Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica Inferencial
Estadistica Inferencial
Autor
Profesional en Matemáticas y Estadística
Tabla de contenido
PROBABILIDADES .................................................................................................................4
ESPACIO MUESTRAL..........................................................................................................4
EVENTO O SUCESO MUESTRAL ..........................................................................................4
PROBABILIDAD CLÁSICA ....................................................................................................5
AXIOMAS ELEMENTALES DE LA PROBABILIDAD ..................................................................5
PROBABILIDAD CONDICIONAL ...........................................................................................6
TEOREMA DE LA PROBABILIDAD TOTAL .............................................................................7
TEOREMA DE BAYES .........................................................................................................7
INDEPENDENCIA DE EVENTOS ...........................................................................................8
GUÍA DE CLASE N° 1..............................................................................................................9
DISTRIBUCIÓN DE PROBABILIDAD........................................................................................11
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA ..........................................12
DISTRIBUCIONES DISCRETAS ...............................................................................................15
Distribución Binomial......................................................................................................15
Distribución Hipergeométrica..........................................................................................16
Distribución de Poisson...................................................................................................17
GUÍA DE CLASE Nº 2 ...........................................................................................................18
DISTRIBUCIÓN CONTINUA...................................................................................................20
DISTRIBUCIÓN NORMAL..................................................................................................20
APLICACIONES DE LA DISTRIBUCIÓN NORMAL..................................................................23
GUÍA DE CLASE Nº 3 ...........................................................................................................25
MUESTREO ........................................................................................................................26
Técnicas de muestreo estadístico ...............................................................................26
Muestreo probabilístico..................................................................................................26
Muestreo aleatorio simple (MAS) ....................................................................................26
Muestreo sistemático .....................................................................................................27
Muestreo estratificado ...................................................................................................27
Muestreo por estadios múltiples .....................................................................................28
Muestreo por conglomerados .........................................................................................28
Homogeneidad de las poblaciones o sus subgrupos ..........................................................28
Muestreo no probabilístico .............................................................................................29
Muestreo por cuotas ......................................................................................................29
Muestreo de bola de nieve..............................................................................................29
Tablas
La probabilidad nos permite estudiar o analizar los fenómenos o procesos llamados aleatorios,
es decir, es el cálculo matemático de las posibilid ades que existen de que un evento se cumpla
o suceda al azar.
ESPACIO MUESTRAL
Sea A el evento de que salga un número par, B de que salga un número impar y C d e que
salga un número primo.
A={
B={
C={
Encuentre:
Sea S un espacio muestral finito y A un evento del es pacio muestral, entonces la probabilidad
de A se denota P(A) y se define:
Ejemplo 3. Se lanza un dado dos veces; halle la probabilidad de los eventos siguientes: A la
suma de los puntos es siete y B la suma de los puntos es menor o igual a cinco.
S={
A={
B={
P(A) =
P(B) =
Las reglas generales de probabilidad las podemos dividir en dos grupos. Un primer grupo
formado por las reglas que podríamos llamar primarias o básicas, llamadas axiomas. Estas
reglas no se aprecian directamente en la solución de problemas, pero son las que dan un
soporte lógico a las que se utilizan directamente en la solución de tales problemas y que se
llaman teoremas. Establecemos en primera instancia los axiomas.
A partir de los t res axiomas anteriores s e deducen los teoremas que constituyen reglas para
calcular probabilidades de situaciones más o menos complejas.
Ejemplo 4. Suponga que en una urna hay cuatro bolas blancas y seis rojas. De la urna se
extrae al az ar una bola y sea A: la bola extraída es roja. Hallar la probabilidad de que la bola
extraída no sea roja.
A={
B={
PROBABILIDAD CONDICIONAL
Ejemplo 6. La oficina de Acción Social lleva a cabo un censo de todas las personas que viven
en una pequeña comunidad. Los encuestadores anotan en una relación el número de visitas
que una persona hac e al cent ro de salud y las condiciones sanitarias de la vivienda que habit a.
Los resultados son los siguientes:
Tabla 1. Número de visitas que una persona hace al cent ro de salud y las condiciones
sanitarias de la vivienda que habita.
Condicione s sanitarias
Número de visita s Total
Buenas Malas
Con base en esta tabla, si preguntamos, ¿cuál es la probabilidad de que una persona escogida
al azar viva en malas condiciones sanitarias?
B={
P(A/B) =
Este teorema o regla de probabilidad total nos indica cómo calcular la probabilidad de un
evento A cuando conocemos las probabilidades condicionales en donde los forman
una partición del espacio muestral S.
Hay una probabilidad del 3.8% de que el artículo escogido sea defectuoso.
TEOREMA DE BAYES
El teorema o regla de Bayes es una técnica que nos permite obtener la probabilidad
condicional de un event o cuando mediante el efecto trat amos de determinar la probabilidad de
la causa. Este result ado ha sido muy utilizado para estudiar fenómenos sociales; sin embargo,
por el empleo de probabilidades subjetivas ha sido muy cuestionado su uso.
El teorema de Bayes trata de responder los int errogantes tales como: si el evento B ocurrió,
¿cuál es la probabilidad de que haya sido generado por el evento ?,¿Cual por ?, etc.
Ejemplo 8. A partir del problema de la fábrica de tornillos (ejemplo 7), halle la probabilidad de
que el tornillo provenga de la máquina C, dado que es defectuoso.
Hay una probabilidad del 66% de que el tornillo defectuos o provenga de la máquina C.
INDEPENDENCIA DE EVENTOS
Ejemplo 9. Suponga que se lanza una moneda dos vec es. Sean los eventos, A el primer
resultado es “cara” y B el segundo res ultado es “sello”. Son mutuament e independientes los
eventos.
2. Se lanza una moneda cuatro veces. Encuentre todos los sucesos elementales del espacio
muestral.
3. Supongamos que lanzamos una moneda y un dado, y que el espacio muestral S consta de
doce element os:
S = C1, C2, C3, C4, C5, C6, S1, S2, S3, S4, S5, S6}
Sexo Total
Cargo
Hombres Mujeres
Operarios 80 113 193
Administrativos 30 17 47
Directivos 4 6 10
Total 114 136 250
Recursos humanos de la empresa desea otorgar un premio como estimulo especial y para
ello decide seleccionar al alzar uno de los t rabajadores. Calcular: (a) la probabilidad de que
la persona sea administrativo dado que es mujer y (b) la probabilidad de que la persona sea
hombre dado que es directivo.
10. Sean A y B eventos independientes con P(A) = 0.3 y P(B) = 0.4. Encuentre:
a. P(A∩B) y P(AUB).
b. P(A/B) y P(B/A).
11. En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los niños el
35% son menores de 24 meses. El 20% de las niñas tienen menos de 24 meses. Un
pediatra que ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una niña.
12. Un médico cirujano se especializa en cirugías estéticas. Entre sus pacient es, el 20% se
realizan correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías
correctivas. Se sabe además, que son de género masculino el 25% de los que se realizan
correcciones faciales, 15% implantes mamarios y 40% otras cirug ías correctivas. Si se
selecciona un paciente al azar, determine:
a. Determine la probabilidad de que sea de género masculino
b. Si resulta que es de género masculino, determine la probabilidad que se haya realizado
una cirugía de implantes mamarios.
Los experiment os aleatorios originan resultados y los resultados nos permiten tomar
decisiones. Un mismo experimento aleatorio se puede llevar a cabo para tomar distintas
decisiones. Sin embargo, a pesar de que el propósito s ea distinto cuando se lleva a cabo un
experimento aleatorio, éste no cambia su comportamiento por el simple hecho de que los
propósitos cambien. Lo anterior nos está indicando que una cosa son los distintos resultados
de un experimento y otra los propósitos que perseguimos cuando lo realizamos. El medio por el
cual expresamos nuestro aspecto de interés al llevar a cabo un experimento aleatorio es el de
variable aleatoria.
Variable Aleatoria
Una variable aleatoria es aquella que asume valores de acuerdo con los resultados de un
experimento aleat orio. Las variables aleatorias generalmente son designadas por las letras X,
Y, Z.
Ejemplo 1. Se lanza una moneda tres veces. Sabemos que el espacio muestral
correspondiente a este experimento aleatorio está dado por:
Si de los resultados del lanzamiento de la moneda nos interesa el número de “caras” que se
obtienen en cada lanzamiento, entonces definimos la variable X= número de caras en los tres
lanzamientos. Los valores posibles de esta variable son:
X 0 1 2 3
P[ X = x]
Ejemplo 2. Consideremos el lanzamiento de dos dados una vez. Sea X= suma de puntos de
las dos caras. Hallar la distribución de probabilidad de esta variable aleatoria.
P[ X = x]
(a)
(b)
Valor esperado
Sea X una variable aleatoria discret a que asume los valores x 1, x 2, x 3, …, x n con probabilidades
respectivas P[ X = x 1], P[X = x 2], P[X = x 3], …,P[X = x n] el valor esperado de X se denota y
define de la manera siguiente:
X 1 2 3 4 5 6
P[ X = x]
¿Cómo interpret ar este resultado? Si dijéramos que es el puntaje que usted debe esperar que
le dé cuando lanza el dado muchas veces, con justa razón podría decir que eso es imposible,
puesto que podrán verse en el dado tres o cuatro puntos, pero jamás 3.5 puntos. Estamos de
acuerdo con usted, pero le proponemos que no cuent e los puntos de cada lanzamiento sino
que sume el puntaje de los dos lanzamientos y los promedie, puede hallar la lógic a al valor de
3.5. Además se convenc erá que lo dicho a cerca de 3.5 es cierto. A pesar de que esta
interpretación que le hemos dado al valor de 3.5 es acertada, en la práctica el valor esperado
se interpreta de una manera un poco distinta, que en el ejemplo pres ente es: “si lanzamos el
dado un número grande de veces y tomamos la media aritmética de la s uma de los distintos
puntajes que se van obteniendo entonc es, la media tiende a 3.5”. Igual interpret ación seria para
cualquier otra situación.
Si suponemos que la moneda está balanceada, la probabilidad de obt ener cara (sello) es 0.5,
entonces la variable X tiene la siguiente distribución:
X -$1 $1
P[ X = x] 0.5 0.5
Así que el valor esperado de X (ganancia esperada del jugador) está dado por E[ X] = (-1)(0.5)
+ (1)(0.5) = 0, lo que quiere decir que si estas personas juegan un gran número de veces, a la
larga no hay ganancias, es decir, no hay ganador ni perdedor.
Pero si ahora vamos a suponer que la moneda está diseñada de tal forma que la posibilidad de
obtener “cara” es de 2/3 y la de obtener “sello” es de 1/3. En este caso la distribución de X
sería:
X -$1 $1
P[ X = x]
X 0 1 2 3
P[ X = x]
Calcule:
(a) E[ X – 1]
2
(b) E[ X ]
(c) E[3X]
2
(d) E[(X + 2) ]
Así como las medidas de posición tienen su generalización mediante el valor es perado, la
variabilidad de los datos (muestra) también tiene su generalización mediante la varianza de la
variable.
La varianza es una medida del grado de conc entración de los valores de la variable aleatoria
alrededor de s u media , mientras más dispersos estén los valores respecto de la media,
mayor será la varianza. La cual se denota y define de la manera siguiente:
Sea X una variable aleatoria que asume valores x 1, x 2, x3, …, x n con probabilidades respectivas
P[ X = x 1], P[X = x 2], P[X = x 3], …,P[X = x n], la varianza de X se denota y define
Propiedades de la varianza
X 0 1 2 3
P[ X = x]
Calcule:
(a) V[ X]
(b) V[ X+1]
(c) V[5X]
Los valores que puede asumir la variable aleatoria en una distribución discreta es X = números
enteros.
Distribución Binomial
Un ensayo de Bernoulli es un experimento aleatorio que sólo puede concluir de dos manera s
distintas mutuamente excluyent es e independientes. Uno de los resultados se llama éxito y el
otro fracaso. Los ensayos de B ernoulli dan origen a una variable aleatoria y toma sólo dos
valores, y cuyos valores de probabilidad (distribución) están dados po r la siguiente fórmula:
De las definiciones de valor esperado y de varianza dadas anteriorment e, se tiene que para
una variable con distribución de Bernoulli, su valor es perado es
Y su varianza es, .
(1) En cada ensay o, el éxito tiene una probabilidad p y el fracaso una probabilidad q = 1 – p
de ocurrir.
(2) La distribución Bernoulli se basa en el supuesto de que la población es infinita y de que la
probabilidad de éxito y de fracaso permanece constante durante el proceso.
(3) Los ensayos son independientes, es decir, el resultado de cualquier ensayo particular no
es afectado por el resultado de cualquier otro ensayo.
Suponga que se lleva a cabo un proceso de B ernoulli y sea la variable X = número de éxitos en
n ens ayos de B ernoulli, tiene valores de probabilidad (distribución), como se indica en la
siguiente fórmula:
Cuando una variable aleat oria tiene valores de probabilidad dados por la fórmula anterior, se
dice que la variable tiene distribució n binomial.
Ejemplo 1. Suponga que el 10% de las part es que produce una máquina automática sea
defectuoso. Si se toma al azar una muestra de 20 partes, defina la variable que le permita
determinar las probabilidades siguientes:
Solución:
El problema que nos enfrentamos es el de precisar que se va a tomar como éxito. Para tal
propósito el éxito siempre se tomará como aquel aspecto en el cu al centramos nuestra
atención “part es defectuosas”, por tanto, al definir la variable, X = número de part es
defectuosas, entonces p = 10% = 0.1 y q = 90% =0.9; con una muestra de n=20.
(a)
Hay una probabilidad del 28.51% de que en una muestra de 20 partes, 2 sean defectuosas.
Distribución Hipergeométrica
Para aplicar la distribución hipergeométrica, ésta debe estar formada por dos grupos de
individuos u objetos. Un primer grupo constituido por aquellos individuos que poseen la
característica objeto de estudio, y su número de elementos lo denotaremos como N1 y el otro
estará conformado por los que no poseen la característica y el número de sus elem entos lo
denotamos N2.
La variable con distribución hipergeométrica debe ser de la forma: X = número de éxitos en los
n ensayos, los valores de probabilidad asociados a esta variable con distribución
hipergeomét rica están dados por
Ejemplo 2. Suponga que una empresa produce 100 unidades de las cuales 90 son buenas y
10 son defectuosas. Se escogen 20 unidades sin reemplazo; halle la probabilidad de que
resulten cinco defectuosas.
X = Unidades defectuosas.
N1 = 10 y N2 =90.
Hay una probabilidad del 2.15% de que al escoger 20 unidades, cinco sean defectuosas.
Distribución de Poisson
Esta distribución es aplicable a muchos procesos en los que ocurren determinados sucesos por
unidad de tiempo, espacio, área, volumen, etc.
Una variable con distribución de P oisson debe t ener la estructura o responder los interrogant es
mediante el siguiente planteamient o:
X = número de veces que oc urre un suceso en la unidad de tiempo, espacio, área, volumen,
etc. Los valores de probabilidad de una variable con distribución de Poisson están dados por,
Ejemplo 3. Suponga que el número de llamadas que llegan a un conmutador es de 0.5 por
minuto en promedio, halle la probabilidad de que:
Solución:
(a)
Hay una probabilidad del 60.65% de que en un minuto no lleguen llamadas al conmutador.
1. Se lanza una moneda cuatro veces. Si de los resultados del lanzamiento de la moneda
nos interesa el número de “sellos” que se obtienen en cada lanzamiento, entonc es
definimos la variable X= número de “sellos ” en los c uatro lanzamientos. Hallar la
distribución de probabilidad de esta variable aleatoria.
Calcule:
a. E[X]
b. V[X]
Calcule:
a. E[ X + 1]
2
b. E[ X ]
c. E[2X]
d. V[ X]
e. V[ X 1]
f. V[8X]
3. Suponga que cierta población, el 65% de los nacimientos registrados son niñas. Si
tomamos tres registros, defina la variable que permita calcular las probabilidades que a
continuación se piden.
a. Que tres registros corresponda a ni ñas.
b. Menos de dos sean niña.
4. Una caja tiene 15 baterías para radio, de las cuales cinco son defectuosas. De la caja se
escogen al azar seis baterías. Halle la probabilidad de que:
a. Cuatro sean defectuosas.
b. Ninguna sea defectuosa.
7. Una caja tiene 20 bombillos, de las cuales cinco son defectuosos. De la caja se escogen al
azar diez bombillos. Halle la probabilidad de que:
a. Tres sean defectuosos.
b. Ninguna sea defectuoso.
8. El promedio de personas que llegan a la ventanilla de un banco por minuto durante las
horas hábiles es una. Halle la probabilidad de que en un minuto:
a. No aparezcan clientes.
b. Haya tres o más clientes.
10. El número de clientes que llegan a una corporación de ahorro y vivienda los días sábados
es en promedio 40 por hora. ¿Cuál es la probabilidad de que lleguen por lo menos dos
clientes en media hora?
11. En la producción de cierto art ículo, se sabe que por cada 50 producidos en 30 su
terminado es excelente. Si se toma una muestra de 20 art ículos, ¿cuál es la probabilidad
de que diez sean clasificados excelentes?
Los valores que puede asumir la variable aleatoria en una distribución continua es X = números
reales.
DISTRIBUCIÓN NORMAL
Una de las distribuciones continúas y tal vez la más import ante es la distribución normal, la cual
ocupa un lugar destacado en la inferencia estadística. Su gráfica, que recibe el nombre de
curva normal, es la curva en forma de campana , la cual describe de forma aproximada muchos
fenómenos que suceden en la naturaleza, tales como la estaturas de los seres humanos, el
coeficiente intelectual de las personas, la industria y la investigación. Además, los errores en
las mediciones cient íficas se aproximan hasta límites extremadamente pequeños gracias a la
distribución normal. A las anteriores consideraciones podemos agregar otra que nos muestra el
porqué de la importancia de la distribución normal; se refiere al aspecto de inferencia
estadística y particularmente a lo que tiene que ver con el análisis de datos, puesto que las
distribuciones de muchas estadísticas muestrales tienden a la distribución normal, conforme
crece el tamaño de muestra.
Los valores de probabilidad de eventos definidos mediante una variable aleatoria continua se
mantiene mediante valores de int egrales definidas de una función llamada función de densidad
continua (área bajo la curva). Al ser la normal una variable de t ipo continuo, debe tener una
función de densidad que nos permita obtener valores de probabilidad relacionados con esta
variable.
Cuando nos referimos a una variable aleatoria con distribución normal con media y varianz a
, lo denotamos de la siguiente manera .
La dificultad que se encuentra al resolver las integrales de las funciones de densidad normal
hace necesaria una t abulación de las áreas de la curva normal para una referencia rápida. No
obstante sería una tarea de nunca acabar elaborar una tabla para cada valor posible de y de
. Afortunadamente, es posible trans formar todas las observaciones de cualquier variable
aleatoria normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z,
con media cero y varianza 1. Esto puede realizarse por medio de la transformación:
La distribución de una variable aleatoria con media cero y varianza 1, se llama di stribución
normal estándar. Se denota Z .
TRANSFORMACIÓN
Se ha reducido ahora el número requerido de tablas de las áreas de la curva normal a sólo
una, la Distribución Normal Estándar (Tabla I), Página 55.
A continuación se ilustra gráficamente c omo obtener los valores de probabilidad, según las
siguientes propiedades:
= 0.9938 – 0.9032
= 0.0906
En algunos casos lo que nos interesa es c alcular el valor de z t (valor de z de tabla) que
satisfaga P[ Z ≤ z t ] = valor de probabilidad de tabla. En este caso el proceso es a la inversa.
P[Z ≤ Zt ] = 0.9732, teniendo en cuenta el valor de probabilidad, podemos ver (Tabla II) que el
valor de z t = 1.93.
Solución:
(a) Para dar solución a la P[ X < 66], es necesario realizar la transformación llamada
estandarización, con la cual se obtiene el valor de z.
Solución:
Para este problema tenemos que gramos y gramos, por lo tanto debemos
calcular P[425 ≤ X ≤ 486].
Estandarizando, tenemos:
Hay una probabilidad del 85.85% de que un paquete escogido al azar pese entre 425 y 486
gramos.
Ejemplo 12. En un examen la calificación promedio fue 3.5 y la des viación estándar 0.3. Las
calificaciones siguen una distribución normal. ¿Qué porcentaje de estudiantes t uvo notas por
debajo de 2.0?¿Qué porcentaje de estudiantes obtuvo not as por encima de 4.0?
Solución:
Para este problema tenemos que y , por lo tanto debemos calcular P[ X < 2.0] y
P[ X > 4.0], estandarizamos tenemos
,
Para las preguntas tenemos,
P[X < 2.0] = P[Z < –5] y P[X > 4.0] = P[Z > 1.67]
= 1 – P[Z ≤ 5] = 1– P[Z ≤ 1.67]
=1–1 = 1 – 0.9525
=0 = 0.0475
hay una probabilidad del 0% de que los estudiantes obtengan una nota menor de 2.0 y del
4.75% de que obtengan una nota mayor a 4.0.
1. Dada una distribución normal, encuentre el área bajo la c urva que cae:
a. A la izquierda de z = 1.52
b. A la derecha de z = 0.9
c. Entre 1.8 y 2.7
d. A la izquierda de z = 1.93
5. Suponga un test normal de puntuación media de 75 y una des viación estándar de 6, tres
estudiant es A, B y C fueron notificados de tener puntuaciones Z normales estándares de
1.8, 0.5 y 0.8 respectivamente. Halle las notas obt enidas por A, B y C.
6. Una fábrica de harina empaqueta en sacos de tela. El saco de harina se acept a como de
distribución normal con media y des viación estándar iguales a 25 y 0.5 respectivamente. Si
se toma al azar un saco, ¿cuál es la probabilidad de que:
a. Pese cuando más 24.75?
b. Pese por lo menos 26.25?
7. Una máquina despac hadora de refrescos está ajustada para servir en promedio 200
mililitros por vaso. Si la cantidad de refrescos es normalmente distribuidas con una
des viación estándar igual a 15 mililitros.
a. ¿Qué fracción de los vasos contendrá más de 224 mililitros?
b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?
c. ¿Cuántos vasos probablement e se derramarán si se utilizan vasos de 230 mililitros en
los siguientes 1000 refrescos?
d. ¿Bajo qué valor se obtiene el 25% más pequeño de los refrescos?
reemplazar más del 5% de las baterías vendidas, ¿qué tiempo de garant ía debe ofrecer?
Muestreo probabilístico
Forman parte de este tipo de muestreo todos aquellos métodos para los que puede c alcular la
probabilidad de extracción de cualquiera de las muestras posibles. Este conjunto de técnic as
de muestreo es el más aconsejable, aunque en ocasiones no es posible optar por él. En este
caso se habla de muestras probabilísticas, pues no es en rigor correcto hablar d e muestras
representativas dado que, al no conocer las características de la población, no es posible tener
certeza de que tal característica se haya conseguido.
Sin reposición de los elementos: Cada elemento extraído se descarta para la subsiguiente
extracción. Por ejemplo, si se extrae una muestra de una "población" de bombillas para estimar
la vida media de las bombillas que la integran, no será posible medir más que una vez la
bombilla seleccionada.
Con reposición de los elementos: Las observaciones se realizan con remplazo de los
individuos, de forma que la población es idéntica en todas las extracciones. En poblaciones
muy grandes, la probabilidad de repetir una extracción es t an pequeña que el muestreo puede
considerarse con reposición aunque, realmente, no lo sea.
Con reposi ción múltiple: En poblaciones muy grandes, la probabilidad de repetir una
extracción es tan pequeña que el muestreo puede considerarse con reposición.
Para realizar este tipo de muestreo, y en det erminadas situaciones, es muy útil la extracción
de números aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto. Pero
no es exacto
Muestreo con reemplazo: Es aquel en que un elemento puede ser seleccionado más de una
vez en la muestra para ello se extrae un elemento de población se observa y se devuelve a la
población, por lo que esta forma se pueden hacer infinitas extracciones de la población aun
siendo esta finita.
Muestreo sin reemplazo: No se devuelve los elementos extraídos a la población hasta que no
se hallan extraídos todos los elementos que conforman la muestra.
Hay diversos procedimient os para extraer los individuos de una muestra aleatoria:
Una de ellas consiste en realizar un sorteo aleatorio con papeles o bolas enumeradas y sacar
uno a uno tantos como lo indique el tamaño de la muestra. Otra forma, es utilizar la t abla de
números aleatorios pero solamente para poblaciones finit as, la utilización de estas tablas
puede realizarse de diferentes modos.
Muestreo sistemático
Muestreo estratificado
Asignación óptima: la muestra recogerá más individuos de aquellos estratos que tengan más
variabilidad. Para ello es necesario un conocimiento previo de la población.
Homogéneo significa, en el cont exto de la estratificación, que no hay mucha variabilidad. Los
estratos funcionan mejor cuanto más homogéneos son cada uno de ellos respecto a la
característica a medir. Por ejemplo, si se estudia la estatura de una población, es bueno
distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya
menos variabilidad, es decir, sean menos heterogéneos. Dicho de otro modo, no hay tantas
diferencias entre unas estaturas y otras dentro del estrato que en la población total.
Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan las mismas
diferencias dentro del estrat o que en t oda la población, no hay por qué us ar este método de
muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la
población, lo que se construyen son conglomerados, que ahorran algo del trabajo que
supondría analizar toda la población. En resumen, los estratos y los conglomerados funcionan
bajo principios opuestos: los primeros son mejores cuanto más homogéneo es el grupo
Muestreo no probabilístico
En este caso las unidades de la muestra se eligen en función de algunas de sus características
de manera racional y no casual. Una variante de esta técnica es el muestreo compensado o
equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra
para det erminadas variables se acerque a la media de la población. La cual funciona en base a
referencias o por recomendación.
Ejemplo 1. Un ingeniero trata de ajustar una máquina dispensadora de gaseosas de tal forma
que el promedio del líquido dispensado se encuentra dentro de cierto rango. Sabe que la
cantidad de líquido vertida por la máquina sigue una distribución normal con una des viación
estándar 0.15 decilitros. También desea que el valor estimado que vay a a obtener de la media
comparado con el verdadero no sea superior a 0.02 decilitros con una confianza del 95%. ¿De
qué tamaño debe escoger la muestra, o sea cuánt as mediciones debe realizar para que
cumpla el plan propuesto?
Solución:
La información dada es:
, d=0.02 y un nivel de confianza del 95% por lo tanto, el nivel de significancia
y .
Reemplazando tenemos,
mediciones.
establos.
familias.
Solución:
La información dada es:
N=2000, como se desconoce la proporción, ent onces , d=0.05, un nivel de confianza del
95% por lo tanto, el nivel de signific ancia y .
Reemplazando tenemos,
estudiant es.
GUÍA DE CLASE N° 4
1. Suponga que las estaturas de los hombres tienen distribución normal con des viación
estándar de 2.5 pulgadas. ¿De qué tamaño s e debe tomar la muestra si se desea
determinar un intervalo de confianza del 95% para una media c on un error de estimación de
0.5?
3. Un técnico desea determinar el tiempo promedio que los operarios tardan en preparar sus
equipos. ¿Qué tamaño debe tener la muestra si se necesita una confianza del 95% de que
su media muestral estará dent ro de 15 segundos del promedio real? Suponga que por
estudios anteriores se sabe que segundos.
4. Se desea estimar el peso promedio de un lote de 500 naranjas. Para ello se va escoger
aleatoriamente cierto número de naranjas. Se desea que el error de estimación sea máximo
de 2 onzas con un nivel de confianza del 90%. ¿Cuántas naranjas deben seleccionarse?
Suponga que .
6. Se desea estimar la fuerza promedio para levantar a un niño de seis años. Como no se
tenía información sobre la varianza de esta población se proc edió a tomar una muestra
piloto para estimarla; los resultados fueron los siguientes: 2.24, 2.26, 2.47, 1.56, 1.72, 1.48,
2.40, 2.03, 1, 72, 2.10, 1.74, 1.55. Si se desea estimar un intervalo del 95% de confianza con
un error de estimación de 0.1. ¿De qué tamaño se debe escoger la muestra?. Suponga que
estos datos provienen de una distribución normal.
7. El jefe de personal de una empresa des ea realizar una enc uesta para determinar la
proporción de trabajadores que está a favor de un cambio del horario de trabajo. Como es
imposible consult ar a los 500 trabajadores en un lapso razonable, proc ede a escoger
aleatoriamente cierto número de t rabajadores para entrevistarlos; determine el número de
trabajadores que debe entrevistarse si se desea que la proporción estimada presente un
error máximo del 5% y un nivel de confianza del 95%.
Se denomina hipótesis nula a la hipótesis ( ) que s e des ea cont rastar. El nombre de "nula"
significa “sin valor, efecto o consecuencia”, lo cual sugiere que ( ) debe identificarse con la
hipótesis de no cambio (a partir de la opinión actual); no diferencia, no mejora,
etc. ( ) represent a la hipót esis que mantendrem os a no ser que los datos indiquen s u
falsedad, y puede entenderse, por tanto, en el sentido de “neut ra”. La hipótesis ( ) nunca se
considera probada, aunque puede ser rechazada por los datos. Por ejemplo, la hipótesis de
que dos poblaciones tienen la misma media puede ser rechazada fácilmente cuando ambas
difieren mucho, analizando muestras suficientemente grandes de ambas poblaciones, pero no
puede ser "demostrada" mediante muestreo, puesto que siempre cabe la posibilidad de que las
medias difieran en una cantidad lo suficientemente pequeña para que no pueda ser
detectada, aunque la muestra sea muy grande.
A partir de una muestra de la población en estudio, se extrae un estadístico (esto es, una valor
que es función de la muestra) cuya distribución de probabilidad esté relacionada con la
hipótesis en estudio y s ea conocida. Se t oma entonces como región de rechazo al conjunto de
valores que es más improbable bajo la hipótesis, esto es, el c onjunto de valores para el que
rechazaremos la hipótesis nula si el valor del estadístico obs ervado ent ra dentro de él.
La probabilidad de que se obtenga un valor del estadístico que entre en la región de rechazo
aún siendo cierta la hipótesis puede calcularse. De esta manera, se puede escoger dicha
región de tal forma que la probabilidad de cometer este error sea suficientemente pequeña.
Siguiendo con el ant erior ejemplo de la moneda t rucada, la muestra de la población es el
conjunto de los treinta lanzamientos a realizar, el estadístico escogido es el número total de
caras obtenidas, y la región de rechazo está constituida por los números totales de caras
iguales o superiores a 25. La probabilidad de cometer el error de admitir que la moneda está
trucada a pesar de que no lo está es igual a la probabilidad binomial de tener 25 "éxitos" o más
en una serie de 30 ensayos de Bernoulli con probabilidad de "éxito" 0,5 en cada uno, entonces:
0,0002, pues existe la posibilidad, aunque poco probable, que la muestra nos dé más de 25
caras sin haber sido la moneda trucada.
Procedimientos de prueba
Un procedimiento de prueba es una regla con base en datos muestrales, para determinar si se
rechaza .
Ejemplo 1. El ingeniero de control de calidad de una fábric a de tornillos tiene la sospecha de
que el proceso de producción de tales tornillos no se está cumpliendo la especificación en
cuanto la longitud promedio que debe ser de 5 cm, y que ésta, por el contrario, es menor. Si
La escritura nos indica que existe una confrontación de afirmaciones y sólo la evidencia de los
datos nos podrá indicar hacia dónde debemos inclinarnos, lo que no requiere decir que queda
demostrada, sino que no queda validada ante la evidencia de la muestra. Esto hay que t enerlo
en cuenta porque olvidarlo o desconocerlo da origen a las muchas conclusiones erradas que se
hacen y que motivan una crítica injustificada a las conclusiones con base en la inferencia
estadística.
1. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la
decisión de rechazar o no rechazar .
2. Una región de rechazo, el conjunto de todos los valores del estadístico de prueba para los
cuales será rec hazada.
Entonces, la hipótesis nula será rechaz ada si y solo si el valor observado o calculado del
estadístico de prueba se ubica en la región de rec hazo.
La región de ac eptación es un conjunto de valores, determinado bajo ciertas reglas, tal que si el
valor de la estadística de prueba cae dentro, la hipótesis nula se declara no contraria al valor
de la estadística (esto no significa que sea verdadera sino que su fals edad no ha sido
probada). La región de rechazo, también llamada región crítica, es un conjunto de valores
distinto a los anteriores; si la estadística de prueba asume un valor que esté dentro, la hipótesis
nula se declara cont raria a la evidencia de la muestra y por lo tanto debe ser rechazada.
El valor crítico es aquel número que separa la región de aceptación de la región de rec hazo.
Así por ejemplo, si la regla de decisión es rechazar si , entonces 5 es un valor
crítico.
Rechazo Aceptación
5
Cuando la región de rechazo está localizada en un solo extremo de la cur va de la distribución
de la estadística de prueba, la prueba se dic e de una cola. Cuando la región de rechazo está
localizada en ambos extremos la prueba se dice de dos colas.
Si se trata de una prueba de una media para población normal, las distintas pruebas respecto
de las posibilidades para la hipótesis alterna son:
1. .
2. .
3. .
En los casos anteriores la hipótesis nula también puede formularse como , para el
caso 1, y para el caso 2. Sin embargo, en los cálculos siempre se tomará .
En el mejor de los casos podrían desarrollarse procedimientos de prueba para los cuales
ningún tipo de error es posible. P ero esto puede alcanzarse solo si una decisión se basa en un
examen de toda la población, lo que casi nunc a es práctico. La dificultad al usar un
procedimiento basado en datos muestrales es que debido a la variabilidad en el muestreo
puede resultar una muestra no representativa.
Un buen proc edimiento es aquel para el cual la probabilidad de cometer cualquier tipo de error
es pequeña. La elección de un valor particular de corte de la región de rechazo fija las
probabilidades de errores tipo I y II. Estas probabilidades de error son representadas por α y β,
respectivamente.
Errores en el contraste
Una vez realizado el cont raste de hipótesis, se habrá optado por una de las dos
hipótesis, o , y la decisión escogida coincidirá o no con la que en realidad es cierta. Se
pueden dar los cuatro casos que se exponen en el siguiente cuadro:
Deci sión
Estado de naturaleza
Aceptar Descartar
es cierta Acción correcta Error de tipo I
( ) ( )
es falsa Error d tipo II Acción correcta
( ) ( )
En este caso, se denomina Potencia del contraste al valor 1-β, esto es, a la probabilidad de
escoger cuando ésta es cierta
Cuando es necesario diseñar un contraste de hipótesis, sería deseable hacerlo de tal manera
que las probabilidades de ambos tipos de error fueran tan pequeñas como fuera posible. Sin
embargo, con una muestra de tamaño prefijado, disminuir la probabilidad del error de tipo I, α,
conduce a incrementar la probabilidad del error de tipo II, β.
Ejemplo 2. En un proc edimiento judicial, cuando se acusa a alguien de un asesinato, cuando
se llama a juicio se pres ume que el acusado es inocente, es decir, no culpable hasta que se
demuestra lo cont rario. El error tipo I corresponde al caso de condenar a un inocente y el error
tipo II al dejar libre a un culpable.
Cuando tomamos decisiones con base en los dat os muestrales, cualquier cosa puede ocurrir,
desde lo más grave (cometer el error tipo I) hasta lo más acertado (tomar una decisión
correcta), y aun lo menos grave que sería cometer el error tipo II. Ant e la gravedad de cometer
el error tipo I y ante la imposibilidad de descartarlo, la única alternativa que nos queda es la
asignarle una probabilidad, obviament e pequeña, de que éste ocurra; llegamos de esta manera
al concepto de nivel de significancia.
El nivel de significancia de una prueba corresponde a la probabilidad de cometer el error tipo
I. Es decir, es la probabilidad de rechazar siendo verdadera. Esta probabilidad se denota
con la letra y corresponde al área de rechazo; de tal forma que se igualará al total del área
derecha o izquierda, si se trata de pruebas de una cola o se repartirá en partes iguales entre
las dos colas, si se trata de una prueba bilateral.
Usualmente, se diseñan los contrastes de tal manera que la probabilidad α sea el 5% (0,05),
aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones más relajadas o
más estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir β,
probabilidad de error de tipo II, es aumentar el tamaño muestral, lo que en la práctica conlleva
un increment o de los costes del estudio que se quiere realizar.
Primer paso. Formular la hipótesis o asegurar que es verdadera. Esta formulación puede ser
literal, pero generalmente traducida en término de parámetros ( ).
Segundo paso. Establecer el tamaño de muestra (n) y el nivel de significancia ( ).
Tercer paso. Determinar una estadística de prueba o una regla que sea lógica en el contexto
del problema formulado por la hipótesis. La estadística de prueba proporciona un número a
partir de los datos muestrales.
Cuarto paso. Formular una regla de decisión. Esto es, definir la posición que se asumirá para
cada resultado posible del experimento. La regla de decisión debe especificar qué valores de la
estadística de prueba se toman para aceptar y cuales para rechazarla.
Quinto pa so. Recolectar los datos mediante algún procedimiento de muestreo y calcular el
correspondiente valor de la estadística de prueba.
Sexto paso. Aplicar la regla de decisión. Si el valor de la estadística de prueba ca e en la región
de rec hazo, entonces rechazamos ; si el valor cae en la región de aceptación, ent onces no
rechazamos o mejor dicho, no hay evidencia para rechazarla.
El rechazo o no rechazo de la hipótesis nula conduce a una decisión clínica, administrativa,
científica, etc.
Es un procedimiento estadístico que nos permite decidir si los datos muestrales son
consistentes o no con algun valor que hemos fijado para la media d e una población
normalmente distribuida. Existen dos casos relacionados: cuando la varianza de la población
es conocida y cuando ésta es desconocida.
Solución:
1. Hipótesis
Longitud promedio de los pedazos de cable.
2. n = 18, .
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):
Solución:
1. Hipótesis
Contenido promedio de humedad de cada tonelada de trigo.
2. n = 16, .
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):
Cuando se trata de pruebas de dos medias relacionadas con poblaciones independientes, las
hipótesis a probar son:
Equivalente a:
. Prueba de una cola a la derecha.
Equivalente a:
. Prueba de una cola a la izquierda.
Equivalente a:
. Prueba de dos colas.
También se tienen en cuenta dos casos, cuando las varianzas de las poblaciones son
conocidas o cuando las varianz as son desconocidas.
Si las varianzas poblacionales son conocidas, se utiliza como estadística de prueba la variable
con distribución normal estándar:
Cuando las varianzas poblacionales son desconocidas pero supuestas iguales con muestras
pequeñas, se utiliza como estadística de prueba a la distribución t -student:
Ejemplo 3. Mediciones del diámetro trans versal del corazón de los adultos del sexo masculino
y femenino dieron los result ados siguientes:
Solución:
1. Hipótesis
Diámetro trans versal promedio de los hombres.
Diámetro trans versal promedio de las mujeres.
2. n1 = 12, n2 =9, .
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):
6. Decisión.
Como , entonces se rechaza H0 de que el diámet ro trans versal promedio del corazón de
los hombres es igual al de las mujeres.
Esta prueba aparece cuando por ejemplo, comparamos los pesos de las personas ant es y
después de un trat amient o para bajar pes o. La aplicación de esta prueba requiere que las
unidades que formen la pareja t engan las mismas características, como sucede en los
siguientes casos:
Los mismos individuos reciben el tratamiento antes y después.
Las parejas son gemelos que reciben tratamientos distintos.
Dos partes del mismo material son sometidos a tratamientos distintos.
El procedimiento estadístico para analizar el compo rtamiento de la variable de interés se basa
en la diferencia de las mediciones de las unidades que forman la pareja y es similar al que se
sigue para la prueba de una media al utilizar la distribución t -student, sólo que se toma como
estadística de prueba a la variable:
Ejemplo 4. Diez personas fueron sometidas a un test antes y después de recibir ciert a
instrucción. Los resultados fueron los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10
Antes 70 84 88 110 105 100 110 67 79 86
Después 115 148 176 191 158 178 179 140 161 157
¿Proporcionan estos dat os evidencia suficiente para decir que la instrucción fue efectiva?
Tome .
Solución:
1. Hipótesis
2. n = 10, .
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
6. Decisión.
Como , entonces se rechaza H0, los datos evidencian que la instrucción fue efectiva.
3. Los siguientes datos representan el contenido de grasa en los cuerpos de 10 hombres: 4.22,
3.99, 5.41, 4.23, 4.29, 4.62, 4.55, 4.13, 4.23, 4.48. ¿E videncian estos datos que el contenido
promedio de grasa en los hombres es menor de 4.464? Considere y tome .
Operario 1 Operario 2
10 12
9 16
16 16
14 15
11 14
Si supone que el número de unidades terminadas diariamente por los trabajadores son
variables aleatorias independientes distribuidas normalmente con varianz as iguales, ¿puede
concluirse alguna diferencia entre las medias? Tome .
5. Las siguientes son las distancias en metros que cierto animal se aleja de su morada: 194,
202, 335, 515, 184, 369, 142, 552, 200, 344, 421, 590, 301, 439. ¿Podemos concluir que la
distancia promedio en que se aleja es mayor de 338 m? Suponga y tome .
7. Se desea comparar dos métodos para enseñar estadística. Para ello se tomaron 10 pares
de estudiantes del mismo nivel de aprovec hamiento en estadística. De cada par, a uno se le
asigna al azar el mét odo A y al otro al mét odo B. Después de un periodo de cuatro
semanas, cada estudiante se sometió a un examen, con las punt uaciones siguientes:
Par 1 2 3 4 5 6 7 8 9 10
Método A 36 37 41 42 36 35 42 33 40 38
Método B 35 35 42 41 36 34 40 31 39 37
¿Proporcionan estos datos suficiente evidencia como para indicar que los niveles medios de
aprovechamiento de los métodos son distintos? Sea .
8. Los siguientes datos son los tiempos que tardan dos grupos de estudiantes para resolver un
examen de estadística.
Considere que los diámetros se distribuyen normalmente y que las varianzas respectivas
son . ¿Evidencian estos datos que los diámetros promedios de las
arandelas producidas por las dos máquinas son iguales? Tome .
10. Cinco personas con exceso de peso se pusieron a dieta durante tres meses. Fueron
observados sus pesos al comienzo y al final de la dieta. Estos d atos se muestran en la
tabla que sigue:
Individuo 1 2 3 4 5
Peso inicial 295 305 323 299 310
Peso final 251 259 267 265 263
¿Se puede concluir según estos datos que la diet a es efectiva? Tome .
12. Suponga que la varianza de los cocientes intelectuales de los estudiantes de enseñanza
secundaria media en una ciudad es de 225. Una muestra aleatoria de 25 estudiantes
arroja un coeficiente intelectual de 106. ¿Se puede concluir a partir de estos datos que el
coeficiente intelectual medio de los estudiantes es superior a 100? Tome .
13. Una muestra aleatoria de tamaño n1 = 25, tomada de una población normal con des viación
estándar de , tiene una media . Una segunda muestra aleatoria de tamaño
n2 = 36, tomada de una población normal diferente con des viación estándar , tiene
media . Pruebe la hipótesis de , en contraposición a la alt erna .
Tome .
14. Se conduc e una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
Considere que se trat a de poblaciones normales con igual varianza. ¿E videncian estos
datos que las potencias promedios son iguales? Tome .
Ejemplo 1. Se tomó una muestra aleatoria de tamaño n= 25 se obtuvo un valor S=150, con
estos datos. Pruebe la hipótesis vs. .
Solución
1. Hipótesis
vs.
2. n = 25
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):
6. Decisión.
En donde y son las varianzas muestrales de las dos poblaciones y con un valor de tabla
(Fα): , con q la medida de la cola derecha, n 1 grados de libert ad del numerador y
n2 grados de libertad del denominador.
Ejemplo 2. Se comparó la eficiencia de dos tipos de aceites para evit ar el desgaste en ciert as
piezas sometidas a intenso trabajo. En trece piez as se utilizó el aceite 1 y en otras trece el
aceite 2. Las varianzas muestrales fueron . Pruebe la hipótesis nula según la
cual las varianzas de las dos poblaciones son iguales. Tome .
Solución
1. Hipótesis
2. n1 = 13, n2 = 13, .
3. Estadística de prueba.
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):
y
6. Decisión.
Como , entonces rechaza H0, de que las varianzas de las dos poblaciones son iguales.
1. Se afirma que un dispensador de gas eosas está fuera de control si la varianz a de los
contenidos excede de 1.0 decilitros. Si una muestra aleatoria de 16 vas os despachados por
este dispens ador dio una varianza muestral de 1. 9 decilitros, ¿qué puede decirse del mismo
acerca de si está bajo control? Tome .
2. Se sabe que el contenido de nicotina de una marca de cigarrillos tiene distribución normal
con varianza de 1.3 miligramos. Pruebe la hipótesis de que , si una muestra
aleatoria de 8 de estos cigarrillos tiene una des viación estándar . use .
3. Se conduce una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
Baja en grasas
Normal
¿Proporcionan estos dat os suficiente evidencia que indique una diferencia en la variabilidad
de las dos poblaciones de donde se obt uvieron las muestras? Tome .
5. Una firma fabricante de detergentes elabora dos marc as. Si se encuentra que 56 amas de
casa de 200 consultadas prefieren la marca A; y que 29 de 150 la marca B. ¿Es esto
evidencia suficiente para sostener que la marc a A es preferida a la B ? Tome .
6. Se realizo una encuesta para determinar la diferencia que pueda existir entre las fracciones
de casados y solteros entre 20 y 30 años que fuman. Se entrevistaron 200 personas de
cada grupo y se encontraron 64 casados y 80 solteros que fuman. ¿C ontienen los dat os
suficiente evidencia que indique que existe una diferencia entre las dos fracciones de
fumadores para las dos poblaciones? Tome .
7. Dos maquinas diferentes A y B se utilizan para producir pernos idénticos que se suponen de
2 pulgadas de longitud. Se toman dos muestras aleatorias de 25 pernos cada una de la
producción de ambas máquinas Y arrojan dos varianzas pulgadas para la máquina
A, y pulgadas para la máquina B. ¿E videncian estos datos que las varianzas son
iguales? Tome .
Como se pres entan muchas situaciones en las que no cumplen los supuestos, se han
desarrollado recientemente numerosas pruebas estadísticas que no exigen supuestos
rigurosos acerca de la distribución de la población y que no requieren enunciar las hipótesis en
términos de valores especificados de los parámetros, son por consiguiente, pruebas que se
pueden llamar de distribución libre o no paramétricos. El término de distribución libre describe
un método de probar hipótesis o de definir un intervalo de confianza que no depende de la
naturaleza de la distribución de la población que se esté considerando; el término no
paramétrico se utiliza para indicar que no hay hipótesis enunciada en términos de valores
especificados de parámetros.
No obstante, los métodos no paramétricos tienen sus ventajas por s er fáciles de aplicar. Son
relativamente sencillos, claros de exponer y de comprender en comparación c on los métodos
paramétricos. De ahí que a veces s e les llame métodos “abreviados” y que se les emplee a
menudo, al aumentar el tamaño de la muestra, incluso en situaciones en que se cumplen en
realidad supuestos paramétricos.
En esta guía nos ocuparemos al estudio de algunos métodos más frecuentemente empleados.
La prueba de signos deja completamente de lado la magnit ud de la dife rencia entre cada par
de valores. Frank Wilcoxon, en 1945, sugirió un método para mejorar la prueba de signos. Ésta
mejora, llamada prueba de rangos signados de Wilcoxon, toma en consideración la magnitud
de las diferencias. Para llevarla a cabo, el primer paso consiste en ordenar todos los valores
absolutos de las diferencias ent re observaciones pareadas, del menor al mayor. El rango de la
diferencia más pequeña es entonces 1, el que sigue es 2 y así sucesivamente. Como se asigna
rangos a las diferencias independientemente del signo, por ejemplo a las diferencias -1 y +1 se
les da el mismo rango, es decir, cada diferencia le corresponde un rango y como se omite el
signo entonces ocuparía el mismo rango, entonc es se promedia los rangos que le corres ponde
y ese sería el rango para cada uno de ellos. Una vez ordenadas por rangos las diferencias, se
da a c ada rango el signo de la diferencia. S e calculan entonces por aparte la suma de de
rangos positivos y la suma de los rangos negativos y la suma menor omitido el signo, es la
estadística de prueba que se suele designar por T.
Si la hipótesis nula según la cual las dos poblaciones tienen idéntica distribución (relativa) es
cierta, podría esperarse que las dos sumas sean aproximadamente iguales, y si las dos sumas
son muy diferentes ent re y sí, habría que c oncluir que las dos poblaciones no son idénticas; es
decir, habría que descartar la hipót esis nula.
La estadística de prueba T se puede emplear para pruebas de una o dos colas. Para de una
cola es necesario anticipar el signo de la suma de los rangos menor, en caso de ser falsa la
hipótesis nula. Si la suma más pequeña tiene signo distinto del que s e anticipó, no se rechaza
la hipótesis nula.
y
El valor Z se calcula como sigue:
Que es mayor que el valor crítico -1.645 con . Por consiguiente, no se rechaza la
hipótesis nula de que el periodo de vacaciones no d a por resultado aumento de la
productividad. Este resultado es el mismo obt enido por la prueba de signos estudiada antes.
Prueba de independencia
Entre todas las aplicaciones que se ofrecen de la distribución Ji cuadrado, es tal vez la prueba
de independencia la que mayor empleo tiene. Este procedimiento c onsiste en probar la
hipótesis nula según la cual dos criterios de clasificación cuando se aplican a dos conjunt os de
entidades, son independient es. Por ejemplo, probar que el hábito de fumar es independiente
del sexo o probar que los retrasos en la llegada al trabajo de las pers onas que laboran en una
empresa es independiente del tiempo de vinculación del trabajador.
La clasificación de un conjunto de entidades, de acuerdo con dos criterios, puede presentarse
mediante una tabla en la que los renglones (filas) representan los diversos niveles de uno de
los criterios de clasificación y las columnas repres entan los diversos niveles del segundo
criterio. Una tabla construida de esta forma se denomina, como una tabla de contingencia. La
intersección de un renglón con una columna se denomina celda.
La hipótesis nula (H0 ) corresponde a la proposición: “Los dos criterios de clasificación son
independientes”. Si se llega rechazar H0, se concluirá que los dos criterios de clasificación no
son independientes en esta población.
El procedimiento para realizar la prueba incluye los siguientes pasos básicos:
1. Se especifica cada criterio con sus distintos niveles. Esto determinará los renglones y las
columnas.
2. Se registra en cada c elda el número de individuos o entidades que satisfacen el nivel dado
por el renglón y la columna simultáneamente.
3. Se calculan las frecuencias esperadas, las cuales se colocan en la parte inferior derecha de
la celda o al lado de la frecuencia observada, entre paréntesis.
4. Se calcula la suma, valor de la estadística de prueba,
en donde,
= Número de entidades o individuos clasificados en las celdas .
= Frecuencia esperada para la celda .
k = Número de celdas.
Ejemplo 2. Suponga que se desea averiguar si existe alguna relación entre el nivel de
formación académica y el rendimiento laboral para un grupo de 200 empleados. El nivel de
formación académica se clasifica en tres clases: escuela media o primaria, escuela superior y
escuela de especialización, en tant o que el rendimiento en el trabajo se clasifican como
“excelent e”, “bueno” o “regular”. La distribución de frecuencia conjunt a de las 200
observaciones está representada en la siguiente tabla.
Formación académica
Rendimiento Media o primaria Superior Especialización Total
Excelente 10 (15) 40 (30) 10 (15) 60
Bueno 30 (20) 30 (40) 20 (20) 80
Regular 10 (15) 30 (30) 20 (15) 60
Total 50 100 50 200
Este valor calculado se confront a con el valor de tabla Ji cuadrado ( ), con tenemos,
y con , .
El valor calculado es considerablemente superior a estos valores. Así que aunque se fijara el
nivel de significancia al 1%, se podría rechazar la hipótesis nula de que no hay relación
significativa ent re la formación académica de los empleados y su rendimiento en el trabajo.
(1)
De la tabla III tenemos que para un grado de libertad el valor crítico que separa 0.1%
superior es 10.828. Por lo tanto, la hipótesis según la cual existe independencia entre el sex o y
el propósito de elegir una carrera técnica debe ser rechaz ada.
que es ligerament e menor que el valor antes obtenido, pero aun as í la hipótesis de
independencia debe ser rechaz ada.
Personas A B C D E F G H I J K L M N O PQ
Pesos antes 210 197 203 175 234 178 252 230 190 195 154 179 243 195 198 169 217
Pesos después 208 196 195 175 229 170 242 221 213 180 150 173 235 204 193 169 210
2. Los datos que siguen se reunieron con el propósito de determinar si las edades de los
esposos se pueden considerar superiores a las de las espos as.
Esposos 58 46 30 35 53 20 45 35 38 43 25 22 37 61 78
Esposas 47 35 25 38 49 21 42 40 38 38 26 24 39 60 68
¿Qué puede decir, de acuerdo con estos datos? Empleando la prueba T de Wilcoxon.
Emplee el nivel de significancia .
3. Se desea determinar si un alza en los salarios incrementaría la producción por hora de los
trabajadores. Sea X esta producción por hora antes de alza de salarios y sea Y la misma
producción después del alza. Una muestra de 20 trabajadores arroja los siguientes datos:
Trabajadores A B C D E F G H I J K L M N O P Q R S T
X 91 83 70 64 85 86 91 66 72 60 75 84 71 80 70 85 65 75 75 65
Y 88 87 67 69 83 81 94 67 76 55 74 86 72 90 75 83 75 82 65 67
Utilice la estadística de prueba T para probar la hipótesis nula de que el alza de s alarios no
tiene efecto sobre la producción horaria de los trabajadores, con la hipót esis alterna de que:
a. La producción por hora tras el alza es superior a la de ant es del alza a un nivel de
significancia del .
b. La producción por hora tras el alza difiere de la producción anterior al alza a un nivel de
significancia del .
4. Suponga que la siguiente es una muestra aleatoria de 1 000 electores clasificados por
afiliación a partidos y preferencias de voto sobre determinada cuestión:
Pruebe la hipótesis según la cual la afiliación al partido no tiene nada que ver con la
preferencia del voto. Tome .
5. Ciert a compañía desea determinar si el ausentismo se relaciona con la edad. Se toma una
muestra de 200 empleados al azar y se clasifican según edad y causa de ausentismo así:
Edad
Causa
Menos de 30 30 – 50 Más de 50
Enfermedad 40 28 52
Otras 20 36 24
¿Se encuentra la edad relacionada con el ausentismo? Tome .
Modelo
Sexo
I II III
Varón 350 270 380
Mujer 340 400 260
Pruebe la hipótesis según la cual el sexo no tiene relación con la preferencia del modelo.
Tome .
7. La administración de cierta firma elaboró una encuesta para determinar si el tipo de empleo
se relaciona con preferencias por una póliza de seguros. Una muestra de 300 empleados a
los que se ent revistó arrojó los dat os siguientes:
Póliza de seguro
Tipo de empleados
I II III
Inspectores 18 6 12
Empleados de oficina 42 24 30
Obreros 36 72 60
0.10 superior
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 39.8634 49.5000 53.5932 55.8329 57.24 58.2044 58.9059 59.4389 59.8575 60.1949 60.7052 61.2203 61.7402 62.002 62.2649 62.529 62.7942 63.0606 63.3281
2 8.52632 9.00000 9.16179 9.24342 9.29263 9.32553 9.34908 9.36677 9.38054 9.39157 9.40813 9.42471 9.44131 9.44962 9.45793 9.46624 9.47456 9.48289 9.49122
3 5.53832 5.46238 5.39077 5.34264 5.30916 5.28473 5.26619 5.25167 5.24 5.23041 5.21562 5.20031 5.18448 5.17636 5.16811 5.15972 5.15119 5.14251 5.1337
4 4.54477 4.32456 4.19086 4.10725 4.05058 4.00975 3.97897 3.95494 3.93567 3.91988 3.89553 3.87036 3.84434 3.83099 3.81742 3.80361 3.78957 3.77527 3.76073
5 4.06042 3.77972 3.61948 3.5202 3.45298 3.40451 3.3679 3.33928 3.31628 3.2974 3.26824 3.23801 3.20665 3.19052 3.17408 3.15732 3.14023 3.12279 3.105
6 3.77595 3.4633 3.28876 3.18076 3.10751 3.05455 3.01446 2.98304 2.95774 2.93693 2.90472 2.87122 2.83634 2.81834 2.79996 2.78117 2.76195 2.74229 2.72216
7 3.58943 3.25744 3.07407 2.96053 2.88334 2.82739 2.78493 2.75158 2.72468 2.70251 2.66811 2.63223 2.59473 2.57533 2.55546 2.5351 2.51422 2.49279 2.47079
8 3.45792 3.11312 2.9238 2.80643 2.72645 2.66833 2.62413 2.58935 2.56124 2.53804 2.50196 2.46422 2.42464 2.4041 2.38302 2.36136 2.3391 2.31618 2.29257
9 3.3603 3.00645 2.81286 2.69268 2.61061 2.55086 2.50531 2.46941 2.44034 2.41632 2.37888 2.33962 2.29832 2.27683 2.25472 2.23196 2.20849 2.18427 2.15923
10 3.28502 2.92447 2.72767 2.60534 2.52164 2.46058 2.41397 2.37715 2.34731 2.3226 2.28405 2.24351 2.20074 2.17843 2.15543 2.13169 2.10716 2.08176 2.05542
11 3.2252 2.85951 2.66023 2.53619 2.45118 2.38907 2.34157 2.304 2.2735 2.24823 2.20873 2.16709 2.12305 2.10001 2.07621 2.05161 2.02612 1.99965 1.97211
12 3.17655 2.8068 2.60552 2.4801 2.39402 2.33102 2.28278 2.24457 2.21352 2.18776 2.14744 2.10485 2.05968 2.03599 2.01149 1.9861 1.95973 1.93228 1.90361
13 3.13621 2.76317 2.56027 2.43371 2.34672 2.28298 2.2341 2.19535 2.16382 2.13763 2.09659 2.05316 2.00698 1.98272 1.95757 1.93147 1.90429 1.87591 1.8462
14 3.10221 2.72647 2.52222 2.39469 2.30694 2.24256 2.19313 2.1539 2.12195 2.0954 2.05371 2.00953 1.96245 1.93766 1.91193 1.88516 1.85723 1.828 1.79728
15 3.07319 2.69517 2.48979 2.36143 2.27302 2.20808 2.15818 2.11853 2.08621 2.05932 2.01707 1.97222 1.92431 1.89904 1.87277 1.84539 1.81676 1.78672 1.75505
16 3.04811 2.66817 2.46181 2.33274 2.24376 2.17833 2.128 2.08798 2.05533 2.02815 1.98539 1.93992 1.89127 1.86556 1.83879 1.81084 1.78156 1.75075 1.71817
17 3.02623 2.64464 2.43743 2.30775 2.21825 2.15239 2.10169 2.06134 2.02839 2.00094 1.95772 1.91169 1.86236 1.83624 1.80901 1.78053 1.75063 1.71909 1.68564
18 3.00698 2.62395 2.41601 2.28577 2.19583 2.12958 2.07854 2.03789 2.00467 1.97698 1.93334 1.88681 1.83685 1.81035 1.78269 1.75371 1.72322 1.69099 1.65671
19 2.9899 2.60561 2.39702 2.2663 2.17596 2.10936 2.05802 2.0171 1.98364 1.95573 1.9117 1.86471 1.81416 1.78731 1.75924 1.72979 1.69876 1.66587 1.63077
20 2.97465 2.58925 2.38009 2.24893 2.15823 2.09132 2.0397 1.99853 1.96485 1.93674 1.89236 1.84494 1.79384 1.76667 1.73822 1.70833 1.67678 1.64326 1.60738
22 2.94858 2.56131 2.35117 2.21927 2.12794 2.0605 2.0084 1.9668 1.93273 1.90425 1.85925 1.81106 1.75899 1.73122 1.70208 1.67138 1.63885 1.60415 1.56678
23 2.93736 2.54929 2.33873 2.20651 2.11491 2.04723 1.99492 1.95312 1.91888 1.89025 1.84497 1.79643 1.74392 1.71588 1.68643 1.65535 1.62237 1.58711 1.54903
24 2.92712 2.53833 2.32739 2.19488 2.10303 2.03513 1.98263 1.94066 1.90625 1.87748 1.83194 1.78308 1.73015 1.70185 1.6721 1.64067 1.60726 1.57146 1.5327
25 2.91774 2.52831 2.31702 2.18424 2.09216 2.02406 1.97138 1.92925 1.89469 1.86578 1.82 1.77083 1.71752 1.68898 1.65895 1.62718 1.59335 1.55703 1.5176
26 2.90913 2.5191 2.30749 2.17447 2.08218 2.01389 1.96104 1.91876 1.88407 1.85503 1.80902 1.75957 1.70589 1.67712 1.64682 1.61472 1.5805 1.54368 1.5036
27 2.90119 2.51061 2.29871 2.16546 2.07298 2.00452 1.95151 1.90909 1.87427 1.84511 1.79889 1.74917 1.69514 1.66616 1.6356 1.6032 1.56859 1.53129 1.49057
28 2.89385 2.50276 2.2906 2.15714 2.06447 1.99585 1.9427 1.90014 1.8652 1.83593 1.78951 1.73954 1.68519 1.656 1.62519 1.5925 1.55753 1.51976 1.47841
29 2.88703 2.49548 2.28307 2.14941 2.05658 1.98781 1.93452 1.89184 1.85679 1.82741 1.78081 1.7306 1.67593 1.64655 1.61551 1.58253 1.54721 1.50899 1.46704
30 2.88069 2.48872 2.27607 2.14223 2.04925 1.98033 1.92692 1.88412 1.84896 1.81949 1.7727 1.72227 1.66731 1.63774 1.60648 1.57323 1.53757 1.49891 1.45636
40 2.83535 2.44037 2.22609 2.09095 1.99682 1.92688 1.87252 1.82886 1.7929 1.76269 1.71456 1.66241 1.60515 1.57411 1.54108 1.50562 1.46716 1.42476 1.37691
60 2.79107 2.39325 2.17741 2.04099 1.94571 1.87472 1.81939 1.77483 1.73802 1.70701 1.65743 1.60337 1.54349 1.51072 1.47554 1.43734 1.3952 1.34757 1.29146
120 2.74781 2.34734 2.12999 1.9923 1.89587 1.82381 1.76748 1.72196 1.68425 1.65238 1.6012 1.545 1.48207 1.44723 1.40938 1.3676 1.32034 1.26457 1.19256
∞ 2.70554 2.30259 2.0838 1.94486 1.84727 1.77411 1.71672 1.6702 1.63152 1.59872 1.54578 1.48714 1.4206 1.38318 1.34187 1.29513 1.23995 1.1686 1
0.05 superior
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
df2=1 161.447 199.5 215.707 224.583 230.161 233.986 236.768 238.882 240.543 241.881 243.906 245.949 248.013 249.051 250.095 251.143 252.195 253.252 254.314
2 18.5128 19 19.1643 19.2468 19.2964 19.3295 19.3532 19.371 19.3848 19.3959 19.4125 19.4291 19.4458 19.4541 19.4624 19.4707 19.4791 19.4874 19.4957
3 10.128 9.5521 9.2766 9.1172 9.0135 8.9406 8.8867 8.8452 8.8123 8.7855 8.7446 8.7029 8.6602 8.6385 8.6166 8.5944 8.572 8.5494 8.5264
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.041 5.9988 5.9644 5.9117 5.8578 5.8025 5.7744 5.7459 5.717 5.6877 5.6581 5.6281
5 6.6079 5.7861 5.4095 5.1922 5.0503 4.9503 4.8759 4.8183 4.7725 4.7351 4.6777 4.6188 4.5581 4.5272 4.4957 4.4638 4.4314 4.3985 4.365
6 5.9874 5.1433 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.099 4.06 3.9999 3.9381 3.8742 3.8415 3.8082 3.7743 3.7398 3.7047 3.6689
7 5.5914 4.7374 4.3468 4.1203 3.9715 3.866 3.787 3.7257 3.6767 3.6365 3.5747 3.5107 3.4445 3.4105 3.3758 3.3404 3.3043 3.2674 3.2298
8 5.3177 4.459 4.0662 3.8379 3.6875 3.5806 3.5005 3.4381 3.3881 3.3472 3.2839 3.2184 3.1503 3.1152 3.0794 3.0428 3.0053 2.9669 2.9276
9 5.1174 4.2565 3.8625 3.6331 3.4817 3.3738 3.2927 3.2296 3.1789 3.1373 3.0729 3.0061 2.9365 2.9005 2.8637 2.8259 2.7872 2.7475 2.7067
10 4.9646 4.1028 3.7083 3.478 3.3258 3.2172 3.1355 3.0717 3.0204 2.9782 2.913 2.845 2.774 2.7372 2.6996 2.6609 2.6211 2.5801 2.5379
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.948 2.8962 2.8536 2.7876 2.7186 2.6464 2.609 2.5705 2.5309 2.4901 2.448 2.4045
12 4.7472 3.8853 3.4903 3.2592 3.1059 2.9961 2.9134 2.8486 2.7964 2.7534 2.6866 2.6169 2.5436 2.5055 2.4663 2.4259 2.3842 2.341 2.2962
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144 2.671 2.6037 2.5331 2.4589 2.4202 2.3803 2.3392 2.2966 2.2524 2.2064
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458 2.6022 2.5342 2.463 2.3879 2.3487 2.3082 2.2664 2.2229 2.1778 2.1307
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.7066 2.6408 2.5876 2.5437 2.4753 2.4034 2.3275 2.2878 2.2468 2.2043 2.1601 2.1141 2.0658
16 4.494 3.6337 3.2389 3.0069 2.8524 2.7413 2.6572 2.5911 2.5377 2.4935 2.4247 2.3522 2.2756 2.2354 2.1938 2.1507 2.1058 2.0589 2.0096
17 4.4513 3.5915 3.1968 2.9647 2.81 2.6987 2.6143 2.548 2.4943 2.4499 2.3807 2.3077 2.2304 2.1898 2.1477 2.104 2.0584 2.0107 1.9604
18 4.4139 3.5546 3.1599 2.9277 2.7729 2.6613 2.5767 2.5102 2.4563 2.4117 2.3421 2.2686 2.1906 2.1497 2.1071 2.0629 2.0166 1.9681 1.9168
19 4.3807 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227 2.3779 2.308 2.2341 2.1555 2.1141 2.0712 2.0264 1.9795 1.9302 1.878
20 4.3512 3.4928 3.0984 2.8661 2.7109 2.599 2.514 2.4471 2.3928 2.3479 2.2776 2.2033 2.1242 2.0825 2.0391 1.9938 1.9464 1.8963 1.8432
22 4.3009 3.4434 3.0491 2.8167 2.6613 2.5491 2.4638 2.3965 2.3419 2.2967 2.2258 2.1508 2.0707 2.0283 1.9842 1.938 1.8894 1.838 1.7831
23 4.2793 3.4221 3.028 2.7955 2.64 2.5277 2.4422 2.3748 2.3201 2.2747 2.2036 2.1282 2.0476 2.005 1.9605 1.9139 1.8648 1.8128 1.757
24 4.2597 3.4028 3.0088 2.7763 2.6207 2.5082 2.4226 2.3551 2.3002 2.2547 2.1834 2.1077 2.0267 1.9838 1.939 1.892 1.8424 1.7896 1.733
25 4.2417 3.3852 2.9912 2.7587 2.603 2.4904 2.4047 2.3371 2.2821 2.2365 2.1649 2.0889 2.0075 1.9643 1.9192 1.8718 1.8217 1.7684 1.711
26 4.2252 3.369 2.9752 2.7426 2.5868 2.4741 2.3883 2.3205 2.2655 2.2197 2.1479 2.0716 1.9898 1.9464 1.901 1.8533 1.8027 1.7488 1.6906
27 4.21 3.3541 2.9604 2.7278 2.5719 2.4591 2.3732 2.3053 2.2501 2.2043 2.1323 2.0558 1.9736 1.9299 1.8842 1.8361 1.7851 1.7306 1.6717
28 4.196 3.3404 2.9467 2.7141 2.5581 2.4453 2.3593 2.2913 2.236 2.19 2.1179 2.0411 1.9586 1.9147 1.8687 1.8203 1.7689 1.7138 1.6541
29 4.183 3.3277 2.934 2.7014 2.5454 2.4324 2.3463 2.2783 2.2229 2.1768 2.1045 2.0275 1.9446 1.9005 1.8543 1.8055 1.7537 1.6981 1.6376
30 4.1709 3.3158 2.9223 2.6896 2.5336 2.4205 2.3343 2.2662 2.2107 2.1646 2.0921 2.0148 1.9317 1.8874 1.8409 1.7918 1.7396 1.6835 1.6223
40 4.0847 3.2317 2.8387 2.606 2.4495 2.3359 2.249 2.1802 2.124 2.0772 2.0035 1.9245 1.8389 1.7929 1.7444 1.6928 1.6373 1.5766 1.5089
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.1665 2.097 2.0401 1.9926 1.9174 1.8364 1.748 1.7001 1.6491 1.5943 1.5343 1.4673 1.3893
120 3.9201 3.0718 2.6802 2.4472 2.2899 2.175 2.0868 2.0164 1.9588 1.9105 1.8337 1.7505 1.6587 1.6084 1.5543 1.4952 1.429 1.3519 1.2539
∞ 3.8415 2.9957 2.6049 2.3719 2.2141 2.0986 2.0096 1.9384 1.8799 1.8307 1.7522 1.6664 1.5705 1.5173 1.4591 1.394 1.318 1.2214 1
0.025superior
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 647.789 799.5 864.163 899.583 921.847 937.111 948.216 956.656 963.284 968.627 976.707 984.866 993.102 997.249 1001.41 1005.59 1009.8 1014.02 1018.258
2 38.5063 39 39.1655 39.2484 39.2982 39.3315 39.3552 39.373 39.3869 39.398 39.4146 39.4313 39.4479 39.4562 39.465 39.473 39.481 39.49 39.498
3 17.4434 16.0441 15.4392 15.101 14.8848 14.7347 14.6244 14.5399 14.4731 14.4189 14.3366 14.2527 14.1674 14.1241 14.081 14.037 13.992 13.947 13.902
4 12.2179 10.6491 9.9792 9.6045 9.3645 9.1973 9.0741 8.9796 8.9047 8.8439 8.7512 8.6565 8.5599 8.5109 8.461 8.411 8.36 8.309 8.257
5 10.007 8.4336 7.7636 7.3879 7.1464 6.9777 6.8531 6.7572 6.6811 6.6192 6.5245 6.4277 6.3286 6.278 6.227 6.175 6.123 6.069 6.015
6 8.8131 7.2599 6.5988 6.2272 5.9876 5.8198 5.6955 5.5996 5.5234 5.4613 5.3662 5.2687 5.1684 5.1172 5.065 5.012 4.959 4.904 4.849
7 8.0727 6.5415 5.8898 5.5226 5.2852 5.1186 4.9949 4.8993 4.8232 4.7611 4.6658 4.5678 4.4667 4.415 4.362 4.309 4.254 4.199 4.142
8 7.5709 6.0595 5.416 5.0526 4.8173 4.6517 4.5286 4.4333 4.3572 4.2951 4.1997 4.1012 3.9995 3.9472 3.894 3.84 3.784 3.728 3.67
9 7.2093 5.7147 5.0781 4.7181 4.4844 4.3197 4.197 4.102 4.026 3.9639 3.8682 3.7694 3.6669 3.6142 3.56 3.505 3.449 3.392 3.333
10 6.9367 5.4564 4.8256 4.4683 4.2361 4.0721 3.9498 3.8549 3.779 3.7168 3.6209 3.5217 3.4185 3.3654 3.311 3.255 3.198 3.14 3.08
11 6.7241 5.2559 4.63 4.2751 4.044 3.8807 3.7586 3.6638 3.5879 3.5257 3.4296 3.3299 3.2261 3.1725 3.118 3.061 3.004 2.944 2.883
12 6.5538 5.0959 4.4742 4.1212 3.8911 3.7283 3.6065 3.5118 3.4358 3.3736 3.2773 3.1772 3.0728 3.0187 2.963 2.906 2.848 2.787 2.725
13 6.4143 4.9653 4.3472 3.9959 3.7667 3.6043 3.4827 3.388 3.312 3.2497 3.1532 3.0527 2.9477 2.8932 2.837 2.78 2.72 2.659 2.595
14 6.2979 4.8567 4.2417 3.8919 3.6634 3.5014 3.3799 3.2853 3.2093 3.1469 3.0502 2.9493 2.8437 2.7888 2.732 2.674 2.614 2.552 2.487
15 6.1995 4.765 4.1528 3.8043 3.5764 3.4147 3.2934 3.1987 3.1227 3.0602 2.9633 2.8621 2.7559 2.7006 2.644 2.585 2.524 2.461 2.395
16 6.1151 4.6867 4.0768 3.7294 3.5021 3.3406 3.2194 3.1248 3.0488 2.9862 2.889 2.7875 2.6808 2.6252 2.568 2.509 2.447 2.383 2.316
17 6.042 4.6189 4.0112 3.6648 3.4379 3.2767 3.1556 3.061 2.9849 2.9222 2.8249 2.723 2.6158 2.5598 2.502 2.442 2.38 2.315 2.247
18 5.9781 4.5597 3.9539 3.6083 3.382 3.2209 3.0999 3.0053 2.9291 2.8664 2.7689 2.6667 2.559 2.5027 2.445 2.384 2.321 2.256 2.187
19 5.9216 4.5075 3.9034 3.5587 3.3327 3.1718 3.0509 2.9563 2.8801 2.8172 2.7196 2.6171 2.5089 2.4523 2.394 2.333 2.27 2.203 2.133
20 5.8715 4.4613 3.8587 3.5147 3.2891 3.1283 3.0074 2.9128 2.8365 2.7737 2.6758 2.5731 2.4645 2.4076 2.349 2.287 2.223 2.156 2.085
22 5.7863 4.3828 3.7829 3.4401 3.2151 3.0546 2.9338 2.8392 2.7628 2.6998 2.6017 2.4984 2.389 2.3315 2.272 2.21 2.145 2.076 2.003
23 5.7498 4.3492 3.7505 3.4083 3.1835 3.0232 2.9023 2.8077 2.7313 2.6682 2.5699 2.4665 2.3567 2.2989 2.239 2.176 2.111 2.041 1.968
24 5.7166 4.3187 3.7211 3.3794 3.1548 2.9946 2.8738 2.7791 2.7027 2.6396 2.5411 2.4374 2.3273 2.2693 2.209 2.146 2.08 2.01 1.935
25 5.6864 4.2909 3.6943 3.353 3.1287 2.9685 2.8478 2.7531 2.6766 2.6135 2.5149 2.411 2.3005 2.2422 2.182 2.118 2.052 1.981 1.906
26 5.6586 4.2655 3.6697 3.3289 3.1048 2.9447 2.824 2.7293 2.6528 2.5896 2.4908 2.3867 2.2759 2.2174 2.157 2.093 2.026 1.954 1.878
27 5.6331 4.2421 3.6472 3.3067 3.0828 2.9228 2.8021 2.7074 2.6309 2.5676 2.4688 2.3644 2.2533 2.1946 2.133 2.069 2.002 1.93 1.853
28 5.6096 4.2205 3.6264 3.2863 3.0626 2.9027 2.782 2.6872 2.6106 2.5473 2.4484 2.3438 2.2324 2.1735 2.112 2.048 1.98 1.907 1.829
29 5.5878 4.2006 3.6072 3.2674 3.0438 2.884 2.7633 2.6686 2.5919 2.5286 2.4295 2.3248 2.2131 2.154 2.092 2.028 1.959 1.886 1.807
30 5.5675 4.1821 3.5894 3.2499 3.0265 2.8667 2.746 2.6513 2.5746 2.5112 2.412 2.3072 2.1952 2.1359 2.074 2.009 1.94 1.866 1.787
40 5.4239 4.051 3.4633 3.1261 2.9037 2.7444 2.6238 2.5289 2.4519 2.3882 2.2882 2.1819 2.0677 2.0069 1.943 1.875 1.803 1.724 1.637
60 5.2856 3.9253 3.3425 3.0077 2.7863 2.6274 2.5068 2.4117 2.3344 2.2702 2.1692 2.0613 1.9445 1.8817 1.815 1.744 1.667 1.581 1.482
120 5.1523 3.8046 3.2269 2.8943 2.674 2.5154 2.3948 2.2994 2.2217 2.157 2.0548 1.945 1.8249 1.7597 1.69 1.614 1.53 1.433 1.31
∞ 5.0239 3.6889 3.1161 2.7858 2.5665 2.4082 2.2875 2.1918 2.1136 2.0483 1.9447 1.8326 1.7085 1.6402 1.566 1.484 1.388 1.268 1
0.01 superior
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 4052.18 4999.5 5403.35 5624.58 5763.65 5858.98 5928.35 5981.07 6022.47 6055.84 6106.32 6157.28 6208.73 6234.63 6260.64 6286.78 6313.03 6339.39 6365.86
2 98.503 99 99.166 99.249 99.299 99.333 99.356 99.374 99.388 99.399 99.416 99.433 99.449 99.458 99.466 99.474 99.482 99.491 99.499
3 34.116 30.817 29.457 28.71 28.237 27.911 27.672 27.489 27.345 27.229 27.052 26.872 26.69 26.598 26.505 26.411 26.316 26.221 26.125
4 21.198 18 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.374 14.198 14.02 13.929 13.838 13.745 13.652 13.558 13.463
5 16.258 13.274 12.06 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.888 9.722 9.553 9.466 9.379 9.291 9.202 9.112 9.02
6 13.745 10.925 9.78 9.148 8.746 8.466 8.26 8.102 7.976 7.874 7.718 7.559 7.396 7.313 7.229 7.143 7.057 6.969 6.88
7 12.246 9.547 8.451 7.847 7.46 7.191 6.993 6.84 6.719 6.62 6.469 6.314 6.155 6.074 5.992 5.908 5.824 5.737 5.65
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.667 5.515 5.359 5.279 5.198 5.116 5.032 4.946 4.859
9 10.561 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.111 4.962 4.808 4.729 4.649 4.567 4.483 4.398 4.311
10 10.044 7.559 6.552 5.994 5.636 5.386 5.2 5.057 4.942 4.849 4.706 4.558 4.405 4.327 4.247 4.165 4.082 3.996 3.909
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.397 4.251 4.099 4.021 3.941 3.86 3.776 3.69 3.602
12 9.33 6.927 5.953 5.412 5.064 4.821 4.64 4.499 4.388 4.296 4.155 4.01 3.858 3.78 3.701 3.619 3.535 3.449 3.361
13 9.074 6.701 5.739 5.205 4.862 4.62 4.441 4.302 4.191 4.1 3.96 3.815 3.665 3.587 3.507 3.425 3.341 3.255 3.165
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.14 4.03 3.939 3.8 3.656 3.505 3.427 3.348 3.266 3.181 3.094 3.004
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.666 3.522 3.372 3.294 3.214 3.132 3.047 2.959 2.868
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.89 3.78 3.691 3.553 3.409 3.259 3.181 3.101 3.018 2.933 2.845 2.753
17 8.4 6.112 5.185 4.669 4.336 4.102 3.927 3.791 3.682 3.593 3.455 3.312 3.162 3.084 3.003 2.92 2.835 2.746 2.653
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.371 3.227 3.077 2.999 2.919 2.835 2.749 2.66 2.566
19 8.185 5.926 5.01 4.5 4.171 3.939 3.765 3.631 3.523 3.434 3.297 3.153 3.003 2.925 2.844 2.761 2.674 2.584 2.489
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.231 3.088 2.938 2.859 2.778 2.695 2.608 2.517 2.421
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.121 2.978 2.827 2.749 2.667 2.583 2.495 2.403 2.305
23 7.881 5.664 4.765 4.264 3.939 3.71 3.539 3.406 3.299 3.211 3.074 2.931 2.781 2.702 2.62 2.535 2.447 2.354 2.256
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.032 2.889 2.738 2.659 2.577 2.492 2.403 2.31 2.211
25 7.77 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 2.993 2.85 2.699 2.62 2.538 2.453 2.364 2.27 2.169
26 7.721 5.526 4.637 4.14 3.818 3.591 3.421 3.288 3.182 3.094 2.958 2.815 2.664 2.585 2.503 2.417 2.327 2.233 2.131
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.926 2.783 2.632 2.552 2.47 2.384 2.294 2.198 2.097
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.12 3.032 2.896 2.753 2.602 2.522 2.44 2.354 2.263 2.167 2.064
29 7.598 5.42 4.538 4.045 3.725 3.499 3.33 3.198 3.092 3.005 2.868 2.726 2.574 2.495 2.412 2.325 2.234 2.138 2.034
30 7.562 5.39 4.51 4.018 3.699 3.473 3.304 3.173 3.067 2.979 2.843 2.7 2.549 2.469 2.386 2.299 2.208 2.111 2.006
40 7.314 5.179 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.665 2.522 2.369 2.288 2.203 2.114 2.019 1.917 1.805
60 7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.496 2.352 2.198 2.115 2.028 1.936 1.836 1.726 1.601
120 6.851 4.787 3.949 3.48 3.174 2.956 2.792 2.663 2.559 2.472 2.336 2.192 2.035 1.95 1.86 1.763 1.656 1.533 1.381
∞ 6.635 4.605 3.782 3.319 3.017 2.802 2.639 2.511 2.407 2.321 2.185 2.039 1.878 1.791 1.696 1.592 1.473 1.325 1
TEXTO BÁSICO
Estadística para las ciencias Administrativas, Lincoln, L. Chao. Editorial MC GRAWH HILL.
Tercera edición.
FUENTES DE INTERNET
http://es.wikipedia.org/wiki/Probabilidad
http://es.wikipedia.org/wiki/Muestreo_en_estad%C3%A Dstica
http://es.wikipedia.org/wiki/Contraste_de_hip%C3%B3tesis