UC0307 - Estadística Inferencial - ED1 - V1 - 2017 - Ok PDF

Estadstica Inferencial
Sergio Jurado Chamorro

Datos de Catalogacin Bibliogrfica
Estadstica Inferencial. Manual Autoformativo /

- Huancayo:
Universidad Continental. 2017. - 148 p.
Datos de catalogacin del CENDOC UC
Estadstica Inferencial. Manual Autoformativo

Autor: Sergio Jurado Chamorro
Primera edicin
Huancayo, mayo de 2017
De esta edicin
Universidad Continental
Av. San Carlos 1980, Huancayo-Per
Telfono: (51 64) 481-430 anexo 7361
Correo electrnico: [email protected]
http://www.continental.edu.pe/
Versin e-book
Disponible en http://repositorio.continental.edu.pe/
ISBN electrnico n. 978-612-4196-
Direccin: Emma Barrios Ipenza
Edicin: Eliana Gallardo Echenique
Miguel Angel Cordova Solis
Asistente de edicin: Andrid Kary Poma Acevedo
Asesor didctico: Fabio Contreras Or
Correccin de textos: Sara Maricruz Bravo Montenegro
Diseo y diagramacin: Gerardo Favio Quispe Fernndez
Todos los derechos reservados. Cada autor es responsable del contenido de su pro-
pio texto.
Este manual autoformativo no puede ser reproducido, total ni parcialmente, ni re-
gistrado en o transmitido por un sistema de recuperacin de informacin, en ningu-
na forma ni por ningn medio sea mecnico, fotoqumico, electrnico, magntico,
electro-ptico, por fotocopia, o cualquier otro medio, sin el permiso previo de la Uni-
versidad Continental.
NDICE
Introduccin 7
Organizacin de la asignatura 9
Resultado de aprendizaje de la asignatura 9
Unidades didcticas 9
Tiempo mnimo de estudio 9
U-I
MUESTREO Y ESTIMACIN DE PARMETROS 11
Diagrama de organizacin de la Unidad I 11
Organizacin de los aprendizajes 11
Tema n. 1 Diseo y tcnicas de muestreo 12
1. Definiciones bsicas 12
1.1. Unidad elemental 12
1.2. Poblacin muestreada 12
1.3. Censo 12
1.4. Muestra 12
1.5. Unidad de muestreo 13
1.6. Marco muestral 13
1.7. Muestreo 13
1.8. Ficha tcnica 13
1.9. Plan de muestreo 15
1.10. Tipos de muestreo 15
2. Tipos de muestreo probabilstico 16
2.1. Muestreo aleatorio simple 16
2.2. Muestreo sistemtico 17
2.3 Muestreo por estratos 19
2.4. Muestreo por conglomerados 21
Lectura seleccionada n. 1 21
Actividad n. 1 22
Tema n. 2 Estimacin de parmetros 23

1.1. Estimacin puntual 23
1.2. Estimacin por intervalo 23
1.3. Estimacin de la proporcin 25
2. Estimacin de la media 27
2.1. Estimacin puntual 27
2.2. Estimacin por intervalo 28
3. Estimacin de la varianza 32
4. Intervalos con poblaciones finitas 33
5. Determinacin del tamao muestral 34
Glosario de la Unidad I 36
Bibliografa de la Unidad I 38
Autoevaluacin n. 1 39
U - II
PRUEBA DE HIPTESIS Y ANLISIS DE LA VARIANZA 43
Diagrama de organizacin de la Unidad II 43
Tema n. 1 Prueba de hiptesis 44
1. Definiciones bsicas 44
1.1. Hiptesis 44
1.2. Tipos de hiptesis 44
1.3. Estadstico de prueba 45
1.4. Prueba de hiptesis 46
1.5. Tipos de pruebas 46
2. Mtodos para realizar una prueba de hiptesis 48
2.1. Mtodo tradicional 48
2.2. Mtodo del valor P 50
3. Inferencias con dos poblaciones 52
3.1. Inferencias con dos proporciones 53
3.2. Inferencias con dos medias 55
3.3. Prueba de hiptesis para dos varianzas 58
Tema n. 2 Anlisis de varianza ANOVA 60
1. ANOVA de un factor 60
1.1. Tabla ANOVA de un factor 60
2. ANOVA de dos factores 62
2.1. Modelo aditivo 63
2.2. Modelo con interaccin 65
3. Errores en la prueba de hiptesis 67
3.1. Error tipo I 67
3.2. Error tipo II 67
Actividad n. 2 68
Glosario de la Unidad II 69
Bibliografa de la Unidad II 70
U - III
ESTADSTICA NO PARAMTRICA 75
Diagrama de organizacin de la Unidad III 75
Tema n. 1 Experimentos multinomiales y tablas de contingencia 76
1. Pruebas de bondad de ajuste 76

1.1. Prueba con frecuencias uniformes: 76
1.2. Prueba con frecuencias no uniformes 78
1.3. Prueba ajuste a una distribucin estadstica 79
2. Pruebas de independencia y homogeneidad 81
2.1. Pruebas de independencia 82
Tema n. 2 Pruebas no paramticas 85
1. Prueba del signo 85

2. Prueba de rangos con signo de Wilcoxon para datos apareados 87
3. Pruebas de suma de rangos con signo de Wilcoxon para muestras
independientes 89
4. Prueba de Kruskal Wallis 92
5. Correlacin de rangos de Spearman 94
5.1. Correlacin 94
5.2. Prueba de hiptesis para la correlacin 94
6. Prueba de rachas 96
Glosario de la Unidad III 99
Bibliografa de la Unidad III 100
U - IV
CORRELACION, REGRESIN Y CONTROL ESTADSTICO DE PROCESOS 105
Diagrama de organizacin de la Unidad IV 105
Tema n. 1 Correlacin y regresin 106
1. Correlacin y regresin lineal simple 106

1.1. Anlisis de correlacin lineal simple 106
1.2. Prueba de hiptesis 107
1.3. Anlisis de regresin lineal simple 109
1.4. Utilizar el modelo para realizar pronsticos 111
1.5. Bondad de ajuste 112
1.6. Intervalos de confianza y prediccin 112
2. Correlacin y regresin lineal mltiple 113
2.1. Anlisis de correlacin mltiple 114
3. Correlacin no lineal: construccin de modelos 116
3.1. Modelos de regresin no lineal 117
3.2. Coeficiente de determinacin R2 117
3.3. Buscar el mejor modelo 117
Tema n. 2 Series temporales 120
1. Componentes de una serie temporal 120

1.1. Tendencia 120
1.2. Estacional 121
1.3. Cclico 123
1.4. Irregular 124
1.5. Modelos de series temporales 124
2. Anlisis de series temporales 125
Glosario de la Unidad IV 129
Bibliografa de la Unidad IV 130
Apndices 135
Anexos 146
INTRODUCCIN
E
n el presente manual se presentan los con- necesario tener muy presentes los conceptos y
tenidos a desarrollar y los aprendizajes es- desarrollo de clculos como la media, la media-
perados que se debe lograr en nuestra na, la varianza, entre otras medidas estadsticas.
asignatura. El desarrollo de la asignatura requie-
re de conocimientos previos desarrollados en la Se requiere, adems, reconocer las propieda-
asignatura de Probabilidad y Estadstica. des de las distribuciones de probabilidades. En-
tre ellas, las que ms nos interesan son la distribu-
Nuestra asignatura desarrolla procedimientos, cin normal y la binomial.
estrategias, y clculos especializados en el an-
lisis de datos masivos, resumidos en una muestra. El manual se organiza en cuatro unidades y ha
Lo que podamos determinar en la muestra ser sido diseado con la intencin de generar el
llevado hacia la poblacin bajo ciertos mrge- autoaprendizaje con descripcin de la teora,
nes de probabilidad. Este proceso de estudiar tomando como base el libro de Mario Triola,
una muestra y luego trasladar los resultados, con Estadstica (10 ed.). Se ha previsto el desarro-
ayuda de las distribuciones de probabilidades, llo de la solucin de un ejercicio como mnimo,
a su poblacin, constituye lo que tcnicamente para cada uno de los temas tratados. Se han
se conoce como inferencia. insertado algunas lecturas complementarias en
los cuadros de texto de los lados en algunas p-
En el proceso de las inferencias trabajamos con ginas, con la finalidad de propiciar la reflexin
estadsticos con la finalidad de estimar los pa- sobre el uso de la estadstica inferencial.
rmetros en una poblacin, razn por la que es

8
MANUAL AUTOFORMATIVO INTERACTIVO
ORGANIZACIN DE LA ASIGNATURA
Resultado de aprendizaje de la asignatura

Al trmino de la asignatura, el estudiante ser capaz de aplicar mtodos y tcnicas de la estadstica
inferencial y de pronstico con el objetivo de proporcionar informacin pertinente y veraz que sirva
para la toma de decisiones.
Unidades didcticas
UNIDAD I UNIDAD II UNIDAD III UNIDAD IV
Prueba de hiptesis para una Experimentos multinomiales, ta-

Muestreo y estimacin de pa- Correlacin y regresin. Series
y dos muestras y anlisis de va- blas de contingencia y estads-
rmetros. de tiempo.
rianza. tica no paramtrica.
Resultado de aprendizaje Resultado de aprendizaje Resultado de aprendizaje Resultado de aprendizaje
Al finalizar la unidad, el estu- Al finalizar la unidad, el estu- Al finalizar la unidad, el estu- Al final de la unidad, el estu-
diante ser capaz de aplicar diante ser capaz de plantear diante estar en la capacidad diante estar en la capacidad
mtodos de muestreo y calcu- y aplicar pruebas de hiptesis de realizar pruebas de hipte- de realizar pronsticos utilizan-
lar los parmetros poblaciona- para la media, proporcin y sis con experimentos multino- do el anlisis de correlacin y
les con datos provenientes de varianza a partir de situacio- miales, pruebas de bondad o regresin, as como modelos
una o dos poblaciones. nes estadsticas reales. pruebas no paramtricas de de series de tiempo.
acuerdo a la situacin estads-
tica planteada.
Tiempo mnimo de estudio

UNIDAD I UNIDAD II UNIDAD III UNIDAD IV
Semana 1 y 2 Semana 3 y 4 Semana 5 y 6 Semana 7 y 8
16 horas 16 horas 16 horas 16 horas
9
10
UNIDAD I
MUESTREO Y ESTIMACIN DE PARMETROS
DIAGRAMA DE ORGANIZACIN DE LA UNIDAD I
CONTENIDOS EJEMPLOS ACTIVIDADES
AUTOEVALUACIN BIBLIOGRAFA
ORGANIZACIN DE LOS APRENDIZAJES

Resultados del aprendizaje de la Unidad I: Al finalizar la unidad el estudiante ser capaz de aplicar mtodos
de muestreo y calcular los parmetros poblacionales con datos provenientes de una o dos poblaciones.
CONOCIMIENTOS HABILIDADES ACTITUDES

Tema n. 1: Diseo y tcnicas de mues- 1. Distingue los mtodos de muestreo. Valora la importancia del muestreo y de
treo Observa las diapositivas animadas la estimacin de parmetros e interpre-
1. Definiciones bsicas. y elabora un organizador grfico ta correctamente los resultados para
comparativo. una buena toma de decisiones.
2. Tipos de muestreo probabilstico.
2. Planifica muestreos probabilsticos.
Elabora una ficha tcnica de mues-
Lectura seleccionada n. 1 treo.
La pobreza en el Per disminuy en 3. Selecciona una muestra vlida para
1.2%. realizar estimaciones de parmetros.
4. Identifica correctamente los valores
Tema n. 2: Estimacin de parmetros crticos para el clculo de intervalos
de confianza.
1. Estimacin de la proporcin.
5. Calcula intervalos de confianza
2. Estimacin de la media.
para la media, proporcin y varian-
3. Estimacin de la varianza. za para una y dos muestras.
4. Determinacin del tamao muestral.
Actividad 1
Participa del foro de discusin sobre cri-
terios de muestreo.
Actividad 2
Evaluacin del tema n. 1 y el tema n. 2.
11
Diseo y tcnicas de muestreo
Tema n. 1
1. DEFINICIONES BSICAS
1.1. Unidad elemental
Es el elemento mnimo en el que se pueden observar/medir las caractersticas (variables) de un

estudio estadstico; es decir, es el elemento bsico del que se puede obtener informacin (da-
tos) para las variables.
Ejemplo:
En un programa de control de calidad en una f-

brica de calzado, la unidad elemental es cada
zapato en algn punto especfico del proceso de
fabricacin, por ejemplo, a la salida de la lnea de
fabricacin.
En estudios de satisfaccin del cliente en una tien-

da de retails, la unidad elemental es cada consu-
midor.
Figura 1. Control de calidad. Tomada de Per
En un estudio sobre los estilos de aprendizaje en 21, 2014.
nuestra universidad, la unidad elemental es cada
estudiante matriculado en el semestre actual.
1.2. Poblacin muestreada
Es el conjunto de todas las unidades elementales; es decir, to-

dos aquellos elementos de quienes se puede obtener infor-
macin. Constituye, entonces, el conjunto del que se puede
extraer una muestra.
La poblacin muestreada compuestos por personas, hogares,

objetos, animales, medidas, los que se reconocen como uni-
Figura 2. Poblacin. Tomada de:
dades elementales.
http://ngooipin.blogspot.pe/ , 2008.
1.3. Censo
Es el estudio de toda una poblacin. Requiere de mucho tiempo y disponibilidad de recursos.

Se estila a realizarse con poblaciones alcanzables; es decir, aquellas en las que es muy fcil ac-
ceder a cada una de las unidades elementales. Depende del espacio y el tiempo en el que se
realiza, dado que ninguna poblacin es esttica.
1.4. Muestra
Es el subconjunto de unidades estadsticas o unidades elementales seleccionadas de la pobla-

cin de manera tal que se puede decir que es representativa de la poblacin, es decir, que
tiene las mismas caractersticas que la poblacin en calidad y proporcin de individuos.
12
1.5. Unidad de muestreo
Es cualquiera de las unidades estadsticas elegidas para formar

parte de la muestra. Su eleccin constituye la parte ms
importante de un estudio estadstico. Se debe realizar siguiendo
una secuencia de pasos que garanticen su representatividad.
En ocasiones una unidad de muestreo es la unidad elemental

y es elegida de manera directa, como el caso de control de
calidad mencionado lneas arriba; en otras, la unidad elemental
est dentro de la unidad de muestreo, como el caso de una
investigacin en las que se eligen hogares como unidades
de muestreo, pero se considera como unidad elemental, por Figura 3. Muestreo aleatorio. Tomado
ejemplo, a quienes aportan o sostienen econmicamente estos de Keyword & Suggestions, 2015.
hogares.
1.6. Marco muestral
Un marco muestral constituye un documento actualiza-

do que nos da la oportunidad de reconocer a todas las
unidades estadsticas. Por ello, un marco muestral puede
estar integrado de una lista, si se trata, por ejemplo, de un
estudio sobre el uso de las tarjetas de dbito en el merca-
do financiero, y/o un mapa en el caso de un estudio de
hogares.
El marco muestral nos permite realizar el proceso de eleccin

de las unidades muestrales que se denomina muestreo.
Figura 4. Marco muestral. Elaboracin propia.
1.7. Muestreo
Es un conjunto de mtodos y procedimientos estadsticos destinados a la seleccin de una o

ms muestras; es decir, es la tcnica seguida para elegir muestras. El objetivo principal de un
diseo de muestreo es proporcionar procedimientos para la seleccin de muestras que sean
representativas de la poblacin en estudio (INEI, 2006, p. 46).
El muestreo comprende por lo menos dos etapas:
La seleccin de las unidades muestrales.
El registro de las observaciones (Cerrn, 2013).
1.8. Ficha tcnica
Una ficha tcnica es el documento que obligatoriamente se presenta al presentar los resultados
de una encuesta. En este documento se expone las caractersticas del estudio realizado que
respaldan la coherencia de la informacin obtenida en la muestra.
Ejemplo 1:
Ttulo del estudio: Encuesta de Opinin en Lima Metropolitana, noviembre 2009.
Objetivos del estudio: Evaluacin y opinin sobre la situacin econmica.
13
Encuestadora: Pontificia Universidad Catlica del Per
N. de registro: 0108 REE/JNE
Universo o poblacin objetivo: Hombres y mujeres mayores de 18 aos, habitantes de 31 distritos

de Lima Metropolitana
Marco muestral: La seleccin de manzanas se hizo utilizando como marco muestral la carto-
grafa digital del INEI del 2004 para los 31 distritos de Lima Metropolitana. Los
distritos que no forman parte del marco muestral son los siguientes: Chacla-
cayo, Lurigancho, Cieneguilla y los distritos balnearios del Sur y del Norte de
la Ciudad.
Representatividad: En los distritos que forman parte del universo y que estn incluidos en el mar-
co muestral se encuentra el 95.88% de la poblacin electoral total de la pro-
vincia de Lima.
Tamao de la muestra: 508 personas entrevistadas en Lima Metropolitana
Error y nivel de confianza estimados: 4.32% con un nivel de confianza del 95%, asumiendo
50%-50% de heterogeneidad, bajo el supuesto de muestreo aleatorio simple.
Distritos que resultaron seleccionados en la muestra: La seleccin aleatoria de manzanas del

marco muestral determin que la encuesta se aplicar en 28 distritos de Lima
Metropolitana (Cercado de Lima, Ate, Barranco, Brea, Carabayllo, Chorri-
llos, Comas, El Agustino, Jess Mara, La Molina, La Victoria, Lince, Los Olivos,
Magdalena del Mar, Pueblo Libre, Miraflores, Puente Piedra, Rmac, San Bor-
ja, San Juan de Lurigancho, San Juan de Miraflores, San Martn de Porres, San
Miguel, Santa Anita, Santiago de Surco, Surquillo, Villa El Salvador y Villa Mara
del Triunfo).
Procedimiento de muestreo: Se realiz una muestra probabilstica polietpica. Dentro de Lima

se estratific la muestra de acuerdo con grandes zonas de la ciudad: cono
norte, cono este, cono sur, centro, cono oeste-suroeste, y en cada estrato se
seleccion una muestra simple al azar de manzanas. Posteriormente se rea-
liz un muestreo sistemtico de viviendas en cada manzana seleccionada y
se aplicaron cuotas de sexo y edad para la seleccin de personas al interior
de las viviendas.
Ponderacin: En Lima Metropolitana los datos se ponderaron en funcin del peso de los estratos
en la poblacin total.
Tcnica de recoleccin de datos: Mediante entrevistas directas en las viviendas seleccionadas.
Supervisin de campo: Se supervis el 30% de las entrevistas realizadas.
Fechas de aplicacin: Entre los das 29 de octubre y 01 de noviembre de 2009.
Financiamiento: Pontificia Universidad Catlica del Per.
Pgina web: http://www.pucp.edu.pe
Email: [email protected]
14
1.9. Plan de muestreo
Se considera plan de muestreo a la definicin y sistematizacin de la secuencia de pasos y las

consideraciones para definir el tamao de una muestra y cmo obtenerla.
Entonces, como el objetivo es la obtencin de una muestra, se emplean tcnicas especficas,

frmulas y tablas.
1.10. Tipos de muestreo
Existen dos formas conocidas de realizar un muestreo: Probabilsticamente y no probabilstica-

mente.
Muestreo probabilstico: Desarrolla una serie de estrategias

y procedimientos que incluyen la eleccin aleatoria de las
unidades muestrales, de modo que procura que todas y
cada una de las unidades elementales tengan la misma
probabilidad de ser elegidas.
Muestreo no probabilstico: Este tipo de muestreo debe

realizar una eleccin de unidades elementales, general-
mente basada en el criterio del que investiga. No se pue- Figura 5. Muestreo aleatorio .
de asegurar, por tanto, que todas las unidades elementa- Tomada de EducaLab, 2016.
les tengan la misma probabilidad de ser elegidas.
La diferencia fundamental entre estos tipos de muestreo

radica en que en el muestreo probabilstico se puede
medir el riesgo que se asume al muestrear, mientras que
en el muestreo no probabilstico ello no es posible. En el
estadstico, la fundamentacin es terica y las conclusiones
pueden ser cuantitativas y precisas, mientras que en
el no estadstico la fundamentacin es prctica y las
conclusiones pueden ser cualitativas y, en el mejor de los
casos, razonables, adems de perder ante determinados
casos la posibilidad de ser extrapolables. Ante estas
diferencias, por qu recurrir al muestreo no probabilstico?
En algunas circunstancias sucede que no es posible por
falta de tiempo, por escasez de recursos, por limitaciones
para acceder a la poblacin u otras dificultades operativas
llevar a cabo un muestreo probabilstico. Ser preferible, Figura 6. Muestreo por criterio. Tomada de
Graphic Resources LLC, 2015.
entonces, acudir a determinadas pruebas especficas,
para los que habrn de tenerse en cuenta ciertos cuidados mnimos y necesarios para sostener
fundadamente las opiniones vertidas en un informe (Rubione, 2013, p. 4-5).
15
2. TIPOS DE MUESTREO PROBABILSTICO
2.1. Muestreo aleatorio simple
Es el mtodo ms simple para elegir la muestra. Bsicamente es un

sorteo realizado de tal manera que se garantice que cada una de
las unidades elementales tenga la misma probabilidad conocida.
La eleccin, por lo tanto, es aleatoria y se puede llevar a cabo

mediante un nfora con balotas con nmeros o identificadores
de cada uno de elementos de la poblacin. Tambin, puede rea-
lizarse usando una tabla denominada Tabla de nmeros aleato- Figura 7. Muestreo por criterio. To-
rios y la lista completa de los elementos de la poblacin. mada de Graphic Resources LLC,
2015.
Se puede mencionar dos cualidades:
Independencia: La eleccin de cada unidad de muestreo es independiente de la eleccin

de otra, dicho de otra manera, la eleccin de un elemento no influye en la probabilidad de
eleccin del resto de unidades. Esto es posible si la eleccin se realiza con reemplazo.
Representatividad: El conjunto de elementos elegidos es un fiel reflejo de su poblacin.
Es muy eficiente con poblaciones pequeas, desarrolla una muestra representativa sobre todo si
la poblacin es bastante homognea. A cambio se puede asegurar que no es tan eficiente con
poblaciones heterogneas, dado que la eleccin aleatoria podra producir sesgo y no se puede
realizar con poblaciones infinitas.
Ejemplo 2:
Los ingresos anuales, grado de instruccin, la categora laboral de los 120 empleados de Maria-
na S. A., empresa dedicada a la produccin de ropa para bebe, se muestran en el Apndice A
Tabla de datos de empleados de Mariana S. A.
Con esta base de datos, obtendremos una muestra aleatoria de tamao 10 utilizando la Tabla
de Nmeros aleatorios, del Apndice B.
En la tabla de nmeros aleatorios, elegimos de manera aleatoria las columnas C7, C2, C11.
Datos:
N = 120 (tamao de poblacin)
n = 10 (tamao de muestra)
De esta manera, seguimos buscando y los elegidos son los siguientes: 012; 014; 092; 007
1. Tomamos la columna C7 y le aadimos 2 columnas consecutivas, C8 y C9.
Esto porque N = 120 es un nmero que tiene 3 dgitos.
2. Buscamos en las tres columnas nmeros menores o iguales a 120. Por ejemplo, 012 = 12.
El primer elemento elegido es el empleado n. 12:
12 Mujer Secundaria
16
Tabla n. 1. Nmeros aleatorios.
Fuente: Tomada de Manual autoformativo de Estadstica II Cerrn, 2013.
De esta manera, seguimos buscando y los elegidos son los siguientes:
012; 014; 092; 007 Tabla 1.
3. Hacemos lo mismo con la columna C2 a la que aadimos C3 y C4, y se obtiene lo siguiente:
036; 058
Con C11, aadimos C12 y C13:
086; 011; 088; 067
Por tanto, los elementos elegidos son 12, 14, 92, 7, 36, 58, 36, 58, 86, 11, 88, 67.
2.2. Muestreo sistemtico
Se realiza mediante un proceso que se desarrolla mediante los siguientes pasos:
1. Se calcula el tamao de salto o intervalo a dar en la eleccin de los elementos que se

muestran a continuacin:
N
K= , donde N es el tamao de la poblacin y n es el tamao de la muestra a elegir.
n
2. De manera aleatoria, se elige al primer elemento entre los k primeros. Se puede usar la
tabla de nmeros aleatorios.
3. Se elige a los siguientes dando saltos de k en k elementos.
3 7 11 15 19 23
K=4
Figura 8. Muestreo sistemtico.
17
Este tipo de muestreo tiene la ventaja de una mayor posibilidad de elegir una muestra repre-
sentativa. La eleccin de cada elemento es independiente de la probabilidad de eleccin de
otros elementos.
En su contra, se puede mencionar que la poblacin debe estar ordenada como en una lista.
Si existe alguna forma de periodicidad en la lista, entonces el sesgo es mucho mayor que en el
muestreo aleatorio simple. Esto puede producirse, por ejemplo, en datos de ventas que son muy
susceptibles a las fechas de pago en las empresas.
Es muy sensible a la influencia de circunstancias sistemticas, es decir, a sucesos que inciden en

el desarrollo de los datos de manera indirecta como, por ejemplo, un engranaje defectuoso y
que este defecto produzca cambios en la produccin.
Ejemplo 3:
Del caso de la empresa Mariana S. A., desarrolle un muestreo para elegir una muestra de 10
personas de la lista de 120 empleados.
Datos: 1. Calculamos el intervalo de seleccin as:
N = 120
N 120
K= = = 12
n = 10 n 10
2. Elegimos el punto de partida.
Para ello, se debe elegir un elemento de los primeros k = 12. Luego, tomamos en la tabla de n-
meros aleatorios la columna C5 y C6 (aleatoriamente), y buscamos el primer nmero menor o
igual a 12. El resultado fue el siguiente:
1.er elegido = 04
La primera persona elegida es la que ocupa el cuarto lugar en la lista tal como se aprecia en la
siguiente tabla:
Tabla n. 2. Lista de datos de empleados (tabla de datos Mariana)
N. de Ingreso Tiemp.
id Sexo Grand Inst Cat. Lab.
Hijos (miles) Empl.
Universidad
1 Hombre 6 Admin. $40.20 98
inconcluso
2 Mujer Primaria 7 Admin. $21.90 98
3 Hombre Tcnico 5 Admin. $32.10 98
4 Mujer Secundaria 2 Admin. $21.90 98
Universidad
6 Mujer 4 Admin. $30.30 98
inconcluso
18
3. A partir de esta persona, se eligen los siguientes casos dando saltos con k = 12.
Tabla n. 3. Tabla de datos Mariana.

Ingreso Tiemp. Ingreso Tiemp.
id Sexo Grand Inst N de Hijos Cat. Lab. id Sexo Grand Inst N de Hijos Cat. Lab.
(miles) Empl. (miles) Empl.
Universidad 25 Mujer Tcnico 2 Admin. $26.65 88
1 Hombre 6 Admin. $40.20 98
inconcluso Universidad
26 Hombre 2 Admin. $52.65 86
2 Mujer Primaria 7 Admin. $21.90 98 inconcluso
27 Hombre Secundaria 7 Admin. $26.70 86
Universidad 30 Mujer Secundaria 8 Admin. $24.75 84
6 Mujer 4 Admin. $30.30 98
inconcluso 31 Mujer Secundaria 5 Admin. $24.00 83
7 Hombre Tcnico 3 Admin. $27.75 98 32 Mujer Secundaria 8 Admin. $20.40 83
8 Mujer Primaria 5 Admin. $31.35 96 33 Hombre Tcnico 2 Admin. $30.15 82
10 Hombre Secundaria 3 Admin. $23.25 95 35 Hombre Tcnico 8 Admin. $22.50 82
11 Mujer Tcnico 2 Admin. $22.35 95 36 Mujer Primaria 5 Admin. $27.45 81
12 Mujer Secundaria 8 Admin. $30.00 95 37 Mujer Secundaria 3 Admin. $27.30 81
13 Hombre Secundaria 4 Admin. $35.55 94 38 Mujer Secundaria 6 Admin. $23.10 81
14 Hombre Secundaria 8 Admin. $25.05 94 39 Mujer Secundaria 2 Admin. $23.10 81
15 Hombre Primaria 7 Admin. $22.50 94 40 Hombre Secundaria 3 Admin. $25.50 81
16 Hombre Primaria 6 Admin. $21.90 93 41 Hombre Primaria 5 Admin. $21.30 80
18 Mujer Secundaria 3 Admin. $26.40 93 43 Hombre Tcnico 2 Admin. $28.65 79
19 Mujer Primaria 6 Admin. $25.05 93 Universidad
44 Hombre 5 Admin. $40.35 78
20 Mujer Secundaria 4 Admin. $28.50 92 inconcluso
Universidad
22 Mujer Tcnico 2 Admin. $32.55 90 46 Hombre 3 Admin. $26.55 78
inconcluso
23 Mujer Secundaria 8 Admin. $33.30 90 47 Hombre Tcnico 6 Admin. $30.75 77
24 Hombre Secundaria 4 Admin. $27.30 90 48 Hombre Tcnico 6 Admin. $34.60 77
As resultan elegidos los siguientes casos:
4, 16, 28, 40, 52, 64, 76, 88, 100, 112.
2.3 Muestreo por estratos
Cuando las poblaciones son extensas y/o se quie-

re asegurar la representatividad de los grupos en
la muestra, entonces la poblacin se separa en
estratos:
Los estratos se pueden formar de acuerdo con

caractersticas (variables) muy importantes para
el desarrollo de la investigacin. Por ejemplo, en
el caso de una encuesta de opinin, se estila se-
parar a las personas en estratos como sus ingresos,
nivel educativo, nmero de hijos.
Figura 9. Muestreo por estratos.
Una vez que se han definido los estratos, se proce-
de a un muestreo aleatorio simple o sistemtico en cada estrato.
La eleccin puede darse tras obtener una muestra de igual tamao de cada estrato o al tomar
una cantidad proporcional de cada uno de ellos. Luego, se puede o no otorgar pesos relativos
de acuerdo con la significancia de cada estrato.
Estas son algunas ventajas de este tipo de muestras:
19
Una mayor representatividad.
Una mejor precisin en las estimaciones.
Menor costo en el recojo de datos.
Ayuda a obtener estimaciones por estratos.
El procedimiento bsico por excelencia es el siguiente:
a. Desarrolle una lista de variables que sean de importancia para definir los estratos.
b. Construya los estratos cuidando que sean mutuamente excluyentes; es decir, ningn ele-
mento de la poblacin puede pertenecer a dos estratos.
c. Determine el nmero de elementos a elegir en cada estrato. Si se trata de una eleccin

proporcional, entonces se puede usar la siguiente frmula:
N1 donde
n1 = n
N N = Tamao de la poblacin
N 2 N1, N2, N3... son los tamaos de los estratos en la poblacin.
n2 = n
N n = Tamao de muestra
N 3 n1, n2, n3... son los tamaos de muestra a obtener de cada
n3 = n
N estrato.
d. Seleccione de preferencia muestras aleatorias de cada estrato.
Es recomendable tener en cuenta que muchos estratos generaran trabajo innecesario y redun-
dante, y un nmero pequeo no ayudara a reducir el sesgo. Se recomienda usar mnimo tres y
mximo ocho estratos.
Ejemplo 4:
Con los datos del ejemplo n. 1, se requiere realizar la eleccin de una muestra de 30 individuos.
Datos:
N = 120 (poblacin)
n = 30 (muestra)
Resumiendo, los datos:
Tabla n. 4. Muestra de individuos y categora laboral. Tabla n. 5. Categora laboral y resultados de n.
Categora
Categora n
Ni Laboral
Laboral
Directivo 22 = N1 Directivo 30
22
= 5,499 n1= 5
Administrativo 90 = N2
Seguridad 8 = N3
Administrativo 30 = 22,5 n2= 23
120
N= 120
Seguridad 30 = 2,000 n3= 2
n = 30
20
Lo que nos indica que se tiene que realizar un muestreo aleatorio en cada estrato para obtener
una muestra de 5 Directivos, 23 Administrativos y 2 de Seguridad, que sumaran en total 20 per-
sonas.
- Directivos (C3 y C4) de los 22 casos se eligen los valores que se muestran a continua-
cin: 13, 8, 5, 18 y 14.
- Administrativos (C7, C8) de los 90 casos se eligen los siguientes: 35, 41, 16, 66, 27, 84, 40,
1, 56, 50, 24, 45, 32, 33, 39, 73, 81, 91, 59, 91, 39, 55, 18.
- Seguridad (C12) de los 8 casos se eligen dos: 1 y 8.
2.4. Muestreo por conglomerados
Un muestreo por conglomerados es el que se realiza en poblaciones muy extensas. La extensin

se encuentra dividida y solo basta con reconocer los lmites de cada divisin que se denomina
conglomerado.
Adems, se realiza un sorteo entre conglomerados para elegir uno o dos de ellos, los cuales
constituirn la muestra.
Figura 10. Muestreo por conglomerados (Municipalidad de San Isidro, 2015).
Conglomerados o estratos?
Alguien puede considerar similitudes entre conglomerados y estratos, pero son muy distantes;
tan solo en el hecho de la formacin de los grupos en estratos se deben usar variables para
definir los estratos, mientras que en los conglomerados no se requieren de variables, sino que
simplemente se toma la ubicacin de los elementos y se identifican los lmites.
Lectura seleccionada n. 1
Diario Per 21. (2015, 23 abril). INEI: Pobreza en el Per disminuy solo 1,2 puntos porcentuales
en 2014. Per 21. Lima. Disponible en: https://goo.gl/hXXKiq
21
Actividad n. 1
Foro 1 - Criterios de muestreo y marco muestral
1. Ingrese al aula virtual a la Unidad 1, al Foro 1.
2. Lea con atencin las indicaciones.
3. Escriba su respuesta a la pregunta planteada.
4. Se calificar con mayor puntaje las intervenciones propias respaldadas en su experiencia

profesional y en lecturas adicionales (citas).
22
Estimacin de parmetros
Tema n. 2
Cuando hablamos de estimar, uno puede recurrir a un diccionario y encontrar lo siguiente:
estimar (Del lat. aestimre.)
1. tr. Calcular o determinar el valor de algo.
2. tr. Atribuir un valor a algo. . .
4. tr. Creer o considerar algo a partir de los datos que se tienen (Real Academia Espaola,
2016).
Por tanto, en nuestro desarrollo estas acepciones nos sirven como partida, ya que en estimacin
se desarrollan procedimientos que tienen como objetivo el estimar el valor de un parmetro.
Estimar entonces se convierte en una actividad dedicada a dar respuesta a la necesidad de

averiguar el valor de una cualidad en la poblacin, como puede ser la proporcin (p), la media
(), la varianza (2) o la desviacin estndar ().
Entindase que estos parmetros se pueden calcular en una poblacin pequea, pero en la
mayora de los casos las poblaciones son muy grandes y no se puede acceder al total de sus
elementos, y mucho menos al total de sus mediciones. Por este motivo, slo podemos acceder
a una estimacin.
De manera general, una estimacin se puede realizar de dos formas: puntual y por intervalo.
1.1. Estimacin puntual
Una estimacin puntual es el clculo de un estadstico o estimador. Por

ejemplo, se calcula una medida como la proporcin o la media en
una muestra y se afirma que esta medida es la misma que el parmetro
o medida en la poblacin.
Esta estimacin se fundamenta en que se ha obtenido una muestra

que es aleatoria e idntica a su poblacin en todas las caractersticas
de inters para lo que se quiere medir; es decir, la muestra es represen-
tativa de su poblacin y, por tanto, todo lo que se calcule en ella debe
Figura 11. Estadsticos.
ser igual o semejante a lo que verdaderamente se da en la poblacin.
Entonces se puede asegurar:
Parmetro = valor del estadstico
1.2. Estimacin por intervalo
Una estimacin por intervalo requiere del clculo de un lmite inferior y un lmite superior:
Lmite inferior < parmetro < Lmite superior
Dentro de estos lmites se tienen la confianza de que se encuentra el verdadero valor del par-
metro.
23
Los lmites inferior y superior dependen de clculo del estadstico al que le sumamos y restamos
el margen de error (E):
Lmite inferior = Estadstico E
Lmite superior = Estadstico + E
Daremos inicio a esta unidad desarrollando las estimaciones para la proporcin poblacional (p).
Recuerde el teorema del lmite central
El margen de error no es otra cosa que un mltiplo de la desviacin estndar de una distribucin
muestral.
1. Distribucin muestral
Si usted pudiera obtener todas las muestras de una poblacin y pudiera calcular la media
y la desviacin estndar de todas sus medias muestrales, encontrara que:
Donde la media de las medias:
x = Error estndar x = Desviacin estndar de las medias
2. Normalidad
La otra razn por la que acudimos al teorema del lmite central es para respaldar nuestros
clculos en la normalidad.
Ninguno de los procedimientos puede darse por cierto si no se trabaja con poblaciones
normales, lo que es una dificultad, ya que no todas las variables provienen de poblacio-
nes normales. En consecuencia, cmo haremos estimaciones si no tenemos normalidad
en los datos? El teorema del lmite central nos dar una solucin.
Teorema del lmite central
Sea x1, x2, x3, un conjunto de variables aleatorias, independientes y con la misma distribucin
con media y varianza 2 0, Por lo tanto, si n es suficientemente grande: xi , tendr una
Xi =
distribucin normal. n
En palabras sencillas, si n > 30, entonces la distribucin muestral de las muestras de tamao n ser
normal, es decir, ser simtrica1.
Entonces, si se cumple el teorema del lmite central (n>30), podemos tener la seguridad de
que nuestra muestra pertenece a un conjunto de muestras cuya distribucin es normal o casi
normal y podremos aplicar todas las frmulas que se mostrarn en los clculos de estimacin
por intervalo.
1 Uno puede encontrar una simulacin del profesor Francisco Javier Barn en el vdeo Teorema Central de Limite.
24
1.3. Estimacin de la proporcin
Realizamos esta estimacin en el caso de que nos preocupe averiguar cul es valor de la pro-
porcin de una cualidad en la poblacin, como:
Se desea saber la proporcin de artculos defectuosos en un proceso de fabricacin.
El porcentaje de personas que consumen cierta marca de ropa.
La proporcin de nacimientos con problemas de peso.
La proporcin de cultivos atacados por una plaga luego del uso de un plaguicida ecol-
gico.
1.3.1. Estimacin puntual
Como se explic lneas arriba, una estimacin puntual se puede realizar tan solo calculando la
proporcin en una muestra p .Este valor sera el valor de la proporcin en la poblacin:

El mejor estimador de
la proporcin pobla-
p = proporcin poblacional cional es la propor-
cin muestral.

p : proporcin muestral
La proporcin muestral se calcula de x = nmero de xitos y n = tamao de la muestra:
x
p=
n
Ejemplo 5:
En la fbrica de chocolates Winters, se desea determinar la proporcin de productos que tienen

defectos en el empaquetado. Una muestra de 1350 chocolates se toma a la salida de la lnea
de produccin, de los cuales se descubre que 6 han sido mal empaquetados. Determine la
proporcin verdadera de defectuosos en toda la produccin de la fbrica de manera puntual.
Entonces, la verdadera proporcin de defectuosos en la poblacin

ser la siguiente:
p = 0.0044
Es decir, traducido a porcentaje, sera 0.44 %
25
1.3.2. Estimacin por intervalo
Es necesario tener en cuenta que se requieren las siguientes consideraciones:
1 La muestra es aleatoria simple...
2 Se tiene un nmero fijo de ensayos, los cuales son independientes. Adems, existen dos
categoras de resultados y las probabilidades permanecen constantes para cada ensayo.
3 Existen al menos 5 xitos y al menos 5 fracasos. As la distribucin normal es una aproxima-

cin adecuada para la distribucin binomial (Triola, 2013).
En una estimacin por intervalo, se debe calcular el valor de lmite inferior y el del lmite superior.
El lmite inferior El lmite superior
De lo anterior, se desprende lo siguiente:
El margen de error E =
El error estndar =
Se obtiene la puntuacin de la forma que se observa en la tabla 6 (ver tabla A-2 en el Apn-
dice C). Este valor depende del nivel de confianza con el que se desea realizar la estimacin.
Nivel de confianza: es la probabilidad 1 - (a menudo expresada como el valor de porcentaje

equivalente) de que el intervalo de confianza realmente contenga el parmetro poblacional,
suponiendo que el proceso de estimacin se repite un gran nmero de veces (Triola, 2013, p.
330).
Entonces, un intervalo para la proporcin se puede expresar tal como se aprecia:
-E<p< +E ( E; + E)
- <p< +
Recuerde lo siguiente:
= y = 1-
n: tamao de muestra; y x: nmero de xitos
26
Ejemplo 6:
En la fbrica de chocolates Winters, se desea determinar la proporcin de productos que tienen

defectos en el empaquetado. Una muestra de 1350 chocolates se toma a la salida de la lnea
de produccin, de los que se descubre que 6 han sido mal empaquetados. Estime la proporcin
verdadera de defectuosos en toda la produccin de la fbrica al 95% de confianza.
2. Realizamos el clculo del margen de error E.
Datos:
E=
n = 1350
x=6
( . )( . )
E = 1.96
= = = 0.00444
1350
E = 0.00355
=1- = 0.99556
3 Calculamos el intervalo.
NC = 95% y = 0.05
= 1.96 E<p< +E
0.00444 0.00355 < p < 0.00444 + 0.00355
0.000896 < p < 0.00799
4 Interpretamos el intervalo.
Tenemos la confianza del 95% para afirmar que el verdadero valor de la proporcin de envol-
torios defectuosos se encuentra entre 0.000896 y 0.00799. Es decir, si pudiramos sacar muchas
muestras, en el 95% de los casos acertaramos.
2. Estimacin de la media
La media es una medida representativa de una poblacin; es ms representativa cuanto ms
simtrica es la distribucin, es decir, ms normal.
2.1. Estimacin puntual

En este caso, se calcula la media muestral (estadstico; ) y se asume que este valor es el mismo
que tiene el verdadero valor de la media poblacional (parmetro; ).
: media poblacional
: media muestral
El mejor estimador de la
La proporcin muestral se calcula del promedio de media poblacional es la
los datos en la muestra tal como se representa media muestral.
a continuacin:
27
Ejemplo 7:
Los peruanos tienen un gasto per cpita promedio de US$ 289 al ao en salud, que incluye el
costo de insumos y servicios mdicos seal el presidente del Gremio de Salud de la Cmara
de Comercio de Lima (CCL), Mario Mongilardi (Andina noticias, 2013). Para determinar si en
nuestra regin se produce el mismo resultado se realiza una encuesta a 32 hogares y se obtiene
lo siguiente:
Tabla n. 7. Gasto en salud de los peruanos.
210 280 129 290 310 260 250

180 170 220 300 330 257 290
230 240 190 300 180 180 300
260 160 200 250 260 290 310
234 310 240 280
Determine el promedio verdadero de gasto en salud de manera puntual.
Datos: ....
= =
n = 32
= 246.5625
=
= 246.5625
Entonces, la verdadera media de los gastos en

salud en la poblacin ser la siguiente:
= $246.5625
2.2. Estimacin por intervalo
A continuacin, se presenta una serie de requisitos:
La muestra debe ser aleatoria.
Si la muestra es mayor a 30, se puede usar la distribucin normal estndar (se cumple el
teorema del lmite central).
Si la muestra es menor a 30 y la distribucin de la poblacin es normal, se puede usar la

distribucin t (student).
Los lmites sern los siguientes:
El lmite inferior El lmite superior

LI = E LS = +E
2.2.1 Estimacin por intervalo para la media con muestras grandes n 30
Si se cuenta con una muestra grande n 30, entonces se cumple que la muestra pertenece a
una distribucin muestral que tiene distribucin normal; por tanto, se puede usar una puntuacin
z para realizar la estimacin.
28
Entonces, se obtiene lo siguiente:
El error estndar =
z
La puntuacin 2 se obtiene de la tabla 8 (ver Apndice C, tabla A-2). Este valor depende del
nivel de confianza con el que se desea realizar la estimacin.
La desviacin estndar puede ser poblacional () o muestral (s) si la muestra es grande (n30).
Por tanto, un intervalo para la media se puede expresar tal como se muestra a continuacin:
-E<< +E ( E; + E)
- << +
Ejemplo 8:
En el caso expuesto en el ejercicio 7, se nos informa que el gasto promedio per cpita en salud
en el Per es de $289 al ao.
Ahora se desea estimar el verdadero valor per cpita de gastos en salud de la poblacin en esta
ciudad. Al 98% de confianza podramos decir que el gasto en salud es menor al que muestran
las estadsticas a nivel nacional?
1. Obtenemos el valor crtico de z .
2
Datos:
n = 32
= 246.5625
En la curva normal estndar:
s = 52.3202 =0.02
se reparte en
NC = 98% las dos colas
= 0.02
= 0.01 = 0.01
-z z
En la Tabla 8, obtenemos el valor de con

=0.01 Interpolando:
b
a
2.32 z 2.33
Tabla n. 8. Valor crtico obtenido por interpolacin
0.0102 0.0099
0.01
A
B
. . .
= =
. . . .
Despejando z = 2.3267
29
2. Calculamos el margen de error E.
E=
.
E = 2.3267*
E = 21.5196
3. Calculamos el intervalo tal como se observa a continuacin:
E<< +E
246.5625 21.5196 < < 246.5625 + 21.5196
225.0429 < < 268.0821
4. Interpretamos el intervalo de la siguiente manera:
Tenemos la confianza del 98% para afirmar que el verdadero valor de la media per cpita de
gasto en salud se encuentra entre $225.0429 y $268.0821. Es decir, si pudiramos sacar muchas
muestras, en el 98% de los casos acertaramos.
Respuesta:
($225.0422; $268.0821) < $289
Todo el intervalo es menor que $289; por tanto, se puede afirmar que el gasto per cpita en la
ciudad es menor a lo que muestran las estadsticas a nivel nacional.
2.2.2. Estimacin por intervalo para la media muestras pequeas n < 30
En el caso de tener una muestra pequea, se puede usar la desviacin estndar de la muestra,
pero es necesario que la poblacin tenga una distribucin normal o casi normal.
Estas condiciones permiten trabajar con un valor puntual t, que es la distribucin normal estn-
dar modificada para trabajar con varianzas diferentes de 1.
Entonces, se tiene lo siguiente:
El error estndar =
La puntuacin t se obtiene de la tabla 9 que est ms adelante (ver Apndice C, tabla A-3).
2
Este valor depende del nivel de confianza con el que se desea realizar la estimacin.
La desviacin estndar puede debe ser muestral (s) si la muestra es pequea (n < 30).
Entonces, un intervalo para la media se puede expresar como se muestra a continuacin:
-E<< +E ( E; + E)
- << +
30
Ejemplo 9:
Un sondeo de opinin sobre el nivel de IGV que se debe aplicar a las transacciones comerciales
indaga sobre cunto debera ser segn la ciudadana. De 26 personas entrevistadas se pudo
obtener un promedio de 16,7% con una desviacin estndar de 4.23. Se puede decir que los
ciudadanos desean que se rebaje el impuesto del nivel actual de 18%?
1. Obtenemos el valor crtico de

t , a dos colas con = 0.05 y gl = n-1 = 25.
2
Tabla n. 9. Valor crtico de t.
Datos:
n = 26
= 16.7
s = 4.23
NC = 95 %
= 5 % = 0.05
gl = 25g
Entonces, el valor de la puntuacin

z es el valor positivo tal como se observa a continuacin:
2
t = 2.060
2
2. Calculamos el margen de error.

E=
E<< +E
. 16.7 1.7089 < < 16.7 + 1.7089

E = 2.060*
14.99 < < 18.41
E = 1.7089
3. Calculamos el intervalo.
E=
E<< +E
. 16.7 1.7089 < < 16.7 + 1.7089

E = 2.060*
14.99 < < 18.41
E = 1.7089
4. Interpretamos el intervalo.
Tenemos la confianza del 95% para afirmar que el verdadero valor de la media del IGV estimada
por la poblacin se encuentra entre 14.99 y 18.41. Es decir, si pudiramos sacar muchas mues-
tras, en el 95% de los casos acertaramos.
Respuesta:
18 (14.99; 18.41)
31
El intervalo contiene el 18 %; por tanto, no se puede afirmar que la ciudadana desee que el
impuesto se rebaje.
3. Estimacin de la varianza
Las varianzas muestrales tienen una distribucin que se ajusta muy bien a una distribucin Chi
cuadrada (2); por ello, el intervalo de confianza se calcula as:
Para la varianza Para la desviacin estndar
( ) ( )
2
< ( ) ( )
Donde:
n= tamao de muestra
= varianza muestral
y son valores o puntuaciones X2 que se obtienen de la tabla 10

(ver Apndice C, tabla A-42).
Ejemplo 10:2
La contaminacin generada por la actividad humana tiene diferentes formas de las cuales al-
gunas como la sonora es la que ms afecta a los propios seres humanos en las ciudades. Un estu-
dio realizado por los estudiantes de la Universidad Continental logr una muestra de mediciones
en horas punta, en los 38 puntos de ms congestin de la ciudad. Ellos encontraron una media
de 72dB con una desviacin estndar de 12.3dB. Desarrolle un intervalo de confianza para la
desviacin estndar del nivel de ruido al 98% de confianza.
1. Obtenemos los valores crticos de X2, a dos colas con = 0.02 y gl = n-1 = 37.
Datos:
n = 38
s = 12.3 1- =0.99 =0.01
NC =
98 % Tabla 10. Valores crticos de Chi cuadrado
= 2% =
0.02
gl = 37
Fuente: elaboracin propia
2 Si desea saber cmo se obtienen los valores X2, puede revisar la presentacin en PREZI: Valores Crticos X2.
32
Entonces, los valores de la puntuacin X2 son los siguientes:
=19.960 y = 59.893
2. Calculamos el intervalo, as como se muestra a continuacin:
( ) ( )
. ( ) . ( )
. .
3. Interpretamos el intervalo de la siguiente manera:
Tenemos la confianza del 98% para afirmar que el verdadero valor de la desviacin estndar del
ruido en la poblacin se encuentra entre 9.668dB y 16.747dB. Es decir, si pudiramos sacar mu-
chas muestras, en el 98% de los casos acertaramos al estimar la desviacin estndar del ruido
en la ciudad.
4. Intervalos con poblaciones finitas
Todos los clculos anteriores se refieren a muestras obtenidas de poblaciones Una poblacin
infinitas. En algunas ocasiones nos enfrentamos a situaciones con muestras que es finita si
resultan de poblaciones finitas.
> 0.05
En el caso de poblaciones finitas se debe utilizar un factor de correccin en el
clculo del margen de error:
Tabla n. 11. Margen de error en intervalos con poblaciones finitas.
Proporcin
E= *
E= *
Media
n<30 E= *
Fuente: Elaboracin propia.
Ejemplo 11: e tiene una poblacin de 400 sujetos de la que se obtiene aleatoriamente una mues-
tra de 32. En la muestra se contabilizan 7 xitos. Desarrolle un intervalo de confianza al 90% de
confianza.
33
Datos: 1. Averiguamos si se trata de una poblacin finita:
N = 400
n = 32 = = 0.08 > 0.05
x=7
Es una poblacin finita.
= = 0.2188
= 1- = 0.7812 2. Obtenemos el margen de error.
NC = 90 %
= 0.1
z = 1.645
E= *
( . )( . )
E = 1.645* *
E = 0.1155
Calculamos el intervalo:
E<p< +E
0.2188 0.1155 < p < 0.2188 + 0.1155
0.1033 < p < 0.3343
3. Interpretacin del intervalo:
Tenemos la confianza del 90% para afirmar que el verdadero valor de la proporcin est entre
10.33% y 33.43%.
5. Determinacin del tamao muestral
Cuando queremos realizar un estudio estadstico se debe tener un tamao de muestra apro-
piado. Para ello contamos con las siguientes frmulas, derivadas de la relacin parmetro =
estadstico margen de error:
Tabla n. 12. Tamao de muestra.
Tamao muestral para Tamao muestral para

Poblacin estimar la proporcin estimar la media
Infinita n= n=
Finita
p y q se toman de otros estudios, se asume de otros estudios o de

la opinin de un experto. la estimacin de un experto.
p*q = 0.25 si no se tiene informa- E se toma de la opinin de un
cin. experto.
E se puede tomar en el rango de
0.01 a 0.10.
34
Ejemplo 12: Carlos Burgos desarrolla una tesis sobre el mercado de las tarjetas de crdito. Re-
quiere de una muestra aleatoria. Desarrolla un sondeo y logra determinar que de 50 personas
13 tienen una tarjeta de crdito. Cul es el tamao de muestra necesario para realizar una
estimacin al 95% de confianza y si se quiere un error mximo de 4%?
Datos:
Se asume una poblacin infinita dado que se
p= = 0.26
trata de una investigacin de mercado en una
q = 1-p = 0.74
ciudad como la nuestra
NC = 95%
= 0.05
n=
z = 1.96
E = 4% = 0.04
( . )( . )( . )
n=
.
n = 461.9524
n = 462 (siempre se redondea a ms)
35
Glosario de la Unidad I
A
Aleatorio. Que tiene la cualidad de producirse de manera inesperada al azar.
Coeficiente de confianza. Probabilidad de que un parmetro de poblacin est contenido den-

tro de un intervalo de confianza particular; tambin se denomina nivel de confianza o grado de
confianza.
Curva de densidad. Grfica de una distribucin de probabilidad continua.
Datos. Informacin o nmeros que describen alguna caracterstica.
Datos continuos. Datos que se obtienen de un nmero infinito de valores posibles, que corres-
ponden a puntos de una escala continua que abarca un rango de valores sin huecos, saltos ni
interrupciones.
Datos cualitativos. Datos que pueden dividirse en diferentes categoras que se distinguen por
alguna caracterstica no numrica.
Datos cuantitativos. Datos que consisten en nmeros que representan conteos o mediciones.
Datos de atributo. Datos que pueden dividirse en diferentes categoras que se distinguen por
alguna caracterstica no numrica.
Datos discretos. Datos con la propiedad de que el nmero de valores posibles es un valor finito
o que puede contarse, que resulta en 0 posibilidades, 1 posibilidad o 2 posibilidades, etctera.
Datos numricos. Datos que consisten en nmeros que representan conteos o mediciones.
Desviacin estndar. Medida de variacin igual a la raz cuadrada de la varianza.
Distribucin muestral. Distribucin de las medias o las proporciones muestrales y que por el teo-
rema del lmite central se determina normal.
Distribucin normal. Distribucin de probabilidad con forma de campana, descrita algebraica-

mente con la frmula:
Distribucin normal estndar. Distribucin normal con una media igual a 0 y una desviacin es-
tndar igual a 1.
Distribucin t. Distribucin normal que suele estar asociada con datos muestrales de una pobla-
cin con una desviacin estndar desconocida.
Distribucin t de Student. Vase distribucin t.
36
Estadstico. Medida que se calcula o identifica con los datos de una muestra como la propor-
cin muestral (), la media muestral () y la desviacin estndar muestral (s), etctera.
Estimacin. Calcular o determinar el valor de un parmetro a partir de los datos que se tienen
en una muestra.
Margen de Error. Es el error mximo (E) que se puede cometer al realizar una estimacin. Est
supeditado al valor puntual de z o t segn el nivel de confianza utilizado en la estimacin.
Parmetro. Medida que se calcula o identifica con los datos de una poblacin como la propor-
cin poblacional (p), la media poblacional () y la desviacin estndar (), etctera.
Valor crtico. Es una puntuacin de alguna distribucin como la normal estndar, t, Chi cuadra-
da, F u otra, que separa el rea de las puntuaciones ms probables de aquellos menos proba-
bles.
37
Bibliografa de la Unidad I
Andina noticias. (10 de setiembre de 2013). CCL: Peruanos gastan en promedio US$ 289 al
ao en salud. Recuperado de http://gestion.pe/economia/ccl-peruanos-gastan-prome-
dio-us289-al-ano-salud-2075795#comentarios
Cerrn, C. (2013). Manual autoformativo del curso de Estadstica II. Huancayo, Junn, Per.
Daz, A. (2013). Estadstica aplicada a la administracin y la economa. Mxico D. F.: Mc

Graw Hill.
Frepik. (2015). Concepto de elegir a la persona correcta Vector Gratis (pgina web). Re-
cuperado de: http://www.freepik.es/vector-gratis/concepto-de-elegir-a-la-persona-co-
rrecta_771040.htm
INEI. (mayo de 2006). Instituto Nacional de Estadstica e Informtica INEI. Recuperado de

https://www.inei.gob.pe/estadisticas/metodologias/
Per21. (23 de abril de 2015). INEI: Pobreza en el Per disminuy solo 1,2 puntos porcentuales
en 2014. Recuperado de http://peru21.pe/economia/inei-pobreza-peru-disminuyo-so-
lo-12-2014-2217321keyword & suggestions. (marzo de 2015). Recuperado de http://www.
keyword-suggestions.com/bXVlc3RyYQ/
MINSA. (10 de octubre de 2012). Cuatro de cada diez peruanos sufre al algn problema
mental. Recuperado de http://elcomercio.pe/sociedad/lima/cuatro-cada-diez-perua-
nos-sufren-algun-problema-mental-advirtio-minsa-noticia-1480838
Municipalidad de San Isidro. (2015). Municipalidad de San Isidro. Recuperado de http://

www.msi.gob.pe/portal/wp-content/uploads/2014/01/3.PLANO-DE-VALORES-ARANCE-
LARIOS.pdf
Ng Ooi Pin. (28 de setiembre de 2008). Production of the built environment (part II) [blog post]
. Recuperado de http://ngooipin.blogspot.pe/
Per21. (27 de mayo de 2014). Mayor demanda se registra en febrero y abril. (USI). La in-
dustria del calzado: un negocio que pisa firme. Recuperado de http://cde.peru21.pe/
ima/0/0/2/1/3/213397.jpg
Real Academia Espaola. (RAE). (2016). Diccionario de la Lengua Espaola. Espaa: RAE.
Disponible en http://dle.rae.es/?id=GsZ6PSI
Rubione. M. (2011). Tcnicas de muestreo para auditoras: Gua terico prctica. Buenos
Aires, Argentina: Gerencia de Control de la Deuda Pblica, Departamento de Control de
Operaciones de Crdito Pblico y Sustentabilidad de la Auditora General de la Nacin.
Triola, M. (2013). Estadstica (11. ed.) (trad. L. Pineda). Mxico DF: Pearson Education.
38
Autoevaluacin n. 1
Lea con atencin los enunciados. Repase en el manual el tema relacionado a la pregunta e
intente una respuesta que se ajuste a su lectura y al criterio de aplicacin de esta teora.
1. Se realiza un estudio con objeto de determinar el tiempo de permanencia en un mismo

trabajo de los empleados en las empresas de la ciudad. Para ello, de las empresas existentes,
se selecciona aleatoriamente 5 de ellas, y se elige una muestra aleatoria de colaboradores,
atendiendo al tipo de puesto de trabajo. El muestreo realizado es
a. Sistemtico
b. Aleatorio y por conglomerados
c. Aleatorio
d. Estratificado y aleatorio
e. Por conglomerados
2. Cul de los siguientes tipos de errores en encuestas ejemplificara la obtencin de demasiados

varones en su muestra?
a. Error de muestreo
b. Error de cobertura o sesgo en la seleccin
c. Error o sesgo de no respuesta
d. Error de medicin
e. Error de toma de datos
3. El ministerio de Turismo e Integracin tom muestras de las personas que viajan al Cusco en
viaje de turismo, para estimar la proporcin de compatriotas que realizan este tipo de viajes.
Calcule el intervalo de confianza del 96% para la proporcin de turistas nacionales (Allen,
2000) si 1098 de los 3769 turistas entrevistados eran peruanos. Cul es el valor del margen de
error y el lmite superior del intervalo?
a. 0.015 - 30.65%
b. 0.015 - 30.58%
c. 0.019 - 31.04%
d. 0.012 - 30.35%
e. 0.019 - 30.58%
4. Los valores crticos para un intervalo de confianza para la varianza poblacional con un NC de
90% y 9 grados de libertad son
a. 16.919 y 3.325
b. 18.307 y 3.940
39
c. 34.4 y 9.0
d. 4.678 y 234.0
e. 15.507 y 2.733
5. De forma precisa, un intervalo de confianza es
a. Un nivel de confianza que permite conocer la probabilidad.
b. Un rango dentro del cual est la proporcin.
c. Una estimacin puntual, con nivel de confianza.
d. Un mnimo y un mximo en un nivel de confianza.
e. Un rango de datos para estimar un parmetro.
6. Por qu es necesario un intervalo de confianza si se puede tener una estimacin puntual?
a. No se sabe con exactitud qu es un estimador puntual.
b. No se conoce el margen de error y los valores mnimo y mximo del estimador.
c. Se conoce el parmetro para calcularlo, por ello se requiere de un estimador.
d. No se sabe qu tan bueno es nuestro mejor estimado.
e. Se ha tomado mal los datos y se debe corregir con el intervalo.
7. En el proceso de estimacin de la media, marque V o F:
Se utiliza una muestra aleatoria simple.

Se utiliza la distribucin z si se conoce la desviacin estndar muestral.
Se puede usar una estimacin puntual con un nivel de significancia adecuado.
Se utiliza la distribucin t porque se desconoce .
Si la muestra es menor a 30, la poblacin debe ser normal.
a. VVFFV b. FVVFF c. FVFVV d. VVVFF e. VFFVV
8. Dado el siguiente intervalo de confianza al 98%, 0.21<p< 0.29, la interpretacin correcta es:
I. Existe un 98 % de probabilidad de que el valor real del parmetro est entre 0.21 y 0.29.
II. Tenemos una confianza del 98% de que el intervalo de 0.21 a 0.29 realmente contiene el
valor verdadero del parmetro.
III. Si seleccionramos muchas muestras diferentes de tamao n y construimos los intervalos de

confianza correspondientes, el 98% de ellos incluiran realmente el valor del parmetro.
IV. Con probabilidad de 98% el verdadero valor del parmetro est incluido en el intervalo
0.21<p<0.29.
V. Se tiene un 95% de confianza de que el verdadero valor del parmetro est contenido en
el intervalo de 0.21 a 0.29.
a. Solo II b. I y V c. II, IV, V d. I y III e. II, III
40
9. El administrador de una tienda de pinturas Arco Iris desea estimar la cantidad real de
pintura contenida en las latas de 1 Gl compradas a un fabricante de renombre. Segn las
especificaciones de fbrica, se sabe que la desviacin estndar de la cantidad de pintura es
igual a 0.02 Gl. Se selecciona una muestra aleatoria de 50 latas y la cantidad promedio de
pintura por lata es de 0.995 Gl. Establezca una estimacin del intervalo de confianza de 99%
para el promedio poblacional de la cantidad de pintura incluida en una lata de 1 galn.
a. 0.8888 < < 2.0051
b. 0.9876 < < 1.0024
c. 0.9895 < < 1.0005
d. 0.9877 < < 1.0023
e. 1.0025 < < 2.0051
10. Para determinar una medida estndar del dimetro de los tacos de madera, un fabricante de
muebles mide 20 espigas seleccionadas al azar y encuentra una media de 10.32 cm y una
desviacin estndar de 0.16 cm. Encuentre el intervalo de confianza del 95% considerando
que la poblacin est levemente sesgada.
a. 10.25 < p < 10.39
b. 10.245 < < 10.395
c. 10.250 < < 10.390
d. 0.1025 < p < 0.1040
e. 1.02 < < 1.04
41
42
UNIDAD II
PRUEBA DE HIPTESIS Y ANLISIS DE LA VARIANZA
DIAGRAMA DE ORGANIZACIN DE LA UNIDAD II

Resultados del aprendizaje de la Unidad II: Al finalizar la unidad, el estudiante ser capaz de plantear y aplicar
pruebas de hiptesis para la media, proporcin y varianza a partir de situaciones estadsticas reales.

Tema n. 1: Pruebas de hiptesis 1. Identifica las clases de hiptesis. Valora la importancia de las pruebas
1. Definiciones bsicas 2. Plantea pruebas de hiptesis. de hiptesis e interpreta correctamente
los resultados para una buena toma de
2. Tipos de hiptesis. 3. Identifica correctamente los valo- decisiones.
3. Tipos de pruebas de hiptesis. res crticos para la aplicacin de las
pruebas de hiptesis.
4. Mtodos para realizar pruebas de
hiptesis. 4. Determina el procedimiento perti-
nente de la prueba de hiptesis.
5. Realiza la interpretacin del resulta-
Tema n. 2: Anlisis de varianza do de la prueba de hiptesis.
1. Anlisis de varianza.
2. ANOVA de 1 factor. Actividad 1
3. ANOVA de 2 factores. Participa del foro de discusin Impor-
tancia de las pruebas de hiptesis.
Actividad 2
43
Prueba de hiptesis
Tema n. 1
1. Definiciones bsicas
1.1. Hiptesis
Una hiptesis se constituye como toda afirmacin que se hace sobre una propiedad de una
poblacin con la intencin de probar si es cierta.
Ejemplos:
Cuatro de cada diez peruanos sufren de algn problema mental, advirti el Minsa (2012).
El gasto per cpita en diversin en la regin Junn es menor a S/. 780 mensuales.
La variacin en las medidas de dimetros de pernos de 10 mm no supera 0.003 mm.
Altomayo ocupa ms del 13.3% del mercado regional.
En el proceso de prueba de hiptesis se pueden distinguir dos tipos de hiptesis, las cuales vere-
mos a continuacin.
1.2. Tipos de hiptesis
Nula: Alterna:
H0 H1
Es la hiptesis que
plantea una Es la hiptesis que
plantea una H1 sirve para
Son complementarias y igualdad o semi desigualdad. determinar el tipo
opuestas. igualdad.
Es opuesta y de prueba.
Es opuesta y complementaria a
complementaria a la hiptesis nula.
la hiptesis alterna.
Figura 12: Tipos de pruebas de hiptesis. Fuente: Elaboracin propia.
Tabla 13. Formas de hiptesis
Formas de plantear hiptesis
H0: = A H0: A H0: A

H1: A H1: > A H1: < A
44
Ejemplo 13:
Cuatro de cada diez peruanos sufren de algn problema mental, advirti el Minsa (Min-
sa, 2012).
H0 p = 4/10
H1 p 4/10
El gasto per cpita en diversin en la regin Junn es menor a S/. 780 mensuales.
H0: S/780 mensuales
H1: < S/780 mensuales
La variacin en las medidas de dimetros de pernos de 10mm no supera 0.003mm.
H0: 0.003 mm
H1: > 0.003 mm
H0: p 0.133
H1: p > 0.133
No existe regla sobre cul de las hiptesis se plantea primero; aunque generalmente se plantee
H1, tambin se puede plantear H0 inicialmente.
1.3. Estadstico de prueba
Un estadstico de prueba es una puntuacin calculada segn:
Tabla 14. Estadstico de prueba
Parmetro Muestra Estadstico
El valor de la
z=
Proporcin ( ) proporcin p se
obtiene de H0.
El valor de la
Muestras grandes z= media se
obtiene de H0.
Media
El valor de la
Muestras t= proporcin se
pequeas
obtiene de H0
El valor de la
( )
Varianza 2
= proporcin se
obtiene de H0.
45
El estadstico de prueba puede ser positivo o negativo para z o t, y en el caso de X2 y F los valores
son siempre positivos.
1.4. Prueba de hiptesis
Es un procedimiento estndar que desarrolla una secuencia de procesos que sirven para deter-
minar el valor de verdad de la hiptesis nula.
Inicia con la suposicin de que H0 es verdadera y puede desarrollarse en pasos como los
siguientes:
Planteamiento
de las Hiptesis
Planteamiento
de la regla de
decisin
Clculo del
estadstico de
p
prueba
Planteamiento de
una conclusin
Figura 13: Prueba de hiptesis Fuente: Elaboracin propia.
1.5. Tipos de pruebas
Las pruebas pueden ser de dos tipos:
Tabla 15. Tipos de prueba
H0: = A
Dos colas
H1: A
H0: A
Izquierda
H1: < A
Una cola
H0: A
Derecha
H1: > A
Las pruebas son de una o dos colas de acuerdo a la hiptesis alterna.
Ejemplo14:
46
Cuatro de cada diez peruanos sufren de algn problema mental, advirti el Minsa (2012).
H0 p = 0.40
H1 p 0.40
Dos colas
El gasto per cpita en diversin en la regin Junn es menor a S/.780 mensuales.
H0: S/780
H1: < S/780
Cola izquierda
La variacin en las medidas de dimetros de pernos de 10 mm no supera 0.003 mm.
H0: 0.003 mm
H1: > 0.003 mm
Cola derecha
H0: p 0.133
H1: p > 0.133
Cola derecha
Cada grfica incluye dos reas, por ejemplo:
rea de rea de
rechazo rechazo
rea de rea de rea de
2 aceptar H0 2 aceptar H0

aceptar H0
rea de rechazo
Figura 14: Tipos de pruebas. Fuente: Elaboracin propia.
El lmite de las reas es un valor z, t, x2 que depende del valor de que es conocido como el
nivel de significancia, que es el valor del rea de rechazo.
47
rea de rechazo
El rea de rechazo inicia en el valor crtico y puede conocerse como regin crtica. Si algn valor
de prueba cae debajo de esta rea, nos obligar a rechazar H0 como verdadera.
Los valores comunes de son 0.01, 0.05 y 0.10.
Normalidad y muestras pequeas:
Se debe recordar que las muestras pequeas no se pueden respaldar en el teorema

del lmite central; por tanto, es obligatorio constatar que la poblacin es normal. En
realidad, no es estricto que sea normal, sino que es aceptable que sea casi normal,
que no existan datos atpicos, o que no sea sesgada.
Los mtodos para realizar una prueba de hiptesis son dos: el mtodo tradicional y el mtodo
del valor P.
2. Mtodos para realizar una prueba de hiptesis
2.1. Mtodo tradicional
2.1.1 Prueba de hiptesis de dos colas para la proporcin
Ejemplo 15: Cuatro de cada diez peruanos sufren de algn problema mental, advirti el Minsa
(Minsa, 2012), este es el titular de un diario al publicar las estadsticas del Ministerio de Salud. Un
grupo de estudiantes de la escuela de Psicologa desarrolla una investigacin para probar si
esta proporcin se repite en nuestra regin. Se toma una muestra de 300 personas y se les aplica
un test de estabilidad de Eysenck y se determina que 116 tienen algn problema emocional.
Esto prueba que en la regin se tiene una proporcin diferente a lo que se registra a nivel na-
cional? Utilice un nivel de significancia de 0.05.
Datos: 1. Planteamiento 2. Planteamiento de

n = 300 de Hiptesis regla de decisin
x = 116
=
116
=0.3867 H0: p = 0.40
H1: p 0.40
= 0.05
z = 1.96
3. Clculo del
estadstico de prueba 4. Conclusin
z= Aceptar H0 como
verdadera
( )
H0: p = 0.40 V
. .
z= = -04702 H1: p 0.40 F
. ( . )
Respuesta:
N o existe evidencia muestral suficiente para afirmar que en la regin se tiene una
proporcin diferente a la que se registra a nivel nacional.
48
2.1.2 Prueba de hiptesis de una cola para la media con n 30
Ejemplo 16: Una publicacin en un diario local menciona que el gasto per cpita en diversin
en la regin Junn es menor a S/.780 mensuales. Esta afirmacin es sometida a prueba al nivel de
significancia del 1%. Se toma una muestra de 150 individuos y se logra una media en gastos de
S/.768 con una desviacin estndar de S/.63. Se puede asegurar que la afirmacin del diario
es cierta?
Datos: H0: S/.780

n = 150 H1: < S/.780 = 0.05
= 768
s = 63
-2.327
= 0. 01
z = 2,327 (una z=
cola) Rechazar H0
z= como verdadera
El valor crtico z se obtiene =-2.333
de la tabla 8 por H0: S/.780 F
interpolacin. Ver ejemplo 8. H1: < S/.780 V
Existe evidencia muestral suficiente para afirmar que el gasto per cpita en diversin en la regin
Junn es menor a S/.780 mensuales.
2.1.3 Prueba de hiptesis una cola para la media n < 30
Ejemplo 17. En su tesis de grado, Carlos Carhuapoma desarrolla la teora de que el promedio de
vida til de una vivienda unifamiliar es ms de 25 aos, considerando que todos los elementos
constructivos e instalaciones funcionan correctamente. Toma una muestra de 18 viviendas y
obtiene los datos de la tabla adjunta. Realice una prueba al 0.05 de significancia, considerando
que no existen datos atpicos.
Tabla 16. Datos de vida til de viviendas
25 24 29 30
22 20 24 28
26 36 34 26
21 23 17 14
25 35
Datos: H0: 25 aos

n = 18 H1: > 25 aos =0.05
= 25.5 1.740
s = 5.8937
= 0.05 t=
gl = 17 No rechazar H0
t = 1.740 (una cola como verdadera
Tabla 16)
. H0: 25 V
t= .8937 = 0.36 H1: > 25 F
49
Tabla 17. Prueba de hiptesis una cola
No existe evidencia muestral suficiente para afirmar que

el promedio vida til una vivienda unifamiliar es ms de 25
aos.
2.1.4. Prueba de hiptesis para la varianza de una cola
Ejemplo 18. Corona S.A. es una fbrica de pernos de larga trayectoria. Implementa un sistema
de control de calidad y entre otros datos a trabajar se verifica que la variacin en las medidas
de dimetros de pernos de 10 mm no supere 0.003 mm. Una muestra de 36 pernos reporta una
media de 10.002mm con una varianza de 7.3x10-6. La evidencia comprueba que se cumple
con el requisito. Utilice un nivel de significancia de 0.05.
Datos: H0: 0.003 mm

H1: > 0.003 mm
n = 36
s2 = 7.3x10-6 ( )
2
= 49.802
= 0.05
gl = 35 . ( )
2
= No rechazar H0
Valor crtico en la .
tabla 18
2
= 28.389 como verdadera
H0: 0.003 V
H1: > 0.003 F
Tabla 18. Valor crtico
Existe evidencia muestral suficiente para afirmar que la va-

riacin en las medidas de dimetros de pernos de 10 mm
no supera 0.003 mm.
2.2. Mtodo del valor P
La regla para decidir si se rechaza H0 con este mtodo se basa en la comparacin de reas en
la curva normal. Si la probabilidad o rea de la hiptesis nula es menor al del nivel de significan-
cia, entonces se rechaza H0:
50
Si valor P ,
se rechaza H0 como verdadera
Caso contrario se aceptar H0 como verdadera.
El valor P se ubica en la tabla 19 (ver Apndice C, tabla A-2) con el valor del estadstico de prue-
ba. Si la prueba es a una cola, el valor P es el rea hallada en la tabla.
Si la prueba es a dos colas, el valor P es igual al doble del rea encontrada en la tabla.
En el desarrollo de mtodo del valor P, se procede de la siguiente manera:
Planteamiento de Clculo del Clculo del valor P

Decisin sobre
hiptesis y definir estadstico de y comparar
H0
tipo de prueba prueba con
Figura 15. Proceso con el valor P. Fuente: Elaboracin propia.
2.2.1. Prueba de hiptesis para la proporcin - valor P
Ejemplo 19. En China, un fabricante de juguetes afirma que solo 10% o menos del total de osos
de peluche parlantes que produce estn defectuosos. Se sometieron a prueba en forma aleato-
ria a 400 de estos juguetes y se encontr que 50 estaban defectuosos. Compruebe la afirmacin
del fabricante con un nivel de significacin de 5% (Daz, 2013).
Datos: 1 Planteamiento de hiptesis
n = 400
x = 50 H0: p < 0.10
H1: p > 0.10 (cola derecha)
= = 0.125
= 0.05
Tabla 19. Valor P
4 Conclusin 2 Estadstico de 3 Valor P y

prueba
No rechazar H0
como verdadera
H0: p < 0.10 V
H1: p > 0.10 F z=
( )
. .
z= = 1.67
. ( . )
Por tanto, el valor P=0.0475
Valor P <
Rechazamos HO
51
Respuesta:
No existe evidencia muestral suficiente para confirmar que solo 10% o menos
del total de osos de peluche parlantes que produce estn defectuosos.
Se utiliza el lado negativo de los z porque la curva normal es simtrica. Un valor de rea con
-1.67 o 1.67 es igual en la izquierda como en la derecha de la curva.
2.2.2. Prueba de hiptesis para la media - valor P

Ejemplo 20. Un ejercicio planteado en el libro de Triola (2013) se ha modificado para este caso:
El total de los pesos individuales de la basura desechada por 62 hogares en una semana tiene
una media de 27.443 libras. Suponga que la desviacin estndar de los pesos es de 12.458 libras.
Utilice un nivel de significancia de 0.05 para someter a prueba la afirmacin de que la poblacin
de hogares tiene una media de 30 libras, que es la cantidad mxima que puede manejar el sis-
tema actual de eliminacin de desperdicios. Hay alguna razn para preocuparse?
Datos: H0: = 30lb

H1: = 30lb (dos colas)
n = 62
= 27.443lb
s =12.458lb Tabla 20. Valor crtico
= 0.05
Z 0.100 0.075 0.050

No rechazar HO
como verdadera -1.9 0.0287 0.0281 0.0274
-1.8 0.0359 0.0351 0.0344
H0: = 30 V
-1.7 0.0446 0.0436 0.0427
H1: = 30 F
z= -1.6 0.0548 0.0537 0.0526
-1.5 0.0668 0.0655 0.0643
. Por tanto, el valor P = 2(0.0526)

z= . =-1.62 Valor P = 0.1092 y = 0.05
Valor P >
No rechazamos HO como
verdadera.
Existe evidencia muestral suficiente para confirmar que la poblacin de

hogares tiene una media de 30 libras de basura desechada.
3. Inferencias con dos poblaciones
Cuando hablamos de inferencias, nos referimos a dos procesos en el campo de la estadstica:

intervalos y prueba de hiptesis.
52
El proceso de inferencia con dos muestras tiene que ver con la comparacin de los parmetros
mediante una diferencia en la que se puede observar si estos parmetros son iguales, o uno
menor o mayor que el otro.
Se deben tener en cuenta las condiciones que ya se utilizaron en los captulos anteriores, como
la normalidad de las poblaciones o el teorema del lmite central. Las muestras grandes nos darn
oportunidad de dejar de lado la observacin de las distribuciones de las poblaciones.
En esta seccin desarrollaremos el subtema de los procesos que se deben llevar a cabo. De ma-
nera directa expondremos las frmulas en organizadores que nos permitan ver cmo y cundo
emplear un determinado mtodo de solucin.
3.1. Inferencias con dos proporciones
Tabla 21. Inferencias con dos proporciones
= ; =
E= +
( - ) - E<( - )<( - ) +E
H0: p1 = p2 H0: p1 = p2
H1: p1 2 H1: p1 > p2
H0: p1 = p2
H1: p1 < p2
( ) ( )
z=
( )
3.1.1. Intervalo de confianza para dos proporciones
Ejemplo 21: Un gerente de finanzas est analizando el comportamiento de sus cuentas por pa-
gar y ha obtenido muestras de cuentas del mes de mayo de 2 aos consecutivos. En mayo del
ao 1, con una muestra de 1 300 cuentas por pagar, descubri 50 que no haban sido liquidadas
en el plazo convenido, mientras que, en una muestra de 1 000 cuentas de mayo del ao 2, haba
50 que se pagaron a tiempo. Con un nivel de confianza de 95%, puede afirmarse que ha habi-
do un aumento en la proporcin de cuentas por pagar que caen en la morosidad? (Daz, 2013).
53
Datos 1. Calculamos el margen de error:
Ao 1 Ao 2
n1 = 1300 n1 = 1000 E=Z /2 +

x1 = 40 x1 = 65
( . )( . ) ( . )( . )
E = 1.96 +
= = E = 0.0333
= 0.0308 = 0.065
NC = 95%
2 . Clculo del intervalo:
=1-
= 0.05
(p -p ) E < (p -p ) < (p -p ) + E
Z ==1.96
0.9692
(0.0308-0.065) 0.0333 < (p1-p2) < (0.0308-0.065) + 0.0333
-0.0675< (p1-p2) < -0.00089
3. Interpretamos lo siguiente:
Tenemos la confianza de que el verdadero valor de la diferencia de proporciones est entre

-6.75% y -0.089%.
Como los lmites del intervalo son negativos, esto quiere decir que el verdadero valor de la dife-
rencia de proporciones es negativo; por tanto, si:
(p1 - p2) = Negativo
Significa que la proporcin correspondiente al 2. ao es mayor al del primer ao; por tanto, se
puede asegurar que ha habido un aumento en la proporcin de cuentas por pagar que caen
en la morosidad.
Interpretacin de intervalos para dos poblaciones
En general se pueden aplicar las siguientes reglas para interpretar los resultados:
Tabla 22. Interpretacin de intervalos
La diferencia siempre es positiva. El primer parmetro es mayor

+ < 1 2 < +
que el segundo.
La diferencia siempre es negativa. El primer parmetro es menor

- < 1 2 < -
que el segundo.
La diferencia siempre es un valor entre los valores negativos y

- < 1 2 < + positivos. La diferencia tiene mucha probabilidad de ser cero. El
primer parmetro es igual que el segundo.
54
3.1.2. Prueba de hiptesis para dos proporciones
Ejemplo 22: Se obtiene una muestra aleatoria simple de ocupantes del asiento delantero involucra-
dos en choques de automviles. De 2823 ocupantes que no usaban el cinturn de seguridad, 31 mu-
rieron. De los 7765 ocupantes que usaban el cinturn de seguridad, 16 murieron (segn datos de Who
Wants Airbags?, de Meyer y Finney, Chance 18 (2)). Qu sugiere el resultado acerca de la eficacia
de los cinturones de seguridad? Con un nivel de significancia de 0.05 someta a prueba la afirmacin
de que la tasa de mortalidad es ms alta entre los individuos que no usan cinturones de seguridad.
Datos 1. Planteamos las hiptesis:

Sin Cinturn Con Cinturn
H0: p1 > p2
n1 = 2823 n1 = 7765 H1: p1 > p2 (una cola a la derecha)
x1 = 31 x1 = 16
2. Clculo del estadstico de prueba:
31 =
= =
= 0.0110 = 0.0021 = = 0.0029

7765
= 0.9971
NC = 95%
( ) ( )
= 0.05 z= 3. Valor P:
( )
z ti ene un valor muy alto
7.53, po r tanto, el
( . . )
z= valor P = 0.0001
. ( . )
Valor P <
z =7.53 Rechazamos H0
Respuesta:
Existe evidencia muestral suficiente para respaldar la idea de que la tasa de mortalidad es ms
alta entre los individuos que no usan cinturn de seguridad.
3.2. Inferencias con dos medias
1y 2
conocidas y
diferentes
Muestras
Grandes
1 y 2 no
conocidas y se
asumen iguales
Inferencias con
dos medias
Se supone
1
= 2
Muestras
Pequeas
No se supone
1
= 2
Figura 16. Pruebas dos medias. Fuente: Elaboracin propia.
55
Tabla 23. Inferencias para dos medias
E= / + E= / +
E= / + E= / +
( ) ( )
( ) ( ) z=
z=
( ) ( )
t= t=
( ) ( )
s 2 mayor
En todos los casos: Si < 3 se asume 1= 2. (Mendehall, 2010)
s 2 menor
3.2.1. Prueba de hiptesis para dos medias n1 30 y n2 30
Ejemplo 23: La Comisin Nacional del Pisco inform de un nuevo record de exportacin de
nuestra bebida de bandera situado en 9.5 millones de litros (CONAPISCO, 2016). Un estudio in-
dependiente realizado el 2013 obtiene la informacin de exportacin de treinta y seis empresas
mostrando una media de 101.75 mil litros con una desviacin estndar de 20.35 mil litros. Treinta
y dos empresas entrevistadas este ao muestran una media de 116.28 mil litros exportados con
una desviacin estndar de 23.26 mil litros.
Esta informacin ser suficiente para afirmar que la exportacin de pisco se ha incrementado
significativamente?
56
(una cola a la izquierda)
2. Clculo varianza conjunta:
( ) ( )
=
< 3 se asume ( ) . ( ) .
= = 473.7294
.
= 1.306 < 3
.
3.
( ) ( )
z=
( . . )
z=
.
4.
3.2.2. Pruebas de hiptesis para dos medias n1< 30 y n2 < 30
Ejemplo 24: El contenido medio de alquitrn en una muestra aleatoria simple de 25 cigarrillos
tamao grande sin filtro es de 21.1 mg, con una desviacin estndar de 3.2 mg. El contenido
medio de alquitrn de una muestra aleatoria simple de 25 cigarrillos de 100 mm con filtro es de
13.2 mg, con una desviacin estndar de 3.7 mg. Utilice un nivel de significancia de 0.05 para so-
meter a prueba la afirmacin de que los cigarrillos tamao grande sin filtro tienen un contenido
medio de alquitrn mayor que el de los cigarrillos de 100 mm con filtro. Qu sugiere el resultado
acerca de la eficacia de los filtros de los cigarrillos? (Triola, 2013)
57
1. Planteamos las hiptesis:
2. Clculo varianza conjunta:
( ) ( )
=
< 3 se asume ( ) . ( ) .
=
.
= 1.337 < 3
.
3. Clculo estadstico de prueba:
1.681
( ) ( )
t=
( . . )
z=
.
4. Rechazar H0 como verdadera:
Existe evidencia muestral suficiente para confirmar que los

cigarrillos sin filtro tienen un mayor contenido de alquitrn.
3.3. Prueba de hiptesis para dos varianzas
Estadstico de prueba:
F=
Prueba de hiptesis
Valor crtico:
Tabla A-5 con el valor de

= -1
= -1
Ejemplo 25: Un caso de reclamo se presenta ante SUNAS por el caso de la fluctuacin excesiva
en los voltajes entre la zona residencial y una zona comercial. Se toma una muestra de 17 das en
la zona residencial, y en el mismo periodo se toma otra muestra de 16 das en la zona comercial.
Los datos se muestran a continuacin. Al nivel del 0.05, se puede asegurar que la variacin de
los voltajes es mayor en la zona comercial?
58
1 2
n2 = 17 n1 = 16
2 = 210v. 1 = 208v
s2 = 5v s1 = 7v.
F=
F= = 1.96 2.3522
= 0.05
glnumerador = 16-1 = 15
gldenominador = 17-1 = 16
59
Anlisis de varianza ANOVA
Tema n. 2
ANOVA es un mtodo de prueba de hiptesis cuando se tiene 3 o ms poblaciones o muestras. Se

supone que los datos proceden de poblaciones normales, y las varianzas no son muy diferentes.
El mtodo resuelve las siguientes hiptesis:
H0: 1 = 2 = 3 = . . .
H1: Por lo menos una media es diferente.
Las poblaciones se obtienen de dividir una poblacin en bloques o estratos que comparten ca-
ractersticas comunes. Cada divisin es diferenciada por una o ms variables o factores.
La prueba se desarrolla comparando las variaciones producidas por el factor o tratamiento, con
la variacin en cada muestra (error).
Variacin entre muestras
El estadstico de prueba es: F =
Variacin dentro de las muestras
1. ANOVA de un factor
Se utiliza ANOVA de un factor cuando:
Las poblaciones se distinguen por medio de un factor o va.
Se tiene tres o ms poblaciones normales.
Las varianzas entre poblaciones no son muy diferentes (homogeneidad de varianzas).
1.1. Tabla ANOVA de un factor
Dependiendo del autor las columnas pueden cambiar de posicin, pero todas las tablas ANO-
VA tienen los mismos componentes:
Tabla 24. ANOVA de una va
Origen de la Suma de gl Cuadrados Estadstico de

variacin cuadrados medios prueba
SC CM F
Por el
tratamiento SCT = -G K-1 CMT = F=
Por el error SCE = SS-SCT N-K CME =
Total SS = -G N-1
Fuente: Elaboracin Propia.
60
Donde:
N: Total de datos
nj: Tamao de la muestra j

G=
K: Nmero de muestras o poblaciones
Tj es la sumatoria de datos de la muestra j.
Tabla 25. Datos recibidos de laboratorios
Lab1 Lab2 Lab3
120.1 98.3 103.0
110.7 112.1 108.5
108.9 107.7 101.1
104.2 107.9 110.0
100.4 99.2 105.4
111.4
Ejemplo 26: Un ejemplo modificado del libro de Mendehall (2010). Los mdicos dependen de
resultados de exmenes de laboratorio cuando manejan problemas mdicos como diabetes o
epilepsia. En un examen de uniformidad para tolerancia a la glucosa, a tres laboratorios diferen-
tes se les enviaron muestras de sangre idnticas de una persona que haba bebido 50 miligramos
(mg) de glucosa disuelta en agua. Los resultados de laboratorio (en mg/dl) son los mostrados en
la tabla. Los datos indican una diferencia en el promedio de lecturas para los tres laboratorios?
Use = 0.05.
H0: 1 = 2 = 3
H1: Por lo menos una media es diferente.
Usando un programa estadstico como SPSS obtenemos:
Tabla 26. ANOVA nivel medido de glucosa
Suma de cuadrados Gl Media cuadrtica F Sig.
Entre grupos 59.689 2 29.845 .907 .428
Dentro de grupos 427.840 13 32.911
Total 487.529 15
Buscamos el valor crtico en la tabla 27 (ver Apndice C, tabla A-5) con = 0.05 glnum = 2 gldenom
= 13:
61
Tabla 27. Valor crtico del nivel de glucosa
Resolucin usando el valor:
Para este problema se puede usar el valor P de la tabla ANOVA.
Nivel medido de Glucosa
Tabla 28. Valor P del nivel medido de glucosa
Suma de Media
gl F Sig.
cuadrados cuadrtica
Entre grupos 59.689 2 29.845 .907 .428
Dentro de grupos 427.840 13 32.911
Total 487.529 15
Valor P = 0.428 > 0.05
No rechazamos H0 como verdadera. No existe evidencia muestral para afirmar que hay una
diferencia en el promedio de lecturas para los tres laboratorios.
2. ANOVA de dos factores
El ANOVA de dos factores se emplea cuando:
La poblacin est dividida o caracterizada por dos variables o factores.
Las poblaciones son normales y no existe mucha diferencia entre sus varianzas.
Existe dos formas de llevar a cabo este tipo de pruebas como veremos a continuacin.
62
2.1. Modelo aditivo
Cuando se analizan las poblaciones de manera separada por cada factor, se debe tener en
cuenta que para este tipo de prueba cada casilla solo se tiene una observacin.
Tabla ANOVA de dos factores o dos vas:
Tabla 29. ANOVA dos vas sumativo
Origen de la
Variacin
SCC = G CMC = F=
SCF = G CMF =
SCE = SS-(SCC+SCF) CME =
SS = G
G=
Ejemplo 27: Este ejemplo ha sido modificado de Daz (2013). Una empresa que fabrica y vende
purificadores de agua para el comercio y la industria tiene 3 zonas de ventas: centro, norte y
sur. Como la labor de venta tiene aspectos tanto tcnicos como financieros, la empresa tiene 4
vendedores: un qumico, un licenciado en administracin, un ingeniero mecnico y un ingeniero
industrial. La gerencia de la empresa muestra inters en saber si las 3 zonas tienen un potencial
equivalente y si los 4 vendedores tienen igual capacidad. La variable dependiente es el volu-
men de ventas. La informacin pertinente se da en la tabla adjunta.
63
Tabla 30. Datos de venta por regiones y vendedores
Vendedor Centro Sur Norte
Ingeniero qumico 506 528 513
Licenciado en administracin 529 496 508
Ingeniero mecnico 518 504 520
Ingeniero industrial 510 505 520
Solucin: Debe notarse que existe una observacin por cada casilla, lo que configura el trabajo
con un ANOVA aditivo.
Un software como Excel nos da la siguiente tabla:
Tabla 31. ANOVA Excel
ANLISIS DE VARIANZA
Origen de las Suma de Grados de Promedio de Valor crtico
F Probabilidad
variaciones cuadrados libertad los cuadrados para F
Filas 41.5833 3 13.8611 0.0886 0.9637 4.7571
Columnas 140.6667 2 70.3333 0.4495 0.6578 5.1433
Error 938.6667 6 156.4444
Total 1120.9167 11
Se producen dos pruebas:
Filas (vendedores):
H0: 1 = 2 = 3 = 4
H1: Por lo menos uno de los vendedores tiene una media diferente.
Valor P = 0.9637 > = 0.05
No rechazamos H0 como verdadera.
No existe evidencia muestral suficiente para demostrar diferencias entre vendedores.
Columnas (regiones):
H0: 1 = 2 = 3
H1: Por lo menos una de las regiones tiene una media diferente.
Valor P = 0.6578 > = 0.05
64
No existe evidencia muestral suficiente para demostrar diferencias entre regiones.
2.2. Modelo con interaccin
En este mtodo, adems de analizar las poblaciones por cada factor por separado, tambin
se hace un anlisis por la interaccin de los factores en la poblacin. Por cada celda de datos
existe ms de uno; es decir, existe iteraciones o repeticiones.
Tabla ANOVA de dos factores con interaccin:
Tabla 32. ANOVA 2 vas con interaccin
CMC= F=
CMF= F=
CMI= F=
( )( )
CME=
( )
Donde:
N: Total de datos
nj: Tamao de la muestra j (columna)
ni: Tamao de la muestra i (fila)
K: Nmero de muestras o poblaciones en las columnas
L: Nmero de muestras o poblaciones en las filas
65
Ejemplo 28: El problema del ejemplo 27 completo. Una empresa que fabrica y vende purificado-
res de agua para el comercio y la industria tiene 3 zonas de ventas: centro, norte y sur. Como la
labor de venta tiene aspectos tanto tcnicos como financieros, la empresa tiene 3 vendedores:
un qumico, un licenciado en administracin y un ingeniero mecnico. La gerencia de la em-
presa muestra inters en saber si las 3 zonas tienen un potencial equivalente si los 3 vendedores
tienen igual capacidad y si es indistinto el trabajo de los vendedores en cualquier zona o existen
diferencias. La variable dependiente es el volumen de ventas. La informacin pertinente se da
en la tabla.
Solucin. Como se puede apreciar, existen 2 observaciones en cada casilla por lo que los datos
involucran un ANOVA con interaccin.
Tabla 33. Datos de venta por regiones y vendedor
Profesin del vendedor Zona centro Zona sur Zona norte

506 528 513
Qumico
512 534 495
529 496 508

Licenciado en administracin
525 498 500
500 512 528

Ingeniero mecnico
518 504 520
Un software como MINITAB nos da a siguiente tabla ANOVA:
Tabla 34. ANOVA Minitab
Source DF SS MS F P
Profession 2 96.444 48.222 0.931 0.429
Zone 2 59.111 29.556 0.571 0.584
Interaction 4 2072.889 518.222 10.009 0.002
Error 9 466 51.778
Total 17 2694.444
Se producen tres pruebas:
Filas (profesin):
H0: 1 = 2 = 3
H1: Por lo menos uno de los vendedores tiene una media diferente.
Valor P = 0.429 > = 0.05
66
Columnas (zona):
H0: 1 = 2 = 3
H1: Por lo menos uno de las zonas tiene una media diferente.
Valor P = 0.584 > = 0.05
Interaccin (profesin y zona):
H0: Las medias son iguales
H1: Por lo menos uno de las medias es diferente.
Valor P = 0.002 > = 0.05
Rechazamos H0 como verdadera.
Existe evidencia muestral suficiente para demostrar que existen diferencias en el trabajo
de los vendedores por zona.
En el caso del requisito de normalidad, este no es muy estricto, pues basta que en las muestras
no existan datos atpicos.
De similar forma, respecto a la igualdad de varianzas o desviaciones estndar poblacionales,

el especialista en estadstica George E. P. Box demostr que, siempre y cuando los tamaos de
muestra sean iguales (o casi iguales), las varianzas pueden diferir de tal forma que la ms grande
sea hasta nueve veces el tamao de la ms pequea, y los resultados del ANOVA continan
siendo confiables en esencia (Triola, 2013).
3. Errores en la prueba de hiptesis
3.1. Error tipo I
Se comete un error de tipo I si al finalizar una prueba de hiptesis el proceso nos obliga a recha-
zar H0 como verdadera cuando en la poblacin es verdadera.
La probabilidad de cometer el error tipo I es (nivel de significancia).
3.2. Error tipo II
Se comete un error de Tipo II si al finalizar una prueba de hiptesis el proceso nos obliga a no
rechazar H0 como verdadera cuando en la poblacin es falsa.
La probabilidad de cometer el error tipo II es .
y no son complementarios, pero guardan una relacin inversa; es decir, si se incrementa,

disminuye. En todo caso, si queremos disminuir ambas probabilidades, entonces el tamao de
la muestra debe incrementarse.
67
Pereconomico.com. (2011). Una mirada a los programas sociales. Disponible en:
https://goo.gl/11il9l
Actividad n. 2
FORO 2: CUL ES LA IMPORTANCIA DE LAS PRUEBAS DE HIPTESIS?
Ingrese al aula virtual, a la pestaa de la Unidad 2 >> Foro 2.
Lea la consigna y las instrucciones.
Escriba su respuesta a la pregunta tomando en cuenta las indicaciones de la consigna.
68
Glosario de la Unidad II
D
Distribucin F. Distribucin de las probabilidades contina de una variable aleatoria que tiene un
comportamiento muy cercano a la distribucin muestral de las varianzas.
Nivel de significancia. Valor del rea crtica o de rechazo de H0; es tambin el valor de la pro-
babilidad de cometer un error de tipo I.
Potencia de una prueba. Es la medida de la probabilidad de n cometer el error de tipo II. Es decir,
es igual a 1-.
Proporcin. Es la relacin entre la cantidad de xitos y el total muestreado. Se puede leer como
un porcentaje si se le multiplica por 100. Puede existir una proporcin de xitos como comple-
mentariamente una proporcin de fracasos.
69
Bibliografa de la Unidad II
Alfaro, D., & Macera, D. (2011). Una mirada a los programas sociales [pgina web]. Recupe-
rado de: goo.gl/e6AR6
Burdorf, A., van Riel, M., van Wingerden, J.P., van Wingerden, S., & Snijders C. (1995). Isody-
namic evaluation of trunk muscles and low-back pain among workers in a steel factory.
Ergonomics, 3(10), 2107-2117. doi: 10.1080/0014 0139508925254
Produccin de Pisco marc rcord histrico de 9.5 millones de litros (5 de febrero de 2016).
Recuperado de http://gestion.pe/economia/produccion-pisco-marco-record-histori-
co-95-millones-litros-2154088

Graw Hill.
Mendehall, W., Beaver, R. & Beaver, M. (2010). Introduccin a la probabilidad estadstica

(13. ed.). Mxico D. F.: CENGAGE Learning. Recuperado de: goo.gl/yFE3QX
Diario El Comercio. (10 de octubre de 2012). Cuatro de cada diez peruanos sufre algn pro-
blema mental. Diario El Comercio [en lnea]. Recuperado de: goo.gl/eK8Gan
Triola, M. (2013). Estadstica (11. ed.). (L. Pineda, Trad.). Mxico D. F.: Pearson Education.
70
Autoevaluacin n. 2
Lea con atencin los enunciados. Repase en el en manual el tema relacionado a la pregunta e
1. El valor de la regin crtica en una prueba de hiptesis es

a. La potencia de la prueba
b. El nivel de confianza
c. El nivel de significancia
d. El margen de error
e. El error estndar
2. Halle el/los valor(es) crtico(s) si n = 33 (la poblacin parece estar distribuida normalmente), =
23.6 s = 3.56, H1: 0.36 al 0.05 de significancia.
a. 1.96
b. 50.725-19.047
c. -2.2622
d. 2.037
e. 47.4-20.867
3. Un investigador afirma que las cantidades de paracetamol en una determinada marca de

tabletas para la gripe tiene una desviacin estndar diferente de 2,5 mg indicado por el
fabricante (Triola, 2011). Suponiendo que se ha llevado a cabo una prueba de hiptesis y
que la conclusin es que no se rechaza la hiptesis nula, cul es la conclusin?
a. No hay pruebas suficientes para apoyar la afirmacin de que la desviacin estndar es
diferente de 2,5 mg.
b. Hay pruebas suficientes para apoyar la afirmacin de que la desviacin estndar es dife-
rente de 2,5 mg.
c. No hay pruebas suficientes para apoyar la afirmacin de que la desviacin estndar es
igual a 2,5 mg.
d. Hay pruebas suficientes para apoyar la afirmacin de que la desviacin estndar es igual
a 2,5 mg.
e. Hay evidencias suficientes para rechazar la hiptesis alterna de que la desviacin estndar
es igual a 2.5 mg.
4. De las siguientes afirmaciones, cules son ciertas respecto de la hiptesis nula?
Es la hiptesis denominada de trabajo en una investigacin.
Se prueba de forma directa, dado que inicialmente se supone que es verdadera.

Es la afirmacin de que el parmetro tiene un valor que, de alguna manera, difiere
del valor en la hiptesis alterna.
71
Es la afirmacin de que el valor de un parmetro de poblacin es igual a un valor
aseverado.
Con base en los datos mustrales es rechazada o no.
a. FVVFF
b. VVFVV
c. VFVFF
d. FFVVF
e. FVFVV
5. Una hiptesis en estadstica es

a. Una afirmacin que se hace respecto de una muestra para probar una cualidad en una
poblacin.
b. La conclusin que se realiza sobre los datos muestrales para afirmar una aseveracin en
una muestra.
c. Una afirmacin acerca de una propiedad o cualidad de una poblacin y que se prueba
con datos muestrales.
d. La aseveracin realizada de acuerdo con los datos muestrales sobre la poblacin.
e. Una afirmacin sobre cualidades de una poblacin o ms.
6. Un investigador trabaja para probar si un frmaco a base de ketorolaco tiene efectos

secundarios sobre el colon en el 15% de los pacientes hipertensos. Al final de una prueba con
300 individuos concluye lo siguiente: No existe suficiente evidencia muestral para sostener la
aseveracin de que el frmaco a base de ketorolaco cause efectos secundarios en el colon
del 15% de los pacientes hipertensos. En este caso se puede estar
a. Afirmando una conclusin falsa.
b. Cometiendo un error de tipo I.
c. Cometiendo un error muestral.
d. Cometiendo un error de tipo II.
e. Afirmando una conclusin verdadera.
7. Joan Carrasco es un ingeniero industrial en FAMIA Industrial y le gustara determinar si se

producen ms unidades en el turno nocturno que en el matutino. Suponga que la desviacin
estndar de la poblacin para el nmero de unidades producidas en el turno matutino es 21
y 28 en el nocturno. Una muestra de 54 trabajadores del turno matutino revel que el nmero
medio de unidades producidas fue 345. Una muestra de 60 trabajadores del turno nocturno
revel que el nmero medio de unidades producidas fue 351. Con un nivel de significacin de
0.05, es mayor el nmero de unidades producidas en el turno nocturno?
a. El valor crtico es -1.645, H0 no se rechaza; por tanto, d > n.
b. El valor de prueba es -1.96, se acepta H0, las medias son iguales.
c. Se rechaza H1, existe evidencia suficiente para afirmar d > n.
d. El valor de prueba es -1.3021, no se rechaza H0 y no se puede afirmar que d < n.
e. Se rechaza Ho y no se puede afirmar que sea mayor el nmero de unidades en el turno
noche.
72
8. Dos muestras son independientes si

a. Se tiene la misma cantidad de datos por muestra.
b. Los datos de las muestras no estn relacionados de alguna manera.
c. Las muestras provienen de poblaciones relacionadas, pero independientes.
a. Los datos estn condicionados a un suceso que define su naturaleza.
e. Los datos se mantienen en igualdad de nmero por cada unidad de observacin.
9. Se desea saber si existe relacin entre el nmero de horas que pasan los alumnos en la
biblioteca y su nivel de comprensin de lectura. Se estipulan 4 niveles de comprensin lectora
y se toman muestras aleatorias. El nmero de horas no tiene datos extremos y las varianzas
poblacionales no son muy diferentes. Un anlisis ANOVA brinda la siguiente tabla:
Suma de Cuadrados
Fuente de variacin Gl F Valor P
Cuadrados Medios
Entre grupos 87.29 3 29.10 1.15 0.3349
Dentro de los grupos 2361.80 93 25.40
2449.09 96
Las horas de estada en la biblioteca incidirn en el nivel de comprensin lectora?

a. No se rechaza Ho; por tanto, no existe relacin alguna entre las variables.
b. No se rechaza Ho; entonces, a mayor tiempo en la biblioteca mejor nivel de compren-
sin.
c. Se rechaza Ho; en consecuencia, existe evidencia para afirmar que existe influencia entre
el nmero de horas en la biblioteca y el nivel.
d. Se rechaza Ho; entonces, existe algn tipo de relacin las horas dependen del nivel.
e. No rechaza Ho; por tanto, los datos muestrales confirman que existe una relacin signifi-
cativa.
10. Dolor deespalda. El dolor de espalda baja (DEB) es un serio problema de salud en muchos
entornos industriales. El artculo Isodynamic Evaluation of Trunk Muscles and Low-Back Pain
Among Workers in a Steel Factory (Burdorf et al., 1995) report los datos adjuntos sobre rango
lateral de movimiento (grados) para una muestra de trabajadores sin antecedentes de dolor
de espalda baja y otra muestra con antecedentes de esta dolencia (Triola, 2011).
Condicin Tamao de muestra Media muestral s
Sin DEB (dolor espalda baja) 28 91.5 5.5
Con DEB 31 88.3 7.8
Si no se tienen datos extremos, estos resultados sugieren que el movimiento lateral medio
difiere en las dos condiciones a un nivel de confianza de 95%?
a. z = -1.645, se rechaza H0, existe diferencia entre las dos condiciones.
b. E = 3.419, -0.219 < 1 = 2 < 6.619, no existe diferencia entre las dos condiciones.
c. H1: 1 2, z = 1.30, no se rechaza H0, no existe diferencia.
d. H1: 1 < 2, z = -1.30, no se rechaza H0, no existen diferencias.
e. E = 3.419, 3.032 < 1 = 2 < 15.032, no existe diferencia entre las dos condiciones.
73
74
UNIDAD III
ESTADSTICA NO PARAMTRICA
DIAGRAMA DE ORGANIZACIN DE LA UNIDAD III

Resultados del aprendizaje de la Unidad III: Al finalizar la unidad, el estudiante estar en la capacidad de
realizar pruebas de hiptesis con experimentos multinomiales, pruebas de bondad o pruebas no paramtricas de
acuerdo a la situacin estadstica planteada.

Tema n. 1: Experimentos multinomiales 1. Identifica las clases de hiptesis. Valora reflexivamente la importancia de
y tablas de contingencia 2. Plantea pruebas de hiptesis. las pruebas de bondad y no paramtri-
1. Experimentos multinomiales. cas en la toma de decisiones.
3. Identifica correctamente los valo-
2. Pruebas de bondad, tablas de con- res crticos para la aplicacin de las
tingencia y pruebas de indepen- pruebas de hiptesis.
dencia y homogeneidad. 4. Determina el procedimiento perti-
nente de la prueba de hiptesis.
Tema n. 2: Pruebas no paramtricas 5. Realiza la interpretacin del resulta-
1. Prueba de signos. do de la prueba de hiptesis.
2. Prueba de rangos con signo-Wilco-

xon. Actividad 1
3. Kruskal Wallys. Participa del foro de discusin estima-
ciones en la empresa.
4. Correlacin de rangos.
5. Prueba de rachas.
Actividad 2
75
Experimentos multinomiales y tablas de contingencia
Tema n. 1
Los experimentos multinomiales se refieren al contraste de hiptesis con variables categricas,

con mltiples categoras. Su desarrollo implica clculos con las frecuencias de las categoras en
la muestra a lo que se denominar frecuencias observadas (O) y que se comparan con otros
que responden a las hiptesis, se denominarn frecuencias esperadas (E).
Las pruebas pueden hacerse sobre una variable (bondad de ajuste) o con dos variables (inde-
pendencia / homogeneidad).
1. Pruebas de bondad de ajuste

Las pruebas de bondad de ajuste comparan las frecuencias observadas (O) en la muestra con
las que hipotticamente deberan producirse para la distribucin de frecuencias en la pobla-
cin. Tratamos, entonces, de determinar en funcin de las frecuencias muestrales (O) si la pobla-
cin se ajusta a una distribucin especfica (E).
Se puede tener tres formas generales de aplicacin:
Frecuencia esperada uniforme.
Frecuencia esperada no uniforme (proporciones diferentes).
Frecuencia esperada normal, binomial, de Poisson, etc.
Las pruebas se realizan usando la distribucin Ji cuadrado (X2).
x 2
=
( O E)
2
E
Valor crtico:
La prueba es de cola derecha siempre y los valores crticos se pueden encontrar en la tabla A-3
(ver Apndice C) con
gl = K -1 y
k es el nmero de categoras de la variable.
1.1. Prueba con frecuencias uniformes:

Ejemplo 29: Trabajaremos una adaptacin del ejercicio de Daz (2013), p. 335.
En la UC quiere evaluarse si el nmero de descomposturas de computadoras es igual todos los
das de la semana. Para hacerlo se obtuvieron datos de descomposturas promedio por cada
da de la semana. Los resultados se muestran a continuacin:
Tabla 35. Datos de descomposturas promedio por cada da de la semana.
Mquinas
Da
descompuestas
Lunes 13
Martes 14
Mircoles 6
Jueves 10
Viernes 8
Sbado 7
Domingo 12
76
Pruebe la hiptesis con un nivel de significacin de 0.05.

Solucin:
Datos: H0: O = E. La frecuencia de mquinas malogradas es igual en

cualquier da.
n = 70
H1: O E. La frecuencia de mquinas malogradas no es igual
K = 7 (das) en cualquier da.
gl = 6 1. Las frecuencias esperadas (E) son de acuerdo a H1 y la

frecuencia total debe repartirse por igual entre las categoras:
a = 0.05
n/k = 70/7 = 10.
2. Los datos muestrales toman el nombre de frecuencias observadas (O) , mientras que las
frecuencias 10 son las frecuencias esperadas (E) .
Tabla 36. Solucin del ejemplo 29.
12.592
Nota: Cuando se afirma que el nmero de descomposturas es igual en todos los das
de la semana, en realidad se est hablando de una distribucin uniforme.
77
1.2. Prueba con frecuencias no uniformes
Tabla 38. Tipo de vivienda
Tipos de vivienda particular 2015

Casa independiente 86.5%
Departamento en edificio 6.3%
Vivienda en quinta 1.6%
Vivienda en casa de vecindad (callejn, solar o corraln) 4.3%
Choza o cabaa 1.3%
Fuente: INEI (2016).
Ejemplo 30: El porcentaje encontrado para el tipo de vivienda que ocupan las familias a nivel
nacional fue publicado por el INEI y es mostrado en la tabla adjunta (INEI, 2016).
Un estudio en nuestra regin revela que, de una muestra de 150 hogares, 125 son casas inde-
pendientes; 6, departamentos en edificio; 9, viviendas en quinta; 8, viviendas en vecindad, y 2,
chozas o cabaas.
Al nivel del 5% se puede asegurar que las proporciones en nuestra regin son diferentes a lo
informado por el INEI?
Solucin:
Datos: H0: O = E Las proporciones regionales no son diferentes a lo informado por el INEI.
n = 150 H1: O E Las proporciones regionales son diferentes a lo informado por el INEI.
K=5
1. Desarrollamos la tabla de frecuencias. Las frecuencias O se toman de los
a = 0.05 datos de la muestra: 125, 6, 9, 8 y 2. Las frecuencias E se obtienen usando los
gl = 4 porcentajes de la encuesta nacional del INEI.
Tabla 39. Tipos de vivienda: frecuencia observada y frecuencia esperada
78
2. Calculamos el estadstico de prueba y buscamos el valor crtico en la tabla 40(ver Apndi-

ce C, tabla A-3) con gl = 4 y = 0.05.
Tabla 40. Valor crtico con gl y
gl 0.100 0.075 0.050
2 4.605 5.181 5.991

3 6.251 6.905 7.815
4 7.779 8.496 9.488
5 9.236 10.008 11.070
Conclusin y respuesta:
Como 19.957 > 9.488 rechazamos H0 como verdadera.
Por tanto, existe evidencia muestral suficiente para afirmar que las
proporciones en nuestra regin son diferentes a lo informado por el
INEI.
1.3. Prueba ajuste a una distribucin estadstica

Ejemplo 31: Trabajaremos un ejercicio adaptado de Mendehall (2010).
Tabla 41. Peso de paquetes de mensajera
Peso g fo
150 a 200 8
200 a 250 15
250 a 300 15
300 a 350 15
350 a 400 10
400 a 450 1
Totales 64
Una compaa de servicios de mensajera registra el peso de 70 paquetes elegidos al azar. De-
termine si el peso de los paquetes se ajusta a una distribucin normal con un nivel de significa-
cin de 0.01.
Solucin:
HO: O = E El peso de los paquetes se ajusta a una distribucin normal.
H1: O E El peso de los paquetes no se ajusta a una distribucin normal.
Datos:
1. Para poder calcular las frecuencias esperadas, calculamos la media y la
n = 64 desviacin estndar de la muestra:
k=6
gl = 5
a = 0.01 X = 280.469 y s = 66.139
79
Tabla 42. Peso de paquetes de la mensajera: clculos.

Peso g. fo z reas Proporcin
Acum.
150 a 200 8 -1.22 0.1112 0.1112
200 a 250 15 -0.46 0.3228 0.2116
250 a 300 15 0.30 0.6179 0.2951
300 a 350 15 1.05 0.8531 0.2352
350 a 400 10 1.81 0.9649 0.1118
400 a 450 1 2.56 0.9948 0.0052
Totales 64 1
Entonces, la distribucin normal a la que se ajustan los datos tiene una media y desviacin es-
tndar como las calculadas.
Si convertimos los pesos a z (distribucin normal estndar), por cada intervalo existe entonces
una proporcin (rea) en la curva normal estndar:
xi x
z=
s
200 280.469
z=
66.139
z = 1.22
Buscamos en la tabla el rea acumulada:
A = 0.1112
Se procede igual con el resto.
2. Clculo de las proporciones . En este caso, como se trata de reas acumuladas se restan
cada una con la anterior.
A la primera se le resta 0 0.1112-0= 0.1112
Para la segunda 0.3228 0.1112 = 0.2116
Tercera 0.6179 0.3228 = 0.2951
As con todos los dems excepto el ltimo, ya que se trata de un rea cola derecha. Entonces,
la proporcin buscada es 1 0.9948 = 0.0052.
3. Clculo de frecuencias E : Utilizaremos las proporciones halladas:
80
Tabla 43. Frecuencia esperada de peso
4 Se calcula el estadstico de prueba y buscamos el valor crtico en la tabla 44 (ver Apndice

C, A-3) con gl = 5 y = 0.01.
Tabla 44. Estadstico de prueba
Como 3.5351 < 15.086 no rechazamos H0 como verdadera.
Por tanto, existe evidencia muestral suficiente para afirmar que el peso de los paquetes
se ajusta a una distribucin normal.
2. Pruebas de independencia y homogeneidad
Una prueba de independencia u homogeneidad trabaja sobre datos organizados en funcin

de dos variables en una tabla de doble entrada que se conoce como tabla de contingencia.
Tabla 45. Tabla de contingencia
Variable B
Cat. B1 Cat. B2 Cat. B3
Cat. A1 f11 f22 f33

Variable A
Cat. A2 f44 f55 f66
Fuente: elaboracin propia.
81
2.1. Pruebas de independencia
La finalidad de una prueba de este tipo es averiguar si existe alguna forma relacin entre las
variables A y B. Se someten a prueba las siguientes Hiptesis:
H0: O = E. La variable A es independiente de la variable B.
H1: O E. La variable A no es independiente de la variable B.
Se aplica a variables de tipo categrico, generalmente cualitativas.
Si se llega a rechazar H0 y se confirma que A no es independiente de B, entonces solo se puede

afirmar que existe relacin entre ellas, pero no se puede decir si existe dependencia tanto como
en un anlisis de correlacin lineal.
Los datos son conteos, es decir, la frecuencia de ocurrencia del cruce de categoras de la va-
riable A y B.
Valor crtico:
La prueba es de cola derecha siempre y los valores crticos se pueden encontrar en la tabla A-3
(ver Apndice C) con:
gl = (f -1)(c-1) y
f: es el nmero de filas de datos y c es el nmero de columnas de datos.
La frecuencia esperada se calcula con:
Ejemplo 32: Desarrollaremos un ejercicio de Triola (2013).
La tabla siguiente incluye datos obtenidos de vctimas de crmenes elegidas al azar (segn datos
del Departamento de Justicia de Estados Unidos). Qu podemos concluir? Aplique una prueba
de independencia al 0.05 de significancia.
Tabla 46. Datos sobre criminales y sus delitos cometidos.
Homicidio Robo Asalto
El criminal era un extrao. 12 379 727
El criminal era conocido o pariente. 39 106 642
Fuente: Triola, 2013 (datos del Departamento de Justicia de Estados Unidos).
82
Solucin:
H0: O = E. La variable tipo de delito es independiente de la variable tipo de criminal.
H1: O E. La variable tipo de delito no es independiente de la variable tipo de criminal.
1. Calculamos los totales en la tabla O:
Tabla 47. Tabla O.
Homicidio Robo Asalto Totales
Criminal es extrao 12 379 727 1118
Criminal es conocido 39 106 642 787
Totales 51 485 1369 1905
2. Para determinar los valores de la tabla de frecuencias esperadas, calculamos las frecuencias
, copiamos la tabla con los totales y procedemos por cada casilla:
Tabla 48. Clculo de frecuencias esperadas

Criminal es (51)(1118) (485)(1118) (1369)(1118)
1118
extrao 1905 1905 1905
Criminal es (51)(787) (485)(787) (1369)(787)
787
conocido 1905 1905 1905
Totales 51 485 1369 1905
Y obtenemos la tabla de frecuencias E:
Tabla 49. Tabla de frecuencias esperadas
Criminal es extrao 29.9307 284.6352 803.4341 1118
Criminal es conocido 21.0693 200.3648 565.5659 787
Totales 51 485 1369 1905
3. Con los datos de la tabla de frecuencias O y la tabla de frecuencias calculamos para

cada par de datos:
83
Tabla 50. Tabla de clculo de FO y FE.

Criminal es Tabla de
12 379 727
extrao frecuencias o
Criminal es
39 106 642
conocido
Criminal es Tabla de
29.9307 284.6352 803.4341
extrao frecuencias E
Criminal es 21.0693 200.3648 565.5659

conocido
Tabla 51. Resultados del clculo FO y FE.
4. Sume todos los resultados y hallar el estadstico de prueba:
5. Determine el valor crtico en la tabla 51 con gl = (f-1)(c-1) y = 0.05.
La tabla tiene f=2 filas y c= 3 columnas de datos, por tanto:
gl = (2-1)(3-1) = 2
= 0.05

gl 0.100 0.075 0.050 0.02
1 2.706 3.170 3.841 5.02

2 4.605 5.181 5.991 7.37
3 6.251 6.905 7.815 9.34
84
Pruebas no paramticas
Tema n. 2
Las pruebas no paramtricas son pruebas de hiptesis desarrolladas con mtodos que aplican a
muestras obtenidas de poblaciones no normales. Por ello el nombre ms apropiado sera prue-
bas de libre distribucin. Las pruebas que revisaremos en esta unidad son las siguientes:
Prueba del signo

Muestras
emparejadas
Prueba de rangos
Dos muestras con signo
Sumatoria de
Independientes
rangos
Experimentos
multinomiales
Kruscal Wallys
Pruebas con tablas
Una muestra
de contingencia
Correlacin de
rangos de
Spearman
Prueba de
rachas
Figura 17: Pruebas no paramtricas. Fuente: Elaboracin propia
1. Prueba del signo
Una prueba de signo es utilizada en dos oportunidades: con muestras emparejadas, y cuando
se quiere probar el valor de una mediana.
La prueba del signo requiere:
- Muestras aleatorias.
- No se conoce la distribucin de la poblacin o no es requisito que sea normal.
- Se puede identificar dos agrupaciones, las que tomarn los signos (+) y (-).
- Los valores crticos se encuentran en la tabla A-7.
- Si n 25, el estadstico de prueba ser T; el nmero de veces que se repite el signo menos
frecuente. n
(T + 0.5)
- Si n > 25, el estadstico de prueba es z = 2
n
2
85
Tabla 53. Nmero de fusibles defectuosos
Da Lnea A Lnea B
1 170 201
2 164 179
3 140 159
4 184 195
5 174 177
6 142 170
7 191 183
8 179 179
9 161 170
10 220 212
Ejemplo 33: Los nmeros de fusibles elctricos defectuosos producidos por dos lneas de produc-
cin, A y B, se registraron a diario durante un periodo de 10 das, con los resultados mostrados en
la tabla. La variable de respuesta, el nmero de fusibles defectuosos, tiene una distribucin bino-
mial exacta con un gran nmero de fusibles producidos por da. Aun cuando esta variable tendr
aproximadamente una distribucin normal, el supervisor de planta preferir una prueba estadsti-
ca rpida y fcil para determinar si una lnea de produccin tiende a producir ms fusibles defec-
tuosos que la otra. Use la prueba del signo para probar la hiptesis apropiada (Mendehall, 2010).
Solucin:
H0: Meddif = 0
H1: Meddif 0
1. Se debe tomar las muestras como 5 Como n 25, la regla de

emparejadas, ya que por cada da se tiene decisin es
dos datos (A y B). Si T Valor crtico, entonces
se rechazar H0
Tabla 54. Nmero de 2. Se restan los datos en

fusibles con signos pares y solo se anotan los
signos de los resultados. 6 El valor crtico estar en la
tabla 55.
3. El estadstico de
prueba es el nmero de
signos menos frecuente:
T = 2 (solo dos positivo).
4. n = 9; porque se
eliminan los ceros. Solo
toman en cuenta las
diferencias que no son
cero.
Como T = 2 > Valor crtico = 1 No rechazamos H0 como verdadera.
Por tanto, no existe evidencia muestral suficiente para afirmar que una lnea de produccin
tiende a producir ms fusibles defectuosos que la otra.
86
Ejemplo 34: CPP es una empresa dedicada a la produccin de pinturas. Intenta desarrollar un
nuevo compuesto que prolongue el tiempo de vida til de sus pinturas para exteriores. Prueba
35 especmenes de los que obtiene una duracin en das presentada a continuacin:
Tabla 56. Duracin en das de pinturas para exteriores.
722 723 700 742 710 712 732 756 756 720
756 734 690 756 720 743 737 745 768 698
756 706 705 710 712 745 730 729 735 745
708 695 700 727 730
El nuevo compuesto en realidad aumenta el tiempo de vida til de las pinturas? Realice la
prueba de signos si la mediana actual de la vida til de las pinturas es de 720 das.
Solucin:
(prueba a dos colas)
Tabla 55. Valor P
Z 0.4 0.05 0.06
-1.6 0.0505 0.0495 0.0485

-1.5 0.0618 0.0606 0.0594
-1.4 0.0749 0.0735 0.0721
-1.3 0.0901 0.0885 0.0869
-1.2 0.1075 0.1056 0.1038
2. Prueba de rangos con signo de Wilcoxon para datos apareados
En este caso se trabaja con los rangos de las diferencias. Cada diferencia es ordenada de me-
nor a mayor sin considerar sus signos. Los signos son dos: positivos y negativos y vuelven a consi-
derarse para poder agrupar dos sumas. La suma menor en valor absoluto es el valor o estadstico
T. Para esta prueba se requiere:
87
Muestras aleatorias emparejadas.
No es necesario que las poblaciones sean normales.
Tabla 58. Datos requeridos para trabajar prueba de rangos con signo de Wilcoxon
Tamao de Valor crtico

Estadstico de prueba Rechazar H0
muestra VC
n 30 T = Suma menor Tabla A - 8 Si T VC
n > 30 Tabla A - 2 Si Valor P
Ejemplo 35: MUESTRAS PEQUEAS: Trabajaremos un ejemplo modificado de (Daz, 2013). Para
evaluar si la participacin de psiquiatras en el proceso de recuperacin de alcohlicos mejo-
raba su patrn de conducta, en un estudio mdico se evalu una muestra de 12 pacientes. Al
principio del tratamiento y al cabo de 2 meses, se obtuvieron las siguientes calificaciones:
Solucin:
H0: Meddif = 0
H1: Meddif < 0 (una cola)
Son muestras emparejadas: por cada paciente se tiene dos datos (inicial y final).
1. Con los datos de calculan las diferencias , se retiran los signos .
2. Asigne rangos ; es decir, decimos qu diferencia es primero, segundo, tercero, etc.
3. Tome en cuenta que en la lista de diferencias se repiten el 1 y el 3 (se les dice empates),
por lo que se debe promediar los rangos para lograr un valor crtico real . As, en el caso
del nmero 1 que se repite 5 veces se promedian sus rangos (1+2+3+4+5)/5 =3 y se cam-
bia todos estos rangos por 3 en . Luego, trabaje lo mismo con los rangos del nmero 3
que se repite 2 veces. Promediamos los rangos (6+7)/2 = 6.5 y este es el rango asignado a
este empate en .
4 Sume por separado los rangos negativos y positivos . El signo corresponde a la diferen-
cia original .
88
Tabla 59. Datos de pacientes de alcoholismo
1 2 3 4 5
Rangos Rangos
Dif. Rangos
Pacien. Inicial Final Dif. Rangos signo signo
s7 signos prom.
(-) (+)
1 31 32 -1 1 1 3 3
2 40 39 1 1 2 3 3
3 39 42 -3 3 6 6.5 6.5
4 88 99 -11 11 10 10 10
5 57 73 -16 16 11 11 11
6 56 57 -1 1 3 3 3
7 65 60 5 5 8 8 8
8 35 45 -10 10 9 9 9
9 68 71 -3 3 7 6.5 6.5
10 71 70 1 1 4 3 3
11 80 80 0
12 84 85 -1 1 5 3 -1
52 14

0.005 0.01 0.025 0.05 1 cola
n
0.01 0.02 0.05 0.1 2 colas
9 2 3 6 8
10 3 5 8 11
11 5 7 11 14
12 7 10 14 17
3. Pruebas de suma de rangos con signo de Wilcoxon para muestras independientes
Es una prueba no paramtrica aplicada a muestras independientes. Las muestras independientes

se distinguen porque los datos pertenecen a dos poblaciones diferentes. La prueba requiere de:
- Dos muestras independientes.
- Las poblaciones pueden tener cualquier tipo de distribucin.
- Ordene todas las n1 y n2 observaciones de menor a mayor.
- Encuentre T1, la suma de rangos para las observaciones de la muestra 1. ste es el estads-
tico de prueba para la prueba de cola izquierda.
89
- Encuentre T1* = n1(n1+n2+1) - T1, la suma de los rangos de las observaciones de la pobla-
cin 1 si los rangos asignados se hubieran invertido de grandes a pequeos. (El valor de T1*
no es la suma de los rangos de las observaciones de la muestra 2.) Este es el estadstico T
de prueba para una prueba de cola derecha.
- El estadstico de prueba para una prueba de dos colas es T, la mnima de T1 y T1* (Men-
denhal, 2010).
- H0 es rechazada si el estadstico de prueba observado es menor o igual al valor crtico

hallado usando la tabla A-8 (ver Apndice C).
- Se puede emplear una transformacin normal:
si y
Ejemplo 36: En el desarrollo de nuevas formas de construccin para reparar edificios histricos
hechos en barro y quincha, se ha agregado fibra de papel a la argamasa de barro para pro-
bar su resistencia al paso del tiempo. Los datos obtenidos de resistencia al golpe se presentan a
continuacin para un mortero comn y otro con fibra de papel. Se puede verificar una mejora
en la resistencia? Utilice un nivel de significancia de 0.01.
Tabla 60. Resistencia de mortero comn y mortero con fibra de papel
Resistencia en kg/cm2
93 104 92 96 97 108 104 96 89

Comn
88 90 102 105 97 96 101 108
89 90 106 97 109 107 106 96 100

Fibra de papel
108 110 100 98 97 101 99
Solucin:
H0: Med1 = Med2 Las medianas de resistencia son iguales.
H1: Med1 < Med2 El mortero comn tiene una mediana de resistencia menor al que tie-
nen fibra de papel.
1 Asignamos rangos a todos los datos como si se tratase de una sola muestra. Recuerde que si
existen empates como 89 (dos veces), se debe promediar los rangos (2+3)/2 = 2.5.
90
Tabla 61. Rangos para resistencia de mortero comn y mortero con fibra de papel
Resistencia en kg/cm2
93 104 92 96 97 108 104 96 89
7 23.5 6 9.5 13.5 30 23.5 9.5 2.5

Comn
88 90 102 105 97 96 101 108
1 4.5 22 25 13.5 9.5 20.5 30
89 90 106 97 109 107 106 96 100
2.5 4.5 26.5 13.5 32 28 26.5 9.5 18.5

Fibra de papel
108 110 100 98 97 101 99
30 33 18.5 16 13.5 20.5 17
2 Como se trata de una prueba de una cola a la izquierda hallamos el estadstico de prueba T1:
T1 = suma de rangos de la muestra 1
T1 = 7+23.5+6+9.5+13.5+30+23+ . . . . . .+20.5+30 = 251
3 Transformamos el estadstico en un valor z: 4 Hallamos el valor P en la

tabla A-2 (ver Apndice C).
( ) ( )
T = = = 289
-Z 0.05 0.06 0.07
-1.6 0.0495 0.0485 0.0475

( ) ( )( ) --1.5 0.0606 0.0594 0.0582
= = = -1.4 0.0735 0.0721 0.0708
--1.3 0.0885 0.0869 0.0853
-1.2 0.1056 0.1038 0.1020
z= =
Como Valor P > no rechazamos H0 como verdadera.
Por tanto, existe evidencia muestral suficiente para verificar una mejora en la resistencia.
En todo caso sigue igual.
91
4. Prueba de Kruskal Wallis
Es una prueba no paramtrica que utiliza rangos de muestras aleatorias simples de tres o ms
poblaciones independientes. Se utiliza para someter a prueba la hiptesis nula de que las po-
blaciones tienen medianas iguales. (La prueba es una prueba alternativa a la prueba ANOVA).
Para aplicar la prueba de Kruskal-Wallis, calculamos el estadstico de prueba H, el cual tiene una
distribucin que puede aproximarse por medio de la distribucin chi cuadrada, siempre y cuan-
do cada muestra tenga al menos cinco observaciones. Cuando utilizamos la distribucin chi
cuadrada en este contexto, el nmero de grados de libertad es k - 1, donde k es el nmero de
muestras (para una revisin rpida de las caractersticas clave de la distribucin chi cuadrada).
El estadstico de prueba H es bsicamente una medida de la varianza de las sumas de rangos

R1, R2,, Rk. Si los rangos estn distribuidos de forma equitativa entre los grupos muestrales,
entonces H debe ser un nmero relativamente pequeo. Si las muestras son muy diferentes, en-
tonces los rangos sern excesivamente bajos en algunos grupos y altos en otros, con el efecto
neto de que H ser grande. En consecuencia, solo los valores grandes de H nos conducen al
rechazo de la hiptesis nula de que las muestras provienen de poblaciones idnticas. La prueba
de Kruskal-Wallis es, por lo tanto, una prueba de cola derecha (Triola, 2013).
12 R12 R22 R32

H= + + + ... 3 ( N + 1)
N ( N + 1) n1 n2 n3
N: Total de datos en todas las muestras.
R1 , R2, R3, suma de rangos de las muestras 1 2 3 respectivamente.
n1, n2, n3, Tamao de las muestras 1, 2, 3 respectivamente.
Las hiptesis a trabajar son:
H0: Las medianas de las poblaciones son iguales.
H1: Las medianas de las poblaciones no son iguales
Las condiciones necesarias para aplicar este procedimiento son:
- Se tiene 3 o ms poblaciones.
- Las poblaciones pueden no ser normales.
- Las muestras son aleatorias.
- Cada muestra tiene como mnimo 5 observaciones (ni 5).
Tabla 62. Modelo de gestin.
Por procesos Funcional EFQM

77 52 67
64 53 72
67 44 52
62 51 54
42 44 52
51 66
54
92
Ejemplo 37: En su trabajo de tesis, Franco Alvarado desarrollo la hiptesis de que dependiendo
del Modelo de Gestin las empresas obtienen calificaciones en desempeo diferentes.
La tabla adjunta es una muestra a aleatoria de sus datos. En base a esta informacin se puede
afirmar alguno de los modelos es mejor que los otros?
Desarrollo una prueba al 0.10 de significancia.
Tabla 63. Modelo de gestin
Por procesos Funcional EFQM

77 18 52 7 67 15.5
64 13 53 9 72 17
67 15.5 44 2.5 52 7
62 12 521 4.5 54 10.5
42 1 44 2.5 52 7
51 4.5 66 14
54 10.5
59.5 40.5 71
Solucin:
Datos: H0: Las medianas de las poblaciones son iguales.

N = 18 H1: Las medianas de las poblaciones no son iguales
k=3 1 Asignamos rangos a todos los datos a todo como si fuese una sola muestra.
gl = 2 2 Sume los rangos en de cada muestra para hallar R1, R2 y R3:
= 0.10 R1 = 59.5
n1 = 5 R2 = 40.5
n2 = 7 R3 = 71
n2 = 6

H= + + 3(N+1)
( )
. .
H= + +
( )
93
5. Correlacin de rangos de Spearman
5.1. Correlacin
Se refiere al hecho de comprobar que existe algn tipo de relacin entre los datos de dos va-
riables. Es decir que si de alguna manera al cambiar los valores de los datos, en alguna medida
cambian los valores de la otra variable.
Medida de la correlacin
No todas las variables tienen el mismo grado de correlacin, por ello es indispensable medir
cun relacionadas estn. La medida de la correlacin se calcula mediante el coeficiente de
correlacin de Spearman.
Coeficiente de Spearman
s es el coeficiente de correlacin de Spearman para la poblacin.
rs es el coeficiente de correlacin de Spearman para la muestra.
Este coeficiente tiene valores que varan desde -1 hasta 1.
El valor del coeficiente se puede interpretar de la siguiente manera:
|rs| = 1 La correlacin es perfecta
0.6 < |rs| < 1 Fuerte correlacin
|rs| 0 Incorrelacin (no existe correlacin)
Se entiende entonces que cuanto ms cerca de -1 o 1 la correlacin es ms fuerte.
5.2. Prueba de hiptesis para la correlacin
Hiptesis
Se prueban las siguientes hiptesis:
H0: s = 0 No existe correlacin entre las variables A y B.
H1: s 0 Existe correlacin entre las variables A y B.
Para elegir el estadstico de prueba:
No existen empates en los rangos.
Existen empates en los rangos.
94
Valor crtico:
Depende del tamao de muestra o n = nmero de pares de datos:
n < 30 Tabla A-9
z
n 30 rs =
n 1
Regla de decisin:
Si |rs | > valor crtico; rechazar H0
Ejemplo 38 El artculo Objective Measurement of the Stretchability of Mozzarella Cheese (J.

of Texture Studies, 1992, 185-194) report sobre un experimento para investigar la variacin del
comportamiento del queso mozzarella con la temperatura. Considere los datos adjuntos sobre
temperatura y alargamiento (%) en el momento de la falla del queso (Devore, 2008).
Tabla 64. Temperatura y alargamiento del queso
Temp. F 59 63 68 72 74 78 83
% Alarg 118 182 247 208 197 135 132
Desarrolle una prueba, si no se conoce la distribucin de las poblaciones, para sustentar la ase-
veracin de que existe algn tipo de relacin entre estas dos variables:
Solucin:
H0: s = 0 No existe correlacin entre las variables temperatura y alargamiento.
H1: s 0 Existe correlacin entre las variables temperatura y alargamiento.
1 Como ninguna de las dos variables tiene datos expresados en rangos, debemos iniciar con
asignar rangos por separado.
1 2 3 4 5 6 7
Temp. F 59 63 68 72 74 78 83
% Alarg 118 182 247 208 197 135 132
1 4 7 6 5 3 2
2 No existen empates en las variables, as que el estadstico de prueba se calcula con:
6d2
rs = 1
(
n n2 1 )
95
Los rangos asignados en cada variable no ayudan a obtener :
x 1 2 3 4 5 6 7
y 1 4 7 6 5 3 2 suma
d 0 -2 -4 -2 0 3 5 0
6d2 6 ( 0)
d2 = 0, y reemplazando en la frmula rs = 1 = 1
(
n n 1
2
) (
7 72 1 )
rs = 1
3 El valor crtico obtenido de la tabla A-6 con n = 7 y = 0.05 es: 0.786
Como rs > 0.786 rechazamos H0 como verdadera.

Por tanto, existe evidencia muestral suficiente afirmar que existe correlacin entre
las variables temperatura y alargamiento.
6. Prueba de rachas
Llamada tambin prueba de aleatoriedad, es un procedimiento para determinar si un conjunto

de datos secuenciales es aleatorio. La prueba requiere:
- La muestra est ordenada de manera secuencial, es decir los datos se encuentren tal y
como fueron obtenidos.
- Los datos estn caracterizados en dos categoras.
Hiptesis:
H0: La secuencia es aleatoria.
H1: La secuencia no es aleatoria.
Si n1 20 y n2 20 y = 0.05 G (nmero de rachas)
Si n1 > 20 y n2 > 20
96
El valor crtico:
Si n1 20 y n2 20 y = 0.05 Tabla A-10 con n1 y n2
Si n1 > 20 y n2 > 20 Tabla A-2
Ejemplo 39 Se ha planteado una investigacin sobre la preferencia de ladrillos artesanales (A) y

ladrillos industriales (I). Una muestra de 15 hogares presenta la siguiente secuencia de resultados:
A A I A A A I I I A A A I A A
Al nivel del 5 % de significancia, la secuencia de datos es aleatoria1.
Solucin:
Datos:
n1 = 10 (A) H0: La secuencia de datos es aleatoria.
n2 = 5 (I) H1: La secuencia de datos no es aleatoria.
1 Determine el nmero de rachas (G) contando las agrupaciones que se han producido en los
datos de cada una de las dos categoras:
A A I A A A I I I A A A I A A
Existe 7 agrupaciones consecutivas entonces: G = 7 rachas
2 Determine los valores crticos en la tabla A-10 con n1 = 10 y n2 = 5.
Valores n2
2 3 4 5 6
1 2 3 3 4

Valores n1
9
6 8 10 12 13
1 2 3 3 4
10
6 8 10 12 13
1 Si desea ver otro ejemplo con datos numricos revise las diapositivas en: https://goo.gl/ccIlRy
97
Como G = 7 caen la zona de no rechazo, aceptamos H0 como verdadera.

Por tanto, existe evidencia muestral suficiente afirmar que la secuencia de
datos es aleatoria.
Quinteros, P. (2009). La importancia de la evaluacin del desempeo II parte, [artculo en
blog]. Disponible en: goo.gl/1iAWhH
98
Glosario de la Unidad III

E
Experimento. Actividad realizada con el propsito de obtener datos que permitan probar una
teora o hiptesis.
Muestras emparejadas. Revise muestras relacionadas.
Muestras independientes. Son dos o ms muestras que tienen elementos que no tienen ninguna
relacin con otros en otras muestras. De ninguna manera forman parejas o se asocian a valores
de otras muestras.
Muestras relacionadas. Dos o ms muestras que tienen elementos que forman pares o asocia-
ciones con los datos de otras muestras y que en general pertenecen a una misma unidad de
anlisis.
Multinomial. Se refiere a una variable que tiene mltiples categoras como puesto de trabajo:
gerente, jefe de rea, secretaria.
Prueba paramtrica. Procedimiento estndar para realizar una prueba de hiptesis con una
poblacin que tiene una distribucin normal o casi normal.
Prueba no paramtrica. Procedimiento para realizar una prueba de hiptesis cuando no se co-
noce el tipo de distribucin de las poblaciones.
Racha. Secuencia de sucesos iguales como bueno, bueno, bueno . . . o malo, malo, malo . . .
99
Bibliografa de la Unidad III
APTiTUS. (julio de 2009). La importancia de la evaluacin del desempeo - II parte [blog post].
Recuperado de: goo.gl/pw04QD
Devore, J. (2008). Probabilidad y estadstica para ingeniera y ciencias. Mxico D. F.: CENGA-
GE Learning.

Graw Hill.
INEI. (12 de mayo de 2016). ndice temtico: poblacin y vivienda.

Recuperado de: goo.gl/3fRuUA
Levin, R., & Rubin, D. (2004). Estadstica para administracin y economa (7ma. ed.). Mxico:
Pearson Education.
Mendehall, W. (2010). Introduccin a la probabilidad y estadstica (13. ed.) (trad. Jorge

Humberto Romo Muoz). Mxico D. F.: CENGAGE Learning.
Recuperado de: goo.gl/zADbwr
Triola, M. (2013). Estadstica (11. ed.). Mxico D. F.: Pearson Education.
100
Autoevaluacin n. 3
Lea con atencin los enunciados. Repase en el en manual el tema relacionado a la pregunta e
1. En el desarrollo de un nuevo mtodo para la determinacin de niveles de alcohol en la

sangre, se analiz cinco veces una muestra de sangre, con los resultados siguientes: 64.5,
66.0, 63.9, 65.1 y 64 mg/100 ml. El mtodo de anlisis estndar aplicado a la misma muestra
proporciona los siguientes resultados: 66.2, 65.8, 66.3, 65.6 y 66.5 mg/100ml. Utilizando la prueba
de suma de rangos de Wilcoxon con muestras apareadas, pruebe si los mtodos difieren
significativamente. (Determine tambin el estadstico de prueba con = 10%) (Universidad de
Granada, 2012)
a. No se rechaza Ho, x = 5, no existe no diferencia significativa.
b. No se rechaza Ho, T = 5, los mtodos no difieren significativamente.
c. No se rechazar Ho, T = 1, los mtodos difieren significativamente.
d. No se rechaza Ho, T = 10, los mtodos no difieren significativamente.
e. No se rechaza Ho, T = 1, los mtodos son iguales significativamente.
2. Una prueba de signo se dice no paramtrica porque se quiere probar una aseveracin que
a. No usa estadsticos o estadgrafos.
b. Solo usa datos muestrales.
c. No usa parmetros.
d. Solo emplea mediana en algunos casos.
e. No emplea la media, proporcin o varianza poblacionales.
3. En una prueba de suma de rangos con signo de Wilcoxon es cierto:
a. Se cuentan el nmero de signos negativos y se igualan a R.
b. Si existen empates, se asigna el promedio de los rangos a los empates.
c. Se suman los signos negativos y positivos, y la menor suma es T.
d. Se cuentan el nmero de rangos positivos y negativos, el menor es R.
e. No usa parmetros. Se suman los signos y rangos para probar medianas iguales.
4. Si rechazamos un valor hipottico porque difiere de un estadstico de la muestra en ms de

1.75 errores estndar, cul es la probabilidad de que hayamos rechazado una hiptesis que
de hecho es cierta? (Levin & Rubin, 2004, p. 323)
a. 0,05
b. 0,005
c. 0,06
101
d. 0,080
e. 0.10
5. Una distribucin Chi cuadrado se caracteriza por
I. El nivel de significancia es diferente para cada grado de libertad.
II. Sus valores pueden ser cero o positivos.
III. Es diferente para cada nmero de grados de libertad.
IV. La distribucin chi cuadrada no es simtrica.
V. A mayor grado de libertad su forma se hace ms normal.
a. II y IV
b, I, II y III
c. II, III y IV
d. III y V
e. No es I
6. En una prueba de bondad de ajuste, el tamao de la muestra n = 60, y las frecuencias estn
repartidas en una tabla de contingencia de cuatro filas y cinco columnas. El valor crtico al
0.01 de significancia es
a. 1.6706
b. 26.217
c. 13.277
d. 30.578
e. 27.688
7. Un sondeo de empleados de una compaa aseguradora se ocupaba de las relaciones entre

trabajadores y supervisores. Una frase de evaluacin era la siguiente: No estoy seguro de lo
que mi supervisor espera. Los resultados del sondeo se presentan en la siguiente tabla de
contingencia. Podemos rechazar la hiptesis de que las respuestas a la frase y los aos de
empleo son independientes al nivel de significacin de 0,10? (Elemental, 2012).
No estoy seguro de lo que mi supervisor espera

Aos de empleo
Verdadero Falso
Menos de 1 ao 18 13
De 1 a 3 aos 20 8
De 3 a 10 aos 28 9
a. x2 = 4.605, se rechaza Ho. Los aos de empleo y las respuestas son independientes.
b. El valor crtico es 2.567. Se rechaza Ho y las variables son dependientes.
c. x2 = 96, se rechaza Ho. Los aos de empleo y las respuestas no son independientes.
102
d. x2 = 2.567, no se rechaza Ho. Los aos de empleo y las respuestas son independientes.
e. El valor crtico es 4.605 y los grados de libertad 2. Se rechaza Ho.
8. El director de seguridad de la empresa Honda, de Estados Unidos, tom muestras al azar del
archivo de accidentes menores y los clasific de acuerdo al tiempo en que tuvo lugar cada
uno (Allen, 2000):
8a9 9 a 10 10a11 11a12 1a2 2a3 3a4 4a5

Hora
am am am pm pm pm pm pm
Nmero de
6 6 20 8 7 8 13 6
accidentes
Al nivel de significancia de 1%, se puede afirmar que el nmero de accidentes no depende

del horario de trabajo?
a. Se rechaza Ho, x2 = 18.475 (prueba), el nmero de accidentes depende de la hora de tra-

bajo.
b. No se rechaza Ho, x2 = 18.324 (crtico), el nmero de accidentes es independiente de la

hora de trabajo.
c. No se rechaza Ho, x2 = 18.324 (prueba), el nmero de accidentes y la hora de trabajo son

independientes.
d. Se rechaza Ho, x2 = 18.324 (crtico), el nmero de accidentes y la hora de trabajo no son

independientes.
e. Se rechaza Ho, x2 = 18.345 (prueba), el nmero de accidentes no depende de la hora de

trabajo.
9. En una prueba CHi cuadrado se plantean las hiptesis, de las cuales seran las formas correctas
de Ho:
I. Las frecuencias observadas son iguales a las esperadas.
II. Las frecuencias observadas son semejantes a las esperadas.
III. Las variables son independientes.
IV. Las variables son dependientes.
V. p1=p2=p3= . . .
a. I y II
b. I, III, V
c. II y IV
d. III, IV, Y
e. IV y V
10. La informacin que sigue result de un experimento para comparar los efectos de la vitamina
C de jugo de naranja y de cido ascrbico sinttico, sobre la duracin de odontoblastos en
conejillos de Indias en un periodo de seis semanas
103
Jugo de naranja 8.2 9.4 9.6 9.7 10.0 14.5
15.2 16.1 17.6 21.5 13.2
cido ascrbico 4.2 5.2 5.8 6.4 7.0 7.3
10.1 11.2 11.3 11.5 8.0
(Nutrition, J. (1947). The Growth of the Odontoblasts of the Incisor Tooth as a Criterion of the
Vitamin C Intake of the Guinea Pig, 491-504). Utilice la prueba Wilcoxon de prueba de rangos
al nivel 0.01 para determinar si la mediana verdadera de duracin difiere para los dos tipos
de ingesta de vitamina C. Calcule tambin un valor p apropiado (Jay, 2008).
a. H1: Med1 Med2, z = 2.575, el estadstico de prueba es 2.659. Las medianas son diferentes.
b. Ho: Med1 = Med2, valor crtico 5, T = 11, n = 11. Existe diferencia entre las medianas.
c. H1: Med1 Med2, z = 3.537, el estadstico de prueba es 2.575. Las medianas son diferentes.
d. H1: Mediana de las diferencias es cero, z = 2.575, T = 11. La mediana es diferente.
e. H1: 1 2, T = 5, el estadstico de prueba es 3.537. Las medias son diferentes.
104
UNIDAD IV
CORRELACION, REGRESIN Y CONTROL
ESTADSTICO DE PROCESOS
DIAGRAMA DE ORGANIZACIN DE LA UNIDAD IV

Resultados del aprendizaje de la Unidad IV: Al finalizar la unidad el estudiante estar en la capacidad de
realizar pronsticos utilizando el anlisis de correlacin y regresin y modelos de series de tiempo.

Tema n. 1: Correlacin y regresin 1. Analiza y valida la correlacin entre Valora reflexivamente la importancia de
1. Prueba de hiptesis de correlacin. variables. la interpretacin de los modelos de pre-
2. Propone y formula modelos lineales. diccin y de series de tiempo en la toma
2. Prueba de hiptesis para coeficien- de decisiones.
tes. 3. Calcula el intervalo de prediccin
3. Construccin del modelo lineal de para la estimacin de valores pro-
regresin. nosticados.
4. Intervalos de confianza y prediccin. 4. Identifica modelos de regresin ml-

tiple y los interpreta.
5. Regresin mltiple. Anlisis de multi-
colinealidad. 5. Realiza la suavizacin exponencial.
6. Validacin de modelos . 6. Construye modelos de series de

tiempo y analiza la tendencia y es-
tacionalidad.
Tema n. 2: Series temporales
7. Interpreta los modelos de series de
1. Modelos de series de tiempo. tiempo.
2. Promedios mviles y suavizamiento
exponencial. Actividad n. 1
3. Anlisis de tendencia. Participa del foro de discusin sobre cri-
terios de muestreo.
Actividad n. 2
Evaluacin del tema n 1 y el tema n. 2.
105
Correlacin y regresin
Tema n. 1
1. Correlacin y regresin lineal simple
1.1. Anlisis de correlacin lineal simple
Correlacin
En la unidad anterior se adelant el concepto de correlacin, que se trata de la existencia de

algn tipo de relacin entre los datos de dos o ms variables.
En esta unidad trataremos el tema desde el caso de tener solo dos variables involucradas, por
ello el nombre de lineal simple.
Diagrama de dispersin
Es un diagrama en el que se visualizan los datos pareados simbolizados con puntos, los que per-
miten tener una idea de la existencia de correlacin lineal entre las variables.
Figura 18. Diagrama de dispersin.
Correlacin lineal directa: Los valores de una de las variables aumentan, y los valores de la otra
tambin.
En los dos diagramas se puede apreciar que los puntos tienden a acomodarse en una forma
que se acercan bastante a una lnea recta, por ello se puede afirmar que existe correlacin
lineal entre los datos de las variables en la muestra.
Medida de la correlacin
La correlacin entre dos variables se mide con el coeficiente de correlacin lineal o de Pearson:
es el coeficiente de correlacin lineal en la poblacin.
r es el coeficiente de correlacin lineal en la muestra.
Los valores del coeficiente varan dentro del intervalo [-1; 1] y pueden interpretarse de la siguien-
te manera:
106
-1 0.8 0.6 0 0.60 0.80 1
Incorrelacin
lineal inversa
lineal inversa
Correlacin
Correlacin
correlacin
correlacin
correlacin
correlacin
correlacin
correlacin
Moderada
Moderada
perfecta
perfecta
Fuerte
Fuerte
Dbil
Dbil
1.2. Prueba de hiptesis
La prueba es a dos colas. Se prueba si existe correlacin lineal entre las variables mediante el
coeficiente de correlacin lineal.
Hiptesis:
H0: = 0 No existe correlacin lineal entre las variables X e Y.
H1: 0 Existe correlacin lineal entre las variables X e Y.
n xy x y
Prueba simplificada (Triola, 2013) r=
n x ( x) 2 n y 2 ( y ) 2
2
r
t=
Prueba T 1 r2
n2
Valor crtico:
Con n, nmero de pares de datos en la tabla A-6,

Prueba simplificada (Triola, 2013)
si |r| valor crtico, rechace H0 como verdadera.
Con gl = n - 2 y en la tabla A-3,

Prueba T
si |t| valor crtico, rechace H0 como verdadera.
Tabla 65. Resistencia de suelos con contenido de grava
Resist
% Grav.
kg/cm2
8 10
22 25
10 15
3 7
12 16
15 18
30 42
18 21
25 37
107
Ejemplo 40:
En el clculo de la resistencia de suelos tienen mucha importancia los componentes del suelo es-
tudiado. La tabla 65 resume las resistencias encontradas en 9 terrenos con diferentes contenidos
de arena o grava. Al nivel de 5% de significancia se puede decir que el contenido de arena en
el suelo influye en su resistencia?
Solucin:
H0: = 0. No existe correlacin lineal entre las variables resistencia y cantidad de arena del suelo.
H1: 0. Existe correlacin lineal entre las variables resistencia y cantidad de arena del suelo.
1. Realice un grfico de dispersin que le permita definir si existe la posibilidad de la correlacin

lineal entre las variables:
45
40
Resistencia kg/cm2
35
30
25
20
15
10
5
0
0 5 10 15 20 25 30 35
% de grava
Figura 19. Grfico de dispersin de resistencia de suelos
El grfico nos dice que existe una marcada tendencia lineal en los datos. Podemos asegurar que
existe correlacin lineal entre los datos de las variables en la muestra.
2. Calculamos el estadstico de prueba:
Tabla 66. Estadstico de prueba de resistencia del suelo.
Resist
%Grav.
kg/cm2 X2 Y2 XY
X Calculamos las sumatorias:
Y
8 10 64 100 80
X = 143
22 25 484 625 550
10 15 100 225 150 Y = 191
3 7 9 49 21
X2 = 2875
12 16 144 256 192
15 18 225 324 270 Y2 = 5153
30 42 900 1764 1260
XY = 3826
18 21 324 441 378
25 37 625 1369 925
143 191 2875 5153 3826
108
Reemplazando en la frmula:
n xy x y 9(3826) (143)(191)
r= = = 0.9718
n x 2 ( x) 2 n y 2 ( y ) 2 9(2875) (143) 2 9(5153) (191) 2
3. El valor crtico de la tabla A-6, si n = 6 y = 0.05:
Valor crtico = 0.666
Como |r| > valor crtico rechazamos H0 como verdadera.
Existe evidencia muestral suficiente para confirmar que existe correlacin lineal
entre las variables resistencia y contenido de arena del suelo.
1.3. Anlisis de regresin lineal simple
Cuando se ha descubierto que existe correlacin lineal entre las variables, entonces se puede
averiguar por un modelo matemtico que se ajuste mejor a los datos. Este modelo debe dibujar
una recta, la cual ser aquella que se acerca ms a todos los puntos en el grfico de dispersin.
Encontrar este modelo matemtico es realizar una regresin.
Modelo lineal simple

El modelo lineal es y = b0 + b1 x
Pendiente:
n xy x y
b1 =
n x 2 ( x) 2

Intercepto:
b0 = y b1 x
Si la pendiente es positiva, la relacin es directa, y si la pendiente es negativa, la relacin es

inversa.
Utilidad del modelo
Cuando conseguimos el modelo lineal de regresin, de inmediato nos preguntamos si este es

aplicable a los datos de la poblacin.
Entonces podemos poner a prueba el valor de la pendiente, ya que sabemos que existe corre-
lacin lineal. Cabe la posibilidad de que la pendiente sea cero, entonces la ecuacin de regre-
sin se convertira en una relacin horizontal igual a una constante.
109

y = b0 + (0) x

y = b0
Figura 20. Relacin horizontal de una ecuacin de regresin.
Prueba para la pendiente del modelo de regresin lineal
H0: 1 = 0 La pendiente es cero. La ecuacin es constante.
H1: 1 0 La pendiente no es cero. La ecuacin no es constante.
Estadstico de prueba
Donde Desv. Est. de los x
Valor crtico
Tabla A-3 con gl = n-2 y
Ejemplo 41: Con los datos del ejemplo 35, buscaremos el modelo de regresin y probaremos que
la ecuacin es vlida.
Datos:
n=9
gl = 7 Pendiente: Pendiente:
X = 143 b0 =
Y = 191 b1 =
( )
X2 = 2875 b0 = 21.2222 1.3124(15.8889)
Y2 = 5153 ( ) ( )( ) b0 = 0.3699
b1 =
XY = 3826 ( ) ( )
= 21.222
= 15.889 b1 = 1.3124
El mejor modelo de regresin es y = 0.3699 + 1.3124X.
110
Prueba para la pendiente:
H0: 1 = 0 La pendiente es cero. La ecuacin es constante.
H1: 1 0 La pendiente no es cero. La ecuacin no es constante.
Estadstico de prueba
t=
( )
Donde:
( )
Sx = = 8.6811
Se=
n=9
( . )( ) ( . )( )
Se=
Se= 8.7036
Tabla 67 .
Reemplazando:
Valor crco
t=
( ) gl = 9-2
gl = 7
. = 0.05
t= .
.
-2 365
-2.365 2.365
t = 3.6999
Como |t| > Valor crtico rechazamos H0 como verdadera.
Existe evidencia muestral para confirmar que la ecuacin no
es constante, es vlida.
1.4. Utilizar el modelo para realizar pronsticos
Si queremos usar el modelo hallado para hacer pronsticos, es necesario tener en cuenta:
Los valores deben tomarse del intervalo de datos de la muestra o no muy alejados de este
intervalo.
El resultado se debe tomar como un promedio de todos los posibles resultados cuando x
toma un valor particular.
Si no existiese correlacin, la mejor proyeccin es la media de Y.
111
Ejemplo 42. Continuamos con el ejercicio 40: Cul sera el valor de la resistencia de un suelo con
un contenido de 28 % de grava?
Si el mejor modelo de regresin es y = 0.3699 + 1.3124
X = 28
y = 0.3699 + 1.3124
y = 0.3699 + 1.3124(28)
y = 37.1171 kg/cm2
1.5. Bondad de ajuste
Se denomina as a la capacidad que tiene un modelo para explicar las variaciones en la varia-
ble dependiente (Y). Su valor se calcula con coeficiente de determinacin.
Coeficiente de determinacin:
R2 = r2
R2 se expresa en porcentaje generalmente.
Ejemplo 43: Con los datos del ejemplo 35, encontramos el valor de r = 0.9718 y el modelo hallado
es y = 0.3699 + 1.3124
Cul es la bondad de ajuste del modelo? Qu proporcin de la variacin de la resistencia del

suelo puede explicarse por el modelo?
R2 = 0.97182
R2 = 0.94 44
R2 = 94.44% es la bondad de ajuste del modelo, es la proporcin de la variacin

de la resistencia del suelo (Y) que puede explicar la relacin contenido de arena-
resistencia del suelo, es decir, el modelo y y = 0.3699 + 1.3124X.
1.6. Intervalos de confianza y prediccin
Cuando realizamos un clculo de prediccin de Y usando la ecuacin de regresin, obtenemos

un valor que es uno de muchos otros resultados probables. Recuerde que el modelo de correla-
cin que se tiene es un modelo probabilstico; es decir que, por ejemplo, si hablramos del peso
y de la estatura de las personas, y tenemos una ecuacin que predice el peso (y) en funcin de
la estatura (x), no podramos asegurar de que para cualquier persona que mide 1.67 m el peso
sea siempre 69 kg como lo calculara la ecuacin de regresin.
112
Por ello, el resultado que se obtiene al usar la ecuacin de regresin se puede entender como
un promedio, una estimacin puntual del verdadero valor de y cuando x toma un valor de-
terminado.
Si deseamos ms precisin, deberemos emplear un intervalo:
El margen de error E:
Se: Error estndar de la estimacin.
t/2: Valor crtico a dos colas en la tabla A-3 con gl = n-2
Ejemplo 44. Con los datos del ejercicio de la unidad (ejemplo 40), determine un intervalo de
confianza al 95% de confianza para la resistencia del terreno cuando la proporcin de arena es
de 28%.
Datos:
r = 0.9718 E = set/2 1 + +
( )
x = 28 ( )
= 15.8889
=143 E = 8.7036 (2.365) 1 + +
( . )
( )
= 2875
= 0.3699 + 1.3124 E = 23.9554

= 0.3699 + 1.3124 (28) Intervalo de confianza:
= 37.1171 kg/cm2
E<y< +E
Se= 8.7036
t/2 = 2.365 37.117123.9554 < y < 37.1171+23.9554
gl = 7
13.162 < y < 61.073 kg/cm2
= 0.05
Tenemos la confianza del 95 % de que el verdadero valor de la resistencia
de suelo a la compresin esta entre 13.162 y 61.073 kg/cm2 cuando la
proporcin de arena es de 28 %.
2. Correlacin y regresin lineal mltiple
En este caso se trata de averiguar si un conjunto de variables independientes est relacionado

con otro de variables dependientes.
y = b + b x + b x + b x ...
0 1 1 2 2 3 3
113
2.1. Anlisis de correlacin mltiple
Se trata de averiguar en primer lugar si existe correlacin lineal mltiple entre las variables inde-
pendientes (x1, x2, x3, ) y la variable dependiente (y).
Grado de correlacin mltiple
El coeficiente de correlacin mltiple es el coeficiente de determinacin lineal modificado, de-

bido a que cuanto ms variables independientes se agreguen al modelo este coeficiente se
incrementa sin reflejar el verdadero valor del grado de correlacin existente entre las variables.
Por ello se emplea:
Coeficiente de ajustado de determinacin:
n 1
R2 = 1 (1 R 2 )
n (k 1)
Si n = tamao de muestra, k = nmero de variables independientes
Anlisis de correlacin
H0: = 0. No existe correlacin lineal mltiple entre las variables.
H1: 0. Existe correlacin lineal mltiple entre las variables.
El proceso se lleva a cabo mediante ANOVA y se obtiene fcilmente usando un software como
Excel, SPSS o Minitab.
Ejemplo 45. La siguiente tabla incluye las longitudes del muslo, las circunferencias del brazo y las
estaturas de hombres elegidos al azar. Todas las medidas estn en centmetros. Utilice esos datos
para resolver: la estatura promedio a la alcanzada por una persona con longitud de muslo de 42
cm, circunferencia de brazo de 32 cm.
Tabla 68. Estatura promedio de una persona en relacin a la longitud de su muslo y

la circunferencia de su brazo.
Muslo 40.9 43.1 38.0 41.0 46.0
Brazo 33.7 30.3 32.8 31.0 36.2
Estatura 166 178 160 174 173
En Excel >> Datos >> Anlisis de datos
114
Elegimos la opcin Regresin y

luego clic en el botn Aceptar.
Elija los datos y

columna estatura.
Seleccione los datos x
(dos columnas
primeras).
Active rtulos y nivel de
confianza.
Elija la celda de inicio
de salida de resultados
y clique en Aceptar:
De la primera tabla: R2 ajustado = 0.95409.
Con la tabla ANOVA respondemos a las hiptesis:
H0: = 0. No existe correlacin lineal mltiple entre las variables.
H1: 0. Existe correlacin lineal mltiple entre las variables.
Tabla 69. ANOVA de la relacin entre estatura y longitud de muslo y contorno del brazo.
ANLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crtico
F
libertad cuadrados los cuadrados de F
Regresin 2 200.0988 100.0493 42.5633 0.02295509
Residuos 2 4.701202 2.3506
Total 4 204.8
115
El valor P = 0.02295 < = 0.05. Rechazamos H0 como verdadera. Existe correlacin lineal mltiple
entre estatura y longitud de muslo y contorno de brazo.
La tercera tabla brinda la oportunidad de determinar si todas las variables consideradas para
este anlisis debieron ser consideradas o no:
Tabla 70. Variables que debieron ser consideradas o no.
Inferior 95 Superior
Coeficientes Error tpico Estadstico t Probabilidad
% 95 %
Intercepcin 140.443 12.8076 10.9656 0.0082 85.3363 195.5496
Muslo 2.4960 0.2846 8.7674 0.0128 1.2711 3.7210
Brazo -2.2737 0.3613 -6.2920 0.0243 -3.8286 -0.7189
Si la ecuacin de regresin en la poblacin es
H0: 1 = 0 H0: 2 = 0
H1: 1 0 H1: 2 0
Valor P = 0.0128 < = 0.05 Valor P = 0.0243 < = 0.05
Rechazamos H0, por tanto, x1 s contribuye en Rechazamos H0, por tanto, x2 s contribuye en
la ecuacin y debe mantenerse. la ecuacin y debe mantenerse.
Como las dos pruebas ratifican la necesidad de considerar las dos variables x, entonces la
ecuacin de regresin es
y = 140.443 + 2.4960x - 2.2737x
1 2
Para los datos del problema x1 = 42 y x2 = 32
y = 140.443 + 2.4960(42) - 2.2737(32)
y = 172.5166 cm
3. Correlacin no lineal: construccin de modelos
No todas las relaciones entre las variables pueden acomodarse a una forma lineal. Algunas
correlaciones se ajustan mejor a una forma curvilnea, como lo muestra el grfico de dispersin:
En estos casos se tiene varios modelos que podran muy bien acomodarse a los datos.
116
Figura 21. Forma curvilnea de algunas correlaciones.
3.1. Modelos de regresin no lineal
Estos modelos son apropiados para la regresin por cuanto pueden linealizarse mediante mto-
dos matemticos.
3.2. Coeficiente de determinacin R2
Este coeficiente mide el nivel de bondad de ajuste de un modelo; por tanto, podemos usarlo
como medida de comparacin de la eficiencia del modelo.
Para calcularlo se pueden usar software como Excel, SPSS, Minitab o calculadoras como la casio
fx82s.
3.3. Buscar el mejor modelo
Busque un patrn en la grfica. Utilice los datos muestrales para construir una grfica (por
ejemplo, un diagrama de dispersin). Luego, compare el patrn bsico con las grficas
genricas conocidas de las funciones lineales, cuadrticas, logartmicas, exponenciales
y potencia.
Calcule y compare valores de R2 para cada modelo que considere. Debe utilizar progra-
mas de cmputo o una calculadora para hallar el valor del coeficiente de determinacin
R2. Los valores de R2 se pueden interpretar aqu de la misma forma que se interpretaron
en la seccin de regresin lineal: seleccione funciones que den como resultado valores
117
ms grandes de R2, ya que corresponden a funciones que se ajustan mejor a los puntos
observados.
Reflexione. Aplique el sentido comn. No utilice un modelo que conduzca a valores pre-
dichos que son poco realistas. Utilice el modelo para calcular valores futuros, valores pa-
sados y valores faltantes; luego, determine si los resultados son realistas y lgicos.
Ejemplo 46: Un experimento para una clase de fsica implica dejar caer una pelota de golf y
registrar la distancia (en metros) que cae en diferentes tiempos (en segundos) despus de ser
soltada. Los datos se incluyen en la siguiente tabla. Proyecte la distancia para un tiempo de 12
segundos, considerando que la pelota de golf se dej caer de un edificio con una altura de 50
m.
Tabla 71. Distancia que cae una pelota de golf en diferentes tiempos
Tiempo 0.5 1 1.5 2 2.5 3 4 5
Distancia 2 5.4 7 18 30.5 44 100 260
Solucin:
1. Realice el grfico de dispersin:
Figura 22. Forma curvilnea de correlacin no lineal entre el tiempo y la distancia a la que cae una pelota de golf.
Se puede ver que los puntos, tienen una forma curvilnea. Por tanto, la correlacin es no lineal.
Tabla 72. Datos de la correlacin entre el tiempo y la distancia a la que cae una pelota de golf
Modelo R2
Log. 0.7135
Exp. 0.9792
Pot. 0.9480
Inv. 0.2572
2. Ingresamos los datos en la calculadora Casio fx82s y obtenemos los coeficientes de determi-
nacin:
Como se puede apreciar el modelo que tiene un coeficiente de determinacin ms cercano a

1 es el modelo exponencial.
118
3. Obtenga la ecuacin de regresin. La ecuacin general es:

y = b * eb1x , en su calculadora A = b = 1.6962 y B = b = 1.0439, entonces la ecuacin de regre-
0 0 0
sin ser:
y = 1.6962e1.0439x
4. Pronstico cuando el tiempo es x = 12 s.

y =1.6962e1.0439x = 1.6962e(1.0439(12))
y = 467516.7495 m.
119
Series temporales
Tema n. 2
Una serie temporal se produce cuando se tiene una variable que vara conforme pasa el tiem-
po. Es probable que las observaciones cambien en funcin del desarrollo de sucesos, aconteci-
mientos o fenmenos que se comportan de manera dialctica.
Las ventas, los gastos, el PBI, la produccin de una fbrica, los clientes atendidos y el desarrollo
de factores econmicos son ejemplos de aplicacin del anlisis de series temporales. En todos
ellos los datos suceden en el tiempo y varan aleatoriamente.
Por esto, una serie temporal se conoce como un suceso estocstico de variable discreta-dis-
creta y discreta-continua. Se compone de los datos aleatorios tomados sucesivamente lo que
configura una grfica como la siguiente
1.8
1.6
1.4
Mediciones
1.2
1
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25
Tiempo
Figura 23. Datos aleatorios en el tiempo.
Una serie temporal es, en realidad, una unin de componentes que son los que configuran el
comportamiento de la serie. Estos componentes son la tendencia, la estacionalidad, la varia-
cin cclica, y la aleatoria.
1. Componentes de una serie temporal
1.1. Tendencia
La tendencia en una serie temporal causa que la serie se mueva de manera ascendente, des-
cendente o de forma constante. Su clculo se realiza empleando los mtodos de la regresin
vistos en el tema 1.
1.8 1.8 1.8

1.6 1.6 1.6
1.4 1.4 1.4
1.2 1.2 1.2
Mediciones
Mediciones
Mediciones
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25
Tiempo Tiempo Tiempo
Figura 24. Componente tendencia de una serie temporal.
120
1.2. Estacional
La estacionalidad en una serie temporal ocasiona que una serie se mueva de arriba hacia de-
bajo de manera peridica en periodos cortos, generalmente en periodos de un ao. Es decir,
las variaciones suceden ao a ao en las mismas fechas, como las estaciones. Por ello, este
componente recibe el nombre de estacionalidad.
Repeticiones
estacionales
Figura 25. Componente estacional de una serie temporal.
Se puede analizar por medio de mtodos de suavizamiento como promedios mviles.
1.2.1. Promedio mviles
Los promedios mviles pueden ser de dos tipos: pares e impares.
a. Promedios mviles impares
Los promedios se toman de 3, 5, 7 . . . datos sucesivos.
Ejemplo 47: Calcule los promedios mviles de amplitud 3.
Tabla 73. Promedios mviles PM3
= (345+342+338)/3
= (342+338+347)/3
Se le dice tcnica de suavizamiento porque el efecto de graficar los promedios produce la lnea
naranja en el grfico que se muestra a continuacin.
121
Figura 26. Tcnica de suavizamiento
b. Promedios mviles pares
En este caso los promedios son tomados de 2, 4, 6, datos sucesivos:
Ejemplo 48: Calcule los promedios mviles de amplitud 4:
Se realiza en dos etapas: se calcula el promedio mvil, para lo cual se toman 4 datos y luego
se procede a calcular; se calculan los promedios mviles de 2 de los promedios de 4:
Tabla 74. Promedios mviles PM4
Los promedios mviles no son centrados; es decir, cuando se calculan no corresponden a nin-
gn periodo particular de tiempo (t). Por ejemplo, el primer promedio mvil es 343.00 y se sita
entre el segundo y tercer dato.
Si se vuelve a calcular el promedio mvil de 2 en 2, entonces este promedio s corresponde con

un periodo. Por ejemplo, 342.875 corresponde a t = 3.
La grfica resultante es la siguiente:
122
y
PM4
Figura 27. Promedios mviles.
Elegir un tipo de promedio mvil
El periodo o amplitud del promedio mvil se elige en funcin de la periodicidad que se pueda
aprecia en el grfico. Ejemplo:
Figura 28: Estacionalidad. Fuente: propia.
Se puede apreciar en este grfico una secuencia repetida de 3 puntos antes de un pico; por
tanto, el promedio mvil que debe aplicarse debera ser de amplitud 3 (PM3).
Componente estacional:
Ei = *f
1.3. Cclico
En las series temporales, este componente se refiere a movimientos de amplitud muy grande
(por ejemplo, de 4 a ms aos) y que hacen que la serie cambie su tendencia a largo plazo.
123
8000
6000
4000
2000
0
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
Figura 29. Componente cclico. Tomada de Universidad de Valladolid, 2012.
Ejemplo de las causas de estas variaciones son los cambios de gobiernos democrticos, el fen-
meno del nio, etctera.
1.4. Irregular
Este componente es producto de sucesos que de manera aleatoria influyen en el desarrollo de

la serie causando variaciones atpicas. No se puede saber cundo ocurrirn, ni en qu magnitud
afectarn un suceso, por ello es difcil de analizarlos y calcularlos.
Ejemplos de estos sucesos son las guerras, la muerte de lderes polticos, cambios climticos pro-
ducto del calentamiento global, crisis financieras, etctera.
1.5. Modelos de series temporales
Las series temporales pueden componerse por medio de
Modelo aditivo
T E C A
Figura 30. Modelo aditivo. Fuente: Elaboracin propia.
Modelo multiplicativo
T E C A
Figura 31. Modelo multiplicativo. Fuente: Elaboracin propia.
En nuestro desarrollo, emplearemos el modelo multiplicativo.
124
2. Anlisis de series temporales
Para explicar este proceso realizaremos la solucin de un caso:
Ejemplo 49: Los siguientes datos corresponden a las ventas trimestrales (en miles de pesos) alcan-
zadas por una compaa en el transcurso de 10 aos (Daz, 2013).
Solucin:
Tabla 75. Ventas trimestrales en 10 aos
Ao T1 T2 T3 T4
1 747 927 783 1215
2 882 1089 909 1386
3 1089 1305 1143 1539
4 1233 1440 1278 1728
5 1566 1773 1620 2079
6 1638 1845 1674 2160
7 1800 1998 1845 2259
8 2007 2259 2061 2493
9 2223 2421 2259 2682
10 2322 2583 2340 2898
a. Calcule el componente estacional o ecuacin de regresin.
b. Determine los ndices estacionales.
c. Determine un pronstico de las ventas trimestrales para el ao 11.
a. Anlisis de tendencia
Con los datos, haciendo uso de una calculadora o de Excel y ordenando los datos de manera
vertical, obtenemos la ecuacin de regresin.
Figura 32. Ecuacin de regresin de las ventas trimestrales en el transcurso de 10 aos.
Por tanto, la componente de tendencia se calcular con la ecuacin de regresin lineal:
125
b. ndices estacionales
Como se puede ver en el grfico, los puntos se mueven arriba abajo y el pico ms alto se pro-
duce cada 4 puntos. Por tanto, el promedio mvil a calcular es de amplitud 4 (PM4).
3500
3000
2500
2000
1500
1000
500
0
0 2 4 6 8 10 12 14
Figura 33. Promedio mvil de amplitud 4 .
Calculamos los promedios mviles PM4:
Tabla 76. Clculo de los PM4.
Ventas
Ao Trimestre t y
PM4
1 T1 1 747
T2 2 927 918.00
T3 3 783 951.75 934.875
T4 4 1215 992.25 972.000
2 T1 5 882 1023.75 1008.000
T2 6 1089 1066.50 1045.125
T3 7 909 1118.25 1092.375
T4 8 1386 1172.25 1145.250
3 T1 9 1089 1230.75 1201.500
T2 10 1305 1269.00 1249.875
T3 11 1143 1305.00 1287.000
T4 12 1539 1338.75 1321.875
4 T1 13 1233 1372.50 1355.625
T2 14 1440 1419.75 1396.125
T3 15 1278 1503.00 1461.375
T4 16 1728 1586.25 1544.625
5 T1 17 1566 1671.75 1629.000
T2 18 1773 1759.50 1715.625
T3 19 1620 1777.50 1768.500
T4 20 2079 1795.50 1786.500
6 T1 21 1638 1809.00 1802.250
T2 22 1845 1829.25 1819.125
T3 23 1674 1869.75 1849.500
T4 24 2160 1908.00 1888.875
7 T1 25 1800 1950.75 1929.375
T2 26 1998 1975.50 1963.125
T3 27 1845 2027.25 2001.375
T4 28 2259 2092.50 2059.875
8 T1 29 2007 2146.50 2119.500
T2 30 2259 2205.00 2175.750
T3 31 2061 2259.00 2232.000
T4 32 2493 2299.50 2279.250
9 T1 33 2223 2349.00 2324.250
T2 34 2421 2396.25 2372.625
T3 35 2259 2421.00 2408.625
T4 36 2682 2461.50 2441.250
10 T1 37 2322 2481.75 2471.625
T2 38 2583 2535.75 2508.750
T3 39 2340
T4 40 2898
126
De la ecuacin general:
y = T * E * C * I despejando E = Y Y
=
T * C * I PM
Determinamos el valor de los coeficientes estacionales E0 =Y/PM4
Tabla 77. Coeficientes estacionales
Ventas Y/PM4
Ao Trimestre t
y PM4 EO
1 T1 1 747
T2 2 927
T3 3 783 934.875 0.8375
T4 4 1215 972.000 1.2500
2 T1 5 882 1008.000 0.8750
T2 6 1089 1045.125 1.0420
T3 7 909 1092.375 0.8321
T4 8 1386 1145.250 1.2102
3 T1 9 1089 1201.500 0.9064
T2 10 1305 1249.875 1.0441
T3 11 1143 1287.000 0.8881
T4 12 1539 1321.875 1.1643
4 T1 13 1233 1355.625 0.9095
T2 14 1440 1396.125 1.0314
T3 15 1278 1461.375 0.8745
T4 16 1728 1544.625 1.1187
5 T1 17 1566 1629.000 0.9613
T2 18 1773 1715.625 1.0334
T3 19 1620 1768.500 0.9160
T4 20 2079 1786.500 1.1637
6 T1 21 1638 1802.250 0.9089
T2 22 1845 1819.125 1.0142
T3 23 1674 1849.500 0.9051
T4 24 2160 1888.875 1.1435
7 T1 25 1800 1929.375 0.9329
T2 26 1998 1963.125 1.0178
T3 27 1845 2001.375 0.9219
T4 28 2259 2059.875 1.0967
8 T1 29 2007 2119.500 0.9469
T2 30 2259 2175.750 1.0383
T3 31 2061 2232.000 0.9234
T4 32 2493 2279.250 1.0938
9 T1 33 2223 2324.250 0.9564
T2 34 2421 2372.625 1.0204
T3 35 2259 2408.625 0.9379
T4 36 2682 2441.250 1.0986
10 T1 37 2322 2471.625 09395
T2 38 2583 2508.750 1.0296
T3 39 2340
T4 40 2898
Los valores de la ltima columna son valores no estandarizados, por ello se debe proceder a
estandarizarlos. Copiamos la ltima columna y la ordenamos por trimestres y aos en una tabla
de doble entrada:
1 2 3 4 5 6 7 8 9 10
T1 0.8750 0.9064 0.9095 0.9613 0.9089 0.9329 0.9469 0.9564 0.9395
T2 1.0420 1.0441 1.0314 1.0334 1.0142 1.0178 1.0383 1.0204 1.0296
T3 0.8375 0.8321 0.8881 0.8745 0.9160 0.9051 0.9219 0.9234 0.9379
T4 1.2500 1.2102 1.1643 1.1187 1.1637 1.1435 1.0967 1.0938 1.0986
127
Se debe sacar un promedio de cada trimestre:
Promed. Los ndices deben corregirse multiplicando Promed. Prom*fc
T1 0.9263 cada promedio por el factor de correccin fc: T1 0.9263 0.9267
T2 1.0301 fc = 4/3.9982 T2 1.0301 1.0306
T3 0.8930 T3 0.8930 0.8933
T4 1.1488 Los resultados obtenidos son los ndices o com- T4 1.1488 1.1493
3.9982 ponentes estacionales: 3.9982
Comp. Estacional
T1 E1 = 0.9267
T2 E2 = 1.0306
T3 E3 = 0.8933
T4 E4 = 1.1493
c. La proyeccin para el ao 11
T= y = 780.4731+46.6818x
T= y = 780.4731+46.6818(11)
T = 1293.9729
ET1 = 0.9267
ET2 = 1.0306
ET3 = 0.8933
ET4 = 1.1493
Proyecciones:
Trimestre 1 y = T*E = 1293.9729*0.9267 = 1199.124686

1
Trimestre 2 y = T*E = 1293.9729*1.0306 = 1333.568471

2
Trimestre 3 y = T*E = 1293.9729*0.8933 = 1155.905992

3
Trimestre 4 y = T*E = 1293.9729*1.1493 = 1487.163054

4
Vidal-Beneyto, J. (2004, 14 de febrero). Las cuentas secuestradas. El Pas. Recuperado de:

https://goo.gl/SzuRgy
128
Glosario de la Unidad IV
B
Bondad de ajuste. Medida de la capacidad de un modelo de regresin para explicar las varia-
ciones en la variable dependiente. Lo que tambin nos lleva decir que es la medida de lo bien
que se ajusta un modelo a los datos de dos variables correlacionadas.
Linealizar. Mtodo matemtico que permite transformar una ecuacin exponencial, logartmi-
ca, etctera, en una ecuacin lineal con la finalidad de aplicar el anlisis de correlacin y re-
gresin lineal.
Suavizamiento. Proceso del mtodo de anlisis de series temporales que permite quitar la com-
ponente estacional de la serie.
Variable dependiente. Es la variable con valores que cambian en alguna medida al cambiar los
valores de la variable independiente.
Variable independiente. Variable que tiene la cualidad de tener datos que cuando se produ-
cen, provocan que la variable dependiente los produzca.
129
Bibliografa de la Unidad IV
Cerrn, C. (2013). Manual autoformativo del curso de Estadstica II. Huancayo, Junn, Per.
Daz, A. (2013). Estadstica aplicada a la administracin y la economa. Mxico D. F.: Mc-

Graw Hill.
INEI. (Mayo de 2006). ndice temtico. Recuperado de: goo.gl/B4142e
Triola, M. (2013). Estadstica. (11.a ed.). Mxico D. F.: Pearson Education.
Universidad de Valladolid. (13 de abril de 2012). Probabilidad y estadstica orientada a la

economa y la empresa [pgina web]. Recuperado de: goo.gl/41Ck0B
Vidal-Beneyto, J. (14 de febrero de 2004). Las cuentas secuestradas. El Pas. Recuperado de:
goo.gl/ZnBkSp
130
Autoevaluacin n. 4
Lea con atencin los enunciados. Repase en el manual el tema relacionado a la pregunta e
1. Una serie temporal es
a. Resultados de un proceso estocstico de variable aleatoria y tiempo discretos.
b. Resultados de un proceso estocstico de variable numrica aleatoria y tiempo discreto.
c. Resultados de un proceso aleatorio variable y el tiempo secuencial.
d. Una variable cuantitativa continua que produce resultados en el tiempo.
e. Secuencia de resultados estocsticos en el tiempo.
2. Si al calcular el coeficiente de correlacin de dos variables X e Y se tiene r = -0.890 (lineal),

ocurre que
a. El modelo lineal de regresin explica el 89% de la varianza de una variable cualquiera en

funcin de la otra.
b. Existe correlacin lineal y la pendiente de la recta de regresin es grande.
c. X e Y correlacionadas, aun cuando X decrece, pero Y tiene tendencia a crecer.
d. Existe correlacin lineal y la pendiente de la recta de regresin es pequea.
e. Existe correlacin lineal directa entre las variables X e Y.
3. Tiempo de respuesta: El servicio de serenazgo de la ciudad para ciertos lugares es un

problema. El jefe de esta oficina est preocupado por el tiempo de respuesta a las llamadas
de emergencia. Ordena una investigacin para determinar si la distancia del lugar de la
llamada medida en kilmetros puede explicar el tiempo de respuesta, medido en minutos.
Basndose en 37 emergencias se recolectaron los siguientes datos:
Distancia (km) 4 5 6 7 9 10 12 14
Tiempo (mint) 8 6 13 23 30 24 28 42
Al 0.05 de significancia, existe alguna razn para afirmar que la distancia no tiene que ver
con el tiempo de demora?
M1 M2 M3
78 92 81
89 81 91
83 70 85
86 82 87
89 84 93
88 96
81
131
a. Las muestras no son aleatorias, r = 0.9305, se rechaza Ho, distancia y tiempo son indepen-
dientes.
b. d2 = 8, el valor del estadstico de prueba es 0.738, no se rechaza H0 y no existe relacin.
c. rs = 0.738, no se rechaza H0; la distancia no es el factor que influye en el tiempo de demora.
d. rs = 0.9048, se rechaza H0; existe evidencia muestral para afirmar lo contrario.
e. Rs2 = 0.9048, existe una correlacin no lineal. Los tiempos estn afectados por las distancias.
4. Se tiene un proceso de trabajo en una empresa de construccin de maquinaria para la

industria pesquera. Este proceso puede realizarse de tres formas diferentes. Se capacita a
los trabajadores sobre estos mtodos en grupos separados. Una evaluacin final arroja los
siguientes resultados en puntajes de 0 a 100. Realiza una prueba de Kruskal Wallis. Se puede
afirmar que alguno de los mtodos presenta una diferencia significativa?
a. El valor crtico es 5.991, no se rechaza Ho; por tanto, ninguno de los mtodos marca diferen-
cia.
b. Estadstico de prueba = 6.045, se rechaza Ho. Entonces, por lo menos uno de los mtodos
es diferente.
c. El valor crtico es 6.045, se rechaza Ho; en consecuencia, las medias no son iguales.
d. El estadstico de prueba es 5.991. Entonces, no existe evidencia muestral para firmar que
sean iguales.
e. El valor crtico es 7.915, Ho no se rechaza; por tanto, no existe diferencia en los mtodos.
5. Qu no es cierto sobre el coeficiente de correlacin de Spearman?
I. Si se tiene un valor de 1,23, entonces existe una supercorrelacin.
II. Si las variables estn asociadas, entonces el valor de rs es menor al de la tabla.
III. Si rs es tal que supera en valor absoluto al valor de la tabla, se rechaza Ho.
IV. En todo caso, rs pertenece al intervalo [-1; 1]
V. Si las variables dependen una de la otra, entonces se ha rechazado Ho.
a. I, II y IV
b. III y IV
c. III, IV y V
d. I y V
e. I, II, V
6. A los siguientes datos:
Intereses (S/. miles) 6 16 9 102 56 24

Tiempo (aos) 84 100 120 12 18 41
Se ajusta mejor un modelo:
132
a. Lineal:
b. Exponencial:
c. Potencial:
d. Inverso:
e. Logartmico:
7. Qu es cierto sobre la pendiente de una recta en una funcin de regresin lineal Y=b0+b1X?
I. Representa el incremento de Y por cada unidad de incremento de X.
II. Tiene el mismo signo que r.
III. Es el valor de la variable Y cuando X = 0.
IV. Tiene el mismo valor que r.
V. Es b1 el valor de la inclinacin de la recta de regresin.
a. II, III, V
b. I, II, V
c. III, V
d. IV, V
e. I, III, V
8. Dos variables numricas se encuentran incorrelacionadas, entonces:
a. Las variables tienen un diagrama de puntos no lineal.
b. El modelo lineal de regresin solo propone el valor de como prediccin de Y.
c. 0 al nivel de significancia de 0.05.
d. La nube de puntos no presenta aspecto creciente.
e. La variacin de Y es igual para cualquier valor de x.
9. Una serie temporal es la interaccin de
a. La tendencia, la aleatoriedad, la secuencia y la variacin cclica.
b. La variacin estacional, variacin cclica, la secuencial y la irregular.
c. La variacin estacional, variacin secuencial, la correlacin lineal y la irregular.
d. La tendencia, la variacin estacional, variacin cclica y la irregular.
e. Variacin cclica, la irregular, secuencial y la variacin estacional.
10. Cules de las siguientes no son razones para estudiar tanto tendencias seculares como
variacin estacional?
133
a. Permite la separacin de los componentes de la serie temporal.
b. Describe patrones pasados.
c. Describe el comportamiento del tiempo en la variable.
d. Proyecta patrones pasados hacia el futuro.
e. Desarrolla un modelo matemtico ajustado a los patrones de la variable.
134
Apndices
APNDICE A. Datos de empleados de Mariana S. A.
N. CAT. INGRESO
ID SEXO GRAD_INST TIEM.
HIJOS LAB. (MILES)
1 Hombre Universidad inconcluso 6 Admin. $40.20 98
6 Mujer Universidad inconcluso 4 Admin. $30.30 98
11 Mujer Tcnico 2 Admin. $22.35 95
15 Hombre Primaria 7 Admin. $22.50 94
135
N. CAT. INGRESO
ID SEXO GRAD_INST TIEM.
HIJOS LAB. (MILES)
87 Mujer Universidad inconcluso 4 Admin. $32.85 64
88 Mujer Doctorado 4 Admin. $36.00 45
91 Hombre Universidad inconcluso 2 Direct. $103.75 97
92 Hombre Maestra 0 Direct. $110.63 96
97 Hombre Universidad 1 Direct. $68.75 89
98 Hombre Doctorado 4 Direct. $59.38 89
103 Mujer Universidad inconcluso 4 Direct. $54.38 81
105 Mujer Universidad inconcluso 1 Direct. $43.00 79
107 Hombre Secundaria 3 Direct. $59.40 74
112 Hombre Doctorado 4 Direct. $158.00 46
113 Hombre Secundaria 3 Segur. $30.75 95
116 Hombre Primaria 2 Segur. $30.75 87
Fuente: Propia.
136
APNDICE B. Tabla de nmeros aleatorios.
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20
4 8 2 4 6 6 3 5 4 5 6 0 5 2 6 9 8 0 0 9
9 2 9 8 1 4 4 1 9 8 5 1 1 9 7 9 8 5 9 0
0 2 1 3 3 9 1 6 2 9 7 1 2 6 6 0 7 5 6 4
9 6 0 8 3 5 6 6 6 4 0 8 6 3 4 8 1 8 5 4
1 6 4 1 6 5 2 7 7 2 9 9 9 9 7 4 1 5 4 9
2 9 0 5 5 0 8 4 8 7 4 6 2 1 7 0 1 5 8 7
6 1 2 9 5 0 4 0 9 8 2 0 2 6 8 7 0 1 9 7
1 3 1 8 9 9 0 1 2 6 3 7 1 9 6 1 7 9 9 8
4 5 8 1 1 4 5 6 7 9 9 9 2 1 3 2 3 7 7 9
0 0 3 6 9 6 5 0 6 4 7 9 8 1 2 4 4 8 3 6
7 2 4 5 4 1 2 4 4 6 9 2 6 6 6 5 2 0 0 4
4 9 3 4 4 2 4 5 9 0 8 7 4 8 4 2 1 2 5 4
6 1 2 8 1 3 3 2 0 2 6 0 7 2 7 9 1 4 6 5
9 3 4 0 8 1 3 3 7 3 2 4 8 6 7 9 0 6 2 8
1 8 7 1 3 4 3 9 3 1 7 8 3 7 3 3 0 8 3 5
0 2 1 4 7 5 7 3 1 1 9 3 3 8 7 4 8 0 2 5
3 6 3 4 1 9 8 1 0 9 0 1 1 0 9 3 6 8 6 0
9 4 6 7 6 7 9 1 2 2 7 2 3 9 3 4 6 9 8 1
5 9 9 8 4 4 5 9 1 5 4 7 3 0 6 8 1 6 8 1
8 1 8 8 2 3 9 1 4 2 4 9 1 4 0 6 0 3 2 8
0 5 3 8 0 4 3 9 4 6 0 8 8 3 8 7 1 2 2 3
9 7 1 4 2 7 5 5 2 8 6 6 3 5 5 9 9 0 6 8
6 9 5 9 4 9 1 8 2 0 2 5 3 9 1 2 0 3 0 8
7 4 9 1 4 8 8 6 6 8 5 9 4 8 5 7 7 9 6 7
3 8 1 2 2 4 0 1 4 5 7 7 4 0 4 8 9 4 7 0
9 9 9 7 8 0 0 9 3 2 7 0 5 0 2 7 8 7 3 6
4 8 1 5 8 5 5 1 4 9 6 4 4 4 7 4 5 7 5 0
8 6 7 3 6 1 7 1 1 3 5 5 7 4 4 7 6 7 2 8
4 7 1 4 0 3 6 2 4 4 4 4 0 3 6 3 4 1 2 8
6 5 5 8 8 4 3 4 8 9 0 6 7 6 0 0 8 6 8 4
9 2 0 9 8 2 8 3 4 3 2 8 9 4 8 7 9 4 9 4
1 3 7 9 4 8 3 7 0 8 6 6 6 8 4 1 1 3 1 3
3 3 2 5 6 7 6 1 6 6 1 7 6 5 8 1 6 2 2 7
9 9 9 8 2 8 8 1 9 1 6 2 7 5 1 8 6 1 4 4
1 7 5 4 0 9 5 7 8 7 5 0 8 6 6 2 5 3 2 3
2 7 1 7 8 8 3 8 6 9 9 2 7 4 5 9 5 6 6 6
6 0 9 2 6 1 5 1 2 3 1 8 1 2 0 8 6 4 4 0
3 3 6 3 4 9 6 4 4 9 8 5 7 3 3 4 2 3 2 8
0 1 9 7 9 7 9 4 4 1 6 6 7 7 0 7 9 8 6 8
4 7 1 5 3 7 0 9 2 5 2 1 0 0 4 0 4 6 8 8
7 8 9 9 6 8 5 6 8 1 9 2 7 5 1 7 0 1 5 5
2 2 3 3 1 8 1 9 8 4 2 8 5 2 8 1 7 6 4 6
2 6 6 4 1 4 8 1 0 6 0 1 3 4 0 9 1 2 8 6
5 1 9 0 3 9 1 6 1 7 8 8 2 8 0 7 8 4 8 0
9 0 5 8 4 9 2 2 3 9 8 5 9 5 7 8 4 9 9 4
8 6 1 9 2 5 0 0 7 9 0 0 7 4 5 4 8 6 2 3
1 9 1 0 9 7 5 1 2 7 1 9 4 8 4 8 9 6 6 9
5 6 0 6 1 3 3 5 2 1 0 1 9 2 8 0 2 6 6 3
8 6 9 9 8 0 8 1 8 2 6 6 8 4 0 7 8 2 5 1
3 1 6 1 0 5 7 5 7 0 6 3 0 4 1 4 0 3 0 8
Fuente: Cerrn, 2013.
137
APNDICE C. Tablas de valores Z de la distribucin normal estndar
Tabla A2. Distribucin Normal de Valores - z
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 * 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 * 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
Nota: Para valores de z menores que -3.49 utilice 0.0001 como rea.
*Utilice valores comunes que resultan por interpolacin.
z = -1.645 rea = 0.0500
z = -2.575 rea = 0.0050
Valores comunes crticos
Nivel de confianza Valor crtico
0.90 1.645
0.95 1.96
0.99 2.575
138
Tabla A3. Distribucin t: Valores crticos t
2 colas 0.90 0.80 0.70 0.50 0.30 0.20 0.10 0.05 0.02 0.01 0.005 0.002 0.001 a
1 cola 0.45 0.4 0.35 0.25 0.15 0.1 0.05 0.025 0.01 0.005 0.0025 0.001 0.0005 a
gl Valores t
1 0.158 0.325 0.510 1.000 1.963 3.078 6.314 12.706 31.821 63.657 127.321 318.309 636.619
2 0.142 0.289 0.445 0.816 1.386 1.886 2.920 4.303 6.965 9.925 14.089 22.327 31.599
3 0.137 0.277 0.424 0.765 1.250 1.638 2.353 3.182 4.541 5.841 7.453 10.215 12.924
4 0.134 0.271 0.414 0.741 1.190 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.132 0.267 0.408 0.727 1.156 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 0.131 0.265 0.404 0.718 1.134 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.130 0.263 0.402 0.711 1.119 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.130 0.262 0.399 0.706 1.108 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.129 0.261 0.398 0.703 1.100 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.129 0.260 0.397 0.700 1.093 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.129 0.260 0.396 0.697 1.088 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.128 0.259 0.395 0.695 1.083 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.128 0.259 0.394 0.694 1.079 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.128 0.258 0.393 0.692 1.076 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 0.128 0.258 0.393 0.691 1.074 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 0.128 0.258 0.392 0.690 1.071 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 0.128 0.257 0.392 0.689 1.069 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 0.127 0.257 0.392 0.688 1.067 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 0.127 0.257 0.391 0.688 1.066 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 0.127 0.257 0.391 0.687 1.064 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 0.127 0.257 0.391 0.686 1.063 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 0.127 0.256 0.390 0.686 1.061 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 0.127 0.256 0.390 0.685 1.060 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.768
24 0.127 0.256 0.390 0.685 1.059 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 0.127 0.256 0.390 0.684 1.058 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 0.127 0.256 0.390 0.684 1.058 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 0.127 0.256 0.389 0.684 1.057 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 0.127 0.256 0.389 0.683 1.056 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 0.127 0.256 0.389 0.683 1.055 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 0.127 0.256 0.389 0.683 1.055 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
31 0.127 0.256 0.389 0.682 1.054 1.309 1.696 2.040 2.453 2.744 3.022 3.375 3.633
32 0.127 0.255 0.389 0.682 1.054 1.309 1.694 2.037 2.449 2.738 3.015 3.365 3.622
34 0.127 0.255 0.389 0.682 1.052 1.307 1.691 2.032 2.441 2.728 3.002 3.348 3.601
36 0.127 0.255 0.388 0.681 1.052 1.306 1.688 2.028 2.434 2.719 2.990 3.333 3.582
38 0.127 0.255 0.388 0.681 1.051 1.304 1.686 2.024 2.429 2.712 2.980 3.319 3.566
40 0.126 0.255 0.388 0.681 1.050 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
45 0.126 0.255 0.388 0.680 1.049 1.301 1.679 2.014 2.412 2.690 2.952 3.281 3.520
50 0.126 0.255 0.388 0.679 1.047 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496
55 0.126 0.255 0.387 0.679 1.046 1.297 1.673 2.004 2.396 2.668 2.925 3.245 3.476
60 0.126 0.254 0.387 0.679 1.045 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
65 0.126 0.254 0.387 0.678 1.045 1.295 1.669 1.997 2.385 2.654 2.906 3.220 3.447
70 0.126 0.254 0.387 0.678 1.044 1.294 1.667 1.994 2.381 2.648 2.899 3.211 3.435
75 0.126 0.254 0.387 0.678 1.044 1.293 1.665 1.992 2.377 2.643 2.892 3.202 3.425
80 0.126 0.254 0.387 0.678 1.043 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416
90 0.126 0.254 0.387 0.677 1.042 1.291 1.662 1.987 2.368 2.632 2.878 3.183 3.402
100 0.126 0.254 0.386 0.677 1.042 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390
200 0.126 0.254 0.386 0.676 1.039 1.286 1.653 1.972 2.345 2.601 2.839 3.131 3.340
300 0.126 0.254 0.386 0.675 1.038 1.284 1.650 1.968 2.339 2.592 2.828 3.118 3.323
500 0.126 0.253 0.386 0.675 1.038 1.283 1.648 1.965 2.334 2.586 2.820 3.107 3.310
750 0.126 0.253 0.385 0.675 1.037 1.283 1.647 1.963 2.331 2.582 2.815 3.101 3.304
1000 0.126 0.253 0.385 0.675 1.037 1.282 1.646 1.962 2.330 2.581 2.813 3.098 3.300
2000 0.126 0.253 0.385 0.675 1.037 1.282 1.646 1.961 2.328 2.578 2.810 3.094 3.295
Grande 0.126 0.253 0.385 0.675 1.036 1.282 1.645 1.960 2.327 2.576 2.808 3.091 3.291
139
Tabla A4. Distribucin chi cuadrada (X2)
0.05
F

gl 0.995 0.990 0.975 0.950 0.900 0.100 0.075 0.050 0.025 0.010 0.005 0.001
1 0.000 0.000 0.001 0.004 0.016 2.706 3.170 3.841 5.024 6.635 7.879 10.828
2 0.010 0.020 0.051 0.103 0.211 4.605 5.181 5.991 7.378 9.210 10.597 13.816
3 0.072 0.115 0.216 0.352 0.584 6.251 6.905 7.815 9.348 11.345 12.838 16.266
4 0.207 0.297 0.484 0.711 1.064 7.779 8.496 9.488 11.143 13.277 14.860 18.467
5 0.412 0.554 0.831 1.145 1.610 9.236 10.008 11.070 12.833 15.086 16.750 20.515

6 0.676 0.872 1.237 1.635 2.204 10.645 11.466 12.592 14.449 16.812 18.548 22.458
7 0.989 1.239 1.690 2.167 2.833 12.017 12.883 14.067 16.013 18.475 20.278 24.322
8 1.344 1.646 2.180 2.733 3.490 13.362 14.270 15.507 17.535 20.090 21.955 26.124
9 1.735 2.088 2.700 3.325 4.168 14.684 15.631 16.919 19.023 21.666 23.589 27.877
10 2.156 2.558 3.247 3.940 4.865 15.987 16.971 18.307 20.483 23.209 25.188 29.588

11 2.603 3.053 3.816 4.575 5.578 17.275 18.294 19.675 21.920 24.725 26.757 31.264
12 3.074 3.571 4.404 5.226 6.304 18.549 19.602 21.026 23.337 26.217 28.300 32.909
13 3.565 4.107 5.009 5.892 7.042 19.812 20.897 22.362 24.736 27.688 29.819 34.528
14 4.075 4.660 5.629 6.571 7.790 21.064 22.180 23.685 26.119 29.141 31.319 36.123
15 4.601 5.229 6.262 7.261 8.547 22.307 23.452 24.996 27.488 30.578 32.801 37.697

16 5.142 5.812 6.908 7.962 9.312 23.542 24.716 26.296 28.845 32.000 34.267 39.252
17 5.697 6.408 7.564 8.672 10.085 24.769 25.970 27.587 30.191 33.409 35.718 40.790
18 6.265 7.015 8.231 9.390 10.865 25.989 27.218 28.869 31.526 34.805 37.156 42.312
19 6.844 7.633 8.907 10.117 11.651 27.204 28.458 30.144 32.852 36.191 38.582 43.820
20 7.434 8.260 9.591 10.851 12.443 28.412 29.692 31.410 34.170 37.566 39.997 45.315

21 8.034 8.897 10.283 11.591 13.240 29.615 30.920 32.671 35.479 38.932 41.401 46.797
22 8.643 9.542 10.982 12.338 14.041 30.813 32.142 33.924 36.781 40.289 42.796 48.268
23 9.260 10.196 11.689 13.091 14.848 32.007 33.360 35.172 38.076 41.638 44.181 49.728
24 9.886 10.856 12.401 13.848 15.659 33.196 34.572 36.415 39.364 42.980 45.559 51.179
25 10.520 11.524 13.120 14.611 16.473 34.382 35.780 37.652 40.646 44.314 46.928 52.620

26 11.160 12.198 13.844 15.379 17.292 35.563 36.984 38.885 41.923 45.642 48.290 54.052
27 11.808 12.879 14.573 16.151 18.114 36.741 38.184 40.113 43.195 46.963 49.645 55.476
28 12.461 13.565 15.308 16.928 18.939 37.916 39.380 41.337 44.461 48.278 50.993 56.892
29 13.121 14.256 16.047 17.708 19.768 39.087 40.573 42.557 45.722 49.588 52.336 58.301
30 13.787 14.953 16.791 18.493 20.599 40.256 41.762 43.773 46.979 50.892 53.672 59.703

31 14.458 15.655 17.539 19.281 21.434 41.422 42.948 44.985 48.232 52.191 55.003 61.098
33 15.815 17.074 19.047 20.867 23.110 43.745 45.311 47.400 50.725 54.776 57.648 63.870
35 17.192 18.509 20.569 22.465 24.797 46.059 47.663 49.802 53.203 57.342 60.275 66.619
37 18.586 19.960 22.106 24.075 26.492 48.363 50.005 52.192 55.668 59.893 62.883 69.346
40 20.707 22.164 24.433 26.509 29.051 51.805 53.501 55.758 59.342 63.691 66.766 73.402

50 27.991 29.707 32.357 34.764 37.689 63.167 65.030 67.505 71.420 76.154 79.490 86.661
60 35.534 37.485 40.482 43.188 46.459 74.397 76.411 79.082 83.298 88.379 91.952 99.607
70 43.275 45.442 48.758 51.739 55.329 85.527 87.680 90.531 95.023 100.425 104.215 112.317
80 51.172 53.540 57.153 60.391 64.278 96.578 98.861 101.879 106.629 112.329 116.321 124.839
90 59.196 61.754 65.647 69.126 73.291 107.565 109.969 113.145 118.136 124.116 128.299 137.208
100 67.328 70.065 74.222 77.929 82.358 118.498 121.017 124.342 129.561 135.807 140.169 149.449
Fuente: Triola, 2013.
140
Tabla A6. Valores crticos Tabla A7. Valores crticos para la Tabla A8. Valores crticos para Tabla A9. Valores crticos para la
para el coeficiente de prueba de rangos con signo de la prueba de fuego prueba de rangos de Spearman
correlacin de Pearson r Wilcoxon
n n =0.10 =0.05 =0.02 =0.01

4 0.95 0.999 0.005 0.01 0.025 0.05 1 cola 0.005 0.01 0.025 0.05 1 cola 5 0.9 ---- ---- ----
n n
5 0.878 0.959 0.01 0.02 0.05 0.1 2 colas 0..01 0.02 0.05 0.1 2 colas 6 0.829 0.886 0.943 ----
6 0.811 0.917 1 * * * * 5 * * * 1 7 0.714 0.786 0.893 0.929
7 0.754 0.875 2 * * * * 6 * * 1 2 8 0.643 0.738 0.833 0.881
8 0.707 0.834 3 * * * * 7 * 0 2 4 9 0.600 0.700 0.783 0.833
9 0.666 0.798 4 * * * * 8 0 2 4 6 10 0.564 0.648 0.745 0.794
10 0.632 0.765 5 * * * 0 9 2 3 6 8 11 0.536 0.618 0.709 0.755
11 0.602 0.735 6 * * 0 0 10 3 5 8 11 12 0.503 0.587 0.678 0.727
12 0.576 0.708 7 * 0 0 0 11 5 7 11 14 13 0.484 0.56 0.648 0.703
13 0.553 0.684 8 0 0 0 1 12 7 10 14 17 14 0.464 0.538 0.626 0.679
14 0.532 0.661 9 0 0 1 1 13 10 13 17 21 15 0.446 0.521 0.604 0.654
15 0.514 0.641 10 0 0 1 1 14 13 16 21 26 16 0.429 0.503 0.582 0.635
16 0.497 0.623 11 0 1 1 2 15 16 20 25 30 17 0.414 0.485 0.566 0.615
17 0.482 0.606 12 1 1 2 2 16 19 24 30 36 18 0.401 0.472 0.550 0.600
18 0.468 0.59 13 1 1 2 3 17 20 28 35 41 19 0.391 0.460 0.535 0.584
19 0.456 0.575 14 1 2 2 3 18 28 33 40 47 20 0.380 0.447 0.520 0.570
20 0.444 0.561 15 2 2 3 3 19 32 38 46 54 21 0.370 0.435 0.508 0.556
25 0.396 0.505 16 2 2 3 4 20 37 43 52 60 22 0.361 0.425 0.496 0.544
30 0.361 0.463 17 2 3 4 4 21 43 49 59 68 23 0.353 0.415 0.486 0.532
35 0.335 0.43 18 3 3 4 5 22 49 56 66 75 24 0.344 0.406 0.476 0.521
40 0.312 0.402 19 3 4 4 5 23 55 62 73 83 25 0.337 0.398 0.466 0.511
45 0.294 0.378 20 3 4 5 5 24 61 69 81 92 26 0.331 0.390 0.457 0.501
50 0.279 0.361 21 4 4 5 6 25 68 77 90 101 27 0.324 0.382 0.448 0.491
60 0.254 0.33 22 4 5 5 6 26 76 85 98 110 28 0.317 0.375 0.440 0.483
70 0.236 0.305 23 4 5 6 7 27 84 93 107 120 29 0.312 0.680 0.433 0.475
80 0.22 0.286 24 5 5 6 7 28 92 102 117 130 30 0.306 0.362 0.425 0.467
90 0.207 0.269 25 5 6 7 7 29 100 111 127 141
NOTA:
100 0.196 0.256 30 109 120 137 152 Para n > 30 utilice rs = donde z corresponde a
1. * indica que no es posible obtener un valor en la regin
nivel de significancia.
NOTA: crca. No rechace Ho. 1. * indica que no es posible obtener un valor en la regin
Para una prueba Ho: contra H1: Por ejemplo, si = 0.05, entonces z = 1.96
2. Rechace la hptesis nula si el nmero del signo menos crca. No rechace Ho.
frecuente (x) es menor o igual al valor crco de la tabla. 2. Rechace la hiptesis nula si el estadstico de prueba (T) es
rechace Ho si el valor absoluto de r es 3. Para valores de n > 25, se utiliza una aproximacin normal menor o igual que el valor crco en la tabla.
mayor que el valor crco en la tabla. con: 3. Para valores de n > 30, se utiliza una aproximacin normal
. con:
= ( )
z= ( )( )
141
142
Tabla A5. Distribucin F = 0,025
Grados de libertad del numerador (gl1)

1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 30000
1 647.79 799.50 864.16 899.58 921.85 937.11 948.22 956.66 963.28 968.63 976.71 984.87 993.10 997.25 1001.41 1005.60 1009.80 1014.02 1018.24
2 38.506 39.000 39.165 39.248 39.298 39.331 39.355 39.373 39.387 39.398 39.415 39.431 39.448 39.456 39.465 39.473 39.481 39.490 39.498
3 17.4434 16.0441 15.4392 15.1010 14.8848 14.7347 14.6244 14.5399 14.4731 14.4189 14.3366 14.2527 14.1674 14.1241 14.0805 14.0365 13.9921 13.9473 13.9022
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 8.4613 8.4111 8.3604 8.3092 8.2575
5 10.0070 8.4336 7.7636 7.3879 7.1464 6.9777 6.8531 6.7572 6.6811 6.6192 6.5245 6.4277 6.3286 6.2780 6.2269 6.1750 6.1225 6.0693 6.0155
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 5.0652 5.0125 4.9589 4.9044 4.8493
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 4.4150 4.3624 4.3089 4.2544 4.1989 4.1426
8 7.5709 6.0595 5.4160 5.0526 4.8173 4.6517 4.5286 4.4333 4.3572 4.2951 4.1997 4.1012 3.9995 3.9472 3.8940 3.8398 3.7844 3.7279 3.6704
9 7.2093 5.7147 5.0781 4.7181 4.4844 4.3197 4.1970 4.1020 4.0260 3.9639 3.8682 3.7694 3.6669 3.6142 3.5604 3.5055 3.4493 3.3918 3.3331
10 6.9367 5.4564 4.8256 4.4683 4.2361 4.0721 3.9498 3.8549 3.7790 3.7168 3.6209 3.5217 3.4185 3.3654 3.3110 3.2554 3.1984 3.1399 3.0800
11 6.7241 5.2559 4.6300 4.2751 4.0440 3.8807 3.7586 3.6638 3.5879 3.5257 3.4296 3.3299 3.2261 3.1725 3.1176 3.0613 3.0035 2.9441 2.8830
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 2.9633 2.9063 2.8478 2.7874 2.7252
13 6.4143 4.9653 4.3472 3.9959 3.7667 3.6043 3.4827 3.3880 3.3120 3.2497 3.1532 3.0527 2.9477 2.8932 2.8372 2.7797 2.7204 2.6590 2.5957
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 2.7324 2.6742 2.6142 2.5519 2.4875
15 6.1995 4.7650 4.1528 3.8043 3.5764 3.4147 3.2934 3.1987 3.1227 3.0602 2.9633 2.8621 2.7559 2.7006 2.6437 2.5850 2.5242 2.4611 2.3956
16 6.1151 4.6867 4.0768 3.7294 3.5021 3.3406 3.2194 3.1248 3.0488 2.9862 2.8890 2.7875 2.6808 2.6252 2.5678 2.5085 2.4471 2.3831 2.3165
17 6.0420 4.6189 4.0112 3.6648 3.4379 3.2767 3.1556 3.0610 2.9849 2.9222 2.8249 2.7230 2.6158 2.5598 2.5020 2.4422 2.3801 2.3153 2.2477
18 5.9781 4.5597 3.9539 3.6083 3.3820 3.2209 3.0999 3.0053 2.9291 2.8664 2.7689 2.6667 2.5590 2.5027 2.4445 2.3842 2.3214 2.2558 2.1872
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 2.3937 2.3329 2.2696 2.2032 2.1336
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 2.3486 2.2873 2.2234 2.1562 2.0856
21 5.8266 4.4199 3.8188 3.4754 3.2501 3.0895 2.9686 2.8740 2.7977 2.7348 2.6368 2.5338 2.4247 2.3675 2.3082 2.2465 2.1819 2.1141 2.0425
Grados de libertad del denominador (gl2)

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 2.3890 2.3315 2.2718 2.2097 2.1446 2.0760 2.0035
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 2.2389 2.1763 2.1107 2.0415 1.9680
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 2.2090 2.1460 2.0799 2.0099 1.9356
25 5.6864 4.2909 3.6943 3.3530 3.1287 2.9685 2.8478 2.7531 2.6766 2.6135 2.5149 2.4110 2.3005 2.2422 2.1816 2.1183 2.0516 1.9811 1.9058
26 5.6586 4.2655 3.6697 3.3289 3.1048 2.9447 2.8240 2.7293 2.6528 2.5896 2.4908 2.3867 2.2759 2.2174 2.1565 2.0928 2.0257 1.9545 1.8784
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 2.1334 2.0693 2.0018 1.9299 1.8530
28 5.6096 4.2205 3.6264 3.2863 3.0626 2.9027 2.7820 2.6872 2.6106 2.5473 2.4484 2.3438 2.2324 2.1735 2.1121 2.0477 1.9797 1.9072 1.8295
29 5.5878 4.2006 3.6072 3.2674 3.0438 2.8840 2.7633 2.6686 2.5919 2.5286 2.4295 2.3248 2.2131 2.1540 2.0923 2.0276 1.9591 1.8861 1.8075
30 5.5675 4.1821 3.5894 3.2499 3.0265 2.8667 2.7460 2.6513 2.5746 2.5112 2.4120 2.3072 2.1952 2.1359 2.0739 2.0089 1.9400 1.8664 1.7870
40 5.4239 4.0510 3.4633 3.1261 2.9037 2.7444 2.6238 2.5289 2.4519 2.3882 2.2882 2.1819 2.0677 2.0069 1.9429 1.8752 1.8028 1.7242 1.6375
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 1.8152 1.7440 1.6668 1.5810 1.4826
120 5.1523 3.8046 3.2269 2.8943 2.6740 2.5154 2.3948 2.2994 2.2217 2.1570 2.0548 1.9450 1.8249 1.7597 1.6899 1.6141 1.5299 1.4327 1.3110
##### 5.0240 3.6889 3.1162 2.7859 2.5666 2.4083 2.2876 2.1919 2.1137 2.0484 1.9448 1.8326 1.7085 1.6402 1.5660 1.4836 1.3884 1.2685 1.0173
Tabla A5. Distribucin F = 0,05 0.05
Grados de libertad del numerador (gl1)

1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 30000
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 243.91 245.95 248.01 249.05 250.10 251.14 252.20 253.25 254.31
2 18.513 19.000 19.164 19.247 19.296 19.330 19.353 19.371 19.385 19.396 19.413 19.429 19.446 19.454 19.462 19.471 19.479 19.487 19.496
3 10.1280 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 8.5720 8.5494 8.5265
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.0410 5.9988 5.9644 5.9117 5.8578 5.8025 5.7744 5.7459 5.7170 5.6877 5.6581 5.6282
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 4.3651
6 5.9874 5.1433 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.0990 4.0600 3.9999 3.9381 3.8742 3.8415 3.8082 3.7743 3.7398 3.7047 3.6690
7 5.5914 4.7374 4.3468 4.1203 3.9715 3.8660 3.7870 3.7257 3.6767 3.6365 3.5747 3.5107 3.4445 3.4105 3.3758 3.3404 3.3043 3.2674 3.2299
8 5.3177 4.4590 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 2.9277
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 2.7068
10 4.9646 4.1028 3.7083 3.4780 3.3258 3.2172 3.1355 3.0717 3.0204 2.9782 2.9130 2.8450 2.7740 2.7372 2.6996 2.6609 2.6211 2.5801 2.5381
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.9480 2.8962 2.8536 2.7876 2.7186 2.6464 2.6090 2.5705 2.5309 2.4901 2.4480 2.4046
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 2.3410 2.2964
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144 2.6710 2.6037 2.5331 2.4589 2.4202 2.3803 2.3392 2.2966 2.2524 2.2066
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458 2.6022 2.5342 2.4630 2.3879 2.3487 2.3082 2.2664 2.2229 2.1778 2.1309
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 2.0660
16 4.4940 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 2.0098
17 4.4513 3.5915 3.1968 2.9647 2.8100 2.6987 2.6143 2.5480 2.4943 2.4499 2.3807 2.3077 2.2304 2.1898 2.1477 2.1040 2.0584 2.0107 1.9606
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 1.9171
19 4.3807 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227 2.3779 2.3080 2.2341 2.1555 2.1141 2.0712 2.0264 1.9795 1.9302 1.8782
20 4.3512 3.4928 3.0984 2.8661 2.7109 2.5990 2.5140 2.4471 2.3928 2.3479 2.2776 2.2033 2.1242 2.0825 2.0391 1.9938 1.9464 1.8963 1.8434
21 4.3248 3.4668 3.0725 2.8401 2.6848 2.5727 2.4876 2.4205 2.3660 2.3210 2.2504 2.1757 2.0960 2.0540 2.0102 1.9645 1.9165 1.8657 1.8119
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 1.9380 1.8894 1.8380 1.7833
Grados de libertad del denominador (gl2)

23 4.2793 3.4221 3.0280 2.7955 2.6400 2.5277 2.4422 2.3748 2.3201 2.2747 2.2036 2.1282 2.0476 2.0050 1.9605 1.9139 1.8648 1.8128 1.7572
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 1.9390 1.8920 1.8424 1.7896 1.7333
25 4.2417 3.3852 2.9912 2.7587 2.6030 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 1.7112
26 4.2252 3.3690 2.9752 2.7426 2.5868 2.4741 2.3883 2.3205 2.2655 2.2197 2.1479 2.0716 1.9898 1.9464 1.9010 1.8533 1.8027 1.7488 1.6908
27 4.2100 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 1.6719
28 4.1960 3.3404 2.9467 2.7141 2.5581 2.4453 2.3593 2.2913 2.2360 2.1900 2.1179 2.0411 1.9586 1.9147 1.8687 1.8203 1.7689 1.7138 1.6543
29 4.1830 3.3277 2.9340 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 1.6379
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 1.6225
40 4.0847 3.2317 2.8387 2.6060 2.4495 2.3359 2.2490 2.1802 2.1240 2.0772 2.0035 1.9245 1.8389 1.7929 1.7444 1.6928 1.6373 1.5766 1.5092
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.1665 2.0970 2.0401 1.9926 1.9174 1.8364 1.7480 1.7001 1.6491 1.5943 1.5343 1.4673 1.3896
120 3.9201 3.0718 2.6802 2.4472 2.2899 2.1750 2.0868 2.0164 1.9588 1.9105 1.8337 1.7505 1.6587 1.6084 1.5543 1.4952 1.4290 1.3519 1.2543
##### 3.8415 2.9958 2.6050 2.3720 2.2141 2.0986 2.0096 1.9385 1.8799 1.8308 1.7522 1.6664 1.5706 1.5173 1.4592 1.3940 1.3181 1.2215 1.0145
143
Tabla A10. Valores crticos para el nmero de Rachas G
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2
2
6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
3
6 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
1 1 1 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 4
4
6 8 9 9 9 10 10 10 10 10 10 10 10 10 10 10 10 10 10
1 1 2 2 3 3 3 3 3 4 4 4 4 4 4 4 5 5 5
5
6 8 9 10 10 11 11 12 12 12 12 12 12 12 12 12 12 12 12
1 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6 6
6
6 8 9 10 11 12 12 13 13 13 13 14 14 14 14 14 14 14 14
1 2 2 3 3 3 4 4 5 5 5 5 5 6 6 6 6 6 6
7
6 8 10 11 12 13 13 14 14 14 14 15 15 16 16 16 16 16 16
1 2 3 3 3 4 4 5 5 5 6 6 6 6 7 7 7 7 7
8
6 8 10 11 12 13 14 14 15 15 16 16 16 16 17 17 17 17 17
1 2 3 3 4 4 5 5 5 6 6 6 7 7 7 7 8 8 8
9
6 8 10 12 13 14 14 15 16 16 16 17 17 18 18 18 18 18 18
1 2 3 3 4 5 5 5 6 6 7 7 7 7 8 8 8 8 9
10
6 8 10 12 13 14 15 16 16 17 17 18 18 18 19 19 19 20 20
1 2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9 9
11
6 8 10 12 13 14 15 16 17 17 18 19 19 19 20 20 20 21 21
2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10 10
12
6 8 10 12 13 14 16 16 17 18 19 19 20 20 21 21 21 22 22
2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10 10
13
6 8 10 12 14 15 16 17 18 19 19 20 20 21 21 22 22 23 23
2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11 11
14
6 8 10 12 14 15 16 17 18 19 20 20 21 22 22 23 23 23 24
2 2 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 11 12
15
6 8 10 12 14 16 16 18 18 19 20 21 22 22 23 23 24 24 25
2 2 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12 12
16
6 8 10 12 14 16 17 18 19 20 21 21 22 23 23 24 25 25 25
2 2 4 4 5 6 7 7 8 9 9 10 10 11 11 11 12 12 13
17
6 8 10 12 14 16 17 18 19 20 21 22 23 23 24 25 25 26 26
2 2 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13 13
18
6 8 10 12 14 16 17 18 19 20 21 22 23 24 25 25 26 26 27
2 2 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13 13
19
6 8 10 12 13 16 17 18 20 21 22 23 23 24 25 26 26 27 27
2 2 4 5 6 6 7 8 9 9 10 10 11 12 12 13 13 13 14
20
6 8 10 12 14 16 17 18 20 21 22 23 24 25 25 26 27 27 28
1. Los valores en esta tabla son valores crticos G, suponiendo una prueba de dos colas con un nivel de significancia de 50.05.
2. La hiptesis nula de aleatoriedad se rechaza si el nmero total de rachas G es menor que o igual al valor ms bajo, o si es
mayor que o igual al valor ms alto.
De Tables for testing randomness of groupings in a sequence of alternatives, The annals of mathematical statistics, vol. 14,
n. 1. Reprroducido con permiso del Institute of Mathematical Statistics.
144
Tabla 14-2. Constantes de una grfica de control
n: Nmero de X S R
observaciones
en subgrupo A2 A3 B3 B4 D3 D4
2 1.880 2.659 0.000 3.267 0.000 3.267
3 1.023 1.954 0.000 2.568 0.000 2.574
4 0.729 1.628 0.000 2.266 0.000 2.282
5 0.577 1.427 0.000 2.089 0.000 2.114
6 0.483 1.287 0.030 1.970 0.000 2.004
7 0.419 1.182 0.118 1.882 0.076 1.924
8 0.373 1.099 0.185 1.815 0.136 1.864
9 0.337 1.032 0.239 1.761 0.184 1.816
10 0.308 0.975 0.284 1.716 0.223 1.777
11 0.285 0.927 0.321 1.679 0.256 1.744
12 0.266 0.886 0.354 1.646 0.283 1.717
13 0.249 0.850 0.382 1.618 0.307 1.693
14 0.235 0.817 0.406 1.594 0.328 1.672
15 0.223 0.789 0.428 1.572 0.347 1.653
16 0.212 0.763 0.448 1.552 0.363 1.637
17 0.203 0.739 0.466 1.534 0.378 1.622
18 0.194 0.718 0.482 1.518 0.391 1.608
19 0.187 0.698 0.497 1.503 0.403 1.597
20 0.180 0.680 0.510 1.490 0.415 1.585
21 0.173 0.663 0.523 1.477 0.425 1.575
22 0.167 0.647 0.534 1.466 0.434 1.566
23 0.162 0.633 0.545 1.455 0.443 1.557
24 0.157 0.619 0.555 1.445 0.451 1.548
25 0.153 0.606 0.565 1.435 0.459 1.541
Fuente: Adaptado del ASTM Manual on the Presentation of Data and Control Chart Analysis,
1976 ASTM, pp. 134-136.
Reproducido bajo permiso de American Society of Testing and Materials.
145
Anexos
UNIDAD I
Pregunta Respuesta
1 b
2 b
3 a
4 a
5 e
6 d
7 e
8 a
9 d
10 b
UNIDAD II
Pregunta Respuesta
1 c
2 b
3 a
4 e
5 c
6 d
7 d
8 b
9 a
10 b
146
UNIDAD III
Pregunta Respuesta
1 b
2 e
3 b
4 e
5 e
6 b
7 d
8 c
9 b
10 a
UNIDAD IV
Pregunta Respuesta
1 b
2 c
3 d
4 a
5 e
6 d
7 b
8 b
9 d
10 c
147
Huancayo
Av. San Carlos 1980 - Huancayo
Telfono: 064 - 481430
Lima
Jr. Junn 355 - Miraflores
Telfono: 01 - 2132760
Cusco
Av. Collasuyo S/N Urb. Manuel Prado - Cusco
Telfono: 084 - 480070
Arequipa
Calle Alfonso Ugarte 607 - Yanahuara
Oficina administrativa: Calle San Jos 308 2 piso - Cercado
Telfono: 054 - 412030

UC0307 - Estadística Inferencial - ED1 - V1 - 2017 - Ok PDF

Cargado por

Copyright:

Formatos disponibles

UC0307 - Estadística Inferencial - ED1 - V1 - 2017 - Ok PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

UC0307 - Estadística Inferencial - ED1 - V1 - 2017 - Ok PDF

Cargado por

Copyright:

Formatos disponibles

Estadstica Inferencial

Sergio Jurado Chamorro

Estadstica Inferencial. Manual Autoformativo /

Estadstica Inferencial. Manual Autoformativo

Resultado de aprendizaje de la asignatura 9

Tiempo mnimo de estudio 9

Diagrama de organizacin de la Unidad I 11

Organizacin de los aprendizajes 11

Tema n. 1 Diseo y tcnicas de muestreo 12

Tema n. 2 Estimacin de parmetros 23

Diagrama de organizacin de la Unidad II 43

Organizacin de los aprendizajes 43

Tema n. 1 Prueba de hiptesis 44

Tema n. 2 Anlisis de varianza ANOVA 60

Diagrama de organizacin de la Unidad III 75

Organizacin de los aprendizajes 75

Tema n. 1 Experimentos multinomiales y tablas de contingencia 76

1. Pruebas de bondad de ajuste 76

Tema n. 2 Pruebas no paramticas 85

1. Prueba del signo 85

Glosario de la Unidad III 99

Bibliografa de la Unidad III 100

Diagrama de organizacin de la Unidad IV 105

Organizacin de los aprendizajes 105

Tema n. 1 Correlacin y regresin 106

1. Correlacin y regresin lineal simple 106

Tema n. 2 Series temporales 120

1. Componentes de una serie temporal 120

Lectura seleccionada n. 4 128

Glosario de la Unidad IV 129

Bibliografa de la Unidad IV 130

Sergio Jurado Chamorro

Resultado de aprendizaje de la asignatura

Prueba de hiptesis para una Experimentos multinomiales, ta-

Resultado de aprendizaje Resultado de aprendizaje Resultado de aprendizaje Resultado de aprendizaje

Tiempo mnimo de estudio

16 horas 16 horas 16 horas 16 horas

CONTENIDOS EJEMPLOS ACTIVIDADES

ORGANIZACIN DE LOS APRENDIZAJES

CONOCIMIENTOS HABILIDADES ACTITUDES

1.1. Unidad elemental

Es el elemento mnimo en el que se pueden observar/medir las caractersticas (variables) de un

En un programa de control de calidad en una f-

En estudios de satisfaccin del cliente en una tien-

1.2. Poblacin muestreada

Es el conjunto de todas las unidades elementales; es decir, to-

La poblacin muestreada compuestos por personas, hogares,

Es el estudio de toda una poblacin. Requiere de mucho tiempo y disponibilidad de recursos.

Es el subconjunto de unidades estadsticas o unidades elementales seleccionadas de la pobla-

1.5. Unidad de muestreo

Es cualquiera de las unidades estadsticas elegidas para formar

En ocasiones una unidad de muestreo es la unidad elemental

1.6. Marco muestral

Un marco muestral constituye un documento actualiza-

El marco muestral nos permite realizar el proceso de eleccin

Es un conjunto de mtodos y procedimientos estadsticos destinados a la seleccin de una o

El muestreo comprende por lo menos dos etapas:

La seleccin de las unidades muestrales.

El registro de las observaciones (Cerrn, 2013).