = 2 a 25 se dan en la tabla 8 del apéndice.

Los detalles para un diagrama de x se resumen en el siguiente recuadro y se ilustran en el
ejemplo que sigue.
1 Grant y Leavenworth (1979) recomienda el número k 25. Este número no es crítico, es decir, k podría ser más
pequeño, digamos pequeño como 20. Cuanto mas grande sea el valor de k, tanto mejor será la gráfica.
2 Esta estimación de R mediante la amplitud de R puede resultar segada, si la población de las mediciones de calidad no
es aproximadamente normal. El intervalo grande 6 X (en vez de 4  X ) entre los limites de control, probablemente
2
compensa el error en la estimación de . Sin embargo en esta era de las computadoras sería mejor estimar
utilizando la variancia muestral s 2 , basada en las kn mediciones de las k muestras con n mediciones cada una.
Grafica de control para la media del proceso: diagrama de x
K
xi
Eje o línea de control ˆ x i 1
K
Límite superior de control LSC = x + A2 R
Límite inferior de control LIC = x - A2 R
K
Ri
i 1
Donde: R
k
Y los valores de A2 se tienen en la tabla No 8 del apéndice
Suposición k 25
Ejemplo 6.1
Un vuelo retrasado es de preocupación de los pasajeros así como de las líneas aéreas. Algunos
clientes tienen citas que ellos esperan satisfacer, y otros tienen que tomar otros vuelos de
conexión que prefieren no perder. Una aerolínea obtiene observaciones de los tiempos de retraso
de los vuelos (en minutos), como se muestra en la tabla a continuación. Construya gráficos de
control apropiados, y comente sobre el nivel de funcionamiento.
Tabla 1
Nº de Observaciones (en minutos) Media Amplitud

Observación 1 2 3 4 Muestral muestra, R
1 5.2 9.5 7.2 7.3 7.300 4.3

2 8.9 12.7 10.8 11.9 11.075 3.8
3 13.8 8.5 12.2 14.2 12.175 5.7
4 13.2 11.2 10.2 9.0 10.900 4.2
5 9.3 11.5 13.3 10.7 11.200 4.0
6 7.5 8.5 5.2 7.4 7.150 3.3
7 9.0 10.1 9.3 13.1 10.375 4.1
8 8.4 10.4 10.3 9.9 9.750 2.0
9 6.4 7.2 7.6 9.6 7.700 3.2
10 8.2 7.2 7.8 11.0 8.550 3.8
11 8.7 10.9 9.5 12.9 10.500 4.2
12 8.0 11.8 9.9 10.9 10.150 3.8
13 8.3 12.3 11.3 10.2 10.525 4.0
14 11.3 8.2 9.4 7.8 9.175 3.5
15 7.0 9.2 7.2 7.9 7.825 2.2
16 13.0 10.5 9.9 8.9 10.575 4.1
17 13.5 9.3 10.0 9.9 10.675 4.2
18 7.0 8.6 8.9 10.8 8.825 3.8
19 11.8 10.2 8.2 8.9 9.775 3.6
20 12.6 9.4 9.0 9.8 10.200 3.6
21 7.0 9.8 11.2 8.0 9.000 4.2
22 7.8 10.0 9.4 6.7 8.475 3.3
23 7.9 11.9 10.5 8.9 9.800 4.0
24 6.2 7.2 8.4 9.0 7.700 2.8
25 9.2 12.4 10.7 9.8 10.525 3.2
9.596 3.716

Solución:
Se calcularon la media muestral x y la amplitud de la muestra de R para cada una de las k = 25
muestras. Por ejemplo, la media muestral x y la amplitud R para la muestra 1, son:
5.2 9.5 7.2 7.3

x 7.300 R 9.5 5.2 4.3
4
Se ofrecen las medias y las amplitudes muestrales en las columnas 6 y 7, respectivamente, de la
tabla 1. La media x de los k = 25 valores de y la media de R de x los k = 25 valores
muestrales de R, se tienen al final de sus respectivas columnas.
La figura 4 presenta el diagrama de x , elaborado a partir de los datos. La línea central se

encuentra en

= 9.596. La x estimación de 3 X es
3 A2 R
Donde R = 3.716, y el valor de A2 para n = 4 (dado en la tabla del apéndice Nº 8) es 0.729. Por
lo tanto:
3 A2 R = (0.729)(3.716) = 2.709
LSC = x + A2 R = 9.596 + 2.709 = 12.305
LIC = - x A2 R = 9.596 – 2.709 = 6.887
Por consiguiente, las líneas que ubican los límites superiores e inferior de control, se encuentran
en 12.305 y 6.887, respectivamente.
12.520
LSC
11.058
9.596 x
8.134
6.672 LIC
1.00 5.00 9.00 13.00 17.00 21.00 25.00
3.00 7.00 11.00 15.00 19.00 23.00
FIGURA 4. Diagrama de x para los tiempos de retraso de los vuelos de la tabla 1
Si se supone que las muestras utilizadas para construir la gráfica x de la Figura 4, se

recolectaron cuando el proceso estaba bajo control, puede emplearse ahora la gráfica para
detectar cambios en la media del proceso. Es posible graficar las medias muestrales
periódicamente sobre la gráfica. Si la media no está dentro de los límites de control, entonces
envía una advertencia de un posible cambio en la media del proceso. Se estudiará el proceso
detenidamente, y se tratará de localizar la causa de la media errante. ¿Varían las medias
muestrales en la figura 4 aleatoriamente alrededor del eje o línea central, o indican tendencias y la
posibilidad de causas atribuibles en la variación?

Tutoría Nº
Control de calidad: grafica de
control para la variación del
proceso y para la proporción de
defectuosos
7.1. GRÁFICA DE CONTROL PARA LA VARIACIÓN DEL PROCESO: DIAGRAMA DE R
7
Al igual que es importante mantener el valor medio de una variable de calidad cerca del centro del
intervalo de especificación, es deseable controlar la variación del proceso. Cuanto más pequeña
se la variancia de las mediciones de calidad, tanto mayor será la probabilidad de que las
mediciones estén dentro de los límites especificados (suponiendo que la media del proceso está
dentro de las especificaciones).
Se supervisa (o monitorea) la variación de una variable de calidad en un proceso al transportar la

amplitud de la muestra R a una gráfica. El diagrama R se construye esencialmente igual que el del
eje x . Se localiza una recta central en el valor estimado de Ry los límites de control se ubican
3 R arriba y debajo de R.
La estimación de R R , la media de las amplitudes (o “rangos”) de las k muestras utilizadas

es
para construir la gráfica de x . El cálculo de los límites de control,
LSC = ˆ R + 3 ˆ R y LIC = ˆ R - 3 ˆ R
Se reducen a uno solo:

LSC = D4 R y LIC = D3 R
Los valores de D4 y D3 basados en un muestreo de una población distribuida normalmente, se dan
en la tabla del apéndice Nº 8 para diferentes valores de n. Los detalles para el diagrama de R se
resumen en el recuadro siguiente y se ilustran en el ejemplo 2
Gráfica de control para la variación del proceso: Diagrama de R
K
Ri
i 1
Eje central ˆR R
K
Límite superior de control LSC = D4 R
Límite inferior de control LIC = D3 R
K
Ri
Donde: R i 1
Los valore de D3 y D4 para el tamaño muestral de n se dan

en la tabla No 8 del apéndice
Suposición k 25
Ejemplo 7.1
Trazar un diagrama de R basados en los datos de la tabla 16.1.

Solución:
En el ejemplo 16.1se halló que R = 3.716. Para un tamaño muestral de n = 4, la tabla del
apéndice Nº 8 da D3 = 0 y D4 = 2.282. Por lo tanto, el eje de la gráfica de control se localiza en R =
3.716, y los limites superior e inferior de control son
LSC = D4 R = (2.282)(3.716) = 8.480

LIC = D3 R = (0)(3.716) = 0
El Diagrama de R aparece en la Figura 5
10
LSC
8
4
R
0 LIC
1.00 3.00 5.00 7.00 9.00 11.00 13.00 15.00 17.00 19.00 21.00 23.00 25.00
FIGURA 5. Diagrama de R para los tiempos de retraso de los vuelos de la tabla 1
Se evalúa la gráfica de R de la figura 5 en la misma manera que la de x . La amplitud muestral R,

calculada para muestras sacadas periódicamente debe variar alrededor del eje central R de
manera aleatoria y estar dentro de los limites de control cuando el proceso este bajo control. Una
amplitud muestral que quede fuera de los límites de control se tomará como una advertencia de un
posible cambio en la variación del proceso. Se examinará el mismo para determinar si el valor
extraordinariamente grande (o pequeño) de R se debió a cambios en la materia prima, el ambiente
o a una de muchas otras variables que afectan el proceso.
Si el limite inferior de control R 3 R , es negativo para el tamaño muestral n = 4. Como una

amplitud R no puede ser negativa, se asume el valor 0.
7.2. GRÁFICA DE CONTROL PARA LA PROPORCIÓN DE DEFECTUOSOS: DIAGRAMA DE

p.
Algunas veces lo que se observa en artículos manufacturados es simplemente si un artículo

cumple con las especificaciones del fabricante (o del cliente). Entonces, cada artículo se considera
3
como defectuoso o no. Si la proporción de piezas defectuosas producidas por un proceso es p,
entonces el número de defectuosos, x, en una muestra aleatoria de n artículos posee la
distribución de probabilidad binomial.
Para la vigilancia de artículos que son defectuosos o no, se seleccionan muestras de tamaño n a
intervalos periódicos y se calcula la proporción muestral p̂ . Si el proceso está bajo control, la
proporción muestral p̂ tendría que estar en el intervalo p 3 p , donde p es la proporción media
de defectuosos del proceso, y
p(1 p)
p
n
3
En los libros de control de calidad suele decirse “fracción de defectuosos” en vez de“ proporción de defectuosos”.
Se estima la proporción media de defectuosos, p, del proceso, utilizando el promedio de k

proporciones muestrales
k
pˆ i
pˆ i 1
k
Y se valora p mediante
pˆ (1 pˆ )
ˆp
n
El eje del diagrama de p se localiza en p̂ , y los límites superior e inferior de control son:
LSC = p̂ + 3 ˆ p̂
pˆ (1 pˆ )
= pˆ 3
n
LIC = p̂ - 3 ˆ p̂
pˆ (1 pˆ )
= pˆ 3
n
Los detalles para la gráfica de p se resumen en el recuadro siguiente y se ilustran en el ejemplo

que sigue.
Gráfica de control para la proporción de defectuosos: Diagrama de p.
K
pˆ i
i 1
Eje central pˆ
K
pˆ (1 pˆ )
Límite superior de control LSC = pˆ 3
n
pˆ (1 pˆ )
Límite inferior de control LIC = pˆ 3
n
Suposición k 25
Ejemplo 7.2
Un fabricante de bolígrafos muestra al azar 400 plumas al día y prueba a cada una para examinar
si es aceptable el flujo de la tinta. Las proporciones diarias de los bolígrafos, considerados
defectuosos durante un periodo de 40 días, se ofrecen en la tabla 3.
Construya un diagrama de control para la proporción p̂ de defectuosos en muestras de n = 400

bolígrafos, seleccionados del proceso.

Tabla 3
Proporciones de defectuosos en muestras de n = 400 bolígrafos
Día Proporción Día Proporción Día Proporción Día Proporción

1 0.0200 11 0.0100 21 0.0300 31 0.0225
2 0.0125 12 0.0175 22 0.0200 32 0.0175
3 0.0225 13 0.0250 23 0.0125 33 0.0225
4 0.0100 14 0.0175 24 0.0175 34 0.0100
5 0.0150 15 0.0275 25 0.0225 35 0.0125
6 0.0200 16 0.0200 26 0.0150 36 0.0300
7 0.0275 17 0.0225 27 0.0200 37 0.0200
8 0.0175 18 0.0100 28 0.0250 38 0.0150
9 0.0200 19 0.0175 29 0.0150 39 0.0150
10 0.0250 20 0.0200 30 0.0175 40 0.0250
Solución:
La estimación de la proporción de defectuosos del proceso es el promedio de las k = 40
proporciones muestrales de la Tabla 3. Por lo tanto, el eje de la gráfica de control se localiza en:
K
pi
i 1 0.200 0.0125  0.0225 0.7600
pˆ 0.019
K 40 40
Una estimación de p la desviación estándar de las proporciones muestrales, es
pˆ (1 pˆ ) (0.019 )(0.981)
ˆp 0.00683
k 400
Y 3 ˆ p = (3) (0.00683)=0.0205. Por lo tanto, los límites superior e inferior de control para la gráfica
p se encuentra en
LSC = p̂ + 3 ˆ p̂ = 0.0190 + 3*0.00683 = 0.0395

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

están dentro de los límites de control. Si una proporción muestral, observada en algún momento

en el futuro, está fuera de los límites de control, será una advertencia para el fabricante de un
posible aumento en el valor de la proporción de defectuosos del proceso. Se realizarán esfuerzos
para buscar las posibles causas del aumento en la proporción de las piezas defectuosas en el
proceso.
Aunque es conveniente escoger muestras del mismo tamaño n para cada muestreo, puede haber
ocasiones en que el número de artículos es una muestra difiera de los recolectados en muestras
anteriores. Como ˆ p LSC y LIC dependen del tamaño de la muestra n, puede no ser posible
calcular los límites para un tamaño muestral único. Cuando el tamaño de la muestra varía para
cada muestreo, la estimación de la proporción media de defectuosos, p, del proceso es igual a la
proporción muestral basada en el número de defectuosos en las k muestras. Entonces hay que
comparar cada p̂i con los valores para LSC y LIC calculados para el tamaño particular de tal
muestra. Este proceso hace que los límites de control cambien de una muestra a otra, y que las
gráficas de los límites de control sean una sucesión de segmentos de recta.
7.3. GRÁFICA DE CONTROL PARA EL NÚMERO DE DEFECTUOSOS POR UNIDAD:

DIAGRAMA DE c
Una medida importante de calidad para algunos productos es el número de defectos por unidad
producida. Un fabricante de textiles califica muchas veces como defectos las irregularidades que
aparecen en un producto tejido. Ya que el precio de venta final de material depende de su calidad,
el fabricante quiere reducir a un mínimo el número de defectos por yarda cuadrada cuando el
proceso está bajo control.
El número de defectos por unidad de área, de volumen o de peso, o en una sola unidad producida,
es una medida importante de la calidad de muchos productos. Ejemplos comunes son el número
de defectos en la pintura de un automóvil nuevo o en la capa de barniz de un mueble, el número
de huecos en una pulgada cúbica de queso, y el número de entradas incorrectas de notas de
factura por página de impreso de computadora e el caso de una compañía de instalaciones de
plomería.
El número de defectos por unidad de área, volumen, peso o por un solo artículo, denotado
normalmente por el símbolo c, se controla a intervalos de tiempo iguales utilizando un diagrama
de c. En la mayoría de las aplicaciones se puede aproximar la distribución de probabilidad de c
mediante una distribución de probabilidad de Poisson, la cual tiene una propiedad muy especial.
2
Su variancia es igual a su media , es decir,
2
c c y c c
Por lo tanto, el número de defectos c por unidad tendrían que localizarse en el intervalo
c 3 c o bien c 3 uc
Para construir una gráfica de c, muestreamos el proceso mientras éste se encuentra bajo control y
se registra el valor de c para por lo menos k = 25 puntos en el tiempo.
Se estima la media del proceso c por la media muestral:

k
ci
ˆc c i 1
k
y se calcula la desviación estándar del proceso c con:
ˆc c
El eje d la gráfica c se ubica en c, y los límites superior e inferior son:

LSC = ˆ c 3 ˆc c 3 c
LIC = ˆ c 3 ˆc c 3 c

Las características de una gráfica de c se resumen en el recuadro siguiente y las ilustra el ejemplo
que sigue.
Gráfica de control para el número de defectos por unidad: Diagrama de c
k
ci
Eje ˆc c i 1
Límite superior de control LSC = ˆ c 3 ˆc c 3 c

Límite inferior de control LIC = ˆ c 3 ˆc c 3 c
Suposición k 25
Ejemplo 7.4
Un interventor o auditor examina semanalmente el sistema de facturación de una compañía. La
inspección se realiza comparando las facturas reales con las entradas de computadora para todos
los asientos que aparecen en diez páginas de la impresión de computadora. Se registró el número
c de entradas incorrectas en diez páginas semanarias de impresión durante 40 semanas. Los
datos figuran en la Tabla 4. Emplee los datos para trazar una gráfica de c para el proceso de
auditoria.
Tabla 4
Número c de entradas incorrectas por diez páginas
de impresión de computadora
Semana 1 2 3 4 5 6 7 8 9 10
C 1 3 2 0 0 1 4 2 1 1
Semana 11 12 13 14 15 16 17 18 19 20
C 1 0 1 1 3 2 1 1 0 3
Semana 21 22 23 24 25 26 27 28 29 30
C 0 2 1 0 1 1 2 2 1 0
Semana 31 32 33 34 35 36 37 38 39 40
C 1 2 0 3 1 1 2 0 1 0
Solución:
El valor de c calculado para los datos obtenidos durante k = 40 semanas, es
k
ci
i 1 49
c 1.225
k 40
Entonces el eje se encuentra en c = 1.225, y los límites superior e inferior de control se hallan en
LSC = c 3 c 1.225 3 1.225
= 4.55
LIC = c 3 c 1.225 3 1.225

= -2.10
O puesto que c no puede ser negativo, LIC = 0.

LSC
4
1
C 1.225
0
LIC
1.00 5.00 9.00 13.00 17.00 21.00 25.00 29.00 33.00 37.00
3.00 7.00 11.00 15.00 19.00 23.00 27.00 31.00 35.00 39.00
FIGURA 7. Gráfica de c para el número de entradas de facturas incorrectas.
La gráfica de c para los datos, junto con los valores ubicados de c se muestra en la figura 7.
Obsérvese que los k = 40 valores de c están dentro de los límites superior e inferior de control,
algo que esperaríamos si el proceso estuviera controlado.
Al utilizar la gráfica de c se registrarán los valores de ésta semanalmente en el futuro y se llevarán

en la gráfica de c. Un valor de c que se localice fuera de los límites de control será un aviso de los
posibles problemas en la operación de recolección de datos.

AUTOEVALUACIÓN
( ) Un diagrama de control se caracteriza por tres líneas horizontales.

( ) En un diagrama de control cuando los puntos caen fuera de los límites se
dice que esta fuera de control.
( ) En la grafica de control para la variación del proceso el diagrama es R
( ) Los métodos de control de calidad se clasifican en tres categorías.
( ) En la gráfica de control para la proporción de defectuosos el diagrama es p.
2. Los datos que siguen son los valores de x y R para 24 muestras de tamaño n=5, obtenidas de
un proceso de fabricación de cojinetes. Las mediciones se realizan para el diámetro interior del
cojinete, y se registran solamente las tres últimas cifras decimales (34.5 debe ser 0.50345)
Número de Número de
Muestra x R Muestra x R
1 34.5 3 13 35.4 8
2 34.2 4 14 34.0 6
3 31.6 4 15 37.1 5
4 31.5 4 16 34.9 7
5 35.0 5 17 33.5 4
6 34.1 6 18 31.7 3
7 32.6 4 19 34.0 8
8 33.8 3 20 35.1 4
9 34.8 7 21 33.7 2
10 33.6 8 22 32.8 1
11 31.9 3 23 33.5 3
12 38.6 9 24 34.2 2
a) Obtenga los diagrama de control de x y R para este proceso. ¿Parece estar bajo control
estadístico tal proceso?
3. Los siguientes datos se refieren a las notas de 10 estudiantes en 5 pruebas, determine si el

proceso de aprendizaje está bajo control. Graficar x y R
Estudiantes Pruebas
1 2 3 4 5 x R
1 15 10 12 13 15
2 11 12 13 12 16
3 10 14 12 14 10
4 08 15 14 15 06
5 14 13 12 13 14
6 13 12 10 12 10
7 12 10 13 11 12
8 08 14 10 12 13
9 16 12 11 12 10
10 12 10 13 14 12
4. Se calcularon las medias y las amplitudes de 30 muestras de tamaño n=10 para un proceso
que se consideró bajo control. Las medias de los 30 valores de x y de los 30 valores de R,
fueron x=20.74 y R=3.49
a) Utilice los datos para determinar los límites superior e inferior de control para una gráfica
b) Construya un diagrama de x para el proceso y explique como se puede aplicar
c) Elaborar un diagrama de R. ¿Cuál es el propósito de una gráfica de R?

Unidad 6
REGRESION Y CORRELACION
Nº de tutorías: Uno
Tutoría Nº 8: Regresión lineal, Correlación.


1. Competencias
1.1. Conceptuales
Reconoce los conceptos de regresión lineal y correlación.
Elaboran modelos para predecir una variable en función de otra
variable y medir la relación entre dos variables.
1.3. Actitudinales
Resuelve situaciones en donde se quiere estimar una variable en
función a otra variable, y también cuando se quiere saber si dos
variables están relacionadas.
El contenido programático de la unidad referida es el siguiente: análisis
de regresión: noción, importancia; elementos y tipos de análisis de
regresión; análisis de regresión lineal simple: desviación o error típico
en la recta de regresión, test de la significatividad de coeficiente de
regresión; variación de la variable dependiente y explicada por el
análisis de regresión; análisis de regresión no lineal; análisis de
correlación: objetivos y supuestos del análisis de correlación,
coeficiente de determinación, coeficiente de correlación, diagramas de
dispersión, significación del coeficiente de correlación, errores y
limitaciones asociados con el análisis de regresión y el de correlación.

prácticos.


Tutoría Nº
Regresión lineal, correlación,
Regresión lineal y análisis de
8.1. NOCIÓN E IMPORTANCIA
regresión
8
El estudio estadístico de las relaciones entre dos variables de intervalo presenta los aspectos
fundamentales siguientes:
1. Existencia de asociación entre las dos variables.

2. Dirección de la asociación.
3. Grado de asociación, y
4. Naturaleza y forma de la asociación.
Los dos primeros aspectos quedan determinados cuando se halla el coeficiente de correlación r
de Pearson. Este coeficiente indica:
a) La existencia o no de covariación o variación conjunta entre las dos variables, según sea o no
distinto de cero.
b) La dirección de la asociación, por su signo positivo o negativo.
c) El grado de la covariación, según el mayor o menor valor que alcance entre 0 y mas y menos
uno.
En cuanto al cuarto aspecto, naturaleza y forma de la relación, se estudia y resuelve mediante el

análisis de regresión. Este análisis es el que sirve para establecer la función matemática y la forma
geométrica que representen lo más exactamente posible la variación conjunta de ambas variables.
De ahí que pueda decirse propiamente que sirve para estudiar la naturaleza y la forma de
asociación entre dos variables de intervalo.
El objetivo, pues, del análisis de regresión es hallar la función algebraica y la forma geométrica
que mejor expresen la relación empírica entre ambas variables, es decir, la pauta y línea de
evolución en la realidad de una variable en función de la otra.
El carácter básico de esta finalidad del análisis de regresión da idea de la importancia de esta
técnica estadística.
En primer lugar, al servir el análisis de regresión para determinar el tipo de relación entre dos
variables y la pauta de comportamiento que siguen las variables de que se trate en su evolución
conjunta, constituye el modelo matemático primario de relaciones entre variables de que dispone
el científico, base de otros modelos mas complicados.
El análisis de regresión, como tal modelo matemático, proporciona la expresión matemática de la

relación entre variables de un modo: a) preciso y b) singularizado, y, en este sentido es, cuando es
aplicable a los dados, un buen instrumento de predicción científica.
a) Lo hace de un modo preciso porque, dada la medida de escala de intervalo que supone en las
variables, permite determinar, dentro de ciertos límites estadísticos de error, el valor definido
de una variable, dados determinados valores de otra u otras variables. Los niveles de medida
nominal y ordinal también pueden permitir la predicción, pero solo de una manera vaga, en
términos de aumento o disminución correlativos de las variables, pero sin precisar la cuantía
del mismo.
b) Lo hace de un modo singularizado porque, a diferencia del coeficiente de correlación que sirve
para predecir globalmente el grado en que el conocimiento de una variable ayuda a predecir o

mejorar la predicción de otra variable, el análisis de regresión sirve para predecir un valor
especifico de un variable dado cualquier valor específico de otra.
En segundo lugar, con relación a los aspectos a investigar señalados que presentan la relación
entre dos variables, el análisis de regresión es la técnica principal y fundamental, de tal modo que
el coeficiente de correlación que responde matemáticamente a tres de los aspectos indicados se
halla íntimamente enlazado al análisis de regresión y se puede presentar como una derivación del
mismo.
8.2. ELEMENTOS Y TIPOS DE ANÁLISIS DE REGRESIÓN
Los elementos fundamentales del análisis de regresión son las variables y la ecuación de
regresión.
Las variables pueden ser dos o más. Una de ellas es la variables dependiente y la; restantes son
las variables independientes. La variable dependiente es aquella cuyo cambio se considera en
función o dependencia del cambio o variación de la o las variables independientes. A veces puede
estar claro cuál es la variable dependiente; otra su elección puede ser convencional.
En los experimentos la variable independiente es la que el investigador hace variar cuando, como
y en la medida que quiere, mientras que la variable dependiente es aquella en la que se estudia la
variación producida en la misma por la variación controlada de la variable independiente.
En cuanto a los tipos, se tiene una regresión simple o total y otra regresión múltiple. La primera se
refiere a la naturaleza y forma de la covariación entre dos variables únicamente, y la segunda
entre mas de dos variables.
A su vez, ambos tipos de regresión pueden ser lineales y no lineales. Cuando la ecuación que es
expresión matemática de la relación entre las variables es una ecuación lineal, cuya
representación grafica da lugar a una línea recta, se esta en el caso de la regresión lineal, y de la
no lineal en el caso contrario.
8.3. ANÁLISIS DE REGRESIÓN LINEAL SIMPLE
Es, como se ha indicado, el que sirve para estudiar la naturaleza y forma de la asociación entre
dos variables, siempre que dicha relación pueda ser expresada matemáticamente por la ecuación
de la línea recta.
“La correlación y la regresión lineal son mucho mas comúnmente usadas que la no lineal en la
investigación sociológica, incluso cuando la presunción de linealidad no esta justificada
lógicamente”.
El análisis de regresión simple lineal se concreta, como todo análisis de regresión, en la ecuación
correspondiente. Por ello, para comprender mejor este análisis parece conveniente explicar la
razón de ser de dicha ecuación.
Supongamos que tenemos los datos empíricos que representan para cada uno de los sujetos de
un grupo los valores de dos variables, por ejemplo, la edad y la estatura. Entonces llevando en un
espacio de coordenadas cartesianas los valores de la edad al eje de las X y los de la estatura al
eje de las Y obtendríamos una serie de puntos. Esta serie suele recibir el nombre de nube de
puntos y constituye la representación grafica de la posición en el espacio cartesiano de cada
sujeto del grupo respecto a las variables en cuestión.
A veces la simple observación visual de la nube de puntos, o lo que es lo mismo de la huella

empírica del fenómeno, puede bastar para indicar genéricamente la existencia y el signo de la
relación entre las variables.
Sin embargo, normalmente, los puntos aparecerán en esta huella empírica dispersos de forma
irregular y no definida claramente, difícilmente manejable e interpretable estadísticamente en tal
estado. Además existe la necesidad de cifrar cuantitativamente la forma de la relación entre las
variables, cosa que la simple inspección visual no hace.

Para solucionar este problema, la estadística tiene que recurrir de nuevo, como es corriente en
ella, a un proceso de simplificación, o de reducción de la nube de puntos dispersa e irregular a una
simple línea regular, recta o curva, que represente a todo el conjunto de puntos lo mas
perfectamente posible.
Este proceso de simplificación se puede ver como una manifestación del proceso de reducción
que supone la media estadística. Imaginemos con Blalock (1966, p.302) que para cada valor de X,
variable independiente, tenemos una distribución o conjunto de valores de Y, variable
dependiente.
Es obvio que para cada distribución o conjunto de valores de Y con relación a los distintos valores
de X se puede hallar su media y formar lo que se hace en un grafico, una línea uniendo los puntos
de espacio cartesiano que corresponden a estas me días. Pues bien, la línea resultante no es otra
cosa que la expresión grafica de la ecuación de regresión entre ambas variables. Estas ecua-
ciones son las leyes de la ciencia, a veces muy exactas, sobre todo en el campo de las ciencias
naturales, aunque lo sean menos en el de las ciencias sociales.
Sin embargo, este procedimiento de obtener la línea de regresión no es útil en la practica porque
lo corriente es que se tenga un solo valor de Y y no muchos, para cada valor de X.
Por ello en este caso común hay que utilizar otro procedimiento para la determinación de la línea y
ecuación de regresión.
Este procedimiento recibe el nombre específico de proceso de ajuste y comprende dos

operaciones fundamentales:
a
1 Estimar la forma, lineal o no, de la ecuación.
a
2 Calcular los parámetros de esta ecuación.
La primera operación se suele realizar hipotéticamente, es decir, examinando la huella empírica, o

sea la representación grafica de las dos variables en el eje de coordenadas, y adoptando la
hipótesis, de acuerdo con este examen, que la ecuación de regresión es de tipo lineal,
exponencial, parabólica, etc.
La pertinencia de esta decisión se puede comprobar, una vez que se haya efectuado la segunda
operación aludida, comprobando la bondad del ajuste que supone la ecuación de regresión
obtenida.
En cuanto a la segunda operación consiste en especificar la ecuación de ajuste elegida. Para ello
sólo se precisa calcular los parámetros de la misma, porque, una vez hallados estas, se tiene la
pauta, norma o ley de variación de una variable en función de la otra. Por tanto, aplicando la
ecuación especificada con los parámetros hallados, podemos saber los valores de Y que
corresponden a todos los valores de X que existan en la realidad o podemos imaginar.
Existen varios procedimientos para calcular los parámetros en cuestión, pero el más conocido y
utilizado es el de los mínimos cuadrados. Consiste en hallar los parámetros de la ecuación de la
recta que hace mínima, dados unos valores empíricos determinados, la suma de los cuadrados de
las distancias en vertical de dichos puntos empíricos a la línea buscada.
En este procedimiento, la recta que pasa por los mínimos cuadrados de distancia a los puntos
empíricos tiene una ecuación de la forma siguiente:
Y = β0 + β 1X
Las constantes o parámetros ao y a1 se calculan resolviendo el siguiente sistema de ecuaciones,

que reciben el nombre de ecuaciones normales para la recta de mínimos cuadrados:
Y 0 n 1 X
XY 0 X 1 X2
Existe también otras formulas que dan directamente, sin necesidad de resolver este sistema de
ecuaciones, los valores de o y 1 o de a y b, como se designa frecuentemente.

Son las siguientes:
n X i Yi ( X i )( Yi )
i 1
1
n X i2 ( X i )2
Yi Xi
0 1
n n
El parámetro βo representa el punto en el que la recta de regresión corta al eje de las Y e indica el
valor que corresponde a Y, según la ecuación, cuando X es cero. El parámetro β 1 es la pendiente
de la recta de regresión y señala la tasa de cambio de Y por una unidad de cambio en X.
8.3.1. Desviación o error típico en la recta de regresión
Como se ha indicado, la ecuación y la recta de regresión constituyen una reducción y

simplificación respecto a los verdaderos valores empíricos obtenidos. Supone la sustitución de
estos valores que no se pueden tratar estadísticamente sin más, por los valores de la recta de
regresión que sí lo pueden ser.
De ahí que, salvo el caso, raro en la práctica, de una regresión empírica perfecta que coincida en
todos sus puntos con la recta de regresión correspondiente, los valores de la recta de regresión
implican una desviación, o si se quiere un error mayor o menor, con relación a los
correspondientes valores empíricos que representan.
En este error se pueden distinguir varias formulas. La primera se funda en la desviación que
representan los valores empíricos, de los que se ha partido como datos del problema, de los
valores calculados según la recta de regresión. Esta desviación es simplemente el cuadrado de las
diferencias entre dichos valores empíricos, Y, y estimados, Yest, correspondientes y su formula por
tanto es similar a la de la varianza:
2
2
(Y Yest )
S y,x
N
La segunda formula da el error de estimación basándose para ello en la desviación típica, s, de Y
y el coeficiente de correlación r entre X e Y.
S y, x S y 1 rxy2
También se puede obtener este error en función de los coeficientes de regresión βo y β1, según
esta formula:
2
( Y2 o Y 1 XY )
S y,x
N 2
La raíz cuadrada del error de estimación recibe el nombre de error típico de estimación.
Según señalan Glass y Stanley ( 1 9 7 4 , p . 1 4 3 ) , en el caso de un grupo numeroso de

individuos al que se aplique la ecuación de regresión se tendrá que, aproximadamente el 68, 9 5
y 9 9 , 7 % de los individuos obtendrán puntuaciones reales que se hallaran en el intervalo de
confianza, o dentro de los límites formados por la puntuación media estimada de los mismos
según la recta de regresión mas y menos uno, dos o tres errores típicos, respectivamente.
8.3.2. Test de la significatividad de coeficiente de regresión
Para comprobar la hipótesis nula de si el coeficiente b de la ecuación de regresión, obtenido con

los datos de una muestra sacada al azar de una población determinada, no difiere
significativamente de determinados valores prefijados del coeficiente b correspondiente, se puede
utilizar (Vid. Spiegel, 1 9 7 4 , p . 2 4 7 ) la siguiente formula:
1 B
t * n 2
S y,x / S x
o bien esta otra:
1 B
t * n 2
1 r2
Los resultados se contrastan con la tabla de la distribución t de Student, para n-2 grados de
libertad.
Β1 = el coeficiente de regresión hallado;

B = el coeficiente de regresión prefijado;
rxxy = el coeficiente de correlación entre X e Y;
Sy,x = el error tipo de la estima de la recta de regresión;
Sx = la desviación típica de X.
n = número de datos de la distribución de frecuencias.
También se puede hallar, teniendo en cuenta este error de estimación típico, el intervalo de
confianza dentro del cual debe encontrarse, para un valor determinado de Yest. según la ecuación
de regresión obtenida de la muestra con la que se ha trabajado, el valor real de Yen la población
de que procede la muestra, con el nivel de significación que se adopte, en el ejemplo se supone es
el del 95%.
La fórmula es la siguiente:
t (n 2,1 / 2) S y , x (X 0 X )2
Yest n 1
n 2 S x2
t = valor de t ubicado en la tabla de la distribución t.

n- 2 = grados de libertad.
Sxy = el error de estimación de la regresión;
X0 = el valor dado de X;
X = la media de los valores de X de la muestra.
8.4. VARIACIÓN DE LA VARIABLE DEPENDIENTE Y EXPLICADA POR EL ANÁLISIS DE

REGRESIÓN
El error típico de la estima no representa otra cosa sino la parte de la variación de Y no explicada
por el análisis de regresión.
2
Ahora bien, la variación total de Y es conocida y viene medida por Σ(Y –ў) decir, la suma de los
cuadrados de las desviaciones de los valores de Y respecto a la media de la distribución de Y.
Por tanto restando de esta variación total, el error típico de la estimación o variación no explicada
2
por el análisis de regresión, Σ (Y- Y est ) se tendrá la variación; explicada por dicho análisis.
Algebráicamente:
2
(Yest Y ) (Y Y ) 2 (Y Yest ) 2
La razón entre la variación explicada por el análisis de regresión y la variación total expresa la
proporción de la variación total de Y explicada por el análisis de regresión. Recibe el nombre de
2
coeficiente de determinación y se escribe r . Su raíz cuadrada r no es otra cosa que el coeficiente
de correlación r de Pearson.

8.5. ANÁLISIS DE REGRESIÓN NO LINEAL
La ecuación de la línea recta es la más simple y la más comúnmente usada entre las expresiones
matemáticas con las que se representa la forma y la naturaleza de la relación entre dos o más
variables, pero no la única.
Existe prácticamente un número ilimitado de ecuaciones no lineales que pueden cumplir también
dicha función, en el caso de que la línea recta no se ajuste debidamente a la huella empírica del
fenómeno.
El fundamento lógico de todas ellas es el expuesto. Sin embargo, como es fácilmente

comprensible, su fundamentación matemática es distinta en cada caso y por lo general bastante
complicada.
Aquí solo vamos a hacer referencia a dos de los tipos mas usados de estas ecuaciones: la
parabólica y la logarítmica.
En la parabólica la ecuación de regresión presenta la siguiente forma:
Y
Los parámetros de esta ecuación son, por tanto, βo, β1 y β2 y se obtienen resolviendo el
siguiente sistema de tres ecuaciones con tres incógnitas:
Yi n 0 1 Xi 2 X i2 X i Yi 0 Xi 1 X i2 2 X i3
X i2Yi 0 X i2 1 X i3 2 X i4
La forma logarítmica de la ecuación de regresión es la siguiente:
Y = βo + β1 log X
Esta ecuación se puede transformar en una ecuación de la recta, efectuando un cambio de

variable, es decir, haciendo βo log X = Z, o sea, Y = βo + β1 Z.
Ejercicio 8.1
Un analista toma una muestra aleatoria de 10 embarques por camión hechos recientemente por
una compañía, y registra la distancia en kilómetros y el tiempo de entrega al medio día más
cercano. La tabla siguiente muestra esta información.
Embarque 1 2 3 4 5 6 7 8 9 10
muetreado
Distancia, 825 215 1070 550 480 920 1350 325 670 1215
(en kilómet.)
Tiempo de 3,5 1,0 4,0 2,0 1,0 3,0 4,5 1,5 3,0 5,0
entrega ,
( en días)
A) Indicar las variables existentes en la tabla y su tipo.

Embarque muestreado: unidades de observación.
Distancia en kilómetros: Variable cuantitativa continua, independiente (X).
Tiempo de entrega en días: Variable cuantitativa continua, dependiente (Y).
B) Discutir si se puede emplear el análisis de regresión en este caso.
Es factible el análisis de regresión, pues ambas variables son cuantitativas continuas y se
desea verificar su relación entre ambas.
C) Dibujar la nube de puntos en un eje de coordenados, que exprese gráficamente la relación
entre las variables en cuestión, examinarla y determinar, mediante la inspección de la
misma, la existencia, signo y grado de relación entre las variables, así como el tipo
probable de regresión, lineal o no lineal.
4
Tiempo de entrega en días
0
200 400 600 800 1000 1200 1400
Distancia en Millas
Según la figura:
Existe relación entre las variables, como se observa tendencia positiva entonces existe
asociación positiva entre las variables, es decir las variables son directamente
proporcionales así a mayor distancia en kilómetros, mayor será el tiempo de entrega. La
asociación debe ser alta porque no hay mucha dispersión. El tipo de regresión se ajusta a
una recta lineal por su tendencia.
D) Hallar los parámetros o coeficientes de regresión de la ecuación

correspondiente, escribir esta ecuación
Embarque Distancia Tiempo de

muestreado entrega
2 2
X Y XY X Y
1 825 3.5 2888 680625 12.25
2 215 1.0 215 46225 1
3 1070 4.0 4280 1144900 16
4 550 2.0 1100 302500 4
5 480 1.0 480 230400 1
6 920 3.0 2760 846400 9
7 1350 4.5 6075 1822500 20.25
8 325 1.5 487.5 105625 2.25
9 670 3.0 2010 448900 9
10 1215 5.0 6075 1476225 25
Suma 7620 28.5 26370 7104300 99.75
n XY X Y 10(26370) (7620)(28.5)
1 2
0.004
n X2 X 10(7104300) (7620) 2
Y X 28.5 7620
0 y 1 x 1 0.004 0.118
n n 10 10
Yˆ o 1 X Yˆ 0.118 0.004 X
E) Dada la ecuación de regresión hallada, dibujar la recta de regresión correspondiente,

calcular los valores estimados de Y, variable dependiente, según la ecuación, hallar el
error típico de estimación que suponen y fijar gráficamente límites dentro de los que deben
encontrarse el 95.50% de las observaciones.
Tiempo de
Distancia X
entrega Y
(en kilómet.)
(en días)
Y (Y- Y )2
825 3.5 3.418 0.006
215 1.0 0.978 0.0004
1070 4.0 4.398 0.158
550 2.0 2.318 0.101
480 1.0 2.038 1.077
920 3.0 3.798 0.636
1350 4.5 5.518 1.036
325 1.5 1.418 0.006
670 3.0 2.798 0.040
1215 5.0 4.978 0.0004
Suma 3.0608
(Y Yˆ ) 2 3.0608
S yx2 0.3826 S XY S yx2 0.3826 0.618
n 2 8
6
0
200 400 600 800 1000 1200 1400
Distancia en millas
Las rectas punteadas se grafica sumando y restando S YX a la recta estimada de regresión.
F) Estime el tiempo de entrega del embarque de 1000 kilómetros. ¿Se podría estimar para el
tiempo de 2500 kilómetros?
Yˆ 0.118 0.004 X Yˆ 0.118 0.004(1000) 4.118
Para la distancia de 2500 kilómetros no es conveniente estimar el tiempo, pues este valor
cae fuera del rango.
G) Construya el intervalo de confianza del 95% para el tiempo de 1000 kilómetros.

t (n 2,1 / 2) S y , x (X0 X )2
Yˆ n 1
n 2 S x2
Así
2.306(0.618) (1000 762) 2
4.118 11
8 144207
Entonces
3.399 y 4.719
El intervalo de confianza señala, que el tiempo de entrega verdadero para una distancia de
1000 kilómetros será entre 3 días y medio a 4 días. Con un 95% de seguridad.
H) Determine el intervalo de confianza del 95% para para la información de la distancia en

camión y el tiempo de entrega presentados en los items anteriores.
SYX 0.618
Sb = = 0.00054
x2 - n x2 7104300-10(762)2
1 t (n-2) Sb 0.004 2.306(0.00054)

Asi el intervalo está entre : 0.002 y 0.005
I) Pruebe la Ho: = 0 para la distancia en camión y tiempo de entrega a un nivel de
1. Ho: = 0
Ha: 0
2. = 0.05
1- 0.004 0
3. t= n 2 8 6.951
Syx/Sx 0.618 / 379.746
4. t(8,0.975) =2.306
5. Decisión: Como t = 6.951 es mayor que 2.306, entonces se rechaza la hipótesis nula.
6. Conclusión: Existe significatividad del coeficiente obtenido respecto a la población
de que procede la muestra.
Ejercicios 8.2
La tabla que sigue presenta la evolución temporal de 1960 a 1970, por intervalos de 10 años, del
porcentaje de población activa de España empleada en la agricultura y pesca:
% de la población activa ocupada en

Años
la agricultura y pesca
1900 68
1910 64
1920 59
1930 47
1940 52
1950 50
1960 42
1970 26
Fuente: Informe sociológico sobre la situación social en España, 1970. Fundación Foessa, 1975. Pág. 169.
Los datos de los años 1900 a 1960 proceden de los Censos de la población activa del INE y el del
año 1970 es una estimación basada en datos de la Comisaría del Plan de Desarrollo.

A) Indicar las variables existentes de la tabla y su tipo, y discutir si se puede emplear el análisis
de regresión.
Existen 2 variables:
Los años: la cual es una variable cuantitativa continua. Independiente (X).
El porcentaje de la población activa ocupada en la agricultura: variable cuantitativa continua.
Dependiente (Y).
B) Dibujar en un eje de coordenadas la huella empírica que exprese gráficamente la relación

entre las variables en cuestión, examinarla y determinar, mediante la ins pección de la
misma, la existencia, signo y grado de relación entre las dos variables, así como su tipo
probable.
70
60
50
40
30
% PEA
20
1880 1900 1920 1940 1960 1980
AÑOS
Según la figura:
Existe relación entre las variables, como se observa tendencia negativa entonces existe
asociación negativa entre las variables, es decir las variables son inversamente
proporcionales así al correr los años el porcentaje de población económi camente activa en
agricultura a disminuido. La asociación debe ser alta porque no hay mucha dispersión. El
tipo de regresión, los datos tiene a ser curvilíneos por su tendencia.
C) Supuesto que la asociación entre las dos variables es no lineal parabólica, escribir la
ecuación de la parábola correspondiente y calcular sus parámetros.
Yˆ o 1 x 2 x2
Las ecuaciones para obtener los coeficient es son :
y n o 1 x 2 x2
xy o x 1 x2 2 x3
x2y o x2 1 x3 2 x4
X Y XY X2 X2Y X3 X4
0 68 0 0 0 0 0
1 64 64 1 64 1 1
2 59 118 4 236 8 16
3 47 141 9 423 27 81
4 52 208 16 832 64 256
5 50 250 25 1250 125 625
6 42 252 36 1512 216 1296
7 26 182 49 1274 343 2401
28 408 1215 140 5591 784 4676

Reemplazando los valores en las ecuaciones, se tiene:

408 = 8 β 0 + 28 β 1 + 140 β 2
1215 = 28 β 0 + 140 β 1 + 784 β 2
5591 = 140 β 0 + 784 β 1 + 4676 β 2
Despejando las constantes por ecuaciones simultáneas o matrices, se tiene:
β 0 = 66.355 β 1 = -2.655 β 2 = -0.3451

Luego :
Yˆ 66.355 2.655 x 0.3451 x 2
D) Dada la ecuación obtenida, hallar los valores estimados de Y para cada uno de lo, valores
empíricos de X según los datos del programa, dibujar la curva de regresión hallar el error
típico de estimación que suponen los valores estimados en relación a los valores empíricos y
fijar gráficamente los limites dentro de los que deben encontrarse el 68% de los puntos
correspondientes a los valores empíricos.
2
X Y Yest (Y-Yest) (Y-Yest)
0 68 66.36 1.65 2.71
1 64 63.35 0.65 0.42
2 59 59.66 -0.66 0.44
3 47 55.28 -8.28 68.63
4 52 50.21 1.79 3.19
5 50 44.45 5.55 30.77
6 42 38.00 4.00 15.99
7 26 30.86 -4.86 23.62
Total 145.77
(Y Yˆ ) 2 145 .77
S yx2 24 .3 S XY S yx2 24 .3 4.93
n 2 6
70
60
50
40
30
% PEA
20
1880 1900 1920 1940 1960 1980
AÑOS

E) En el supuesto que el tipo de asociación es logarítmica, del tipo log Y = βo + β1 X

i) Calcúlense los parámetros de esta ecuación.
X y z=logy x2 z2 xz
0 68 1.83 0 3.36 0.00
1 64 1.81 1 3.26 1.81
2 59 1.77 4 3.14 3.54
3 47 1.67 9 2.80 5.02
4 52 1.72 16 2.94 6.86
5 50 1.70 25 2.89 8.49
6 42 1.62 36 2.63 9.74
7 26 1.41 49 2.00 9.90
28 408 13.53 140 23.02 45.37
n xz x z 8(45 .37 ) (28)(13 .53)

1 2
0.05
n x x 8(140 ) (28) 2
Y X 13 .53 28
o y 1 x 1 ( 0.05) 1.859
n n 8 8
zˆ o 1 x zˆ 1.859 0.05 x log y 1.859 0.05 x
ii) Dada la ecuación obtenida, hallar los valores estimados de Y para cada uno de los
valores empíricos de X según los datos del ejercicio, hallar el error típico de
estimación que suponen dichos valores estimados y comparar el ajuste logrado
en este caso con el anterior que supone la ecuación parabólica.
x=1 log y = 1.859-0.05(1) = 1.809

entonces, antilog y = antilog 1.811 = 64.42
X y yest (y-yest) (y-yest)2

0 68 72.28 -4.28 18.29
1 64 64.42 -0.42 0.17
2 59 57.41 1.59 2.52
3 47 51.17 -4.17 17.37
4 52 45.60 6.40 40.91
5 50 40.64 9.36 87.53
6 42 36.22 5.78 33.36
7 26 32.28 -6.28 39.50
Total 239.66
2
(Y Yˆ ) 2 239 .66
S yx 29 .96 S XY S yx2 29 .96 5.47
n 2 6
Como:
Syx cuadrática = 4.93
Syx logarítmica = 5.47
Entonces, la ecuación cuadrática se ajusta mucho mejor a los datos que la ecuación
logarítmica.

8.6. ANÁLISIS DE CORRELACIÓN
8.6.1. Objetivos y supuestos del análisis de correlación
El objetivo del análisis de correlación es medir el grado de relación que existe entre las
variables.
Supuestos:
La relación entre las dos variables es lineal.
Las dos variables son aleatorias.
Para cada variable las varianzas condicionales dados diferentes valores de la otra
variable son iguales (homocedasticidad).
Para cada variable las distribuciones condicionales, dados valores diferentes de la otra
variable, son todas distribuciones normales.
Obs. Las suposiciones se aplican a ambas variables a diferencia que en la regresión a

valores específicos de la variable independiente.
8.6.2. Coeficiente de determinación
Es la media útil de relación entre dos variables (teórico)
2
2 YX
= 1 - 2
Y
S 2 YX
r2 = 1 -
S 2Y
2 o y + 1 xy - ny 2
r =
y 2 - ny 2
8.6.3. Coeficiente de correlación
Mide el grado de relación entre las variables.

2
= ; r = r2
n xy - x y
r =
[n x 2 - ( x) 2 ][n y 2 - ( y) 2 ]
Tabla de interpretación para el valor del

coeficiente de correlación:
R relación correlación
r=0 No existe nula
0,00< r 0,20 muy poco intensa pequeña
0,20< r 0,40 pequeña/apreciab. baja
0,40< r 0,60 considerable regular
0,60< r 0,80 intensa alta
0,80< r 1,00 muy intensa muy alta
Obs. El coeficiente muestral de correlación r está algo sesgado como un estimador de . Este
factor posee un sesgo leve, excepto para muestras muy pequeñas. Un estimador no sesgado para
el coeficiente de determinación de la población se puede obtener así:
2 n -1
= 1 - (1 - r 2 ) ( )
n-2

El valor del coeficiente de correlación y de determinación varía como sigue:

2
-1 r 1 ; 0 r 1
8.6.4. Diagramas de dispersión
y y
x x
(a) r = +1 (b) r = 0
r2 = 1 r2 = 0
y y
x x
(c) r = -1 (d) r = 0,60
r2 = 1 r2 = 0,36
x
(e) r = -0,90
r2 = 0,81
8.6.5. Significación del coeficiente de correlación
Ho: =0
Ha: 0
r
to = t t = t (1 - /2, n-2)
1 - r2
n - 2
8.6.6. Errores y limitaciones asociados con el análisis de regresión y el de correlación
(1) El análisis de regresión para un valor de y no se puede estimar legítimamente si el valor de x

está fuera del rango que sirvió de base para la ecuación de regresión.
(2) Si la estimación de y involucra la predicción de un resultado que no ha ocurrido todavía, la

información histórica que sirvió como base de la ecuación de regresión puede ser pertinente
para eventos futuros.
(3) El uso de una predicción o de un intervalo de confianza se basa en distribuciones

condicionales de Y que son normales y tienen varianzas iguales

(4) Un coeficiente de correlación significativo no indica necesariamente causación, pero si

puede indicar una concatenación con otros eventos.
(5) Una correlación “significativa” no es necesariamente una correlación importante. Dada una
muestra grande, una correlación de, digamos r = +0.10, puede ser significativamente
2
diferente de 0 con = 0,05, sin embargo, el coeficiente de determinación es r = 0,01, para
este ejemplo indica que sólo 1% de la varianza de Y se explica estadísticamente
conociendo X.
(6) La interpretación de los coeficientes de correlación y determinación se basa en la suposición

de la distribución normal bivariada para la población y, para cada variable, varianzas
condicionales iguales.
(7) Para los análisis de correlación y regresión se supone un modelo lineal. Para una relación
curvilineal, se puede disponer de una transformación para lograr la linealidad. Otra
posibilidad es limitar el análisis al rango de valores dentro del cual la relación es
esencialmente lineal.
Ejemplo 8.3
Para el ejemplo del tiempo de entrega en función a la distancia en kilómetros. Determinar:
(a) El coeficiente de correlación

n xy - x y
r=
2 2 2 2
[ n x - ( x) ][ n y - ( y) ]
10 ( 26370 ) (7620 )( 28.5)
= 0.95
2 2
10 (7104300 ) (7620 ) 10 (99.75) ( 28.5)
Interpretación: Existe muy alta correlación entre la distancia y el tiempo de entrega de los
embarques.
(b) El coeficiente de determinación.

r 2 = (0.95) 2 0.90
Interpretación: La variabilidad del tiempo de entrega es explicada por la distancia en un

90%.
(c) Determine la significación del coeficiente de correlación.

1) Ho: = 0
Ha: 0
2) = 0.05
r 0.95
3) to = 8.50
1- r2 1 - 0.90
n-2 8
4) t t = t (1 - /2, n - 2) = t (0.975,8) 2.306
RR RA RR
2 = 0,025 1- = 0,95 2 = 0,025
tt = -2.306 tt =2.306
t0 = 8.50
5) Decisión: Como t0 RR rechazamos la Ho
6) Conclusión: La relación entre las variables es significativa.

Ejemplo 8.4
Para una muestra de n = 10 de beneficiarios anteriores de préstamos en una compañía financiera,
el coeficiente de correlación entre los ingresos familiares y la cantidad de la deuda pendiente a
corto plazo es r = +0.50.
(a) Pruebe su significación.

1) Ho: = 0
Ha: 0
2) = 0.05
r 0.50
3) to = 1.63
1- r2 1 - (0.50) 2
n-2 8
4) t t = t (1 - /2, n - 2) = t (0.975,8) 2.306
RR RA RR
2 = 0,025 1 - = 0,95 2 = 0,025
tt = -2.306 tt =2.306
t0 = 1.63
5) Decisión: Como t0 RA aceptamos Ho
6) Conclusión: La relación entre las variables no es significativa.

AUTOEVALUACIÓN
( ) Se tiene la regresión de Y sobre X, donde X es variable independiente; Y es la variable

independiente.
( ) El modelo de la ecuación de la regresión lineal es Y = β0 + β 1X.
( ) Al diagrama de dispersión se le conoce también como “nube de puntos”.
( ) Cuando el valor del coeficiente de correlación ( r = 0) decimos que la correlación es
muy alta.
( ) El coeficiente de correlación mide el grado de relación que existe entre las variables.
2. Una compañía se encuentra en un proceso de evaluación de su personal. En el Departamento

de producción en el primer turno se tienen la siguiente información:
Horas de 8 12 14 14 16 64
Trabajo
Unidades de 7 9 13 12 18 59
Producción
a) Grafique el diagrama de dispersión, la recta de regresión e interprete.

b) Hallar e interpretar la Ecuación de regresión para estimar la producción de los operarios
c) Calcule el error estándar de la estimación
d) Hallar el coeficiente de correlación e interprete su significado
e) ¿Cuántas unidades de producción predeciría usted con 20 horas de trabajo? Interpretar
3. Los valores de X e Y son los siguientes:
X 2 3 4 5 6
Y 1 2 3 3 6
a) Calcular el coeficiente de correlación

b) Multiplicar por 2 los valores de X y por 3 los valores de Y, y calcular seguidamente el
coeficiente de correlación correspondiente a estas dos nuevas series
c) Comente los resultados
4. Un funcionario de un hipódromo querría pronosticar la cantidad de dinero apostado (en miles

de dólares) con base en la asistencia de público. Se selecciona una muestra aleatoria de 10
días y los resultados se presentaron en la tabla siguiente:
Día 1 2 3 4 5 6 7 8 9 10
Asistencia (miles) 14.5 21.2 11.6 31.7 46.8 31.4 40.0 21.0 16.3 32.1
Cantidad apostada (miles 0.70 0.83 0.62 1.10 1.27 1.02 1.15 0.80 0.71 1.04
dólares)
a) Constrúyase una nube de puntos o diagrama de dispersión y trácese la recta de regresión.

b) Verifique que la regresión de la muestra es y= 0.422+0.019x
c) Calcular el coeficiente de correlación e interprete
d) Prediga la cantidad apostada en un día en que hay una asistencia de 20 000 personas
5. Se hace un estudio para determinar la relación entre las edades de un gran grupo de
máquinas en una fábrica y las eficiencias de las máquinas. Los datos se dan en la
siguiente tabla.
Edad (X) 2 4 11 9 4 6 7 8
Eficiencia (Y) 90 65 25 40 80 60 35 50
a) Representar los datos en un diagrama de dispersión.

b) Calcular el coeficiente de correlación entre X e Y. Interprete.
c) Ajustar dicha información a una recta de regresión lineal de Y sobre X y representar la
recta en la gráfica de la parte a).
d) ¿Cuál es la mejor estimación de la eficiencia de una máquina de 10 años?

Unidad 7
SERIES DE TIEMPO Y NUMERO INDICE
Tutoría Nº 9: Series de Tiempo.
Tutoría Nº 10: Número Índice.


1. Competencias
1.1. Conceptuales
Reconoce los conceptos de las componentes de la series de tiempo y
de los números índices.
Elaboran modelos para predecir una variable de serie de tiempo y
mostrar métodos para calcular los números índice.
1.3. Actitudinales
Resuelve situaciones en donde se quiere pronosticar una variable de
serie de tiempo. Utilizar los números índices para predecir condiciones
económicas o industriales.
El contenido programático de la unidad referida es el siguiente: series
de tiempo: introducción, componentes de las series de tiempo:
tendencia, ciclo, estación, irregular; predicción, números índices,
noción, aplicación de los números índices, relaciones de precios:
propiedades de las relaciones de precios; relaciones de cantidad o
volumen: propiedades de las relaciones de cantidad; relaciones de
valor: propiedades de las relaciones de valor; métodos para calcular los
números índices: método de agregación simple; método de agregación
ponderada, método del promedio ponderado de relaciones; cambio de
base en los números índices; deflación de series en el tiempo.

prácticos.


Series de tiempo y predicción
ESTUDIO DE UN CASO
Tutoría Nº
9
El vicepresidente financiero de Southern Airways está considerando la adquisición de dos nuevos
aviones. En un momento crítico para la compañía. Las aerolíneas más grandes están aumentando
su tráfico, y la mayoría de los nuevos clientes son antiguos clientes de las aerolíneas más
pequeñas. Parte de la razón de este cambio de preferencias del pasajero parece ser lo deseable
de volar en aviones más nuevos y más cómodos.
Hay tres alternativas para Southern. Primera, puede decidirse por comprar dos nuevos aviones, lo
cual probablemente tendría por resultado un aumento gradual de la participación de la compañía
en el mercado, con incremento notable en los ingresos, que comenzarían al segundo año después
de la compra.
La segunda alternativa es comparar un nuevo avión solamente, lo cual se espera que permitiera a
la Southern mantener su puesto en el mercado durante los tres o cuatro años siguientes. Se
espera que para entonces se disponga de nuevos ingresos, y de otras fuentes de fondos que
permitan a la Southern aumentar su flota, y con ello ganar una mayor participación en el tráfico
aéreo en los años subsiguientes.
La tercera alternativa es diversificar los fondos que pondrían emplearse en la adquisición de los
aviones, para hacer otras inversiones. La participación de la Southern en el mercado se
desmejoraría, haciéndosele luego muy difícil a la compañía reconquistar su actual posición en el
mercado. El resultado final bien podría ser que la Southern Airways dejara de operar como
aerolínea de pasajeros.
De las tres alternativas, la Southern preferiría con mucho la adquisición de los dos aviones. La
segunda y tercera alternativas se podrían seguir solo en el caso de que la primera no fuera
factible. Si se determina que la compra de los dos nuevos aviones no es aconsejable, entonces se
someterían las dos alternativas restantes a un cuidadoso examen, en cuanto a las posibles
consecuencias de cada una de ellas.
Si la primera alternativa no es aconsejable, será porque la compañía, tenga dificultades en cumplir

las obligaciones de la financiación de la compra. Los fondos para la compra de los aviones
provendrían de tres fuentes. Primera, se emitirían acciones; esta fuente se utilizaría, ante todo,
porque la Southern no incurre con ello en obligaciones reales.
La segunda fuente utilizada sería la venta de bonos de la sociedad, cada una de las cuales exigiría
que la Southern pagara una suma total cada seis meses. No obstante, este tiempo sería suficiente
para permitir a la Southern acumular los fondos necesarios para cumplir estas obligaciones.
Dichas dos fuentes de fondos producirían capital suficiente para permitir la compra de un avión.
Además, estas fuentes no presentan serios problemas en cuanto al cumplimiento de las
obligaciones financieras que imponen.
Sin embargo, si la compañía va a comprar el segundo avión, habría que obtener capital
suplementario mediante un empréstito. Las obligaciones impuestas por el empréstito comprenden
a bonos mensuales. Es la cuestión del servicio de esta deuda lo que preocupa en este momento.
Si la Southern incumple en el empréstito, los futuros intentos de conseguir capital por alguno de
los tres métodos mencionados serían en extremo dificultosos. Los inversionistas estarían muy
reacios a comprar acciones corrientes de la Southern o sus emisiones de bonos.
La decisión depende la capacidad de la Southern para el servicio de la deuda que sería necesaria
par la compra de dos aviones. Debido al aumento sustancial en ingresos, que se anticipan para el
segundo año después de la compra de dos aviones; el periodo crítico para la Southern sería el
primer año después de la compra, durante el cual la Southern experimentaría lo más difícil para
cumplir las obligaciones mensuales de la deuda.
Es responsabilidad del vicepresidente financiero el determinar la capacidad de servicio de la

deuda de la Southern en el primer año después de la compra de los dos aviones.
Se está ahora en enero de 19X9. Los dos aviones, pedidos entrarían en servicio en julio de este
año, momento en el cuál comenzarán los abonos a la deuda.
Los costos que implica la operación de la Southern están estrechamente vinculados con la tasa de
inflación. En realidad pueden hacerse proyecciones muy precisas tomando el costo total, en
diciembre de 19X8, que fue de $4 320 000 y calculando un aumento del 0.5% mensual. En julio, si
los aviones se compran, habrá que añadir los pagos mensuales de $210 000.
Los ingresos, por otra parte, plantean un problema más difícil, pues no hay fórmula simple que
pueda emplearse para proyectar los ingresos. A veces los ingresos han aumentado, y a veces ha
disminuido. Parecen estar sujetos a más fluctuaciones que los costos.
Se necesita pues una manera de predecir o proyectar los ingresos.
9.1. INTRODUCCION
Dado que las condiciones económicas y los negocios varían con el tiempo, los ejecutivos deben
encontrar formas de conocer los efectos de esos cambios en sus operaciones particulares. Unos
métodos que pueden utilizar los directivos de los negocios como ayuda para controlar las
operaciones actuales y en la planeación de futuras necesidades (mediante el pronóstico de
acontecimientos probables en ventas, materia prima, mano de obra, etc.) es un análisis de series
de tiempo.
Se llama Series de Tiempo a un conjunto de mediciones de cierto fenómeno o experimento

registrado secuencialmente en el tiempo. El primer paso para analizar una serie de tiempo es
graficarla, esto permite: identificar la tendencia, el ciclo, la estacionalidad, las variaciones
irregulares (componente aleatoria).
El fin principal del análisis de las series cronológicas es la predicción de los valores futuros de un
proceso aleatorio.
9.2. COMPONENTES DE LAS SERIES DE TIEMPO
A menudo es útil analizar sucesiones de observaciones de variables aleatorias a lo largo del

tiempo. Una sucesión de esta clase se llama serie cronológica. Pero prácticamente en todos los
análisis precedentes, se ha supuesto, por lo menos implícitamente, que las observaciones eran
independientes y de distribución idéntica, con la que constituían una muestra aleatoria. A veces
este supuesto es apropiado al analizar series cronológicas. Pero en este capítulo se supone que
las observaciones son dependientes entre si. En esencia, lo que está suponiendo aquí es que el
tiempo, u otra variable vinculada a este, influyen en los valores observados de la variable aleatoria.
Como se ha visto una y otra vez, el objetivo del análisis estadístico es la interpretación de los
datos. El proceso de interpretación tiene dos resultados finales. El primero es la descripción del
proceso de base, en términos de un modelo la distribución normal de probabilidades, el modelo de
regresión lineal o cualquiera otro. El segundo es la inferencia de relaciones fundamentales. Por
ejemplo, podría contratarse la productividad media antes y después de una sesión de
adiestramiento, y sacar conclusiones sobre el grado de efectividad de la sesión de adiestramiento.
En el análisis de series cronológicas se interpreta la influencia del tiempo sobre la variable
aleatoria que se esté estudiando. Y de ello se infiere, la futura influencia de los factores temporales
sobre la variable aleatoria y la predicción de observaciones futuras.
Como las condiciones económicas cambian por el tiempo, el comportamiento de las variables
aleatorias de interés, en decisiones empresariales, cambien de carácter con el tiempo. Las medias
pueden variar; las varianzas pueden modificarse. Tal vez no es apropiado hablar en términos de

tiempo, como la variable de influencia, cuando en realidad son las condiciones económicas
cambiantes las conducen a las variaciones de la distribución de la variable aleatoria. Pero el
tiempo es el factor común y la vinculación de los cambios de las condiciones económicas y de las
variables empresariales mediante la variable tiempo ha dado resultados.
Sería deseable aislar e identificar las principales influencias observables en datos de series
cronológicas. Estas influencias principales serán los componentes de los modelos de series
cronológicas. Una vez aisladas, se las puede analizar para interpretar mejor las razones
económicas de las observaciones pasadas. Lo que es más importante en la Situación I, de que se
trata, es que estas componentes pueden incorporarse a un modelo para predecir ocurrencias
futuras y tomar decisiones.
Hay cuatro influencias principales que se observan en los datos de series cronológicas.
Son:
1. Tendencia, T.
2. Ciclo, C.
3. Estación, S.
4. Irregular, I.
El análisis de estudio se organizará según estas componentes.
9.2.1. Tendencia
Tendencia es una influencia a largo plazo que origina variaciones lentas. La expresión “a largo
plazo” significa aquí que la influencia de una tendencia se extiende por varios años. Algunas
condiciones económicas generales que producen efectos de tendencia son las variaciones del
tamaño de la población, las mejoras graduales de la tecnología, las variaciones del nivel de vida y
la inflación o la deflación. Otros factores son, por ejemplo, los cambios de preferencia del
consumidor y el grado hasta donde se mejoran por el aprendizaje el rendimiento y la eficacia (en el
proceso de producción, por ejemplo). La figura 1 indica una posible tendencia de los datos de una
serie cronológica.
Ventas
1 2 3 4 5 6 7
FIGURA 1. Tiempo (años)
Todos estos factores identifican con claridad aspectos importantes para fines de planificación.
Todos sugieren cambios potenciales, por ejemplo en las utilidades. En ciertos casos, las ventas
varían porque el mercado se está expandiendo o contrayendo. En otros, los costos suben o bajan
debido a variaciones en la calidad del rendimiento del proceso de producción. Otras variables
importantes pueden también resultar relacionadas con estos factores.
Se va a considerar brevemente la influencia de la inflación o la deflación. Antes de comenzar el

análisis de una serie cronológica hay que eliminar de los datos dicha influencia, mediante un
índice adecuado de precios. La inflación de la ilusión de mayores ventas porque suben los
recaudos, lo cual podría llevar a los directivos a aumentar la producción, ampliar la fuerza laboral o
emprender alguna otra actuación costosa para hacer frente al aumento de la demanda que se
anticipa erradamente. Para evitar esta mala interpretación, primero hay que ajustar los datos a fin
de eliminar la influencia de la inflación. Pero hay veces en que al analizar datos de series
cronológicas, la influencia de la inflación puede considerarse con toda propiedad como parte de l
componente de tendencia. Por ejemplo, con cifras de utilidades, la inflación o deflación en los
ingresos y en los costos quedan de hechas incorporadas a las cifras. La diferencia entre estas dos
tasas de inflación o deflación podría considerarse una información apropiada a la tendencia.

9.2.2. Ciclo
La componente cíclica se refiere a la influencia de los ciclos económicos en los datos de series
cronológicas. Los ciclos económicos son oscilaciones o movimientos ascendentes y descendentes
de la actividad económica general. Se habla a veces de “fases ascendentes o de expansión”, o de
“fases descendentes o de contracción”, o también “recesiones”. Los ciclos económicos son
imprescindibles en alto grado en cuanto a la amplitud (magnitud del movimiento hacia arriba o
hacia abajo), duración (el tiempo que se mantiene la fase), y forma (rapidez de ascenso o
descenso). Por lo general, los movimientos o fases descendentes son más rápidos que los
ascendentes; pero hay otros cuantos comentarios de naturaleza general, aplicable a los ciclos
económicos. La figura 2 es un ejemplo de ciclo y la figura 3 indica la tendencia de la figura 1,
después de su distorsión por la componente cíclica que se representa en la figura 2.
Ventas
FIGURA 2 1 2 3 4 5 6 7
Tiempo (años)
Ventas
FIGURA 3 1 2 3 4 5 6 7
Tiempo (años)
Los ciclos económicos influyen ciertamente en las variables que afectan a la marcha de la firma.
Por ejemplo, durante la fase descendente, las firmas que comercializan artículos de primera
necesidad solo se refrenan lentamente. Debido a este efecto, y a su naturaleza variable respecto a
las diferentes industrias, la influencia cíclica es componente importante en el análisis de series
cronológicas.
9.2.3. Estación
La estación describe los movimientos ascendentes y descendentes debidos al tiempo o estación

del año. Varias industrias ofrecen ejemplos de esta influencia. Así, en un caso, las ventas de
equipos para esquiar muestran movimientos considerables durante el curso de un año. Desde
luego, otras industrias pueden experimentar efectos escasos o nulos de tipo estacional. Aunque
ciertos alimentos tienen sus estaciones, las ventas de las tiendas de alimentación experimentan
típicamente muy poca o ninguna influencia estacional. La figura 4 ilustra una modalidad estacional.
Ventas
1 2
FIGURA 4. Tiempo (años)
Los efectos de la componente estacional se compensan en promedio durante el curso del año.
Después de un año, el proceso vuelve a su punto de partida, suponiendo, claro está, que no hay

influencia de tendencia, cíclica o irregular. No hay beneficio o pérdidas netos en la serie

cronológica que sean atribuibles a esta componente.
Como la influencia estacional está asociada a la época del año, su momento de ocurrencia es
predecible. La influencia ejercida por la llegada de la primavera, en las industrias de modas
femeninas, se vio en la pasada primavera y se verá en la siguiente. Pero al variar las costumbres,
el grado de esa influencia puede variar también. Por consiguiente, puede haber ligeras variaciones
en la medida de los efectos estacionales, en períodos de tiempo prolongados. La autoridad que
decide o el analista deben elegir uno de los supuestos siguientes al tratar la componente
estacional:
1. El efecto de la componente estacional es constante de un año a otro.

2. El efecto estaminal varía ligeramente de un año a otro.
3. El efecto de la influencia estacional cambia espectacularmente.
Rara vez se ve el tercer supuesto, pero a veces es necesario. Por ejemplo, si la industria
automovilitaria cambiara el momento de instrucción de los nuevos modelos, sería de esperar un
gran cambio en el efecto estacional.
9.2.4. Irregular
La componente irregular incorporar dos tipos de influencia. El primero es la ocurrencia de sucesos

individuales insólitos que han repercutido sobre la serie cronológica. Sucesos posibles de tal
naturaleza son las huelgas, el elevado ausentismo por causa de una epidemia de gripe o un
cambio de importancia de la política económica de gobierno. Todas estas influencias podrían
originar grandes variaciones en el proceso aleatorio que produjo la serie cronológica. Y es típico
pues que el proceso tenga nuevas características de evolución después de esa variación.
El segundo tipo de influencia incorporado a la componente irregular es la fluctuación aleatoria, que

por lo general es de naturaleza modesta y produce variaciones dentro de un ± 5%, por ejemplo.
Como se hizo en el análisis de regresión, las fluctuaciones aleatorias se suponen con media de
cero, es decir, que su efecto neto se hace igual a cero en su análisis.
El proceso de ajuste del primer tipo de influencia irregular es un análisis estadístico bastante
especializado. Y el caso, tampoco da indicación de sucesos económicos separados insólitos. Por
consiguiente, se tratará la componente irregular, como constituida solamente de fluctuaciones
aleatorias.
La figura 5 ilustra una serie de variaciones aleatorias en una serie cronológica. La figura 6 está
compuesta de la tendencia de la figura 1, el ciclo de la figura 2, la estación de la figura 4 y la
variación irregular de la figura 5. Así pues, la figura 6 podría ser la ilustración del gráfico típico de
datos de series cronológicas.
Ventas
Ventas
1 2 3 4 5
Tiempo (años) 1 2 3 4 5 6 7
FIGURA 5 FIGURA 6 Tiempo (años)
9.3. PREDICCIÓN
La base lógica de la predicción es un proceso en dos etapas. Primero se constituye un modelo, a

partir de las observaciones pasadas del proceso; luego se utiliza ese modelo para predecir
ocurrencias futuras. Ante todo hay que estimar la influencia de las diversas componentes y luego
combinar las componentes para tener un modelo de predicción.

Como el método de estimación de los efectos componentes depende de la forma que se elija para
el modelo, se analizará ante todo la forma del modelo.
La manera más corriente de combinar las componentes en un modelo, es por multiplicación de los
componentes. Sea Y la variable aleatoria que se trata de predecir. EL modelo que se utiliza se
llama modelo multiplicativo y sugiere que:
Y = T .C. S. I
Una consecuencia importante de este modelo es que indica las unidades de medida de las cuatro
componentes. Si se están prediciendo ventas medidas por ingresos totales, los valores Y se
expresan en dólares. Se medirá T también en dólares. Las otras tres componentes pueden
interpretarse como porcentajes. Cuando la componente estacional, por ejemplo, no tienen
influencia sobre una observación particular, el valor de S es 1.0.
Puede decirse lo mismo en cuanto a las componentes C e I. Si las tres componentes porcentuales
son iguales a 1, es decir, si:
C = S = I = 1.0
Entonces el valor observado podría llamarse ocurrencia “promedio” o “típica”. Por la primera
igualdad es también cierto que:
Y=T
Si C = S = I = 1.0. Así pues, el modelo multiplicativo de la componente de la tendencia como el

valor típico, y las otras componentes pueden considerarse como ajustes. Un valor de C = 1.015
indica que la condición predominante del ciclo económico producirá un valor observado de 1.5 por
ciento mayor que el valor típico; una componente estacional de valor S = 0.970 indica que el
tiempo del año producirá un valor observado 3% inferior al típico. Todas las observaciones pueden
ser consideradas en consecuencia como ajustes de la típica, ya sea por los ciclos económicos, ya
por el tiempo del año, ya por las fluctuaciones aleatorias.
Un plan de solución al problema de estimación puede ser el siguiente:
1. Estímese la componente T de tendencia utilizando datos anuales. (Pueden emplearse

observaciones mensuales o trimestrales si están ajustadas estacionalmente, es decir, si se ha
eliminado la componente estacional).
2. Estímese la componente estacional S utilizando los datos “brutos”, es decir, los datos
mensuales sin modificar. (Pueden emplearse datos trimestrales si son apropiados para el
problema de decisión).
3. Estímese la componente irregular I “suavizando” los datos ya ajustados estacionalmente.
4. Estímese la componente cíclica C utilizando los datos brutos originales y las estimaciones de
T, S e I.
A esta altura ya puede examinarse la bondad del modelo, analizando los valores de la
componente irregular estimados en 3. El examen se concentrará en si los valores de I son
indicativos de fluctuaciones aleatorias. Esto se determinará decidiendo si los valores son
independientes entre sí. Si lo son, el modelo puede juzgarse como aceptable.
Para el análisis completo se pasará por estas cuatro etapas.

Es decir, que el analista o autoridad decisoria puede:
a) predecir las observaciones futuras y

b) hacer el análisis de observaciones pasadas para determinar causaciones económicas; esto es
por que se observó lo que se ha observado. Sin embargo, aquí solo se ha propuesto lo
primero por el momento. Para lograr predecir ingresos mensuales futuros, es necesario
estimar únicamente T y S porque en gracia de brevedad se hará un supuesto en cuanto a C y
se dirá simplemente que los valores de I constituyen fluctuaciones aleatorias.
Para ilustrar los procedimientos que suponen los problemas de estimación se tomará el caso
propuesto.

El primer paso es estimar la componente de tendencia utilizando datos anuales. Supóngase que la
tabla 1 da los ingresos anuales de Southern Airways, durante los ocho años pasados.
Se está buscando cierta relación entre el tiempo en años y los ingresos. Siguiendo el
procedimiento de ajuste de curva. Se representan los datos de la tabla 1, así como el diagrama de
dispersión en la figura 7. Parece como si una recta pudiese describir muy bien la componente de
tendencia. Es decir, se podría suponer que si t representa tiempo en años a partir de 19X0.
Tabla 1: Ingresos anuales

(en millones de dólares)
Año Ingresos Año Ingresos

19X1 58.03 19X5 58.84
19X2 58.27 19X6 58.72
19X3 58.29 19X7 58.74
19X4 58.58 19X8 59.16
T= + 1t+
y 1 por el método de mínimos cuadrados descritos en el tema anterior.
Si consideramos a los años e ingresos, como la variables x e y respectivamente.
Utilizando las siguiente fórmulas.
n xy - x y
1
n x 2 - ( x) 2
_ _ y x
0 = y- 1 x= 1
n n
Se tiene: β0 = 57.95
β1 = 0.141
Así mismo, la fórmula de correlación:
n xy - x y
r =
[n x 2 - ( x) 2 ][n y 2 - ( y) 2 ]
Se tiene:
r = 0.9464
2
r = 0.8957
2
El valor de r indica que el 89.57 % de la variación de los ingresos anuales se explica por la
variación de t, el tiempo en años a partir de 19X0. Así que se concluye que el modelo es una
descripción aceptable de la relación entre ingresos anuales y tiempo. Por lo tanto, se toma como
componente de tendencia
T = 57.95 + 0.141t
Donde t es el tiempo en años después de 19X0.
Se tiene ahora la componente de tendencia expresada en ingresos anuales. Esto es, que esta
componte de tendencia es la mas útil para predecir ingresos anuales. Pero también puede
utilizarse para predicciones mensuales. Quizás la manera más fácil de adaptar estas cifras de
tendencia anual, a cifras de tendencia mensual, es dividir las predicciones anuales por 12. Lo cual
supone que no hay influencia de tendencia durante el año. En ciertas aplicaciones tal supuesto
puede ser algo irrazonable, pero para los propósitos trazados aquí será suficiente.

c) El paso siguiente es estimar la componente estacional utilizando datos mensuales brutos.

Supóngase que la tabla 2 da los ingresos mensuales en los cuatro años pasados para la
Southern.
Tabla 2: Ingresos mensuales

(en millones de dólares)
Mes 19X5 19X6 19X7 19X8

Enero 4.69 4.85 4.86 4.76
Febrero 4.78 4.56 4.43 4.67
Marzo 4.36 4.41 4.65 4.39
Abril 4.50 4.70 4.52 4.25
Mayo 5.09 5.00 5.21 5.02
Junio 5.22 5.66 5.29 5.36
Julio 5.44 5.13 5.41 5.47
Agosto 5.24 5.09 5.00 5.48
Septiembre 4.89 5.05 5.11 4.87
Octubre 4.68 4.64 4.38 4.71
Noviembre 4.22 4.23 4.41 4.42
Diciembre 5.73 5.40 5.47 5.76
En este momento hay que resolver dos cuestiones. La primera es si se van a obtener valores
mensuales para S o valores trimestrales para S. Un examen a la tabla 2 puede ayudar a resolver
esto. En cada uno de los años, los ingresos del mes de diciembre son considerablemente más
altos de los de octubre y noviembre. Esto sin duda se debe a que se viaja más en las vacaciones
de navidad. Pero el caso es que el utilizar una componente estacional trimestral tendería a
distorsionar el modelo de esta influencia especial, porque un valor de S estaría asociado a
Diciembre y a otros dos meses muy diferentes (octubre y noviembre) de la actividad de la
aerolínea. No quedaría satisfecha apropiadamente la necesidad de predecir los ingresos
mensuales, porque las proyecciones de octubre y noviembre serían demasiados grandes.
La segunda cuestión hay que resolver es la de si se supone una componente estacional constante
de año en año. Nuevamente puede ayudar el observar la tabla 2. Se observa que no hay mayores
variaciones de la influencia de un mes particular, sobre los ingresos de año en año. Se
observarían luego las condiciones económicas para tratar de decidir si podría haber una variación
gradual de S con el tiempo. Para los propósitos del análisis se supondrá que la componente
estacional es constante.
Las cinco etapas para estimar S son:
1. Asígnese a cada mes el promedio de las cinco observaciones más cercanas a ese mes. Por
ejemplo, se asignaría a abril el promedio de las observaciones de febrero, marzo, abril, mayo y
junio. Se asignaría a mayo el promedio de las observaciones de marzo, abril, mayo, junio y
julio. Es este un proceso de suavización en que se calcula un promedio móvil de cinco puntos.
2. Para cada mes, calcúlese la relación entre el valor observado y el promedio móvil de cinco
puntos. Esta relación se llama estación específica, SS. La tabla 3 indica las etapas 1 y 2
efectuadas sobre los datos de la tabla 2.
3. Descártese el tercio máximo y el tercio mínimo, aproximadamente, de las estacionales

específicas. Importa descartar igual número de valores elevados y valores bajos de
estacionales específicas. Se hace esto para eliminar los efectos de datos exteriores.
4. Estímese la componente estacional S como el promedio de las restantes estacionales

específica.
5. Ajústense las estacionales de modo que sumen 12. Se hace esto para que no haya influencia
neta de las estacionales sobre el curso de todo el año. Si se calcularan estacionales
trimestrales, la suma sería 4.

La tabla 4 muestra los cálculos finales de las estacionales para los datos de la tabla 2. Los datos
de la tabla 2 pueden ajustarse ahora en cuanto a la componente estacional. Esto se logra
dividiendo cada observación por la correspondiente estacional.
Estos datos ajustados pueden emplearse para estimar una componente de tendencia de los
ingresos mensuales, de la misma manera que se utilizaron los datos anuales. Sería probable
encontrar una ecuación diferente para la componente de tendencia del ajuste de la ecuación 2 que
se va utilizar aquí.
Tabla 3
Cálculo de Estacionales específicas, SS
Mes 19X5 19X6 19X7 19X8

Enero Real 4.690 4.850 4.860 4.760
Promedio 4.760 4.720 4.740
SS 1.019 1.030 1.004
Febrero Real 4.780 4.560 4.430 4.670
Promedio 4.850 4.780 4.710
SS 0.940 0.927 0.992
Marzo Real 4.360 4.410 4.650 4.390
Promedio 4.680 4.710 4.740 4.620
SS 0.932 0.912 0.981 0.950
Abril Real 4.500 4.700 4.520 4.250
Promedio 4.790 4.870 4.820 4.740
SS 0.939 0.965 0.938 0.897
Mayo Real 5.090 5.000 5.210 5.020
Promedio 4.920 4.980 5.020 4.900
SS 1.035 1.004 1.038 1.024
Junio Real 5.220 5.660 5.290 5.360
Promedio 5.100 5.120 5.090 5.120
SS 1.024 1.105 1.039 1.024
Julio Real 5.440 5.130 5.410 5.470
Promedio 5.180 5.190 5.210 5.240
SS 1.050 0.988 1.038 1.044
Agosto Real 5.240 5.090 5.000 5.480
Promedio 5.090 5.120 5.040 5.180
SS 1.029 0.944 0.992 1.058
Septiembre Real 4.890 5.050 5.110 4.870
Promedio 4.890 4.830 4.870 4.990
SS 1.000 1.046 1.049 0.976
Octubre Real 4.680 4.640 4.380 4.710
Promedio 4.950 4.890 4.880 5.050
SS 0.945 0.949 0.898 0.933
Noviembre Real 4.220 4.230 4.410 4.420
Promedio 4.870 4.840 4.830
SS 0.867 0.874 0.913
Diciembre Real 5.730 5.400 5.470 5.760
Promedio 4.810 4.720 4.740
SS 1.191 1.144 1.154

Tabla 4
Cálculo de la componente Estacional, S
Promedio de
S
Mes Estaciones específicas Tercio
Ajustada
Central
Enero 1.019 1.030 1.004 1.019 1.02
Febrero 0.940 0.927 0.992 0.940 0.94
Marzo 0.932 0.912 0.981 0.950 0.941 0.94
Abril 0.939 0.965 0.938 0.897 0.938 0.94
Mayo 1.035 1.004 1.038 1.024 1.030 1.03
Junio 1.024 1.105 1.039 1.047 1.043 1.05
Julio 1.050 0.988 1.038 1.044 1.041 1.05
Agosto 1.029 0.994 0.992 1.058 1.012 1.02
Septiembre 1.000 1.046 1.049 0.976 1.023 1.03
Octubre 0.945 0.949 0.898 0.933 0.939 0.94
Noviembre 0.869 0.874 0.913 0.874 0.88
Diciembre 1.191 1.144 1.154 1.154 1.16
Total 11.954 12.00
Se tienen los valores de T y S y todo lo que queda por hacer es la estimación de C e I.
Se supondrá en esta etapa que C = 1.0. Esto representa en esencia la creencia de que el ciclo
económico no va a tener influencia en los ingresos mensuales de la Southern el próximo año.
Para cada uno de los 48 meses de la tabla 2, la componente cíclica es aproximadamente 1.0.
La componente irregular I se puede estimar utilizando los datos mensuales ajustados

estacionalmente. Se suavizan estos datos utilizando una variante del promedio móvil de cinco
puntos utilizado antes. El objetivo de estimar la componente irregular es determinar la bondad del
modelo. Si los valores de I indican variación aleatoria, se acepta el modelo multiplicativo como
descripción bien ajustada, y por consiguiente, como dispositivo razonable de predicción. Pero el
contraste de los valores de I es un proceso complicado. Admítase por tanto que el modelo utilizado
en este análisis es aceptable y prosígase.
Ya con T, C y S definido puede pasar a predecirse. La predicción para cualquier mes es

simplemente el producto de las componentes de la tendencia cíclica y estacional para ese mes.
Esto es, la predicción dada es:
Y = T. C .S
Esta predicción es comparable a la estimación hecha anteriormente. La analogía está en el

supuesto de que no hay error aleatorio. Así:
y b0 b1 x
Era la estimación de un valor particular de la variable aleatoria y. El término de error se hizo igual a
cero. En nuestro caso se toma I = 1.0, lo que indica nuevamente que no hay error aleatorio.
REVISIÓN DEL CASO

Queda así completa la fase de estimación y pueden predecirse ya los costos e ingresos
mensuales para los 18 meses siguientes. Los costos mensuales se proyectan aumentando el
costo total actual de $4 320 000 en 0.5% al mes. He aquí estas proyecciones en millones:
Ene. $4.34 Jun. $4.45 Nov. $4.56 Mar. $4.65

Feb. $4.36 Jul. $4.47 Dic. $4.58 Abr. $4.68
Mar. $4.39 Ago. $4.49 Ene. $4.61 May. $4.70
Abr. $4.41 Sep. $4.52 Feb. $4.63 Jun. $4.72
May. $4.43 Oct. $4.54
Estos son costos proyectados por mes si los dos aviones no se compran. Si se compran los
aviones, la Southern incurre en un costo mensual adicional de 210 000, comenzando en julio. Esta

adición al costo, se debe desde luego, al préstamo necesario para a compra de los aviones, y
altera las proyecciones de costo mensual, en millones así:
Ene. $4.34 Jun. $4.45 Nov. $4.77 Mar. $4.86

Feb. $4.36 Jul. $4.68 Dic. $4.79 Abr. $4.89
Mar. $4.39 Ago. $4.70 Ene. $4.82 May. $4.91
Abr. $4.41 Sep. $4.73 Feb. $4.84 Jun. $4.93
May. $4.43 Oct. $4.75
Las proyecciones de ingresos se hacen con el modelo multiplicativo
Y = T. C. S
Siendo
T = 57.95 +0.141t
t = tiempo en años después de 19X0
C = 1.0
S = según lo da la tabla 4
Se van a predecir los ingresos de 18 meses. Los primeros 12 meses van hasta el año 19X9, así
que t = 9. Para los 6 meses subsiguientes, se emplea t = 10. Con t = 9, se predice la componente
de tendencia del ingreso anual que da:
T = 57.95 + 0.141(9) = $59.22
Y del ingreso mensual:
T/12 = $4.94
Utilizando las estacionales de la tabla 4, se obtienen las siguientes predicciones expresadas en

millones:
Ene. $5.04 Abr. $4.64 Jul. $5.19 Oct. $4.64

Feb. $4.64 May. $5.09 Ago. $5.04 Nov. $4.25
Mar. $4.64 Jun. $5.19 Sep. $5.09 Dic. $5.73
Para los 6 meses subsiguientes, se emplean t = 10 y los factores estacionales de la tabla4. Esto
da:
T = 57.95 + 0.141(10) = $59.36
T/12 = $4.95
Por último, los ingresos predichos, en millones, son

Ene. $5.05 Mar. $4.65 May. $5.10
Feb. $4.65 Abr. $4.65 Jun. $5.20
Estas proyecciones se basan en:
Y = T. C. S
Pero los ingresos reales serán:
Y = T. C. S. I
Esto es, teniendo en cuenta la variación aleatoria. Esta variación se sitúa típicamente entre -5 por
ciento y +5 por ciento, pero se ha de tener en cuenta que la fluctuación aleatoria puede tener un
enorme efecto. En realidad, puede ser la diferencia entre cumplir con los pagos del préstamo y el
no cumplirlos. Como las consecuencias de incumplimiento son tan graves, sería deseable ser
prudentes en las predicciones de ingresos futuros. Esto se logra incorporando el modelo de
predicción un valor I menor que 1.0. Como I puede dar hasta 5 por ciento de disminución de
ingresos, se utiliza I = 0.95. Incorporando este factor, se obtienen las siguientes predicciones, en
millones, para los siguientes 18 meses:
Ene. $4.79 Jun. $4.93 Nov. $4.04 Mar. $4.42

Feb. $4.41 Jul. $4.93 Dic. $5.44 Abr. $4.42
Mar. $4.41 Ago. $4.79 Ene. $4.80 May. $4.84
Abr. $4.41 Sep. $4.84 Feb. $4.42 Jun. $4.94
May. $4.84 Oct. $4.41
Los aspectos de cálculo de este problema se completan en la tabla 5. La columna importante del
problema de decisión de la Southern es la última, “Utilidades acumuladas”. Todos los valores de
esa columna deben ser positivos, antes de que sea factible el plan de comparar dos aviones. En
este caso, se ve que todos estos valores son positivos. Con base en las predicciones hechas,
parece que la Southern puede servir la deuda ocasionada por los préstamos necesarios para la
compra de dos aviones.
Tabla 5: Predicciones de utilidades

(En millones de dólares)
Proyectadas Utilidades
Mes Acumuladas
Ingresos Costos Utilidad neta
Enero 4.79 4.34 0.45 0.45
Febrero 4.41 4.36 0.05 0.50
Marzo 4.41 4.39 0.02 0.52
Abril 4.41 4.41 0.00 0.52
Mayo 4.84 4.43 0.41 0.93
Junio 4.93 4.45 0.48 1.41
Julio 4.93 4.68 0.25 1.66
Agosto 4.79 4.70 0.09 1.75
Septiembre 4.84 4.73 0.11 1.86
Octubre 4.41 4.75 -0.34 1.52
Noviembre 4.04 4.77 -0.73 0.79
Diciembre 5.44 4.79 0.65 1.44
Enero 4.80 4.82 -0.02 1.42
Febrero 4.42 4.84 -0.42 1.00
Marzo 4.42 4.86 -0.44 0.56
Abril 4.42 4.89 -0.47 0.09
Mayo 4.84 4.91 -0.07 0.02
Junio 4.94 4.93 0.01 0.03
EMPLEO DE VARIABLES AUXILIARES
En el Caso, se construyó un modelo empleado únicamente valores de la variable que se deseaba

predecir. A veces este enfoque es apropiado; las observaciones pasadas, cuando se utilizan para
estimar las componentes de una serie cronológica, ofrecen suficiente explicación para predecir
predicciones exactas. Aquí lo supuesto es desde luego que todos los factores económicos que
influyen sobre el proceso pueden clasificarse dentro de las componentes de la serie cronológica, y
que sus efectos sobre el proceso se pueden describir como funciones del tiempo.
Pero en otros casos, puede haber maneras más adecuadas y más eficaces de incorporar la
influencia de las condiciones económicas al proceso. En particular, una cierta variable puede tener
efecto considerable, pero su efecto puede resultar diluido por asociación con otras variables en
una componente. Por ejemplo, la componente de tendencia incorpora, entre otras cosas, el
tamaño de la población. Puede ser que el tamaño de la población solo tenga considerable poder
explicativo, en cuanto a describir los movimientos del proceso a través del tiempo. La explicación
de la variación del proceso, por el tamaño de la población, puede exceder incluso la explicación
que da las componentes de tendencia en su integridad.
Se oye con frecuencia que los economistas del gobierno proyectan movimientos en la economía.
Esto suele hacerse con base en “indicadores guía”, expresión en la que “indicador” se refiere a
una variable que “indica” variaciones en el proceso económico, porque la variante indicadora y la
variable proceso económico, tienden a moverse al tiempo. La palabra “guía” se utiliza para
significar que la variable indicadora “guía” la variable del proceso en el sentido de que las
variaciones de la variable indicadora proceden, en el tiempo, las variaciones de la variable de
proceso.
En el tema anterior se vio el valor de aprovechar las relaciones entre variables en problemas de
estimación. Se estaban haciendo ciertas predicciones, naturalmente, en los temas cuando se
hicieron estimaciones de un valor particular de la variable dependiente. En esta sección se
examina más en detalle el empleo de un modelo de regresión para predicciones.
Supóngase que un constructor que se especializa en viviendas unifamiliares y bifamiliares.
Es dueño de un terreno en el cual piensa hacer una parcelación, pero antes de invertir la
considerable suma necesaria para empezar la construcción, quiere saber si las casas que va a
construir se venderán relativamente pronto, después de realizada su construcción.
Así podrá adquirir más capital para continuar las construcciones.
El constructor piensa que es factor muy importante en el mercado de las viviendas, y en la

actividad en dicho mercado, la tasa de interés predominante sobre préstamos en primeras
hipotecas. En particular, cuando la tasa de interés es elevada, las ventas de casas nuevas son
relativamente lentas, y cuando la tasa es baja, las ventas dichas son bastante activas. Su decisión
depende de su predicción de la tasa de interés en primera hipoteca.
El constructor cree que los movimientos de la tasa de interés se pueden explicar bastante bien por
la tasa de interés preferencial, y por la tasa de interés corriente, sobre préstamos en primera
hipoteca. Es decir, que espera poder predecir la nueva tasa de interés sobre préstamos en primera
hipoteca, utilizando un modelo basado en la tasa de interés preferencial, y por la tasa de interés
corriente sobre primeras hipotecas.
Recolecta entonces los siguientes datos para construir un modelo de predicción de la tasa de
interés sobre primera hipoteca.
TASA DE INTERÉS %
Tiempo Préstamos sobre Tasa
primera hipoteca Preferencial
1 9.00 8.00
2 9.25 8.25
3 9.25 8.00
4 9.25 7.75
5 9.00 7.75
6 9.00 7.50
7 9.00 7.25
8 8.75 6.75
9 8.75 6.75
10 9.00 6.50
Se empleará un modelo de regresión lineal múltiple con las variables definidas así:
Variable dependiente = tasa de interés sobre primera hipoteca del período.

Variable independiente = tasa de interés sobre primera hipoteca del ultimo período.
Variable independiente = tasa de interés preferencial del ultimo período.
Esta identificación de variables comprendía la opinión del constructor de que la tasa de interés
sobre primera hipoteca, en un periodo dado, puede describirse mediante una expresión lineal en
que entren, la tasa de interés sobre primera hipoteca del período precedente y la tasa de interés
preferencial del periodo precedente. Así pues, para describir el comportamiento de la tasa de
interés sobre primera hipoteca yt en el tiempo t se utilizará el modelo:
yt 0 1 yt-1 2xt-1 +

Siendo yt-1 = tasa de interés sobre primera hipoteca en el tiempo t – 1

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

Tiempo yt yt-1 xt-1
2 9.25 9.00 8.00
3 9.25 9.25 8.25
4 9.25 9.25 8.00
5 9.00 9.25 7.75
6 9.00 9.00 7.75
7 9.00 9.00 7.50
8 8.75 9.00 7.25
9 8.75 8.75 6.75
10 9.00 8.75 6.75
Al analizar estos datos mediante un programa de ordenador de análisis de regresión lineal múltiple
(se sugiere el SPSS), se calculan los siguientes valores:
b0 = 8.441
b1 = -0.237
b2 = 0.360
2
R = 0.6634
R = 0.8145
F2.6 = 5.913
El valor del estadígrafo F es significante al nivel

que el modelo proporciona una buena descripción de los movimientos de las tasas de interés
sobre primera hipoteca.
Mediante la descripción que da el modelo de regresión múltiple, se predicen las tasas de interés
de primera hipoteca con la ecuación:
yt 8.411 - 0.237y t -1 0.360x t -1
De los valores que tiene el constructor para el periodo 10, se predice la tasa de interés sobre
primera hipoteca del periodo venidero, periodo 11:
y11 = 8.411 – 0.237 y10+ 0.360x10
y11 = 8.411 – 0.237 (9.00)+ 0.360(6.50)
y11 = 8.648
Como este valor es inferior a cualquiera de las diez tasas observadas en el pasado reciente, el
constructor podría iniciar sus obras.
Este procedimiento de predicción se ha llamado predicción con variables auxiliares.
Es decir, se ha empleado la información disponible en variables distintas de las que están

prediciendo. Todo lo dicho en el análisis de regresión y su uso, se aplica aquí. En particular, los
comentarios hechos con respecto a la selección de variables independientes, en un modelo de
regresión, también son aquí aplicables. Se tomarían variables auxiliares que se creen relacionados
con la variable que interese.
Una observación final sobre la predicción utilizando el modelo de regresión con variables
auxiliares: aquí se emplea el mismo enfoque general de la predicción, es decir, que se utilizan
datos pasados para conformar un modelo que describa el comportamiento de la variable que
interesa predecir. Luego se utiliza ese modelo descriptivo, para predecir ocurrencias u
observaciones futuras de la variable que interesa.

DETERMINACIÓN DE APLICACIONES
La necesidad de predecir es general en la decisión empresarial. El directivo debe estar siempre

atento a proyectar las consecuencias posibles de cada uno de los posibles cursos de actuación.
Sin embargo, estas proyecciones no siempre se desarrollan utilizando las técnicas vistas en este
tema, porque aquí se han hecho supuestos acerca de las relaciones entre las condiciones
económicas, y la disponibilidad de los datos, que bien pueden no cumplirse en una aplicación real.
En el análisis de series cronológicas se identifican dos tipos de influencias sobre los datos
influencias sistemáticas e influencias aleatorias. Las fluctuaciones aleatorias se captan en la
componente irregular. Las fluctuaciones sistemáticas se clasifican en tres grupos: tendencia, ciclo
y estación, pero se supone que cada grupo puede describirse por una sola variable de tiempo. Las
componentes de tendencia cíclica y estacional, son todas funciones del tiempo, y el efecto de
cualquier ocurrencia o condición económica se supone modelado por una de estas funciones del
tiempo. Es esta una cuestión que hay que resolver si va a aplicarse o no en el análisis de series
cronológicas.
Una segunda condición del análisis de series cronológicas es la cantidad de datos necesarios. No
se expresó esto explícitamente, pero el análisis hecho en el caso, indica la necesidad de una gran
cantidad de datos. El estimar la componente de tendencia con datos anuales, sugiere que debe
disponerse de datos de varios años. Se utilizaron 48 observaciones mensuales para estimar las
componentes estacionales, pero hubiera sido mucho mejor disponer de una muestra todavía más
numerosa. Estas necesidades de datos plantean otra cuestión: ¿hasta dónde son estables o
estacionarias estas influencias (es decir, las de tendencia, cíclica y estacional) en nuestra
economía en rápido cambio y en nuestro medio cambiante? Son cuestiones que hay que resolver
antes de aplicar el análisis de series cronológicas.
Al predecir con variables auxiliares, no se concentra necesariamente la atención en el tiempo,

como factor de primera importancia, sino que más bien se trata de aprovechar las relaciones entre
ciertas variables económicas y la variable que se desea predecir. Estas variables pueden
comprender valores pasados de la variable, cuyo comportamiento se está tratando de predecir. El
enfoque típico es emplear un modelo de regresión para describir las observaciones pasadas de la
variable de interés. Esa descripción se emplea luego para la predicción de observaciones futuras.
Los supuestos necesarios para aplicar la regresión deben cumplirse aquí para poder hacer este
tipo de predicción.

10.1. NOCIÓN
Números índices
Tutoría Nº
10
Es una medida estadística diseñada para poner en relieve cambios en una variable o en un grupo
de variables relacionadas con respecto al tiempo, situación geográfica, ingresos o cualquier otra
característica.
Series de índices: Es una colección de números índices para diferentes años, lugares, etc.
10.2. APLICACIÓN DE LOS NÚMEROS ÍNDICES
Sirven para hacer comparaciones como:
Costos de alimentación durante un año con los del año anterior (economía)
Producción de acero de un año en una zona del país con otro (industria)
Inteligencia relativa de estudiantes en diferentes sitios o años (educación)
Los números índices se elaboran con el propósito de predecir condiciones económicas o

industriales tales como: índices de paro, de producción, salarios y otros. El más conocido es el
índice de precios al consumo que prepara el INEI; este produce aumentos salariales automáticos
correspondientes a los aumentos del índice de precios al consumo.
10.3. RELACIONES DE PRECIOS
Es el cociente entre el precio de un artículo en un período dado y su precio en otro período,

conocido como período base o de referencia. Se supondrá que los precios en cada período son
constantes, además se tomará un promedio adecuado para el período de modo que la suposición
sea esencialmente válida.
pn
RP = .................... (1)
po
Donde: pn : precio de un artículo durante el período dado

po : precio de un artículo durante el período base
(*) El resultado habitualmente se expresa en porcentaje.
Notación
A la relación de precios de un período dado y un período base se denota por:
pn
Po / n =
po
En general: si pa y pb son precios de un artículo durante los períodos a y b respectivamente.

pb
Pa /b =
pa

Ejemplo 10.1
Suponga que el precio al consumo de un litro de leche en los años 1990 y 1998 eran de S/.0,85 y
S/.1,50 respectivamente. Tomando como año base 1990 y luego 1998, hallar la relación de
precios.
Solución:
P1998 1.50
P90/98 = 1.76 176 %
P1990 0.85
P1990 0.85
P98/90 = 0.57 57 %
P1998 1.50
Nota: La relación de precios para un período dado con respecto al mismo período es siempre
100% o sea 100. Esto se escribe por ejemplo “1990=100” para indicar que se ha tomado 1990
como período base.
10.3.1. Propiedades de las relaciones de precios
Sí pa, pb, pc, denotan precios en los períodos a, b, y c respectivamente, se tiene las siguientes
propiedades para las relaciones de precios asociadas.
1. Propiedad identidad:
Pa/a = 1 o sea 100%
2. Propiedad inversa temporal:

1
Pa/b Pb/a = 1, es decir Pa/b =
Pb / a
3. Propiedad cíclica o circular:
Pa/b Pb/c Pc/a = 1 , Pa/b Pb/c Pc/d Pd/a = 1
4. Propiedad cíclica o circular modificada:

Pa/b Pb/c = Pa/c , Pa/b Pb/c Pc/d = Pa/d
10.4. RELACIONES DE CANTIDAD O VOLUMEN
En vez de comparar precios, se puede estar interesado en comparar cantidades (volúmenes) de

producción, consumo o exportación. En tales casos hablamos de relaciones de cantidad o
relaciones de volumen.
Se halla mediante la siguiente fórmula.
qn
RC = .................... (2)
qo
donde: qn : cantidad de un artículo que se ha producido, consumido o exportado durante el período

dado.
qo : cantidad de un artículo que se ha producido, consumido o exportado durante el
período base.
Notación
A la relación de cantidad de un período dado y un período base se denota por:
qn
qo / n =
qo
10.4.1. Propiedades de las relaciones de cantidad
Sí qa, qb, qc, denotan cantidades (o volúmenes) en los períodos a, b, y c respectivamente, se tiene
las siguientes propiedades para las relaciones de cantidad asociadas.

qa/a = 1 o sea 100%

1
qa/b qb/a = 1, es decir qa/b =
Pb / a
qa/b qb/c qc/a = 1 , qa/b qb/c qc/d qd/a = 1

qa/b qb/c = qa/c , qa/b qb/c qc/d = qa/d
10.5. RELACIONES DE VALOR
Sí p es el precio de un artículo durante un período y q es la cantidad (o volumen) producida,

vendida, etc. durante ese período.
Valor total = pq
Ejemplo 10.2
Sí 1000 litros de leche se venden a S/.1,30 litro.
Valor total = pq = (1,30)(1000) = S/.1300
Sí po,qo y pn,qn son el precio y la cantidad de un artículo durante un período base y dado
respectivamente, los valores totales durante esos períodos vienen dados por V o y vn,
respectivamente.
vn pn qn
RV RP x RC p0 / n q0 / n  (3)
v0 p0 q0
En general: Sí pa/b, qa/b y va/b denota las relaciones de precio, cantidad y valor del período b con
respecto al período a.
RV = Va/b = pa/b qa/b
Se le llama propiedad de inversión de factores.
10.5.1. Propiedades de las relaciones de valor
Sí va, vb, vc, son valores en los períodos a, b, y c respectivamente, se cumplen las siguientes
propiedades.
va/a = 1 o sea 100%

1
va/b vb/a = 1, es decir va/b =
Pb / a

va/b vb/c vc/a = 1 , va/b vb/c vc/d vd/a = 1

va/b vb/c = va/c , va/b vb/c vc/d = va/d
Problemas implícitos en el cálculo de números índices

En problemas prácticos no se desea comparar los precios en años de un sólo artículo sino
comparar varios artículos. Se podría hacer una lista con todos esos precios pero lo deseable es
disponer de un sólo número índice que compare los precios en ambos períodos en promedio.

Notación
(1) (2) (3) er do er
1) pn , pn , … Se utiliza para identificar los precios del 1 , 2 , 3 , … artículo durante
, pn
un período dado.
(1) (2) (3) er do er
2) po , po , po , … Se utiliza para identificar los precios del 1 , 2 , 3 , … artículo durante
un período base.
3) N, total de artículos.
N
4) pn ( j ) o p n ( j) o p n : Es la suma de los precios de todos los artículos durante
j 1
un período dado.
N
5) po ( j ) o po ( j) o p o : Es la suma de los precios de todos los artículos durante
j 1
un período base.
(*) análogamente se usa para la notación de cantidades y de valores.
10.6. MÉTODOS PARA CALCULAR LOS NÚMEROS ÍNDICES
10.6.1. Método de agregación simple
Índice de precios por agregación simple

pn
IPAS = ......................... (4)
po
Desventajas:
1. No tiene en cuenta la importancia relativa de los diversos artículos.
2. Las unidades escogidas al anotar los precios afecta al índice (galones, libras, etc.).
Índice de la media aritmética simple de relaciones de precios

( p n / po )
IMASR = ......................... (5)
N
Desventaja:
No tiene en cuenta la importancia relativa de los diversos artículos.
Índice de la media geométrica de relaciones de precios

(1) ( 2) ( 3)
pn pn pn
IMGR = n
(1)
. ( 2)
. ( 3)
........................ (6)
po po po
Desventaja:
Índice de la mediana de relaciones de precios (IMR)

Se ordena las relaciones de precios y se toma el del valor central de la serie si esta es impar o la
semisuma de los dos valores centrales si la serie es par.
Desventaja:

Ejemplo 10.6
Supongamos que se tiene la siguiente información:
AÑOS 2000 = 100 2002
ARTÍCULOS LECHE ZAPATOS PASAJE LECHE ZAPATO PASAJE
(1) (2) S (1) S S
(3) (2) (3)
PRECIO 1,70 60 0,60 2,00 80 1,00
Hallar:
a) Índice de precios por agregación simple (IPAS)
b) Índice de la media aritmética simple de relaciones de precios (IMASR)
c) Índice de la media geométrica de relaciones de precios (IMGR)
d) Índice de la mediana de relaciones de precios (IMR)
Solución:
Calculando las relaciones de precio por artículo:
(1) 2.00
Leche: P2002 / 2000 1.18
1.70
( 2) 80
Zapatos: P2002 / 2000 1.33
60
( 3) 1.00
Pasajes: P2002 / 2000 1.67
0.60
P2002 2.00 80 1.00

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

Ordenando las relaciones de precios por artículo: 1.18; 1.33; 1.39
El índice de la mediana de relaciones de precios es el valor central
10.6.2. Método de agregación ponderada
Con el fin de evitar las desventajas del método de agregación simple, asignamos un peso al precio
de cada artículo, puede ser la cantidad vendida durante el año base, durante el año dado o algún
año típico (puede ser un promedio de varios años). Tales pesos indican la importancia del artículo
en cuestión (denotados respectivamente por qo, qn y qt).
Índice de Laspeyres o método del año base:

pn q o
IL = .............................. (7)
po q o
Índice de Paasche o método del año dado:

pn q n
IP = .............................. (8)
po q n

Índice del año típico:
pn q t
IAT = .............................. (9)
po q t
Índice ideal de Fisher
pn q o pn q n
IIF = IL x IP = ( )( ) .............................. (10)
pn q o pn q n
El índice ideal de Fisher satisface los criterios de inversión temporal y de inversión de factores, lo
que confiere cierta ventaja teórica sobre otros números índices.
Índice de Marshall-Edgeworth
Usa un año típico en que los pesos se toman como la media aritmética de las cantidades del año
base y del año dado; es decir qt = ½(qo + qn). Sustituyendo este valor de q en la ecuación (9)
resulta:
pn ( q o qn )
IM E = .............................. (11)
po ( q o qn )
Obs. Los índices calculados por el método de agregación ponderada, tienen la desventaja que las
unidades escogidas al anotar los precios son diferentes. Ej. galones, libras, pares, etc.
10.6.3. Método del promedio ponderado de relaciones
Estos métodos eliminan las desventajas de los métodos anteriores.
Media aritmética ponderada de relaciones de precios, usando pesos del año base.
(p n / po )( po q o ) pn q o
MAPR / o = = ................... (12)
( po q o ) po q o
Media aritmética ponderada de relaciones de precios, usando pesos del año dado.
(p n / po )( pn q n )
MAPR / n = ..................................... (13)
( pn q n )
Media aritmética ponderada de relaciones de precios, usando pesos del año típico.
(p n / po )( pt q t )
MAPR / t = ..................................... (14)
( pt q t )
Números índices de cantidad o volumen

Índice de la media aritmética de relaciones de cantidad.
(q n / qo )
IMASRC .................................................... (15)
N
Índice de agregación ponderada de cantidad con pesos del año base.
q n po
IAPRC / o .................................................... (16)
q o po
Índice de agregación ponderada de cantidad con pesos del año dado.

q n pn
IAPRC / n .................................................... (17)
q o pn
(*) Las fórmulas (16) y (17) se llaman índices de volumen de Laspeyres y de Paasche
respectivamente.

Obs. En estas fórmulas se toman los precios como pesos, de forma parecida se modifican las
fórmulas (9) a (14).
Ejemplo 10.7
La tabla siguiente muestra los precios y cantidades de consumo de gallinas en lima metropolitana
para los años 1999 y 2000. Tomando 1999 como base, calcular el índice de precios para el año
2000 por los métodos:
Gallina Precio Cantidad

(Soles por kilo) (Unidades)
1999 2000 1999 2000
Negra 6.34 5.2 179 070 142 839
Colorada 4.62 4.53 328 770 328 648
Reproductora 4.17 4.69 736 837 657 179
Fuente: Centros de Acopio de San Luis, Independencia, San Miguel, Ate-Vitarte y Av. El Sol.
a) Índice de precios por agregación simple

b) Índice de la media aritmética simple de relaciones de precios
c) Índice de la media geométrica de relaciones de precios
d) Índice de la mediana de relaciones de precios
e) Índice de Laspeyres o método del año base
f) Índice de Paasche o método del año dado
g) Índice ideal de Fisher
h) Índice de Marshall-Edgeworth
i) Media aritmética ponderada de relaciones de precios usando pesos del año dado
Solución:
Precio Cantidad
Rp Pesos
Gallina (Soles por kilo) (Unidades)
p0 pn q0 qn pn/p0 pnqn
Negra 6.34 5.2 179 070 142 839 0.8202 742762.8
Colorada 4.62 4.53 328 770 328 648 0.9805 1488775.4
Reproductora 4.17 4.69 736 837 657 179 1.1247 3082169.5
Total 15.13 14.42 1 244 677 1 128 666 2.9254 5313707.8
Paasche Marshall
Laspeyres Pormedio
Gallina Edgewort
Ponderado
Pn q0 p0 q0 pn qn p0 qn pn(q0+q0) p0(q0+q0)
Negra 931164 1135303.8 742762.8 905599.3 1673927 2040903 609206
Colorada 1489328 1518917.4 1488775.44 1518354 2978104 3037271 1459773
Reproductora 3455766 3072610.3 3082169.51 2740436 6537935 5813047 3466517
Total 5876258 5726831.5 5313707.75 5164389.3 11189966 10891221 5535496
* Tabla trabajada en Excel.

a) Índice de precios por agregación simple
pn 14 .42
IPAS 0.9531 95 .31 %
p0 15 .13
b) Índice de la media aritmética simple de relaciones de precios
( p n / p0 ) 2.9254
IMASR 0.9751 97 .51 %
N 3
c) Índice de la media geométrica de relaciones de precios
p n(1) p n( 2) p n(3)
IMGR n 3 0.82 0.98 1.12 0.9671 96 .71%
p0(1) p0( 2) p0(3)
d) Índice de la mediana de relaciones de precios

IMR 0.9805 98.05%

e) Índice de Laspeyres o método del año base
p n q0 5876258
IL 1.0261 102 .61 %
p0 q0 5726831 .5
f) Índice de Paasche o método del año dado
pn qn 5313707 .75
IP 1.0289 102 .89 %
p0 q n 5164389 .3
g) Índice ideal de Fisher
IIF IL x IP 1.0261 1.0289 1.0275 102 .75 %
h) Índice de Marshall-Edgeworth
p n q0 qn 11189966
IM E 1.0274 102 .74 %
p0 q0 qn 10591221
i) Media aritmética ponderada de relaciones de precios usando pesos del año dado
( pn / p0 ) ( pn qn ) 5535496
MAPR / n 1.0417 104 .17 %
( pn qn ) 5726831 .5
Números índices de valor

Índice de agregación simple de valor.
p n qn
IASRV
p o qo
donde:
poqq : Valor total de todos los artículos en el período base.
pnqn : Valor total de todos los artículos en el período dado.
10.7. CAMBIO DE BASE EN LOS NÚMEROS ÍNDICES
Consiste en dividir todos los números índices para los diversos años correspondientes al período
base antiguo por los números índices correspondientes al nuevo período base, expresando los
resultados en porcentajes.
Este método es aplicable sólo en los números índices que satisfacen el criterio circular.
Así:
pj/1 = p1/pj = p1 = pk/1 , etc.
pj/k pk/pj pk
10.8. DEFLACIÓN DE SERIES EN EL TIEMPO
A veces los ingresos crecen teóricamente pero no real porque el aumento de sus ingresos no crecen
como crece el costo de vida, por lo cual hace que disminuya el poder adquisitivo.
El ingreso real se obtiene dividiendo el ingreso aparente entre el número índice del costo de vida en
el año.
Ejemplo 10.8
Sí los ingresos de una persona en 1997 son el 150% de sus ingresos en 1995 (ha crecido el 50%) y
el costo de vida se ha doblado (ICV=200%)
150
IR1997 = = 0,75 = 75%, lo que era en 1995
200

AUTOEVALUACIÓN
( ) El ciclo es una de las componentes de la serie de tiempo.

( ) La estación describe los movimientos ascendente y descendente debido al
tiempo o la estación del año.
( ) La necesidad de predecir es general en la decisión empresarial.
( ) El índice de precio de Layperes es un método de agregación no ponderado
( ) En ingreso real se obtiene dividiendo el ingreso aparente entre el número
índice del costo de vida en el año.
2. Los siguientes datos corresponden a la exportación mensual de espárragos en conserva (TM)

en 1999. Si además se sabe que X iYi 2,110 y X i2 110
Meses Ene. Feb. Marz. Abr. May. Jun. Jul. Agos. Set. Oct.
Exportación Yi 1.38 1.13 1.06 1.24 1.16 1.22 1.24 1.18 1.24 1.61
a) Graficar la serie de los datos

b) ¿Qué valor tiene la variable X? Y construir la ecuación de tendencia lineal. Interprete los
resultados de la ecuación de tendencia. ¿Qué tipo de tendencia tiene?
c) Realice el pronóstico de la exportación de espárragos para los meses de noviembre,
diciembre y enero de 2000.
3. En el cuadro siguiente se tiene de la exportación de Harina de Pescado en el período 1988 –

1997. Determinar los correspondientes números índices para cada uno de los diez años
utilizando como año base:
a) 1988 b) 1991 e) Interpretar

c) 1994 d) 1997
Años salarios Indices

1988 = 100% 1991 = 100% 1994 = 100% 1997 = 100%
1988 798
1989 1117
1990 1114
1991 1151
1992 1088
1993 1785
1994 2253
1995 1778
1996 1566
1997 1677
4. En la tabla siguiente se tienen los precios promedios en dólares y las cantidades de consumo
promedios en kilogramos de un artículo desde 1980 a 1982. Tomando como base el año 1980,
calcular los índices de precios, de cantidades, y los valores para 1981 y 1982.
Año Precio $ Cantidad Kg. Índice Índice cantidad Índice

precios valor
1980 15 6.5
1981 20 7.4
1982 25 7.8

5. En el siguiente cuadro se dan los promedios de los salarios, en dólares, de los trabajadores de
una empresa, de 1975 a 1983.
Calcular los correspondientes números índices para cada uno de los nueve años utilizando
como año base:
a) 1975 b) 1978 c) 1983
Años salarios Indices

1975 = 100 1978 = 100 1983 = 100
1975 310
1976 330
1977 370
1978 380
1979 430
1980 450
1981 480
1982 540
1983 570

EJERCICIOS PROPUESTOS
PRIMERA UNIDAD
En cada uno de los ejercicios interprete su resultado.
1. Queremos conocer con el 90% de confianza el peso medio de los empleados de cierta
empresa. En una encuesta entre dichos empleados y en una muestra de 45 de ellos se
encontró un peso medio de 68 kilos. Si la desviación estándar de los pesos de todos los
empleados de la empresa es 14 kilos, determine los límites del intervalo buscado.
2. Un estudiante desea conocer el gasto medio por usuario en la cafetería de su universidad.

Selecciona para ello una muestra al azar de 45 usuarios, encontrando en ella un gasto medio
de S/.30. Si aceptamos por encuestas anteriores la desviación estándar del gasto de los
clientes de la cafetería en S/.8 ¿cuáles serán los límites del 85% para el gasto medio?
3. En un experimento, el tiempo promedio para que 8 fusiles se quemen, cuando soportan un 25%
de sobrecarga, fue 12,5 minutos, con desviación estándar de 2,3 minutos. Determine el
intervalo del 99% de confianza para el tiempo promedio que este tipo de fusibles tarda en
quemarse cuando soporta un 25% de sobrecarga.
4. En una parada principal de camiones se ha llevado registros detallados de varias transacciones

con los clientes. En una muestra aleatoria de 25 de estos registros se encuentra una venta
promedio de 24,5 galones de combustible con desviación estándar de 3,8 galones. Construya el
intervalo del 95% de confianza para la media poblacional correspondiente si se acepta que las
ventas, siguen una distribución normal.
5. Cinco recipientes de un disolvente comercial tomados al azar de un gran lote de producción,

pesan 35.5; 35.3; 36.0; 35.0; y 35.8 libras. Construya el intervalo del 99% de confianza para el
peso medio de todos los recipientes de donde fue extraída la muestra.
6. En una muestra de 18 tubos de televisión la vida útil media de operación es 9000 horas con
desviación estándar de 600 horas, construya el intervalo de confianza del 99% para la vida
media de la población, si en este caso, la vida útil de operación de todos los tubos no pueden
suponerse normalidad distribuida.
7. Suponga que desea estimar la venta media por distribuidor, de un producto determinado en el
transcurso del año pasado. Determine el intervalo de confianza, del 95% si se supone que las
cantidades de venta de una muestra de 25 vendedores tienen una media de $ 6500 y una
desviación estándar de $350.
8. Se toma una muestra al azar de 38 alumnos, provenientes de una clase de 200 estudiantes,
encontrándose en ello un puntaje medio de 70 puntos con desviación estándar de 10 puntos en
la calificación, calcule el intervalo de confianza del 85% para la calificación de todos los
estudiantes.
9. En una muestra al azar de 25 presidentes de corporaciones industriales, se encontró que 16

tenían estudios superiores. Determine la estimación del intervalo del 98% de confianza para la
proporción de todos los presidentes de corporaciones industriales que tienen estudios
superiores.
10. Se seleccionó una muestra de 30 docentes de la Universidad Peruana Unión, con el objeto de
estimar la experiencia docente media de ellos. Los resultados obtenidos en la muestra (en
años) fueron:
4 4 6 2 3 4 6 2 4 3
6 4 3 4 4 7 3 4 5 6
1 6 4 5 4 3 2 4 3 4
Utilizando la información anterior:

a) Estimar puntualmente la media y la desviación estándar poblacional. Interpretar.
b) Obtener un intervalo con un 99% de confianza para estimar la experiencia docente media
de los profesores de la universidad Peruana Unión.

11. Se toma una muestra aleatoria de 45 alumnos de una población de estudiantes de estadística
de 221 alumnos, la cual arroja una media de 70 puntos y una desviación estándar de 9
puntos.
a) Estimar puntualmente el parámetro.
b) Estimar un intervalo de confianza del 98% para la media de los 221 alumnos.
12. Las estaturas de 100 estudiantes de la Facultad de Ciencias Contables y Administrativas,

representan una muestra aleatoria de las estaturas de los estudiantes matriculados. Si la
media de la muestra es de 1,69 metros y la desviación estándar es de 7 centímetros. Calcular
un intervalo de confianza del 99% para estimar la estatura media de los estudiantes de la
facultad.
13. Una muestra aleatoria de 50 calificaciones de un test mental arroja una media de 75 y una
desviación estándar de 10. Calcular un intervalo de confianza del 95% para estimar la media de
las calificaciones.
14. Utilizando la información del problema (13), diga Ud. con qué grado de confianza la media de
las calificaciones es 75 ± 1.
15. De una muestra aleatoria de 64 vehículos de transporte urbano, se ha calculado que el número
medio de pasajeros que suben por kilómetro es de 3,5. Estudios anteriores arrojan una
desviación estándar de la población de 1,6 pasajeros por kilómetro. Construya un intervalo de
confianza del 95% para el número medio de pasajeros por kilómetro para la población.
16. A 50 vendedores de la compañía A y 50 de la compañía B, se les sometió a la misma prueba

de interés vocacional, obteniéndose los siguientes resultados:
Compañía A Compañía B
X1 = 73,6 X2 = 72,4
S1 = 10 S2 = 8
Hallar un intervalo de confianza del 90% para estimar la diferencia verdadera en puntuación
media entre los vendedores de las compañías A y B.
17. En una campaña electoral, una encuesta previa a las elecciones hechas entre 100 electores
dio al candidato Juan Pérez el 60% del electorado a su favor. Construya un intervalo de
confianza del 98% para la proporción del electorado en favor de Juan Pérez.
18. Un gran comerciante de ropa al por menor, realizó un estudio para comparar la efectividad de
un anuncio en el periódico en una de dos ciudades grandes. Se publicó un anuncio extenso
en el periódico más importante de cada ciudad. Una organización de investigación de
mercado realizó, inmediatamente después, una encuesta telefónica con 1000 personas
seleccionadas al azar, que viven en un área suburbana de ingresos medios y altos, en cada
una de las dos ciudades, a fin de determinar la proporción que leyó el anuncio en cuestión.
Las proporciones eran:
p^1 = 0,18 y p^2 = 0,14. Determine un intervalo de confianza de 95% para la diferencia en las
proporciones de los adultos que leyeron el anuncio.
19. Se realizó una auditoría para estimar la diferencia en el promedio de la reducción porcentual
(debida a robos, daños, etc.) en el inventario de dos grandes almacenes. Se seleccionaron al
azar cien artículos de cada almacén y se registró el porcentaje de cada uno disponible
realmente, en comparación con el total indicado en los registros de inventario. La media y la
desviación estándar de la reducción porcentual para los 100 artículos aparecen en la
siguiente tabla para cada almacén. Estime la diferencia en el promedio de la reducción
porcentual entre los dos almacenes utilizando un intervalo de confianza del 95%. Interprete.
Almacén 1 2
Tamaño muestral 100 100
media muestral 5,3 6,4
desviación estándar 2,7 2,9
20. Suponga que usted es uno de los 60000 aficionados al fútbol que asistieron a un gran
estadio. Ha tomado una muestra aleatoria de 650 aficionados y encontró que 220 de ellos
eran mujeres. Estime la proporción poblacional del número de mujeres asistentes mediante
un intervalo de confianza del 96%.
21. Ante las continuas quejas que recibía el Jefe de oficina de que su secretaria se dedicaba gran
parte del tiempo a tareas ajenas a su trabajo, efectuó una serie de 250 observaciones al azar
sobre la labor que ella estaba desempeñando; 75 de ellas indicaban que la secretaria se
encontraba en estado no productivo. Podría usted señalar con el 95% de confianza, ¿Que
proporción de la jornada de trabajo la secretaria se encontraba en estado no productivo?
22. Se hizo un estudio de las causas de fracaso con una muestra de 400 pequeñas empresas
durante el año 1996. Si 264 de estas empresas tenían activos fijos superiores al 75% del
valor total en el momento del fracaso. Halle un intervalo de confianza del 95% para la
verdadera proporción de pequeñas empresas que fracasaron ese año y cuyos activos fijos
superaban el 75% del valor total en el momento de fracasar.
23. Una muestra aleatoria de 500 muertes de peatones en una gran área suburbana, se halló que
120 víctimas estaban cruzando la calle por fuera de un cruce señalado o bien por el medio de
la manzana. Hallar un intervalo de confianza del 99% de la verdadera proporción de muertes
de peatones en esa área suburbana en que los peatones cruzan una calle por paso sin
señalar o por el medio de una manzana.
24. Cierta compañía desea conocer la diferencia entre los salarios medios correspondientes a los
turnos diurnos y nocturno de los empleados que prestan servicios en ella. En una muestra de
50 empleados del turno diurno se encontró un salario medio de S/.600 con una desviación
estándar de S/.135. En una muestra de 60 empleados del turno nocturno se encontró un
salario medio de S/. 750 con desviación estándar de S/.210. ¿Qué podría afirmar usted con el
90% de confianza con relación a la diferencia de salarios medios de los empleados en ambos
turnos?
25. Una muestra de 200 pilas de la marca A para radio transistores tiene una vida media de 160
horas con desviación estándar de 12 horas y una muestra de 130 pilas a la marca B
proporciona una vida media de 128 horas con desviación estándar de 10 horas. Determine el
intervalo de confianza del 95% para la diferencia de la vida media entre las pilas de las marcas
A y B.
26. En una muestra de 12 facturas correspondientes a la venta del fin de semana se encontraron 3
de ellas con errores, pero en una muestra de 15 facturas correspondientes a las ventas del
principio de semana se detectaron 5 de ellas con errores. ¿Qué podría usted afirmar con el 99%
de confianza respecto a la diferencia de proporciones de facturas con errores entre ambos
grupos de días de la semana?
27. En un banco A se seleccionó una muestra sencilla de 350 personas entre sus numerosos
cuentacorrentistas; simultáneamente el banco B seleccionó una muestra sencilla de 180
personas entre sus numerosos cuentacorrentistas. Se detectó que 70 personas del banco A, 48
del banco B pertenecientes a las muestras respectivas estaban utilizando en forma regular otros
servicios que ofrecía el banco del que eran clientes. Estime con el 92% de confianza la
diferencia entre las proporciones de clientes con cuentas corrientes en los bancos A o B que
utilizan regularmente otros servicios ofrecidos por los bancos.
28. Una muestra sencilla de 250 ciudades seleccionadas de la producción del turno de día
contienen 22 unidades defectuosas mientras que en una muestra sencilla de 250 unidades
seleccionadas de la producción del turno nocturno contiene 36 unidades defectuosas.
Estime la diferencia en la proporción de unidades defectuosas entre los turnos de día y de la
noche con un intervalo de confianza del 98%.
29. Se ha hallado que 4 de las 16 pantallas para TV: tomadas de las producidas por el proceso A
tenían defectos y dos de las 12 tomadas de las producidas por el proceso B. Determine la
estimación para la verdadera diferencia entre las proporciones de pantallas defectuosas
producidas por cada uno de los procesos A y B, con el 99% de confianza.
30. Deseamos estimar la diferencia entre los efectos producidos por una píldora para dormir en
hombres y mujeres. Tomemos una muestra de 36 hombres y en ella se obtiene una media
muestral de 8,75 horas con varianza 9, mientras, que en una muestra de 64 mujeres se obtiene

una media muestral de 7,25 horas con varianza de 4. Determine los límites del intervalo del
95% de confianza para la verdadera diferencia entre las horas promedio de sueño entre hombre
y mujeres.
SEGUNDA UNIDAD
1. El resultado promedio sobre una prueba de aptitud tomada a nivel nacional fue de 76 puntos
y la desviación estándar correspondiente fue de 8 puntos. Con el fin de evaluar el estado del
sistema de educación, se escogieron al azar 100 estudiantes de una localidad. Estos
obtuvieron un promedio de 72 puntos. Utilizando un nivel de significación del 5% Puede
concluir que los resultados locales difieren significativamente del promedio nacional.
2. Un bibliotecario universitario está interesado en determinar su ha cambiado o no el número

promedio de libros que cada estudiante saca por visita. Anteriormente se sacaba un promedio
de 3,5 libros. Sin embargo en una muestra de 30 estudiantes dio un promedio de 4,2 libros por
visita, con una desviación estándar de 1,8 libros. Utilizando =0,05, el bibliotecario podrá
concluir, que ha cambiado el promedio de libros sacados por visita.
3. Cierta compañía compra un gran lote de cables de acero indicando que la resistencia media
deseada, a la tracción era de 120,5 libras con desviación estándar 1,8 libras. Basándose en la
inspección de 100 cables en la muestra, se encontró que la media a la tracción era de 115
libras. ¿Aceptara el comprador la mercadería al nivel de significación 5%?
4. Cierta empresa sostiene que tiene un sistema de entrenamiento mediante el cual puede mejorar
el ritmo de trabajo de una secretaria en 40 palabras por minuto. Usted que ha permitido que 120
de las secretarias de su empresa sigan el curso ha observado que la mejora ha sido
únicamente de 38,5 palabras con desviación estándar 8 palabras en una muestra de 70 de
ellas. Determine si lo afirmado por el responsable del sistema de entrenamiento está o no
sobreestimado al utilizar los niveles de significación del 1% y del 5%.
5. Suponga que un grupo de secretarias escribe un promedio de 50 palabras por minuto. Un grupo
de secretarias de una determinada escuela presenta la velocidad de palabras por minuto
siguiente: 55, 85, 50, 60, 45, 50, 75, 65, 80, 60, 75, 50, 80, 80, 50, 80. ¿Podríamos aceptar al
nivel del 1% que esta escuela gradúa mejorar secretarias?
6. Un proveedor vende fibras naturales a una fábrica, señala que las fibras tienen una resistencia
media de 33 libras y una varianza de 64. Una muestra aleatoria de 25 libras da una resistencia
media de 30 libras. El comprador sostiene que la resistencia media de todas las fibras del
embarque es de 30 y no de 33 libras como pretende el vendedor. ¿Qué opinará usted al nivel
del 5%?
7. La empresa que fabrica cierta clase de tubos fluorescentes pretende que tienen la vida
promedio de 1600 horas con desviación 160 horas, pero una muestra aleatoria de 64 tubos dio
una media de 1540 horas. ¿Estaría usted de acuerdo con el fabricante a un nivel del 2%?
8. Se ha diseñado un camión para trasladar 6,8 tn. de tierra por viaje. En una operación de ensayo
se hicieron 120 cargas como muestra, que arrojaron una media de 6,0 toneladas, con una
varianza de 2,25. Basándose en la información de la muestra, descartará usted la hipótesis nula
a favor de algunas de las hipótesis alternativas siguientes?
a) media menor de 6,3 nivel del 5%
b) media menor de 6,3 nivel del 1%
b) media diferente de 6,3 nivel del 5%
9. Un Organismo Gubernamental de Control analiza una muestra de 36 paquetes de carne que

vende el supermercado. El rótulo de cada paquete dice "no contiene más de 25% de grasa".
Puede el Organismo Gubernamental concluir que la carne que vende el supermercado tiene
más del 25% de grasa si la muestra arroja un contenido medio de 0,265 con desviación
estándar 0,08? Utilice nivel 5%.
10. En cierto modelo de automóviles se afirma que el kilometraje medio es de 12 kilómetros por
litro de gasolina corriente. Un organismo de defensa del consumidor piensa que ese
kilometraje es exagerado. Nueve automóviles de este modelo son conducidos del mismo
modo con un litro de gasolina corriente. Los kilómetros recorridos por los diversos
automóviles son 12; 11; 10.5; 11.5; 11; 12.5; 10; 10.5; 11.3. Al nivel del 1% ¿Qué conclusión
deberá llegar el organismo de defensa del consumidor?
11. Suponga el promedio de clientes que entran a una tienda, por día era de 175, se hace una
campaña publicitaria durante 7 semanas. Durante la campaña el promedio de clientes aumentó
a 181 por día con varianza 441. ¿Aumentó en forma significativa el número de clientes que
entran a la tienda gracias a la campaña, al nivel del 1% o al nivel del 5%?
12. Una muestra aleatoria de 500 alumnos de la Universidad Peruana Unión, da 100 alumnos en el
primer ciclo. El Director de Bienestar Estudiantil afirma que la proporción de alumnos de primer
ciclo es de sólo 15%. Usando = 0,01 puede concluir que es correcta la afirmación del Director
de Bienestar?
13. Aproximadamente 1 de cada 10 consumidores favorecen el refresco de cola marca A. Después

de una campaña de promoción en una región de ventas dada, se seleccionó aleatoriamente
200 bebedores de ese producto de los consumidores en el área del mercado se les entrevistó
para determinar la efectividad de la campaña. El resultado de la encuesta mostró que un total
de 26 personas expresó su preferencia para la bebida marca A. ¿Son los datos suficientes para
indicar un aumento en la aceptación de la marca A en la región?
14. Cierta TV, afirma que el 70% de los aparato de TV, sintonizan un programa especial, su
competidor pone ello en duda y al tomar una muestra aleatoria de 250 familias encuentra una
proporción del 68% ¿Puede el competidor al nivel del 5% afirmar que su supuesto era válido?
15. Varios años de experiencia han señalado que la máquina Nº36 en promedio produce un 10%
de artículos defectuosos. El ingeniero de control de calidad sospecha que Últimamente la
calidad de producto manufacturado se ha deteriorado. Toma una muestra aleatoria de 100
unidades y encuentra 14 defectuosos. Al nivel del 5%, ¿a qué conclusión debe llegar el
ingeniero?
16. La proporción de audiencia en TV que ve cierto programa fue del 50% según se ha encontrado
previamente. Se sospecha que la proporción ha bajado al 40%. Una muestra de 100
televidentes a quienes se entrevistó dio como resultado 45 veían el programa. Al nivel del 2,5%
concluiremos que la proporción ha bajado realmente al 40%?
17. Un editor asegura que los estudiantes que reciben instrucción en matemáticas usando un nuevo
texto, obtendrán mejor rendimiento que los que usan el texto antiguo. Se seleccionan
aleatoriamente 36 estudiantes de cada tipo obteniéndose la siguiente información:
Nuevo Texto Texto antiguo

X1= 83 X2 = 79
S1 = 7 S2 = 5
Usando un nivel de significación del 1% puede Ud. concluir que la aseveración del editor es
correcta.
18. Un profesor de estadística dividió a los alumnos de contabilidad en dos grupos cada uno con 36
estudiantes, al primer grupo se le asignó un ambiente cómodo con todos los implementos necesarios
para utilización de material didáctico, al segundo grupo se le asignó un ambiente usado
comúnmente, al final del ciclo se obtuvieron los siguientes resultados:
Grupo 1 Grupo 2
X1= 17 X2 = 14
S1 = 7 S2 = 5
Usando =0,01 podría asegurar que el rendimiento de ambos grupos son iguales.
19. Se presentó un mismo examen a dos grupos diferentes. El primero de 48 alumnos con
rendimiento 72 puntos y la desviación 12. El segundo con 36 estudiantes, media 75 y
desviación 6. ¿Hay, al nivel del 5%, diferencia significativa entre las medias obtenidas?
20. Una persona posee dos granjas. El peso medio de 10 pavos de la primera fue 14,35 libras con
desviación 2,5 libras, mientras que en la segunda 20 pavos tuvieron peso medio 12,19 lbs. con
desviación dos libras. ¿Habrá diferencia significativa entre las medias obtenidas?
21. A un grupo de personas se le aplicó un test de aptitud acerca de tema polémico. Luego el grupo
asistió a la proyección de una película favorable al tema, y acto seguido se le propuso el mismo
test. Los resultados fueron:
Antes: 16 18 20 24 24 22 20 18 10 8 20
Después: 24 20 24 28 30 20 24 22 18 18 24
Contrastar al 1%.
22. A 10 hombres jóvenes se los sometió el ejército a un programa de entrenamiento físico

intensivo. Se anotaron sus pesos antes y después del programa encontrándose:
Antes: 127 195 162 170 143 205 168 175 197 136
Después: 135 200 160 182 147 200 172 185 194 141
Al 5%, ¿afecta el programa el peso?
23. Una gran casa de descuento anuncia que sus precios son inferiores a los de su competidor
más fuerte. Para probar la validez de su declaración, se seleccionan al azar 15 artículos y se
comparan. Los resultados son los siguientes:
Casa de Competidor
descuento
3,77 3,95
7,50 7,75
4,95 4,99
3,18 3,25
5,77 5,98
2,49 2,39
8,77 9,49
6,98 6,49
2,99 2,95
1,98 2,49
0,49 0,52
5,50 5,82
0,89 0,98
6,49 6,66
5,49 5,55
¿Cuál es su conclusión para =5%?
24. Un fabricante modificó una línea de producción para reducir el promedio de la fracción de
defectuosos. Para determinar si la modificación fue efectiva, el fabricante sacó una muestra
aleatoria de 400 artículos antes de la modificación de la línea de producción y otra muestra
aleatoria de 400 artículos después de tal cambio. Los porcentajes de defectuosos en las
muestras eran:
antes: 5,25%
después: 3,5 %
a) ¿Qué tendrá que escoger el fabricante como hipótesis alternativa, si la modificación no

pudiera incrementar la fracción de defectuosos? ¿Qué escogería para la hipótesis nula?
b) Lleve a cabo la prueba utilizando = 0,05. Interprete.
25. Una muestra de 400 amas de casa señala que el 20% prefería cierta marca de detergente a
las demás. Después de una gran campaña por radio y TV, se seleccionó otra muestra de 60
amas de casa, la que dio el 22% de preferencia para la misma marca anterior. Al nivel del
10%, rechazará la hipótesis de que la campaña fue ineficaz?
26. El Sr. Pérez, tiene dos grupos de alumnos el A y el B. Somete a un entrenamiento especial al A
pero no lo hace con el B. Al final del curso 108 de los 120 estudiantes del A aprobaron el curso
mientras que 68 de los 80 del B lo hicieron. Probar la hipótesis al 5% de que el entrenamiento
especial ayudó a los del grupo A.

TERCERA UNIDAD
1. En 12 depósitos al por menor se establecieron cuatro tipos de exhibiciones de publicidad, con

tres depósitos asignados en forma aleatoria a cada una de las exhibiciones con el propósito
de estudiar el impacto de la exhibición en el punto de venta. Refiriéndose a la tabla siguiente,
pruebe la hipótesis de que no existen diferencias entre las medias de los valores de venta
para los cuatro tipos de exhibiciones, usando un nivel de significación del 5%.
VENTAS DE ACUERDO A LA EXHIBICIÓN

DE PUBLICIDAD
Tipo de Ventas
Ventas
exhibición totales
A1 40 44 43 127
A2 53 54 59 166
A3 48 38 46 132
A4 48 61 47 156
2. La tabla siguiente presenta los datos de venta para un producto de consumo en ocho
regiones seleccionadas aleatoriamente. Pruebe el efecto de los dos factores y de la
interacción entre los dos factores sobre los niveles de venta semanales, usando un nivel de
VENTAS SEMANALES, EN MILES DE DÓLARES, CON Y SIN

PUBLICIDAD Y, CON Y SIN DESCUENTO EN LOS PRECIOS
Publicidad
Descuento en Total,
los precios Con Sin Tj
Con 9,8 6,0 31,7

10,6 5,3
Sin 6,2 4,3 21,5

7,1 3,9
Total Tk 33,7 19,5 Gran total

T=53,2
3. Los modelos producidos por cuatro diseñadores de automóviles son evaluados por tres
peritos distintos, como se indica en la siguiente tabla. Pruebe la hipótesis de que las
clasificaciones promedio de los diseños no son diferentes, usando un nivel de significación del
1%.
CLASIFICACIONES DE LOS DISEÑOS DE

AUTOMÓVILES
Diseñador
Total,
Perito
1 2 3 4 Tj
A 87 79 83 92 127
B 83 73 85 89 166
C 91 85 90 92 132
Total Tk 261 237 258 273 Gran total

T=1029

4. Supóngase que queremos comparar la acción limpiadora de tres detergente con base en las
siguientes lecturas de blancura en 15 muestras de tela blanca, que primero se mancharon con
tinta china y después se lavaron en una máquina tipo agitador con los detergente respectivos.
Pruebe al nivel de significación de 0.01 si las diferencias entre las medias de las lecturas de
blancura son significativas
DETERGENTE A 77 81 71 76 80
DETERGENTE B 72 58 74 66 79
DETERGENTE C 76 85 82 80 77
5. Completar la siguiente tabla de análisis de varianza (ANVA)

VARIACION CUADRADO LIBERTAD CUATRADTICA
S
Tratamiento 2
Error 9 10
Total 120
6. Los siguientes son los números de hornos de microondas que venden cada uno de los
vendedores de las tres sucursales de una compañía distribuidora de artículos domésticos
SUCURSAL ALFA 21 11 17 28
SUCURSAL BETA 27 15 18 26 17 21
SUCURSAL GAMMA 24 17 31 12 15
Realice un ANVA para probar, con un nivel de significancia de 0.05, si la hipótesis nula de que en
promedio las ventas de las tres sucursales son las mismas.
7. Un investigador realizó un experimento para evaluar los efectos de 4 drogas diferentes sobre
los tiempos de reacción, en seres humanos. A cuatro sujetos de cada uno de los 5 grupos de
edades que formó se le asigno una de las cuatro drogas. La siguiente tabla da los tiempos de
reacción ante determinado estímulo después de haber sido aplicadas las drogas (los datos se
han codificado para facilitar los cálculos). Después de eliminar el efecto de la edad, ¿puede el
investigador concluir que las drogas tienen diferentes efectos?
Grupo DROGA
edad A B C D
1 6 7 4 7
2 6 8 9 9
3 9 12 8 6
4 8 9 5 9
5 8 10 7 6
8. Un ejecutivo de marketing llevó a cabo un estudio para examinar el efecto comparativo de 3

técnicas diferentes de promoción en 4 zonas diferentes de ventas y obtuvo los resultados
mostrados en la tabla siguientes. Determinar las conclusiones a las que puede llegar usando
los resultados de la tabla ANVA y formule en forma clara las hipótesis de contraste.

VARIACION CUADRADOS LIBERTAD CUADRATICA
Entre técnicas 7.48
promocionales
Entre zonas de 3
ventas
Error 3.90 6
Total 11.41 11

CUARTA UNIDAD
1. Basado en un nuevo enfoque tecnológico un fabricante ha desarrollado un televisor en colores,
con un tubo de 36 pulgadas. El propietario de un pequeño almacén minorista estima que al
precio de venta de $1800, los valores de probabilidad asociados con el hecho que él venda
2,3,4 ó 5 televisores durante los tres meses que nos interesan, son 0,30, 0,40, 0,20 y 0,10
respectivamente. Con base sólo en estos valores de probabilidad, ¿Qué número de televisores
debería pedir el minorista para tener en inventario, suponiendo que no se pueden efectuar
nuevas órdenes durante el período?
2. Para la situación de decisión de inventarios del problema (1), el margen de utilidad para cada
televisor vendido es $200. Si no se venden algunos televisores durante los tres meses, la
pérdida total por aparato, para el minorista, será de $300. Basándose sólo en consecuencias
económicas determine los mejores actos de decisión desde el punto de vista de los criterios
maximin, maximax y la pena minimax
3. Con referencia al ejercicio (1) y (2), determine el mejor acto desde el punto de vista del criterio
bayesiano y la pena esperada de oportunidad.
4. La tabla siguiente presenta los valores condicionales (retornos) asociados con cinco tipos
alternativos de decisiones de inversión para un período de 1 año. Dado que las
probabilidades relacionadas con los posibles enunciados no están disponibles, determine los
mejores actos desde el punto de vista de los criterios: maximin, maximax, pena minimax.
Decisión de inversión
Estado de la Cuenta Bonos Valores1ra Acciones Acciones
economía de corporativos clase especulativas opcionales
ahorros
E1:Recesión $600 $500 $(2500) $(5000) $(10000)
E2:Estable 600 900 800 400 (500)
E3:Expansión 600 900 4000 10000 20000
5. Un analista de inversiones estima que existe cerca de 50% de probabilidad de un "vuelco

hacia arriba" en la industria química durante el 1er trimestre del año, y que las probabilidades
de que "no haya cambio" y de que se presente "un vuelco hacia abajo" sean iguales. Un
cliente está considerando invertir ya sea $10000 en un fondo mutuo que se especializa en
acciones comunes de la industria o invertir en bonos corporativos de la categoría AAA que
producen 8% al año. Si la industria química experimenta un vuelco hacia arriba en el 1er
trimestre, el valor de las acciones del fondo mutuo (incluyendo dividendos) aumentará en 15%
durante los próximos 12 meses. Si no hay cambio, el valor aumentará en 3%. Si se presenta
un vuelco hacia abajo, el valor disminuirá en 10%. Sin considerar los costos de comisión,
construya una tabla de decisión para este problema de inversión.
6. Para el ejercicio (5) determine el mejor acto desde el punto de vista de los criterios: maximin,
maximax, pena minimax, bayesiano y pena esperada de oportunidad.
7. Un comerciante minorista compra un cierto producto en $3 la caja y lo vende a $5 la caja. El alto

margen de ganancia refleja la perecibilidad del producto, ya que después de 5 días no tiene
valor. Basándose en la experiencia con productos similares, el minorista confía en que la
demanda por este artículo será alrededor de entre 9 y 12 cajas. Construya una tabla de decisión
adecuada. Determine el mejor acto desde el punto de vista de los criterios: maximin, maximax,
pena minimax.
8. Tomando como base el ejercicio (7), el comerciante minorista estima que los valores de
probabilidad asociados con la venta de 9 a 12 cajas del artículo son 0,30, 0,40, 0,20 y 0,10
respectivamente. Determine los mejores actos de decisión desde el punto de vista de los
criterios: bayesiana y pena esperada de oportunidad.
9. Un inversionista está considerando colocar un depósito de $10000 para reservar la

oportunidad de concesión por 1 año en un nuevo sector residencial. Existen dos áreas de
incertidumbre asociadas con esta situación de decisión secuencial: si un competidor de
primera clase decidirá o no ubicar un negocio en el mismo sector y si el área residencial se
desarrollará o no como mercado moderado o grande. El inversionista estima que hay una
probabilidad de 50 a 50% que el sistema de concesión de la competencia establezca un
negocio. De esta manera, el inversionista debe decidir primero si hace el pago base de
$10000. Después de conocer la decisión del competidor, el inversionista debe decidir si
construye o no el negocio. Si hay competencia y el mercado es grande, la ganancia neta
durante el período correspondiente se estima en $15000; si el mercado es moderado, habrá
una pérdida neta de $10000. Si no hay competencia y el mercado es grande, la ganancia
neta será de $30000; si el mercado es moderado, habrá una ganancia neta de $10000. El
inversionista estima que hay alrededor de 40% de probabilidad de que el mercado sea
grande. Usando el análisis de árbol de decisión, determine si debe o no hacerse el depósito
inicial de $10000.
QUINTA UNIDAD
1. Se calcularon las medias y las amplitudes de 30 muestras de tamaño n = 10 para un proceso
fueron x = 20.74 y R =3.49.
a) Señale una estimación mediante la amplitud para la desviación estándar del proceso.
b) Explique porque una desviación estándar muestral, calculada a partir de 300
observaciones de 30 muestras, podría producir una mejor estimación de que la
estimación mediante el “rango”.
c) Utilice los datos para determinar los límites superior e inferior de control para una gráfica.
d) ¿Cuál es el propósito de un diagrama de x ?
e) Construya un diagrama de x para el proceso y explique como se puede aplicar.
2. Se calcularon las medias y las amplitudes de 40 muestras de tamaño n = 5 para un proceso

fueron x = 155.9 y R = 17.2.
a) Señale una estimación mediante la amplitud para la desviación estándar del proceso.
b) Utilice los datos para determinar los límites superior e inferior de control para un diagrama
de x.
c) Construya un diagrama de x para el proceso y explique cómo se puede usar.
3. Utilice la información del Ejercicio 1 para elaborar un diagrama de R. ¿Cuál es el propósito de

una gráfica de R?
4. Utilice la información del Ejercicio 2 para trazar una gráfica de R. ¿Cuál es el propósito de un
diagrama de R?
5. Un restaurante registra y grafica la media y la amplitud de las ganancias o pérdidas diarias en

cinco mesas en gráficas de x y R. Las medias de las medias y de las amplitudes para 40
semanas fueron:
x = $10 752 (dólares) y R = $6 425
a) Trace una gráfica de x para la ganancia media diaria por mesa de juego
b) ¿Qué ventajas obtendría el gerente del restaurante con la gráfica de x ?
6. Trace una gráfica de R para la ganancia diaria por mesa. ¿Qué ventajas obtendría con está
gráfica el gerente del restaurante?
7. El gerente del restaurante del Ejercicio 5 también graficó las ganancias o pérdidas diarias para
cada mesa. Es esencialmente un diagrama de x para el caso particular cuando n = 1. La
ganancia media, para la mesa 1, calculada según 40 días, fue x = $10 940 (dólares), y la
desviación estándar de la muestra fue de $5 130.
a) Si la ganancia x para el que atiende en la mesa 1 tuviera una distribución con media y
desviación estándar , ¿dentro de qué limites esperaría que cayera x casi todos los
días?
b) Ya que dispone de estimación para y trace una gráfica de x (n = 1) para las

ganancias diarias en la mesa 1.
c) ¿Qué valor tendría la gráfica del inciso (b) para el gerente del restaurante?
8. Una planta energética que quema carbón, prueba y mide tres muestras de combustible
diariamente para vigilar el porcentaje de ceniza en éste. Las medias de las 30 medias y
amplitudes muestrales fueron x =7.24 y R =0.27.
a) Trace una gráfica de x para el proceso y explique que ventajas puede obtener de ella el
superintendente de la planta.
b) Construya una gráfica de R para el proceso. Explique que beneficios se pueden obtener
del diagrama.
9. Explique la diferencia entre los diagramas de p y de c.
10. Se seleccionaron muestras de n = 100 artículos cada hora durante 100 horas, y se calculó la
proporción muestral de defectuosos por hora. La media de las 100 proporciones muestrales
fue de 0.035.
a) Utilice los datos para obtener los límites superior e inferior de control para un diagrama de
p.
b) Trace una gráfica de p para el proceso y explique como se puede aprovechar.
11. Se seleccionaron muestras de n = 200 artículos cada hora durante 100 horas, y se calculó la
proporción muestral de defectuosos por hora. La media de las 100 proporciones muestrales
fue de 0.041.
a) Utilice los datos para obtener los límites superior e inferior de control para un diagrama de
p.
b) Construya un diagrama de p para el proceso y explique como se puede utilizar.
12. Se registro el número de c de defectos de horarios por unidad durante 100 horas, y el número
medio de defectos por unidad fue igual a 0.7.
b) Use los datos para obtener los límites superior e inferior de control para un diagrama de c.
c) Construya un diagrama de c y explique como se puede utilizar.
14. Se registro el número de c de defectos de horarios por unidad durante 200 horas, y el número
medio de defectos por unidad fue igual a 1.3.
b) Utilice los datos para obtener los límites superior e inferior de control para un diagrama de
c.
c) Construya tal gráfica y explique como se puede emplear.
15. Un fabricante de remaches de latón muestra 400 piezas cada hora y calcula la proporción de
defectuosos en la muestra. La proporción muestral media, calculada para 200 muestras fue
igual a 0.021. Trace una gráfica de control para la proporción de defectuosos en muestras de
400 remaches. Explique que ventajas puede lograr el administrador con la gráfica de control.
16. Un director de personal localiza el número de accidentes personales en la planta por mes en
una gráfica de control. En un periodo de 30 meses, el promedio del número de accidentes por
mes fue de 3.7. Elabore un diagrama de control y explique como se podrá utilizar.
17. Una compañía registra y localiza en una gráfica de control el número de quejas de control el
número de quejas de clientes recibidas semanalmente. El promedio del número de quejas
recopiladas durante 52 semanas, fue de 4.9 quejas semanales. Trace una gráfica de control
para el número de quejas de clientes por semana. Diga que valor representa la gráfica de
control para un administrador o gerente.
18. El director de una compañía de materiales para la construcción muestra al azar madera nueva
a fin de comprobar si satisface las especificaciones de calidad. Se examinan 100 piezas de
madera, de 2 x 4 pulgadas, de cada cargamento y se juzga según si son de primera clase
(aceptables) o de segunda (defectuoso). Las proporciones de las piezas 2 x 4 de segunda

clase, registradas para 30 cargamentos fueron:
0.14, 0.21, 0.19, 0.18, 0.23, 0.20, 0.25, 0.19, 0.22, 0.17, 0.21, 0.15, 0.23, 0.12, 0.19, 0.22,
0.15, 0.26, 0.22, 0.21, 0.14, 0.20, 0.18, 0.22, 0.21, 0.13, 0.20, 0.23, 0.19, 0.26.
Construya una gráfica de control para la proporción de piezas de segunda clase en muestras de
100 de los envíos. Diga que utilidad puede tener el diagrama de control para el gerente de la
compañía.
SEXTA UNIDAD
1. El gerente de personal de una empresa considera que puede haber una relación entre el
ausentismo y la edad, y querría usar la edad de un empleado para predecir el número de días
de ausencia durante un año de calendario. Se selecciona una muestra aleatoria de 10
empleados, con los resultados presentados en la tabla siguiente:
Edad 27 61 37 23 46 58 29 36 64 40
(años)
Días 15 6 10 18 9 7 14 11 5 8
ausente
a) Grafique el diagrama de dispersión

b) Determine la línea de regresión y sobre x
c) ¿Cuántos días predeciría usted que va a estar ausente un empleado de 30 años de edad?
d) Calcule el error estándar de la estimación
e) Calcule el coeficiente de correlación e interprete su significado
2. Los datos que se presentan en la tabla adjunta, se refieren a ingresos mensuales en miles de
soles y los gastos en alimentación mensual en miles de soles, en base a esa información:
Ingreso 3 5 6 7 7
Gasto 2 3 4 6 5
a) Graficar la nube de puntos o diagrama de dispersión

b) Ajustar dicha información a una regresión lineal de Y sobre X
c) Hallar el error estándar de estimación
d) Hallar el coeficiente de correlación e interprete
e) Si la familia tiene un ingreso de 10 ¿cuál será su gasto en alimentos?
3. Un funcionario de un hipódromo querría pronosticar la cantidad de dinero apostado (en miles

de dólares) con base en la asistencia de público. Se selecciona una muestra aleatoria de 10
días y los resultados se presentaron en la tabla siguiente:
Dia 1 2 3 4 5 6 7 8 9 10
Asistencia (miles) 14.5 21.2 11.6 31.7 46.8 31.4 40.0 21.0 16.3 32.1
Cantidad apostada 0.70 0.83 0.62 1.10 1.27 1.02 1.15 0.80 0.71 1.04
(miles dolares)
a) Constrúyase una nube de puntos o diagrama de dispersión y trácese la recta de regresión.

b) Verifique que la regresión de la muestra es y= 0.422+0.019x
c) Calcular el coeficiente de correlación e interprete
d) Prediga la cantidad apostada en un día en que hay una asistencia de 20 000 personas
4. En la siguiente tabla se tiene los datos de las variables edad y el tiempo de servicios de los
trabajadores, para el efecto se consideró una muestra de 15 trabajadores de una empresa.
Edad 48 40 30 39 46 42 27 36 34 46 32 42 40 32 27
Tiempo de
servicios 24 18 9 14 22 22 4 13 10 20 12 18 16 8 6
a) Constrúyase un diagrama de puntos para los datos y trácese la recta de regresión.

b) Determínese la ecuación de la recta de regresión “Y sobre X”
c) Calcular el error estándar de estimación.
5. Se realizó un experimento en un supermercado para observar la relación entre la cantidad de

espacio para exhibición asignado a una marca de café, y sus ventas semanales. Se distribuyó
la cantidad de espacio disponible para exhibición de 3, 6 y 9 pies cuadrados, respectivamente,
de manera aleatoria durante 12 semanas; el espacio asignado a las otras marcas se mantuvo
constante en 3 pies cuadrados para cada una.
Ventas 526 421 581 630 412 560 434 443 590
570 346 672
Espacio 6 3 6 9 3 9 6 3 9
6 3 9
a) Obtenga la recta de mínimos cuadrados apropiados para los datos

b) Calcule e interprete r.
c) Encuentre un intervalo de confianza de 90% para las ventas semanales, dado que se
asignan 6 pies cuadrados para la exhibición.
6. Los valores de X e Y son los siguientes:
X 2 3 4 5 6
Y 1 2 3 3 6
a) Calcular el coeficiente de correlación

b) Multiplicar por 2 los valores de X y por 3 los valores de Y, y calcular seguidamente el
coeficiente de correlación correspondiente a estas dos nuevas series
c) Comente los resultados
7. Un Estadístico de una fábrica de automóviles querría desarrollar un modelo estadístico para

predecir el tiempo de entrega (el número de días entre la fecha del pedido y la fecha de
entrega del automóvil) de automóviles nuevos ordenados con mucho equipo opcional. El
estadístico cree que hay una relación lineal entre el número de opciones pedidas y el tiempo
de entrega. Se selecciona una muestra aleatoria de 16 automóviles con los resultados
presentados en la tabla siguiente:
Núm. 3 4 4 7 7 8 9 11 12 12 14 16 17 20 23
opcio. 25
orden.
Tiempo 25 32 26 38 34 41 39 46 44 51 53 58 61 64
de 66 70
entrega
a) Grafique el diagrama de dispersión

b) Utilice el método de mínimos cuadrados para encontrar los coeficientes de regresión a y b
c) Si se ordenó un automóvil que tuviera 16 opciones, ¿cuántos días predeciría usted que se
tardarían para la entrega?
d) Calcule el error estándar de la estimación.
e) Calcule el coeficiente de correlación e interprete su significado
9. Se tiene un registro de los costos de mantenimiento para seis máquinas idénticas de distintas
edades. Por parte de la gerencia se desea determinar si existe una relación funcional entre la
edad de la máquina (X) y el costo de mantenimiento (Y). Se obtienen los siguientes datos.
Maquina 1 2 3 4 5 6
X 2 1 3 2 1 3
Y $70 40 100 80 30 100
Obténgase la ecuación de regresión con “X” como variable independiente y “Y” como variable
dependiente. ¿Cuál sería el costo de mantenimiento para una máquina de cuatro años?
10. Por parte de una compañía publicitaria se desea determinar si el número de comerciales de
televisión (X) está relacionado con el número de ventas (Y) de cierto producto. Se obtienen los
siguientes datos:

X 9 11 14 4 6 6 5 16 8 1 13
15
Y 29 67 49 12 10 24 10 58 28 10 77
94
a) Trácese un diagrama de dispersión para los datos
b) Determínese la regresión de Y sobre X
c) Obténgase el coeficiente de regresión r
11. En una compañía de seguros se desea determinar la relación entre los años de experiencia en
ventas de sus vendedores y su volumen de ventas. Se selecciona una muestra aleatoria de
nueve vendedores y se encuentra que sus años de experiencia (X) y ventas anuales (Y) son
los siguientes:
X 1 2 3 4 5 6 7
8 9
Y ($ 100 2 1 3 3 4 5 6
000) 5 7
a) Constrúyase un diagrama de dispersión y trácese la recta de regresión de Y sobre X en el
diagrama.
b) Estímese el volumen de ventas anuales para un vendedor que tiene una experiencia en
ventas de diez años.
c) Hallar el error estándar de estimación
d) Determínese el coeficiente de regresión r.
SEPTIMA UNIDAD
1. Determinar una aplicación de la predicción con el modelo de series temporales en el campo

de su especialización. Señalar las características que hacen que esta aplicación sea
apropiada y útil.
2. Determinar una aplicación de la predicción en el campo de su especialización y en la cual sea

preferible utilizar variables auxiliares. Identificar estas variables.
3. El gerente de una tienda local de mediana importancia, dispone de un conjunto de

estacionales mensuales de las ventas. Si se dividen las ventas mensuales por estas
estacionales, se obtienen ventas mensuales ajustadas estacionalmente. ¿Qué utilidad
podrían tener estas cifras ajustadas?
4. Se trata de predecir las construcciones mensuales, completadas en un Estado en los dos

años venideros. Se necesitan estas estimaciones para predecir los recaudos por impuestos
prediales para el presupuesto del Estado. Se recolectan las cifras mensuales de los cinco
años pasados:
5.
Mes 19X3 19X4 19X5 19X6 19X7

Enero 131 148 111 146 166
Febrero 119 134 119 133 120
Marzo 124 158 126 136 139
Abril 175 211 171 169 170
Mayo 229 256 247 218 255
Junio 275 315 276 287 309
Julio 293 329 300 281 322
Agosto 313 321 322 326 350
Septiembre 321 328 322 343 354
Octubre 318 295 279 326 400
Noviembre 323 234 225 302 295
Diciembre 199 205 235 245 248
Deberá procederse como sigue:

a. Estímese la componente de tendencia T utilizando los datos anuales de los cinco años.

b. Estímese la componente estacional S empleando los datos sin modificar. (Utilizar un

promedio móvil de cinco puntos).
c. Estímese la componente irregular I suavizando los datos ajustados estacionalmente.
d. Elaborar la predicción que se pide. (Emplear C = 1.0)
6. Una sociedad de construcción ha recibido un contrato del gobierno para construir varias
pequeñas estaciones militares de observaciones en Alaska. El equipo que se enviará al
terreno estará aproximadamente un año allí. Cualquier adición o sustracción a este equipo
será costosa y puede ser la diferencia el éxito financiero y el fracaso del contrato. Para
determinar el número de empleados disponibles para el proyecto, los directivos deben
predecir la fuerza laboral que se necesita para la construcción en los Estados Unidos
continentales ese año.
La componente de tendencia de este problema ha sido estimada así:

T = 400 + 3t
Siendo: T = número de empleados necesario.

t = número de meses.
t = O representa diciembre de 19X5
Estas son las componentes estacionales para cada mes:

Mes Índice Mes Índice Mes Índice
Enero 0.870 Mayo 1.017 Septiembre 1.013
Febrero 0.833 Junio 0.895 Octubre 1.059
Marzo 1.004 Julio 0.859 Noviembre 1.118
Abril 1.006 Agosto 0.998 Diciembre 1.267
La construcción en Alaska empezará en abril de 19X7. Supóngase que no hay influencia

cíclica y que toda variación aleatoria de la necesidad de mano de obra se puede compensar
con ayuda-temporal. Predecir las necesidades de mano de obra para los 12 meses de
construcción en Alaska.
7. En mayo de este año, el nuevo director de comercialización de Hudson Foods utilizó

publicidad en televisión para anunciar los postres congelados de la firma por primera vez y las
ventas alcanzaron un nivel sin precedentes. Los postres congelados se habían introducidos
hace 3 años y medio pero las ventas nunca llegaron tal alto. El nuevo director de
comercialización escribió al director en su memo: “Me gustaría seguir con la campaña de
televisión y ampliarla”. Pero el director sospecha que las ventas tan extraordinarias pueden
atribuirse a influencias de tendencia y estacional y a variación aleatoria. La historia de ventas
de los postres congelados es como sigue:
Segundo
Mes
Primer año año Tercer año Cuarto año
Enero 341 488 638 789
Febrero 338 480 621 765
Marzo 448 633 817 987
Abril 479 349 853 998
Mayo 512 706 905 1107
Junio 577 791 994
Julio 599 812 999
Agosto 576 776 978
Septiembre 546 738 920
Octubre 511 679 846
Noviembre 496 655 809
Diciembre 536 701 867
Suponiendo que la componente cíclica no tenga influencia (es decir, que C = 1.0) hacer una
recomendación al director en cuanto a la solicitud de su director de comercialización para
seguir con la publicidad en televisión.

8. Para competir en el negocio de mobiliarios, es necesario mantener un inventario

relativamente grande. Por consiguiente, los costos de llevar inventario son considerables. Si
una firma puede reducir estos costos de alguna manera, puede tener una ventaja competitiva.
Una manera de poder hacer es predecir mejor las ventas. El gerente general de B y D está
interesado en tener un método de predicción de las ventas de mobiliarios en su zona. Parece
lógico que las ventas estén relacionadas con el número de nuevas casas, construidas en la
zona cada mes. Se sabe que se necesitan unos tres meses para completar una casa, así que
se espera que las ventas estén estrechamente relacionadas con las viviendas, iniciadas hace
tres meses. Una verificación de los registros de la compañía y de las estadísticas de
construcción revela los datos que se muestran en seguida. Las viviendas iniciadas se indican
con tres meses de anticipación. Esto es, la construcción indicada para junio es marzo, etc.
¿Pueden utilizarse estos datos para construir un modelo de predicción útil? Explicar.
Viviendas Viviendas Viviendas

Mes Ventas Iniciadas Ventas Iniciadas Ventas Iniciadas
Enero 12 12 10 9 6 5
Febrero 17 15 18 16 10 8
Marzo 22 16 19 16 11 8
Abril 26 20 24 21 21 16
Mayo 29 22 28 23 22 17
Junio 34 28 33 29 25 19
Julio 41 30 43 32 28 22
Agosto 16 16 25 19 26 20
Septiembre 15 14 18 16 19 15
Octubre 12 12 14 13 16 12
Noviembre 8 6 9 8 8 6
Diciembre 19 6 22 7 18 5
9. La tabla siguiente muestra los precios medios al por mayor de los Arroz en el Perú durante
1988-1995. Hallar la relación de precios (a) para 1994 con 1988 como base, (b) para 1995 con
1990 como base.
Precio medio del arroz

Año
(S/. por kg)
1988 0,20
1989 0,30
1990 0,80
1991 0,85
1992 0,90
1993 0,92
1994 1,00
1995 1,30
10. La tabla siguiente muestra las relaciones de precios de un artículo con 1987-1989 = 100.
Determinar las relaciones de precios con (a) 1990 = 100 y (b) 1993-1994 = 100.
Relación de Precios
Año
(1987-1989) = 100
1990 127
1991 134
1992 118
1993 125
1994 137
1995 141
11. En 1990 el precio medio de un producto decreció un 25% de su valor en 1986, pero creció un
50% de su valor en 1982. Hallar la relación de precios para (a) 1986 y (b) 1990 con 1982
como base.
12. La tabla siguiente muestra la energía eléctrica, en miles de millones de kilovatios-hora (Kwh)
de consumo doméstico, durante los años 1975-1986. Reducir los datos a relaciones de
cantidad con (a) 1991 y (b) 1985-1988 como base.

Energía eléctrica
Año
(miles de millones de kwh)
1985 1,918
1986 2,038
1987 2,124
1988 2,206
1989 2,247
1990 2,286
1991 2,295
1992 2,241
1993 2,310
1994 2,416
1995 2,470
1996 2,512
13. En 1992 la producción de un mineral creció un 40% sobre la de 1991. En 1993 la producción
estaba un 20% por debajo de la de 1992, pero un 16% por encima de la de 1994. Hallar las
relaciones de precios para los años 1991-1994 como base.
14. La tabla siguiente muestra las relaciones de valor y de precios de un artículo en los años
1990-1994. Con los precios indicados como base. Hallar las relaciones de cantidad para ese
artículo con (a) 1990 y (b) 1990-1992 como base. Interpretar los resultados.
Año Relación de Precios Relación de valor

(1990 = 100) (1981-1983=100)
1990 100 150
1991 125 180
1992 150 207
1993 175 231
1994 200 252
15. Las relaciones de enlace para el consumo de un producto en los años 1992-1995 fueron 90,
120, 125 y 80 respectivamente.
(a) Hallar la relación de precios para 1993 con 1995 como base.
(b) Encadenar las relaciones de enlace a una base 1994
(c) Encadenar las relaciones de enlace a una base 1992-1993.
16. La tabla siguiente muestra los precios y cantidades de consumo en EE.UU. de varios metales
para los años 1985 y 1994. Tomando 1985 como base, calcular el índice de precios para el año
1994 por los métodos:
(a) agregación simple (b) promedio simple (media)
(c) mediana (d) media geométrica
(e) media armónica (f) Laspeyres
(g) Paasche (h) Ideal de Fisher
(i) Marshall-Edgeworth
(j) Promedio ponderado para relaciones usando como pesos
valores del año dado.
Precio Cantidad
Metales (centavos por libra) (millones de libras)
1985 1994 1985 1994
Cobre 64,2 66,8 3440 2406
Plomo 21,5 25,6 1144 710
Estaño 339,8 623,8 49,4 42,8
Zinc 39,0 48,6 1068 558

17. La tabla siguiente muestra los índices de precios de un determinado producto en los años
1983-1993 con base 1977. Hallar el índice de precios con (a) 1983 y (b) 1986-1988 como
base.
Año Índice de precio del producto

(1977 = 100)
1983 134,7
1984 160,1
1985 174,9
1986 183,0
1987 194,2
1988 209,3
1989 235,6
1990 268,8
1991 293,4
1992 299,3
1993 303,1

BIBLIOGRAFÍA
BERENSON y LEVINE. 1996. Estadística Básica en Administración. Editorial Prentice Hall.
México.
BOX G. 1993. Estadística para Investigadores. Editorial Reverte. México.
CORDOVA ZAMORA M. Estadística Descriptiva e Inferencial. Aplicaciones. Quinta Edición. Lima.
HERNANDEZ R FERNANDEZ C y BAPTISTA P. 1998. Metodología de la Investigación. Editorial

McGraw Hill. Primera Edición. Colombia.
Kasmier L. 1982. Estadística aplicada a la Administración y a la Economía. Editorial McGraw-Hill.

México.
MARTINEZ C. 1995. Estadística. Editorial Presencia. Santa Fe de Bogota, Colombia.
MENDENHALL W. 1998 Estadística para Administradores. Grupo Editorial Iberoamericano.

México.
MITACC MEZA, Máximo. s/f. Tópicos de Estadística y probabilidad. Editorial San Marcos. Lima,
Perú.
MOYA R y SARAVIA A. 1998. Probabilidad e Inferencia Estadística. Editorial San Marcos.

Segunda Edición. Lima, Perú.
OSTLE B. 1994. Estadística Aplicada. Editorial Limusa. México.
SCHNEIDER K. y RANDAL C. 1982. Métodos cuantitativos en Administración. Editorial Limusa.

México.
STEVENSON J. 1995. Estadística para Administración y Economía. Editorial Harla. México.
WAYNE D. 1991. Estadística con aplicaciones a las ciencias sociales y a la educación. Edit.
McGraw-Hill. México.
WONNACOTT. 1991. Estadística Básica Práctica. Editorial Limusa. México.

APÉNDICE Nº 1
NÚMEROS ALEATORIOS
00 - 04 05 - 09 10 - 14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 - 44 45 - 49
00 39591 66082 48626 95780 55228 87189 75717 97042 19696 48613
01 46304 97377 43462 21739 14566 72533 60171 29024 77581 72760
02 99547 60779 22734 23678 44895 89767 18249 41702 35850 40543
03 06743 63537 24553 77225 94743 79448 12753 95986 78088 48019
04 69568 65496 49033 88577 98606 92156 08846 54912 12691 13170
05 68198 69571 34349 73141 42640 44721 30402 3507 33475 47401
06 27974 12609 77428 64441 49008 60489 66780 55499 80842 57706
07 50552 20688 02769 63037 15494 71784 70559 58158 53437 46216
08 74687 02033 98290 62635 88877 28599 63682 35566 03271 05651
09 49303 76629 71897 30990 62923 36686 96167 11492 90333 84501
10 89734 39183 52026 14997 15140 18250 62831 51236 61236 09179
11 74042 40747 02617 11346 01884 82066 55913 72422 13971 64209
12 84706 31375 67053 73367 95349 31074 36908 42782 89690 48002
13 83664 21365 28882 48926 45435 60577 85270 02777 06878 27561
14 47813 74854 73388 11385 99108 97878 97878 17473 07682 20166
15 00371 56525 38880 53702 09517 47281 15995 98350 25233 79718
16 81182 48434 27431 55806 25389 40774 72978 16835 65066 28732
17 75242 35904 73077 24537 8135 4 48902 03478 42867 04552 66034
18 96239 80246 07000 09555 55051 49596 44629 88225 28195 44598
19 82988 17440 85311 03360 38176 51462 86070 03924 84413 92363
20 77599 29143 89088 57593 60036 17297 30923 36224 46327 96266
21 61433 33118 53488 82981 44709 44709 64388 00198 14135 57514
22 76008 15045 45440 84062 55236 52363 33726 44301 86246 99727
23 26494 76598 85834 10844 56300 56300 72118 96510 98388 80161
24 4670 88558 77533 33359 07830 07830 53260 46755 36881 98535
25 73995 41532 87933 79930 14310 64833 49020 36224 99726 97007
26 93901 38276 75544 19679 82899 11365 22896 00498 77165 08734
27 41925 28215 40966 93501 45446 27913 21708 44301 81404 15119
28 80720 02782 24326 41328 10357 86883 80086 96510 57072 12100
29 92596 39416 50362 04423 04561 58179 54188 46755 14322 97056
30 39693 58559 45839 47278 38548 38885 19875 70067 86711 57005
31 86923 37863 14340 30929 04079 65274 03030 42118 09362 82972
32 99700 79237 18172 58879 56221 65644 33331 01788 32961 40996
33 60248 21953 52321 16981 03252 90433 97304 77138 71026 01946
34 29136 71987 03992 67025 31070 78348 47823 44978 13037 47732
35 57471 42913 85212 42319 92901 97727 04775 26829 38154 25238
36 57424 93847 03269 56096 95028 14039 76128 15110 27301 65529
37 56768 71694 63361 80836 30841 71875 40944 87502 01887 54822
38 70400 81534 02148 41441 26582 27481 84262 50181 42409 62950
39 05454 88418 48646 99565 36635 85496 18894 11033 26894 00889
40 80934 56136 47063 96311 19067 59790 08752 68040 85685 83076
41 06919 46237 50676 11238 75637 43086 95323 52867 06891 32089
42 00152 23997 41751 74756 50975 75365 70158 67663 51431 16375
43 88505 74625 71783 82511 13661 63178 39291 76796 74736 10980
44 64514 80967 33545 09582 86329 58152 05931 35961 70069 12142
45 25280 53007 99651 96366 49378 80971 10419 12981 70572 11575
46 71292 63716 93210 59312 39493 24252 54849 29754 41497 79228
47 49734 50498 08974 05904 68172 02864 10994 22482 12912 17920
48 43075 09754 71880 92614 99928 94424 86353 87549 94499 11459
49 15116 16643 03981 06566 14050 33671 03814 48856 41267 76252

NÚMEROS ALEATORIOS
50 - 54 55 - 59 60 - 64 65 - 69 70 - 74 75 - 79 80 - 84 85 - 89 90 - 94 95 - 99
50 25178 77518 41773 39926 09843 29694 43801 69276 44707 23455
51 45803 95106 85816 33366 37383 76832 37024 06581 22587 24827
52 15532 30898 14922 13923 44987 45122 86515 55836 96165 19650
53 99068 35453 42152 12078 04913 06083 06645 93310 40016 8421
54 70983 88359 95583 79348 24101 07502 25692 42496 77732 19278
55 71181 48289 03153 18779 65702 03612 64608 84071 4788 09982
56 44052 59163 74033 86112 27731 46135 63092 59171 44816 12354
57 91555 87708 70964 43346 56811 03725 75139 77674 82467 41899
58 54307 12188 58089 73745 35569 97352 77301 37684 36823 69218
59 63631 23919 06785 13891 89918 76211 09362 34292 17640 6907
60 46832 30801 98898 28954 97793 20825 36775 71974 15574 09184
61 05944 82632 39310 74857 61725 50569 81937 16820 85446 51168
62 28199 90116 59501 49025 73005 84954 11587 97691 90415 84685
63 09391 05600 00624 95068 33776 44985 01505 76911 45539 32181
64 29634 13021 96568 15124 55092 44043 31073 92371 51288 33378
65 61509 18842 79201 46451 68594 98120 68110 91062 42095 61839
66 87888 23033 69837 65661 15130 44649 42515 83861 50721 36110
67 94585 15218 74838 61809 92293 85400 46934 08531 70107 65707
68 82033 93915 34898 79913 70013 27573 39256 35167 35070 47095
69 79131 10022 82199 78976 22702 37936 10445 96846 84927 69745
70 79344 39236 41333 11473 15049 47930 99029 97150 82275 55140
71 15384 44585 18773 89733 40779 59664 83328 25162 58758 17761
72 38802 90957 32910 97485 10358 88588 95310 22252 19143 69011
73 85874 18400 28151 29541 63706 43197 65726 94117 22169 91806
74 26200 72680 12364 46010 92208 59103 60417 45389 56122 85353
75 13772 75282 81418 42188 66529 47981 92548 10079 68179 40915
76 91876 07434 96946 98382 97374 34444 17992 42811 01579 48741
77 31721 21713 83632 40605 24227 53219 05482 86768 53239 24812
78 92570 53242 98133 84706 84706 29645 79336 66091 05793 25922
79 02880 29307 73734 66448 66448 74645 29562 13999 17492 49891
80 80982 14684 31038 85302 98349 57313 86371 33938 10768 60837
81 38000 43364 94825 32413 46781 09685 69058 56644 85531 55173
82 14218 94289 79484 61868 40034 22546 68726 14736 89844 13466
83 74358 21940 40280 22233 09123 49375 55094 46113 54046 51771
84 39049 14986 94000 26649 13037 13037 45186 89515 63214 66886
85 48727 06300 91486 67316 84576 11100 37580 49629 83224 46321
86 22719 29784 40682 96715 40745 57458 50048 48306 50270 87424
87 33980 36769 51977 03689 79071 20279 64787 48877 44063 93733
88 23885 66721 16542 12648 65986 43104 45583 75729 35118 58742
89 85190 44068 78477 69133 58983 96504 44232 74809 25266 73872
90 33453 36333 45814 78128 55914 89829 43251 41634 48488 49153
91 98236 11489 97240 01678 30779 75214 80039 68895 95271 19654
92 21295 53565 43609 48439 87427 88065 09892 58524 43815 31340
93 28335 79849 69842 71669 38770 54445 48736 03242 83181 85403
94 95449 35273 62581 85522 35813 34475 97514 72839 10387 31649
95 88167 03878 89405 55461 73248 48620 31732 47317 06252 54652
96 86131 62596 98785 02360 54271 26242 93735 20752 17146 18315
97 71134 90264 30126 08586 97497 61678 81940 00907 39096 02082
98 02664 53438 76839 52290 77999 05799 93744 16634 84924 31344
99 90664 96876 16663 25608 67140 84619 67167 13192 81774 58619

NÚMEROS ALEATORIOS
00 - 04 05 - 09 10 - 14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 - 44 45 - 49
00 93873 86558 72524 02542 73184 37905 05882 15596 73646 50798
01 08761 47547 02216 48086 56490 89959 69975 04500 23779 76697
02 61270 98773 40298 26077 80396 08166 35723 61933 13985 19102
03 73758 15578 95748 02967 35122 36539 72822 68241 34803 42457
04 17132 32196 60523 00544 73700 70122 27962 45597 36011 79971
05 26175 29794 44838 84414 82748 22246 70694 57953 39780 17791
06 06004 04516 06210 03536 84451 30767 37928 26986 07396 64611
07 34687 73753 36327 73704 61564 99434 90938 03967 97420 19913
08 27865 08255 57859 04746 79700 68823 16002 58115 07589 12675
09 89423 51114 90820 26786 77404 05795 49036 34686 98767 32284
10 99030 80312 69745 87636 10058 84834 89485 08775 19041 61375
11 02852 54339 45496 20587 85921 06763 68873 35367 42627 54973
12 10850 42788 94737 74549 74296 15053 46816 32141 02533 25648
13 38301 18507 33151 69434 80103 02603 6110 89395 67621 67025
14 48181 95478 62739 90148 00156 09338 44558 53271 87549 45974
15 23098 23720 76508 69083 56584 90423 21634 35999 09234 95116
16 25104 82019 21120 06165 44324 77577 15774 44091 69687 67576
17 22205 40198 86884 28103 57306 54915 03426 66700 45993 36668
18 64975 05064 29617 40622 20330 18518 45312 57921 23188 82361
19 58710 75278 47730 26093 16436 38868 76861 85914 14162 21984
20 12140 72905 26022 07675 16362 34504 47740 39923 04081 03162
21 73226 39840 47958 97249 14146 34543 46162 74158 59739 67447
22 12320 86217 66162 70941 58940 58006 80731 66630 02183 94678
23 41364 64156 23000 23188 64945 33815 32884 76955 56574 61666
24 97881 80867 70117 72041 03554 29087 19767 71838 80545 61402
25 88295 87271 82812 97588 09960 06312 03050 77332 25977 13385
26 95321 89836 78230 46037 72483 87533 74571 88859 26908 55626
27 24337 14264 30185 36753 22343 81737 62926 76494 93536 75502
28 00718 66303 75009 91431 64245 61863 16738 23127 89435 45109
29 38093 10328 96998 91386 34967 40407 48380 09115 59367 49596
30 87661 31701 29974 56777 66751 35418 63887 95094 20056 84990
31 87142 91818 51857 85061 17890 39057 44506 00969 32942 54794
32 60634 27142 21199 50437 04685 70252 91453 75952 66753 50664
33 73356 64431 05068 56334 34487 78253 67684 69916 63885 88491
34 29889 11378 65915 66776 95034 81447 98035 16815 68432 63020
35 48257 36438 48479 72173 31418 1035 84239 02032 40409 11715
36 38425 29462 79880 45713 90049 01136 72426 25077 64361 94284
37 482226 31868 38620 12135 28346 17552 03203 42618 44151 78438
38 80189 30031 15435 76730 58565 29817 36775 64007 47912 16754
39 33208 33475 95219 29832 74569 50667 90569 66717 46958 04820
40 19750 48564 49690 43352 53834 80125 47792 99701 06800 22794
41 62820 23174 71124 36040 34873 95650 79059 23394 58534 78296
42 95737 34362 81520 79481 26442 37826 76866 01580 83713 94272
43 64642 62961 37566 41064 69372 84369 92823 91391 61056 44495
44 77636 60163 14915 50744 95611 99346 39741 04407 72940 87936
45 43633 52102 93561 31010 11299 52661 79014 17910 88492 60753
46 93686 41960 61280 96529 52924 87371 34855 67125 40279 10186
47 23775 33402 28647 42314 51213 29116 26243 40243 32137 25177
48 91325 64698 58868 63107 08993 96000 66854 11567 80604 72299
49 58129 44367 31924 73586 24422 92799 28963 36444 01315 10226

NÚMEROS ALEATORIOS
50 - 54 55 - 59 60 - 64 65 - 69 70 - 74 75 - 79 80 - 84 85 - 89 90 - 94 95 - 99
50 37686 78520 31209 83677 99115 94024 09286 58927 24078 16770
51 58108 29344 11825 51955 50618 99753 02200 50503 32466 50055
52 71545 42326 66429 93607 55276 85482 24449 41764 19884 46443
53 93303 90557 79166 90097 01627 96690 77434 06402 05379 59549
54 36731 37929 13079 83036 31525 35811 59131 65257 03731 86703
55 49781 31581 80391 84608 23390 30433 08249 85136 80060 43651
56 65995 94208 68785 04370 44192 91852 01129 28739 08705 54538
57 19663 09309 02836 10223 90814 92786 96747 46014 54765 76001
58 88479 24307 63812 47615 17220 27942 11785 49933 03923 35432
59 95407 95006 95421 20811 76761 47475 58865 06204 36543 81002
60 22789 87011 61926 97996 16604 80855 48714 52754 98279 96467
61 96783 18403 36729 18760 30810 73087 94565 68682 15792 60020
62 68933 05665 12264 23954 01883 75411 04460 83939 66528 22576
63 68794 13000 20066 98963 93483 51165 63358 12373 13877 37580
64 40537 31604 60323 51235 65546 85117 15647 09617 73520 48525
65 41249 42504 91773 81579 02588 74657 73765 10932 74607 83825
66 08813 84525 30329 33144 76884 89996 7834 67266 96820 15128
67 46609 30917 29996 10848 39555 09233 58988 82131 69232 76762
68 68543 69424 92072 57937 05563 80727 67053 35431 00881 56541
69 09926 84219 30089 08843 24998 27105 18397 79071 40738 73876
70 30515 76316 49597 37900 98604 05857 51729 19006 15239 27129
71 21611 26346 04877 71584 55724 39616 64648 26811 60915 34108
72 47410 83767 56454 96768 27001 83712 01245 27256 57991 75758
73 18572 31214 41015 64110 61807 72472 78059 69701 78681 17356
74 28078 02819 02459 33308 96540 15817 78694 81476 85856 99737
75 56644 50430 34562 75842 67724 02918 55603 55195 88219 39676
76 27331 48055 18928 47463 61966 64507 06559 81329 29481 03660
77 32080 21524 32929 07739 08836 39497 94476 27433 96857 52987
78 27027 69762 65362 90214 89572 52054 43067 73017 87664 03293
79 56471 68839 09969 45853 72627 71793 49920 64544 71874 74053
80 22689 19799 18870 49272 74783 38777 76176 40961 18089 32499
81 71263 82247 66684 90239 67686 48963 30842 59354 33551 87966
82 64084 57386 89278 27187 52142 96305 87393 80164 95518 82742
83 23121 10194 0991 37062 43446 09107 47156 70179 00858 92326
84 78906 48080 76745 65814 51167 87755 66884 12718 14951 47937
85 87257 26005 21544 37223 53288 72056 96396 67099 49416 91891
86 39529 98126 33694 29025 94308 24426 63072 51444 04718 49891
87 89632 11606 87159 89408 06295 31055 15530 46432 49871 37982
88 23708 98919 14407 53722 58779 92849 04176 24870 56688 25405
89 51445 46758 42024 27940 64237 10086 95601 53923 85209 79385
90 23849 65272 24743 39960 27313 99925 29743 87270 05773 21797
91 78613 15441 34568 57398 25872 61792 94599 60944 90908 38948
92 90694 27996 94181 87428 41135 29461 72716 68956 67871 72459
93 96772 86829 36403 40087 67456 21071 39039 91937 45280 00066
94 24527 40701 56894 73327 00789 97573 09303 41704 05772 95372
95 31596 70876 46807 06741 29352 23829 52465 00336 24155 61871
96 31613 99249 17260 05242 19535 52702 64761 66694 06150 13820
97 02911 09514 50864 80622 20017 59019 43450 75942 08567 40547
98 02484 74068 04670 19646 41951 05111 34013 57443 87481 48994
99 69259 75535 73007 15236 01572 44870 53280 25132 70276 87334

APÉNDICE Nº 2
TABLA DE LA DISTRIBUCIÓN ACUMULADA BINOMIAL
x
n k
P X x C kn p k 1 p
k 0
p
n X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.9975 0.9900 0.9775 0.9600 0.9375 0.9100 0.8775 0.8400 0.7975 0.7500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
1 0.9928 0.9720 0.9393 0.8960 0.8438 0.7840 0.7183 0.6480 0.5748 0.5000
2 0.9999 0.9990 0.9966 0.9920 0.9844 0.9730 0.9571 0.9360 0.9089 0.8750
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
1 0.9860 0.9477 0.8905 0.8192 0.7383 0.6517 0.5630 0.4752 0.3910 0.3125
2 0.9995 0.9963 0.9880 0.9728 0.9492 0.9163 0.8735 0.8208 0.7585 0.6875
3 1.0000 0.9999 0.9995 0.9984 0.9961 0.9919 0.9850 0.9744 0.9590 0.9375
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
1 0.9774 0.9185 0.8352 0.7373 0.6328 0.5282 0.4284 0.3370 0.2562 0.1875
2 0.9988 0.9914 0.9734 0.9421 0.8965 0.8369 0.7648 0.6826 0.5931 0.5000
3 1.0000 0.9995 0.9978 0.9933 0.9844 0.9692 0.9460 0.9130 0.8688 0.8125
4 1.0000 1.0000 0.9999 0.9997 0.9990 0.9976 0.9947 0.9898 0.9815 0.9688
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
1 0.9672 0.8857 0.7765 0.6554 0.5339 0.4202 0.3191 0.2333 0.1636 0.1094
2 0.9978 0.9842 0.9527 0.9011 0.8306 0.7443 0.6471 0.5443 0.4415 0.3438
3 0.9999 0.9987 0.9941 0.9830 0.9624 0.9295 0.8826 0.8208 0.7447 0.6563
4 1.0000 0.9999 0.9996 0.9984 0.9954 0.9891 0.9777 0.9590 0.9308 0.8906
5 1.0000 1.0000 1.0000 0.9999 0.9998 0.9993 0.9982 0.9959 0.9917 0.9844
7 0 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0490 0.0280 0.0152 0.0078
1 0.9556 0.8503 0.7166 0.5767 0.4449 0.3294 0.2338 0.1586 0.1024 0.0625
2 0.9962 0.9743 0.9262 0.8520 0.7564 0.6471 0.5323 0.4199 0.3164 0.2266
3 0.9998 0.9973 0.9879 0.9667 0.9294 0.8740 0.8002 0.7102 0.6083 0.5000
4 1.0000 0.9998 0.9988 0.9953 0.9871 0.9712 0.9444 0.9037 0.8471 0.7734
5 1.0000 1.0000 0.9999 0.9996 0.9987 0.9962 0.9910 0.9812 0.9643 0.9375
6 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9994 0.9984 0.9963 0.9922
8 0 0.6634 0.4305 0.2725 0.1678 0.1001 0.0576 0.0319 0.0168 0.0084 0.0039
1 0.9428 0.8131 0.6572 0.5033 0.3671 0.2553 0.1691 0.1064 0.0632 0.0352
2 0.9942 0.9619 0.8948 0.7969 0.6785 0.5518 0.4278 0.3154 0.2201 0.1445
3 0.9996 0.9950 0.9786 0.9437 0.8862 0.8059 0.7064 0.5941 0.4770 0.3633
4 1.0000 0.9996 0.9971 0.9896 0.9727 0.9420 0.8939 0.8263 0.7396 0.6367
5 1.0000 1.0000 0.9998 0.9988 0.9958 0.9887 0.9747 0.9502 0.9115 0.8555
6 1.0000 1.0000 1.0000 0.9999 0.9996 0.9987 0.9964 0.9915 0.9819 0.9648
7 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9993 0.9983 0.9961
9 0 0.6302 0.3874 0.2316 0.1342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
1 0.9288 0.7748 0.5995 0.4362 0.3003 0.1960 0.1211 0.0705 0.0385 0.0195
2 0.9916 0.9470 0.8591 0.7382 0.6007 0.4628 0.3373 0.2318 0.1495 0.0898
3 0.9994 0.9917 0.9661 0.9144 0.8343 0.7297 0.6089 0.4826 0.3614 0.2539
4 1.0000 0.9991 0.9944 0.9804 0.9511 0.9012 0.8283 0.7334 0.6214 0.5000
5 1.0000 0.9999 0.9994 0.9969 0.9900 0.9747 0.9464 0.9006 0.8342 0.7461
6 1.0000 1.0000 1.0000 0.9997 0.9987 0.9957 0.9888 0.9750 0.9502 0.9102
7 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996 0.9986 0.9962 0.9909 0.9805
8 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9992 0.9980

P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
10 0 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.9139 0.7361 0.5443 0.3758 0.2440 0.1493 0.0860 0.0464 0.0233 0.0107
2 0.9885 0.9298 0.8202 0.6778 0.5256 0.3828 0.2616 0.1673 0.0996 0.0547
3 0.9990 0.9872 0.9500 0.8791 0.7759 0.6496 0.5138 0.3823 0.2660 0.1719
4 0.9999 0.9984 0.9901 0.9672 0.9219 0.8497 0.7515 0.6331 0.5044 0.3770
5 1.0000 0.9999 0.9986 0.9936 0.9803 0.9527 0.9051 0.8338 0.7384 0.6230
6 1.0000 1.0000 0.9999 0.9991 0.9965 0.9894 0.9740 0.9452 0.8980 0.8281
7 1.0000 1.0000 1.0000 0.9999 0.9996 0.9984 0.9952 0.9877 0.9726 0.9453
8 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983 0.9955 0.9893
9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9990
11 0 0.5688 0.3138 0.1673 0.0859 0.0422 0.0198 0.0088 0.0036 0.0014 0.0005
1 0.8981 0.6974 0.4922 0.3221 0.1971 0.1130 0.0606 0.0302 0.0139 0.0059
2 0.9848 0.9104 0.7788 0.6174 0.4552 0.3127 0.2001 0.1189 0.0652 0.0327
3 0.9984 0.9815 0.9306 0.8389 0.7133 0.5696 0.4256 0.2963 0.1911 0.1133
4 0.9999 0.9972 0.9841 0.9496 0.8854 0.7897 0.6683 0.5328 0.3971 0.2744
5 1.0000 0.9997 0.9973 0.9883 0.9657 0.9218 0.8513 0.7535 0.6331 0.5000
6 1.0000 1.0000 0.9997 0.9980 0.9924 0.9784 0.9499 0.9006 0.8262 0.7256
7 1.0000 1.0000 1.0000 0.9998 0.9988 0.9957 0.9878 0.9707 0.9390 0.8867
8 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9980 0.9941 0.9852 0.9673
9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9993 0.9978 0.9941
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9995
12 0 0.5404 0.2824 0.1422 0.0687 0.0317 0.0138 0.0057 0.0022 0.0008 0.0002
1 0.8816 0.6590 0.4435 0.2749 0.1584 0.0850 0.0424 0.0196 0.0083 0.0032
2 0.9804 0.8891 0.7358 0.5583 0.3907 0.2528 0.1513 0.0834 0.0421 0.0193
3 0.9978 0.9744 0.9078 0.7946 0.6488 0.4925 0.3467 0.2253 0.1345 0.0730
4 0.9998 0.9957 0.9761 0.9274 0.8424 0.7237 0.5833 0.4382 0.3044 0.1938
5 1.0000 0.9995 0.9954 0.9806 0.9456 0.8822 0.7873 0.6652 0.5269 0.3872
6 1.0000 0.9999 0.9993 0.9961 0.9857 0.9614 0.9154 0.8418 0.7393 0.6128
7 1.0000 1.0000 0.9999 0.9994 0.9972 0.9905 0.9745 0.9427 0.8883 0.8062
8 1.0000 1.0000 1.0000 0.9999 0.9996 0.9983 0.9944 0.9847 0.9644 0.9270
9 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9992 0.9972 0.9921 0.9807
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9989 0.9968
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998
13 0 0.5133 0.2542 0.1209 0.0550 0.0238 0.0097 0.0037 0.0013 0.0004 0.0001
1 0.8646 0.6213 0.3983 0.2336 0.1267 0.0637 0.0296 0.0126 0.0049 0.0017
2 0.9755 0.8661 0.6920 0.5017 0.3326 0.2025 0.1132 0.0579 0.0269 0.0112
3 0.9969 0.9658 0.8820 0.7473 0.5843 0.4206 0.2783 0.1686 0.0929 0.0461
4 0.9997 0.9935 0.9658 0.9009 0.7940 0.6543 0.5005 0.3530 0.2279 0.1334
5 1.0000 0.9991 0.9925 0.9700 0.9198 0.8346 0.7159 0.5744 0.4268 0.2905
6 1.0000 0.9999 0.9987 0.9930 0.9757 0.9376 0.8705 0.7712 0.6437 0.5000
7 1.0000 1.0000 0.9998 0.9988 0.9944 0.9818 0.9538 0.9023 0.8212 0.7095
8 1.0000 1.0000 1.0000 0.9998 0.9990 0.9960 0.9874 0.9679 0.9302 0.8666
9 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9975 0.9922 0.9797 0.9539
10 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9987 0.9959 0.9888
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
14 0 0.4877 0.2288 0.1028 0.0440 0.0178 0.0068 0.0024 0.0008 0.0002 0.0001
1 0.8470 0.5846 0.3567 0.1979 0.1010 0.0475 0.0205 0.0081 0.0029 0.0009

P
n X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
14 2 0.9699 0.8416 0.6479 0.4481 0.2811 0.1608 0.0839 0.0398 0.0170 0.0065
3 0.9958 0.9559 0.8535 0.6982 0.5213 0.3552 0.2205 0.1243 0.0632 0.0287
4 0.9996 0.9908 0.9533 0.8702 0.7415 0.5842 0.4227 0.2793 0.1672 0.0898
5 1.0000 0.9985 0.9885 0.9561 0.8883 0.7805 0.6405 0.4859 0.3373 0.2120
6 1.0000 0.9998 0.9978 0.9884 0.9617 0.9067 0.8164 0.6925 0.5461 0.3953
7 1.0000 1.0000 0.9997 0.9976 0.9897 0.9685 0.9247 0.8499 0.7414 0.6047
8 1.0000 1.0000 1.0000 0.9996 0.9978 0.9917 0.9757 0.9417 0.8811 0.7880
9 1.0000 1.0000 1.0000 1.0000 0.9997 0.9983 0.9940 0.9825 0.9574 0.9102
10 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9989 0.9961 0.9886 0.9713
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9978 0.9935
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9991
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
15 0 0.4633 0.2059 0.0874 0.0352 0.0134 0.0047 0.0016 0.0005 0.0001 0.0000
1 0.8290 0.5490 0.3186 0.1671 0.0802 0.0353 0.0142 0.0052 0.0017 0.0005
2 0.9638 0.8159 0.6042 0.3980 0.2361 0.1268 0.0617 0.0271 0.0107 0.0037
3 0.9945 0.9444 0.8227 0.6482 0.4613 0.2969 0.1727 0.0905 0.0424 0.0176
4 0.9994 0.9873 0.9383 0.8358 0.6865 0.5155 0.3519 0.2173 0.1204 0.0592
5 0.9999 0.9978 0.9832 0.9389 0.8516 0.7216 0.5643 0.4032 0.2608 0.1509
6 1.0000 0.9997 0.9964 0.9819 0.9434 0.8689 0.7548 0.6098 0.4522 0.3036
7 1.0000 1.0000 0.9994 0.9958 0.9827 0.9500 0.8868 0.7869 0.6535 0.5000
8 1.0000 1.0000 0.9999 0.9992 0.9958 0.9848 0.9578 0.9050 0.8182 0.6964
9 1.0000 1.0000 1.0000 0.9999 0.9992 0.9963 0.9876 0.9662 0.9231 0.8491
10 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9972 0.9907 0.9745 0.9408
11 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9981 0.9937 0.9824
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9989 0.9963
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
16 0 0.4401 0.1853 0.0743 0.0281 0.0100 0.0033 0.0010 0.0003 0.0001 0.0000
1 0.8108 0.5147 0.2839 0.1407 0.0635 0.0261 0.0098 0.0033 0.0010 0.0003
2 0.9571 0.7892 0.5614 0.3518 0.1971 0.0994 0.0451 0.0183 0.0066 0.0021
3 0.9930 0.9316 0.7899 0.5981 0.4050 0.2459 0.1339 0.0651 0.0281 0.0106
4 0.9991 0.9830 0.9209 0.7982 0.6302 0.4499 0.2892 0.1666 0.0853 0.0384
5 0.9999 0.9967 0.9765 0.9183 0.8103 0.6598 0.4900 0.3288 0.1976 0.1051
6 1.0000 0.9995 0.9944 0.9733 0.9204 0.8247 0.6881 0.5272 0.3660 0.2272
7 1.0000 0.9999 0.9989 0.9930 0.9729 0.9256 0.8406 0.7161 0.5629 0.4018
8 1.0000 1.0000 0.9998 0.9985 0.9925 0.9743 0.9329 0.8577 0.7441 0.5982
9 1.0000 1.0000 1.0000 0.9998 0.9984 0.9929 0.9771 0.9417 0.8759 0.7728
10 1.0000 1.0000 1.0000 1.0000 0.9997 0.9984 0.9938 0.9809 0.9514 0.8949
11 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987 0.9951 0.9851 0.9616
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9991 0.9965 0.9894
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9979
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
17 0 0.4181 0.1668 0.0631 0.0225 0.0075 0.0023 0.0007 0.0002 0.0000 0.0000
1 0.7922 0.4818 0.2525 0.1182 0.0501 0.0193 0.0067 0.0021 0.0006 0.0001
2 0.9497 0.7618 0.5198 0.3096 0.1637 0.0774 0.0327 0.0123 0.0041 0.0012
3 0.9912 0.9174 0.7556 0.5489 0.3530 0.2019 0.1028 0.0464 0.0184 0.0064

P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
17 4 0.9988 0.9779 0.9013 0.7582 0.5739 0.3887 0.2348 0.1260 0.0596 0.0245
5 0.9999 0.9953 0.9681 0.8943 0.7653 0.5968 0.4197 0.2639 0.1471 0.0717
6 1.0000 0.9992 0.9917 0.9623 0.8929 0.7752 0.6188 0.4478 0.2902 0.1662
7 1.0000 0.9999 0.9983 0.9891 0.9598 0.8954 0.7872 0.6405 0.4743 0.3145
8 1.0000 1.0000 0.9997 0.9974 0.9876 0.9597 0.9006 0.8011 0.6626 0.5000
9 1.0000 1.0000 1.0000 0.9995 0.9969 0.9873 0.9617 0.9081 0.8166 0.6855
10 1.0000 1.0000 1.0000 0.9999 0.9994 0.9968 0.9880 0.9652 0.9174 0.8338
11 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9970 0.9894 0.9699 0.9283
12 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9975 0.9914 0.9755
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9981 0.9936
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9988
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
18 0 0.3972 0.1501 0.0536 0.0180 0.0056 0.0016 0.0004 0.0001 0.0000 0.0000
1 0.7735 0.4503 0.2241 0.0991 0.0395 0.0142 0.0046 0.0013 0.0003 0.0001
2 0.9419 0.7338 0.4797 0.2713 0.1353 0.0600 0.0236 0.0082 0.0025 0.0007
3 0.9891 0.9018 0.7202 0.5010 0.3057 0.1646 0.0783 0.0328 0.0120 0.0038
4 0.9985 0.9718 0.8794 0.7164 0.5187 0.3327 0.1886 0.0942 0.0411 0.0154
5 0.9998 0.9936 0.9581 0.8671 0.7175 0.5344 0.3550 0.2088 0.1077 0.0481
6 1.0000 0.9988 0.9882 0.9487 0.8610 0.7217 0.5491 0.3743 0.2258 0.1189
7 1.0000 0.9998 0.9973 0.9837 0.9431 0.8593 0.7283 0.5634 0.3915 0.2403
8 1.0000 1.0000 0.9995 0.9957 0.9807 0.9404 0.8609 0.7368 0.5778 0.4073
9 1.0000 1.0000 0.9999 0.9991 0.9946 0.9790 0.9403 0.8653 0.7473 0.5927
10 1.0000 1.0000 1.0000 0.9998 0.9988 0.9939 0.9788 0.9424 0.8720 0.7597
11 1.0000 1.0000 1.0000 1.0000 0.9998 0.9986 0.9938 0.9797 0.9463 0.8811
12 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9986 0.9942 0.9817 0.9519
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987 0.9951 0.9846
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9990 0.9962
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
19 0 0.3774 0.1351 0.0456 0.0144 0.0042 0.0011 0.0003 0.0001 0.0000 0.0000
1 0.7547 0.4203 0.1985 0.0829 0.0310 0.0104 0.0031 0.0008 0.0002 0.0000
2 0.9335 0.7054 0.4413 0.2369 0.1113 0.0462 0.0170 0.0055 0.0015 0.0004
3 0.9868 0.8850 0.6841 0.4551 0.2631 0.1332 0.0591 0.0230 0.0077 0.0022
4 0.9980 0.9648 0.8556 0.6733 0.4654 0.2822 0.1500 0.0696 0.0280 0.0096
5 0.9998 0.9914 0.9463 0.8369 0.6678 0.4739 0.2968 0.1629 0.0777 0.0318
6 1.0000 0.9983 0.9837 0.9324 0.8251 0.6655 0.4812 0.3081 0.1727 0.0835
7 1.0000 0.9997 0.9959 0.9767 0.9225 0.8180 0.6656 0.4878 0.3169 0.1796
8 1.0000 1.0000 0.9992 0.9933 0.9713 0.9161 0.8145 0.6675 0.4940 0.3238
9 1.0000 1.0000 0.9999 0.9984 0.9911 0.9674 0.9125 0.8139 0.6710 0.5000

P
N X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
19 10 1.0000 1.0000 1.0000 0.9997 0.9977 0.9895 0.9653 0.9115 0.8159 0.6762
11 1.0000 1.0000 1.0000 1.0000 0.9995 0.9972 0.9886 0.9648 0.9129 0.8204
12 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9969 0.9884 0.9658 0.9165
13 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9993 0.9969 0.9891 0.9682
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9972 0.9904
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9995 0.9978
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
20 0 0.3585 0.1216 0.0388 0.0115 0.0032 0.0008 0.0002 0.0000 0.0000 0.0000
1 0.7358 0.3917 0.1756 0.0692 0.0243 0.0076 0.0021 0.0005 0.0001 0.0000
2 0.9245 0.6769 0.4049 0.2061 0.0913 0.0355 0.0121 0.0036 0.0009 0.0002
3 0.9841 0.8670 0.6477 0.4114 0.2252 0.1071 0.0444 0.0160 0.0049 0.0013
4 0.9974 0.9568 0.8298 0.6296 0.4148 0.2375 0.1182 0.0510 0.0189 0.0059
5 0.9997 0.9887 0.9327 0.8042 0.6172 0.4164 0.2454 0.1256 0.0553 0.0207
6 1.0000 0.9976 0.9781 0.9133 0.7858 0.6080 0.4166 0.2500 0.1299 0.0577
7 1.0000 0.9996 0.9941 0.9679 0.8982 0.7723 0.6010 0.4159 0.2520 0.1316
8 1.0000 0.9999 0.9987 0.9900 0.9591 0.8867 0.7624 0.5956 0.4143 0.2517
9 1.0000 1.0000 0.9998 0.9974 0.9861 0.9520 0.8782 0.7553 0.5914 0.4119
10 1.0000 1.0000 1.0000 0.9994 0.9961 0.9829 0.9468 0.8725 0.7507 0.5881
11 1.0000 1.0000 1.0000 0.9999 0.9991 0.9949 0.9804 0.9435 0.8692 0.7483
12 1.0000 1.0000 1.0000 1.0000 0.9998 0.9987 0.9940 0.9790 0.9420 0.8684
13 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9985 0.9935 0.9786 0.9423
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9984 0.9936 0.9793
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9985 0.9941
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9997 0.9987
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9998
18 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

APÉNDICE Nº 3
DISTRIBUCIÓN DE POISSON - TÉRMINOS ACUMULATIVOS

x x
e
PX x
x 0 x!
x 0 1 2 3 4 5 6 7 8 9 10
0.01 0.990
0.02 0.980
0.03 0.970
0.04 0.961 0.999
0.05 0.951 0.999
0.06 0.942 0.998

0.07 0.932 0.998
0.08 0.923 0.997
0.09 0.914 0.996
0.10 0.905 0.995
0.15 0.861 0.990 0.999

0.20 0.819 0.982 0.999
0.25 0.779 0.974 0.998
0.30 0.741 0.963 0.996
0.35 0.705 0.951 0.994

0.40 0.670 0.938 0.992 0.999
0.45 0.638 0.925 0.989 0.999
0.50 0.607 0.910 0.986 0.998
0.55 0.577 0.894 0.982 0.998

0.60 0.549 0.878 0.977 0.997
0.65 0.522 0.861 0.972 0.996 0.999

DISTRIBUCIÓN DE POISSON - Términos Acumulativos

x x
e
P X x
x 0 x!
x 0 1 2 3 4 5 6 7 8 9 10
0.70 0.497 0.844 0.966 0.994 0.999

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

DISTRIBUCIÓN DE POISSON - Términos Acumulativos

x x
e
P X x
x 0 x!
x 11 12 13 14 15
3.2
3.4
3.6
3.8 0.999
4.0 0.999
4.2 0.999
4.4 0.998 0.999
4.6 0.997 0.999
4.8 0.996 0.999
5.0 0.995 0.998 0.999
5.2 0.993 0.997 0.999
5.4 0.990 0.996 0.999
5.6 0.988 0.995 0.998 0.999
5.8 0.984 0.993 0.997 0.999
6.0 0.980 0.991 0.996 0.999 0.999
x 0 1 2 3 4 5 6 7 8 9 10
6.2 0.002 0.015 0.054 0.134 0.259 0.414 0.574 0.716 0.826 0.902 0.949
6.4 0.002 0.012 0.046 0.119 0.235 0.384 0.542 0.687 0.803 0.886 0.939
6.6 0.001 0.010 0.400 0.105 0.213 0.355 0.511 0.658 0.780 0.869 0.927
6.8 0.001 0.009 0.034 0.093 0.192 0.327 0.48 0.628 0.755 0.85 0.915
7.0 0.001 0.007 0.030 0.082 0.173 0.301 0.45 0.599 0.729 0.83 0.901
7.2 0.001 0.006 0.025 0.072 0.156 0.276 0.42 0.569 0.703 0.81 0.887
7.4 0.001 0.005 0.022 0.063 0.140 0.253 0.392 0.539 0.676 0.788 0.871
7.6 0.001 0.004 0.019 0.055 0.125 0.231 0.365 0.51 0.618 0.765 0.854
7.8 0.004 0.016 0.048 0.112 0.21 0.338 0.481 0.62 0.741 0.835
8.0 0.003 0.014 0.042 0.100 0.191 0.313 0.453 0.593 0.717 0.816
8.2 0.003 0.012 0.037 0.089 0.174 0.290 0.425 0.565 0.692 0.796
8.4 0.002 0.010 0.032 0.079 0.157 0.267 0.399 0.537 0.666 0.774
x 11 12 13 14 15 16 17 18
6.2 0.975 0.099 0.995 0.998 0.999
6.4 0.969 0.986 0.994 0.997 0.999
6.6 0.963 0.982 0.992 0.997 0.999 0.999
6.8 0.955 0.978 0.990 0.996 0.998 0.999
7.0 0.947 0.973 0.987 0.994 0.998 0.999
7.2 0.937 0.967 0.984 0.993 0.997 0.999 0.999
7.4 0.926 0.961 0.980 0.991 0.996 0.998 0.999
7.6 0.915 0.954 0.976 0.989 0.995 0.998 0.999
7.8 0.902 0.945 0.971 0.986 0.993 0.997 0.999
8.0 0.888 0.936 0.966 0.983 0.992 0.996 0.998 0.999
8.2 0.873 0.926 0.960 0.979 0.990 0.995 0.998 0.999
8.4 0.857 0.915 0.952 0.975 0.987 0.994 0.997 0.999

x x
e
DISTRIBUCIÓN DE POISSON - Términos Acumulativos PX x
x 0 x!
x 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
8.5 0.002 0.009 0.030 0.074 0.150 0.256 0.386 0.523 0.653 0.763 0.849 0.909 0.949 0.973 0.986 0.993 0.997
9.0 0.001 0.006 0.021 0.055 0.116 0.207 0.324 0.456 0.587 0.706 0.803 0.876 0.926 0.959 0.978 0.989 0.995
9.5 0.001 0.004 0.015 0.040 0.089 0.165 0.269 0.392 0.522 0.645 0.752 0.836 0.898 0.940 0.967 0.982 0.991
10.0 0.003 0.010 0.029 0.067 0.13 0.220 0.333 0.256 0.583 0.697 0.792 0.864 0.917 0.951 0.973 0.986
10.5 0.002 0.007 0.021 0.050 0.102 0.179 0.279 0.397 0.521 0.639 0.742 0.825 0.888 0.932 0.960 0.978
11.0 0.001 0.005 0.015 0.038 0.079 0.143 0.232 0.341 0.460 0.579 0.689 0.781 0.854 0.907 0.944 0.968
11.5 0.001 0.003 0.011 0.028 0.06 0.114 0.191 0.289 0.402 0.520 0.633 0.733 0.815 0.878 0.924 0.954
12.0 0.001 0.002 0.008 0.020 0.046 0.090 0.155 0.242 0.347 0.462 0.376 0.682 0.772 0.844 0.899 0.937
12.5 0.002 0.005 0.015 0.035 0.070 0.125 0.201 0.297 0.406 0.519 0.628 0.725 0.806 0.869 0.916
13.0 0.001 0.004 0.011 0.026 0.354 0.100 0.166 0.252 0.353 0.463 0.573 0.675 0.764 0.835 0.890
13.5 0.001 0.003 0.008 0.019 0.041 0.079 0.135 0.211 0.304 0.409 0.518 0.623 0.718 0.798 0.861
14.0 0.002 0.006 0.014 0.032 0.067 0.109 0.176 0.260 0.358 0.464 0.570 0.669 0.756 0.827
14.5 0.001 0.004 0.010 0.024 0.048 0.088 0.145 0.220 0.311 0.413 0.518 0.619 0.711 0.790
15.0 0.001 0.003 0.008 0.018 0.037 0.070 0.118 0.185 0.268 0.363 0.466 0.568 0.664 0.749
16.0 0.001 0.004 0.010 0.022 0.043 0.077 0.127 0.193 0.275 0.680 0.467 0.566 0.659
17.0 0.001 0.002 0.005 0.130 0.026 0.049 0.085 0.135 0.201 0.281 0.371 0.468 0.564
18.0 0.001 0.003 0.007 0.015 0.030 0.055 0.092 0.143 0.208 0.287 0.375 0.469
x 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
8.5 0.999 0.999
9.0 0.998 0.999
9.5 0.996 0.998 0.999
10.0 0.993 0.997 0.998 0.999
10.5 0.988 0.994 0.997 0.999 0.999
11.0 0.982 0.991 0.995 0.998 0.999
11.5 0.974 0.986 0.992 0.996 0.998 0.999
12.0 0.963 0.979 0.988 0.994 0.997 0.999 0.999
12.5 0.948 0.969 0.983 0.991 0.995 0.998 0.999 0.999
13.0 0.930 0.957 0.975 0.986 0.992 0.996 0.998 0.999
13.5 0.908 0.942 0.937 0.950 0.989 0.994 0.997 0.998 0.999
14.0 0.883 0.923 0.952 0.971 0.983 0.991 0.995 0.997 0.999 0.999
14.5 0.853 0.901 0.936 0.960 0.976 0.983 0.992 0.996 0.995 0.999 0.999
15.0 0.819 0.875 0.917 0.947 0.967 0.981 0.989 0.994 0.997 0.995 0.999
16.0 0.742 0.812 0.868 0.911 0.942 0.963 0.978 0.987 0.993 0.996 0.998 0.999 0.999
17.0 0.655 0.736 0.805 0.861 0.905 0.937 0.959 0.975 0.985 0.991 0.995 0.997 0.999 0.999
18.0 0.562 0.651 0.731 0.799 0.855 0.899 0.932 0.955 0.972 0.983 0.99 0.994 0.997 0.998 0.999
x x
e
DISTRIBUCIÓN DE POISSON - Términos Acumulativos PX x
x 0 x!
x 6 7 8 9 10 11 12 13 14 15 16 17
19.0 0.001 0.002 0.004 0.009 0.018 0.035 0.061 0.098 0.015 0.215 0.292 0.378
20.0 0.001 0.002 0.005 0.011 0.021 0.039 0.066 0.105 0.157 0.221 0.297
21.0 0.001 0.003 0.006 0.013 0.025 0.043 0.072 0.111 0.163 0.227
22.0 0.001 0.002 0.004 0.008 0.015 0.028 0.048 0.077 0.117 0.169
23.0 0.001 0.002 0.004 0.009 0.017 0.031 0.052 0.082 0.123
24.0 0.001 0.003 0.005 0.011 0.020 0.034 0.560 0.087
25.0 0.001 0.001 0.003 0.006 0.012 0.022 0.038 0.060
X 18 19 20 21 22 23 24 25 26 27 28 29
19.0 0.469 0.561 0.647 0.725 0.793 0.849 0.395 0.927 0.951 0.697 0.980 0.988
20.0 0.381 0.470 0.559 0.644 0.721 0.787 0.343 0.888 0.922 0.948 0.966 0.978
21.0 0.302 0.840 0.471 0.558 0.640 0.716 0.782 0.838 0.383 0.917 0.944 0.863
22.0 0.232 0.306 0.387 0.472 0.556 0.637 0.712 0.777 0.832 0.877 0.913 0.940
23.0 0.175 0.238 0.310 0.389 0.472 0.555 0.635 0.708 0.772 0.327 0.873 0.908
24.0 0.128 0.180 0.243 0.314 0.392 0.473 0.554 0.632 0.704 0.768 0.823 0.868
25.0 0.092 0.134 0.185 0.247 0.318 0.394 0.473 0.553 0.629 0.700 0.763 0.818
x 30 31 32 33 34 35 36 37 38 39 40 41 42
19.0 0.993 0.996 0.998 0.999 0.999
20.0 0.987 0.992 0.995 0.970 0.999 0.999
21.0 0.976 0.982 0.991 0.994 0.997 0.998 0.999 0.999
22.0 0.959 0.973 0.983 0.989 0.994 0.996 0.998 0.999 0.999
23.0 0.936 0.956 0.971 0.981 0.988 0.993 0.996 0.997 0.999 0.999
24.0 0.904 0.932 0.953 0.969 0.979 0.987 0.992 0.995 0.997 1.000 0.999 0.999
25.0 0.863 0.900 0.929 0.950 0.966 0.978 0.985 0.991 0.994 0.997 0.998 0.999 0.999

APÉNDICE Nº 4
DISTRIBUCIÓN ACUMULATIVA NORMAL

z2
z 1 2
F z e dz
2
z F(z) z F(z) Z F(z)

-4.00 0.00003 -3.55 0.00019 -3.10 0.00097
-3.99 0.00003 -3.54 0.00020 -3.09 0.00100
-3.98 0.00003 -3.53 0.00021 -3.08 0.00104
-3.97 0.00004 -3.52 0.00022 -3.07 0.00107
-3.96 0.00004 -3.51 0.00022 -3.06 0.00111
-3.95 0.00004 -3.50 0.00023 -3.05 0.00114
-3.94 0.00004 -3.49 0.00024 -3.04 0.00118
-3.93 0.00004 -3.48 0.00025 -3.03 0.00122
-3.92 0.00004 -3.47 0.00026 -3.02 0.00126
-3.91 0.00005 -3.46 0.00027 -3.01 0.00131
-3.90 0.00005 -3.45 0.00028 -3.00 0.00135
-3.89 0.00005 -3.44 0.00029 -2.99 0.00139
-3.88 0.00005 -3.43 0.00030 -2.98 0.00144
-3.87 0.00005 -3.42 0.00031 -2.97 0.00149
-3.86 0.00006 -3.41 0.00032 -2.96 0.00154
-3.85 0.00006 -3.40 0.00034 -2.95 0.00159
-3.84 0.00006 -3.39 0.00035 -2.94 0.00164
-3.83 0.00006 -3.38 0.00036 -2.93 0.00169
-3.82 0.00007 -3.37 0.00038 -2.92 0.00175
-3.81 0.00007 -3.36 0.00039 -2.91 0.00181
-3.80 0.00007 -3.35 0.00040 -2.90 0.00187
-3.79 0.00008 -3.34 0.00042 -2.89 0.00193
-3.78 0.00008 -3.33 0.00043 -2.88 0.00199
-3.77 0.00008 -3.32 0.00045 -2.87 0.00205
-3.76 0.00008 -3.31 0.00047 -2.86 0.00212
-3.75 0.00009 -3.30 0.00048 -2.85 0.00219
-3.74 0.00009 -3.29 0.00050 -2.84 0.00226
-3.73 0.00010 -3.28 0.00052 -2.83 0.00233
-3.72 0.00010 -3.27 0.00054 -2.82 0.00240
-3.71 0.00010 -3.26 0.00056 -2.81 0.00246
-3.70 0.00011 -3.25 0.00058 -2.80 0.00256

-3.69 0.00011 -3.24 0.00060 -2.79 0.00264
-3.68 0.00012 -3.23 0.00062 -2.78 0.00272
-3.67 0.00012 -3.22 0.00064 -2.77 0.00280
-3.66 0.00013 -3.21 0.00066 -2.76 0.00289
-3.65 0.00013 -3.20 0.00069 -2.75 0.00298
-3.64 0.00014 -3.19 0.00071 -2.74 0.00307
-3.63 0.00014 -3.18 0.00074 -2.73 0.00317
-3.62 0.00015 -3.17 0.00076 -2.72 0.00326
-3.61 0.00015 -3.16 0.00079 -2.71 0.00336
-3.60 0.00016 -3.15 0.00082 -2.70 0.00347
-3.59 0.00017 -3.14 0.00084 -2.69 0.00357
-3.58 0.00017 -3.13 0.00087 -2.68 0.00368
-3.57 0.00018 -3.12 0.00090 -2.67 0.00379
-3.56 0.00019 -3.11 0.00094 -2.66 0.00391


z2
z 1 2
F z e dz
2
z F(z) z F(z) z F(z)

-2.65 0.00402 -2.20 0.01390 -1.75 0.04006
-2.64 0.00415 -2.19 0.01426 -1.74 0.04093
-2.63 0.00427 -2.18 0.01463 -1.73 0.04182
-2.62 0.00440 -2.17 0.01500 -1.72 0.04772
-2.61 0.00453 -2.16 0.01539 -1.71 0.04363
-2.60 0.00466 -2.15 0.01578 -1.70 0.04457
-2.59 0.00480 -2.14 0.01618 -1.69 0.04551
-2.58 0.00494 -2.13 0.01659 -1.68 0.04648
-2.57 0.00508 -2.12 0.01700 -1.67 0.04746
-2.56 0.00523 -2.11 0.01743 -1.66 0.04846
-2.55 0.00539 -2.10 0.01786 -1.65 0.04947
-2.54 0.00554 -2.09 0.01831 -1.64 0.05050
-2.53 0.00520 -2.08 0.01876 -1.63 0.05155
-2.52 0.00587 -2.07 0.01923 -1.62 0.05262
-2.51 0.00604 -2.06 0.01970 -1.61 0.05370
-2.50 0.00621 -2.05 0.02018 -160 0.05480
-2.49 0.00639 -2.04 0.02068 -1.59 0.05592
-2.48 0.00657 -2.03 0.02118 -1.58 0.05705
-2.47 0.00676 -2.02 0.02169 -1.57 0.05821
-2.46 0.00695 -2.01 0.02222 -1.56 0.05938
-2.45 0.00714 -2.00 0.02275 -1.55 0.06057
2.44 0.00734 -1.99 0.02330 -1.54 0.06179
2.43 0.00755 -1.98 0.02385 -1.53 0.06301
-2.42 0.00776 -1.97 0.02442 -1.52 0.06426
-2.41 0.00798 -1.96 0.02500 -1.51 0.06552
-2.40 0.00820 -1.95 0.02569 -1.50 0.06681
-2.39 0.00842 -1.94 0.02619 -1.49 0.06811
-2.38 0.00866 -1.93 0.02680 -1.48 0.06944
-2.37 0.00889 -1.92 0.02745 -1.47 0.07078
-2.36 0.00914 -1.91 0.02807 -1.46 0.07215
-2.35 0.00939 -1.90 0.02872 -1.45 0.07353
-2.34 0.00940 -1.89 0.02938 -1.44 0.07493
-2.33 0.00990 -1.88 0.03005 -1.43 0.07636
-2.32 0.01017 -1.87 0.03074 -1.42 0.07780
-2.31 0.01044 -1.86 0.03144 -1.41 0.07927
-2.30 0.01072 -1.85 0.03216 -1.40 0.08076
-2.29 0.01101 -1.84 0.03288 -1.39 0.08226
-2.28 0.01130 -1.83 0.03362 -1.38 0.08379
-2.27 0.01160 -1.82 0.03438 -1.37 0.08534
-2.26 0.01191 -1.81 0.03515 -1.36 0.08691
-2.25 0.01222 -1.80 0.03593 -1.35 0.08851
-2.24 0.01255 -1.79 0.03673 -1.34 0.09012
-2.23 0.01287 -1.78 0.03754 -1.33 0.09176
-2.22 0.01321 -1.77 0.03836 -1.32 0.09342
-2.21 0.01355 -1.76 0.03920 -1.31 0.09510


z2
z 1 2
F z e dz
2

-1.30 0.09680 -0.85 0.19766 -0.40 0.34458
-1.29 0.09853 -0.84 0.20045 -0.39 0.34827
-1.28 0.10027 -0.83 0.20327 -0.38 0.35197
-1.2 0.10204 -0.82 0.20611 -0.37 0.35569
-1.26 0.10383 -0.81 0.20897 -0.36 0.35942
-1.25 0.10565 -0.80 0.21186 -0.35 0.36317
-1.24 0.10749 -0.79 0.21476 -0.34 0.36693
-1.23 0.10935 -0.78 0.21770 -0.33 0.37070
-1.22 0.11123 -0.77 0.22065 -0.32 0.37448
-1.21 0.11314 -0.76 0.22363 -0.31 0.37828
-1.20 0.11507 -0.75 0.22663 -0.30 0.38209
-1.19 0.11702 -0.74 0.22965 -0.29 0.38591
-1.18 0.11900 -0.73 0.23270 -0.28 0.38974
-1.17 0.12100 -0.72 0.23576 -0.27 0.39358
-1.16 0.12302 -0.71 0.23885 -0.26 0.39743
-1.15 0.12507 -0.70 0.24196 -0.25 0.40129
-1.14 0.12714 -0.69 0.24510 -0.24 0.40517
-1.13 0.12924 -0.68 0.24825 -0.23 0.40905
-1.12 0.13136 -0.67 0.25143 -0.22 0.41294
-1.11 0.13350 -0.66 0.25463 -0.21 0.41683
-1.10 0.13567 -0.65 0.25785 -0.20 0.42074
-1.09 0.13786 -0.64 0.26109 -0.19 0.42465
-1.08 0.14007 -0.63 0.26435 -0.18 0.42858
-1.07 0.14231 -0.62 0.26763 -0.17 0.43251
-1.06 0.14457 -0.61 0.27093 -0.16 0.43644
-1.05 0.14686 -0.60 0.27425 -0.15 0.44038
-1.04 0.14917 -0.59 0.27760 -0.14 0.44433
-1.03 0.15150 -0.58 0.28096 -0.13 0.44828
-1.02 0.15386 -0.57 0.28434 -0.12 0.45224
-1.01 0.15625 -0.56 0.28774 -0.11 0.45620
-1.00 0.15866 -0.55 0.29116 -0.10 0.46017
-0.99 0.16109 -0.54 0.29460 -0.09 0.46414
-0.98 0.16354 -0.53 0.29806 -0.08 0.46812
-0.97 0.16602 -0.52 0.30153 -0.07 0.47210
-0.96 0.16853 -0.51 0.30503 -0.06 0.47608
-0.95 0.17106 -0.50 0.30854 -0.05 0.48006
-0.94 0.17361 -0.49 0.31207 -0.04 0.48805
-0.93 0.17619 -0.48 0.31561 -0.03 0.48803
-0.92 0.17879 -0.47 0.31918 -0.02 0.49202
-0.91 0.18141 -0.46 0.32276 -0.01 0.49601
-0.90 0.18406 -0.45 0.32636 0.00 0.50000
-0.89 0.18673 -0.44 0.32997 0.01 0.50399
-0.88 0.18943 -0.43 0.33360 0.02 0.50798
-0.87 0.19215 -0.42 0.33724 0.03 0.51197
-0.86 0.19489 -0.41 0.34090 0.04 0.51595


z2
z 1 2
F z e dz
2

0.05 0.51994 0.50 0.69146 0.95 0.82894
0.06 0.52392 0.51 0.69497 0.96 0.83147
0.07 0.52790 0.52 0.69847 0.97 0.83398
0.08 0.53188 0.53 0.70194 0.98 0.83646
0.09 0.53586 0.54 0.70540 0.99 0.83891
0.10 0.53983 0.55 0.70884 1.00 0.84134
0.11 0.54380 0.56 0.12260 1.01 0.84375
0.12 0.54776 0.57 0.71566 1.02 0.84614
0.13 0.55172 0.58 0.71904 1.03 0.84850
0.14 0.55561 0.59 0.72240 1.04 0.85083
0.15 0.55962 0.60 0.72575 1.05 0.85314
0.16 0.56356 0.61 0.72907 1.06 0.85543
0.17 0.56749 0.62 0.73237 1.07 0.85769
0.18 0.57142 0.63 0.73565 1.08 0.85993
0.19 0.57535 0.64 0.73891 1.09 0.86214
0.20 0.57926 0.65 0.74215 1.10 0.86433
0.21 0.58317 0.66 0.74537 1.11 0.86650
0.22 0.58706 0.67 0.74857 1.12 0.86864
0.23 0.59095 0.68 0.75175 1.13 0.87076
0.24 0.59483 0.69 0.75490 1.14 0.87286
0.25 0.59871 0.70 0.75804 1.15 0.87493
0.26 0.60257 0.71 0.76115 1.16 0.87698
0.27 0.60612 0.72 0.76424 1.17 0.87900
0.28 0.61026 0.73 0.76730 1.18 0.88100
0.29 0.61409 0.74 0.77035 1.19 0.88298
0.30 0.61791 0.75 0.77337 1.20 0.88493
0.31 0.62172 0.76 0.77637 1.21 0.88686
0.32 0.62552 0.77 0.77935 1.22 0.88877
0.33 0.62930 0.78 0.78230 1.23 0.89065
0.34 0.63307 0.79 0.78524 1.24 0.89251
0.35 0.63383 0.80 0.78814 1.25 0.89435
0.36 0.64058 0.81 0.79103 1.26 0.89617
0.37 0.64431 0.82 0.79389 1.27 0.89796
0.38 0.64803 0.83 0.79677 1.28 0.89973
0.39 0.65173 0.84 0.79955 1.29 0.90147
0.40 0.65542 0.85 0.80234 1.30 0.90320
0.41 0.65910 0.86 0.80511 1.31 0.90490
0.42 0.66276 0.87 0.80785 1.32 0.90658
0.43 0.66640 0.88 0.81057 1.33 0.90824
0.44 0.67003 0.89 0.81327 1.34 0.90988
0.45 0.67364 0.90 0.81594 1.35 0.91149
0.46 0.67724 0.91 0.81859 1.36 0.91309
0.47 0.68082 0.92 0.82121 1.37 0.91466
0.48 0.68439 0.93 0.82381 1.38 0.91621
0.49 0.68793 0.94 0.82639 1.39 0.91774


z2
z 1 2
F z e dz
2
1.40 0.91924 1.85 0.96784 2.30 0.98928
1.41 0.92030 1.86 0.96856 2.31 0.98956
1.42 0.92220 1.87 0.96926 2.32 0.98983
1.43 0.92364 1.88 0.96995 2.33 0.99010
1.44 0.92507 1.89 0.97706 2.34 0.99030
1.45 0.92647 1.90 0.97128 2.35 0.99061
1.46 0.92785 1.91 0.97193 2.36 0.99086
1.47 0.92922 1.92 0.97257 2.37 0.99111
1.48 0.93056 1.93 0.97320 2.38 0.99134
1.49 0.93189 1.94 0.97381 2.39 0.99158
1.50 0.93319 1.95 0.97441 2.40 0.99180
1.51 0.93443 1.96 0.97500 2.41 0.99202
1.52 0.93574 1.97 0.97558 2.42 0.99224
1.53 0.93699 1.98 0.97615 2.43 0.99245
1.54 0.93822 1.99 0.97670 2.44 0.99266
1.55 0.93943 2.00 0.97725 2.45 0.99286
1.56 0.94062 2.01 0.97778 2.46 0.99305
1.57 0.94179 2.02 0.97831 2.47 0.99324
1.58 0.94295 2.03 0.97882 2.48 0.99343
1.59 0.94408 2.04 0.97932 2.49 0.99361
1.60 0.94520 2.05 0.97982 2.50 0.99379
1.61 0.94630 2.06 0.98030 2.51 0.99396
1.62 0.94738 2.07 0.98077 2.52 0.99413
1.63 0.94845 2.08 0.98124 2.53 0.99430
1.64 0.94950 2.09 0.98169 2.54 0.99446
1.65 0.95053 2.10 0.98214 2.55 0.99461
1.66 0.95154 2.11 0.98257 2.56 0.99477
1.67 0.95254 2.12 0.98300 2.57 0.99492
1.68 0.95352 2.13 0.98341 2.58 0.99506
1.69 0.95449 2.14 0.98382 2.59 0.99520
1.70 0.95543 2.15 0.98422 2.60 0.99534
1.71 0.95637 2.16 0.98461 2.61 0.99547
1.72 0.95728 2.17 0.98500 2.62 0.99560
1.73 0.95818 2.18 0.98537 2.63 0.99573
1.74 0.95907 2.19 0.98574 2.64 0.99585
1.75 0.95994 2.20 0.98610 2.65 0.99598
1.76 0.96080 2.21 0.98645 2.66 0.99609
1.77 0.96164 2.22 0.98679 2.67 0.99621
1.78 0.96246 2.23 0.98713 2.68 0.99632
1.79 0.96327 2.24 0.98745 2.69 0.99643
1.80 0.96407 2.25 0.98778 2.70 0.99653
1.81 0.96485 2.26 0.98809 2.71 0.99664
1.82 0.96562 2.27 0.98840 2.72 0.99674
1.83 0.96638 2.28 0.98870 2.73 0.99683
1.84 0.96771 2.29 0.98899 2.74 0.99693


z2
z 1 2
F z e dz
2

2.75 0.99702 3.20 0.99931 3.65 0.99987
2.76 0.99711 3.21 0.99934 3.66 0.99987
2.77 0.99720 3.22 0.99936 3.67 0.99988
2.78 0.99728 3.23 0.99938 3.68 0.99988
2.79 0.99736 3.24 0.99940 3.69 0.99989
2.80 0.99744 3.25 0.99942 3.70 0.99989
2.81 0.99752 3.26 0.99944 3.71 0.99990
2.82 0.99760 3.27 0.99946 3.72 0.99990
2.83 0.99767 3.28 0.99948 3.73 0.99990
2.84 0.99774 3.29 0.99950 3.74 0.99991
2.85 0.99781 3.30 0.99952 3.75 0.99991
2.86 0.99788 3.31 0.99953 3.76 0.99992
2.87 0.99795 3.32 0.99955 3.77 0.99992
2.88 0.99801 3.33 0.99957 3.78 0.99992
2.89 0.99807 3.34 0.99958 3.79 0.99992
2.90 0.99813 3.35 0.99960 3.80 0.99993
2.91 0.99819 3.36 0.99961 3.81 0.99993
2.92 0.99825 3.37 0.99962 3.82 0.99993
2.93 0.99831 3.38 0.99964 3.83 0.99994
2.94 0.99836 3.39 0.99965 3.84 0.99994
2.95 0.99841 3.40 0.99966 3.85 0.99994
2.96 0.99846 3.41 0.99968 3.86 0.99994
2.97 0.99851 3.42 0.99969 3.87 0.99995
2.98 0.99856 3.43 0.99970 3.88 0.99995
2.99 0.99861 3.44 0.99971 3.89 0.99995
3.00 0.99865 3.45 0.99972 3.90 0.99995
3.01 0.99869 3.46 0.99973 3.91 0.99995
3.02 0.99874 3.47 0.99974 3.92 0.99996
3.03 0.99878 3.48 0.99975 3.93 0.99996
3.04 0.99882 3.49 0.99976 3.94 0.99996
3.05 0.99989 3.50 0.99977 3.95 0.99996
3.06 0.99889 3.51 0.99978 3.96 0.99996
3.07 0.99893 3.52 0.99978 3.97 0.99996
3.08 0.99897 3.53 0.99979 3.98 0.99997
3.09 0.99900 3.54 0.99980 3.99 0.99997
3.10 0.99903 3.55 0.99981 4.00 0.99997
3.11 0.99906 3.56 0.99981
3.12 0.99910 3.57 0.99982
3.13 0.99913 3.58 0.99983
3.14 0.99916 3.59 0.99983
3.15 0.99918 3.60 0.99984
3.16 0.99921 3.61 0.99985
3.17 0.99924 3.62 0.99985
3.18 0.99926 3.63 0.99986
3.19 0.99929 3.64 0.99986

APÉNDICE Nº 5
DISTRIBUCIÓN ACUMULATIVA t
p
n
0.75 0.8 0.85 0.9 0.95 0.975 0.99 0.995 0.9995
1 1.0005 1.376 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 0.816 1.071 1.386 1.836 2.920 4.303 6.965 9.925 31.598
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.941
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.850

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.449 5.405
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.866 1.071 1.337 1.746 2.120 2.584 2.921 4.015

17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.969
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.540 2.861 3.883
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.800 2.518 2.831 3.819

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.477 2.779 3.707

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.683 0.854 1.055 1.311 1.699 2.047 2.462 2.756 3.659
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.646
35 0.682 0.852 1.052 1.306 1.690 2.030 2.438 2.724 3.591

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.551
45 0.680 0.850 1.048 1.301 1.680 2.014 2.412 2.690 3.520
50 0.680 0.849 1.047 1.299 1.676 2.008 2.403 2.698 3.496
55 0.679 0.849 1.047 1.297 1.673 2.004 2.396 2.669 3.476
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.600 3.460

70 0.678 0.847 1.045 1.294 1.667 1.944 2.381 2.648 3.435
80 0.678 0.847 1.044 1.293 1.665 1.990 2.374 2.638 3.416
90 0.678 0.846 1.043 1.291 1.662 1.987 2.368 2.632 3.402
100 0.677 0.846 1.042 1.290 1.661 1.984 2.364 2.626 3.390
200 0.676 0.844 1.039 1.286 1.653 1.972 2.445 2.601 3.340
300 0.676 0.843 1.038 1.285 1.650 1.968 2.437 2.592 3.323
400 0.676 0.843 1.038 1.284 1.649 1.966 2.434 2.588 3.315
500 0.676 0.843 1.037 1.284 1.648 1.965 2.432 2.586 3.310
1000 0.675 0.842 1.037 1.283 1.647 1.962 2.427 2.581 3.301
0.67449 0.84162 1.03643 1.28155 1.64485 1.95996 2.32630 2.57582 3.29053

APÉNDICE Nº 6
DISTRIBUCIÓN ACUMULATIVA
0 Ji -CUADRADA
2
x (n )
p
n
0.0005 0.001 0.005 0.01 0.025 0.05 0.1 0.2 0.3 0.4
1 0.06393 0.05157 0.04393 0.03157 0.02982 0.01393 0.0158 0.0642 0.148 0.275
2 0.02100 0.01200 0.0100 0.0201 0.0506 0.103 0.211 0.446 0.713 1.02
3 0.0153 0.0243 0.0717 0.115 0.216 0.352 0.584 1.00 1.42 1.87
4 0.0636 0.0908 0.207 0.297 0.484 0.711 1.06 1.65 2.19 2.75
5 0.158 0.210 0.412 0.554 0.831 1.15 1.61 2.34 3.00 3.66
6 0.299 0.381 0.676 0.872 1.24 1.64 2.20 3.07 3.83 4.57
7 0.485 0.598 0.989 1.24 1.69 2.17 2.83 3.82 4.67 5.49
8 0.710 0.857 1.34 1.65 2.18 2.73 3.49 4.59 5.53 6.42
9 0.972 1.15 1.73 2.09 2.70 3.33 4.17 5.38 6.39 7.36
10 1.26 1.48 2.16 2.56 3.25 3.94 4.87 6.18 7.27 8.30
11 1.59 1.83 2.60 3.05 3.82 4.57 5.58 6.99 8.15 9.24
12 1.93 2.21 3.07 3.57 4.40 5.23 6.30 7.81 9.03 10.2
13 2.31 2.62 3.57 4.11 5.01 5.89 7.04 8.63 9.93 11.1
14 2.70 3.04 4.07 4.66 5.63 6.57 7.79 9.47 10.8 12.1
15 3.11 3.48 4.60 5.23 6.26 7.26 8.55 10.3 11.7 13.0
16 3.54 3.94 5.14 5.81 6.91 7.96 9.31 11.2 12.6 14.0
17 3.98 4.42 5.70 6.41 7.56 8.67 10.1 12.0 13.5 14.9
18 4.44 4.90 6.26 7.01 8.23 9.39 10.9 12.9 14.4 15.9
19 4.91 5.41 6.84 7.63 8.91 10.1 11.7 13.7 15.4 16.9
20 5.40 5.92 7.43 8.26 9.50 10.9 12.4 14.6 16.3 17.8
21 5.90 6.45 8.03 8.90 10.3 11.6 13.2 15.4 17.2 18.8
22 6.40 6.98 8.64 9.54 11.0 12.3 14.0 16.3 18.1 19.7
23 6.92 7.53 9.26 10.2 11.7 13.1 14.8 17.2 19.0 20.7
24 7.45 8.08 9.89 10.9 12.4 13.8 15.7 18.1 19.9 21.7
25 7.99 8.65 10.5 11.5 13.1 14.6 16.5 18.9 20.9 22.6
26 8.54 9.22 11.2 12.2 13.8 15.4 17.3 19.8 21.8 23.6
27 9.09 9.80 11.8 12.9 14.6 16.2 18.1 20.7 22.7 24.5
28 9.66 10.4 12.5 13.6 15.3 16.9 18.0 21.6 23.6 25.5
29 10.2 11.0 13.1 14.3 16.0 17.7 19.8 22.5 24.6 26.5
30 10.8 11.6 13.8 15.0 16.8 18.5 20.6 23.4 25.5 27.4
31 11.4 12.2 14.5 15.7 17.5 19.3 21.4 24.3 26.4 28.4
32 12.0 12.8 15.1 16.4 18.3 20.1 22.3 25.1 27.4 29.4
33 12.6 13.4 15.8 17.1 19.0 20.9 23.5 26.0 28.3 30.3
34 13.2 14.1 16.5 17.8 19.8 21.7 24.0 26.9 29.2 31.3
35 13.8 14.7 17.2 18.5 20.6 22.5 24.8 27.8 30.2 32.3
36 14.4 15.3 17.9 19.2 21.3 23.3 25.6 28.7 31.1 33.3
37 15.0 16.0 18.6 20.0 22.1 24.1 26.5 29.6 32.1 34.2
38 15.6 16.6 19.3 20.7 22.9 24.9 27.3 30.5 33.0 35.2
39 16.3 17.3 20.0 21.4 23.7 25.7 28.2 31.4 33.0 36.2
40 16.9 17.9 20.7 22.2 24.4 26.5 29.1 32.3 34.9 37.1
41 17.5 18.6 21.4 22.9 25.2 27.3 29.9 33.3 35.8 38.1
42 18.2 19.2 22.1 23.7 26.0 28.1 30.8 34.2 36.8 39.1
43 18.8 19.9 22.9 24.4 26.8 29.0 31.6 35.1 36.7 40.0
44 19.5 20.6 23.6 25.1 27.6 29.8 32.5 36.0 38.6 41.0
45 20.1 21.3 24.3 25.9 28.4 30.6 33.4 36.9 39.6 42.0
46 20.8 21.9 25.0 26.7 29.2 31.4 34.2 37.8 40.5 43.0
47 21.5 22.6 25.8 27.4 30.0 32.3 35.1 38.7 41.5 43.9
48 22.1 23.3 26.5 28.2 30.8 33.1 35.9 39.6 42.4 44.9
49 22.8 24.0 27.2 28.9 31.6 33.9 36.8 40.5 43.4 45.9
50 23.5 24.7 28.0 29.7 32.4 34.8 37.7 41.4 44.3 46.9
0.06393 = 0.393 x 10-6 = 0.000000393

Ji -CUADRADA
0 2
x (n )
p
n
0.50 0.60 0.70 0.80 0.90 0.95 0.975 0.99 0.995 0.999 0.9995
1 0.455 0.708 1.07 1.64 2.71 3.84 5.02 6.63 7.88 10.8 12.1
2 1.39 1.83 2.41 3.22 4.61 5.99 7.38 9.21 10.6 13.8 15.2
3 2.37 2.95 3.67 4.64 6.25 7.81 9.35 11.3 12.8 16.3 17.7
4 3.36 4.04 4.88 5.99 7.78 9.49 11.1 13.3 14.9 18.5 20.0
5 4.36 5.13 6.06 7.29 9.24 11.1 12.8 15.1 16.7 20.5 22.1
6 5.35 6.21 7.23 8.56 10.6 12.6 14.4 16.8 18.5 22.5 24.1
7 6.35 7.28 8.38 9.8 12.0 14.1 16.0 18.5 20.3 24.3 26.0
8 7.34 8.35 9.52 11.9 13.4 15.5 17.5 20.1 22.0 26.1 27.9
9 8.34 9.41 10.7 12.2 14.7 16.9 19.0 21.7 23.6 27.9 29.7
10 9.34 10.5 11.8 13.4 16.0 18.3 20.5 23.2 25.2 29.6 31.4
11 10.3 11.5 12.9 14.6 17.3 19.7 21.9 24.7 26.8 31.3 33.1
12 11.3 12.6 14.4 15.8 18.5 21.0 23.3 26.2 28.3 32.9 34.8
13 12.3 13.6 15.1 17.0 19.8 22.4 24.7 27.7 29.8 34.5 36.5
14 13.3 14.7 16.2 18.2 21.1 23.7 26.1 29.1 31.3 36.1 38.1
15 14.3 15.7 17.3 19.3 22.3 25.0 27.5 30.6 32.8 37.7 39.7
16 15.3 16.8 18.4 20.5 23.5 26.3 28.8 32.0 34.3 39.3 41.3
17 16.3 17.8 19.5 21.6 24.8 27.6 30.2 33.4 35.7 40.8 42.9
18 17.3 18.9 20.6 22.8 26.0 28.9 31.5 34.8 37.2 42.3 44.4
19 18.3 19.9 21.7 23.9 27.2 30.1 32.9 36.2 38.6 43.8 46.0
20 19.3 21.0 22.8 25.0 28.4 31.4 34.2 37.2 40.0 45.3 47.5
21 20.3 22.0 23.9 26.2 29.6 32.7 35.5 38.9 41.4 46.8 49.0
22 21.3 23.0 24.9 27.3 30.8 33.9 36.8 40.3 42.8 48.3 50.5
23 22.3 24.1 26.0 28.4 32.0 35.2 38.1 41.6 44.2 49.7 52.0
24 23.3 25.1 27.1 29.6 33.2 36.4 39.4 43.0 45.6 51.2 53.5
25 24.3 26.1 28.2 30.7 34.4 37.7 40.6 44.3 46.9 52.6 54.9
26 25.3 27.2 29.2 31.8 35.6 38.9 41.9 45.6 48.3 54.1 56.4
27 26.3 28.2 30.3 32.9 36.7 40.1 43.2 47.0 49.6 55.5 57.9
28 27.3 29.2 31.4 34.0 37.9 41.3 44.5 48.3 51.0 56.9 59.3
29 28.3 30.3 32.5 35.1 39.1 42.6 45.7 49.6 52.3 58.3 60.7
30 29.3 31.3 33.5 36.3 40.3 43.8 47.0 50.9 53.7 59.7 62.2
31 30.3 32.3 34.6 37.4 41.4 45.0 48.2 52.2 55.0 61.1 63.6
32 31.3 33.4 35.7 38.5 42.6 46.2 49.5 53.5 56.3 62.5 65.0
33 32.3 34.4 36.7 39.6 43.7 47.4 50.7 54.8 57.6 63.9 66.4
34 33.3 35.4 37.8 40.7 44.9 48.6 52.0 56.1 59.0 65.2 67.8
35 34.3 36.5 38.9 41.8 46.1 49.8 53.2 57.3 60.3 66.6 69.2
36 35.3 37.5 39.9 42.9 47.2 51.0 54.4 58.6 61.6 68.0 70.6
37 36.3 38.5 41.0 44.0 48.4 52.2 55.7 59.9 62.9 69.3 72.0
38 37.3 39.6 42.0 45.1 49.5 53.4 56.9 61.2 64.2 70.7 73.4
39 38.3 40.6 43.1 46.2 50.7 54.6 58.1 62.4 65.5 72.1 74.7
40 39.3 41.6 44.2 47.3 51.8 55.8 59.3 63.7 66.8 73.4 76.1
41 40.3 42.7 45.2 48.4 52.9 56.9 60.6 65.0 68.1 74.7 77.5
42 41.3 43.7 46.3 49.5 54.1 58.1 61.8 66.2 69.3 76.1 78.8
43 42.3 44.7 47.3 50.5 55.2 59.3 63.0 67.5 70.6 77.4 80.2
44 43.3 45.7 48.4 51.6 56.4 60.5 64.2 68.7 71.9 78.7 81.5
45 44.3 46.8 49.5 52.7 57.5 61.7 65.4 70.0 73.2 80.1 82.9
46 45.3 47.8 50.5 53.8 58.6 62.8 66.6 71.2 74.4 81.4 84.2
47 46.3 48.8 51.6 54.9 59.8 54.0 67.8 72.4 75.7 82.7 85.6
48 47.3 49.8 52.6 56.0 60.9 65.2 69.0 73.7 77.0 84.0 86.9
49 48.3 50.9 53.7 57.1 62.0 66.3 70.2 74.9 78.2 85.4 88.2
50 49.3 51.9 54.7 58.2 63.2 67.5 71.4 76.2 79.5 86.7 80.6

Ji -CUADRADA
0 2
x (n )
p
n
0.0005 0.001 0.005 0.01 0.025 0.05 0.1 0.2 0.3 0.4 0.5
51 24.1 25.4 28.7 30.5 32.2 35.6 38.6 42.4 45.3 47.8 50.3
52 24.8 26.1 29.5 31.2 34.0 36.4 39.4 43.3 46.2 48.8 51.3
53 25.5 26.8 30.2 32.0 34.8 37.3 40.3 44.2 47.2 49.8 52.3
54 26.2 27.5 31.0 32.8 35.6 38.1 41.2 45.1 48.1 50.8 53.3
55 26.9 28.2 31.7 33.6 36.4 39.0 42.1 46.0 49.1 51.7 54.3
56 27.6 28.9 32.5 34.3 37.2 39.8 42.9 47.0 50.0 52.7 55.2
57 28.2 29.6 33.2 35.1 38.0 40.6 43.8 47.9 51.0 53.7 56.3
58 28.9 30.3 34.0 35.9 38.8 41.5 44.7 48.8 51.9 54.7 57.3
59 29.6 31.0 34.8 36.7 39.7 42.3 45.6 49.7 52.9 55.6 58.3
60 30.3 31.7 35.5 37.5 40.5 43.2 46.5 50.6 53.8 56.6 59.3
61 31.0 32.5 36.3 38.3 41.3 44.0 47.3 51.6 54.8 57.6 60.3
62 31.7 33.2 37.1 39.1 42.1 44.9 48.2 52.5 55.7 58.6 61.3
63 32.5 33.8 37.8 39.9 43.0 45.7 49.1 53.4 56.7 59.6 62.3
64 33.2 34.6 38.6 40.6 43.8 46.6 50.0 54.3 57.6 60.5 63.3
65 33.9 35.4 39.4 41.4 44.6 47.4 50.9 55.3 58.6 61.5 64.3
66 34.6 36.1 40.2 42.2 45.4 48.3 51.8 56.2 59.5 62.5 65.3
67 35.3 36.8 40.9 43.0 46.3 49.2 52.7 57.1 60.5 63.5 66.3
68 36.0 38.6 41.7 43.8 47.1 50.0 53.5 58.0 61.4 64.4 67.3
69 36.7 38.3 42.5 44.6 47.9 50.9 54.4 59.0 62.4 65.4 68.3
70 37.5 39.0 43.3 45.4 48.8 51.7 55.3 59.9 63.3 66.4 69.3
71 38.2 39.8 44.1 46.2 49.6 52.6 56.2 60.8 64.3 67.4 70.3
72 38.9 40.5 44.8 47.1 50.4 53.5 57.1 61.8 65.3 68.4 71.3
73 39.6 41.3 45.3 47.9 51.3 54.3 58.0 62.7 66.2 69.3 72.3
74 40.4 42.0 46.4 48.7 52.1 55.2 58.9 63.6 67.2 70.3 73.3
75 41.1 42.8 47.2 49.5 52.9 56.1 59.8 64.5 68.1 71.3 74.3
76 41.8 43.5 48.0 50.3 53.8 56.9 60.7 65.5 69.1 72.3 75.3
77 42.6 44.3 48.8 51.1 54.6 57.8 61.6 66.4 70.0 73.2 76.3
78 43.3 45.0 49.6 51.9 55.5 58.7 62.5 67.3 71.0 74.2 77.3
79 44.1 45.8 50.4 52.7 56.3 59.5 63.4 68.3 72.0 75.2 78.3
80 44.8 56.5 51.2 53.5 57.2 60.4 64.3 69.2 72.9 76.2 79.3
81 45.5 47.3 52.0 54.4 58.0 61.3 65.2 70.1 73.9 77.2 80.3
82 46.3 48.0 52.8 55.2 58.8 62.1 66.1 71.1 74.8 78.1 81.3
83 47.0 48.8 53.6 56.0 59.7 63.0 67.0 72.0 75.8 79.1 82.3
84 47.8 49.6 54.4 56.8 60.5 63.9 67.9 72.9 76.8 80.1 83.3
85 48.5 50.3 55.2 57.6 61.4 64.7 69.8 73.9 77.7 81.1 84.3
86 49.3 51.1 56.0 58.5 62.2 65.6 69.7 74.8 78.7 82.1 85.3
87 50.0 51.9 56.8 59.3 63.1 66.5 90.6 75.7 79.6 83.0 86.3
88 50.8 52.6 57.6 60.1 63.9 67.4 71.5 76.7 80.6 84.0 87.3
89 51.5 53.4 58.4 60.9 64.8 68.2 72.4 77.6 81.6 85.0 88.3
90 52.3 54.2 59.2 61.8 65.6 69.1 73.3 78.6 82.5 86.0 89.3
91 53.0 54.9 60.0 62.6 66.5 70.0 74.2 79.5 83.5 87.0 90.3
92 53.8 55.7 60.8 63.4 67.4 70.9 75.1 80.4 84.4 88.0 91.3
93 54.5 56.5 61.6 64.2 68.2 71.8 76.0 81.4 85.4 88.9 92.3
94 55.3 57.2 62.4 65.1 69.1 72.6 76.9 82.3 86.4 89.9 93.3
95 56.1 58.0 63.2 65.9 69.9 73.5 77.8 83.2 87.3 90.9 94.3
96 56.8 58.8 94.1 66.7 70.8 74.4 78.7 84.2 88.3 91.9 95.3
97 57.6 59.6 64.9 67.6 71.6 75.3 79.6 85.1 89.2 92.9 96.3
98 58.4 60.4 65.7 68.4 72.5 76.2 80.5 86.1 90.2 93.8 97.3
99 59.1 61.1 66.5 69.2 73.4 77.0 81.4 87.0 91.2 94.8 98.3
100 59.9 61.9 67.3 70.1 74.2 77.9 82.4 87.9 92.1 95.8 99.3

Ji -CUADRADA
0 2
x (n )
p
N
0.60 0.70 0.80 0.90 0.95 0.975 0.99 0.995 0.999 0.9995
51 52.9 55.8 59.2 64.3 68.7 72.6 77.4 80.7 88.0 90.9
52 53.9 56.8 60.3 65.4 69.8 73.8 78.6 82.0 89.3 92.2
53 55.0 57.9 61.4 66.5 71.0 75.0 79.8 83.3 90.6 93.6
54 56.0 58.9 62.5 67.7 72.2 76.2 81.1 84.5 91.9 94.8
55 57.0 60.0 63.6 68.8 73.3 77.4 82.3 85.7 93.2 96.2
56 58.0 61.0 64.7 69.9 74.5 78.6 83.5 87.0 94.5 97.5
57 59.1 62.1 65.7 71.0 75.6 79.8 84.7 88.2 95.8 98.8
58 60.1 63.1 66.8 72.2 76.7 80.9 86.0 89.5 97.0 100.1
59 61.1 64.2 67.9 73.3 77.9 82.1 87.2 91.7 98.3 104.1
60 62.1 65.2 69.0 74.4 79.1 83.3 88.4 82.0 99.6 102.7
61 63.2 66.3 70.0 75.5 80.2 84.5 89.6 93.2 100.9 104.0
62 64.2 67.3 71.1 76.6 81.4 85.7 90.8 94.4 102.2 105.3
63 65.2 68.4 72.2 77.7 82.5 86.8 92.0 95.6 103.4 106.6
64 66.2 69.4 73.3 78.9 83.7 88.0 93.2 96.9 104.7 107.9
65 67.2 70.5 74.4 80.0 84.8 89.2 94.4 98.1 106.0 109.2
66 68.3 71.5 75.4 84.1 86.0 90.3 95.6 99.3 107.3 110.5
67 69.3 72.6 76.5 82.2 87.1 91.5 96.8 100.6 108.5 111.7
68 70.3 73.6 77.6 83.3 88.3 92.7 98.0 101.8 109.8 113.0
69 71.3 74.6 78.6 84.4 89.4 93.9 99.2 103.0 111.1 114.3
70 72.4 75.7 79.7 85.5 90.5 95.0 100.4 104.2 112.3 116.6
71 73.4 76.7 80.8 86.6 91.7 96.2 101.6 105.4 113.6 116.9
72 74.4 77.8 81.9 87.7 92.8 97.4 102.8 106.6 114.8 119.1
73 75.4 78.8 82.9 88.8 93.9 98.5 104.0 107.9 116.1 119.4
74 76.4 79.9 84.0 90.0 95.1 99.7 105.2 109.1 117.3 120.7
75 77.5 80.9 85.4 91.1 96.2 100.8 106.4 110.3 118.6 121.9
76 78.5 82.0 86.1 92.2 97.4 102.0 107.6 11.5 119.9 123.2
77 79.5 83.0 87.2 93.3 98.5 103.2 108.8 112.7 121.1 124.5
78 80.5 84.0 88.3 94.4 99.6 104.3 112.0 113.9 122.3 126.7
79 81.5 85.1 89.3 95.5 100.7 105.5 111.1 115.1 123.6 127.0
80 82.6 86.1 90.4 96.6 101.9 106.6 112.3 116.3 124.8 128.3
81 83.6 87.2 91.5 97.7 103.0 107.8 113.5 117.5 126.1 129.5
82 84.6 88.2 92.5 98.8 104.1 108.9 114.7 118.7 127.3 130.8
83 85.6 89.2 93.6 99.9 105.3 110.1 115.9 119.9 128.6 132.0
84 86.6 90.3 94.7 101.0 106.4 111.2 117.1 121.1 129.8 133.3
85 87.7 91.3 95.7 102.1 107.5 112.4 118.2 122.3 131.0 134.5
86 88.7 92.4 96.8 103.2 108.6 113.4 119.4 123.5 132.3 135.8
87 89.7 93.4 97.9 104.3 109.8 114.7 120.6 124.7 133.5 137.0
88 90.7 94.4 98.9 105.4 110.9 115.8 121.8 125.9 134.7 138.3
89 91.7 95.5 100.0 106.5 112.0 117.0 122.9 127.1 136.0 1389.5
90 92.8 96.5 101.1 107.6 113.1 118.1 124.1 128.3 137.2 140.8
91 93.8 97.6 102.1 108.7 114.3 119.3 125.3 129.5 138.4 142.9
92 94.8 98.6 103.2 109.8 115.4 120.4 126.5 130.7 139.7 143.3
93 95.8 99.6 104.2 110.9 116.5 121.6 128.6 131.9 140.9 144.5
94 96.8 100.7 105.3 111.9 117.6 122.7 128.8 133.1 142.1 145.8
95 97.9 101.7 106.4 113.0 118.8 123.9 130.0 134.2 143.3 147.0
96 98.9 102.8 107.4 114.1 119.9 125.0 131.1 135.4 144.6 148.2
97 99.9 103.8 108.5 115.2 121.0 126.1 132.3 136.6 145.8 149.5
98 100.9 104.8 109.5 116.3 122.1 127.3 133.5 137.8 147.0 150.7
99 101.9 105.9 110.6 117.4 123.2 128.4 134.6 139.0 148.2 151.9
100 102.9 106.9 111.7 118.5 124.3 129.6 135.8 140.2 149.4 153.2

APÉNDICE Nº 7
DISTRIBUCIÓN ACUMULATIVA F
F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
1 .0005 .06 62 .03 50 .02 38 .02 94 .016 .022 .027 .032 .036 .039 .042 .045
.001 .05 25 .02 10 .02 60 .013 .021 .028 .034 .039 0.44 0.48 .051 .054
.005 .04 62 .02 51 .018 .032 .044 .054 .062 .068 .073 .078 0.82 .085
.010 .03 25 .010 .029 .047 .062 .073 .082 .039 .095 .100 .104 .107
.025 .02 15 .026 .057 .082 .100 .113 .124 .132 .139 .144 .149 .153
.05 .02 62 .054 .099 .130 .151 .167 .179 .188 .195 .201 .207 .211
.10 .025 .117 .181 .220 .246 .265 .279 .289 .298 .304 .310 .315
.25 .172 .389 .494 .553 .591 .617 .637 .650 .661 .670 .680 .684
.50 1.00 1.50 1.71 1.82 1.89 1.94 1.98 2.00 2.03 2.04 2.05 2.07
.75 5.83 7.50 8.20 8.58 8.82 8.98 9.10 9.19 9.26 9.32 9.36 9.41
.90 39.9 49.5 53.6 55.8 57.2 58.2 58.9 59.4 59.9 60.2 60.5 60.7
.95 161 200 216 225 230 234 237 239 241 242 243 244
.975 648 800 864 900 922 937 948 957 963 969 973 977
.99 4051 5001 5401 5621 5761 5861 5931 5981 6021 6061 6081 6111
.995 1622 2002 2162 2252 2312 2342 2372 2392 2412 2422 2432 2442
.999 4063 5003 5403 5623 5763 5863 5933 5983 6023 6063 6093 6113
.9995 1624 2004 2164 2254 2314 2344 2374 2394 2414 2424 2434 2444
2 .0005 .06 50 .03 50 .02 42 .011 .020 .029 .037 .044 .050 .056 .061 .065
.001 .05 20 .02 10 .02 68 .016 .027 .037 .046 .054 .061 .068 .072 .077
.005 .04 50 .02 50 .020 .038 .055 .069 .081 .091 .099 .106 .112 .118
.010 .03 20 .010 .032 .056 .075 .092 .105 .116 .125 .132 .139 .144
.025 .02 15 .026 .062 0.94 .119 .138 .153 .165 .175 .183 .190 .196
.05 .02 50 .053 .105 .144 .173 .194 .211 .224 .235 .244 .251 .257
.10 .020 .111 .183 .231 .265 .289 .307 .321 .333 .342 .350 .356
.25 .133 .333 .439 .500 .540 .568 .588 .604 .616 .626 .633 .641
.50 .667 1.00 1.13 1.21 1.28 1.28 1.30 1.32 1.33 1.34 1.35 1.36
.75 2.57 3.00 3.15 3.23 3.28 3.31 3.34 3.35 3.37 3.38 3.39 3.39
.90 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39 9.40 9.41
.95 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4
.975 38.5 39.0 39.2 39.2 39.3 39.3 39.4 39.4 39.4 39.4 39.4 39.4
.99 98.5 99.0 99.2 99.2 99.3 99.3 99.4 99.4 99.4 99.4 99.4 99.4
.995 198 199 199 199 199 199 199 199 199 199 199 199
.999 998 999 999 999 999 999 999 999 999 999 999 999
.9995 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001
3 .0005 .06 46 .03 50 .02 44 .012 .023 .033 .043 .052 .060 .067 .074 .079
.001 .05 19 .02 10 .02 71 .018 .030 .042 .053 .063 .072 .079 .086 .093
.005 .04 46 .0250 .021 0.41 .060 .077 .092 .104 .115 .124 .132 .138
.010 .03 19 .010 .034 .060 .083 .102 .118 .132 .143 .153 .161 .168
.025 .02 12 .026 .065 .100 .129 .152 .170 .185 .197 .207 .216 .224
.05 .02 46 .052 .0108 .152 .185 .240 .230 .246 .259 .270 .279 .287
.10 .019 .109 .185 .239 .276 .304 .325 .342 .356 .367 .376 .384
.25 .122 .317 .424 .489 .531 .561 .582 .600 .613 .624 .633 .641
.50 .585 .881 1.00 1.06 1.10 1.13 1.15 1.16 1.17 1.18 1.19 1.20
.75 2.02 2.28 2.36 2.39 2.41 2.42 2.43 2.44 2.44 2.44 2.45 2.45
.90 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23 5.22 5.22
.95 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74
.975 17.4 16.0 15.4 15.1 14.9 14.7 14.6 14.5 14.5 14.4 14.4 14.3
.99 34.1 30.8 29.5 28.7 28.2 27.9 27.7 27.5 27.3 27.2 27.1 27.1
.995 55.6 49.8 47.5 46.2 45.4 44.8 44.4 44.1 43.9 43.7 43.5 43.4
.999 167 149 141 137 135 133 132 131 130 129 129 128
.9995 266 237 225 218 214 211 209 208 207 206 204 204
.0662 = 0.62 x 10-6 = 0.00000062

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
1 .0005 .051 .058 .062 .066 .069 .072 .074 .077 .078 .080 .081 .083
.001 .060 .067 .071 .075 .079 .082 .084 .87 .088 .089 .091 .092
.005 .093 .101 .105 .109 .113 .116 .118 .121 .122 .124 .126 .127
.01 .115 .124 .128 .132 .137 .139 .141 .145 .146 .148 .150 .151
.025 .161 .170 .175 .180 .184 .187 .189 .193 .194 .196 .198 .199
.05 .0220 .0230 .235 240 .245 .248 .250 .254 .255 .257 .259 .261
.10 .325 .336 .342 .347 .353 .356 .358 .362 .364 .366 .368 .370
.25 .698 .712 .719 .727 .734 .738 .741 .747 .749 .752 .754 .756
.50 2.09 2.12 2.13 2.15 2.16 2.17 2.17 2.18 2.18 2.19 2.19 2.20
.75 9.49 9.58 9.63 9.67 9.71 9.74 0.76 9.78 9.80 9.82 9.84 9.85
.90 61.2 61.7 62.0 62.3 62.5 62.7 62.8 63.0 63.1 63.2 63.3 63.3
.95 246 248 249 250 251 252 252 253 253 254 254 254
.975 985 993 997 1001 1011 1011 1011 1011 1011 1021 1021 1021
.99 6461 6211 6231 6261 6291 6301 6311 6331 6341 6351 6361 6371
.995 2462 2482 2492 2502 2512 2522 2532 2532 2542 2542 2542 2552
.999 6163 6213 6233 6263 6293 6303 6313 6333 6343 6353 6363 6373
.9995 2464 2484 2494 2504 2514 2524 2524 2534 2534 2534 2544 2544
2 .0005 .076 .088 .094 .101 .108 .113 .116 .122 .124 .130 .130 .132
.001 .088 .100 .107 .114 .121 .126 .129 .135 .137 .143 .143 .145
.005 .130 .143 .150 .157 .165 .169 .173 .179 .181 .187 .187 .189
.01 .157 .171 .178 .186 1.93 .198 .201 .207 .209 .215 .215 .217
.025 .210 .224 .232 .239 .247 .251 .255 .261 .263 .269 .269 .271
.05 .272 .286 .294 .302 .309 .314 .317 .324 .329 .332 .332 .334
.10 .371 .386 .394 .402 .410 .415 .418 .424 .426 .433 .433 .434
.25 .657 .672 .680 .689 .698 .702 .705 .711 .713 .719 .719 .721
.50 1.38 1.39 1.40 1.41 1.42 1.42 1.43 1.43 1.43 1.44 1.44 .1.44
.75 3.41 3.43 3.43 .344 3.45 3.45 3.46 3.47 3.47 3.48 3.48 3.48
.90 9.42 9.44 9.45 9.46 9.47 9.48 9.47 9.48 9.48 9.49 9.49 9.49
.95 19.4 19.4 19.5 19.5 19.5 19.5 18.5 19.5 19.5 19.5 19.5 19.5
.975 39.4 39.4 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5 39.5
.99 99.4 99.4 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5 99.5
.995 199 199 199 199 199 199 199 199 199 199 199 200
.999 999 999 999 999 999 999 999 999 999 999 999 999
.9995 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001 2001
3 .0005 .093 .109 .117 .127 .136 .143 .147 .156 .158 .166 .166 .169
.001 .107 .123 .132 .42 .152 .158 .162 .171 .173 .181 .181 .184
.005 .154 .172 .181 .191 .201 .207 .211 .220 .222 .231 .231 .234
.01 .185 .203 2.12 .222 .232 .238 .242 .251 .253 .262 .262 .264
.025 2.41 .259 .269 .279 .289 .295 .299 .308 .310 .318 .318 .321
.05 .304 .323 .332 .342 .352 3.58 .363 .370 .373 .382 .382 .384
.10 .402 .420 .430 .439 .449 .455 .459 .467 .469 .476 .476 .480
.25 .658 .675 .684 .693 .702 708 .711 .719 .721 .728 .728 .730
.50 1.21 1.23 1.23 1.24 1.25 1.25 1.25 1.26 1.26 1.27 1.27 1.27
.75 2.46 2.46 2.46 2.47 2.47 2.47 2.47 2.47 2.47 2.47 2.47 2.47
.90 5.20 5.18 5.18 5.17 5.16 5.15 5.15 5.14 5.14 5.14 5.14 5.13
.95 8.70 8.66 8.63 8.62 8.59 8.58 8.57 8.55 8.55 8.53 8.53 8.53
.975 14.3 14.2 14.1 14.1 14.0 14.0 14.0 14.0 13.9 13.9 13.9 13.9
.99 26.9 26.7 26.6 26.5 26.4 26.4 26.3 26.2 26.2 26.1 26.1 26.1
.995 43.1 42.8 42.6 42.5 42.3 42.2 42.1 42.0 42.0 41.9 41.9 41.8
.999 127 126 126 125 125 125 124 124 124 124 124 123
.9995 203 201 200 199 199 198 198 197 197 196 196 196

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
4 .0005 .06 44 .03 50 .02 46 .013 .024 .036 .047 .057 .057 .075 .082 .089
.001 .05 18 .02 10 .02 73 .019 .032 .046 .058 .069 .069 .089 .097 .104
.005 .04 44 .02 50 .022 .043 .064 .083 .100 .114 .114 .137 .145 .153
.01 .03 18 .010 .035 .063 .088 .109 .127 .143 .143 .167 .176 .185
.025 .02 11 .026 .066 .104 .135 .161 .181 .198 .198 .224 .234 .243
.05 .02 44 .052 .110 .157 .193 .221 .243 .261 .261 .288 .298 .307
.10 0.18 .108 .187 .243 .284 3.14 .338 .356 .356 .384 .394 .403
.25 .117 .309 .418 .484 .528 .560 .583 .601 .601 .627 .637 .645
.50 .549 .828 .941 1.00 1.04 1.06 .108 1.09 1.09 1.11 1.12 1.13
.75 1.81 2.00 2.05 2.06 2.07 2.08 208 2.08 2.08 2.08 2.08 2.08
.90 4.54 4.32 4.19 4.11 4.05 .401 3.98 3.95 3.95 3.92 3.91 3.90
.95 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.04 5.96 5.94 5.91
.975 12.2 10.6 9.98 9.60 9.36 9.20 9.07 8.98 8.98 8.84 8.79 8.75
.99 21.2 18.0 16.7 16.0 15.5 15.2 15.0 14.8 14.8 14.5 14.4 14.4
.995 31.3 26.3 24.3 23.2 22.5 22.0 21.6 21.4 21.4 21.0 20.8 20.7
.999 74.1 61.2 56.2 53.4 51.7 50.5 49.7 49.0 49.0 48.0 47.7 47.4
.9995 106 87.4 80.1 76.1 73.6 71.9 70.6 69.7 69.7 68.5 67.8 67.4
5 .0005 .06 43 .03 50 .02 47 .014 .025 .038 .050 .061 .070 .031 .089 .096
.001 .05 17 .02 10 .02 75 .019 .034 .048 .062 .074 .085 .095 .104 .112
.005 .04 43 .02 50 .022 0.45 0.67 0.87 .105 .120 .134 .146 .156 .165
.01 .03 17 .010 .035 .064 .091 .114 .134 .151 .165 .177 .188 .197
.025 .02 11 .025 .067 .107 .140 .167 .189 .208 .223 .236 .248 .257
.05 .02 43 .052 .111 .160 .198 .228 .252 .271 .287 .301 .313 .322
.10 .017 .108 .188 .247 .290 .322 .347 .367 .383 .397 .408 .418
.25 .113 .305 .415 .483 .528 .560 .584 .604 .618 .631 .641 .650
.50 .528 .799 .907 .965 1.00 1.02 1.04 1.05 1.06 1.07 1.08 1.09
.75 1.69 1.85 1.88 1.89 1.89 1.89 1.89 1.89 1.89 1.89 1.89 1.89
.90 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.30 3.28 3.27
.95 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.71 4.68
.975 10.0 8.43 7.76 7.39 7.15 6.98 6.85 6.76 8.68 6.62 6.57 6.52
.99 16.3 13.3 12.1 11.4 11.0 10.7 10.5 10.3 10.2 10.1 9.96 9.89
.995 22.8 18.3 16.5 15.6 14.9 14.5 14.2 14.0 13.8 13.6 13.5 13.4
.999 47.2 37.1 33.2 31.1 29.7 28.8 28.2 27.6 27.2 26.9 26.6 26.4
.9995 63.6 49.8 44.4 41.5 39.7 38.5 37.6 36.9 36.4 35.9 35.6 35.2
6 .0005 .06 43 .03 50 .02 47 .014 .026 .039 .052 .064 .075 .085 .094 .103
.001 .05 17 .02 10 .02 75 .020 .035 .050 .064 .078 .090 .101 .111 .119
.005 .04 43 .02 50 .022 .045 .069 .090 .109 .126 .140 .153 .164 .174
.01 .03 17 .010 .036 .066 .094 .118 .139 .157 .172 .186 .197 207
.025 .02 11 .025 .068 .109 .143 .172 .195 .215 .231 .246 .258 .268
.05 .02 43 .052 .112 .162 .202 .233 .259 .279 .296 .311 .324 .334
.10 .017 .107 .189 .249 .294 .327 .354 .375 .392 .406 .418 .429
.25 .111 .302 .413 .481 .524 .561 .586 .606 .623 .635 .645 .654
.50 .515 .780 .886 .942 .977 1.00 1.02 1.03 1.04 1.05 1.05 1.06
.75 1.62 1.76 1.78 1.79 1.79 1.78 1.78 1.78 1.77 1.77 1.77 1.77
.90 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94 2.92 2.90
.95 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
.975 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52 5.46 5.41 5.37
.99 13.7 10.9 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72
.995 18.6 14.5 12.9 12.0 11.5 11.1 10.8 10.6 10.4 10.2 10.1 10.0
.999 35.5 27.0 23.7 21.9 20.8 20.0 19.5 19.0 18.7 18.4 18.2 18.0
.9995 46.1 34.8 30.4 28.1 26.6 25.6 24.9 24.3 23.9 23.5 23.2 23.0
0644 = 0.44 x 10-6 = 0.00000044

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
4 .0005 .105 .125 .135 .147 .159 .166 .172 .183 .186 .191 .196 .200
.001 .121 .141 .152 .163 .176 .183 .188 .200 .202 .208 .213 .217
.005 .172 .193 .204 .216 .229 .237 .242 .253 .255 .260 .266 .269
.01 .204 .226 .237 .249 .261 .269 .274 .285 .287 .293 .298 .301
.025 .263 .284 .296 .308 .320 .327 .332 .342 .346 .351 .356 .59
.05 .327 .349 .360 .372 .384 .391 .396 .407 .409 .413 .418 .422
.10 .424 .445 .456 .467 .478 .485 .490 .500 .502 .508 .510 .514
.25 .664 .683 .692 .702 .712 .718 .722 .731 .733 .737 .740 .743
.50 1.14 1.15 1.16 1.16 1.17 1.18 1.18 1.18 1.18 1.19 1.19 1.19
.75 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08
.90 3.89 3.84 3.83 3.82 3.80 3.80 3.89 3.78 3.78 3.77 3.76 3.76
.95 5.86 5.80 5.77 5.75 5.72 5.70 5.69 5.66 5.66 5.65 5.64 5.63
.975 8.66 8.56 8.51 8.46 8.41 8.38 8.36 8.32 8.31 8.29 8.27 8.26
.99 14.2 14.0 13.9 13.8 13.7 13.7 13.7 13.6 13.6 13.5 13.5 13.5
.995 20.4 20.2 20.0 19.9 19.8 19.7 19.6 19.5 19.5 19.4 19.4 19.3
.999 46.8 46.1 45.8 45.4 45.1 44.9 44.7 44.5 44.4 44.3 14.1 44.0
.9995 66.5 65.5 65.1 64.6 64.1 63.8 63.6 63.2 63.1 62.9 62.7 62.6
5 .0005 .115 .137 .150 .163 .177 .186 .192 .205 .203 .216 .222 .226
.001 .132 .155 .167 .181 .195 .204 .210 .223 .227 .233 .239 .244
.005 .186 .210 .223 .237 .251 .260 .266 .279 .282 .288 .294 .299
.01 .219 .244 .257 .270 .285 .293 .299 .312 .315 .322 .328 .331
.025 .280 .304 .317 .330 .344 .353 .359 .370 .374 .380 .386 .390
.05 .345 .369 .382 .395 .408 .417 .422 .432 .437 .442 .448 .452
.10 .440 .463 .476 .488 .501 .508 .514 .524 .527 .532 .358 .541
.25 .669 .690 .700 .711 .722 .728 .732 .74 .743 .748 .752 .755
.50 1.10 1.11 1.12 1.12 1.13 1.19 1.14 1.14 1.14 1.15 1.15 1.15
.75 1.89 1.88 1.88 1.88 1.88 1.88 1.87 1.87 1.87 1.87 1.87 1.87
.90 3.24 3.21 3.19 3.17 3.16 3.18 3.14 3.13 3.12 3.12 3.11 3.10
.95 4.62 4.56 4.53 4.50 4.46 4.44 4.43 4.41 4.40 4.39 4.37 4.36
.975 6.43 6.33 6.28 6.23 6.18 6.14 6.12 6.08 6.07 6.05 6.03 6.02
.99 9.72 9.55 9.47 9.38 9.29 9.24 9.20 9.13 9.11 9.08 9.04 9.02
.995 13.1 12.9 12.8 12.7 12.5 12.5 12.4 12.3 12.3 12.2 12.2 12.1
.999 25.9 25.4 25.1 24.9 24.6 24.4 24.3 24.1 24.1 23.9 23.8 23.8
.9995 34.6 33.9 35.5 33.1 32.7 32.5 32.3 32.1 32.0 31.8 31.7 31.6
6 .0005 .123 .148 .162 .177 .193 .203 .210 .225 .229 .236 .244 .249
.001 .141 .166 1.80 .195 .211 .222 .229 .243 .247 .255 .262 .267
.005 .197 .224 .238 .253 .269 .279 .286 .301 .304 .312 .318 .324
.01 .232 .258 .273 .288 .304 .313 .321 .334 .338 .346 .352 .357
.025 .293 .320 .334 .349 .364 .375 .381 .394 .398 .405 .412 .415
.05 .358 .385 .399 .413 .428 .437 .444 .457 .460 .467 .472 .476
.10 .453 .478 .491 .505 .519 .526 .533 .546 .548 .556 .559 .564
.25 .675 .696 .707 .718 .729 .736 .741 .751 .753 .758 .762 .763
.50 1.07 1.08 1.09 1.10 1.10 1.11 .111 1.11 1.12 1.12 1.12 1.12
.75 1.76 1.76 1.75 1.75 1.75 1.75 1.74 1.74 1.74 1.74 1.74 1.74
.90 2.87 2.84 2.82 2.80 2.78 2.77 2.76 2.75 2.74 2.73 2.73 2.72
.95 3.94 3.87 3.84 3.81 3.77 3.75 3.74 3.71 3.70 3.69 3.68 3.67
.975 5.27 5.17 5.12 5.07 5.01 4.98 4.96 4.92 4.90 4.88 4.86 4.85
.99 7.56 7.40 7.31 7.23 7.14 7.09 7.06 6.99 6.97 6.93 6.90 6.88
.995 9.81 9.59 9.47 9.36 9.24 9.17 9.12 9.03 9.00 8.95 8.91 8.88
.999 17.6 17.1 16.9 16.7 16.4 16.3 16.2 16.0 16.0 15.9 15.8 15.7
.9995 22.4 21.9 21.7 21.4 21.1 20.9 20.7 20.5 20.4 20.3 20.2 20.1

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
7 .0005 .06 42 .03 50 .02 48 .014 .027 .040 .053 .066 .078 .088 .099 .108
.001 .05 17 .02 10 .02 76 .020 .035 .051 .067 .081 .093 .105 .115 .125
.005 .04 42 .02 50 .023 .046 .070 .093 .113 .130 .145 .159 .171 .181
.01 .03 17 .010 .036 .067 .096 .121 .143 .62 .178 .192 .205 .216
.025 .02 10 .025 .068 .110 .146 .176 .200 .221 .258 .253 .266 .277
.05 .02 42 .052 .113 .164 .205 .238 .264 .286 .304 3.19 .332 .343
.10 .017 .107 .190 .251 .297 .332 .359 .381 .399 .414 .427 .438
.25 .110 .300 .412 .481 .528 .562 .588 .609 6.24 .637 .649 .658
.50 .506 .767 .871 .926 .960 .983 1.00 1.01 1.02 1.03 1.04 1.04
.75 1.57 1.70 1.72 1.72 1.71 1.71 1.70 1.70 1.69 1.69 1.69 1.68
.90 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70 2.68 2.67
.95 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57
.975 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82 4.76 4.71 4.57
.99 12.2 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.54 6.47
.995 16.2 12.4 10.9 10.0 9.52 9.16 8.89 8.68 8.51 8.38 8.27 8.18
.999 29.2 21.7 18.8 17.2 16.2 15.5 15.0 14.6 14.3 14.1 13.9 13.7
.9995 37.0 27.2 23.5 21.4 20.2 19.3 18.7 18.2 17.8 17.5 17.2 17.0
8 .0005 .06 42 .03 50 .02 48 .014 .027 .041 .055 .068 .081 .092 .102 .112
.001 .05 17 .02 10 .02 76 .020 .036 .053 .068 .083 .096 .0109 .120 .130
.005 .04 42 .02 50 .027 .047 .072 .095 .115 .133 .149 .164 .176 .187
.01 .03 17 .010 .036 .068 .097 .123 .146 .166 .183 .1998 .211 .222
.025 .02 10 .025 .069 .111 .148 .179 .204 .226 .244 .259 .273 .285
.05 .02 42 .052 .113 .166 .208 .241 .268 .291 .310 .326 .339 .351
.10 .017 .107 .190 .253 .299 .335 .363 .386 .405 .421 .435 .445
.25 .109 .298 .411 .481 .529 .563 .589 .610 .627 .640 .354 .661
.50 .499 .757 .860 .915 .948 .971 .988 1.00 1.01 1.02 1.02 1.03
.75 1.54 1.66 1.67 1.66 1.66 1.65 1.64 1.64 1.64 1.63 1.63 1.62
.90 3.46 3.11 2.92 2.82 2.73 2.67 2.62 2.59 2.56 2.54 2.52 2.50
.95 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28
.975 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36 4.30 4.24 4.20
.99 11.3 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.73 5.67
.995 14.7 11.0 9.60 8.81 8.30 7.95 7.69 7.50 7.34 7.21 7.10 7.01
.999 25.4 18.5 15.8 14.4 13.5 12.9 12.4 12.0 11.8 11.5 11.4 11.2
.9995 31.6 22.8 19.4 17.6 16.4 15.7 15.1 14.6 14.3 14.0 13.8 13.6
9 .0005 .06 41 .03 50 .02 48 .015 .027 .042 .056 .070 .083 .094 .105 .115
.001 .05 17 .02 10 .02 77 .021 .037 .054 .070 .085 .099 .112 .123 .134
.005 .04 42 .02 50 .023 .047 .073 .096 .117 .136 .153 .168 .181 .192
.01 .03 17 .010 .037 .068 .098 .125 .149 .169 .187 .202 .216 .228
.025 .02 10 .025 .069 .112 .150 .181 .207 .230 .248 .265 .269 .291
.05 .02 40 .052 .113 .167 .210 .244 .272 .296 .315 .331 .345 .358
.10 .017 .107 .191 .254 .302 .338 .367 .390 .410 .426 .441 .452
.25 .108 .297 .410 .480 .529 .564 .591 .612 .629 .543 .654 .664
.50 .494 .749 .852 .906 .939 .962 .978 .990 1.00 1.01 1.01 1.02
.75 1.51 1.62 1.63 1.63 1.62 1.61 1.60 1.60 1.59 1.59 1.58 1.58
.90 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42 2.40 2.38
.95 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07
.975 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03 3.96 3.91 3.87
.99 10.6 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.18 5.11
.995 13.6 10.1 8.72 7.06 7.47 7.13 6.88 6.69 6.54 6.42 6.31 6.23
.999 22.9 16.4 13.9 12.6 11.7 11.1 10.7 10.4 10.1 9.89 9.71 9.57
.9995 28.0 19.9 16.8 15.1 14.1 13.3 12.8 12.4 12.1 11.8 11.6 11.4
.0642 = 0.42 x 10-6 = 0.00000042

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
7 .0005 .130 .157 .172 .172 .206 .217 .225 .242 .246 .255 .263 .268
.001 .148 .176 .191 .191 .225 .237 .245 .261 .266 .274 .282 .288
.005 .206 .235 .251 .251 .285 .296 .304 .319 .324 .332 .340 .345
.01 .241 .270 .286 .286 .320 .331 .339 .355 .358 .366 .373 .379
.025 .304 .333 .348 3.48 .381 .392 .399 .413 .418 .426 .433 .437
.05 .369 .398 .413 .413 .445 .455 .461 .476 .479 .485 .493 .498
.10 .463 .491 .504 .504 .534 .543 .550 .562 .566 .571 .578 .582
.25 .679 .702 .713 .713 .737 .745 .749 .760 .762 .767 .772 .775
.50 1.05 1.07 1.07 1.07 1.08 1.09 1.09 1.10 1.10 1.10 1.10 1.10
.75 1.68 1.67 1.67 1.67 1.66 1.66 1.65 1.65 1.65 1.65 1.65 1.65
.90 2.63 2.59 2.58 2.58 2.54 2.52 2.51 2.50 2.49 2.48 2.48 2.47
.95 .351 3.44 3.41 3.41 3.34 3.32 3.30 3.27 3.27 3.25 3.24 3.23
.975 4.57 4.47 4.42 4.42 4.31 4.28 4.25 4.21 4.20 4.18 4.16 4.14
.99 6.31 6.16 6.07 6.07 5.91 5.89 5.82 5.75 5.71 5.70 5.67 5.65
.995 7.97 7.75 7.68 7.65 7.42 7.35 7.31 7.22 7.19 7.15 7.10 7.08
.999 13.3 12.9 12.7 12.7 12.3 12.2 12.1 11.9 11.9 11.8 11.7 11.7
.9995 16.5 16.0 15.7 15.7 15.2 15.1 15.0 14.7 14.7 14.6 14.5 14.4
8 .0005 .136 .164 .181 .181 .218 .230 .239 .257 .262 .271 .281 .257
.001 .155 .184 .200 .200 .238 .250 .259 .277 .282 .292 .300 .306
.005 .214 .244 .261 .261 .299 .311 .319 .337 3.41 .351 .358 .364
.01 .250 .281 .297 .297 .334 .346 .354 .372 3.76 .385 .392 .398
.025 .313 .343 .360 .360 .395 .407 .415 .431 .435 .442 .450 .456
.05 .379 .409 .425 .425 .459 .469 .477 .493 .496 .505 .510 .516
.10 .472 .500 .515 .515 .547 .556 .563 .578 .581 .588 .595 .599
.25 .684 .707 .718 .718 .743 .751 .756 .767 .769 .775 .780 .783
.50 1.04 1.05 1.06 1.06 1.07 1.07 1.08 1.08 1.08 1.09 1.09 1.09
.75 1.62 1.61 1.60 1.60 1.59 1.59 1.59 1.58 1.58 1.58 .158 1.58
.90 2.46 2.42 2.40 2.40 2.36 2.35 2.34 2.32 2.32 2.31 2.30 2.29
.95 3.22 3.15 3.12 3.12 3.04 3.02 3.01 2.07 2.97 2.95 2.94 2.93
.975 4.10 4.00 3.95 3.95 3.84 3.81 3.78 3.74 3.73 3.70 3.68 3.67
.99 5.52 5.36 5.28 5.28 .512 5.07 5.03 4.96 4.95 4.91 4.88 4.86
.995 6.81 6.61 6.50 6.50 6.29 6.22 6.18 6.09 6.06 6.02 5.98 5.95
.999 10.8 10.5 10.3 10.3 9.92 9.80 9.73 9.57 9.54 9.46 9.39 9.34
.9995 13.1 12.7 12.5 12.5 12.0 11.8 11.8 11.6 11.5 11.4 11.4 11.3
9 .0005 .141 .171 .188 .188 .228 .242 .251 .270 .276 .287 .297 .303
.001 .160 .191 .208 .208 .249 .262 .271 .291 .296 .307 .316 .323
.005 .220 .253 .271 .271 .310 .324 .332 .351 .356 .366 .376 3.82
.01 .257 .289 .307 .307 .346 .358 .368 .386 .391 .400 .410 .415
.025 .320 .352 .370 .370 .408 .420 .428 .446 .450 .459 .467 .473
.05 .386 .418 .435 .435 .471 .483 .490 .508 .510 .518 .526 .532
.10 .479 .509 .525 .525 .553 .568 .575 .588 .594 .602 .610 .613
.25 6.87 .711 .723 .723 .749 .457 .762 .773 .776 .782 .787 .791
.50 1.03 1.04 1.05 1.05 1.06 1.06 1.08 1.07 1.07 1.08 1.08 1.08
.75 1.57 1.56 1.56 1.56 1.55 1.54 1.54 1.53 1.53 1.53 1.53 1.53
.90 2.34 2.30 2.28 2.28 2.23 2.22 2.21 2.19 2.18 2.17 2.17 2.16
.95 3.01 2.94 2.90 2.90 2.83 2.80 2.79 2.76 2.75 2.73 2.72 2.71
.975 3.77 3.67 3.61 3.61 3.51 3.47 3.45 3.40 3.39 3.37 3.35 3.33
.99 4.96 4.81 4.73 4.73 4.57 4.52 4.48 4.42 4.40 4.36 4.33 4.31
.995 6.03 5.83 5.73 5.73 5.52 5.45 5.41 5.32 5.30 5.26 5.21 5.19
.999 9.24 8.90 8.72 8.72 8.37 8.26 8.19 8.04 8.00 7.93 7.86 7.80
.9995 11.0 10.6 10.4 10.4 9.94 9.80 9.71 9.53 9.49 9.40 9.32 9.26

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
10 .0005 .06 41 .03 50 .02 49 .015 .028 .043 .057 .071 .085 .097 .108 .119
.001 .05 17 .02 10 .02 77 .021 .037 .054 .071 .087 .101 .114 .126 .137
.005 .04 41 .02 50 .023 .048 .073 .098 .119 .139 .156 .171 .185 .197
.01 .03 17 .010 .037 .069 .100 .127 .151 .172 .190 .206 .220 .233
.025 .02 10 .025 .069 .113 .151 .183 .210 .233 .252 .269 .283 .296
.05 .02 41 .052 .114 .168 .211 .246 .275 .299 .319 .336 .351 .363
.10 .017 .106 .191 .255 .303 .340 .370 .494 .414 .430 .444 .457
.25 .107 .296 .409 .480 .529 .565 .592 .613 .631 .645 .657 .667
.50 .490 .743 .845 .899 .932 .954 .971 .983 .992 1.00 1.01 1.01
.75 1.49 1.60 1.60 1.59 1.59 1.58 1.57 1.56 1.56 1.55 1.55 1.54
.90 3.28 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32 2.30 2.28
.95 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91
.975 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78 3.72 3.66 3.62
.99 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71
.995 12.8 9.43 8.08 7.34 6.87 6.54 6.30 6.12 5.97 5.85 5.75 5.66
.999 21.0 14.9 12.6 11.3 10.5 9.92 9.52 9.20 8.96 8.75 8.58 8.44
.9995 25.5 17.9 15.0 13.4 12.4 11.8 11.3 10.9 10.6 10.3 10.1 9.93
11 .0005 .06 41 .03 50 .02 49 .015 .028 .043 .058 .072 .086 .099 .111 .121
.001 .05 16 .02 10 .02 78 .021 .038 .055 .072 .088 .103 .116 .129 .140
.005 .04 40 .02 50 .023 .048 .074 .099 .121 .141 .158 .174 .188 .200
.01 .03 16 .010 .057 .069 .100 .128 .153 .175 .193 .210 .224 .237
.025 .02 10 .025 .069 .117 .152 .185 .212 .236 .256 .273 .288 .301
.05 .02 41 .052 .114 .168 .212 .248 .278 .302 .323 .340 .355 .368
.10 .017 .106 .192 .256 .305 .342 .373 .397 .417 .435 .448 .461
.25 107 .295 .408 .481 .529 .565 .592 .614 .633 .645 .658 .667
.50 .486 .739 .840 .893 .926 .948 .964 .977 .986 .994 1.00 1.01
.75 1.47 1.58 1.58 1.57 1.56 1.55 1.54 1.53 1.53 1.52 1.52 1.51
.90 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25 2.23 2.21
.95 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79
.975 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59 3.53 3.47 3.43
.99 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.46 4.40
.995 12.2 8.91 7.60 6.88 6.42 6.10 5.86 5.68 5.54 5.42 5.32 5.24
.999 19.7 13.8 11.6 10.3 9.58 9.05 8.66 8.35 8.12 7.92 7.76 7.62
.9995 23.6 16.4 13.6 12.2 11.2 10.6 10.1 9.76 9.48 9.24 9.04 8.88
12 .0005 .06 41 .03 50 .02 49 .015 .028 .044 .058 .073 .087 .101 .113 .124
.001 .05 16 .02 10 .02 78 .021 .038 .056 .073 .089 .104 .118 .131 .143
.005 .04 39 .02 50 .023 .048 .075 .100 .122 .143 .161 .177 .191 .204
.01 .03 16 .010 .037 .070 .101 .130 .155 .176 .196 .212 .227 .241
.025 .02 10 .025 .070 .117 .153 .186 .214 .238 .259 .276 .292 .305
.05 .02 41 .052 .114 .169 .214 .250 .280 .305 .325 .343 .358 .372
.10 .016 .106 .192 .257 .306 .344 .375 .400 .420 .438 .452 .466
.25 .106 .295 .408 .480 .530 .566 .594 .616 .633 .649 .662 .671
.50 .484 .735 .835 .888 .921 .943 .959 .972 .981 .989 .995 1.00
.75 1.46 1.56 1.56 1.55 1.54 1.53 1.52 1.51 1.51 1.50 1.50 1.49
.90 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.21 2.21 2.19 2.17 2.15
.95 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69
.975 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44 .37 3.32 3.28
.99 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.22 4.16
.995 11.8 8.51 7.23 6.52 6.07 5.76 5.52 5.35 5.20 5.09 4.99 4.91
.999 18.6 13.0 10.8 9.63 8.89 8.38 8.00 7.71 7.48 7.29 7.14 7.01
.9995 22.2 15.3 12.7 11.2 10.4 9.74 9.28 8.94 8.66 8.43 8.24 8.08
.0641 = 0.41 x 10-6 = 0.00000041

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
10 .0005 .145 .177 .195 .215 .238 .251 .262 .282 .288 .299 .311 .319
.001 .164 .197 .216 .236 .258 .272 .282 .303 .309 .321 .331 .338
.005 .226 .260 .279 .299 .321 .334 .344 .365 .370 .380 .391 .397
.01 .263 .297 .316 .336 .357 .370 .380 .400 .405 .415 .424 .431
.025 .327 .360 .379 .394 .419 .431 .441 .459 .464 .474 .483 .488
.05 .393 .426 .444 .462 .481 .493 .502 .518 .523 .532 .541 .546
.10 .486 .516 .532 .549 .567 .578 .586 .602 .605 .614 .621 .625
.25 .691 .714 .727 .740 .754 .762 .767 .779 .782 .788 .793 .797
.50 1.02 1.03 1.04 1.05 1.05 1.06 1.06 1.06 1.06 1.07 1.07 1.07
.75 1.53 1.52 1.52 1.51 1.51 1.50 1.50 1.49 1.49 1.49 1.48 1.48
.90 2.24 2.20 2.18 2.16 2.13 2.12 2.11 2.09 2.08 2.07 2.06 2.06
.95 2.85 2.77 2.74 2.70 2.66 2.64 2.62 2.59 2.58 2.56 2.55 2.54
.975 3.52 3.42 3.37 3.31 3.26 3.222 3.20 3.15 3.14 3.12 3.09 3.08
.99 4.56 4.41 4.33 4.25 4.17 4.12 1.08 4.01 4.00 2.96 3.93 3.91
.995 5.47 5.27 5.17 5.07 4.97 4.90 4.86 4.77 4.75 4.91 4.67 4.64
.999 8.13 7.80 7.64 7.47 7.30 7.19 7.12 6.98 6.94 6.87 6.81 6.76
.9995 9.46 9.16 8.96 8.75 8.54 8.42 8.33 8.16 8.12 8.04 7.96 7.90
11 .0005 .148 .182 .201 .222 .246 2.61 .271 .293 .299 .312 .324 .331
.001 .168 .202 .222 .243 .266 .282 .292 .313 .320 .332 .343 .353
.005 .231 .266 .286 .308 .330 .345 .355 .376 .382 .394 .403 .412
.01 .268 .304 .324 .344 .366 .380 .391 .412 .417 .427 .439 .444
.025 .332 .368 .386 .407 .429 .442 .450 .472 .476 .485 .495 .503
.05 .398 .433 .452 .469 .490 .503 .513 .529 .535 .543 .552 .559
.10 .490 .524 .541 .559 .578 .588 .595 .614 .617 .625 .633 .637
.25 .694 .719 .730 .744 .758 .767 .773 .780 .788 .794 .799 .803
.50 1.02 1.03 1.03 1.04 1.05 1.05 1.05 1.06 1.06 1.06 1.06 1.06
.75 1.50 1.49 1.49 1.48 1.47 1.47 1.47 1.46 1.46 1.46 1.45 1.45
.90 2.17 2.12 2.10 2.08 2.05 2.04 2.03 2.00 2.00 1.99 1.98 1.97
.95 2.72 2.65 2.61 2.57 2.53 2.51 2.49 2.46 2.45 2.43 2.42 2.40
.975 3.33 3.23 3.17 3.12 3.06 3.03 3.00 2.96 2.94 2.92 2.90 2.88
.99 4.25 4.10 4.02 3.94 3.86 3.81 3.78 3.71 3.69 3.66 3.62 3.60
.995 5.05 4.86 4.76 4.65 4.55 4.49 4.45 4.36 4.34 4.29 4.25 4.23
.999 7.32 7.01 6.85 6.68 6.52 6.41 6.35 6.21 6.17 6.10 6.04 6.00
.9995 8.52 8.14 7.94 7.75 7.55 7.43 7.35 7.18 7.14 7.06 6.98 6.93
12 .0005 .152 .186 .206 .228 .253 .269 .280 .305 .311 .323 .337 .345
.001 .172 .207 .228 .250 .275 .291 .302 .326 .332 .344 .357 .365
.005 .235 .272 .292 .315 .339 .355 .365 .388 .393 .405 .417 .424
.01 .273 .310 .330 .352 .375 .391 .401 .422 .428 .441 .450 .458
.025 .337 .374 .394 .416 .437 .450 .461 .481 .487 .498 .508 .514
.05 .404 .439 .458 .478 .499 .513 .522 .541 .545 .556 .565 .571
.10 .496 .528 .546 .564 .583 .595 .604 .621 .625 .633 .641 .647
.25 .695 .721 .734 .748 .762 .771 .777 .789 .792 .799 .804 .808
.50 1.01 1.02 1.03 1.03 1.04 1.04 1.05 1.05 1.05 1.05 1.06 1.06
.75 1.48 1.47 1.46 1.45 1.45 1.44 1.44 1.43 1.43 1.43 1.42 1.42
.90 2.11 2.06 2.04 2.01 1.99 1.97 1.96 1.94 1.93 1.92 1.91 1.90
.95 2.62 2.54 2.51 2.47 2.43 2.40 2.38 2.35 2.34 2.32 2.31 2.30
.975 3.18 3.07 3.02 2.96 2.91 2.87 2.85 2.80 2.79 2.76 2.74 2.72
.99 4.01 3.86 3.78 3.70 3.62 3.57 3.54 3.47 3.45 3.41 3.38 3.36
.995 4.72 4.53 4.43 4.33 4.23 4.17 4.12 4.04 4.01 3.97 3.93 3.90
.999 6.71 6.40 6.25 6.09 5.93 5.83 5.76 5.63 5.59 5.52 5.46 5.42
.9995 7.74 7.37 7.18 7.00 6.80 6.68 6.61 6.45 6.41 6.33 6.25 6.20

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
15 .0005 .06 41 .03 50 .02 49 .015 .029 .045 .061 .076 .091 .105 .117 .129
.001 .05 16 .02 10 .02 79 .021 .039 .057 .075 .092 .108 .123 .137 .149
.005 .04 39 .02 50 .023 .049 .076 .102 .125 .147 .166 .183 .198 .212
.01 .03 16 .010 .037 .070 .103 .132 .158 .181 .202 .219 .235 .249
.025 .02 10 .025 .070 .116 .156 .190 .219 .244 .265 .284 .300 .315
.05 .02 41 .051 .115 .170 .216 .254 .285 .311 .333 .351 .368 .382
.10 .016 .106 .192 .258 .309 .348 .380 .406 .427 .446 .461 .475
.25 .105 .293 .407 .480 .531 .568 .596 .618 .637 .652 .667 .676
.50 .478 .726 .827 .878 .911 .933 .948 .960 .970 .977 .984 .939
.75 1.43 1.52 1.52 1.51 1.49 1.48 1.47 1.46 .146 1.45 1.44 1.44
.90 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 .209 2.06 2.04 2.02
.95 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48
.975 6.20 4.76 4.15 3.80 3.58 3.41 2.29 3.20 3.12 2.06 3.01 2.96
.99 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67
.995 10.8 7.70 6.48 5.80 5.37 5.07 4.85 4.67 8.54 4.42 4.33 4.25
.999 16.6 11.3 9.34 8.25 7.57 7.09 6.74 6.47 6.26 6.08 5.93 6.81
.9995 19.5 13.2 10.8 9.48 8.66 8.10 7.68 7.36 7.11 6.91 6.75 6.60
20 .0005 .06 40 .03 50 .02 50 .015 .029 .046 .063 .079 .094 .109 .123 .136
.001 .05 16 .02 10 .02 79 .022 .039 .058 .077 .095 .112 .128 .143 .156
.005 .04 39 .02 50 .023 .050 .077 .104 .129 .151 .171 .190 .206 .221
.01 .03 16 .010 .037 .071 .105 .135 .162 .187 .208 .227 .244 .259
.025 .02 10 .025 .071 .117 .158 .193 .224 .250 .273 .292 .310 .325
.05 .02 40 .051 .115 .172 .219 .258 .290 .318 .340 .360 .377 .393
.10 .016 .106 .193 .260 .312 .353 .385 .412 .435 .454 .472 .485
.25 .104 .292 .407 .480 .531 .569 .598 .622 .641 .656 .671 .681
.50 .472 .718 .816 .868 .909 .922 9.38 .950 .959 .966 .972 .977
.75 1.40 1.49 1.48 1.47 1.45 1.44 1.43 1.42 1.41 1.40 1.39 1.39
.90 2.97 2.59 2.37 2.25 2.16 2.09 2.04 2.00 1.96 1.94 1.91 1.89
.95 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28
.975 5.87 4.46 3.86 3.51 3.28 3.13 3.01 2.91 2.84 2.77 2.72 2.68
.99 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.29 3.23
.995 9.94 6.99 5.82 5.17 4.76 4.47 4.26 4.09 3.96 3.85 3.76 3.68
.999 14.8 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.94 4.82
.9995 17.2 11.4 9.20 8.02 7.28 6.76 6.38 6.08 5.84 5.66 5.51 538
24 .0005 .06 40 .03 50 .02 50 .015 .030 .046 .064 .080 .096 .112 .126 .139
.001 .05 16 .02 10 .02 79 .022 .040 .059 .079 .097 .115 .131 .146 .160
.005 .04 40 .02 50 .023 .050 .078 .106 .131 .154 .175 .193 .210 .226
.01 .03 16 .010 .038 .072 .106 .136 .165 .189 .211 .231 .249 .264
.025 .02 10 .025 .071 .117 .159 .195 .227 .253 .277 .297 .315 .331
.05 .02 40 .051 .116 .173 .221 .260 .293 3.21 .345 .365 .383 .399
.10 .016 .106 .193 .261 .313 .355 .388 .416 .439 .459 .476 .491
.25 .104 .291 .406 .480 .532 .570 .600 .623 .643 .659 .671 .684
.50 .469 .714 .812 .863 .895 .917 .932 .944 .953 .961 .967 .972
.75 1.39 1.47 1.46 1.44 1.43 1.41 1.40 1.39 1.38 1.38 1.37 1.36
.90 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88 1.85 1.83
.95 4.26 3.40 3.01 2.78 2.32 2.51 2.42 2.36 2.30 2.25 2.21 2.18
.975 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70 2.64 2.59 2.54
.99 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.09 3.03
.995 9.55 6.66 5.52 4.89 4.49 4.20 3.99 3.83 3.69 3.59 3.50 3.42
.999 14.0 9.37 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.50 4.39
.9995 16.2 10.6 8.52 7.39 6.68 6.18 5.82 5.54 5.31 5.13 4.98 4.85
.0641 = 0.41 x 10-6 = 0.00000041

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
15 .0005 .159 .159 .220 .244 .272 .303 .303 .330 .339 .353 .368 .337
.001 .181 .181 .212 .266 .294 .325 .325 .352 .360 .375 .388 .398
.005 .246 .246 .308 .333 .360 .389 .389 .415 .422 .435 .448 .457
.01 .284 .284 .346 .370 .397 .425 .425 .450 .456 .469 .483 .490
.025 .49 .349 .410 .433 .458 .485 .485 .508 .514 .526 .538 .546
.05 .416 .416 .474 .496 .519 .545 .545 .565 .571 .581 .592 .600
.10 .507 .507 .561 .581 .602 .624 .624 .641 .647 .812 .667 .672
.25 .701 .701 .742 .757 .772 .788 .788 .802 .805 1.04 .818 .822
.50 1.00 1.00 1.02 1.02 1.03 1.03 1.03 1.04 1.04 1.37 1.04 1.05
.75 1.43 .143 1.41 1.40 1.39 1.38 1.38 1.38 1.37 1.77 1.36 1.36
.90 1.97 .197 1.90 1.87 1.85 1.82 1.82 1.79 1.79 2.10 1.76 1.76
.95 2.40 2.40 2.39 2.25 2.20 2.16 2.16 2.12 2.11 2.44 2.08 2.07
.975 2.86 2.86 2.70 2.64 2.59 2.52 2.52 2.47 2.46 2.92 2.41 2.40
.99 3.52 3.52 3.29 3.21 3.13 3.05 3.05 2.98 2.96 3.33 2.89 2.87
.995 4.07 4.07 3.79 3.69 3.59 3.48 3.48 3.39 3.37 4.41 3.29 3.26
.999 5.54 5.54 5.10 4.95 4.90 4.64 4.67 4.51 4.47 4.94 4.35 4.31
.9995 6.27 6.27 5.75 5.58 5.40 5.21 5.21 5.06 5.02 .391 4.87 4.83
20 .0005 .169 .169 .235 .263 .295 .331 .331 .364 .375 .413 .408 .422
.001 .191 .191 .258 .286 .318 .354 .354 .386 .395 .474 .429 .441
.005 .258 .258 .327 .354 .385 .419 .419 .448 .457 .508 .490 .500
.01 .297 .297 .365 .392 .422 .455 .455 .483 .491 .562 .521 .532
.025 .363 .363 .430 .456 .484 .514 .514 .541 .548 .617 .575 .585
.05 .430 .430 .493 .548 .544 .572 .572 .595 .603 .685 .329 .637
.10 .520 .520 .578 .600 .623 .648 .648 .671 .675 .827 .694 .704
.25 .708 .708 .751 .767 .784 .801 .801 .616 .820 1.03 8.35 .840
.50 .989 .989 1.01 1.01 1.02 1.02 1.02 1.03 1.03 1.30 1.03 1.03
.75 1.37 1.37 1.35 1.34 1.33 1.32 1.32 1.31 1.31 1.63 1.30 1.29
.90 1.84 1.84 1.77 1.74 1.71 1.68 1.68 1.65 1.64 1.88 1.62 1.61
.95 2.20 2.20 2.08 2.04 1.99 1.95 1.95 1.91 1.90 2.13 1.86 1.84
.975 2.57 2.57 2.41 2.35 2.29 2.22 2.22 2.17 2.16 2.48 2.10 2.09
.99 3.09 3.09 2.86 2.78 2.69 2.61 2.61 2.54 2.52 2.76 2.44 2.42
.995 3.50 3.50 3.22 3.12 3.02 2.92 2.92 2.83 2.81 3.48 2.72 2.69
.999 4.56 4.56 4.15 4.01 3.86 3.70 3.70 3.58 3.54 3.82 3.42 3.38
.9995 5.07 5.07 4.58 4.42 4.24 4.07 4.07 3.93 3.90 .416 3.75 3.70
24 .0005 .174 .174 .244 .274 .309 .349 .349 .384 .395 .437 .434 .449
.001 .196 .196 .268 .298 .332 .371 .371 .405 .417 .498 .455 .439
.005 .264 .264 .337 .367 .400 .437 .437 .469 .479 .529 .515 .527
.01 .304 .304 .376 .405 .437 .473 .473 .505 .513 .585 .546 .558
.025 .370 .370 .441 .468 .498 .531 .531 .562 .568 .637 .599 .610
.05 .437 .467 .504 .530 .558 .588 .588 .613 .622 .704 .649 .659
.10 .527 .527 .588 .611 .635 .662 .662 .685 .691 .837 .715 .723
.25 .712 .712 .757 .773 .791 .809 .809 .825 .829 1.02 .844 .850
.50 .983 .943 1.00 1.01 1.01 1.02 1.02 1.02 1.02 1.27 1.03 1.03
.75 1.35 1.35 .132 1.31 1.30 1.29 1.29 1.28 1.28 1.56 1.27 1.26
.90 1.78 1.78 1.70 1.67 1.64 1.61 1.61 1.58 1.57 1.77 1.54 1.53
.95 2.11 2.11 1.98 1.94 1.89 1.84 1.84 1.80 1.79 1.98 1.75 1.73
.975 2.44 2.44 2.27 2.21 2.15 2.08 2.08 2.02 2.01 2.27 1.95 1.94
.99 2.89 2.89 2.66 2.58 2.49 2.40 2.40 2.33 2.31 2.27 2.24 2.21
.995 3.25 3.25 2.97 2.87 2.77 2.66 2.66 1.57 2.55 2.50 2.46 2.43
.999 4.14 4.14 3.74 3.59 3.45 3.29 3.29 3.16 3.14 3.07 3.01 2.97
.9995 4.55 4.55 4.09 3.93 3.76 3.59 3.59 3.44 3.41 3.33 3.27 3.22

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
30 .0005 .06 40 .03 50 .02 50 .015 .030 .047 .065 .082 .098 .114 .129 .143
.001 .05 16 .02 10 .02 80 .022 .040 .060 .080 .099 .117 .134 .150 .164
.005 .04 40 .02 50 .024 .050 .079 .107 .133 .156 .178 .197 .215 .231
.01 .03 16 .010 .038 .072 .107 .138 .167 .192 .215 .235 .254 .270
.025 .0210 .025 .071 .118 .161 .197 .229 .257 .281 .302 .321 .337
.05 .0240 .051 .116 .174 .222 .263 .296 .325 .349 .370 .389 .406
.10 .016 .106 .193 .262 .315 .357 .391 .420 .443 .464 .481 .497
.25 .103 .290 .406 .480 .532 .571 .601 .625 .645 .661 .676 .688
.50 .466 .709 .807 .858 .890 .912 .927 .939 .948 .955 .961 .966
.75 1.38 1.45 1.44 1.42 1.41 1.39 1.38 1.37 1.36 1.35 1.35 1.34
.90 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82 1.79 1.77
.95 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09
.975 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57 2.51 2.46 2.41
.99 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.91 2.84
.995 9.18 6.35 5.24 4.62 4.23 3.95 3.70 3.58 3.45 3.34 3.25 3.18
.999 13.3 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.11 4.00
.9995 15.2 9.90 7.90 6.82 6.14 5.66 5.31 5.04 4.82 4.65 4.51 4.38
40 .0005 .06 40 .03 50 .02 50 .016 .030 .048 .066 .084 .100 .117 .132 .147
.001 .05 16 .02 10 .02 80 .022 .042 .061 .81 .101 .119 .137 .153 .169
.005 .04 10 .02 50 .024 .051 .080 .108 .135 .159 .181 .201 .220 .237
.01 .03 16 .010 .038 .073 .108 .140 .169 .195 .219 .240 .259 .276
.025 .02 99 .025 .071 .119 .162 .199 .232 .260 .285 .307 .327 .344
.05 .02 40 .051 .116 .175 .224 .265 .299 .329 .354 .376 .395 .412
.10 .016 .106 .194 .263 .317 .360 .394 .424 .448 .469 .488 .504
.25 .103 .290 .405 .480 .533 .572 .603 .627 .647 .664 .680 .691
.50 .463 .705 .802 .854 .885 .907 .922 .934 .943 .950 .956 .961
.75 1.36 1.44 1.42 1.40 1.39 1.37 1.36 1.35 1.34 1.33 1.32 1.31
.90 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76 1.73 1.71
.95 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00
.975 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45 2.39 2.33 2.29
.99 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.73 2.66
.995 8.83 6.07 4.94 4.37 3.99 3.71 3.51 3.35 3.22 3.12 3.03 2.95
.999 12.6 8.25 6.60 5.70 5.13 4.73 4.44 4.21 4.02 3.87 3.75 3.64
.9995 14.4 9.25 7.33 6.30 5.64 5.19 4.85 4.59 4.38 4.21 4.07 3.95
60 .0005 .06 40 .03 50 .02 51 .016 .031 .048 .067 .085 .103 .120 .136 .152
.001 .05 16 .02 10 .02 80 .022 .041 .062 .083 .103 .122 .140 .157 .174
.005 .04 40 .02 50 .024 .051 .081 .110 .137 .162 .185 .206 .225 .243
.01 .03 16 .010 .038 .073 .109 .142 .172 1.99 .233 .245 .265 .283
.025 .02 99 .025 .071 .120 .163 .202 .235 .264 .290 .313 .333 .351
.05 .02 40 .051 .116 .176 .226 .267 .303 .333 .359 .382 .402 .419
.10 .016 .106 .194 .264 .318 .362 .398 .428 .453 .475 .493 .510
.25 .102 .289 .405 .480 .534 .573 .604 .629 .650 .667 .680 .695
.50 .461 .701 .798 .849 .880 .901 .917 .928 .937 .945 .951 .956
.75 1.35 1.42 1.41 1.38 1.37 1.35 1.33 1.32 1.31 1.30 1.29 1.29
.90 2.79 2.39 2.18 2.4 1.95 1.87 1.82 1.77 1.74 1.71 1.68 1.66
.95 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92
.975 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33 2.27 2.22 2.17
.99 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50
.995 8.49 5.80 4.73 4.14 3.76 3.49 3.29 3.13 3.01 2.90 2.82 2.74
.999 12.0 7.76 6.17 5.31 4.76 4.37 4.09 3.87 3.69 3.54 3.43 3.31
.9995 13.6 8.65 6.81 5.82 5.20 4.76 4.44 4.18 3.98 3.82 3.69 3.57
.0640 = 0.40 x 10-6 = 0.00000040

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
30 .0005 .179 .226 .254 .287 .325 .350 .369 .410 .420 .444 .467 .483
.001 .202 .250 .278 .311 .348 .373 .391 .431 .442 .465 .488 .503
.005 .271 .320 .349 .381 .416 .441 .457 .495 .504 .524 .543 .559
.01 .311 .360 .388 .419 .454 .476 .493 .529 .538 .559 .575 .590
.025 .378 .426 .453 .482 .515 .535 .551 .585 .592 .610 .625 .639
.05 .445 .490 .516 .543 .573 .592 .606 .637 .644 .658 .676 .685
.10 .534 .575 .598 .623 .649 .667 .678 .704 .710 .725 .735 .746
.25 .716 .746 .763 .780 .798 .810 .818 .835 .839 .848 .856 .862
.50 .978 .989 .994 1.00 1.01 1.01 .101 1.02 1.02 1.02 1.02 1.02
.75 1.32 1.30 1.29 1.28 1.27 1.26 1.26 1.25 1.24 1.24 1.23 1.23
.90 1.72 1.67 1.64 1.61 1.57 1.55 1.54 1.51 1.50 1.48 1.47 1.46
.95 2.01 1.93 1.89 1.84 1.79 1.76 1.74 1.70 1.68 1.66 1.64 1.62
.975 2.31 2.20 2.14 2.07 2.01 1.97 1.94 1.88 1.87 1.84 1.81 1.79
.99 2.70 2.55 2.47 2.39 2.30 2.25 2.21 2.13 2.11 2.07 2.03 2.01
.995 3.01 2.82 2.73 2.63 2.52 2.46 2.42 2.32 2.30 2.25 2.21 2.18
.999 3.75 3.49 3.36 3.22 3.07 2.98 2.92 2.79 2.76 2.69 2.63 2.59
.9995 4.10 3.80 3.65 3.48 3.32 3.22 3.15 3.00 2.97 2.89 2.82 2.78
40 .0005 .185 .236 .266 .301 .343 .373 .393 .441 .453 .480 .504 .525
.001 .209 .259 .290 .326 .367 .396 .415 .461 .473 .500 .524 .545
.005 .279 .331 .362 .396 .436 .463 .481 .524 .534 .559 .581 .599
.01 .319 .371 .401 .435 .473 .498 .516 .556 .567 .592 .613 .628
.025 .387 .437 .466 .498 .533 .536 .573 .610 .620 .641 .662 .674
.05 .454 .502 .529 .558 .591 .613 .627 .658 .669 .685 .704 .714
.10 .542 .585 .609 .636 .664 .683 .696 .724 .731 .747 .762 .772
.25 .720 .752 .769 .787 .806 .819 .828 .846 .851 .861 .870 .877
.50 .972 .983 .989 .994 1.00 1.00 1.01 1.01 1.01 1.01 1.02 1.02
.75 1.30 1.28 1.26 1.25 1.24 1.23 1.22 1.21 1.21 1.20 1.19 1.19
.90 1.66 1.61 1.57 1.54 1.51 1.48 1.47 1.43 1.42 1.41 1.39 1.38
.95 1.92 1.84 1.79 1.74 1.69 1.66 1.64 1.59 1.58 1.55 1.53 1.51
.975 2.18 2.07 2.01 1.94 1.88 1.83 1.80 1.74 1.72 1.69 1.66 1.64
.99 2.52 2.37 2.29 2.20 2.11 2.06 2.02 1.94 1.92 1.87 1.83 1.80
.995 2.78 2.60 2.50 2.40 2.30 2.23 2.18 2.09 2.06 2.01 1.96 1.93
.999 3.40 3.15 3.01 2.87 2.73 2.64 2.57 2.44 2.41 2.34 2.28 2.23
.9995 3.68 3.39 3.24 3.08 2.92 2.82 2.74 2.69 2.57 2.49 2.41 2.37
60 .0005 .192 .246 .278 .318 .365 .398 .421 .478 .493 .527 .561 .585
.001 .216 .270 .304 .343 .389 .421 .444 .497 .512 .545 .579 .602
.005 .287 .343 .376 .414 .458 .488 .510 .559 .572 .602 .633 .652
.01 .328 .383 .416 .453 .495 .524 .545 .592 .604 .633 .658 .679
.025 .396 .450 .481 .515 .555 .581 .600 .641 .654 .680 .704 .720
.05 .463 .514 .543 .575 .611 .633 .652 .690 .700 .719 .746 .759
.10 .550 .596 .622 .650 .682 .703 .717 .750 .758 .776 .793 .806
.25 .725 .758 .776 .796 .816 .830 .840 .860 .865 .877 .888 .896
.50 .967 .978 .983 .989 .994 .998 1.00 1.00 1.01 1.01 1.01 1.01
.75 1.27 1.25 1.24 1.22 1.21 1.20 1.19 1.17 1.17 1.16 1.15 1.15
.90 .160 1.54 1.51 1.48 1.44 1.41 1.40 1.36 1.35 1.33 1.31 1.29
.95 1.84 1.75 1.70 1.65 1.59 1.56 1.53 1.48 1.47 1.44 1.41 1.39
.975 2.06 1.94 1.88 1.82 1.74 1.70 1.67 1.60 1.58 1.54 1.51 1.48
.99 2.35 2.20 2.12 2.03 1.94 1.88 1.84 1.75 1.73 1.64 1.63 1.60
.995 2.57 2.39 2.29 2.19 2.08 2.01 1.96 1.86 1.83 1.78 1.73 1.69
.999 3.08 2.83 2.69 2.56 2.41 2.31 2.25 2.11 2.09 2.01 1.93 1.89
.9995 3.30 3.02 2.87 2.71 2.55 2.45 2.38 2.23 2.19 2.11 2.03 1.98

F (V1 , V2 )
V1
V2 1 2 3 4 5 6 7 8 9 10 11 12
P
120 .0005 .06 40 .03 50 .02 51 .016 .031 .049 .067 .087 .105 .123 .140 .156
.001 .05 16 .02 10 .02 81 .023 .042 .063 .084 .105 .125 .144 .162 .179
.005 .04 39 .02 50 .024 .051 .081 .111 .139 .165 .189 .211 .230 .249
.01 .03 16 .010 .038 .074 .110 .143 .174 .202 .227 .250 .271 .290
.025 .02 99 .025 .072 .120 .165 .204 .238 .268 .295 .318 .340 .359
.05 .02 39 .051 .117 .177 .227 .270 .306 .337 .364 .388 .408 .427
.10 .016 .105 .194 .265 .320 .365 .401 .432 .458 .480 .500 .518
.25 .102 .288 .405 .481 .534 .574 .606 .631 .652 670 .685 .699
.50 .458 .697 .793 .844 .875 .896 .912 .923 .932 .939 .945 .950
.75 1.34 1.40 1.39 1.37 1.35 1.33 1.31 1.30 1.29 1.28 1.27 1.26
.90 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65 1.62 1.60
.95 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.87 1.83
.975 5.15 3.80 3.23 2.89 1.67 2.52 2.39 2.30 2.22 2.16 2.10 2.05
.99 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.40 2.34
.995 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81 2.71 2.62 2.54
.999 11.4 7.32 5.79 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.12 3.02
.9995 12.8 8.10 6.34 5.39 4.79 4.37 4.07 3.82 3.63 3.47 3.34 3.22
.0005 .06 39 .03 50 .02 51 .016 .032 .050 .069 .088 .108 .127 .144 .161
.001 .05 16 .02 10 .02 81 .023 .042 .063 .85 .107 .128 .148 .167 .185
.005 .04 39 .02 50 .024 .052 .082 .113 .141 .168 .193 .213 .236 .256
.01 .03 16 .010 .038 .074 .111 .145 .177 .206 .232 .256 .278 .298
.025 .02 98 .025 .072 .121 .166 .206 .241 .272 .300 .325 .347 .367
.05 .02 39 .051 .117 .178 .229 .273 .310 .342 .369 .394 .417 .436
.10 .016 .105 .195 .266 .322 .367 .405 .436 .463 .487 .508 .525
.25 .102 .288 .404 .481 .535 .576 .608 .634 .655 .674 .690 .703
.50 .455 .693 .789 .839 .870 .891 .907 .918 .927 .934 .939 .945
.75 1.32 1.39 1.37 1.35 1.33 1.31 1.29 1.28 1.27 1.25 1.24 1.24
.90 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63 1.60 1.57 1.55
.95 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.79 1.75
.975 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11 2.05 1.99 1.94
.99 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.25 2.18
.995 7.88 5.30 4.28 3.72 3.35 3.09 2.90 2.74 2.62 2.52 2.43 2.36
.999 10.8 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10 2.96 2.84 2.74
.9995 12.1 7.60 5.91 5.00 4.42 4.02 3.72 3.48 3.30 3.14 3.02 2.90
.0640 = 0.40 x 10-6 = 0.00000040

F (V1 , V2 )
V1
V2 15 20 24 30 40 50 60 100 120 200 500
P
120 .0005 .199 .256 .293 .338 .390 .429 .458 .524 .543 .578 .614 .676
.001 .223 .282 .319 .363 .414 .453 .480 .542 .568 .595 .631 .691
.005 .297 .336 .393 .434 .484 .520 .545 .605 .623 .661 .702 .733
.01 .338 .397 .433 .474 .522 .556 .579 .636 .652 .688 .725 .755
.025 .406 .464 .498 .536 .580 .611 .633 .684 .698 .729 .762 .789
.05 .473 .527 .559 .594 .634 .661 .682 .727 .740 .767 .785 .819
.10 .560 .609 .636 .667 .702 .726 .742 .781 .791 .815 .838 .855
.25 .730 .765 .784 .805 .828 .843 .853 .877 .884 .897 .911 .923
.50 .961 .972 .978 .983 .989 .992 .994 1.00 1.00 1.00 1.01 1.01
.75 1.24 1.22 1.21 1.19 1.18 1.17 1.16 1.14 1.13 1.12 1.11 1.10
.90 1.55 1.48 1.45 1.41 1.37 1.34 1.32 1.27 1.26 1.24 1.21 1.19
.95 1.75 1.66 1.61 1.55 1.50 1.46 1.43 1.37 1.35 1.32 1.28 1.25
.975 1.95 1.82 1.76 1.69 1.61 1.56 1.53 1.45 1.43 1.39 1.34 1.31
.99 2.19 2.03 1.95 1.86 1.76 1.70 1.66 1.56 1.53 1.48 1.42 1.38
.995 2.37 2.19 2.09 1.98 1.87 1.80 1.75 1.64 1.61 1.54 1.48 1.43
.999 2.78 2.53 2.40 2.26 2.11 2.02 1.95 1.82 1.76 1.70 1.62 1.54
.9995 2.96 2.67 2.53 2.38 2.21 2.11 2.01 1.88 1.84 1.75 1.67 160
.0005 .207 .270 .311 .360 .422 .469 .505 .599 .624 .704 .804 1.00
.001 .232 .296 .338 .386 .448 .493 .527 .617 .649 .719 .819 1.00
.005 .307 .372 .412 .460 .518 .559 .592 .671 .699 .762 .843 1.00
.01 .349 .413 .452 .499 .554 .595 .625 .599 .724 .782 .858 1.00
.025 .418 .480 .517 .560 .611 .645 .675 .741 .763 .813 .878 1.00
.05 .484 .543 .577 .617 .663 .694 .720 .781 .797 .840 .896 1.00
.10 .570 .622 .652 .687 .726 .752 .774 .826 .838 .877 .919 1.00
.25 .736 .773 .793 .816 .842 .860 .872 .901 .910 .932 .957 1.00
.50 9.56 .967 .972 .978 .983 .987 .989 .993 .994 .997 .999 1.00
.75 1.22 1.19 1.18 1.16 1.14 1.13 1.12 1.09 1.08 1.07 1.04 1.00
.90 1.49 1.42 1.38 1.34 1.30 1.26 1.24 1.18 1.17 1.13 1.08 1.00
.95 1.67 1.57 1.52 1.46 1.39 1.35 1.32 1.24 1.22 1.17 1.11 1.00
.975 1.83 1.71 1.64 1.57 1.48 1.43 1.39 1.30 1.27 1.21 1.13 1.00
.99 2.04 1.88 1.79 1.70 1.59 1.52 1.47 1.36 1.32 1.25 1.15 1.00
.995 2.19 2.00 1.90 1.79 1.67 1.59 1.53 1.40 1.36 1.28 1.17 1.00
.999 2.51 2.27 2.13 1.99 1.84 1.73 1.66 1.49 1.45 1.34 1.21 1.00
.9995 2.65 2.37 2.22 2.07 1.91 1.79 1.71 1.53 1.48 1.36 1.22 1.00

APÉNDICE Nº 8
Tabla: Factores para calcular la línea central y limites de control tres sigmas
Gráficos x Gráficos S Gráficos R

Observaciones
en la muestra, Factores para Límites de Factores para la Factores para la
Factores para Límites de Control Factores para Límite de Control
n Control Línea Central Línea Central
A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2 2.121 1.880 2.659 0.7979 1.2533 0 3.267 0 2.606 1.128 0.8865 0.453 0 3.686 0 3.267
3 1.732 1.023 1.954 0.8620 1.1284 0 2.568 0 2.276 1.693 0.5907 0.888 0 4.358 0 2.574
4 1.500 0.729 1.628 0.9213 1.0854 0 2.266 0 2.088 2.059 0.4857 0.880 0 4.698 0 2.282
5 1.342 0.577 1.427 0.9400 1.0638 0 2.089 0 1.964 2.326 0.4299 0.874 0 4.918 0 2.114
6 1.225 0.483 1.287 0.9515 1.0510 0.030 1.970 0.029 1.874 2.534 0.3946 0.848 0 5.078 0 2.004
7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924
8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864
9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
10 0.949 0.308 0.975 0.9727 1.0281 0.284 1.716 0.276 1.669 3.078 0.3249 0.797 0.687 5.469 0.223 1.777
11 0.905 0.285 0.927 0.9754 1.0252 0.321 1.679 0.313 1.637 3.173 0.3152 0.787 0.811 5.535 0.256 1.744
12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717
13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.047 0.307 1.693
14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.696 0.328 1.672
15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653
16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
17 0.728 0.203 0.739 0.9845 1.0570 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585
21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575
22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
23 0.626 0.162 0.643 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557
24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.451 1.548
25 0.600 0.153 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541

Estadisticaaplicada 150213113058 Conversion Gate01

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

Estadisticaaplicada 150213113058 Conversion Gate01

Cargado por

Copyright:

Formatos disponibles

Estadística Aplicada

B. Desarrollo del contenido, sus procedimientos y modalidad

El contenido programático de la unidad referida es el siguiente:

2. Modalidad y procedimiento de desarrollo de la unidad

Durante la fase a distancia

Durante la fase presencial/tutorial

PROESAD 13 Programa de Educación Superior a Distancia

La inferencia estadística comprende dos tipos principales de técnicas: Estimación de parámetros y

1.2. ESTIMACIÓN DE PARÁMETROS

La estimación puede asumir 2 formas:

1.2.1. Estimación puntual

Las estimaciones puntuales más usuales son:

(A) Estimación Puntual para la media poblacional.

Se halla mediante las siguientes fórmulas.

Se halla mediante las siguientes fórmulas.

PROESAD 14 Programa de Educación Superior a Distancia

(C) Estimación de parámetros de dos poblaciones

La estimación de parámetros de dos poblaciones se pueden realizar mediante:

a) La comparación de sus medias, luego:

b) La comparación de sus varianzas, luego:

(D) Estimación puntual de una población de variable cualitativa

Sea X una variable cualitativa con:

(E) Estimación puntual de dos poblaciones de variables cualitativas

Sea X1 la variable aleatoria de una población cualitativa con P x1 proporción de aciertos en X1

1.2.2. Estimación por intervalos

En general el intervalo de confianza para el parámetro se expresa:

PROESAD 15 Programa de Educación Superior a Distancia

Los intervalos de confianza más usuales son:

(A) Intervalo de confianza para la media poblacional ( )

Para determinar el intervalo de confianza para la media poblacional se debe tomar en

- Cuando se conoce la varianza de la población y/o el tamaño de muestra n 30.

- Cuando no se conoce la varianza de la población y el tamaño de muestra n < 30.

(B) Intervalo de confianza para la diferencia de medias poblacionales

Se presentan los siguientes casos:

se presentan dos casos:

PROESAD 16 Programa de Educación Superior a Distancia

(C) Intervalo de confianza para la proporción poblacional

Se presentan los siguientes casos:

- Cuando el tamaño de muestra es grande (n 30)

- Cuando el tamaño de muestra es pequeño (n < 30)

(D) Intervalo de confianza para la diferencia de proporciones poblacionales

Se pueden presentan los siguientes casos:

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

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

PROESAD 17 Programa de Educación Superior a Distancia

b) Estimación por intervalo:

Los estudiantes que se matricularon en un curso de investigación educativa fueron distribuidos al

PROESAD 19 Programa de Educación Superior a Distancia

Como n1 + n2 –2 < 30 entonces t (n1 + n2 –2,1– /2) = t(20, 0.95) = 1.725

P[1.38 1 - 2 14.62 ] = 90%

PROESAD 20 Programa de Educación Superior a Distancia

Como n1+ n2 - 2 > 30 entonces Z (1 - /2) = Z(0.995) = 2.58

PROESAD 21 Programa de Educación Superior a Distancia

1. Señale con una V si es verdadero o F si es falso en los siguientes enunciados:

( ) El método de estimación de un parámetro puede ser: puntual o por intervalos.

a) Estime la media y la varianza.

a) Estime la proporción de estudiantes que están a favor de las medidas

a) ¿Cuál fue el intervalo de confianza de 95% para el consumo medio poblacional?

5. Los siguientes números representan el tiempo(en minutos) que tardaron 15 operarios en

a) Determina e interpreta un intervalo del 95% de confianza para el verdadero tiempo

PROESAD 22 Programa de Educación Superior a Distancia

Tutoría Nº 1: PRUEBA DE HIPÓTESIS: CONCEPTOS BÁSICOS; PRUEBA DE

Tutoría Nº 2: PRUEBA DE HIPÓTESIS: PROPORCIÓN POBLACIONAL; DOS

PROESAD 23 Programa de Educación Superior a Distancia