Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facilitador:
Ing. Carlos De La Cruz, M.Sc.
Desarrollado por:
Ing. Arturo Vidal. C.I: 17.653.550
La estadística es la parte de las Matemáticas que estudia cómo recopilar y resumir gran
cantidad de información para extraer conclusiones. Un Investigador de distintos campos de
estudios al llevar a cabo un experimento de un proceso y sistema en particular, deberá
conocer con exactitud los distintos métodos estadísticos recolección de datos, análisis,
interpretación, enseñando que la estadística es una disciplina que nos enseña a realizar un
juicio coherentes y la toma de decisión, en presencia de incertidumbres .
La Probabilidad y la Estadísticas son dos campos que están relacionados entre sí. La
probabilidad se emplea como herramienta que permite evaluar la confiabilidad de las
conclusiones acerca de la población cuando tenga un espacio muestral. Cuando utilizamos
probabilidad, se obtiene la frecuencia de un suceso determinado mediante la realización de
un experimento aleatorio, del que se conocen todos los resultados posibles bajos
condiciones estables. La estadística estudia todos los datos representativos para la toma de
decisiones o para explicar condiciones regulares e irregulares de algún fenómeno de
estudio. Los expertos de estadística usan la probabilidad de dos forma: cuando la
población es conocida se usa la probabilidad para describir un resultado muestral en
particular; cuando la población es desconocida y solo se dispone de una muestra de la
población, la probabilidad se usa para hacer inferencia estadísticas.
La distribución de la probabilidad asocia a cada uno de los valores y los representa a través
de tablas o de una función planteada como formula. Hace que lo aleatorio no sea un
capricho y modela (describe, acota) los posibles valores de un estadístico muestral que se
puede corroborar o rechazar. Las distribuciones trabajaremos en este caso son: Z (Zc), t de
Student (tc), Shi cuadrado (χ²c) y f de Fisher (Fc).
Es simplemente que tan posible es que ocurra un evento determinado que estamos
evaluando, cuando no estamos seguros del resultado de un evento, podemos hablar de la
probabilidad de ciertos resultados: qué tan común es que ocurran. Al análisis de los eventos
gobernados por la probabilidad se le llama estadística. La teoría de la probabilidad tiene su
origen en el estudio de los juegos de azar, que impulsaron los primeros estudios sobre
cálculo de probabilidades en el siglo XVI.
POBLACION Y MUESTRA
La forma en que una muestra se selecciona recibe el nombre de plan muestral o diseño
experimental, y determina la cantidad de información de la muestra seleccionada, el
muestreo es una herramienta de la investigación científica, cuya función básica es
determinar que parte de una población con la finalidad de hacer inferencias sobre dicha
población.
Existen diversos métodos para seleccionar las muestras, que han de regirse siempre por el
principio aleatorio (aleatorización): todos los elementos de la población deben tener una
misma probabilidad de ser elegidos para la muestra. Los dos procedimientos más sencillos
de muestreo son:
Esta tiene que contener las características relevantes de la población en las mismas
proporciones en que están incluidas en tal población.
En caso de que la población se distribuya normalmente, la distribución muestral de medias
se distribuye también normalmente, incluso para pequeños valores de N (es decir, N < 30).
Cuando el número de variables (ítems) es excesivo con relación al tamaño de la muestra (N
pequeño), una sugerencia de Marsh y O'Neill (1984) es reducir el número de variables
agrupándolas de dos en dos. Según estos autores las respuestas a dos ítems (o incluso más)
se suman y constituyen una nueva variable. De esta manera el número de sujetos aumenta
en proporción al número de variables. Las variables agrupadas tienen que ser
razonablemente homogéneas, y esta homogeneidad debe ser comprobada empíricamente
mediante la correlación ítem-total, que no debe ser inferior a .30 según estos autores.
Es por ello que con carácter general, o al menos en los modelos de probabilidad clásicos, se
admite una aproximación aceptable al modelo normal siempre que n sea mayor o igual que
30, a pesar de que esta cifra es insuficiente en determinados casos y excesiva en otros; por
lo que se debe ser prudente en su aplicación.
Si todos los estratos tienen el mismo tamaño, se habla de muestreo aleatorio estratificado
constante, o de igual afijación. Entonces, si se divide la muestra en L estratos, el tamaño de
cada muestra vendrá dado por:
Donde:
Z = nivel de confianza,
P = probabilidad de éxito, o proporción esperada
Q = probabilidad de fracaso
D = precisión (error máximo admisible en términos de proporción)
Donde:
N = tamaño de la población
Z = nivel de confianza
Q = probabilidad de fracaso
DISTRIBUCIÓN MUESTRAL
A partir de las muestras seleccionadas de una población pueden construirse variables
aleatorias alternativas, de cuyo análisis se desprenden interesantes propiedades estadísticas.
Las dos formas más comunes de estas variables corresponden a las distribuciones
muéstrales de las medias y de las proporciones. También podemos decir que la distribución
muestral es lo que resulta de considerar todas las muestras posibles que pueden ser tomadas
de una población. Su estudio permite calcular la probabilidad que se tiene, dada una
sola muestra, de acercarse al parámetro de la población.
La desviación estándar de todas las posibles muestras (de un tamaño dado) escogidos de esa
población. Además, el error típico de la media puede referirse a una estimación de la
desviación estándar, calculada desde una muestra de datos que está siendo analizada al
mismo tiempo. Es una medida de dispersión y mide la dispersión del estadístico muestral;
explicando la variación de dicho estadístico muestral por las fluctuaciones del muestreo.
Según el teorema del límite central, si de cualquier población se extraen muestras aleatorias
del mismo tamaño N, al aumentar el número de muestras sus medias se distribuyen
normalmente, con media μ y una desviación típica, o error típico σX = σ / √N.
(1)
(2)
En la ecuación (1) la desviación típica del numerador se supone calculada dividiendo por
N-1 la suma de cuadrados(o la suma de las puntuaciones diferenciales, X- Ẋ, elevadas
previamente al cuadrado). En la ecuación (2) la desviación típica se ha calculado dividiendo
por N, como es normal hacerlo cuando se calcula la desviación típica como dato descriptivo
de la muestra. Ambas ecuaciones son equivalentes y dan el mismo resultado. Es claro que
el error típico de la media será menor que la desviación típica de cualquier muestra: el
cociente siempre será menor que el numerador. Esto quiere decir que las medias de las
muestras son más estables y tienden a oscilar menos que las puntuaciones individuales;
dicho de otra manera, las medias de muestras de la misma población se parecen entre sí
más que los sujetos (u objetos) de una muestra entre sí.
Observando las ecuaciones también se aprecia que el error típico de la media será más
pequeño en la medida en que N sea grande: si se aumenta el denominador, disminuirá el
cociente. Es natural que al aumentar el número de sujetos (N) el error sea menor: la
media de la muestra se aproximará más a la media de la población. Si N es muy grande,
el error tiende a cero; y si N no comprende a una muestra sino a toda la población, el
error sería cero: en este caso la media de la población coincide con la media de la
muestra y no hay error muestral (o variación esperable de muestra a muestra)
Por otra parte si la desviación típica de la muestra es grande, el error típico estimado de
la media será también mayor: sise aumenta el numerador, el cociente será mayor
HIPÓTESIS
La hipótesis, que es una suposición hecha a partir de unos datos que sirve de base para
iniciar una investigación o una argumentación a través de la recolección
de información y datos, aunque no esté confirmada, sirve para responder de forma
alternativa a un problema con base científica. Para un trabajo de investigación y
experimentación existen dos tipos de hipótesis: Nula, que es una suposición que se
utiliza para negar o afirmar un suceso en relación a algún o algunos parámetros de una
población o muestra, e hipótesis Alternativa: se establece por contradicción con la
hipótesis nula.
DISTRIBUCIÓN DE PROBABILIDAD
Distribución de Z
Prueba t de Student
Se aplica cuando la población estudiada sigue una distribución normal y la población es
pequeña (< 30). Sea X una variable aleatoria que se distribuye como y sea Y
otra variable aleatoria que se distribuye como tal que X e Y son independientes,
entonces podemos definir otra variable aleatoria:
Es simétrica, ya que está centrada en el punto (0,0). Con esto podemos observar el
siguiente gráfico comparativo de comportamiento entre la distribución Normal y T de
Student:
Distribución F de Fisher
Se aplica cuando se trabaja a razón de las varianzas (Análisis de varianza). Sea una variable
aleatoria que s e distribuye como con m grados de libertad, tal que las dos variables son
independientes, entonces se puede definir una nueva variable
aleatoria:
Observando:
Deducimos
La distribución Z (normal) como la T de Student son simétricas y centradas en cero,
mientras que las distribuciones ji-cuadrada y F son sesgadas y sólo toman valores positivos.
Las cuatro distribuciones están relacionadas entre sí, ya que las distribuciones T de Student,
Chi-cuadrada y F de Fisher se definen en términos de la distribución normal estándar. No
se puede dejar de mencionar que Los parámetros que definen por completo las
distribuciones T de Student, Chi-cuadrada y F, reciben el nombre de Grados de Libertad,
expresión introducida por Ronald Fisher, dice que, de un conjunto de observaciones, y
están dados por el número de valores que pueden ser asignados de forma arbitraria, antes de
que el resto de las variables tomen un valor automáticamente, producto de establecerse las
que son libres; esto, con el fin de compensar e igualar un resultado el cual se ha conocido
previamente.
Enunciado A
Se aplica un muestreo estratificado en los pozos del distrito PDM con reductor 5/8” dentro
de los cuales se aplica un muestreo aleatorio simple y se selecciona 48 pozos. Se tiene
como premisa que todo pozo con un Qg ≥ 10000 MPCND es un pozo con alto caudal de
gas
TABLA N°1 Pozos Qg Pozos Qg TABLA N°2
SBA-59 59 SBA-15 59
SBA-17 11,11
SBA-85 11,11
SBA-20 9,89
SBA-22 9,89 SBA- 12,34
SBA-52 12,34 144
SBA-93 13,83 SBA- 13,83
168
SBA-159 7,60
SBA-30 7,60
SBA-182 7,84 SBA-92 7,84
SBA-18 3,49 SBA-79 3,49
SBA-33 5,69 SBA-7 5,69
SBA- 5,67
SBA-51 5,67 129
SBA-66 5,11 SBA- 5,11
SBA-72 12,74 155
SBA-65 8,77 SBA- 12,74
199
SBA-92 10,34 SBA-39 8,77
SBA-189 13,36 SBA-42 10,34
SBA-54 11,61 SBA-87 13,36
SBA-25 11,61
SBA-18 12,98
SBA-92 12,98
SBA-73 5,69 SBA-9 5,69
SBA-89 10,05 SBA- 10,05
SBA-70 5,56 166
SBA-152 10,19 SBA- 5,56
125
Estimaciones puntuales (estadísticos). SBA-12 10,19
SBA-98 13,65
∑ Xi
526 ,41 SBA-31 17,02
X X = ni = 48 SBA-52 8,99
Media muestral = 10,97
SBA- 10,49
160
SBA-82 17,90
Xi )
2
SBA-95 12,12 (∑
Varianza muestral S S
2 2
∑ Xi 2− ni
=
ni−1
277118 , 02
S2 6504 , 44−
= 48 = 15,56
√S
2
S 3 ,95
Coeficiente de Variación %C.V= X * 100 = 10,97 *100 =36
¿
( )
2
1 1 x−μ
e
f ( x ) = σ √2 π 2 σ
¿ ¿ −1
∫ f ( x ) ∫−¿ σ √12π e ( )
2
2 x−μ
Si integramos −¿ = σ dx =1
( )
12 2 12
∫ σ √12 π
Si aplicamos la integral −¿ e
−1 x−m
2 σ . dx =
∫ 3 ,951√2π
−¿
e
2 (
−1 12−10, 97
3 ,95 )
=0,602
Entonces 60,2 % de los procesos de los pozos tiene un caudal menor a 12 MMPCND.
Ahora bien si teneos una distribución normal de media cero (µ=0) y desviación estándar 1 (
σ =1) la función se simplifica de la siguiente manera.
1
( ) 1 2
−1 x−M −x
e f ( x )=
f ( x ) = σ √2 π 2 σ = √2 π e 2
Ejemplo:
Dada la muestra de los 48 pozos seleccionados ¿Qué porcentaje de los pozos tiene un
caudal de gas mayor a 9 MMPCND?
9−10,97
=−0,49
Entonces Z = 3,95
Nota importante: la tabla de puntos críticos de la distribución estándar solo puede calcular
valores para Z positivos.
Intervalo entre 2 valores simétricos respecto a media que dentro de si encierra un porcentaje
determinado.
Por definición es encontrar 2 valores simétricos tales que la μ se encuentre entre ellos con
una probabilidad de 1- ¿ . O dicho de otra manera, a partir de la media muestral ( X ) puedo
general un intervalo de confianza dentro del cual tenemos cierta seguridad que estará la
media población y dado que la estimación del intervalo de confianza e hace a partir de la
media muestral ( X ) entonces la desviación estándar para la muestra viene dada por :
S
S ( x ) = √n entonces.
X 1−X X 1−X
σ σ
−Z ¿ Z¿
2 = √n y 2 = √n
Entonces:
S S
Z¿ Z¿
X1 = X- 2 . √n y X2 = X + 2 . √n
S
Z¿
Donde al expresión 2 . √ n Se considera como el error.
Por lo que I. C = ( X 1 , X 2 )
I.C = (x - error ; x + error )
S S
Z¿ Z¿
I.C = X- 2 . √n ; X + 2 . √n
Ejemplo:
Dada la muestra de 45 pozos del enunciado A calcular el intervalo de confianza la media (
μ ).
Z¿
Para encontrar 2 , buscamos en la tabla de Z tal que su valor critico sea 97,5 % o
0,975.
Z¿
Una vez calculado este valor no es necesario calcular - 2 debido a que es el mismo
valor pero negativo
Calcular el error.
S 3,95
Z¿
Error= 2 . √ n = 1,96. √ 48 = 1,18
Por un 95 % de confianza se estima que el caudal promedio de los pozos se encuentre entre
9,79 y 12,15 MMPCND.
Tamaño de la muestra.
E= 2 . √n n=
Ejemplo: Para una desviación estándar de 3,95 ¿Cual debe ser el tamaño de la muestra para
que con un 95% de confianza , el error sea de 0,5 ?.
S =3,95
E=0,5
Z¿
2 = 1,96
Calculado en la parte anterior de la tabla de puntos críticos para la distribución Z.
2 2
Entonces: n = ( 1,96 ) . ( 3,95 ) = 239,8 ¿ 240
2
( 0,5 )
Para tener error de 0,5 se debe contar con una muestra de 240 pozos.
A través de una muestra se puede determinar una proporción muestral y por medio de una
distribución normal se puede construir un intervalo de confianza para la proporción
poblacional.
Ejemplo:
Se quiere estimar la proporción p de los pozos con alto caudal de gas con un intervalo de
confianza de 90%
Como se estableció en el enunciado A se considera para este caso que los pozos con alto
Entonces.
30
p^ = 48 = 0,625
Z¿
2 = Z para 95% = Z para 0,95
De la tabla obtenemos
Z 0,94950 = 1,64
Z 0,95053 =1,65
Z¿
2 √ p^ ( 1− p^ ) = 1,645 √ 0,625(1−0,625) =0,12
n n
IC= (0,625−0,12 ; 0,625+0 ,12)
IC= (0,505 ; 0,745 )
En términos porcentuales se tiene que con un 90% de confianza la proporción de los pozos
con alto caudal de gas entre 50,5 y 74,5%.
Tamaño de la muestra
Z¿ Z¿
2 √ p^ ( 1− p^ ) n = 22 . ^p (1− ^p )
2
n E
Ejemplo.
^
Usando la proporción muestral determinada en el calculo anterior ( P=0,625 ) Determinada
el tamaño de la muestra con un 90% de confianza y un error máximo de 0,05.
^p=0,625
Z¿
2 = Z 0,95 ¿ 1,645 (Determinado de la tabla de puntos críticos para la distribución
normal).
2
n=(1,645 ) . 0,625 . (1−0 , 625 )
=93,8 ¿ 94
2
0,05
La muestra debe ser de 94 pozos para que con un 90% de confianza, el error máximo sea de
0,05.
Distribución T – Student
Es una distribución centrada en cero que depende de la media población y los grados de
libertad que tienen que ver con los tamaños muéstrales involucrados.
Al igual que la distribución normal es usada para hacer inferencia sobre la media población
Al igual que para la distribución normal se trata de encontrar dos valores dentro de los
cuales se encuentre la madia población con una probabilidad de 1- ¿
Entonces dada una muestra de tamaño de n de una población con media μ y varianza de
σ 2 desconocido, podemos deducir el intervalo de interés a partir del siguiente estadístico.
x −μ
S
t= √ n
Que sigue una distribución t – Student con n-1 grado de libertad con los cuales se pueden
¿
determinar dos valores críticos t 2 y -t ¿/2 mediante la tabla de esta distribución tal que.
s s
X - t ¿/2 √n ¿ μ ¿ X + t ¿/2 √n
Enunciado B
Se aplica un muestreo estratificado en los pozos del distrito PDM con reductor 1/2” dentro
de los cuales se aplica un muestreo aleatorio simple y se seleccionan 25 pozos.
TABLA 3 TABLA 4
Pozos Qg Pozos Qg
SBA- 22 5,80 SBA- 64 10,66
SBA-46 4,40 SBA-95 11,87
SBA- 195 15,14 SBA- 152 14,74
SBA-203 7,47 SBA-108 6,36
SBA-89 18,11 SBA-97 12,46
SBA-15 9,50 SBA-20 12,53
SBA-32 8,53 SBA-25 9,73
SBA- 28 10,65 SBA- 9 11,29
SBA -135 4,51 SBA -142 8,58
SBA – 93 5,30 SBA – 161 4,68
SBA- 48 9,48 SBA- 130 7,98
SBA – 10 9,80 SBA – 52 8,70
SBA- 88 13,96
Xi 242 ,6
X= ∑ ni
Media muestral = 25 = 9,33
Xi 58689 , 9
2 ( ∑ )2
Varianza muestral S = Σ Xi = ni = 2653,8 - 25 = 12,8
ni−1 25−1
Ejemplo.
Dada la muestra del enunciado B, determinar un intervalo de confianza del 95% para la
media ( μ ) .
g-1 = n -1 = 25 – 1 =24
Vamos a la tabla y ubicamos el valor crítico de la t para ¿/2 0,025 y 24 grados de libertad
t ¿/2 = 2,064
s 3,54
t ¿/2 . √ n = 2,064 - √25 = 1,48
S S
Z¿ Z¿
I.C = X - 2 . √n ; X + 2 . √n
I .C = (9,33−1,48 ; 9,33+1,48)
Con un 95% de confianza la media poblacional esta entre 7,85 y 10,81 MMPCND
Distribución Ji Cuadrado
A diferencia de la distribución normal y la distribución t – Student que son simétricas y
centradas en cero esta distribución es sesgada y solo toma valores positivos, sin embargo al
igual que la distribución t Student, es función de los grados de libertad y su utilidad se basa
en hacer inferencias sobre la varianza
2
Intervalo de confianza para la varianza ( σ )
2
Si tenemos una variable una distribución es normal de media ( μ) y varianza ( σ )
Ejemplo:
Dada la muestra del enunciado B determinar con un intervalo de confianza del 95% para la
desviación estándar de los pozos del distrito punta de mata.
X 1- ¿/2 ; n−1 = X
2 2
0,025 ; 24 =39,364
X 1- ¿/2 ; n−1 = X
2 2
0,975; 24 = 12,401
2
I.C ( σ ) = [ ( 25−1 ) 12 ,8 ; ( 25−1 ) 12 ,8 ]
39,364 12,401
Es una afirmación sobre los valores de los parámetros de una población que es susceptible a
probarse a partir de una muestra representativa de dicha población.
Ho = “Supuesto 1”
HA ¿ “Supuesto 1” { hipótesis alternativa bilateral
HA ¿¿ “Supuesto 1” { hipótesis alternativa unilateral
La hipótesis se confirma o se rechaza a partir de un estadístico que será función de la
variable involucrada.
Ejemplo:
po =70 % = 0,70
Ho= p =0,70
Ho= p ¿ 0,70
Calculamos el estadístico de prueba21
|−0,82| ¿¿ 1,96
entonces se cumple la hipótesis nula la proporción de los pozos con alto
caudal de gas es de 70%
El caudal de gas promedio para los pozos del Dtto PDM es igual al 14MMPND. (Usando
el enunciado B).
Donde:
μ o = 14
Ho = μ =14
Ho = μ ¿ 14
Se rechaza la hipótesis nula. El caudal promedio de los pozos del Dtto PDM es diferente de
14 MMPCND.
2
Xo 2 = ( n−1 ) S
σ o
2 σ = varianza de la hipótesis
Ejemplo:
Las tasas de gas de los pozos del Dtto de PDM, presentan una varianza menor a 9 (usando
el enunciado B).
σ o
2
=9
2
Ho = σ =14
Ho = σ
2
¿¿ 14
χ o
2
= ( 25−1 ) . 12,8 = 34,1
9
2
χ ¿ ; ni= χ 0,05 ; 25 = 36,415
Dado que el valor del estadístico esta en la zona de rechazo, se descarta la hipótesis nula y
se acepta la alternativa. Las tasas de gas de los pozos del Dtto de PDM. No tiene una
2
varianza de 9 MMPCND .
Comparación de proporciones.
Viene dado por el estadístico.
Zo= ^p 1− ^p 2 Donde ^p = X1 + X2
( n11 + n12 )
√ p^ ( 1− p^ )− n1 + n2
Ejemplo.
Enunciado C.
Se tiene una muestra de 40 pozos del furrial cuyo valor de media es de 12,4 ( X = 12,4 ) y
desviación estándar es 48.1. se sabe además que el numero de pozos de la muestra con un
caudal mayor a 10 MMPCND es de 28.
Se desea conocer si la proporción de los pozos con alto caudal de gas del Dtto PDM. Es
igual al del Dtto Furrial (usar enunciado Ay C).
Ho = p1 = p2
HA= p1 ¿ p2
^p 1 = 0,65
28 31+28
=0,7 =0 , 67
^p 2 = 40 p^ = 48+40
0 , 65−0,7
Zo= =−0 ,50
(
1 1
√0 ,67 ( 1−0 ,67 ) 48 + 40 )
|Zo| ¿¿ Z ¿/2 se confirma la hipótesis nula
|Zo| ¿ Z ¿/2 se rechaza la hipótesis nula
Sp = ( nx−1 ) S^ x + ( ny−1 ) S^ y
2 2 2
to = X −Y y
Sp
√ 1 1
+
nx ny n 1+n 2−2
Se rechaza Ho si |to|¿t¿/2¿
t ¿/2 es el punto critico en la distribución T student con nx +ny−2 grados de libertad .
Ejemplo:
Se quiere saber si la taza de gas promedio ( μ ) de los pozos del Dtto PDM (enunciado A)
es igual a la de los pozos del Dtto. Furrial ( Enunciado C).
X =10,97
Y = 12,4
Ho= μ1=μ2
HA = μ1≠μ2
10 , 97−12 , 4
=−1 , 53
to=
4 , 36
1 1
+
√
48 40
|to| ¿¿ t ¿/2
|−1,53| ¿¿ 1,96
Se confirma la hipótesis nula, la tasa de gas promedio de ambos Dttos son iguales.
to = X −Y
√ Sx 2 Sy 2
+
nx ny
υ=
( Sx 2 Sy 2
+
nx ny )−2
( ) ( )
2 2
Sx 2 Sy 2
+
nx ny
nx +1 nx +1
Enunciado D
Se tiene una muestra de 18 pozos de Dtto furrial cuyo valor de media muestral es 14,2 (
X = 14,2) y desviación estándar de 3,98.
Se quiere saber si ambas Dttos poseen la misma media poblacional, es decir el mismo
caudal promedio de gas (comparación con el enunciado B)
Ho : μ1=μ2
HA : μ1≠μ2
υ=
( 18 )
15 , 84 2 12 , 82
+
25
=−2
(18 ) +( 25 )
2 2 2 2
15 , 84 12, 8 1, 938
−2=36
= 0 ,0508
18 +1 25+1
14 , 2+9 , 33
=4 , 16
to= √ 15 , 84 12, 8
18
+
25
Entonces.
|to| ¿ t ¿/2
|4,16| ¿ 2,03
Por lo tanto se rechaza la hipótesis nula. El caudal promedio de gas de ambos Dttos son
estadísticamente diferentes.
Prueba para igualdad de varianzas
Se utiliza para verificar si dos varianzas de población es son distintas, son iguales entre si o
no.
2 2 2 2
Ho= σx =σy O Ho= σx /σy =1
2 2 2 2
HA= σx ≠σy HA= σx /σy ¿ 1
Sx 2
2
Fo = SY
Determinar si las varianzas en el caudal de gas de los pozos de los Dttos Furrial y PDM.
Son estadísticamente iguales (hacer comparación entre el enunciado A y D)
2
σ PDM
2
Ho= σ Furrial =1
σ 2 PDM
2
HA= σ Furrial ¿ 1
12,8
=0,81
Fo = 15,84
1 1
F 1 - ¿/2 ; nx -1 ; ; ny-1 = F0,975 ; 24; 17 = F 0,025;17;24 = 2,38 =0,42
Se acepta la hipótesis nula. La varianza en el caudal de gas en los pozos de los Dtto PDM Y
Furrial son estadísticamente iguales.
Organización de datos
Parámetros estadísticos puntuales.
REFERENCIAS BIBLIOGRAFICAS