Fundamentos de Bioestadística PDF

JAIME FABIÁN VERA CHANG
Fundamentos de
Bio estadística
aplicada a las ciencias agroalimentarias
s
Grupo de capacitación e investigación pedagógica
s
Fundamentos de Bio estadística
Autor:
Jaime Fabián Vera Chang
Fundamentos de Bio estadística
Autor.
Jaime Fabián Vera Chang
s
Primera edición: noviembre 2018
© Universidad Técnica Estatal de Quevedo 2018

© Ediciones Grupo Compás 2018
ISBN: 978-9942-33-085-7
Diseño de portada y diagramación: Grupo

Compás
Este texto ha sido sometido a un proceso de

evaluación por pares externos con base en la
normativa del editorial.
Quedan rigurosamente prohibidas, bajo las

sanciones en las leyes, la producción o
almacenamiento total o parcial de la presente
publicación, incluyendo el diseño de la portada,
así como la transmisión de la misma por
cualquiera de sus medios, tanto si es electrónico,
como químico, mecánico, óptico, de grabación
o bien de fotocopia, sin la autorización de los
titulares del copyright.
Guayaquil-Ecuador 2018
Cita.
Vera, J, (2018) Fundamentos de Bio estadística aplicada a las ciencias agroalimentarias,
Editorial Grupo Compás, Guayaquil Ecuador, 155 pag
PRÓLOGO
Este libro es el resultado de experiencias en concursos en los

galardones nacionales organizados por la senescyt en Ecuador,
además de lecturas, apuntes, capacitaciones además de las
experiencias del ejercicio de la cátedra de Estadística I del rediseño de
carrera de Ingeniería en Alimentos, participaciones en congresos,
eventos científicos, arbitraje de libros, y revistas científicas
aproximadamente de una década de labores del profesor Jaime
Fabián Vera Chang docente – Investigador de la Universidad Técnica
Estatal de Quevedo (UTEQ). Ex Investigador de la Unidad de
Investigación Científica y Tecnológica, División Agrícola, Área cacao.
La razón por la cual decidí escribir esta obra, en primer lugar, fue mi
familia y mis amigos a quienes escuché, consideré sus consejos y
empecé esta noble labor el poder aportar con una guía básica sobre el
uso de la estadística aplicada, mi interés fue contar un texto guía apara
mis estudiantes de Ingeniería en Alimentos, Agropecuaria y carreras
afines. Como también a académicos de otras instituciones, quienes me
visitaban para que les ayude a estructurar su proyecto de investigación,
en lo que respecta a como poder elaborar y presentar los resultados
obtenidos, productos de los análisis experimentales, durante mi
condición como miembro del Comité de Investigación Formativa (2012-
2019), agradezco el aporte de mis amigos: José Aguilar Reyes, Kléber
Estupiñan, Wilfrido Escobar Pavón, Diana Vasco Mora y Gregorio
Vásconez Montufar, muy agradecido por colaboración y valiosos
consejos en las revisiones de los proyectos de investigación entregados
para dar directrices de cómo mejorar el rigor y la eficiencia de los
trabajo de los aspirantes de Ingeniería.
Cuando empezamos la labor como comité era notable que existieran

muchos vacíos sobre cómo aplicar la estadística, y los estudiantes se
acercaban a preguntar en las tareas integradoras sobre que
herramienta estadística era la más adecuada y como debían organizar
los datos, y esto me llevó a reflexionar sobre cómo podríamos
agradecer a nuestra institución, hasta que después de muchas horas y
diálogos de mi padre el Ing. Jaime Set Vera Barahona me estimuló con
cartas nemotécnicas permitiendo el inicio en horas de la madrugada
de la construcción de esta guía básica la cual duró tres años de labor
invisible.
3

Esta segunda edición contiene los fundamentos teóricos-prácticos la
cual está dividida en ocho capítulos en contiene una información
compilada cuyo objetivo fundamental recordar algunos conceptos
básicos introductorios sobre la importancia de la estadística,
técnicas estadísticas, principios de estadística los tipos, las gráficas de
datos mediante un histogramas, medidas de tendencia central, y
variabilidad, probabilidad, hipótesis, pruebas no paramétricas más
empleadas y análisis de regresión y correlación con ejercicios resueltos,
y muestra los cálculos matemáticos paso a paso de manera que se
demuestra cómo se realizan los análisis desde el computador o con el
uso de una calculadora, como también su interpretación y como se
puede ejecutar un análisis y presentar resultados en proyectos, artículos,
etc.
En esta segunda edición como todo trabajo humano está sujeta a

mejoras por lo cual mi intención principal es contribuir a la Academia
Latinoamericana, incluyendo fundamentos para entender las materias
de titulación como Metodología de la Investigación y Diseño
experimental.
Quiero agradecer primeramente a Dios, al rector El Dr. Eduardo Díaz

Ocampo, a los estudiantes y compañeros docentes, a la decana
Facultad de Ciencias Pecuarias- UTEQ, Ing. Jenny Torres Navarrete por
su amistad y apoyo incondicional en beneficio de la Institución
(periodo 2015-2019) como también al Director de Investigación Dr.
Byron Oviedo Bayas por su constante apoyo y responsabilidad en el
quehacer investigativo, y especialmente a la editorial Compas como
contraparte editora, por su paciencia y dedicación para llevarla a
cabo la publicación de esta obra.
Finalmente mis agradecimientos a Diana Casco, mi esposa y a mi hija

Bianca Vera cuya paciencia para soportarme sentado durante horas
frente al computador, me sirvieron de estímulo para seguir adelante y
mejorar este segundo texto.
4

DEDICATORIA
A DIOS quien es mi fortaleza

mis padres, hijos, sobrinos, amigos
por ellos vivo, investigo y
trabajo
Homenaje póstumo a la
memoria de mi madre:
Blanca Chang Malats
A mis maestros universitarios:
Manuel Haz Álvarez
Anthony Álvarez Tubay
Aurelio Haón Jama
Alfredo Olvera Díaz
Para Bianca y Diana

mis amores
A las autoridades de la UTEQ:

Dr. Eduardo Díaz Ocampo
Ing. Roberto Pico Saltos
Ing. Guadalupe Murillo C.
TABLA DE CONTENIDO
CAPITULO I ..................................................................................................................... 7
INTRODUCCIÓN ............................................................................................................. 8
1.1. CONCEPTOS GENERALES ...................................................................................... 8
1.1.1. RESEÑA HISTÓRICA .............................................................................................. 8
1.2. POR QUÉ ES IMPORTANTE LA ÉTICA Y LA ESTADÍSTICA ....................................... 9
1.3. APLICACIÓN DE LA ESTADÍSTICA ........................................................................ 10
1.4. CONCEPTOS BÁSICOS ......................................................................................... 10
1.4.1. LA ESTADÍSTICA COMO PARTE DEL METODO CIENTÍFICO............................. 13
1.5. POBLACIÓN Y MUESTRA ...................................................................................... 15
1.6. VARIABLES ............................................................................................................. 17
1.6.1. Otras clasificaciones ........................................................................................ 19
1.7. REDONDEO DE DATOS ......................................................................................... 20
1.8. NOTACIÓN SISTEMÁTICA ..................................................................................... 22
1.9. USO DE LA COMPUTADORA PARA PROCESAR DATOS .................................... 23
1.9.1. VENTAJAS Y DESVENTAJAS DE USAR UNA COMPUTADORA ......................... 23
1.9.2. RECOMENDACIONES ........................................................................................ 24
CAPITULO II ................................................................................................................... 25
2.0 GRÁFICAS ESTADÍSTICAS USADAS........................................................................ 26
2.1. DISTRIBUCIÓN DE FRECUENCIAS ......................................................................... 34
2.1.1. INTERVALOS DE CLASE ...................................................................................... 36
2.1.2. TAMAÑO O ANCHURA DE UN INTERVALO DE CLASE .................................. 36
HISTOGRAMA Y POLIGONOS DE FRECUENCIA ........................................................ 37
2.1.3. DISTRIBUCIÓN DE FRECUENCIAS RELATIVA ................................................... 37
2.1.4. DISTRIBUCIÓN DE FRECUENCIAS ACUMULADA .............................................. 38
2.1.5. DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS Y ACUMULADAS ...................... 38
2.1.6. GRAFICAS APLICADAS AL DESARROLLO DE LA TEORÍA DE FRECUENCIAS . 38
2.1.7. USANDO EXCEL E INFOSTAT .............................................................................. 40
CAPITULO III .................................................................................................................. 61
3.0. MEDIDAS DE TENDENCIA O POSICIÓN CENTRAL .............................................. 62
3.1. NOTACIÓN MATEMÁTICA NECESARIA ............................................................... 62
3.2. LA MEDIA ARITMETICA ......................................................................................... 64
3.3. OTROS TIPOS DE MEDIA ....................................................................................... 65
LA MEDIA GEOMETRICA Mg = Mo ............................................................................ 65
3.4. LA MEDIA PONDERADA ....................................................................................... 66
3.4.1. Propiedades de la media ................................................................................ 67
3.5. MODO = MODA = VALOR MODAL: Md ............................................................. 68
3.6. MEDIANA Me ......................................................................................................... 69
................................ 72
3.7. RELACIÓN EMPIRICA ENTRE MEDIA, MEDIANA Y MODA
ANALISIS DE DATOS ..................................................................................................... 80
................................................................................................................. 84
CAPITULO IV
....................................................... 85
4.0 MEDIDAS O ESTADIGRAFOS DE DISPERSIÓN
.................................................................................. 85
4.1. DISPERSIÓN O VARIACIÓN
5

........................................................................................... 85
4.2. RANGO O AMPLITUD
........................................................................................................ 86
4.3. LA VARIANZA
......................................................... 88
4.4. DESVIACIÓN TIPICA (Raíz de la varianza)
........................................ 89
4.5. DESVIACIÓN MEDIA O PROMEDIO DE DESVIACIÓN
............................................................................... 91
4.6 COEFICIENTE DE VARIACIÓN
46.1. EJERCICIO PROPUESTOS: ................................................................................... 92
USANDO EXCEL E INFOSTAT ........................................................................................ 93
CAPITULO V .................................................................................................................. 97
5.0 MEDIDAS DE POSISCIÓN NO CENTRALES............................................................ 98
5.1. USANDO INFOSTAT ............................................................................................ 101
CAPITULO VI ............................................................................................................... 105
6.0 PROBABILIDAD DE OCURRENCIA DE UN SUCESO ............................................ 106
6.1. PRINCIPIOS DE PROBABILIDAD .......................................................................... 106
6.1.1. ESPACIO MUÉSTRALES ..................................................................................... 106
6.1.2. EXPERIMENTO ALEATORIO .............................................................................. 107
6.1.3. LA DISTRIBUCIÓN T DE STUDENT ...................................................................... 107
Cálculo de probabilidades ..................................................................................... 111
CAPITULO VII .............................................................................................................. 114
7.0. PRUEBA DE HIPÓTESIS. ........................................................................................ 115
CAPITULO VIII ............................................................................................................. 125
PRUEBAS NO PARAMÉTRICAS ................................................................................... 126
8.1 INTERVALOS DE CONFIANZA .............................................................................. 126
8.2 PRUEBA DE HIPOTESIS .......................................................................................... 127
8.3. PRUEBA DE CHI CUADRADO ............................................................................. 130
8.4. PRUEBA DE “t” STUDENT ..................................................................................... 131
8.5. KRUSKAL WALLIS PARA K MUESTRAS ................................................................. 135
CAPITULO IX ............................................................................................................... 137
9.0 REGRESIÓN Y CORRELACIÓN ............................................................................ 138
9.2 REGRESIÓN LINEAL SIMPLE................................................................................. 139
TIPOS REGRESIONES Y SUS RESPECTIVOS MODELOS: ............................................. 140
9.3. COEFICIENTE DE CORRELACIÓN LINEAL SIMPLE ............................................. 140
9.4. USANDO EL EXCEL E INFOSTAT .......................................................................... 147
Bibliografía ................................................................................................................. 154
Tablas Estadísticas ..................................................................................................... 155
6

INTRODUCCIÓN
INTRODUCCIÓN
La estadística es un conjunto de técnicas para la colección, manejo,

descripción y análisis de información, de manera que las conclusiones
obtenidas de ella, tengan un rango de confiabilidad especificado
entonces, esta ciencia junto con los Diseños Experimentales, son
herramientas fundamentales para realizar investigación científica y en
cualquier área de la ingeniería y en nuestro caso, para solucionar los
problemas agro-alimentarios.
En el día ocurren sucesos en el ámbito económico, social, político,

biológico, y educacional los que están presentes en un momento dado,
lo que da a pensar que tan valiosa información si no se registra se
pierde, por otra parte, el registro de estos datos nos puede ayudar el
comportamiento de estos fenómenos y saber que sucede o que puede
suceder usando métodos y técnicas.
La estadística o métodos estadísticos despeñan un importante papel

protagónico en casi todas las facetas del progreso humano.
Anteriormente solo era aplicada a los asuntos del estado, de donde
viene su nombre; pero ahora la influencia de la estadística se extiende a
la agricultura, biología, negocios, química, física, electrónica,
mecánica, comunicaciones, economía, enseñanza, medicina, ciencias
políticas, psicología, y demás campos de la ciencia e ingeniería.
Por otras personas es un método para obtener, presentar y escribir

grandes cantidades de datos indispensables para la toma de
decisiones. El objetivo básico de este fascículo es aclarar los conceptos
básicos utilizados con frecuencia y analizar las aplicaciones del
concepto de “Estadística”.
La palabra tiene su sentido más amplio para aquellas personas cuyo

trabajo requiere de estos conceptos y técnicas juegan un papel
importante en las actividades que realizan los profesionales
agropecuarios, alimentos y todas las ciencias aplicadas.
1.1. CONCEPTOS GENERALES
1.1.1. RESEÑA HISTÓRICA

La palabra estadística, para algunos proviene de la palabra status
cuyo significado es estado; para otros se deriva del vocablo griego
statera que significa balanza, por otro lado en palabra alemana stara
que significa estado, encargado de hacer estadísticas
8

La estadística se fundamenta sobre datos, es tan antigua como la
propia civilización humana, ya que existe vestigio o evidencia fue
aplicada desde antes de la venida de Cristo, en China el emperador
Yao (2.238 a. C.) dispuso de la realización de un censo para determinar
la situación de sus habitantes.
La estadística se fundamentada por el londinense Jhon Graunt (1904 -

1661)un mercader que redacto un pequeño libro “Natural and political
Observations made upon the Bells of Mortality”, esta obra trató de
interpretar los fenómenos biológicos a partir de datos numéricos, treinta
años más tarde formó parte de la Royal Society y publicó sobre su
trabajo de mortalidad “Philosophical Transactions”.
1.2. POR QUÉ ES IMPORTANTE LA ÉTICA Y LA ESTADÍSTICA

Porque los datos estadísticos y las conclusiones obtenidas aplicando
metodología estadística ejercen una profunda influencia en casi todos
los campos de la actividad humana. En particular, la estadística invade
cada vez más cualquier investigación relativa a las ciencias Agro-
Alimentarias. Este crecimiento, probablemente relacionado con el
interés por aumentar la credibilidad y confiabilidad de las
investigaciones, no garantiza que en todos los casos la metodología
estadística haya sido correctamente utilizada, o peor aún, que sea
válida, por lo cual es un asunto ético, es decir por ser una herramienta
del investigador es importante no alterar la información original, por
muchos errores es importante tener disciplina científica, planificar,
organizar, defender la verdad de los hechos o fenómenos medidos.
Los conceptos y temas de la estadística se utilizan en la actualidad en

un gran número de ocupaciones, las técnicas estadísticas constituyen
una parte integral de las actividades de investigación en distintas áreas
del conocimiento.
La persona que comprenda los conceptos estadísticos y su metodología

obtendrá el insumo necesario para entender e interpretar estadística
sobre todos sus campos de acción generando un eficiente desempeño
profesional.
Con frecuencia escuchamos en los medios de comunicación local

noticias que mencionan lo siguiente:
Se ha demostrados un incremento porcentual de las ventas de

automóviles en el año.
9

La explotación de petróleo en el Ecuador Específicamente para el año
2014 nuestra meta es pasar de 325.000 (barriles diarios de promedio en
2013) a 327.000 barriles diarios"
Estadísticas demuestran que el consumo de huevo de gallina aumenta

el colesterol en los mientras que el de codorniz tiene menor debido al
contenido de omega 3.
Se ha comprobado estadísticamente que la pasta dental de mayor

aceptación del público es la marca Colgate.
El CENSO Agropecuario tiene información de las distintas especies del

sector agrícola y pecuario que se desarrollan en el Ecuador. Cuenta
con catorce capítulos que recogen información relacionada a la
superficie plantada y cosechada, ganado, aves y datos de 26
productos agrícolas específicos cuyos resultados son presentados en
desagregados provinciales, regionales y nacionales.
1.3. APLICACIÓN DE LA ESTADÍSTICA

En el día ocurren sucesos en el ámbito económico, social, político,
biológico, y educacional los que están presentes en un momento dado,
lo que da a pensar que tan valiosa información si no se registra se
pierde, por otra parte, el registro de estos datos nos puede ayudar el
comportamiento de estos fenómenos y saber que sucede o que puede
suceder usando métodos y técnicas.
La estadística o métodos estadísticos está despeñando un importante

papel ascendente en casi todas las facetas del progreso humano.
Anteriormente solo era aplicada a los asuntos del estado, de donde
viene su nombre; pero ahora la influencia de la estadística se extiende a
la agricultura, biología, negocios, química, física, electrónica,
mecánica, comunicaciones, economía, enseñanza, medicina, ciencias
políticas, psicología, y demás campos de la ciencia e ingeniería.
1.4. CONCEPTOS BÁSICOS

La estadística es una ciencia relativamente moderna, de veloz
formación, que crece cada día, a medida que haya más respuesta los
problemas que poseen los investigadores. En la aplicación de la
estadística, los principios son siempre generales, aunque algunas veces
las técnicas pueden diferir.
Buscar una definición de estadística es siempre difícil por su amplio

alcance, pero como punto de partida podrían ser razonables y
satisfactorias cualquiera de las siguientes definiciones:
10

El término “estadística” también se emplea para designar un área de un
estudio: una disciplina: Como área de estudio la estadística proporciona
los métodos que ayudan a resolver problemas correspondientes, para
ello es necesario conocer conceptos básicos.
Según Steel y Torrie “la estadística es la ciencia pura y aplicada

encargada de crear, desarrollar y aplicar técnica tal que las
incertidumbres de inferencias inductivas pueden evaluarse”.
La estadística es parte del método científico que tiene por objeto, la

recolección, la organización, el análisis, la interpretación y la
presentación de datos.
La palabra estadística se refiere a un sistema o método usado en la

recolección, organización, análisis, y descripción numérica de la
información (Martinez), también se puede decir que la Estadística
estudia el comportamiento de los fenómenos de grupo.
La estadística está ligada en los métodos científicos en la toma,

organización, recopilación, presentación, análisis de datos, tanto para
la deducción de conclusiones, análisis de datos, tanto para la
deducción de conclusiones como para tomar decisiones razonables
de acuerdo al análisis.
En un sentido más estricto, el termino se realiza para denotar los mismos

datos o números que se derivan de ellos, como por ejemplo lo
promedios para la muestra ( x ) y (µ) para designar la media
_
poblacional.
La estadística es la ciencia que se encarga de la recopilación,

organización, presentación, análisis e interpretación de datos numéricos
con el fin de tomar decisiones. Los métodos tratan de la presentación
y resumen de datos, estimación de parámetros poblacionales, prueba
de hipótesis con relaciona los parámetros poblacionales, determinación
de la exactitud de las estimaciones, estudio de variación, correlación y
diseño de experimentos, la misma se clasifica o comprende técnicas
descriptivas e inferenciales.
DESCRIPTIVA: La estadística Descriptiva es el estudio que incluye la

obtención, organización, presentación y descripción de la información
numérica.
11

INFERENCIAL: La inferencia estadística es una técnica mediante la cual
se obtienen generalizaciones o se toman decisiones en base a una
información parcial o completa obtenida mediante técnica descriptiva.
La inferencia hace referencia a un conjunto de métodos que permiten

hacer predicciones acerca de características de un fenómeno sobre la
base de información parcial acerca del mismo. Los métodos de la
inferencia nos permiten proponer el valor de una cantidad desconocida
(estimación) o decidir entre dos teorías contrapuestas cuál de ellas
explica mejor los datos observados (test de hipótesis).
Para concluir diremos que existe otra gran división de las técnicas estadí
sticas:
a) Estadística Paramétrica.
b) Estadística No Paramétrica.
Los métodos paramétricos permiten hacer inferencias acerca de

parámetros poblacionales de las distribuciones.
Los métodos no paramétricos es un conjunto de técnicas diseñadas

para niveles de medición menores por ejemplo el nominal y ordinal,
para efectuar estimaciones no habrá parámetros en estricto sentido,
por lo cual existen varias ventajas para el investigador y analista de
datos.
12

Gráficas
Descriptiva Medidas de tendencia central
Medidas de dispersión
ESTADÍSTICA
Asociación o
correlación
Univariada
Comparación: Prueba de hipótesis
(Nula, alternativa y Trabajo)
Inferencial -Análisis de varianza (ANOVA, ANDEVA)

-Modelos de predicción: Regresión
Multivariada -Análisis de Componentes principales
(ACP)
-Métodos de agrupamiento:
Análisis de conglomerados
1.4.1. LA ESTADÍSTICA COMO PARTE DEL METODO CIENTÍFICO

La metodología estadística se emplea en muchos campos, se conoce
que la estadística ayuda a diseñar y registrar información para describir
y analizar con facilidad y mediante estimaciones, obtener conclusiones
que enriquecen el conocimiento de todo el fenómeno que ocurren a
nuestro alrededor, es decir cada día va ganando terreno en su
aplicación en programas gubernamentales etc.
Ha quedado señalado como orienta la estadística al investigador en la

toma de decisiones con respecto a sus puntos de vista, también es
evidente que la estadística no es el conocimiento mismo, sino una
ciencia que crea métodos para lograr conocimiento, los cuales forman
parte método científico.
Describir el método científico general no es tarea fácil, pues no existe

como tal; es decir no hay un método que siga un conjunto de pasos
ordenados, sin embargo, por razones de exposición, es conveniente
admitir pasos que puedan producirse continuamente en la solución
lógica de los problemas y que forman el método científico general.
13

Observaciones. _ La ciencia comienza con la observación de
determinadas partes de la naturaleza que son relevantes al
conocimiento o solución de un problema. La observación conlleva a la
solución y descripción, debiendo adoptar definiciones precisas de
modo que una palabra específica sea entendida con el mismo
significado y en forma cuantitativa.
Hipótesis. _ Para explicar los hechos observados, el científico debe

traducir sus ideas en una hipótesis o “teoría tentativa” sobre la
naturaleza y relación de las observaciones; y mientras la teoría no sea
probada, no deberá confundirse con una ley. Muchas veces esta
etapa comienza durante la observación.
Predicción._ La concepción de una hipótesis aplicada a los

fenómenos observados hace posible la utilización de la lógica y
permite deducir varias consecuencias. Si la teoría es satisfactoria, estas
deducciones constituyen un nuevo conocimiento y toman el nombre
de predicciones, NO EN SENTIDO DE AUGURIOS, sino más bien en el de
pronósticos anticipando lo que se verá, si ciertas observaciones, (aún
no producidas).
Verificación y experimentación._ En muchos casos las hipótesis son tan

simples y sus consecuencias tan obvias, que hace posible probarlas
directamente. Para esto el investigador recolecta nuevos hechos que
le permiten probar las predicciones formuladas en base a la teoría. En
esta etapa el círculo se cierra y el ciclo empieza nuevamente.
La verificación puede hacerse realizando un experimento que permita

probar la hipótesis. En un experimento el observador puede inferir en
algún grado con la naturaleza y crear condiciones favorables a sus
propósitos
ETAPAS:
a) Etapa de planeamiento
b) Etapas de recolección
c) Etapa de elaboración de Datos
d) Etapa de presentación de datos
e) Etapa de análisis e interpretación de datos
f) Etapas de Publicación de Datos.
14

RELACIÓN DE LA BIOESTADISTICA CON EL MÉTODO
CIENTÍFICO
MÉTODO CIENTÍTIFO ESTADÍSTICA

OBSERVACIONES DATOS
DATOS
FORMULACIÓN DE HIPÓTESIS RELACIONADOS
TÉCNICAS
VERIFICACIÓN DE HIPÓTESIS ADECUADAS
1.5. POBLACIÓN Y MUESTRA

Población es cualquier conjunto formado por elementos que pueden ser
inequívocamente identificados y que además poseen uno o más
atributos factibles de ser medidos. Por ejemplo, el conjunto de todas las
vacas lecheras de una misma raza es una población, ya que los
elementos de este conjunto son fácilmente identificables el uno del otro
y además, poseen características medibles u observables, tales como,
el peso, la edad, el nivel de producción, etc. Pero estudiar una
característica cualquiera usando para ello todos los elementos de una
población resulta, en la inmensa mayoría de los casos, una tarea
imposible, y es por ello que en la práctica, solo sea factible analizar una
parte de la misma. A cualquier subconjunto de elementos extraídos de
una determinada población se le llama Muestra.
En una colección de datos que tienen características de un grupo de

individuos u objetos, tales como número de proporcionan madera fina,
producción de leche en una región, peso de los estudiantes de una
universidad, porcentaje de testa en almendras de cacao almacenado,
determinación de enfermedades en una población de cerdos,
cantidad arroz consumido en una ciudad, es a menudo imposible o
poco probable obtener los datos en su totalidad, sobre todo si la
población es grande. En lugar de examinar el grupo entero llamado
población o universo, se examina una pequeña parte del grupo
llamado muestra.
Una muestra es un conjunto de medidas u observaciones tomadas a

partir de una población dada; es un subconjunto de la población.
Desde luego, el número de observaciones de una muestra será la
población de la misma, las muestras se toman debido a que no es
factible desde el punto de vista económico usar a toda la población.
15

Población
Muestra
Una población puede ser finita o infinita. Por ejemplo, la población

consistente en todos los laureles (Cordia alliodora) que crecen en el
cantón Quevedo, es finita; es decir el número de árboles es limitado;
mientras que la población formada por todos los posibles sucesos como
lanzamientos sucesivos de una moneda en infinita, sin embargo algunas
veces, en una población finita con un número grande de elementos, el
comportamiento de cálculo de a muestra resulta igual al de una
población infinita, ya que existe un tamaño muestral óptimo, lo que
quiere decir que no se altera por más que aumenten el tamaño
poblacional.
Figura 1. Esquemas de una muestra aleatoria.
Si una muestra es representativa de una población, se pueden deducir

importantes conclusiones acerca de esta, a partir del análisis de la
misma. La parte de la estadística que trata de las condiciones bajo las
cuales tales inferencias son válidas se llama estadística inductiva o
estadística inferencial. Al no poder estar absolutamente seguros de la
veracidad de tales inferencias, se ha de utilizar con frecuencia
conclusiones. La parte de la estadística que trata solamente de
describir y analizar un conjunto de datos sin sacar conclusiones o
inferencias de un grupo mayor se llama estadística descriptiva o
deductiva.
16

Por lo tanto hay dos fases en el campo de la Estadística. En primer lugar
está la fase que solo se limita a la descripción de una serie de datos sin
llegar a conclusiones generalizadas de un grupo mayoritario. Esta fase
se la conoce como Estadística deductiva o descriptiva. En un segundo
lugar está la fase de análisis que trata de llegar a conclusiones acerca
de un grupo mayor basado en la información de un grupo menor o
muestra: es esta la Estadística inductiva o de inferencia.
Usamos una muestra para conocer o estimar características de la

población, denominamos:
PARÁMETRO una medida resumen calculada sobre la población
ESTADÍSTICO una medida resumen calculada sobre la muestra
1.6. VARIABLES
Una variable es una característica observable o medible de un objeto
en estudio que puede adoptar diferentes valores o expresarse en
varias propiedades. Como también una característica observable
ligada o una relación determinada a otros aspectos, estas relaciones
son aspectos básicos del método científico ya que se fundamenta en
el hecho de medir, analizar y concluir sobre un problema específico.
Es un símbolo tal como X, Y, H, X, que puede tomar una valor

cualquiera de un conjunto determinado, llamado dominio de la
variable. Si la variable puede tomar solamente un valor se llama
constante.
Una variable que teóricamente puede tomar cualquier valor entre dos
valores dados se llama variable continua, si no es así se llama variable
discreta:
a) Discretos. La variable sólo puede tomar un cierto conjunto de valores

posibles. En
general, aparecen por conteo.
Ejemplo: número de miembros del hogar, número de intervenciones

quirúrgicas,
número de casos notificados de una cierta patología.
b) Continuos. Generalmente son el resultado de una medición que se

expresa en unidades. Las mediciones pueden tomar teóricamente un
conjunto infinito de valores posibles dentro de un rango. En la práctica
17

los valores posibles de la variable están limitados por la precisión del
método de medición o por el modo de registro.
Tipos de variables
Cualitativas
Cuantitativas (Numéricas) (Cualidades)
Discretas Continuas -Nominal

Cualidades, no
-Ordinal numéricas
Números enteros Decimales Ej:
* Color
Valores cuantificables Decimales * Sabor
No decimales Ej: *Forma
Ej: * Peso * Nacionalidad
* Número de pétalos
de una flor * Altura
*Edad * Diámetro
*Número de
personas en un
vehículo
CATEGORÍAS NOMINALES No existe orden obvio entre las categorías.
Ejemplos: país de origen, estado civil, diagnóstico.
CATEGORÍAS ORDINALES Existe un orden natural entre las categorías.
18

Ejemplos 1 variable discreta:
En una familia el número de hijos puede tomar cualquiera de los valores

0,1,2,3….. pero no puede ser 1.7, 2.5, 3.6…
En un parto en cuyes la camada es de 1,2,3,4,5…… pero no puede ser

1.4, 2.2, 3.7….
Numero de huevos en gallinas de postura en series cortas es de 2,3,4,5 ..

pero no puede ser 1.3, 2.6, 3.6…
Numero de brotes de cedro (Cedrela Odorata L.)in vitroes de 2, 3, 4, 5

pero no puede ser 2.5, 3.8, 4.7…..
Número mínimo de muestras elementales en un lote de cacao seco

almacenados en bodegas es de 2,3,4,7….. pero no puede ser 2.4, 3.7,
4.7, 6.9…..
Ejemplos 2 variable continua:
La altura de un individuo puede ser de 63.5 o 65. 843 pulgadas
La gravedad específica de la leche fresca es de 1.027, 1.030, 1.035
El peso seco de nódulos en raíces inoculadas con Bradyrhibiuma los 25

días es de 0.5, 0.8, 1.2, 1.7 g…..
El porcentaje de proteína del rastrojo de maíz es de 4.7, 5.1, 5.5, 5.8,6.0 %
1.6.1. Otras clasificaciones

Existe otro tipo de clasificaciones de las variables las cuales se
describen a continuación
1.6.1.1. Variables dependientes vs Independiente y la relación de la

estadística con el método cietífico.
Las variables independientes son aquellos que son manipulados
mientras que las variables dependientes se miden sólo o registradas. Esta
distinción aparece terminológicamente confuso para muchos porque,
ya que algunos estudiantes dicen: "todas las variables dependen de
algo." Sin embargo, una vez que te acostumbras a esta distinción, se
hace indispensable. Los términos variable dependiente e independiente
se aplican principalmente a la investigación experimental en el que se
manipulan algunas variables, y en este sentido son "independiente" de
19

los patrones iniciales de reacción, características, intenciones, etc de los
sujetos. Se espera que algunos otras variables para ser "dependientes"
de la manipulación o de las condiciones experimentales. Es decir,
dependen de "lo que el sujeto va a hacer" como respuesta. Algo
contrario a la naturaleza de esta distinción, estos términos también se
utilizan en los estudios en los que no manipulamos literalmente variables
independientes, pero sólo asignan los sujetos a los "grupos
experimentales" sobre la base de algunas de las propiedades pre-
existentes de los sujetos. Por ejemplo, si en un experimento, los machos
se comparan a las mujeres con respecto a su conteo de células blancas
(WCC), género que se podría llamar la variable independiente y la
WCC la variable dependiente.
Variables dependientes (Y): reciben este nombre de las variables a ser

explicadas, es decir el objeto de la investigación, la cual trata de
explicar en función de otros elementos.
Variables independientes (X): son las variables explicativas, es decir los

factores o elementos susceptibles de explicar las variables en (Y), en
una investigación experimental son las variables que se conducen.
Variables intermedias o intervinientes: en algunos casos en el análisis

de relación causa – efecto. Se introducen una o más variables de
enlace interpretativo entre las variables dependientes o independientes.
Variables explicatorias: son las propiedades que interesan

directamente al investigador en términos de su modelo.
Variables externas: son las que están fuera del interés teórico inmediato
y que pueden afectar los resultados de una investigación empírica.
Que una variable sea considerada explicatorias o externa depende de
la investigación en particular.
Los datos que vienen definido por un conteo o enumeraciones se

llaman variable discreta, mientras que los datos que llevan decimales se
llaman continuos.
1.7. REDONDEO DE DATOS

Dentro de los procesos estadísticos hay ocasiones en la que los datos
suministrados para el análisis y sobre todo aquellos que son resultados de
un proceso matemático, en los que obtenemos datos con valoraciones
decimales, lo más común es aplicar esta técnica, que consiste en
aproximar lo más posible a un valor más cercano o uno que sea más
fácil para trabajar las operaciones matemáticas, por ejemplo, si el valor
20

obtenido o recolectado es 72.3, se tiene la tendencia de redondear la
cantidad a al valor más cercano, en este caso sería el 72 y se tiende a
despreciar la tendencia decimal, por lo contrario si el valor obtenido es
72.8 se redondea hacia el valor más cercano que es el 73, en la
práctica de estadística es preferible trabajar con los valores
suministrados u obtenidos en un cálculo de tal manera que se evite
el error de redondeos acumulados.
El resultado de redondear 72.8 al entero más próximo es 73 puesto que

72.8 está más cerca de 73 que de 72.
El redondeo de 72.465 a un decimal con aproximación de centésimas

nos encontramos con el dilema que 72.465está a la mitad del recorrido
entre 72.46 y 72.47.
Se acostumbra en este caso redondear al número par más próximo que

antecede al 5. Así; 72.465 será 72.5
Problemas Resueltos
Redondear cada uno de los siguientes números a la exactitud que se

indica.
48.7 aproximando unidades = 49.0
2.484 aproximando centésimas = 2.48
0.0435 aproximando milésimas = 0.044
143,95 aproximando unidades = 144.0
399,579 aproximando centésimas = 400.68
24,448 aproximando unidades = 24,5
556.500 aproximando centésimas = 556.50
199.501 aproximando unidad = 200.0
21

Sumar los números 4,35; 8,65; 2,95; 12,45; 6,65; 7,55; 9,75 a)
directamente, b) redondeando deacuerdo al criterio del “par más
próximo” c), redondeando todos los datos por exceso
a) 4,35 b) 4,4 c) 4,4
8,65 8,6 8,7
2,95 3,0 3,0
12,45 12,4 12,5
6,65 6,6 6,7
7,55 7,6 7,6
9,75 9,8 9,8
Total 52,35 Total 52,4 Total 52,7
El método (b) es más exacto que el (c) puesto que la acumulación de

error redondeo se minimiza en el método (b).
1.8. NOTACIÓN SISTEMÁTICA

Son las diferentes formas de escribir algunas de las cantidades que
implican anotaciones amplias, como son: notación logarítmica,
notación del sistema binario, notación del sistema de cualquier base,
notación científica, notación factorial, entre otros.
Se usa en aquellos casos con números con varios ceros antes o después
del punto decimal, para su notación, usando la potencia 10.
Se usa en aquellos casos con números con muchos ceros antes o

después del punto decimal, para su notación, usando la potencia 10.
Ejemplo 1:
101 = 10,
102 = 10 x 10 = 100
105 = 10 x 10 x 10 x 10 x 10 = 100, 000
108 = 100’000 000
Ejemplo 2:
22

100 = 1 ; 10-1 = 0,1 ; 10-2 = 0,01 ; 10 -5 = 0,00001
Ejemplo 3:
864´000 000 = 8,64 x 108 ; 0,00003416 = 3,416 x 10-5
También es utilidad el ejemplo de las reglas
(10p)(10q) = 10 p+q ; 10p/10q = 10 p-q
En 10 p , P= exponente
10= base
1.9. USO DE LA COMPUTADORA PARA PROCESAR DATOS
Las computadoras nos ahorran los aspectos tediosos del análisis

estadístico y en principio producen cálculos correctos, pero no
garantizan que obtendremos resultados válidos y correctos.
Consideraremos brevemente las ventajas y desventajas de usar una
computadora para procesar datos y consideraremos algunas formas de
armar archivos de datos.
1.9.1. VENTAJAS Y DESVENTAJAS DE USAR UNA COMPUTADORA

a) Ventajas
- Exactitud y velocidad. Cuando el software es de calidad se obtienen

resultadoscorrectos rápidamente.
- Versatilidad. Se tiene acceso a un amplio rango de técnicas

estadísticas. Muchas más de las que es posible describir en cualquier
curso de estadística.
- Gráficos. Se pueden producir representaciones de los datos originales

o de los resultados obtenidos que permiten una mejor visualización.
- Flexibilidad. Una vez que se ha construido la base de datos, se pueden

realizar
pequeños cambios y repetir el análisis. Por ejemplo, es posible excluir

algunos casos, hacer análisis por subgrupos o estratos, etc.
23

- Nuevas variables. Es simple generar nuevas variables. Ejemplo:
diferencia entre mediciones antes y después de un tratamiento, calcular
edad como diferencia de fechas,
crear variables categóricas a partir de variables numéricas,

recategorizar variables cualitativas, realizar transformaciones, etc.
- Volumen de datos. Algunos programas pueden procesar un número

de registros o de variables ilimitado.
b) Desventajas
- Errores en el software. Muchos paquetes estadísticos de uso corriente

presentan errores en algunos procedimientos. Los más seguros son:
EXCEL, SAS, S-PLUS, STATA, SPSS e INFOSTAT. Si no se tiene seguridad
acerca de la calidad del software que se está usando debería
chequearse comparando los resultados de cada procedimiento con
ejemplos de libro o con software de primer nivel.
- Versatilidad. Esta ventaja se transforma en desventaja porque al haber

tantos métodos estadísticos disponibles es fácil usar uno inapropiado. Es
importante que el usuario tenga en claro sus limitaciones en
conocimientos estadísticos y use sólo los métodos
que comprende. Si el problema parece requerir métodos que no son

familiares, es aconsejable consultar a un estadístico.
1.9.2. RECOMENDACIONES
Antes de realizar cualquier análisis estadístico en cualquier software es
importante verificar que los datos estén bien tabulados es
transcendental revisar por segunda ocasión para estar seguro, por
experiencia este es el error más común del investigador.
24

GRÁFICAS ESTADÍSTICAS USADAS
2.0 GRÁFICAS ESTADÍSTICAS USADAS
DIAGRAMA CIRCULAR
Es de especial utilidad para mostrar proporciones (porcentajes) relativas

de una variable. Se crea marcando una porción del círculo
correspondiente a cada categoría de la variable. Ejemplo Productos
industrializados en Ecuador de enero a Marzo 2016.
PRODUCTOS INDUSTRIALIZADOS
Derivados de petróleo
3%
Café elaborado
11%
1%
25% 2%
elaborados de cacao
53%
39%
3% Harina de pescado
3%
10% Otros elab.productos del
3% mar
DIAGRAMA DE BARRAS
Es una forma gráfica de representar datos cualitativos que se han

resumido en una distribución de frecuencias, de relativas o de
porcentuales. Hay varios tipos de gráficos de barras, como son :
GRÁFICA SIMPLE DE BARRAS VERTICALES
Para respuestas categóricas cualitativas en el que solo interviene una

barra para cada clase. Su trazo se realiza ubicando en el eje horizontal
de la gráfica los nombres que identifican cada una de las clases. En el
eje vertical se usa una escala de frecuencias, una de frecuencias
relativas o una de porcentuales. Luego, con una barra de un ancho fijo
trazada sobre cada indicador de clase llegamos a la altura que
corresponde al tipo de frecuencia escogido. Las barras se separan a fin
de señalar que cada clase es una categoría independiente. Los
espacios entre las barras deben corresponder a la mitad del ancho de
una barra.
26

700.000
600.000
500.000
400.000
300.000
200.000
100.000
0 Enero -Marzo 2016
GRÁFICA SIMPLE DE BARRAS HORIZONTALES
Se utiliza principalmente para facilitar la comparación entre las

diferentes clases que componen los datos categóricos. El trazo de la
gráfica es muy similar a la gráfica de barras verticales, solo que éstas
van en forma. De esta manera se logra una mejor visualización en las
preferencias.
Otros
Manufacturas de textiles
Sombreros
manufacturas de metales
Químicos y fármacos
Otros elab.productos … Enero -Marzo 2016
Harina de pescado
elaborados de cacao
Café elaborado
Derivados de petróleo
0 400.000 800.000
27

GRÁFICA DE BARRAS COMPONENTES
Este tipo de gráfica se usa cuando las diferentes categorías de datos

se componen de otras clases , de tal forma que cada barra se pueda
subdividir y representar cada una de estas clases .Así mismo, entre las
categorías y sus componentes se compara valores. También se le
conoce como barras agrupadas. Se puede hacer uso de
barras horizontales o de barras verticales; su escogencia depende de
lo que se pretenda ilustrar para que facilite su visualización.
160.000
140.000
120.000
100.000
80.000
60.000 Enero
40.000
20.000 Febrero
0 Marzo
Abril
Mayo
GRÁFICA DE BARRAS SECCIONADAS
Esta gráfica compara entre categorías el aporte de cada valor al total

,dando lugar a una columna apilada para cada clase. También se
puede presentar de manera horizontal o vertical
28

Otros
Manufactura…
Sombreros
manufactura…
Enero
Químicos y …
Febrero
Otros … Marzo
Harina de … Abril
elaborados … Mayo
Café …
Derivados de …
0 100.000 200.000 300.000 400.000 500.000 600.000 700.000
DIAGRAMA DE PARETO
Es un tipo especial de diagrama de barras verticales, donde las

respuestas categóricas se grafican en orden descendente de
frecuencias y se combinan con un polígono acumulado en la misma
escala. El diagrama de Pareto se usa ampliamente en el
control estadístico de procesos y el control estadístico de la calidad del
producto.
Lo que se pretende con este tipo de grafico es describir en donde se
presenta el mayor porcentaje del problema y que factores lo afectan.
Este concepto, se conoce como la regla de 80-20, considera que el 80%
de la actividad se debe al 20% de los factores. Al concentrarse en el
20% de los factores, los gerentes pueden atacar el 80% del problema.
29

20 100
18 90
16 80
14 70
12 60
10 50
8 40
6 30
4 0,146341463
0,231707317
0,329268293
0,38 0,52 0,61 0,88 0,91 0,95 1,00 20
2 10
0 0
DIAGRAMA DE BARRAS
Tienen el mismo uso que los datos categóricos, solamente que

intervienen dos variables, una que representa el tiempo y la otra
cantidad ( Ingresos, ventas, IPC, Costos, No. De unidades producidas,
etc.). Dependiendo de lo que se quiera representar se ofrecen
los diagramas de barras simples, de componentes, bidireccionales y
seccionados.
Enero-Marzo
800.000
600.000
400.000
200.000
0
30

GRÁFICAS DE LINEA
Se ilustra mediante segmentos de línea los cambios en cantidades con

respecto al tiempo. Son especialmente útiles en el comercio y en los
negocios.
700.000
600.000 603.988
500.000
400.000 380.435
300.000
200.000 176.579
146.727
100.000
44.69747.33048.372 47.770 10.81532.379 Serie1
0
DATOS NUMERICOS
HISTOGRAMAS
Una de las maneras más comunes de representar una distribución de

frecuencia . Su grafica consiste en un conjunto de barras, en la que la
base de cada barra representa una clase o intervalo, indicada en el eje
horizontal, y la altura por su frecuencia, indicada en el eje vertical.
Generalmente las barras se trazan adyacentes una a la otra.
31

HISOGRAM A DE FRECUANCIAS
8
Número de estudiantes
6
2
5
1
4
1
55,55 60,55 65,55 70,55 75,55 80,55
Pes o (Kg)
POLÍGONO DE FRECUENCIA
De segmentos de línea que conectan los puntos formados por la

intersección del punto medio de clase y la frecuencia de clase
absoluta, relativa o porcentual.
PRODUSTOS INDUSTRIALIZADOS
25
20
FFRECUENCIA
15
10
OJIVA
Es un polígono acumulado de frecuencia absoluta ,relativa o

porcentual y por lo tanto representa segmentos de línea que se origina
al conectar los puntos formados por la intersección entre el límite inferior
32

de cada clase con la frecuencia acumulada. Es conocida como
POLÍGONO DE FRECUENCIA ACUMULADA MENOR QUE, ya que muestra
el número o porcentaje de observaciones menores a cierto valor. La
ojiva es importante por que nos permite extrapolar información que la
distribución de frecuencia oculta y así como calcular estadísticos como
la mediana, cuartiles, deciles y percentiles, en forma aproximada. Para
construir la ojiva se debe primero elaborar la distribución de frecuencia
menor que.
(Ojiva)
20 100
18 90
16 80
14 70
12 60
10 50
8 40
6 30
4 20
2 10
0 0
DIAGRAMA DE CAJA
Es una representación gráfica, basada en cinco números estadísticos:

valor mínimo, Q1, la mediana, Q3 y valor máximo. Se utiliza como una
técnica de ANÁLISIS EXPLORATORIO DE DATOS y tiene la ventaja de que
no se requiere de la desviación estándar, ni de la media aritmética y así
como de resumir los datos en una distribución de frecuencia, situación
que si necesita el histograma, el polígono y la ojiva. Para su trazo, se
lleva a cabo
los siguientes pasos:
1. Crear una escala apropiada a lo largo del eje horizontal

2. Dibujar una caja entre el Q1 y el Q3
33

3. Dentro de la caja trazamos una línea recta vertical que representa la
mediana
4. Finalmente, trazamos líneas horizontales de la caja hasta el valor
mínimo y de la caja hasta el valor máximo. A estas líneas horizontales
fuera de la caja se les conoce como “bigotes”
2.1. DISTRIBUCIÓN DE FRECUENCIAS

La distribución de frecuencia es un método utilizado para organizar y
resumir la información. Indicando en número de veces que se repite.
Estos pueden presentarse en cuadros o en forma gráfica.
Es el resultado de ordenar una serie de valores obtenidos al medir una

variable. La distribución de frecuencia es un cuadro de datos que
básicamente se compone de dos columnas; en la aparecen los valores
de la variable y en la segunda las frecuencias, es decir el número de
veces que se ha presentado cada puntuación.
Si el número total de datos obtenidos es suficientemente grande, se

puede simplificar los datos, con una distribución de frecuencia
agrupadas en intervalos. También se utiliza frecuencias acumuladas en
la que las frecuencias de cada intervalo se suman todos los intervalos
inferiores.
Toma de datos: Es la obtención de una colección de los mismos que no

han sido ordenados numéricamente. Un ejemplo Una muestra aleatoria
de 100 estudiante de una universidad se tomo el peso (Kg)
34

Ordenación: Llamado también “Arreglo” es la disposición de los datos
en cierto orden de magnitud, sea este creciente o decreciente. Su
observación lleva de inmediato a tratar de averiguar cuál es la
diferencia que existe entre los valores extremos del arreglo (rango)
Rango:Se lo conoce también como “recorrido o rango” es la diferencia

entre el dato mayor menos el dato menor de su número, siguiendo
con el ejemplo de los estudiantes tendremos:
X1= 54 X2= 55 X3= 55 X4= 58 X5= 60 X6= 62 X7= 63 X8= 63 X9= 63 X10= 64
X11= 65 X 12=65 X13= 66 X14= 66 X15= 67 X16= 67 X17= 67 X18= 67 X19= 67 X20=69
X21= 69 x22=72 X23= 72 X24= 73 X25= 73 X26= 73 X27= 73 X28= 76 X29= 77 X30= 80
Ejercicio resuelto:
Rango menor = m (54)
Rango mayor = M (80)
Entonces para obtener el rango:
R = M –m
M=R+m m=M-R
M = 26 + 54 m = 80 - 26
R = 80 – 54
M = 80 (Mayor) m = 54 (Menor)
R = 26
Los datos extremos de este arreglo son 54 y 80 Kg respectivamente y el

rango es igual a 80-54 = 26
Cuando el número de datos que se dispone es grande es conveniente

distribuirlo en clases o categorías y determinar el número de datos que
pertenecen a cada categoría, número que constituye la frecuencia
de clase. Una ordenación tabular de los datos en clases y con las
frecuencias correspondientes a cada una, se conoce como una
distribución de frecuencias o tabla de frecuencias.
Distribución de frecuencia de peso de estudiantes (kilogramos) de 30

estudiantes de una universidad. Los datos ordenados y resumidos
como la distribución de frecuencias anterior, se suelen llamar datos
agrupados en intervalos de clase.
35

2.1.1. INTERVALOS DE CLASE
Un símbolo que define una clase, tal como 54 a 59 de la tabla 2.1, se
conoce como intervalo de clase. Los números extremos de 54 y 59 son
los límites de clase; el número 54 es el límite inferior de la clase y el
mayor 59 es el límite superior.
Nota.- Los términos clase e intervalo se utilizan se utilizan a menudo

indistintamente, aunque el intervalo de clase realmente es un símbolo.
Reglas para obtener las tablas de frecuencia:
Aplicando la fórmula de Sturges K = 1 + 3,323 (log n) o K raíz de n
Valor del intervalo W = R/K
Donde R es el rango
En este ejercicio se tendrá que k = 1 + 3,323 (log30) = 5,90 lo

aproximamos a 6, pero se hubiera podido considerar que m = 5, sin
embargo la aproximación no tiene importancia.
2.1.2. TAMAÑO O ANCHURA DE UN INTERVALO DE CLASE

Para obtener el intervalo de clase se lo realiza de la siguiente manera:
R = 26 / 6 = 4 ,33 correspondería a la anchura de la clase o longitud de
clase.
Entonces a partir de 54 se empieza el límite inferior para formas los

distintos intervalos como se muestra a continuación en la siguiente
tabla.
Tabla 2.1
N° Clase Alturas (pulgadas)
(FA)
1 54 - 58.3 4
-
2 58.3 62.6 2
-
3 62.667 66.9 13
-
4 66.9 71.2 2
-
5 71.2 75.5 6
6 75.5 - 80.0 3
∑ 30
36

La primera clase o categoría, por ejemplo, comprende pesos
de 54 a 59 kilogramos y viene indicada por el símbolo 54-59. Puesto que
4 estudiantes tienen una altura perteneciente a esta clase
Si lo pesos se registraron con aproximación, el intervalo de clase 54 – 59

teóricamente se conoce como limites reales de clase o límites
verdaderos
Marca de clase
La marca de clase es el punto medio del intervalo de clase y se

obtiene sumando los límites inferior y superior de la clase y dividiendo
para dos. Así la marca de clase del intervalo (54+ 59)/2 = 56,5 este
valor también se lo llama punto medio de la clase.
HISTOGRAMA Y POLIGONOS DE FRECUENCIA

Son representaciones gráficas de las distribuciones de frecuencia
Un histograma o histograma de frecuencia consiste en una serie de

rectángulos que se caracterizan por:
Sus bases sobre un eje horizontal (eje x) con centros en las marcas de
clase y ancho igual al tamaño de de los intervalos de clase.
Superficies proporcionadas a las frecuencias de clase
Un polígono de frecuencia es un gráfico de línea trazado sobre las

marcas de clase de los rectángulos en el histograma. (Ver Capitulo II).
2.1.3. DISTRIBUCIÓN DE FRECUENCIAS RELATIVA

Si la frecuencia de cada una de las clases se divide por el total de
frecuencias de todas las clases, y el resultado se multiplica por 100, de
esta manera se obtiene la frecuencia relativa de la tabla2.1 es 9/100=
0.09 = 9 %. La suma de las frecuencias relativas de todas las clases es 1
o 100 %.
Si las frecuencias en la tabla anterior se sustituyen por las

correspondientes frecuencias relativas, la tabla resultante distribución
de frecuencias relativas, distribución porcentual o tabla de frecuencias
relativas.
Las distribuciones de frecuencias relativas tienen también como

representaciones gráficas: histogramas y polígonos. Para aquello se
37

siguen los mismos procedimientos dados; la diferencia está en el
cambio de escala del eje de las ordenadas o frecuencias del
histograma otros autores le denominan polígonos de frecuencias.
2.1.4. DISTRIBUCIÓN DE FRECUENCIAS ACUMULADA

Además de conocer el número de observaciones que hay para cada
clase, es importante también conocer el total de observaciones que
existe desde la primera clase hasta una categoría determinada. Por
ejemplo la frecuencia acumulada del intervalo de clase 68.1 – 73
inclusive en la tabla 2.1 la suma de la frecuencia absoluta es = 30
significando que 30 estudiantes tienen pesos menores que 73
kilogramos.
Una tabla que represente las frecuencias acumuladas se llama

distribución de frecuencias acumuladas, para la distribución del peso de
los estudiantes.
2.1.5. DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS Y ACUMULADAS
2.1.6. GRAFICAS APLICADAS AL DESARROLLO DE LA TEORÍA DE

FRECUENCIAS
Diagrama de frecuencias. Son mayormente usados para representa las
frecuencias relativas y absolutas. Se representan por líneas delgadas
verticales u horizontales.
Ejemplo 1. Con los datos de la tabla 2.1 elaboraremos los respectivos

diagramas de frecuencias.
Un
histograma es la representación gráfica en el plano coordenado
de las,
características concentradas en la tabla de frecuencias de una
variable continua (Figura 2.)
38

HISOGRAMA DE FRECUANCIAS
8
6
2
5
1
4
1
55,55 60,55 65,55 70,55 75,55 80,55
Peso (Kg)
Figura 2. Histograma para el peso kg de estudiantes. En la tabla de

frecuencias 2.1.
Figura 3. Modelos de distribución y asimetría del histograma.
39

2.1.7. USANDO EXCEL E INFOSTAT
Procedimiento en Excel
Dar clic en inicio
Buscar Excel 2016
40

Ingresar los datos
41

Contar la cantidad de datos
54 y 80 kg respectivamente y el rango es igual a 80 – 54 = 26.
Cuando el número de datos que se dispone es grande es conveniente

distribuirlo en clases o categorías y determinar el número de datos que
pertenecen a cada categoría, número que constituye la frecuencia de
clase. Una ordenación tabular de los datos en clases y con las
frecuencias correspondientes a cada una, se conoce como una
distribución de frecuencias o tabla de frecuencias.
Distribución de frecuencia de peso de estudiantes (kilogramos) de 30

estudiantes de la universidad. Los datos ordenados y resumidos como la
distribución de frecuencias anterior, se suelen llamar datos agrupados
en intervalos de clase.
42

Procedimiento en Excel
Ingresar la fórmula para calcular el valor máximo o Rango Mayor
Calcular el valor mínimo
43

Para calcular el Rango= Valor Max – Valor min
INTERVALOS DE CLASE
Un símbolo que define una clase, tal como 54.00 a 58.33 de la tabla 2.1.,
se conoce como intervalo de clase. Los números extremos de 54.00 y
58.33 son los límites de clase; el número 54.00 es el límite inferior de la
clase y el mayor 58.33 es el límite superior.
Nota. - los términos clase e intervalo se utilizan a menudo

indistintamente, aunque el intervalo de clase realmente es un símbolo.
Reglas para obtener las tablas de frecuencia:
Aplicando la fórmula de Sturgues K=1+3.323(logn)o K raíz de n
Valor de intervalo W = R/K
Donde R es el rango.
En este ejercicio se tendrá que k= 1 + 3,323 (log30) = 5.90 lo

aproximamos a 6, pero se hubiera podido considerar que m=5, sin
embargo la aproximación no tiene importancia.
44

Para calcular el N° de Intervalos aplicamos la fórmula de Sturges y
redondear el resultado.
TAMAÑO O ANCHURA DE INTERVALO DE CLASE
Para obtener el tamaño o amplitud del intervalo de clase se lo realiza

de la siguiente manera Rango/N° de intervalos ejemplo: 26 / 6 = 4.333.
Procedimiento en Excel:
Aplicar: Tamaño del Intervalo= Rango/N° de Intervalos
45

Entonces a partir de 54 empieza el límite inferior para formar los distintos
intervalos como se muestra a continuación en la siguiente tabla.
La primera clase o categoría, por ejemplo, comprende de 54 a 58.333

kilogramos y viene indicada por el símbolo 54 – 58.333. cuatro
estudiantes tienen el peso perteneciente a esta clase.
Para el cálculo del límite inferior para formar los distintos intervalos con el
ejercicio anterior se lo realiza de la siguiente forma:
Crear una tabla e ingresar el límite inferior “54”
Con el valor mínimo que en este caso es 54 sumar el la amplitud o

tamaño del intervalo
46

Agregar el segundo límite inferior y sumar la amplitud del intervalo
“4.333”
Realizar el mismo procedimiento con las demás clases o categorías
47

Si los pesos se registraron con aproximación, el intervalo de clase 54 – 59
teóricamente se conoce como limites reales de clase o limites
verdaderos.
MARCA DE CLASE
La marca de clase es el punto medio del intervalo de clase y se obtiene

sumando los límites inferior y superior de la clase y dividiendo para 2. Así
la marca de clase del Intervalo (54 + 58.33) / 2= 55.2 este valor también
se lo llama punto medio de la clase.
Colocar = (lím inferior + lím superior) /2 y arrastrar la fórmula para los

demás valores
48

Arrastrar la fórmula para los demás datos
HISTOGRÁMAS Y POLIGONOS DE FRECUENCIA
Es la representación gráfica de las frecuencias agrupadas de una

variable continua sobre intervalos. A diferencia de los diagramas de
barras, los histogramas dibujan rectángulos unidos entre sí, lo que
significa que existe continuidad en la variable cuyos valores se
representan en el eje horizontal que se haya dividido en intervalos de
igual amplitud. Las áreas de los rectángulos son proporcionales a las
frecuencias que representan.
Son distribuciones graficas de las distribuciones de frecuencias consiste

en una serie de rectángulos que se caracterizan por:
Sus bases sobre un eje horizontal (eje x) con centros en las marcas de la
clase y ancho igual al tamaño de los intervalos de clase.
Superficies proporcionadas a las frecuencias de clase.
Un polígono de frecuencia es un gráfico de línea trazado sobre las

marcas de clase de los rectángulos en el histograma.
49

FRECUENCIAS ABSOLUTAS
FRECUENCIAS ABSOLUTAS ACUMULADAS
La primera será la misma que la frecuencia absoluta
La segunda será el valor acumulado de la primera frecuencia absoluta

más la segunda “4 + 2= 6
Para las siguientes frecuencias arrastrar la formula y observar que la

última frecuencia es igual al número de datos, es un indicativo que se
está realizando correctamente el proceso.
50

DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS
La frecuencia relativa acumuladaes el cociente entre la frecuencia

acumulada de un determinado valor y el número total de datos.
Si la frecuencia de cada una de las clases se divide por el total de

frecuencias de todas las clases, y el resultado se multiplica por 100, de
esta manera se obtiene la frecuencia relativa es 9/100= 0,09= 9%. La
suma de las frecuencias relativas de todas las clases es 1 0 100%.
Si las frecuencias en la tabla anterior se sustituyen por las

correspondientes frecuencias relativas, la tabla resultante distribución de
frecuencias relativas, distribución porcentual o tabla de frecuencias
relativas.
Las distribuciones de frecuencias relativas tienen como representaciones

graficas: histogramas y polígonos. Para ello se siguen los mismos
procedimientos dados, la diferencia está en el cambio de la escala del
eje de las ordenadas o frecuencias del histograma otros autores le
denominan polígonos de frecuencias.
Procedimiento de la frecuencia relativa
Para el calcula de la frecuencia relativa es = frecuencia absoluta /

número de datos y presionar F2 y luego F4 para evitar cambios en los
resultados al arrastrar la fórmula.
51

Intervalos de Clase Marca de ni h hi Hi
clase
Arrastrar la formula.
FRECUENCIAS RELATIVAS ACUMULADAS
La primera frecuencia relativa acumulada será igual a la primera

frecuencia relativa (%).
La segunda frecuencia relativa acumulada será la suma de la primera

frecuencia relativa más la segunda
52

Lim. Inferior o Lim. Superior o
rango menor rango Mayor
54 58.3 56.17 4 0.13 4 0.13
58.3 62.6 60.50 2 0.07 6 0.20
62.67 67 64.83 13 0.43 19 0.63
67 71.33 69.17 2 0.07 21 0.70
71.33 75.67 73.50 6 0.20 27 0.90
75.67 80 77.83 3 0.10 30 1.00
30
F. Relativ. F. A. F. R.
F. Abs
(%) Acum. Acum
Arrastrar la fórmula para las demás categorías.
53

USANDO EL INFOSTAT:
En el menú inicio buscar INfostat
Ingresar a Infostat.
Seleccionar Archivo y Nueva Tabla.
Copiar los datos de Excel
54

Clic derecho sobre la columna 1 en Infostat y seleccionar Pegar
Incluyendo nombre de columnas.
55

Ir a Estadística y seleccionar tabla de frecuencias
Pasar a variable “PESO” y aceptar.
56

Seleccionar las frecuencias Absolutas acumuladas y Frecuencia relativa
acumulada, en número de clases personalizado 6 y aceptar.
57

HISTOGRAMAS
Seleccionar gráficos e histograma
Elegir la variable “Calificaciones” y aceptar.
58

Numero de clases “6”
59

Grafico
60

CAPITULO III
61

MEDIDAS DE TENDENCIA O POSICIÓN CENTRAL
3.0. MEDIDAS DE TENDENCIA O POSICIÓN CENTRAL
En el capítulo anterior se estudió la madera de cómo agrupar

tubularmente y analizar de una manera simple un conjunto de datos
obtenidos por medio de una investigación. En un arreglo de datos que
ofrece una información acerca de la variable en estudio, sin embargo
no todo se ha dicho a cerca de la distribución; tal vez sería
conveniente hallar otras descripciones fundamentales de la variable y
de su distribución; por ejemplo describir simplificada mente y
representar a toda la variable o al conjunto de datos recolectados de
una variable con el promedio o medidas de tendencia central.
También es necesario afirmar que existen varias medidas que

describen el centro de una distribución que ofrece un conjunto muy
grande de datos que por razones de exposición se han aproximado
mediante una curva de trazo continuo.
Estas medidas de posición o tendencia central, denominados también

como promedios, nos permiten determinar la posición de un valor
respecto a un conjunto de datos, el cual se considera representativo o
típico del total de las observaciones, sin embrago estas medidas se les
denomina también estimadores o estadígrafos determinados a partir de
un conjunto de datos de la población (Martínez, 2007).
3.1. NOTACIÓN MATEMÁTICA NECESARIA

Antes de estudiar las medidas de tendencia central es conveniente
describir y que el estudiante conozca el uso de ciertos símbolos y
notación para las variables y sus valores particulares. Ya que si una
variable se denota por x, los valores particulares que toma la variable o
sea las observaciones, pueden expresarse como:
X1, X2, X3……., Xi……., XN.
En esta notación, un valor cualquiera se representa como Xi (léase “X

sub i”), generalmente coincide coma la i – esima observación, y si hay
N observaciones se dice que el valor de i varía hasta N.
Nota: Cuando todos los elementos que forman un conjunto son

muchosy conocidos, no es necesario escribir, bastará con algunos de
ellos, generalmente tres, seguido con una coma y después tres puntos
seguidos.
62

Muchas veces es necesario indicar la suma de las observaciones de
X, si N es pequeña; pero en caso contrario si N es muy grande es
necesario usar la letra griega sigma mayúscula, ∑que significa “la suma
de “.
n
å Xi 1
Este símbolo se lee “la suma de X –sub-i, donde i va de 1 hasta N

observaciones”.
La letra colocada debajo del símbolo de suma se llama índice de suma.
Ejemplo:
Sea X 1 = 4 ; X2 = -2 ; X3 = 8
Solución
3
å Xi = X1 + X2 + X3 = 4 – 2 + 8 = 10
i =1
å 3 Xi = 3X1 + 3X2 + 3X3 = 12 – 6 + 24 = 30

i =1
å Xj =
j =2
X2 + X3 = -2 + 8 = 6
å Xk =
k =1
X1 + X2 = 4 – 2 = 2
Problema
Para los siguientes datos del ejercicio a) halle el valor de å Xi 2

.
Solución:
åX 2
i = X21 + X22 + X23 = 42+ (-2)2 + 82
= 16 + 4 + 64
= 84.
63

TEOREMA
Un factor constante, que afecta a una variable, puede sacarse del

símbolo de suma Así, si (a) es una constante y X una variable, entonces:
n n
å aXi = a→
1=1
å Xi
1=1
Prueba:
n
å aXi = aX1 + aX2 +…. + a Xn

1=1
= a (X1 + X2+ …. + Xn)
=a å Xi
3.2. LA MEDIA ARITMETICA

La media aritmética o simplemente llamada media de un conjunto de n
número tales como X1, X2, ……XN, se denota por X (léase X barra) y se
define como “la suma de los valores de n números dividodas en n “.
Representación gráfica del concepto de media
Usando los símbolos explicados, puede describirse como:

n n
X 1 + X 2 + ........ Xn
X =
n
= å Xi / n muestra;
1
µ= å Xi / N
1
población
La media aritmética se conoce también con el nombre de promedio.

Sin embargo, este término se usa para señalar a otras medidas de
tendencia central.
Ventajas:
Es fácil de calcular y comúnmente usada
Es estable en el muestreo
Es altamente sensible a cualquier cambio de los datos
64

Desventajas:
Sus valores pueden ser distorsionados por valores extremos y por

consiguiente puede no resultar muy representativa para la población o
muestra.
Cuando una distribución es asimétrica puede que la media difiera de la

moda, y mediana haciéndola menos representativa
Ejemplo 1:
Hallar la media de 11, 14, 17, 20, 16 y, 20 con aproximación de las cifras
decimales.
11 + 14 + 17 + 20 + 16 + 10 88
X= = = 14,67
6 6
Ejemplo 2:
La media aritmética de 8, 3, 5, 12, 10 es:
8 + 3 + 5 + 12 + 10 38
X= = = 7,60
5 5
3.3. OTROS TIPOS DE MEDIA
LA MEDIA GEOMETRICA Mg = Mo
La media geométrica se expresa como “raíz n-ésima del producto de
los números que forman los datos de la variable”
Fórmula
Datos sin agrupar; MO = X 1.X 2.X 3.....XN ; MO = p .X 1
Datos agrupados; Mo = f 1. f 2. f 3..... fN
Las fórmulas algunas veces es conveniente expresarla en forma logarítmica como:
1
Log Xg= (Log X1 +... log XN)
N
Ejemplo 1:
Hallar la media geométrica de los números 2, 4 y, 8

' '
MO = 2 . 4 . (8) = 64 = 4 respuesta
65

Problema:
Hallar la media geométrica en una ganadería bovina con los siguientes

datos:
Cabezas de ganado Año Relación
1500 1940 ..
3000 1950 2
24000 1960 8
Solución: Mo = 2x8 = 16 = 4
4 x 1500 = 6000
4 x 6000 = 24000 (Es más real)
Usando X seria:
X = (2+8)/2= 5
entonces: 5 x 1500 = 7500
5 x 7500 = 375000 (No es cierto)
3.4. LA MEDIA PONDERADA
Para comprender el concepto de media ponderada pongamos el

siguiente ejemplo: supongamos que en una tienda de agroquímicos se
venden tres marcas de bioles a $4.40, $ 4.20 y, $ 4,30 en día cualquiera
se vendieron los productos con los tres precios. El precio medio de
venta sería:
4.10 + 4.20 + 4.30

X = = 4.20
3
Pero si demás se conoce, que vendieron 23 bioles marca A de 4.20, 72

bioles marca B de 4.10 y, 5 bioles marca C de 4,30
(23 x 4.20) + (72 x 4.10) + (5 x 4.30) 413.30

X= = = 4.13
23 + 72 + 5 100
66

Cantidad que es más representativa, que el simple valor medio hallado
inicialmente.
Definición:
Dado un conjunto de observaciones tales como X1, X2,… + XNy un

conjunto de valores P1, P2,…, PN, asociados con cada observación Xi,
respectivamente, recibiendo el nombre de factores de ponderación.
X 1P1 + X 2 P 2 + .... + XNPN

Media ponderada; X p =
P1 + P 2 + ... + PN
= å XiPi / å Pi
3.4.1. Propiedades de la media

Es necesario conocer y manejar correcta las propiedades que tiene la
media, ya que ayuda mucho a comprender ciertas operaciones
matemáticas.
La suma de las desviaciones respecto a la media (simple y ponderada)

es cero
En datos no agrupados n __
å ( Xi - X ) = 0
1
Ejemplo 1
Sean los números 2, 5, 7, 9 y, 12 con X = 7
1, 3, 5, 7 y, 9 con X = 5
Las desviaciones con respecto a la media, se simboliza como dj = Xi -

X , y la suma de estas desviaciones de la siguiente manera:
d1 = 2 – 7 = -5 Si las desviaciones de N números X1, X2,…XN de un número

cualquiera A son: d1= X1 – A, d2 = X2 – A, dN = XN – A que:
d2 = 5 – 7 = -2
d3 = 7 – 7 = 0 X=A+ å di / N = å d / N puesto que dj = Xj –A y Xj = A
d4 = 9 - 7 = 2
+ dj: X = å dj / N = å A + dj / N = å NA + Sumatoriadj / N =
d5 = 12 - 7 = 5
5
å dj = 0 A + å dj / N
i =1
67

__
En datos agrupados åZn = å
i i (Yi - Y )ni = 0
Aplicación:
Xi Fi Xi - fi Xi - X di fi
2 3 6 3,9 11,7
4 4 16 1,9 7,6
6 6 36 0,1 0,6
8 5 40 2,1 10,5
10 2 20 4,1 8,2
∑ 20 118 ….. 0
X 5,9
La media de una constante es igual a la constante )* = K Si un técnico

poda 4 parcelas de cacao y en todos ellos alcanzó podar 4 su
promedio será cuatro.
4 + 4 + 4 + 4 16
X= = =4
4 4
Si cada valor de un conjunto X1, X2,………, XNse multiplica (o se divide)

por una constante, la media aritmética del nuevo conjunto es igual a la
media aritmética del conjunto original multiplicado (o dividido) por la
constante. En una industria azucarera se proceso 20 sacos con un peso
en kilos de 1.190. Cuantas libras corresponderá.
1.190
X= = 59.5kilos
20
3.5. MODO = MODA = VALOR MODAL: Md

La moda se define como el valor o número que ocurre con más
frecuencia, o también el valor que más se repite. Aunque pueden existir
68

casos de dos modas o más tienen la denominación bimodal o
plurimodal.
Ejemplo1:
En el grupo siguiente 1, 5, 5, 9, 12, 12, 12, 14
En este ejemplo la moda será 12 en este caso en unimodal
Ejemplo 2:
En un conjunto de datos se registro los siguientes valores 2, 9, 21, 33, 72
En este ejemplo no existe valor modal.
La moda en datos agrupados
En el caso de datos agrupados donde se ha construido una curva de

frecuencias para ajustar los datos, la moda el valor de X
correspondiente al máximo de la curva. Este valor de X se representa
muchas veces con +.
De una distribución de frecuencias o un histograma, la moda puede

obtenerse conla siguiente fórmula:
∆-
Moda: Md = L1+ c
∆./∆-
Donde:
L1 = Límite real inferior de clase (es decir la clase que contiene la moda)
∆1 = Exceso de la frecuencia modal sobre la frecuencia de la clase

contigua inferior
∆2 = Exceso de la frecuencia modal sobre la frecuencia de la clase

contigua superior
c = Tamaño de intervalos de clase modal
3.6. MEDIANA Me
Es considerada como una medida de tendencia central, su importancia

que la media aritmética, sin embargo para evitar dejarse llevar por
valores extremos. Es estable, y se la describe como un punto medio de
69

un conjunto de datos, a este valor se le denomina mediana de n valores
(Freund).
3.6.1. Mediana en datos no agrupados
Dado un conjunto de datos en orden creciente de magnitud, la

mediana es el número colocado en el centro del arreglo, de tal forma
que una mitad de las observaciones esté por encima y la otra por
debajo de dicho valor. Si el número de observaciones es par, la
mediana es la media de los valores centrales.
Ejemplo1:
X1 , X2 , X3 , X4 , X5 , X6 , X7 , X8 ,
Sean los números 3 4 4 5 6 8 8 10 n=8 La mediana = 5.5
Sena los números 5 5 7 9 11 12 15 18 n=8 La mediana = 14.5
9 + 11 X (n + 1)
Me = = 14,5 Fórmula = Me = , impar
2 2
Xn / 2 + Xn / 2 + 1
= Me = , impar
2
3.6.2. Problemas:
Hallar la mediana de siguientes datos: 10, 11, 14, 16, 17, 20, calcular la
media aritmética y la mediana:
Solución:
n= 6
10 + 11 + 14 + 16 + 17 + 20 88
X= = = 14.67
6 6
Los valore corresponden a X3 y X4 entontes la mediana será:
14 + 16 30
= = 15
Me = 2 2
En este caso el valor de la media y mediana se ajustan, sin embargo la

mediana es más representativa respecto al punto medio o valor central.
70

3.6.1. La mediana con datos agrupados
Si se tiene una distribución de frecuencia, la mediana es igualmente ese

valor que tiene 50% de las observaciones por debajo y 50% por encima.
Geométricamente, la mediana es el valor de X sobre el eje de las
adsisas correspondiente a la ordenada que divide un histograma en
dos partes iguales.
Para hallar el valor de la mediana en el casos de datos agrupados,

debe encontrarse primero la clase mediana, la que define como la
clase más baja para la cual las frecuencia acumulada excede N/2
siendo N= å fi . Encontrada esta clave, la siguiente fórmula servirá
para hallar el valor de la mediana de la siguiente manera:

2
5 67
Mediana = Lm + 3 c
68
Donde:
Lm: es el límite real más bajo de la clase en la cual la mediana debe

caer
Fm: es la frecuencia de esa clase
FL: es la frecuencia total de todas las clases debajo de esa clase
c: es el tamaño del intervalo de la clase.
Ejemplo2:
Limites de clases
Frecuencia
N° (Kg)
1 52.5 - 57,5 8
2 57.5 - 62.5 9
3 62,5 - 67,5 6
4 67.5 - 72.5 4
5 72.5 - 77.5 2
6 77.5 - 82.5 1
30
71

En la primera clase se encuentra 8 observaciones, debidamente hallar
la mediana en la segunda clase, que indica que 15 por encima y 15 por
abajo.
Lm = 57.5
å fi
N= = 30
FL= 8
Fm: 9
c= 5
9:
5 ; 5
Mediana = 57.5 + = 57.5 + 3.9 = 61.4
<
3.7. RELACIÓN EMPIRICA ENTRE MEDIA, MEDIANA Y MODA

Para curvas de frecuencias unimodales que sean moderadamente
sesgadas (asimétricas) se tiene la relación empírica:
Media – Moda = 3 (Media – Mediana)
Moda = Mediana – 3 (Media – Mediana)
2Media + Moda 3Mediana - Moda

3 y Media = 2
Entonces: Mediana =
Por último es interesante señalar que en distribuciones totalmente

simétricas, la media, la moda y, la mediana coinciden, localizándose
en un mismo valor.
72

RELACIÓN ENTRE MEDIAS ARITMÉTICA(X), GEOMÉTRICAS (Mg) Y
ARMÓMICAS (Ma).
La media geométrica de una serie de números positivos X1, X2,…,XN es

igual que su media aritmética, pero es mayor ó igual que su media
armónica.
En símbolos H= < Mg <(X)
La igualmente los signos se presentan solamente cuando todos los

números X1, X2,…,XN. son idénticas.
Ejemplo 1: los números 2, 4, y, 8 tienen de media aritmética 4.67; media

geométrica 4.00 y de media armónica 3,43.
Entonces 3.43 < 4.00< 4,67
3.8. USANDO EL EXCEL E INFOSTAT
También podemos calcular la media aritmética en Excel siguiendo estos

pasos:
Colocamos los datos agrupados en Excel y seleccionamos el índice de

formula (círculo rojo):
73

Se desplegará una ventana donde seleccionamos la opción promedio,
clic en aceptar.
Posteriormente seleccionamos todos los puntajes de los cuales

necesitamos la media aritmética.
74

Clic en Aceptar
OTROS TIPOS DE MEDIA
LA MEDIA GEOMETRICA Mg = Mo
MEDIA GEOMETRICA EN EXCEL
Colocamos todos los datos a examinar y colocamos en la función el

comando =MEDIA.GEOM()
75

Clic en Enter y obtenemos la media geométrica
LA MEDIA PONDERADA
Para calcular la media ponderada en Excel procedemos de la siguiente

manera:
Agrupamos los datos en columnas
76

Realizamos la suma de la segunda columna:
Colocamos la fórmula para la suma total de las dos columnas

=SUMAPROMEDIO()
Una vez que tenemos los dos promedios, realizamos una división siempre
tomando en cuenta que se dividirá primero la cantidad mayor para la
menor.
77

Damos clic en acepta y ese valor será la Media Ponderada
MODO= MODA= VALOR MODAL: Md
CALCULAR MODA EN EXCEL
Colocamos los datos en una columna
En el área de fórmulas colocamos sin las comillas “=MODA( )”, entre

paréntesis pondremos las columnas desde el primer dato hasta el ultimo
separado por un “:” . Clic en Enter
78

Ese número será la Moda (Numero que con mayor frecuencia se repite
entre datos)
MEDIANA Me
CALCULAR MEDIANA EN EXCEL
Colocamos los datos en una columna
En el área de fórmulas colocamos sin las comillas “=MEDIANA( )”, entre

paréntesis pondremos las columnas desde el primer dato hasta el ultimo
separado por un “:” . Clic en Enter
79

ANALISIS DE DATOS
Clic en datos, análisis de datos.
Clic en estadística descriptiva y aceptar.
Clic en rango de entrada y en rango de salida seleccionando

respectivamente los datos, resumen de estadísticas, aceptar.
80

Obtenemos los datos.
USANDO INFOSTAT
Colocamos los datos en Infostat
Clic en Estadisticas, Medidas de resumen.
81

En variable, colocamos el Item de Columna 1
Seleccionamos los indicadores que necesitamos analizar y aceptar
Obtenemos el resultado
82

83

MEDIDAS O ESTADIGRAFOS DE DISPERS
4.0 MEDIDAS O ESTADIGRAFOS DE DISPERSIÓN
4.1. DISPERSIÓN O VARIACIÓN

Es el grado en que los datos numéricos tienden a extenderse alrededor
de un valor medio a esto se le denomina variación o dispersión de
datos. Se utiliza distintas medidas de dispersión, las más empleadas son
el rango, la desviación media, y las desviación típica y coeficiente de
variación.
4.2. RANGO O AMPLITUD

El rango o amplitud es un estadígrafo simple que permite medir la
variabilidad de un conjunto de números, en una distribución se toman
los datos extremos, es decir la diferencia entre el mayor y menor valor
de todos ellos.
Ejemplo 1:
El rango de los números 2, 3, 3, 5, 5, 5, 8, 10 y, 12
R = M – m

12 - 2 = 10
en este caso la variabilidad es 10
Obsérvese que 10 – 12 representan (A), por los tanto si los valores

fueran más extensos representados en (B) nos indicaría una mayor
amplitud por lo tanto se expresaría con una mayor variabilidad.
85

4.3. LA VARIANZA
Al estudiar las medidas de tendencia central, se expresó que “La suma

de los cuadrados de las desviaciones de un conjunto de números con
respecto a su media aritmética es mínimo”. Si esta suma se divide
entre el número de observaciones, se obtendrá una cantidad que
representará la desviación cuadrada del promedio o media, llamada
varianza, lo que es también un mínimo, que juega una papel importante
en el muestreo y en la inferencia estadística. La raíz cuadrada de la
varianza llamada varianza estándar.
Definición:
Dado un conjunto de observaciones, tales como X1, X2, X3,…,XN, la

varianza, denotada porla letra griega sigma al cuadrado, se le define
como “el cuadrado medio”, de las desviaciones con respecto a su
media aritmética.
La varianza de la población es definida como:

n _ n
V(X) = å ( Xi - u ) 2 / N; å Xi / N
=-/=.,…./=@
u= ; u=
1 1
donde N: número de variables en la población.
Nota: cuando n es menor que <30, la varianza (varianza muestral) se

define como (formula de definición):
n _
S2 = å ( Xi - x ) 2 / n-1
1
donde n es el número de variables en la muestra (n-1) es conocido

como grados de libertad. Si se conoce el valor de u, el mejor estimado
de sigma al cuadrado para una muestra es:
n _
S2 = å ( Xj - u ) 2 / n
1
86

Peso seco en gramos de cinco hojas
g/hoja X-X (X - X )2 Xi Xi2
Xi
3 0 0 3 9
4 1 1 4 16
5 2 4 5 25
2 -1 1 2 4
1 -2 4 1 1
å X = 15 å Xi =3 å ( X - X ) =10 å Xi = 15
2
å Xi 2
= 55
n _
s2= å ( Xi - x) / n - 1
1 = (3-3)2 + (4-3)2 + (5-3)2 + (2-3)2 + (1-3)2 / 5-1
= (0)2+(1)2+(2)2 + (-1)2 + (-2)2/ 4
= 0 + 1 + 4 + 1 + 4/ 4
10
s2 = = 2.5
4
Para un número mayor de muestra (<30) hay un método corto que es

más fácil de hacer, llamada fórmula de trabajo.
2
s 2= å Xi 2 - (å Xi ) / n
lo que se representa con:
( Xi 2 ) 2
s 2= å xi 2 - å n
/n-1
( Xi 2 )
donde ; å N
=
Factor de conversión
87

n – 1 = Grados de libertad
(3 + 4 + 5 + 2
2 2 2 2
+1 ) -
2 å (3 + 4 + 5 + 2 + 1) 2
15
55 - ( ) 2
s 2= å 5 -1
5 =
4
5 = 2.5
4.4. DESVIACIÓN TIPICA (Raíz de la varianza)

De lo expuesto es fácil determinar que la varianza está dada en
unidades que son los cuadrados de las unidades originales. La
necesidad de tener una medida de dispersión que esta expresada en
las mismas unidades originales, ha llevado a utilizar ampliamente la raíz
cuadrada de la varianza, la que toma el nombre de desviación
estándar, desviación típica o standard desviation:
( s2 )
Cuando es necesario distribuir la desviación típica de una población de

la desviación típica de una muestra:
Definición:
La desviación típica de una serié de N números X1, X2,…,XN se

representa por s y se define por:
s= å ( xi - x ) 2
/N å(x - x) 2
/N åx 2
/N ( x - x )2
; ; ;
donde x representa las desviaciones de cada uno de los números Xi de

la media.
Así; s es la raíz cuadrada del cuadrado medio de las desviaciones de la

media, o como a veces se le llama raíz del cuadrado medio de las
desviaciones.
88

4.5. DESVIACIÓN MEDIA O PROMEDIO DE DESVIACIÓN
De una serie de N números de datos X1, X2,… XN es posible sacar sub
muestras las que tendrán su media y su desviación: Dichas estadísticas
de X y S naturalmente, se hallan sujetas
constituyen una población
a la variación. Se espera que esta ariación va a ser menor que la
existente entre observaciones individuales, las cuales representan.
Para la población,
s2 s
su =
2
;s u = s 2 / N =
N N
Para las muestras,
2 s2 s
sx = ;s x = s 2 / n =
n n
Supongamos que tenemos la muestra formada por los números 4,6,8,y

10 para los que S2 = 6,66 y S = 2,58
s 2,58 2,58
s x
=
n
;=
4
=
2
= 1,29
o también s x = s 2 / n = 6,66 / 4 = 1,64 = 1,29
å [Xi - X ]/ N = å X - X ]/ N
N
Desviación media = M.D. =
a =1
Donde X es la media aritmética de los números y X - X es el valor

N
absoluto de las desviaciones de las diferentes Xi de X . (El valor
absoluto de un número es el mismo número sin asociarle el signo
alguno, representado por dos barras verticales a ambos lados del
número. Así [- 4] = 4, [+ 3] = 3, [6] = 6, [- 0,84] = 0,84.
89

Ejemplo:
2 + 3 + 6 + 8 + 11 30
X= = =6
5 5
X=6
2 - 6 + 3 - 6 + 6 - 6 + 8 - 6 + 11 - 6
M.D. = X =
5
-4 + -3 + 0 + + 2 + +5
= = 2,8
5
Si X1, X2,…, Xk se presentan con frecuencias f1, f2, f3, …., fk
respectivamente, la desviación media puede escribirse así;
k Xj - X X-X k
M.D. = å fj
j =1 N
=å f
N
= donde å fi = å f .
j =1
Esta forma es útil
para datos agrupados donde las diferencias Xj representan las marcas

de clase. Sin embargo las desviación media se usa muy poco.
N
Una propiedad interesante de la suma å x-a es que su valor es
mínimo cuando 3 es la mediana, es decir , la desviación media

respecto de la mediana es mínima. Siendo más apropiado utilizar el
término de desviación media absoluta que el de desviación media
(Caballero).
Representación gráfica.
90

Desviaciones de las variables B) Desviaciones absolutas de las
con respecto a la media variables con respecto a la
media
Figura 4. Representación Gráfica De Las Desviaciones : A)

Normal B) Absoluta
4.6 COEFICIENTE DE VARIACIÓN

Conocido también como variación relativa, es el grado de dispersión de dos
distribuciones que no vienen dadas en las mismas unidades o que las medias
no son iguales se utiliza el coeficiente de variación de pearson, por lo tanto no
se podrán conparar sus varianzas o sus desviciones típicas entre la media. A
medida Es posible que se expresen en la misma unidad, pero es importante
determinar la variación existente respecto a las base, por tanto es
multiplicado por cien, para ser expresado en porcentaje. Esto fue propuesto
por Karl Pearson (1895), con el objetivo de comparar la varibilidad entre varias
dostribuciones de frecuencias (Martínez,2006).
s
CV (%) = x100
Media
Asumiendo que se tiene una desviación estándar de s= 4.69 u una

media o promedio de la muestra de = 16.89
4.69
CV (%) = x100 = 27.77
16.89
Para un número mayor de muestra (<30) hay un método corto que es

más fácil de hacer, llamada fórmula de trabajo.
2
s2 = å Xi 2 - (å Xi ) / n
lo que se representa con:
( Xi 2 ) 2
s2 = å xi - å n /n-1
2
( Xi 2 )
donde ; å N =
Factor de conversión
n – 1 = Grados de libertad
91

(3 + 4 + 5 + 2
2 2 2 2
+1 ) -
2 å (3 + 4 + 5 + 2 + 1) 2
15
55 - ( ) 2
s2 = å 5 -1
5 =
4
5 = 2.5
46.1. EJERCICIO PROPUESTOS:

El rango de los numeros 28,2 -19,2- 20,3- 19,4- 20,2- 17-8- 19,8
Para sacar el rango lo primero que debemos identificar los valores

Maximos y Minimo de los datos.
M=282 m= 10,4
R= M-m
R= 28.2 - 17.8= 10,4 En este caso la variabilidad es 10.4
4.7. LA VARIANZA
Al estudiar las medidaas de tendencia central, se expreso que “La suma

de los cuadrados de las observaciones de un conjunto de numeros con
respecto a su medida aritmetica es minimo” si esta suma se divide entre
el numero de observaciones , se obtendra una cantidad que
representara la desviasion cuadrad de la media , llamada varianza , lo
que tambien es minimo que juega un papel mu importante en el
muestreo y en la ainferencia estadistica . La raiz cuadrada de la
varianza llamada varianza estandar.
Definicion.- dado un conjunto de observaciones a tales como X1

,X2,X3….XN, LA Varaianza , donotada por la letra griega sigma al
cuadrado , se lo define como el “el cuadrado medio” de las
desviaciones con respecto a su media aritmetica .
La varianaza de la pobblacion es definida como:

H
2
A + = BC + x1 − u
-
Donde N es el numero de variables en la poblacion.
92

Nota : cuan n es mayor que < 30 , la variaanza (varianaza muestral) se
define como (formula definicion)
1.-L o primero que realizamos es ingresar los datos en el excel
COEFICIENTE DE VARIACION
La fórmula para el coeficiente de variación seria
K
IA % = O 100
)LMNB
USANDO EXCEL E INFOSTAT
93

En Excel no existe una función directa para sacar el coeficiente de variación
por lo tanto debemos colocar la siguiente formula:
Clic en Aceptar y ese resultado será el Coeficiente de Variación
AHORA EN INFOSTAT….
Colocamos Nueva Tabla y agregamos los datos.
94

Clic en Estadística, posteriormente seleccionamos Analisis de Varianza
Colocamos en la parte de Variable Los Datos de la Columna 1, clic en aceptar
Seleccionamos el Item que deseemos realizar en este caso CV (Coeficiente de

Variación)
95

Clic en aceptar, y ese resultado será el CV
96

MEDIDAS DE POSISCIÓN NO CENTRALES
5.0 MEDIDAS DE POSISCIÓN NO CENTRALES
Las medidas de posición no central permiten conocer otros puntos

característicos de la distribución que no son los valores centrales. Entre
otros indicadores, suelen utilizar que se dividen la muestra en partes
iguales.
Cuartiles, Deciles y Percentiles
98

Si una serie de datos se colocan en orden de magnitud, el valor medio
(o la media aritmética de los valores medios) que divide al conjunto de
datos en dos partes iguales en la mediana. Por extensión, de esta idea
se puede pensar en aquellos valores que dividen a los datos en cuatro
partes iguales. Estos valores que dividen a los datos en cuatro partes
iguale. Estos valores, representados por Q1, Q2 y Q3 se llaman primero,
segundo y tercer cuartil, respectivamente; el valor de Q2 es igual al de
la mediana. Análogamente, los valores que dividen los datos en diez
partes iguales se llaman DECILES y se representan por D1, D2, D3, D4, D5,
D9, mientras que los valores que dividen los datos en cien partes iguales
se llaman PERCENTILES y se representan por P1, P2, P3, P4, P5, . . . . P99. El
quinto decil y el quimenogesimo percentil se corresponde con la
mediana. Y las percentiles P25 y P75 pueden con el primer y tercer
cuartil respectivamente.
En conjuntos, cuartiles, deciles, percentiles y otros valores obtenidos por

subdivisiones análogas de los datos se llaman cuarteles.
44. hallar a los cuartiles Q1, Q2 y Q3 de la siguiente distribución de

frecuencias.
Salarios Número de El primer cuartil. Es aquel valor que

(Dólares) empleados se obtiene de N/4 = 65/40 = 16,25 de
$ 50 -- 59, 99 8
los casos comenzando por la clase
$ 60 -- 69, 99 10
$ 70 -- 79, 99 16 primera. Puesto que la primera clase
$ 80 -- 89, 99 14 contiene 8 casos, tomaremos 8,25
$ 90 -- 99, 99 10 casos (16,25 - 8) de los 10 que tiene
$ 100 - 109, 99 5 la segunda clase. Por el método de
$ 110 - 119, 99 2
interpolación lineal se tiene:
Total 65
Q1 = 59,995 + 8,25 ($ 10.00) = 10
Q1 = $ 68,25
El segundo cuartil Q2 es aquel valor que se obtiene para el 2N/4 = N/2 =

65/2 = 35,5 de los casos. Puesto que las dos primeras clases comprenden
18 casos tomaremos 32,5 – 18 = 14,5 de las 16 casos de la tercera clase;
entonces
99

Q2 = 69, 945 = 14,5 ($ 10,00) = $ 79,06.
16
Este cuartil Q2 es realmente la mediana.
El tercer cuartil Q3 es aquel valor que obtiene para 3N/4 = 3 (65) = 48,75
de los 4 casos. Puesto que las cuatro primeras clases comprenden 48
casos tomaremos 48,75 – 48 = 0,75 de los 10 casos de la quinta clase;
entonces:
Q3 = $ 89,995 + 0,75 ($ 10,00) $ 90,75.
10
De aquí que el 25% de los empleados ganan $ 68,25 o menos, el 50%

gana $ 79,06 o menos y el 75% gana $ 90,75 o menos.
b). Hallar los deciles. El primero, segundo,…. Noveno deciles se obtienen

para N/10, 2N/10, ... 9N/10 comenzando por la primera clase.
D1 = $ 49,995 + 6,5 ($ 10,00) = $ 58,12 → 10%
D2 = $ 59,995 + 5 ($ 10,00) = $ 65 → 20%
10
D3 = $ 69, 995 + 1,5 ($ 10,00) = $ 70,94 → 30%
16
D4 = $ 69,995 + 8 ($ 10,00) = $ 75,00 → 40%
16
D5 = $ 69,995 + 14,5 ($ 10,00) = $ 79,06 = Mediana
16
D6 = $ 79,995 + 5 ($ 10,00) = $ 83,57 → 60%
14
D7 = $ 79,995 + 11,5 ($ 10,00) = $ 88,21
14
100

D8 = $ 89,995 + 4 ($ 10,00) = $ 94,00
10
D9 = $ 79,995 + 5 ($ 10,00) = $ 83,57 → 90%
14
45. Determinar (a) el percentil (b) el percentil 60 para la distribución del

problema anterior.
a). 35N/100 = (35) (65)/100 = 22,75 (22,75 – 18 = 4,75).
P35 = $ 69,995 + 4,75 ($ 10,00) = $ 72,95 esto significa que el 35% de los
16
Empleados gana $ 72,97 o menos.
b). 60N/100 = 65 x 65/100 = 39,0 (39 – 34 = 5).
P60 = $ 79, 995 + 5 (10,00) = $ 83,57 este valor es el mismo que se obtiene
con el 14 sexto decil o tercer quintil
5.1. USANDO INFOSTAT

1er paso, en una hoja de Excel plasmamos nuestros datos a evaluar.
101

2do Paso, ingresamos al Programa Infostat y damos clic en archivo y
posterior en nueva tabla.
3er paso, copiamos y pegamos nuestros datos en la tabla de infostat.
4to paso, damos clic en la opción estadística y posteriormente en

medidas de resumen.
102

5to paso, dentro de la ventana medidas de resumen pasamos nuestras
variables al cuadro perteneciente de variables y damos clic en aceptar.
103

6to pasó, ponemos en selección lo que deseamos y damos clic en
aceptar.
7mo paso, finalmente obtenemos los resultados, donde Q1 significa

Cuartil 1, Mediana significa Cuartil 2, Q3 significa Cuartil 3.
104

PROBABILIDAD DE OCURRENCIA DE UN SUCESO
6.0 PROBABILIDAD DE OCURRENCIA DE UN SUCESO
Cuando atendemos el parto de una vaca, el nacimiento de un ternero es un

suceso, número de frutos sanos cosechados, mientras que el nacimiento de
una ternera es otro suceso. En la teoría de probabilidades, un suceso es uno o
más de los posibles resultados de una actividad cualquiera.
Todos estamos familiarizados de una manera empírica con el concepto

de probabilidad de ocurrencia de un suceso. Por ejemplo, si hemos
planificado disfrutar con nuestra familia de un hermoso domingo en una
agradable playa, seguramente cambiaremos nuestros planes luego de
escuchar un parte meteorológico que pronostica un 70 % de
probabilidad de lluvia para ese día.
6.1. PRINCIPIOS DE PROBABILIDAD

En cualquier experimento aleatorio existe siempre incertidumbre
respecto a si un determinado acontecimiento ocurrirá o no. Como una
medida de la posibilidad, o probabilidad, con la cual puede esperarse
que ocurra el evento suele emplearse un numero entre 0 y 1, pero si se
está seguro de que ocurra un determinado evento, se dice que su
probabilidad es de 100%, o bien 1, pero si se está seguro de que no
ocurra, se dice que su probabilidad es cero. Si por ejemplo, la
-
probabilidad es , se dice que hay una posibilidad de 25% de que
Q
ocurra y una posibilidad de 75% de que no ocurrirá. De manera
equivalente, puede decirse que las posibilidades en contra de su
ocurrencia son de 75%contra 25%, o bien 3 a1.
6.1.1. ESPACIO MUÉSTRALES

A un conjunto S que consta de todos los resultados posibles de un
experimento aleatorio se le llama espacio muestral, y a cada resultado
se le llama punto muestral. A menudo habrá más de un espacio
muestral que describa los resultados de un experimento, pero, en
general, solamente habrá uno que proporcione la mayor información.
Entonces un espacio muestral es el conjunto formado por todos los

posibles resultados de un experimento aleatorio. El espacio muestral se
denota con la letra S y será finito o infinito en dependencia de que el
conjunto tenga un número finito o infinito de elementos.
106

Ejemplo
Si se lanza un dado, un espacio muestral, o conjunto de todos los

resultados posibles, será {1, 2, 3, 4, 5, 6}, mientras que otro será {par, non}.
Sin embargo, es claro que el último no será adecuado para determinar,
por ejemplo, si un resultado es divisible entre 3.
A menudo es útil representar gráficamente un espacio muestral. En tales

casos, siempre que sea posible, es deseable utilizar números en vez de
letras
6.1.2. EXPERIMENTO ALEATORIO

Para todos es conocida la importancia de los experimentos en la
ciencia y en la ingeniería. La experimentación es útil porque permite
suponer que si se realiza un determinado experimento bajo condiciones
esencialmente idénticas, se llegara a resultados básicamente iguales. En
estas circunstancias, puede controlarse el valor de la variable que
afecta el resultado de un experimento.
Sin embargo, en algunos experimentos no es posible conocer o

controlar el valor de ciertas variables, de modo que los resultados
variaran de una a otra realización del experimento, aun cuando la
mayor parte de las condiciones sean iguales. Estos experimentos se
describen como aleatorios.
La actividad que da lugar a la ocurrencia de un suceso se llama experimento.

Entonces un experimento se considera aleatorio cuando su resultado no se
puede predecir con toda exactitud. Como ejemplo de algunos experimentos
aleatorios podemos citar, el estudio de la precipitación ocurrida en una etapa,
el análisis del rendimiento de un cultivo, el estudio del comportamiento de las
ventas de un alimento, etc.
Una característica importante de los experimentos aleatorios es la capacidad

de los mismos para poder ser repetidos. Si un experimento aleatorio se repite
un gran número de veces, la frecuencia de un resultado tiende a ser
constante, y decimos entonces que el resultado muestra una regularidad
estadística.
6.1.3. LA DISTRIBUCIÓN T DE STUDENT

En la generalidad de los casos, no disponemos de la desviación
standard de la población, sino de una estimación calculada a partir de
una muestra extraída de la misma y por lo tanto no podemos calcular Z.
En estos casos calculamos el estadístico T:
107

µ-x
T=
S
donde S es la desviación standard muestral, calculada con n-1 grados

de libertad:
å( X - X )
2
i
S=
n -1
El estadístico T tiene una distribución que se denomina distribución T de

Student, que está tabulada para 1, 2, 3, ... etc. grados de libertad de la
muestra con la cual se calculó la desviación standard. La distribución T
tiene en cuenta la incertidumbre en la estimación de la desviación
standard de la población, porque en realidad la tabla de T contiene las
distribuciones de probabilidades para distintos grados de libertad:
Gráfico de la Distribución T
0,40
0,35
Densidad de Probabilidad
0,30
0,25
Distribución T para 5
Grados de Libertad
0,20
0,15
0,10
0,05
0,00
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
Variable Aleatoria T
Para un número de grados de libertad pequeño, es más ancha que la

distribución normal tipificada. Cuando los grados de libertad tienden a
infinito, la distribución T tiende a coincidir con la distribución normal
standard. Es decir, en la medida que aumentemos el número de
observaciones de la muestra, la desviación standard calculada estará
más próxima a la desviación standard de la población y entonces la
distribución T correspondiente se acerca a la distribución normal
standard. El uso de la distribución T presupone que la población con
que estamos trabajando tiene una distribución normal.
108

Distribución de Promedios Muestrales
Para comprender que significa distribución de promedios muestrales,

vamos a suponer que realizamos un experimento con bolilleros como los
usados en la lotería. Colocamos un número muy grande de bolillas
blancas en un bolillero blanco, en cada una de las cuales figura un
dato X . Este bolillero representa la población de observaciones X , y
tiene media µ y varianza s 2 . Supongamos que a continuación
hacemos los siguiente:
1) Tomamos una muestra de n = 10 bolillas blancas
2) Calculamos la media X y la anotamos en una bolilla azul.
3) Colocamos la bolilla azul en un segundo bolillero de color azul.
4) Devolvemos las bolillas blancas a su bolillero y le damos vueltas.
5) Repetimos toda la operación muchas veces hasta que el bolillero azul

esté lleno de bolillas.
Entonces, los números del bolillero azul forman una población de

promedios muestrales X . Esta es una población derivada de la anterior,
y tiene la misma media o promedio que la distribución original, pero su
varianza es un enésimo de la varianza de la distribución original:
s2
V(X) =
n
En el caso del bolillero azul, si denominamos s 2m a la varianza y µ m a la

media tenemos:
µm = µ
s2
s =
2
m
10
La distribución de medias muestrales está situada en el mismo lugar
(alrededor de la misma media) que la distribución original, pero es
mucho más angosta, porque su varianza es la décima parte de la
varianza original. La distribución original de observaciones representada
por el bolillero blanco se denomina comúnmente distribución madre o
base. Es obvio que, dada una distribución cualquiera, podemos obtener
una distribución de promedios de muestras de 2 observaciones, de 3
observaciones, ...etc.
109

Al construir la población de promedios muestrales, realizábamos
extracciones de 10 bolillas blancas después de dar vueltas al
bolillero. Es decir, que estábamos realizando un muestreo aleatorio de la
población madre, porque cada una de las bolillas blancas tenía la
misma posibilidad de ser elegida para integrar la muestra. Aunque la
población original no sea de distribución normal, si el muestreo es
aleatorio, la población de promedios muestrales se aproximará a la
normalidad, es decir, será casi de distribución normal. Este efecto se
debe a un teorema de estadística matemática denominado Teorema
Central del Límite. En resumen, si se cumple la hipótesis de muestreo
aleatorio, tenemos:
Distribución madre de X Distribución muestral de X
Media µ µ
Varianza s2 s2
n
Desviación Standard s s
n
Forma de la distribución cualquiera más cercana a la distribución
normal que la distribución madre
En general, en los problemas que se presentan habitualmente, existe

una población de observaciones cualesquiera, de la cual tomamos una
muestra aleatoria, es decir, un subconjunto de observaciones elegidas
al azar, por medio de la cual intentamos conocer todo lo que sea
posible acerca de la población de la cual fue extraída. El promedio de
la muestra de n elementos pertenece a la distribución de promedios
muestrales de la población original. Es decir, que el promedio de la
muestra que obtuvimos es uno de los muchos promedios muestrales que
s
se distribuyen alrededor de µ con desviación standard . Por lo
n
110

tanto, si la muestra es más grande (n mayor), estaremos en una
distribución de promedios con desviación standard mas pequeña, por lo
cual, el promedio de la muestra estará mas cerca del promedio del
universo. Es por esto que es razonable pensar que el promedio de la
muestra es una estimación del promedio del universo.
Distribución muestral de la suma y de la resta:
Muchas veces es importante conocer la distribución de la suma Y de

dos variables aleatorias independientes yA e yB . Supongamos que:
y A tiene una distribución con media µ A y varianza s 2A
y B tiene una distribución con media µ B y varianza s 2B

¿Qué se puede decir de la media y la varianza de la distribución de
Y = y A + y B ? De nuevo se puede ilustrar el problema considerando dos
bolilleros, cada uno con su población apropiada de bolillas. Imaginemos
que hacemos una extracción aleatoria del bolillero A, para obtener yA ,
y del bolillero B, para obtener yB , sumamos los valores, escribimos la
suma Y = y A + y B en una bolilla roja y la introducimos en un tercer
bolillero. Después de repetir esto muchas veces ¿Qué puede decirse de
la distribución de las sumas que están en las bolillas rojas del tercer
bolillero? Se puede demostrar que la media de la suma Y es:
µS = µ A + µB
y la varianza de la suma Y es:
VAR(Y ) = VAR( y A + y B ) = VAR( y A ) + VAR( y B ) = s 2A + s 2B

De la misma manera, para la resta o diferencia de dos variables
Y = y A - y B , resulta que la media de la diferencia es:
Cálculo de probabilidades
El porcentaje promedio de humedad de frutos frescos sigue una distribución

normal, con un promedio de 20% con una varianza de 5 %. ¿Cuál es la
probabilidad de que la humedad mida más de 21.2 %? ¿y menos de 21.2%? ¿y
exactamente 21.2%?
111

Distribución
112

Valor de media
Varianza
Valor de X
Calcular
113

PRUEBA DE HIPÓTESIS.
7.0. PRUEBA DE HIPÓTESIS.
En el desarrollo ulterior de los métodos estadísticos y en el quehacer
diario de la Ciencia y la Tecnología, se presenta con mucha frecuencia
la necesidad de tomar una decisión con relación al valor de un
parámetro de una población determinada.
Los problemas que involucran una toma de decisión pueden, por regla
general, reducirse a un procedimiento que implique el rechazo o la
aceptación de una hipótesis o suposición sobre el valor de la media o la
proporción poblacional de una distribución.
El procedimiento estadístico que da solución a este tipo de

problemática se conoce como PRUEBA DE HIPÓTESIS, el cual pasamos a
describir a continuación.
Con el objetivo de ilustrar el problema, iniciaremos la descripción del

procedimiento mediante una prueba de hipótesis sencilla. Supongamos
que se desea tomar una decisión sobre el valor de una media
poblacional de la cual conocemos que solo puede tomar los valores 14
o 19. Una formulación de hipótesis para este caso puede ser expresada
de la siguiente manera :
H0 : µ = 14 y H1: µ = 19
En términos de una Prueba de Hipótesis, a H0 se le conoce como la

hipótesis nula y a H1 como la hipótesis alternativa.
Como vimos anteriormente, decidir si la media poblacional es igual a 14

o igual a 19, se reduce a tomar una de las dos siguientes decisiones :
¨ Rechazar H0, lo cual implica aceptar H1 y en consecuencia decidir

que µ = 19
¨ Aceptar H0, lo cual determina que µ = 14
Pero la estadística no es una ciencia exacta, y en consecuencia,

cualquiera sea la decisión que tomemos podemos cometer dos tipos de
errores :
¨ Si rechazamos H0 y realmente esta hipótesis es verdadera,

cometemos el error conocido como Error de Tipo I
¨ Si aceptamos H0 y en realidad esta hipótesis es falsa, cometemos el
error conocido como Error de Tipo II
115

En términos probabilísticos, a la probabilidad de cometer el Error de Tipo
I, se le denomina nivel de significación y como señalamos en un
epígrafe anterior, se le representa con la letra griega a ( alfa ). A la
probabilidad de cometer el Error de Tipo II se le designa con la letra
griega b ( Beta ).
Con el objetivo de optimizar el método, la formulación de las hipótesis

nula y alternativa se realiza de forma tal que el Error de Tipo I sea el de
consecuencias mas graves fijando la probabilidad de cometerlo con un
valor lo suficientemente pequeño y que sea aceptable para el
investigador.
Con relación a las hipótesis anteriormente formuladas, una regla de

decisión razonable sería aceptar H0 si la media de una muestra extraída
de la población bajo estudio es menor o igual que un cierto valor crítico
z comprendido entre 14 y 19, y aceptar H1 si esta media es mayor que
dicho valor. Supongamos entonces que una muestra de tamaño 16
extraída de la población bajo estudio dio como resultado una media
muestral igual a 17, y que conocemos que la desviación típica
poblacional tiene un valor igual a 9. Si fijamos el valor de a , entonces la
probabilidad de rechazar H0 siendo verdadera, viene dada por la
expresión :
P{ x > z ½ µ = 14 } = a
Consideremos a = 0.05, entonces, P{ x > z ½ µ = 14 } = 0.05
P{ x > z ½ µ = 14 } = 1 - P{ x £ z ½ µ = 14 } = 0.05
x!! - µ z - 14
Tipificando : 1- P{ £ } = 0.05
s 9
n 4
De donde :
x!! - µ z - 14
P{ £ } = 1 – 0.05 = 0.95
s 9
n 4
116

æ ö
ç z - 14 ÷
z - 14
Nç ÷ = 0.95 = 1.64 y despejando z = 17.69
ç 9 ÷ 2.25
ç ÷
è 4 ø
Entonces la regla de decisión quedaría como sigue:
Aceptar H0 y rechazar H1 si x £ 17.69
Rechazar H0 y aceptar H1 si x > 17.69
Y como x = 17 entonces la decisión final será aceptar H0 .
Pasemos a continuación a calcular la probabilidad de cometer el error

de tipo II o error b para diferentes valores de a :
Para a = 0.05 ya vimos que z = 17.69
æ ö
ç 17.69 - 19 ÷
b = P{ x £ 17.69 ½ µ = 19 } = N ç ÷ = N (-0.58) = 1- N (0.58) = 1-
ç 9 ÷
ç ÷
è 4 ø
0.7190 = 0.2810
Para a = 0.01
æ ö
ç z - 14 ÷
z - 14
Nç ÷ = 0.99 = 2.33 y despejando z = 19.24
ç 9 ÷ 2.25
ç ÷
è 4 ø
æ ö
ç 19.24 - 19 ÷
b= P{ x £ 19.24 ½ µ = 19 } = N ç ÷ = N (0.11) = 0.5438
ç 9 ÷
ç ÷
è 4 ø
Para a = 0.001
æ ö
ç z - 14 ÷
z - 14
Nç ÷ = 0.999 = 3.08 y despejando z = 20.93
ç 9 ÷ 2.25
ç ÷
è 4 ø
117

æ ö
ç 20.93 - 19 ÷
b = P{ x £ 20.93 ½ µ = 19 } = N ç ÷ = N (0.86) = 0.8051
ç 9 ÷
ç ÷
è 4 ø
Resumiendo :
a b
0.05 0.2810
0.01 0.5438
0.001 0.8051
El resumen anterior evidencia que cuando se disminuye la probabilidad

de cometer el Error de Tipo I entonces aumenta la probabilidad de
cometer el Error de Tipo II y viceversa.
7.1.1. Potencia de la prueba de hipótesis.
Para cualquier investigador, una “buena” prueba de hipótesis es, sin

lugar a dudas, aquella en que la probabilidad de rechazar H0 cuando
ésta es falsa, es un valor cercano a 1, o dicho de otra manera, cuando :
P[Rechazar H0 , cuando H0 es falsa] =
1 P[Aceptar H0 , cuando H0 es falsa] = 1- b
es un valor cercano a 1. Al valor 1-b se le conoce como la potencia de

la prueba de hipótesis. Ampliando el resumen del epígrafe anterior :
n a b 1-b
16 0.05 0.2810 0.7190
16 0.01 0.5438 0.4562
16 0.001 0.8051 0.1949
se puede apreciar que para un tamaño de muestra fijo (n=16), cuando

se disminuye la probabilidad de rechazar H0 cuando ésta es verdadera
(a) entonces se disminuye también la potencia de la prueba (1-b), lo
cual es por supuesto algo no deseable. Veamos a continuación de que
118

forma podemos incrementar la potencia de la prueba de una hipótesis
con independencia del valor de a que haya sido escogido.
Como se aprecia en el resumen anterior para un tamaño de muestra

igual a 16 y un nivel de significación igual a 0.05, la potencia de la
prueba es igual a 0.7190. Calculemos la potencia de la prueba si
incrementamos el tamaño de la muestra, por ejemplo, a 25. Tal y como
hicimos en el epígrafe anterior :
Para a = 0.05 y n = 25
æ ö
ç ÷
ç z - 14 ÷ z - 14
N = 0.95 = 1.64 y despejando z = 16.95
ç 9 ÷ 1.8
ç ÷
è 5 ø
æ ö
ç ÷
ç 16.95 - 19 ÷
b = P{ x £ 16.95 ½ µ = 19 } = N = N (-1.14) = 1 – N (1.14) = 1 –
ç 9 ÷
ç ÷
è 5 ø
0.8729 = 0.1271 , y por tanto :
1-b = 1 – 0.1271 = 0.8729
valor que comparado con la potencia de la prueba ( 0.7190 ) para n

igual a 16 y a igual a 0.05, nos indica que al aumentar el tamaño de la
muestra podemos incrementar el valor de la potencia de la prueba de
hipótesis. El lector podrá comprobar sin mucha dificultad los resultados
que se reportan en el siguiente resumen y compararlos con los que
aparecen al inicio de este epígrafe :
n a b 1-b
25 0.05 0.1271 0.8729
25 0.01 0.3264 0.6736
25 0.001 0.3821 0.6179
119

Prueba de hipótesis sobre la media de una población con varianza
poblacional conocida.
En toda prueba de hipótesis se hace necesario asignarle un valor
hipotético a la media de la población sobre la cual se desarrolla la
investigación. Una prueba de hipótesis para la media de una población
se hace necesaria cuando ocurre un evento que de alguna manera
nos hace suponer un cambio en la media poblacional. El valor de la
media poblacional antes de que tal evento ocurra, es el valor
hipotético al que nos referíamos con anterioridad, y se le suele designar
como µ0. Para una mejor comprensión del aspecto que estamos
tratando, analicemos la situación que se presenta a continuación :
La producción promedio de leche diaria en una vaquería en la que se

utiliza el ordeño manual, es de 10.1 litros. Se cambia el sistema de
ordeño a mecanizado, y en una muestra aleatoria de 16 días después
del cambio, se obtuvo una producción media diaria de 10.8 litros.
Adicionalmente “se conoce“ que la varianza poblacional de la
producción de leche es de 1.21 litros.
Observe que antes de que se produjera el evento relacionado con el

cambio en el sistema de ordeño de la vaquería, existían evidencias que
la producción diaria de leche era de 10.1 litros. Este valor representa la
producción de leche que de manera tradicional se producía antes de
que el sistema de ordeño fuera variado, es decir, antes que el evento
hubiese ocurrido. Por tanto, y sin lugar a dudas, podemos concluir que el
valor hipotético de la media de la población es de 10.1 litros, y en
consecuencia :
µ0 = 10.1
La formulación de la hipótesis nula sería entonces :
H0 : µ = 10.1
Tres hipótesis alternativas podrían entonces ser formuladas en

correspondencia con el interés de la investigación. Estas diferentes
hipótesis alternativas son :
¨ H1 : µ ¹ 10.1 si nos interesa conocer si el cambio en el sistema de

ordeño hizo que la producción de leche cambiara.
¨ H1 : µ > 10.1 si esperamos que el nuevo sistema de ordeño haya
incrementado la producción de leche.
120

¨ H1 : µ < 10.1 si por el contrario suponemos que el cambio hizo que
disminuyera la producción.
Un resumen de los datos de la prueba de hipótesis se muestra a
continuación :
_
µ0 = 10.1 n = 16 x = 10 .8
s 2 =1.21 Þ s =1.1
Desarrollemos a continuación de forma teórica las tres posibles pruebas
de hipótesis que pueden ser formuladas, para con posterioridad
referirnos específicamente al caso que nos ocupa :
Consideremos en primer lugar las hipótesis:
¨ H0 : µ = µ 0 H1 : µ ¹ µ 0
donde µ el la media de la distribución de una población normal con

varianza s2 y µ0 es un número real.
Si x es la media de una muestra aleatoria de esta población, resulta

razonable rechazar H0 si x difiere mucho de µ , o sea, si
½ x - µ½> x para x suficientemente grande. Tipificando :
_
x- µ > x
=z
s s
n n
El problema de la decisión de rechazar H0 se reduce entonces a

determinar el valor de z. Utilicemos el nivel de significación a partiendo
de la relación :
P{ rechazar H0 ½ H0 es cierta } = a
é _ ù
ê x- µ ú
Pê ú> z = a
0
ya que si H0 es cierta entonces µ = µ0
ê s ú
ê n ú
ë û
121

é _ ù é _
ù
ê x- µ ú ê x- µ 0 ú
Pê £ z ú = 1-a P ê- z £ £ z ú = 1- a
0
ê s ú ê s ú
ê ú ê ú
ë n û ë n û
N (z) - N(-z) = 1 - a N(z) - 1 + N(z) = 1 - a
a
2 N(z) = 2 - a N(z) = 1 -
2
a
y entonces z = Z a que es el percentil de orden 1 - de la
1-
2
2
distribución N(0,1).
La regla de decisión quedaría entonces como sigue :
_
x- µ 0
Rechazar H0 si > Z a
s 1-
2
n
_
x- µ 0
Aceptar H0 si £ Z a
s 1-
2
n
Apliquemos la regla de decisión en el caso que estamos estudiando

utilizando un nivel de significación del 5 %.
¨ H0 : µ = 10.1 H1 : µ ¹ 10.1
10.8 - 10.1 0 .7
= = 2.5
1.1 0.28
16
a 0.05
1- =1 - = 1 - 0.025 = 0.975
2 2
Z 0.975 = 1.96
122

y como 2.5 > 1.96, rechazamos H0 con un nivel de significación del 5%, es
decir, el sistema de ordeño mecanizado provocó un cambio en la
producción de leche, y la probabilidad de que este resultado no sea
cierto es del 5%.Las zonas de rechazo y de aceptación de esta prueba
de hipótesis
Zona de aceptación
Zona de rechazo
Cuando se observa el gráfico anterior se puede apreciar que la zona de

rechazo está conformada por dos “colas“ que se extienden a la
derecha e izquierda de la curva de la distribución normal. Por esta razón
se dice que la prueba de hipótesis que hemos desarrollado es una
“prueba de dos colas”.
Consideremos las hipótesis:
¨ H0 : µ = µ 0 H1 : µ > µ 0
Si x es la media de una muestra aleatoria de esta población, resulta
razonable rechazar H0 si x es mucho mayor que µ , o sea, si x - µ > x
para x suficientemente grande. Tipificando :
_
x- µ x
> =z
s s
n n
Calculemos el valor de z para un nivel de significación a.
P{ rechazar H0 ½ H0 es cierta } = a
123

é_ ù
ê x- µ ú
Pê ú> z = a
0
ya que si H0 es cierta entonces µ = µ0
ê s ú
ê n ú
ë û
é_ ù
ê x- µ ú
Pê 0
ú £ z = 1-a
ê s ú
êë n úû
N (z) = 1 - a
y entonces z = Z1-a que es el percentil de orden 1 - a de la
distribución N(0,1).
La regla de decisión quedaría entonces como sigue :

_
x- µ 0
Rechazar H0 si > Z1-a
s
n
_
x- µ 0
Aceptar H0 si £ Z1-a
s
n
En nuestro caso :
¨ H0 : µ = 10.1 H1 : µ > 10.1
10.8 - 10.1 0.7

= = 2.5
1.1 0.28
16
1 - a = 1 - 0.05 = 0.95
Z 0.95 = 1.64
y como 2.5 > 1.64, rechazamos H0 con un nivel de significación del 5%, es
decir, el sistema de ordeño mecanizado provocó un aumento en la
producción de leche, y la probabilidad de que este resultado no sea
cierto es del 5%.
124

PRUEBAS NO PARAMÉTRICAS
PRUEBAS NO PARAMÉTRICAS
8.1 INTERVALOS DE CONFIANZA
Cuando tenemos un conjunto de datos, necesitamos determinar entre que

valores se va a encontrar los intervalos respecto al µ, a un determinado nivel
de confianza respecto a la media se requiere del error estándar de media,
teniendo como producto un valor límite inferior y límite superior, es decir se
infiere respecto a la probabilidad 1-α ( y en los extremos α/2 (colas) respecto
a µ se emplea la siguiente fórmula:
P( – t .05 x s <µ< + t .05 x s )= 0.95
Ejercicio:
Supongamos que se ha probado siete mermeladas de frutas tropicales para

ello se tomó los grados Brix obteniéndose los siguientes resultados:
Mermelada Brix R<. =U 3 5 =U 3 /H

= = 56K . =
S H5-
1 45
2 60 ..QSC5-WRXXQ/S ..QSC5.-<W. W-;
= = = = 86.33
S5- X X
3 54
4 48 K = K . = 86.33 = 9.29
5 70 <..< <..<
6 65 s = = = 3.51
S ..XW
7 50 <..<
Promedio 56 CV(%)= *100 = 16.59
WX
D. Estan 9.29
CV(%) 16.59
Error. 3.51
Estandar
Intervalo de confianza al 95%,
P( – t .05 x s <µ< + t .05 x s )= 56-(2.447) (3.51) < µ < 56+(2.447) (3.51)
47.41 < µ < 64.59
126

8.2 PRUEBA DE HIPOTESIS
Prueba deriva del latín, concretamente de “probus”, que puede traducirse
como “bueno”.
-Hipótesis, por su parte, emana del griego, ya que se encuentra conformada
por la suma de dos partes diferenciadas: el prefijo “hypo-”, que es sinónimo de
“debajo”, y el sustantivo “thesis”, que es equivalente a “conclusión”.
Las pruebas de hipótesis son de gran utilidad en el campo estadístico ya que

tiene por objeto comprobar las teorías tentativas, es decir se comprueba dos
hipótesis estadísticas (Ho= nula; µ1 = µ2 y Ha= alternativa; µ1 ≠ µ2) que se requiere
dará respuesta a una incertidumbre, basado en un parámetro conocido a una
probabilidad estimada, a partir de una muestra, la misma que se fundamente
de la varianza de una población normalmente distribuida o en distribución
normal.
PRUEBA DE HIPÓTESIS PARA UN GRUPO ALEATORIO DE PROMEDIO DE UNA

POBLACIÓN NORMAL
El procedimiento depende del tamaños de la muestra por lo general trabajos

diarios en laboratorio o campo, es decir cuando las observaciones son de 30
como mínimo, coincidiendo con la distribución de “z” y de “t”
Pasos a seguir
Se conoce que ( - µ) se inicia con la obtención del error estándar de media

empleando l siguiente fórmula:
Según el nivel de probabilidad usado será el grado determinará la seguridad

en la inferencia esto requiere los siguientes pasos
1) Se determina mediante el uso de las tablas de t o se z igual o

mayor al estimado
2) Se compara con el valor tabular con el calculado; si es mayor al
tabular se rechaza la hipótesis nula.
127

Problema:
Con el ejemplo de probar la hipótesis (1.0) en ancho de almendras de cacao

de 8 muestras escogidas al azar se registraron los siguientes datos:
MUESTRA 1 2 3 4 5 6 7 8 O
Ancho 0.6 0.7 0.7 0.8 1.3 1.0 0.6 0.7 6.4 0.8
(mm)
(X- )2 0.04 0.01 0.01 0.00 0.25 0.04 0.04 0.01 O 2 = 0.40
Z 3 C.QC
K . H5- [ S [C.CWS
K = 0.057 = 0.239
0.239
= = 0.084
2.83
Teniendo las estimaciones necesarias, se procede a calcular el valor de t
C.;5-.C 5C..CC
= = ^ _B`_a`BMb − 2.38 ^ ^Bc`B 0.05 d` 7 = 2.36
C.C;Q C.C;Q
Dado que la distribución de t y z es simétrica y el valor de la del t 2.38

calculado es mayor que el t tabular al 5% de probabilidad escogido se
rechaza la hipótesis nula y se acepta la alternativa, todo cabe indicar que el
ancho de almendras es mayor al promedio.
Ejercicio en clase:
Con objeto de evaluar si la producción anual de resina por árbol de pinus es

igual o menor a 2kg, se registraron los datos de 10 árboles al azar obteniéndose
los siguientes datos:
128

ÁRBOL 1 2 3 4 5 6 7 8 9 10 TOTAL
Cantidad
de resina 2.8 3.5 4.2 1.6 3.3 4.0 2.8 3.1 3.5 1.8 30.60
x2 7.84 12.25 17.64 2.56 10.89 16.00 7.84 9.61 12.25 3.24 100.12
Promedio= 3.06
Z 3 -CC.-.5 RC.XC)3 /-C

.[ [ [C.S.--
K H5- <
K = 0.7211 = 0.8492
R.CX5..CC
t = = 3.9478 ∗∗
C..X;W
(t .05 tabla 2.26 y t.01 3.25)
En este caso la hipótesis nula señala que la producción es de 2 kg, la hipótesis

indica que la producción de resina supera al valor establecido, por los tanto
estadísticamente se dice que es altamente significativo por lo cual las
hipótesis puedes ser de una cola o unilateral:
H0= µ≤ 2 vs Ha= µ≥ 2
En el problema establecido del rendimiento de 2Kg lo valores caen dentro de

la zona de rechazo por lo cual se debe rechazar la hipótesis nula propuesta, se
acepta la alternativa.
129

8.3. PRUEBA DE CHI CUADRADO
En ocasiones un valor estimado puede generar dudas generado por varianzas,

es decir se requiere definir la variación existente (suponiendo rendimiento) ante
lo cual se podría emplear el test de Chi cuadrado o Jí-Cuadrada,
aprovechando la relación entre varianzas, es decir la suma se sus valores
elevado al cuadrado de las variables de carácter independiente, dentro de
una distribución normal para ello se emplea la siguiente fórmula:
+N − a .
O. = 2 = ( )
g ð
Ejemplo:
Asumamos que tenemos los siguientes valores al lanzar dos dado 6 veces:
Sucesos 1 2 3 4 5 6
valores 6 8 9 15 14 8
R= 2 ; K= 5
Hipotesis:
H 0= µ 1 = µ 2
H a= µ 1 ≠ µ 2
Grados de libertad = (2-1) (6-1) = 5
Solución:
(6 − 10). (8 − 10). (9 − 10). (15 − 10). (14 − 10). (8 − 10).

O. = + + + + +
10 10 10 10 10 10
O . = 1.6 + 0.4 + 0.1 + 2.5 + 1.6 + 0.4
O . = 6.6
130

Se acepta la hipótesis H0; ya que el valor de chi cuadrado es de 6.6 y al
compararlo con el valor tabular al 0.05 es de 11.071 con 5 grados de libertad,
por lo cual los valores caen dentro de la zona aceptación.
8.4. PRUEBA DE “t” STUDENT

Las técnicas empleadas en la comparación de dos grupos aleatorios son muy
útiles para el investigador, dado que de dos valores poblacionales se la realiza
para ver el comportamiento en la distribución de t cuando la muestra es de 30
observaciones, en las cuales se puede inferir, a la vez verificar las hipótesis
planteadas, por lo cual existen cinco casos los cuales se describen:
1.- Cuando las varianzas son iguales: σ12 = σ22 ; n1=n2
2.- Cuando las varianzas son iguales: σ12 = σ22 ; n1≠n2
3.- Cuando las varianzas son desiguales: σ12 ≠ σ22 ; n1=n2
4.- Cuando las varianzas son desiguales: σ12 ≠ σ22; n1≠n2
5.- Observaciones Apareadas.
En los anteriores casos se pondrá a prueba las hipótesis estadísticas las cuales
indican que:
Hipotesis:
H 0= µ 1 = µ 2
H a= µ 1 ≠ µ 2
Además de hipótesis alterantes: µ1 ≤ µ2 y µ1 ≥ µ2.
8.4.1.PRIMER CASO: VARIANZAS IGUALES DE MUESTRAS IDENTICAS.
Para la aplicación de este caso, es preciso que ambas muestras estén con el
mismo número de observaciones.
131

El procedimiento consiste en calcular la diferencia entre medias ( 1- 2),
expresado en la siguiente fórmula:

h-5h.
t= ( 1- 2)/s 1-s 2 o ^=
iZ-5iZ.
Ejemplo:
Se desea determinar el crecimiento diamétrico de un lote de nueve

variedades T cacao diferente de otro T. bicolor con el mismo número de
árboles en el mismo sitio se registraron los siguientes datos.
Variedad Valores del DAP (cm) N

T. bicolor 7.0 5.0 6.5 9.5 8.0 8.0 10.0 10.0 6.0 70.0 7.78
T. cacao 5.0 4.5 4.2 4.0 7.0 6.8 5.5 4.2 3.0 44.2 4.91
=U 3 5 =U 3 /H
K . =
H5-
WSC.WC5SC.CC3 /< .X.CWW

K1. = = = 3.257
; ;
.R-.C.5QQ..3 /< -R.<Q<

K2. = = = 1.744
; ;
R..WS/-.SQQ
K . = = = 2500
.
..WCC
s = = 0.278 y 2(0.278) = 0.556
<
s = 0.556 = 0.746
1- 2= 7.78 - 4.91 = 2.870
.;SC
^= = 3.85 ∗∗ t .01 (gl 16) = 2.921
C.SQX
EL valor calculado de t es de 3.85 al comparar con el valor tabular al 0.01% es

igual a 2.921 lo que indica los diámetros en las dos variedades son diferentes es
decir tienen efecto demostrando que no hay igualdad es decir se acepta la
hipótesis alternativa los valores caen dentro de la zona de rechazo.
8.4.2. SEGUNDO CASO: HOMOGENEIDAD DE LAS VARIANZAS DIFERENTES

MUESTRAS
Al igual que el primer caso no hay variación en el cálculo, sin embargo, la

variante será en el cálculo del error estándar de la media. Debido a que las
observaciones no son iguales por lo cual se usa la siguiente fórmula:
132

Ejemplo:
Z3 .X.CX/-R.<W
s 1-s 2= = = 0.746
H(H5-) <(;)
i3 i3 - - H-5H.
s 1-s 2= + = K. = + =K
H- H. H- H. H-H.
Ejemplo
El número de cocones de Neodiprion, obteniéndose en 12 cuadros de

muestreos uno, y 9 cuadros en un segundo muestreo por lo cual se registraron
los siguientes datos:
Exposición Valores n
Muestra 1 6 9 12 15 7 10 13 12 10 8 16 4 12 10.167
Muestra 2 15 10 9 12 11 16 16 11 7 - - - 9 11.889
Grados de libertad = (n1-1) + (n2-1) = n1+n2 -2
Z-3 / Z.3 -QR.XXS/;C.;;<

. [ [--.;-<
K jk lmlnk -<
Aplicando la fórmula:
.-
s 1-s 2= 11.819 = 1.516
-C;
1- 2 = 11.889-10.167 = 1.722
-.S..
^= = 1.13 oK ; t .05 gl 16) = 2.093
-.W-X
EL valor calculado de t es de 1.13 al comparar con el valor tabular al 0.05% es

igual a 2.093 lo que indica que las muestras son iguales decir no tienen efecto
demostrando que hay igualdad en la distribución es decir se acepta la
hipótesis nula ya que los valores caen dentro de la zona aceptación.
8.4.3. TERCER Y CUARTO CASO: VARIANZAS DE DOS POBLACIONES CON

DIFERENTES MUESTRAS
En el primer y segundo caso implican heterogeneidad de las varianzas
Ejemplo
Se requiere estimar si las medias de dos muestras a continuación son diferentes:
Muestra Valores +N Xi2 S2
A 12 18 14 16 17 12 12 14 13 12 11 151 54.18 13.73 5.42

B 6 10 24 30 8 6 20 12 4 26 4 150 918.55 13.64 91.85
133

Lo primero que hay que hacer una prueba de homogeneidad de las varianzas
para determinar si el problema aplica al primer o segundo caso.
Haciendo la prueba de F:
<-,;W
F= = 16.95 ∗∗ F .01 gl 10-10 = 4.85 por lo cual indica que las varianzas no son
W.Q.
homogéneas, por cual se emplea la siguiente formula:
pq3 /pr 3
K . = = 48.62
.
i3 .∗Q;.X.
s 1-s 2= 2 = = 2.97
H --
C.C<
^= = 0.03 oK ; t .05 gl 10) = 2.228
..<S
No existe diferencias entre los grupos en estudio
8.4.4. Cuarto caso:
Ejemplo:
Suponga ahora que, se registró valore numéricos de dos muestras A y B con

dos tatos faltantes:
Muestra Valores
A 12 18 14 16 17 12 12 14 13 12 11
B 24 30 8 6 20 12 4 26 4 - -
+B = 151 a=13.73 +B . = 54.18 st. = 5.42

+c = 134 b=14.89 +c . = 832.89 su . = 104.11
Entonces aplicamos la fórmula:
s_ vb^B` 887.07
K . = = = 49.28
d` 18
H-/H. .C
KO1 − KO2 K . = 49.28 = 9.95 = 3.16
H-H. <<
-.-X
^= = 0.367 oK ; t .05= 2.30
R.-X
No existe diferencias entre los grupos en estudio
134

8.5. KRUSKAL WALLIS PARA K MUESTRAS
Esta es una prueba para comparar k muestras en experimentos de un factor
reemplazando al ANOVA-1 (Diseño Completamente Aleatorio) cuando este
no es posible aplicar, basado en el uso de rangos para K=2 es equivalente a
una prueba de U Mann.Whitney en las pruebas de rangos.
12 1 .
w = y1. − yz /xv)
x (x + 1) x
Donde:
ni: Tamaño de la i-ésima muestra, i = 1,2,3…….k (Tratamientos)
N: oN (Unidad Experimental)
R1: Suma de rangos para i-ésima muestra. Para obtener estas sumas todos los
datos de todas las muestras son ordenadas y asignadas un rango de menor a
mayor.
H- test: Como se suele llamar a esta prueba, se aproxima a la distribución de X2

con k-1 grados de libertad cuando ni es ≥ 5.
l ' 5 l
{N|NKb} = 1 −
@ ' 5H
Ejercicio:
La Altura de plantas de cuatro zonas diferentes, en cada zona se tomó 5

muestras al azar (cuadrantes) de plantas por flor, se registraron los siguientes
datos:
Zonas REPETICIONES
I II III IV V
A 120 112 115 119 117
B 117 114 112 115 115
C 123 116 118 114 118
D 115 117 120 112 116
Hipótesis propuestas:
Ho= A=B=C=D
Ha= A≠B≠C≠D
ASIGNACIÓN DE RANGOS:
IMC-67 (1+2+3/3=2.0)
135

(1+2+3/3=
2.0) (9/2= 4.5)
N° 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Índice 112 112 112 114 114 115 115 115 115 115 116 117 117 117 118 118 119 120 120 123
Rango 2.0 2.0 2.0 4.5 4.5 7.5 7.5 7.5 7.5 10.5 10.5 13.0 13.0 13.0 15.5 15.5 17.0 18.5 18.5 20.0
Zonas REPETICIONES ~ ~Ä

I II III IV V
A 18.5 2.0 7.5 17.0 13.0 58.0 3364.0
B 13.0 4.5 2.0 7.5 7.5 34.5 1190.25
C 20.0 10.5 15.5 4.5 15.5 66.0 4356.00
D 7.5 13.0 18.5 2.0 10.5 51.5 2652.25
210.0 11562.50
N= número de unidades experimentales
NT= 4x5= 20
12 11562.50 210.0.
w = − = 3.07
20 (21) 5 20
Para la corrección de H calculamos el divisor, calcular de coincidencias (ti).
Empates 112 114 115 116 117 118 120 ^ R − ^
ti 3 2 4 2 3 2 2
^ R − ^ 24 6 60 6 24 6 6 132
132 3.07
I = {N|NKb} = 1 − = 0.9835 = 3.12
20R − 20 0.9835
AtÅÇy ^Bca`B} ML + . ^ .05 = 7.81
Entonces. 3.12< 7.81 ns (no significativo) se acepta la hipótesis Ho= A=B=C=D
Se concluye que el valor de H corregido respecto al valor teórico de X2, no

existe cambios en la altura de plantas en diferentes zonas donde se hizo el
muestreo.
136

REGRESIÓN Y CORRELACIÓN
9.0 REGRESIÓN Y CORRELACIÓN
9.1 Introducción

Es posible establecer una relación funcional entre la velocidad de un

móvil y el tiempo que demora en recorrer una determinada distancia
con relación al espacio recorrido, es decir, e = v t.
De esta manera, si conocemos la velocidad con que un móvil ha
recorrido una determinada distancia y el tiempo que ha empleado en
ello, basta con sustituir estos valores en la expresión anterior para
obtener el espacio recorrido. En esta relación, a las variables v y t se les
llama variables independientes mientras que e se conoce como
variable dependiente.
Pero la Física es una ciencia exacta, y en muchos otros casos, no es
posible encontrar una relación funcional, fórmula o modelo matemático
que exprese de forma exacta la relación que existe entre diferentes
variables independientes (o series de datos) y una variable dependiente
(o serie de datos).
Resulta evidente, por ejemplo, que existe una relación entre la
temperatura (variable independiente) en una ciudad y el número de
colas vendidas (variable dependiente) en un supermercado de este
lugar. Pero el número de colas vendidas no solo depende de la
temperatura, sino mas bien, de un grupo de factores que intervienen en
ello, y por tanto, resulta difícil, sino imposible, obtener una relación
funcional o fórmula entre ambas variables que permita calcular de
forma exacta el número de colas vendidas conocido el valor de la
temperatura por lo cual abordaremos la teoría de la regresión y la
correlación.
La regresión de una variable dependiente ( Y ) sobre una o más
variables independientes ( X1 , X2 , ……… ) expresa la variación que sufre
la primera como consecuencia de la variación de las segundas. La
teoría de la regresión permite establecer una expresión matemática (
no funcional ) entre estas variables de forma que evaluando la
expresión en las variables independientes se pueda hacer una
estimación mas o menos acertada de la variable dependiente.
Por su parte la teoría de la correlación tiene por objeto determinar el

grado o intensidad de la interdependencia entre dos o más variables,
permitiendo definir con claridad si esta interdependencia es o no cierta.
138

9.2 REGRESIÓN LINEAL SIMPLE
Para iniciar este estudio, consideremos dos variables o series de datos
entre las cuales se considera pueda existir una relación de tipo lineal, es
decir, que la representación algebraica de esta relación es una línea
recta según el caso.
Al valor b se le conoce como coeficiente de regresión, y su expresión

numérica tiene la siguiente interpretación:
a) Cuando b > 0, a incrementos de la variable independiente X

corresponden incrementos de la variable dependiente Y, es decir, la
línea recta es creciente. En este caso, es posible obtener una
estimación del valor de Y sustituyendo en la ecuación un valor
determinado de X.
b) Cuando b < 0, la línea recta es decreciente, es decir, a incrementos
de la variable independiente X corresponden decrecimientos de la
variable dependiente Y. También en este caso es posible predecir el
valor de Y para un determinado valor de X.
c) Cuando b = 0, la ecuación de la línea recta asume la forma Y = a y
por tanto es paralela al eje de las X. En esta situación resulta
imposible predecir un valor de Y.
139

TIPOS REGRESIONES Y SUS RESPECTIVOS MODELOS:
9.3. COEFICIENTE DE CORRELACIÓN LINEAL SIMPLE

En el epígrafe anterior, concretamos en forma matemática la posible
relación existente entre dos variables o series de valores entre las cuales
la dependencia podía ser expresada mediante una línea recta.
A menudo resulta muy favorable poder expresar en términos numéricos

el grado de dependencia que eventualmente pueda existir entre dos
variables o entre las series de datos que la representan. Este valor
matemáticamente calculado recibe el nombre de coeficiente de
correlación.
Para obtener la expresión matemática de este coeficiente partamos

de la igualdad que se muestra a continuación.
140

- - - -
å X i Yi = å [ X + ( X i - X )][Y + (Yi - Y )] =
- - - - - - - -
å X Y + å X (Y i - Y ) + å Y ( X i - X ) + å ( X i - X )(Yi - Y ) =
- - - - - - - -
n X Y+ X å (Y i - Y ) + Y å ( X i - X ) + å ( X i - X )(Yi - Y )
pero,
- -
å(X i - X) =0 y å (Y i - Y ) = 0 , por tanto dividiendo para n :
- -
å X i Yi = X+Y+
- -
å ( X i - X )(Yi - Y )
n n
De la teoría de probabilidades sabemos que si X e Y son

independientes, entonces se cumple que:
åX Y = åX
i i i
+
åY i
- -
= X + Y y por tanto, en ese caso :
n n n
- -
å(X i - X )( Yi - Y )
=0 (1)
n
Si por el contrario, X e Y no son independientes, entonces:
åX Y i i
¹
åX i
+
åY i
y:
n n n
- -
å ( X i - X )( Yi - Y ) ¹0
n
Podemos concluir entonces, que la expresión (1) puede ser utilizada

para calcular de forma numérica la intensidad o el grado de
dependencia entre dos variables o series de valores, en concordancia
con el hecho de que dicha expresión se acerque o esté alejada
significativamente de 0.
141

Si en (1), expresamos los valores de las desviaciones con relación a su
media de cada una de las variables en unidades de desviación típica,
tenemo
- -
( X i - X ) (Yi - Y )
å sX sY å(X i
-
- X )(Yi - Y )
-
= (2)
n ns X s Y
- -
r=
å ( X i - X )(Yi - Y ) de donde ,
- _
n
å(X i - X )2 å (Y i - Y )2
n n
- -
r=
å(X i - X )(Yi - Y )
(3)
- -
å(X i - X) 2
å (Y i -Y) 2
Expresión que recibe el nombre de coeficiente de correlación y se

denota con la letra R2.
Si escribimos la expresión (2) en términos de desviaciones, obtenemos:
la cual expresada en términos de sumas de cuadrados queda:
SPCXY
r=
SCCX . SCCY
donde:
å X åY i i
SPCXY = å X i Yi - i i
i n
2
æ ö
çå X i ÷
è i ø
SCCX = åX
i
2
i -
n
142

2
æ ö
ç å Yi ÷
è i ø
SCCY = å Yi -
2
i n
n = número de pares de observaciones
Puede demostrarse matemáticamente que el coeficiente de

correlación siempre es una cantidad que oscila entre 1 y -1, es decir,
-1 £ r £ 1.
Cuando r > 0, la correlación es directa, y a valores crecientes de una de

las variables corresponden valores que tienden a ser crecientes de la
otra.
Cuando r < 0, la correlación es inversa, y a valores crecientes de una de

las variables corresponden valores que tienden a ser decrecientes de la
otra.
Cuando r = 1 o r = -1, la correlación es perfecta. Cuanto más se

acerque a la unidad el valor del coeficiente de correlación más alta
será ésta. En cambio, valores próximos a cero indican, en general,
ausencia de correlación entre los valores simultáneos de ambas
variables.
Calculemos el coeficiente de correlación entre las dos series de datos

que hemos estado trabajando.
SPCXY ( )( )
169 - 20 38 5
r= = =
SCCX . SCCY æ ( ) öæ
2
( ) ö
2
ç 90 - 20 5 ÷ ç 322 - 38 5 ÷
è øè ø
17/18.22 = 0.933
El valor de r obtenido es positivo y cercano a 1, lo cual indica que existe

una alta correlación directa entre ambas variables.
A menudo se suele reportar el valor del cuadrado del coeficiente de

correlación en lugar de éste. Este valor recibe el nombre de coeficiente
de determinación y se denota como R2 . En nuestro caso, R2 = 0.87.
Si como hemos dicho, el valor de r oscila entre –1 y 1, entonces el valor

de R2 es siempre menor o igual a 1 y mayor o igual a 0.
143

Un método alternativo para calcular el coeficiente de determinación, y
en consecuencia, el coeficiente de correlación, es mediante las sumas
de cuadrados del análisis de regresión. El coeficiente de determinación
se define en estos términos como el porcentaje de la variación de la
variable dependiente Y explicado por la variable independiente X, o lo
SCC REG
R2 =
SCCT
que es lo mismo, mediante la siguiente expresión:
De la tabla del análisis de regresión tenemos:
28.9
R2 = = 0.87
33.2
Valor que coincide exactamente con el calculado anteriormente.
Podemos decir entonces que el 87% de la variación de la variable

dependiente Y está ocasionada por su relación lineal con la variable
independiente X.
EL término regresión lineal implica, cuantificar de forma gráfica y cuantificable

mediante una gráfica o diagrama de dispersión, cuyos puntos dispersos
corresponden a dos variables independiente (X) y dependiente (Y),
matemáticamente “Y es en función de X” en el ejemplo desarrollado la presión
está en función de la edad.
Ejemplo
En un muestreo de personas de diferentes edades se tomaron datos de la

edad (x) y años promedio (Y) de la presión sanguínea (en mm de mercurio).
Los valores obtenidos son:
144

Cuadrados
Presión productos
Pares Edad (X) (Y) XY X2 Y2
1 19 122 2318 361 14884
2 25 125 3125 625 15625
3 30 126 3780 900 15876
4 42 129 5418 1764 16641
5 46 130 5980 2116 16900
6 52 135 7020 2704 18225
7 57 138 7866 3249 19044
8 62 142 8804 3844 20164
9 70 145 10150 4900 21025
10 73 146 10658 5329 21316
476 1 338 65 119 25 792 179 700
= 47.6;
É = 133.8
476.
O . = 19. + 25. + 30. … … . +73. − = 25792 − 22657.6 = 3134.4
10
1338.
É . = 122. + 125. + 126. … … . +146. − = 179700 − 179024.4 = 675.6
10
476O 1338
OÉ = 19O122 + 25O125 + 30O126 … … . +73O146 − = 1430.2
10
OÉ 1430.2 1430.2
} = = = = 0.984
. 3134.4 O 675.6 1455.19
( O )( É .
Por lo tanto, las hipótesis planteadas son:
Ho= p=0; no hay correlación
Ha= p≠0; hay correlación, por tanto; 0.983 > valor tabular de la correlación 0.01
(8) = 0.765**
145

Se puede concluir que existe una correlación altamente significativa con
tendencia positiva es decir hay asociatividad fuerte entre la edad y la presión
(p<0.01), por tanto, la correlación es positiva.
La regresión se usa en la mayoría de ciencias e Ingenierías como; biología,

química, medicina, agronomía etc. Por tanto, la regresión se expresa como (y
= a + bx) se mide por medio de coeficiente de regresión. En una población se
simboliza con Ñ en una muestra con b. Su valor indica in incremento promedio
de Y al aumentar X en la unidad. Se calcula por medio de la expresión.
OÉ
cÉ O = c =
O.
EL término by/x se lee “regresión de Y sobre X”
Ejemplo:
Cálculo del coeficiente de regresión de la presión de la presión sanguínea (Y)

sobre la edad (X) del ejemplo numérico descrito al calcular la correlación:
OÉ 1430.2
c= .
= = 0.456
O 3134.4
El valor de 0.456 es el incremento promedio de la presión sanguínea en mm Hg

por cada año de edad,
OÉ 1430.2
cO = .
= = 2.12
É 675.6
EL valor de 2.12 indica el incremento promedio por cada mm de Hg de presión

sanguínea es de 2.12 años por tanto la ecuación lineal será:
+ = + Ö−Ö
+ = 47.6 + 2.12 (Ö − 133.8)
= 2.12Ö − 236.06
Se observa que en la edad de 70 años la presión sanguínea fue de 145, con

esto notases que hay una estrecha concordancia entre lo observado y lo
teórico, pudiendo ser reflejado en la regresión, en muchos fenómenos
biológicos es posible considerar indistintamente a Y o X como variables
dependientes e independientes.
146

REGRESION LINEAL
150
145
Presión sanguínea (mm Hg)
140
135
130
125
120
115 y = 0,4563x + 112,08
R² = 0,96594
110
105
100
0 10 20 30 40 50 60 70 80
Edad (años)
Figura 1. Diagrama de dispersión y líneas de regresión entre la presión versus la

edad en humanos.
}= c . cO/} = 0.4563 O 2.12 = 0.984
Coeficiente de determinación (CD)
El coeficiente de determinación es un valor que se calcula usando en

cuadrado del valor del coeficiente de correlación y se expresa en porcentaje.
I{ = 0.984. + 100 = 96.63% entonces el efecto medio = 100 - 96.63 = 3.37%

Se tabulan las variables X y Y en el Excel
Escogemos la opción datos y luego elegimos Análisis de datos
147

Se elige la opción regresión lineal
1) Se selecionan las variables para X y Y 2) se elige el rango de

salida 3) Aceptar
3
1
148

Finalmente se visualiza en ANDEVA de la REGRESION y al Correlación
Podemos observar un valor de F 1428.42356 versus el valor critico

pudiendo definir una alta significancia estadística y un coeficiente de
R2= 0.99 lo cual indica una tendencia lineal positiva con una alto grado
de asociación entre variables.
Si queremos visualizar la regresión hacemos el siguiente paso: 1)

Sombreamos los datos 2) Ir a la opción insertar y elegimos gráficos de
dispersión 3) Ir a Diseño de grafico opción f(x) y visualizamos la regresión
lineal con buen ajuste.
149

2
EN INFOSTAT
Pegamos los datos incluyendo nombre de columna
150

Opción estadísticas regresión lineal y separamos las variables en X y Y
luego aceptamos
151

Y visualizamos el análisis y el análisis de regresión.
152

153

BIBLIOGRAFÍA
Bibliografía
• CORRALES, L. 2013. Curso de Estadística y técnicas experimentales
para las ciencias biológicas. Ecuador.
• SALTOS, A. 1993. Diseño Experimental.- Aplicación de Procesos
Tecnológicos. Ambato Ecuador.
• SILVA E. 2012. Curso de Diseños experimentales aplicados a las
ciencias biológicas. Ecuador.
• ALARCÒN, A. Análisis sensorial y especial
• COCHRAN, W. Y COX, G. M. 1987. Diseños Experimentales. Editorial
Trillas, México. 661 p
• ALVARADO, J. 1996 PRINCIPIOS DE INGENIERIA APLICADA A
ALIMENTOS. Secretaría General de la OEA. Programa de Desarrollo
Científico y Tecnológico Multinacional de Biotecnología y
Tecnología de Alimentos. Impreso por: Radio Comunicaciones.- Quito
–Ecuador.
• REYES C., P. 2003. Diseños de Experimentos Aplicados. Trillas, México.
348 p.
• GONZÁLEZ B., G. 1974. Métodos Estadísticos y Principios de Diseño
Experimental. Universidad Central del Ecuador, Quito.
154

TABLAS ESTADISTICAS
TABLA 1: Distribución Normal tipificada
TABLA 2: Distribución t de Student
TABLA 3: Distribución F de Fisher
TABLA 4: Prueba de rango múltiple de Duncan
TABLA 5: Distribución Chi–Cuadrado
TABLA 6: Arcoseno de la raíz cuadrada de datos expresados
en porcentaje
TABLA 7: Coeficientes de Correlación
TABLA 8 Coeficientes de polinomios ortogonales
156

TABLA 1 Distribución Normal tipificada
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7518 0.7549
0.7 0.7580 0.7612 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
157

2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9986 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 1 1 1
158

TABLA 2 Distribución t de Student
Prueba de 2 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01 0.001
Colas
Prueba de1 Cola 0.25 0.2 0.15 0.10 0.05 0.025 0.01 0.005 0.0005
G.L.
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.598
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.941
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 5.405
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.371 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.833
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
159

23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.707
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.646
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.551
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660 3.460
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617 3.373
¥ 0.674 0.842 1.936 1.282 1.645 1.960 2.326 2.576 3.291
160

TABLA 3 Distribución F de Fisher
G.L. G.L. DEL NUMERADOR
ERROR a 1 2 3 4 5 6 7 8 9
0.100 39.86 49.50 53.59 55.83 57.24 58.20 58.91 59.44 59.86
0.050 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54
1 0.025 647.79 799.48 864.15 899.60 921.83 937.11 948.20 956.64 963.28
0.010 4052.18 4999.34 5403.53 5624.26 5763.96 5858.95 5928.33 5980.95 6022.40
0.005 16212.46 19997.36 21614.13 22500.75 23055.82 23439.53 23715.20 23923.81 24091.45
0.001 405311.58 499725.34 540256.50 562667.85 576496.12 586032.87 593185.42 597953.80 602245.33
0.100 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38
0.050 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38
2 0.025 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39
0.010 98.50 99.00 99.16 99.25 99.30 99.33 99.36 99.38 99.39
0.005 198.50 199.01 199.16 199.24 199.30 199.33 199.36 199.38 199.39
0.001 998.38 998.84 999.31 999.31 999.31 999.31 999.31 999.31 999.31
0.100 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24
0.050 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
3 0.025 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47
0.010 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34
0.005 55.55 49.80 47.47 46.20 45.39 44.84 44.43 44.13 43.88
0.001 167.06 148.49 141.10 137.08 134.58 132.83 131.61 130.62 129.86
0.100 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94
0.050 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00
4 0.025 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98 8.90
0.010 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66
0.005 31.33 26.28 24.26 23.15 22.46 21.98 21.62 21.35 21.14
161

0.001 74.13 61.25 56.17 53.43 51.72 50.52 49.65 49.00 48.47
0.100 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32
0.050 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
5 0.025 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76 6.68
0.010 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16
0.005 22.78 18.31 16.53 15.56 14.94 14.51 14.20 13.96 13.77
0.001 47.18 37.12 33.20 31.08 29.75 28.83 28.17 27.65 27.24
0.100 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96
0.050 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10
6 0.025 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52
0.010 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98
0.005 18.63 14.54 12.92 12.03 11.46 11.07 10.79 10.57 10.39
0.001 35.51 27.00 23.71 21.92 20.80 20.03 19.46 19.03 18.69
0.100 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72
0.050 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
7 0.025 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82
0.010 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72
0.005 16.24 12.40 10.88 10.05 9.52 9.16 8.89 8.68 8.51
0.001 29.25 21.69 18.77 17.20 16.21 15.52 15.02 14.63 14.33
162

TABLA 3 Distribución F de Fisher (continuación 1)
ERROR a 1 2 3 4 5 6 7 8 9
0.100 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56
0.050 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39
8 0.025 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36
0.010 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91
0.005 14.69 11.04 9.60 8.81 8.30 7.95 7.69 7.50 7.34
0.001 25.41 18.49 15.83 14.39 13.48 12.86 12.40 12.05 11.77
0.100 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44
0.050 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
9 0.025 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03
0.010 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35
0.005 13.61 10.11 8.72 7.96 7.47 7.13 6.88 6.69 6.54
0.001 22.86 16.39 13.90 12.56 11.71 11.13 10.70 10.37 10.11
0.100 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35
0.050 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02
10 0.025 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78
0.010 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94
0.005 12.83 9.43 8.08 7.34 6.87 6.54 6.30 6.12 5.97
0.001 21.04 14.90 12.55 11.28 10.48 9.93 9.52 9.20 8.96
0.100 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27
0.050 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90
11 0.025 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59
0.010 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63
163

0.005 12.23 8.91 7.60 6.88 6.42 6.10 5.86 5.68 5.54
0.001 19.69 13.81 11.56 10.35 9.58 9.05 8.65 8.35 8.12
0.100 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21
0.050 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80
12 0.025 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44
0.010 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39
0.005 11.75 8.51 7.23 6.52 6.07 5.76 5.52 5.35 5.20
0.001 18.64 12.97 10.80 9.63 8.89 8.38 8.00 7.71 7.48
0.100 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16
0.050 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71
13 0.025 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39 3.31
0.010 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19
0.005 11.37 8.19 6.93 6.23 5.79 5.48 5.25 5.08 4.94
0.001 17.82 12.31 10.21 9.07 8.35 7.86 7.49 7.21 6.98
0.100 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12
0.050 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65
14 0.025 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29 3.21
0.010 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03
0.005 11.06 7.92 6.68 6.00 5.56 5.26 5.03 4.86 4.72
0.001 17.14 11.78 9.73 8.62 7.92 7.44 7.08 6.80 6.58
TABLA 3 Distribución F de Fisher (Continuación 2)
ERROR a 1 2 3 4 5 6 7 8 9
0.100 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09
0.050 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59
15 0.025 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12
164

0.010 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89
0.005 10.80 7.70 6.48 5.80 5.37 5.07 4.85 4.67 4.54
0.001 16.59 11.34 9.34 8.25 7.57 7.09 6.74 6.47 6.26
0.100 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06
0.050 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54
16 0.025 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12 3.05
0.010 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78
0.005 10.58 7.51 6.30 5.64 5.21 4.91 4.69 4.52 4.38
0.001 16.12 10.97 9.01 7.94 7.27 6.80 6.46 6.20 5.98
0.100 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03
0.050 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49
17 0.025 6.04 4.62 4.01 3.66 3.44 3.28 3.16 3.06 2.98
0.010 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68
0.005 10.38 7.35 6.16 5.50 5.07 4.78 4.56 4.39 4.25
0.001 15.72 10.66 8.73 7.68 7.02 6.56 6.22 5.96 5.75
0.100 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00
0.050 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
18 0.025 5.98 4.56 3.95 3.61 3.38 3.22 3.10 3.01 2.93
0.010 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60
0.005 10.22 7.21 6.03 5.37 4.96 4.66 4.44 4.28 4.14
0.001 15.38 10.39 8.49 7.46 6.81 6.35 6.02 5.76 5.56
0.100 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98
0.050 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42
19 0.025 5.92 4.51 3.90 3.56 3.33 3.17 3.05 2.96 2.88
0.010 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52
0.005 10.07 7.09 5.92 5.27 4.85 4.56 4.34 4.18 4.04
0.001 15.08 10.16 8.28 7.27 6.62 6.18 5.85 5.59 5.39
165

0.100 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96
0.050 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39
20 0.025 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84
0.010 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46
0.005 9.94 6.99 5.82 5.17 4.76 4.47 4.26 4.09 3.96
0.001 14.82 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24
0.100 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95
0.050 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37
21 0.025 5.83 4.42 3.82 3.48 3.25 3.09 2.97 2.87 2.80
0.010 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40
0.005 9.83 6.89 5.73 5.09 4.68 4.39 4.18 4.01 3.88
0.001 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31 5.11
ERROR a 1 2 3 4 5 6 7 8 9
0.100 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93
0.050 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34
22 0.025 5.79 4.38 3.78 3.44 3.22 3.05 2.93 2.84 2.76
0.010 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35
0.005 9.73 6.81 5.65 5.02 4.61 4.32 4.11 3.94 3.81
0.001 14.38 9.61 7.80 6.81 6.19 5.76 5.44 5.19 4.99
0.100 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92
0.050 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32
23 0.025 5.75 4.35 3.75 3.41 3.18 3.02 2.90 2.81 2.73
0.010 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30
166

0.005 9.63 6.73 5.58 4.95 4.54 4.26 4.05 3.88 3.75
0.001 14.20 9.47 7.67 6.70 6.08 5.65 5.33 5.09 4.89
0.100 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91
0.050 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30
24 0.025 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70
0.010 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26
0.005 9.55 6.66 5.52 4.89 4.49 4.20 3.99 3.83 3.69
0.001 14.03 9.34 7.55 6.59 5.98 5.55 5.24 4.99 4.80
0.100 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89
0.050 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28
25 0.025 5.69 4.29 3.69 3.35 3.13 2.97 2.85 2.75 2.68
0.010 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22
0.005 9.48 6.60 5.46 4.84 4.43 4.15 3.94 3.78 3.64
0.001 13.88 9.22 7.45 6.49 5.89 5.46 5.15 4.91 4.71
0.100 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88
0.050 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
26 0.025 5.66 4.27 3.67 3.33 3.10 2.94 2.82 2.73 2.65
0.010 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18
0.005 9.41 6.54 5.41 4.79 4.38 4.10 3.89 3.73 3.60
0.001 13.74 9.12 7.36 6.41 5.80 5.38 5.07 4.83 4.64
0.100 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87
0.050 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25
27 0.025 5.63 4.24 3.65 3.31 3.08 2.92 2.80 2.71 2.63
0.010 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15
0.005 9.34 6.49 5.36 4.74 4.34 4.06 3.85 3.69 3.56
0.001 13.61 9.02 7.27 6.33 5.73 5.31 5.00 4.76 4.57
0.100 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87
167

0.050 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
28 0.025 5.61 4.22 3.63 3.29 3.06 2.90 2.78 2.69 2.61
0.010 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12
0.005 9.28 6.44 5.32 4.70 4.30 4.02 3.81 3.65 3.52
0.001 13.50 8.93 7.19 6.25 5.66 5.24 4.93 4.69 4.50
168

G.L.
ERROR a 1 2 3 4 5 6 7 8 9
0.100 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86
0.050 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22
29 0.025 5.59 4.20 3.61 3.27 3.04 2.88 2.76 2.67 2.59
0.010 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09
0.005 9.23 6.40 5.28 4.66 4.26 3.98 3.77 3.61 3.48
0.001 13.39 8.85 7.12 6.19 5.59 5.18 4.87 4.64 4.45
0.100 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85
0.050 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21
30 0.025 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57
0.010 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07
0.005 9.18 6.35 5.24 4.62 4.23 3.95 3.74 3.58 3.45
0.001 13.29 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39
0.100 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79
0.050 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12
40 0.025 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45
0.010 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89
0.005 8.83 6.07 4.98 4.37 3.99 3.71 3.51 3.35 3.22
0.001 12.61 8.25 6.59 5.70 5.13 4.73 4.44 4.21 4.02
0.100 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74
0.050 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04
60 0.025 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33
0.010 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72
0.005 8.49 5.79 4.73 4.14 3.76 3.49 3.29 3.13 3.01
169

0.001 11.97 7.77 6.17 5.31 4.76 4.37 4.09 3.86 3.69
0.100 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68
0.050 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96
120 0.025 5.15 3.80 3.23 2.89 2.67 2.52 2.39 2.30 2.22
0.010 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56
0.005 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81
0.001 11.38 7.32 5.78 4.95 4.42 4.04 3.77 3.55 3.38
0.100 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63
0.050 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88
¥ 0.025 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11
0.010 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41
0.005 7.88 5.30 4.28 3.72 3.35 3.09 2.90 2.74 2.62
0.001 10.83 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10
170

ERROR a 10 12 15 20 24 30 40 60 120 ¥
0.100 60.19 60.71 61.22 61.74 62.00 62.26 62.53 62.79 63.06 63.33
0.050 241.88 243.90 245.95 248.02 249.05 250.10 251.14 252.20 253.25 254.32
1 0.025 968.63 976.72 984.87 993.08 997.27 1001.40 1005.60 1009.79 1014.04 1018.26
0.010 6055.93 6106.68 6156.97 6208.66 6234.27 6260.35 6286.43 6312.97 6339.51 6365.59
0.005 24221.84 24426.73 24631.62 24836.51 24937.09 25041.40 25145.71 25253.74 25358.05 25466.08
0.001 605583.19 610351.56 616073.61 620841.98 623703.00 626087.19 628471.37 631332.40 634193.42 636577.61
0.100 9.39 9.41 9.42 9.44 9.45 9.46 9.47 9.47 9.48 9.49
0.050 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
2 0.025 39.40 39.41 39.43 39.45 39.46 39.46 39.47 39.48 39.49 39.50
0.010 99.40 99.42 99.43 99.45 99.46 99.47 99.48 99.48 99.49 99.50
0.005 199.39 199.42 199.43 199.45 199.45 199.48 199.48 199.48 199.49 199.51
0.001 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31
0.100 5.23 5.22 5.20 5.18 5.18 5.17 5.16 5.15 5.14 5.13
0.050 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
3 0.025 14.42 14.34 14.25 14.17 14.12 14.08 14.04 13.99 13.95 13.90
0.010 27.23 27.05 26.87 26.69 26.60 26.50 26.41 26.32 26.22 26.13
0.005 43.68 43.39 43.08 42.78 42.62 42.47 42.31 42.15 41.99 41.83
0.001 129.22 128.32 127.36 126.43 125.93 125.44 124.97 124.45 123.98 123.46
0.100 3.92 3.90 3.87 3.84 3.83 3.82 3.80 3.79 3.78 3.76
0.050 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
4 0.025 8.84 8.75 8.66 8.56 8.51 8.46 8.41 8.36 8.31 8.26
0.010 14.55 14.37 14.20 14.02 13.93 13.84 13.75 13.65 13.56 13.46
0.005 20.97 20.70 20.44 20.17 20.03 19.89 19.75 19.61 19.47 19.32
171

0.001 48.05 47.41 46.76 46.10 45.77 45.43 45.08 44.75 44.40 44.05
0.100 3.30 3.27 3.24 3.21 3.19 3.17 3.16 3.14 3.12 3.11
0.050 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.37
5 0.025 6.62 6.52 6.43 6.33 6.28 6.23 6.18 6.12 6.07 6.02
0.010 10.05 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02
0.005 13.62 13.38 13.15 12.90 12.78 12.66 12.53 12.40 12.27 12.14
0.001 26.91 26.42 25.91 25.39 25.13 24.87 24.60 24.33 24.06 23.79
0.100 2.94 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.72
0.050 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
6 0.025 5.46 5.37 5.27 5.17 5.12 5.07 5.01 4.96 4.90 4.85
0.010 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88
0.005 10.25 10.03 9.81 9.59 9.47 9.36 9.24 9.12 9.00 8.88
0.001 18.41 17.99 17.56 17.12 16.90 16.67 16.44 16.21 15.98 15.75
0.100 2.70 2.67 2.63 2.59 2.58 2.56 2.54 2.51 2.49 2.47
0.050 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
7 0.025 4.76 4.67 4.57 4.47 4.41 4.36 4.31 4.25 4.20 4.14
0.010 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65
0.005 8.38 8.18 7.97 7.75 7.64 7.53 7.42 7.31 7.19 7.08
0.001 14.08 13.71 13.32 12.93 12.73 12.53 12.33 12.12 11.91 11.70
172

ERROR a 10 12 15 20 24 30 40 60 120 ¥
0.100 2.54 2.50 2.46 2.42 2.40 2.38 2.36 2.34 2.32 2.29
0.050 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
8 0.025 4.30 4.20 4.10 4.00 3.95 3.89 3.84 3.78 3.73 3.67
0.010 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.86
0.005 7.21 7.01 6.81 6.61 6.50 6.40 6.29 6.18 6.06 5.95
0.001 11.54 11.19 10.84 10.48 10.30 10.11 9.92 9.73 9.53 9.33
0.100 2.42 2.38 2.34 2.30 2.28 2.25 2.23 2.21 2.18 2.16
0.050 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
9 0.025 3.96 3.87 3.77 3.67 3.61 3.56 3.51 3.45 3.39 3.33
0.010 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31
0.005 6.42 6.23 6.03 5.83 5.73 5.62 5.52 5.41 5.30 5.19
0.001 9.89 9.57 9.24 8.90 8.72 8.55 8.37 8.19 8.00 7.81
0.100 2.32 2.28 2.24 2.20 2.18 2.16 2.13 2.11 2.08 2.06
0.050 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
10 0.025 3.72 3.62 3.52 3.42 3.37 3.31 3.26 3.20 3.14 3.08
0.010 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91
0.005 5.85 5.66 5.47 5.27 5.17 5.07 4.97 4.86 4.75 4.64
0.001 8.75 8.45 8.13 7.80 7.64 7.47 7.30 7.12 6.94 6.76
0.100 2.25 2.21 2.17 2.12 2.10 2.08 2.05 2.03 2.00 1.97
0.050 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
11 0.025 3.53 3.43 3.33 3.23 3.17 3.12 3.06 3.00 2.94 2.88
0.010 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60
0.005 5.42 5.24 5.05 4.86 4.76 4.65 4.55 4.45 4.34 4.23
173

0.001 7.92 7.63 7.32 7.01 6.85 6.68 6.52 6.35 6.18 6.00
0.100 2.19 2.15 2.10 2.06 2.04 2.01 1.99 1.96 1.93 1.90
0.050 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
12 0.025 3.37 3.28 3.18 3.07 3.02 2.96 2.91 2.85 2.79 2.72
0.010 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36
0.005 5.09 4.91 4.72 4.53 4.43 4.33 4.23 4.12 4.01 3.90
0.001 7.29 7.00 6.71 6.40 6.25 6.09 5.93 5.76 5.59 5.42
0.100 2.14 2.10 2.05 2.01 1.98 1.96 1.93 1.90 1.88 1.85
0.050 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
13 0.025 3.25 3.15 3.05 2.95 2.89 2.84 2.78 2.72 2.66 2.60
0.010 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17
0.005 4.82 4.64 4.46 4.27 4.17 4.07 3.97 3.87 3.76 3.65
0.001 6.80 6.52 6.23 5.93 5.78 5.63 5.47 5.30 5.14 4.97
0.100 2.10 2.05 2.01 1.96 1.94 1.91 1.89 1.86 1.83 1.80
0.050 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
14 0.025 3.15 3.05 2.95 2.84 2.79 2.73 2.67 2.61 2.55 2.49
0.010 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00
0.005 4.60 4.43 4.25 4.06 3.96 3.86 3.76 3.66 3.55 3.44
0.001 6.40 6.13 5.85 5.56 5.41 5.25 5.10 4.94 4.77 4.60
174

ERROR a 10 12 15 20 24 30 40 60 120 ¥
0.100 2.06 2.02 1.97 1.92 1.90 1.87 1.85 1.82 1.79 1.76
0.050 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
15 0.025 3.06 2.96 2.86 2.76 2.70 2.64 2.59 2.52 2.46 2.40
0.010 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87
0.005 4.42 4.25 4.07 3.88 3.79 3.69 3.59 3.48 3.37 3.26
0.001 6.08 5.81 5.54 5.25 5.10 4.95 4.80 4.64 4.48 4.31
0.100 2.03 1.99 1.94 1.89 1.87 1.84 1.81 1.78 1.75 1.72
0.050 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
16 0.025 2.99 2.89 2.79 2.68 2.63 2.57 2.51 2.45 2.38 2.32
0.010 3.69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75
0.005 4.27 4.10 3.92 3.73 3.64 3.54 3.44 3.33 3.22 3.11
0.001 5.81 5.55 5.27 4.99 4.85 4.70 4.54 4.39 4.23 4.06
0.100 2.00 1.96 1.91 1.86 1.84 1.81 1.78 1.75 1.72 1.69
0.050 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
17 0.025 2.92 2.82 2.72 2.62 2.56 2.50 2.44 2.38 2.32 2.25
0.010 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65
0.005 4.14 3.97 3.79 3.61 3.51 3.41 3.31 3.21 3.10 2.98
0.001 5.58 5.32 5.05 4.78 4.63 4.48 4.33 4.18 4.02 3.85
0.100 1.98 1.93 1.89 1.84 1.81 1.78 1.75 1.72 1.69 1.66
0.050 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
18 0.025 2.87 2.77 2.67 2.56 2.50 2.44 2.38 2.32 2.26 2.19
0.010 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57
0.005 4.03 3.86 3.68 3.50 3.40 3.30 3.20 3.10 2.99 2.87
175

0.001 5.39 5.13 4.87 4.59 4.45 4.30 4.15 4.00 3.84 3.67
0.100 1.96 1.91 1.86 1.81 1.79 1.76 1.73 1.70 1.67 1.63
0.050 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
19 0.025 2.82 2.72 2.62 2.51 2.45 2.39 2.33 2.27 2.20 2.13
0.010 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49
0.005 3.93 3.76 3.59 3.40 3.31 3.21 3.11 3.00 2.89 2.78
0.001 5.22 4.97 4.70 4.43 4.29 4.14 3.99 3.84 3.68 3.51
0.100 1.94 1.89 1.84 1.79 1.77 1.74 1.71 1.68 1.64 1.61
0.050 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
20 0.025 2.77 2.68 2.57 2.46 2.41 2.35 2.29 2.22 2.16 2.09
0.010 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42
0.005 3.85 3.68 3.50 3.32 3.22 3.12 3.02 2.92 2.81 2.69
0.001 5.08 4.82 4.56 4.29 4.15 4.00 3.86 3.70 3.54 3.38
0.100 1.92 1.87 1.83 1.78 1.75 1.72 1.69 1.66 1.62 1.59
0.050 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
21 0.025 2.73 2.64 2.53 2.42 2.37 2.31 2.25 2.18 2.11 2.04
0.010 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36
0.005 3.77 3.60 3.43 3.24 3.15 3.05 2.95 2.84 2.73 2.61
0.001 4.95 4.70 4.44 4.17 4.03 3.88 3.74 3.58 3.42 3.26
176

ERROR a 10 12 15 20 24 30 40 60 120 ¥
0.100 1.90 1.86 1.81 1.76 1.73 1.70 1.67 1.64 1.60 1.57
0.050 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
22 0.025 2.70 2.60 2.50 2.39 2.33 2.27 2.21 2.14 2.08 2.00
0.010 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31
0.005 3.70 3.54 3.36 3.18 3.08 2.98 2.88 2.77 2.66 2.55
0.001 4.83 4.58 4.33 4.06 3.92 3.78 3.63 3.48 3.32 3.15
0.100 1.89 1.84 1.80 1.74 1.72 1.69 1.66 1.62 1.59 1.55
0.050 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
23 0.025 2.67 2.57 2.47 2.36 2.30 2.24 2.18 2.11 2.04 1.97
0.010 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26
0.005 3.64 3.47 3.30 3.12 3.02 2.92 2.82 2.71 2.60 2.48
0.001 4.73 4.48 4.23 3.96 3.82 3.68 3.53 3.38 3.22 3.05
0.100 1.88 1.83 1.78 1.73 1.70 1.67 1.64 1.61 1.57 1.53
0.050 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
24 0.025 2.64 2.54 2.44 2.33 2.27 2.21 2.15 2.08 2.01 1.94
0.010 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21
0.005 3.59 3.42 3.25 3.06 2.97 2.87 2.77 2.66 2.55 2.43
0.001 4.64 4.39 4.14 3.87 3.74 3.59 3.45 3.29 3.14 2.97
0.100 1.87 1.82 1.77 1.72 1.69 1.66 1.63 1.59 1.56 1.52
0.050 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
25 0.025 2.61 2.51 2.41 2.30 2.24 2.18 2.12 2.05 1.98 1.91
0.010 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17
0.005 3.54 3.37 3.20 3.01 2.92 2.82 2.72 2.61 2.50 2.38
177

0.001 4.56 4.31 4.06 3.79 3.66 3.52 3.37 3.22 3.06 2.89
0.100 1.86 1.81 1.76 1.71 1.68 1.65 1.61 1.58 1.54 1.50
0.050 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
26 0.025 2.59 2.49 2.39 2.28 2.22 2.16 2.09 2.03 1.95 1.88
0.010 3.09 2.96 2.81 2.66 2.58 2.50 2.42 2.33 2.23 2.13
0.005 3.49 3.33 3.15 2.97 2.87 2.77 2.67 2.56 2.45 2.33
0.001 4.48 4.24 3.99 3.72 3.59 3.44 3.30 3.15 2.99 2.82
0.100 1.85 1.80 1.75 1.70 1.67 1.64 1.60 1.57 1.53 1.49
0.050 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
27 0.025 2.57 2.47 2.36 2.25 2.19 2.13 2.07 2.00 1.93 1.85
0.010 3.06 2.93 2.78 2.63 2.55 2.47 2.38 2.29 2.20 2.10
0.005 3.45 3.28 3.11 2.93 2.83 2.73 2.63 2.52 2.41 2.29
0.001 4.41 4.17 3.92 3.66 3.52 3.38 3.23 3.08 2.92 2.75
0.100 1.84 1.79 1.74 1.69 1.66 1.63 1.59 1.56 1.52 1.48
0.050 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
28 0.025 2.55 2.45 2.34 2.23 2.17 2.11 2.05 1.98 1.91 1.83
0.010 3.03 2.90 2.75 2.60 2.52 2.44 2.35 2.26 2.17 2.06
0.005 3.41 3.25 3.07 2.89 2.79 2.69 2.59 2.48 2.37 2.25
0.001 4.35 4.11 3.86 3.60 3.46 3.32 3.18 3.02 2.86 2.69
178

ERROR a 10 12 15 20 24 30 40 60 120 ¥
0.100 1.83 1.78 1.73 1.68 1.65 1.62 1.58 1.55 1.51 1.47
0.050 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
29 0.025 2.53 2.43 2.32 2.21 2.15 2.09 2.03 1.96 1.89 1.81
0.010 3.00 2.87 2.73 2.57 2.49 2.41 2.33 2.23 2.14 2.03
0.005 3.38 3.21 3.04 2.86 2.76 2.66 2.56 2.45 2.33 2.21
0.001 4.29 4.05 3.80 3.54 3.41 3.27 3.12 2.97 2.81 2.64
0.100 1.82 1.77 1.72 1.67 1.64 1.61 1.57 1.54 1.50 1.46
0.050 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
30 0.025 2.51 2.41 2.31 2.20 2.14 2.07 2.01 1.94 1.87 1.79
0.010 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01
0.005 3.34 3.18 3.01 2.82 2.73 2.63 2.52 2.42 2.30 2.18
0.001 4.24 4.00 3.75 3.49 3.36 3.22 3.07 2.92 2.76 2.59
0.100 1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.47 1.42 1.38
0.050 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
40 0.025 2.39 2.29 2.18 2.07 2.01 1.94 1.88 1.80 1.72 1.64
0.010 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80
0.005 3.12 2.95 2.78 2.60 2.50 2.40 2.30 2.18 2.06 1.93
0.001 3.87 3.64 3.40 3.15 3.01 2.87 2.73 2.57 2.41 2.23
0.100 1.71 1.66 1.60 1.54 1.51 1.48 1.44 1.40 1.35 1.29
0.050 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
60 0.025 2.27 2.17 2.06 1.94 1.88 1.82 1.74 1.67 1.58 1.48
0.010 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60
0.005 2.90 2.74 2.57 2.39 2.29 2.19 2.08 1.96 1.83 1.69
179

0.001 3.54 3.32 3.08 2.83 2.69 2.55 2.41 2.25 2.08 1.89
0.100 1.65 1.60 1.55 1.48 1.45 1.41 1.37 1.32 1.26 1.19
0.050 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
120 0.025 2.16 2.05 1.94 1.82 1.76 1.69 1.61 1.53 1.43 1.31
0.010 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38
0.005 2.71 2.54 2.37 2.19 2.09 1.98 1.87 1.75 1.61 1.43
0.001 3.24 3.02 2.78 2.53 2.40 2.26 2.11 1.95 1.77 1.54
0.100 1.60 1.55 1.49 1.42 1.38 1.34 1.30 1.24 1.17 1.00
0.050 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
¥ 0.025 2.05 1.94 1.83 1.71 1.64 1.57 1.48 1.39 1.27 1.00
0.010 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00
0.005 2.52 2.36 2.19 2.00 1.90 1.79 1.67 1.53 1.36 1.00
0.001 2.96 2.74 2.51 2.27 2.13 1.99 1.84 1.66 1.45 1.00
180

TABLA 4 Prueba de rango múltiple de Duncan
G.L. a NUMERO DE MEDIAS CONSIDERADAS
ERROR 2 3 4 5 6 7 8 9 10 12 14 16 18 20
0.05 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0
1 0.01 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
0.05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
2 0.01 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0
0.05 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
3 0.01 8.26 8.50 8.60 8.70 8.80 8.90 8.90 9.00 9.00 9.00 9.10 9.20 9.30 9.30
0.05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
4 0.01 6.51 6.80 6.90 7.00 7.10 7.1 7.20 7.20 7.30 7.30 7.40 7.40 7.50 7.50
0.05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
5 0.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.50 6.60 6.60 6.70 6.70 6.80
0.05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
6 0.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.10 6.20 6.20 6.30 6.30
0.05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
7 0.01 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.80 5.80 5.90 5.90 6.00 6.00
0.05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
8 0.01 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.50 5.60 5.70 5.70 5.80 5.80
0.05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
9 0.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.40 5.50 5.50 5.60 5.70 5.70
0.05 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.48
10 0.01 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55
0.05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 3.46 3.46 3.46 3.46 3.47 3.48
11 0.01 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39
181

0.05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
12 0.01 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26
0.05 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
13 0.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15
0.05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
14 0.01 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07
0.05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.44 3.45 3.46 3.47 3.47
15 0.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00
0.05 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.44 3.45 3.46 3.47 3.47
16 0.01 4.13 4.34 4.45 4.54 4.60 4.67 4.72 4.76 4.79 4.84 4.88 4.91 4.93 4.94
0.05 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.44 3.45 3.46 3.47 3.47
17 0.01 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.72 4.75 4.80 4.83 4.86 4.88 4.89
0.05 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.43 3.45 3.46 3.47 3.47
18 0.01 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.76 4.79 4.82 4.84 4.85
0.05 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.43 3.44 3.46 3.47 3.47
19 0.01 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.72 4.76 4.79 4.81 4.82
0.05 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.43 3.44 3.46 3.46 3.47
20 0.01 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.69 4.73 4.76 4.78 4.79
TABLA 4 Prueba de rango múltiple de Duncan (Continuación 2)
182

G.L. a NUMERO DE MEDIAS CONSIDERADAS
ERROR 2 3 4 5 6 7 8 9 10 12 14 16 18 20
0.05 2.93 3.08 3.17 3.24 3.29 3.32 3.35 3.37 3.39 3.42 3.44 3.45 3.46 3.47
22 0.01 3.99 4.17 4.28 4.36 4.42 4.48 4.53 4.57 4.60 4.65 4.64 4.71 4.74 4.75
0.05 2.92 3.07 3.15 3.22 3.28 3.31 3.34 3.37 3.38 3.41 3.44 3.45 3.46 3.47
24 0.01 3.96 4.14 4.24 4.33 4.39 4.44 4.49 4.53 4.57 4.62 4.64 4.67 4.70 4.72
0.05 2.91 3.06 3.14 3.21 3.27 3.30 3.34 3.36 3.38 3.41 3.43 3.45 3.46 3.47
26 0.01 3.93 4.11 4.21 4.30 4.36 4.41 4.46 4.50 4.53 4.58 4.62 4.65 4.67 4.69
0.05 2.90 3.04 3.13 3.20 3.26 3.30 3.33 3.35 3.37 3.40 3.43 3.45 3.46 3.47
28 0.01 3.91 4.08 4.18 4.28 4.34 4.39 4.43 4.47 4.51 4.56 4.60 4.62 4.65 4.67
0.05 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.40 3.43 3.44 3.46 3.47
30 0.01 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.54 4.58 4.61 4.63 4.65
0.05 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.39 3.42 3.44 3.46 3.47
40 0.01 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.46 4.51 4.54 4.54 4.59
0.05 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.37 3.40 3.43 3.45 3.47
60 0.01 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.39 4.44 4.47 4.50 4.53
0.05 2.80 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32 3.36 3.40 3.42 3.45 3.47
100 0.01 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.35 4.38 4.42 4.45 4.48
0.05 2.77 2.92 3.02 3.09 3.15 3.19 3.23 3.26 3.29 3.34 3.38 3.41 3.44 3.47
¥ 0.01 3.64 3.80 3.90 3.98 4.04 4.09 4.14 4.17 4.20 4.26 4.31 4.34 4.38 4.41
TABLA 5 Distribución Chi-Cuadrado
183

G.L. 0.995 0.990 0.975 0.950 0.900 0.750 0.500 0.250 0.100 0.050 0.025 0.010 0.005 0.001
1 0.001 0.001 0.001 0.004 0.02 0.10 0.45 1.32 2.71 3.84 5.02 6.63 7.88 10.83
2 0.01 0.02 0.05 0.10 0.21 0.58 1.39 2.77 4.61 5.99 7.38 9.21 10.60 13.82
3 0.07 0.11 0.22 0.35 0.58 1.21 2.37 4.11 6.25 7.81 9.35 11.34 12.84 16.27
4 0.21 0.30 0.48 0.71 1.06 1.92 3.36 5.39 7.78 9.49 11.14 13.28 14.86 18.47
5 0.41 0.55 0.83 1.15 1.61 2.67 4.35 6.63 9.24 11.07 12.83 15.09 16.75 20.51
6 0.68 0.87 1.24 1.64 2.20 3.45 5.35 7.84 10.64 12.59 14.45 16.81 18.55 22.46
7 0.99 1.24 1.69 2.17 2.83 4.25 6.35 9.04 12.02 14.07 16.01 18.48 20.28 24.32
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34 10.22 13.36 15.51 17.53 20.09 21.95 26.12
9 1.73 2.09 2.70 3.33 4.17 5.90 8.34 11.39 14.68 16.92 19.02 21.67 23.59 27.88
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34 13.70 17.28 19.68 21.92 24.73 26.76 31.26
12 3.07 3.57 4.40 5.23 6.30 8.44 11.34 14.85 18.55 21.03 23.34 26.22 28.30 32.91
13 3.57 4.11 5.01 5.89 7.04 9.30 12.34 15.98 19.81 22.36 24.74 27.69 29.82 34.53
14 4.07 4.66 5.63 6.57 7.79 10.17 13.34 17.12 21.06 23.68 26.12 29.14 31.32 36.12
15 4.60 5.23 6.26 7.26 8.55 11.04 14.34 18.25 22.31 25.00 27.49 30.58 32.80 37.70
16 5.14 5.81 6.91 7.96 9.31 11.91 15.34 19.37 23.54 26.30 28.85 32.00 34.27 39.25
17 5.70 6.41 7.56 8.67 10.09 12.79 16.34 20.49 24.77 27.59 30.19 33.41 35.72 40.79
18 6.26 7.01 8.23 9.39 10.86 13.68 17.34 21.60 25.99 28.87 31.53 34.81 37.16 42.31
19 6.84 7.63 8.91 10.12 11.65 14.56 18.34 22.72 27.20 30.14 32.85 36.19 38.58 43.82
20 7.434 8.260 9.591 10.851 12.44 15.45 19.34 23.83 28.41 31.41 34.17 37.57 40.00 45.31
21 8.03 8.90 10.28 11.59 13.24 16.34 20.34 24.93 29.62 32.67 35.48 38.93 41.40 46.80
22 8.64 9.54 10.98 12.34 14.04 17.24 21.34 26.04 30.81 33.92 36.78 40.29 42.80 48.27
23 9.26 10.20 11.69 13.09 14.85 18.14 22.34 27.14 32.01 35.17 38.08 41.64 44.18 49.73
24 9.89 10.86 12.40 13.85 15.66 19.04 23.34 28.24 33.20 36.42 39.36 42.98 45.56 51.18
25 10.52 11.52 13.12 14.61 16.47 19.94 24.34 29.34 34.38 37.65 40.65 44.31 46.93 52.62
184

26 11.16 12.20 13.84 15.38 17.29 20.84 25.34 30.43 35.56 38.89 41.92 45.64 48.29 54.05
27 11.81 12.88 14.57 16.15 18.11 21.75 26.34 31.53 36.74 40.11 43.19 46.96 49.65 55.48
28 12.46 13.56 15.31 16.93 18.94 22.66 27.34 32.62 37.92 41.34 44.46 48.28 50.99 56.89
29 13.12 14.26 16.05 17.71 19.77 23.57 28.34 33.71 39.09 42.56 45.72 49.59 52.34 58.30
30 13.79 14.95 16.79 18.49 20.60 24.48 29.34 34.80 40.26 43.77 46.98 50.89 53.67 59.70
40 20.71 22.16 24.43 26.51 29.05 33.66 39.34 45.62 51.81 55.76 59.34 63.69 66.77 73.40
50 27.99 29.71 32.36 34.76 37.69 42.94 49.33 56.33 63.17 67.50 71.42 76.15 79.49 86.66
60 35.53 37.48 40.48 43.19 46.46 52.29 59.33 66.98 74.40 79.08 83.30 88.38 91.95 99.61
70 43.28 45.44 48.76 51.74 55.33 61.70 69.33 77.58 85.53 90.53 95.02 100.43 104.21 112.32
80 51.17 53.54 57.15 60.39 64.28 71.14 79.33 88.13 96.58 101.88 106.63 112.33 116.32 124.84
90 59.20 61.75 65.65 69.13 73.29 80.62 89.33 98.65 107.57 113.15 118.14 124.12 128.30 137.21
100 67.33 70.06 74.22 77.93 82.36 90.13 99.33 109.14 118.50 124.34 129.56 135.81 140.17 149.45
120 83.85 86.92 91.57 95.70 100.62 109.22 119.33 130.05 140.23 146.57 152.21 158.95 163.65 173.62
185

TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en porcentaje.
% 0 1 2 3 4 5 6 7 8 9
0 0.00 1.81 2.56 3.14 3.63 4.05 4.44 4.80 5.13 5.44
1 5.74 6.02 6.29 6.55 6.80 7.03 7.27 7.49 7.71 7.92
2 8.13 8.33 8.53 8.72 8.91 9.10 9.28 9.46 9.63 9.80
3 9.97 10.14 10.30 10.47 10.63 10.78 10.94 11.09 11.24 11.39
4 11.54 11.68 11.83 11.97 12.11 12.25 12.38 12.52 12.66 12.79
5 12.92 13.05 13.18 13.31 13.44 13.56 13.69 13.81 13.94 14.06
6 14.18 14.30 14.42 14.54 14.65 14.77 14.89 15.00 15.12 15.23
7 15.34 15.45 15.56 15.68 15.79 15.89 16.00 16.11 16.22 16.32
8 16.43 16.54 16.64 16.74 16.85 16.95 17.05 17.15 17.26 17.36
9 17.46 17.56 17.66 17.76 17.85 17.95 18.05 18.15 18.24 18.34
10 18.43 18.53 18.63 18.72 18.81 18.91 19.00 19.09 19.19 19.28
11 19.37 19.46 19.55 19.64 19.73 19.82 19.91 20.00 20.09 20.18
12 20.27 20.36 20.44 20.53 20.62 20.70 20.79 20.88 20.96 21.05
13 21.13 21.22 21.30 21.39 21.47 21.56 21.64 21.72 21.81 21.89
14 21.97 22.06 22.14 22.22 22.30 22.38 22.46 22.54 22.63 22.71
15 22.79 22.87 22.95 23.03 23.11 23.18 23.26 23.34 23.42 23.50
16 23.58 23.66 23.73 23.81 23.89 23.97 24.04 24.12 24.20 24.27
17 24.35 24.43 24.50 24.58 24.65 24.73 24.80 24.88 24.95 25.03
18 25.10 25.18 25.25 25.33 25.40 25.47 25.55 25.62 25.70 25.77
19 25.84 25.91 25.99 26.06 26.13 26.21 26.28 26.35 26.42 26.49
20 26.56 26.64 26.71 26.78 26.85 26.92 26.99 27.06 27.13 27.20
21 27.27 27.34 27.42 27.49 27.56 27.62 27.69 27.76 27.83 27.90
22 27.97 28.04 28.11 28.18 28.25 28.32 28.38 28.45 28.52 28.59
23 28.66 28.73 28.79 28.86 28.93 29.00 29.06 29.13 29.20 29.27
186

24 29.33 29.40 29.47 29.53 29.60 29.67 29.73 29.80 29.87 29.93
25 30.00 30.07 30.13 30.20 30.26 30.33 30.40 30.46 30.53 30.59
26 30.66 30.72 30.79 30.85 30.92 30.98 31.05 31.11 31.18 31.24
27 31.31 31.37 31.44 31.50 31.56 31.63 31.69 31.76 31.82 31.88
28 31.95 32.01 32.08 32.14 32.20 32.27 32.33 32.39 32.46 32.52
29 32.58 32.65 32.71 32.77 32.83 32.90 32.96 33.02 33.09 33.15
30 33.21 33.27 33.34 33.40 33.46 33.52 33.58 33.65 33.71 33.77
31 33.83 33.89 33.96 34.02 34.08 34.14 34.20 34.27 34.33 34.39
32 34.45 34.51 34.57 34.63 34.70 34.76 34.82 34.88 34.94 35.00
33 35.06 35.12 35.18 35.24 35.30 35.37 35.43 35.49 35.55 35.61
34 35.67 35.73 35.79 35.85 35.91 35.97 36.03 36.09 36.15 36.21
35 36.27 36.33 36.39 36.45 36.51 36.57 36.63 36.69 36.75 36.81
36 36.87 36.93 36.99 37.05 37.11 37.17 37.23 37.29 37.35 37.41
37 37.46 37.52 37.58 37.64 37.70 37.76 37.82 37.88 37.94 38.00
38 38.06 38.12 38.17 38.23 38.29 38.35 38.41 38.47 38.53 38.59
39 38.65 38.70 38.76 38.82 38.88 38.94 39.00 39.06 39.11 39.17
40 39.23 39.29 39.35 39.41 39.47 39.52 39.58 39.64 39.70 39.76
41 39.82 39.87 39.93 39.99 40.05 40.11 40.16 40.22 40.28 40.34
42 40.40 40.45 40.51 40.57 40.63 40.69 40.74 40.80 40.86 40.92
43 40.98 41.03 41.09 41.15 41.21 41.27 41.32 41.38 41.44 41.50
44 41.55 41.61 41.67 41.73 41.78 41.84 41.90 41.96 42.02 42.07
45 42.13 42.19 42.25 42.30 42.36 42.42 42.48 42.53 42.59 42.65
TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en porcentaje (Continuación 1)
187

% 0 1 2 3 4 5 6 7 8 9
46 42.71 42.76 42.82 42.88 42.94 42.99 43.05 43.11 43.17 43.22
47 43.28 43.34 43.39 43.45 43.51 43.57 43.62 43.68 43.74 43.80
48 43.85 43.91 43.97 44.03 44.08 44.14 44.20 44.25 44.31 44.37
49 44.43 44.48 44.54 44.60 44.66 44.71 44.77 44.83 44.89 44.94
50 45.00 45.06 45.11 45.17 45.23 45.29 45.34 45.40 45.46 45.52
51 45.57 45.63 45.69 45.74 45.80 45.86 45.92 45.97 46.03 46.09
52 46.15 46.20 46.26 46.32 46.38 46.43 46.49 46.55 46.61 46.66
53 46.72 46.78 46.83 46.89 46.95 47.01 47.06 47.12 47.18 47.24
54 47.29 47.35 47.41 47.47 47.52 47.58 47.64 47.70 47.75 47.81
55 47.87 47.93 47.98 48.04 48.10 48.16 48.22 48.27 48.33 48.39
56 48.45 48.50 48.56 48.62 48.68 48.73 48.79 48.85 48.91 48.97
57 49.02 49.08 49.14 49.20 49.26 49.31 49.37 49.43 49.49 49.55
58 49.60 49.66 49.72 49.78 49.84 49.89 49.95 50.01 50.07 50.13
59 50.18 50.24 50.30 50.36 50.42 50.48 50.53 50.59 50.65 50.71
60 50.77 50.83 50.89 50.94 51.00 51.06 51.12 51.18 51.24 51.30
61 51.35 51.41 51.47 51.53 51.59 51.65 51.71 51.77 51.83 51.88
62 51.94 52.00 52.06 52.12 52.18 52.24 52.30 52.36 52.42 52.48
63 52.53 52.59 52.65 52.71 52.77 52.83 52.89 52.95 53.01 53.07
64 53.13 53.19 53.25 53.31 53.37 53.43 53.49 53.55 53.61 53.67
65 53.73 53.79 53.85 53.91 53.97 54.03 54.09 54.15 54.21 54.27
66 54.33 54.39 54.45 54.51 54.57 54.63 54.69 54.76 54.82 54.88
67 54.94 55.00 55.06 55.12 55.18 55.24 55.30 55.37 55.43 55.49
68 55.55 55.61 55.67 55.73 55.80 55.86 55.92 55.98 56.04 56.10
69 56.17 56.23 56.29 56.35 56.41 56.48 56.54 56.60 56.66 56.73
70 56.79 56.85 56.91 56.98 57.04 57.10 57.17 57.23 57.29 57.35
188

71 57.42 57.48 57.54 57.61 57.67 57.73 57.80 57.86 57.92 57.99
72 58.05 58.12 58.18 58.24 58.31 58.37 58.44 58.50 58.56 58.63
73 58.69 58.76 58.82 58.89 58.95 59.02 59.08 59.15 59.21 59.28
74 59.34 59.41 59.47 59.54 59.60 59.67 59.74 59.80 59.87 59.93
75 60.00 60.07 60.13 60.20 60.27 60.33 60.40 60.47 60.53 60.60
76 60.67 60.73 60.80 60.87 60.94 61.00 61.07 61.14 61.21 61.27
77 61.34 61.41 61.48 61.55 61.61 61.68 61.75 61.82 61.89 61.96
78 62.03 62.10 62.17 62.24 62.31 62.37 62.44 62.51 62.58 62.65
79 62.73 62.80 62.87 62.94 63.01 63.08 63.15 63.22 63.29 63.36
80 63.43 63.51 63.58 63.65 63.72 63.79 63.87 63.94 64.01 64.08
81 64.16 64.23 64.30 64.38 64.45 64.52 64.60 64.67 64.75 64.82
82 64.90 64.97 65.05 65.12 65.20 65.27 65.35 65.42 65.50 65.57
83 65.65 65.73 65.80 65.88 65.96 66.03 66.11 66.19 66.27 66.34
84 66.42 66.50 66.58 66.66 66.74 66.81 66.89 66.97 67.05 67.13
85 67.21 67.29 67.37 67.46 67.54 67.62 67.70 67.78 67.86 67.94
86 68.03 68.11 68.19 68.28 68.36 68.44 68.53 68.61 68.70 68.78
87 68.87 68.95 69.04 69.12 69.21 69.30 69.38 69.47 69.56 69.64
88 69.73 69.82 69.91 70.00 70.09 70.18 70.27 70.36 70.45 70.54
89 70.63 70.72 70.81 70.91 71.00 71.09 71.19 71.28 71.37 71.47
90 71.56 71.66 71.76 71.85 71.95 72.05 72.15 72.24 72.34 72.44
91 72.54 72.64 72.74 72.84 72.95 73.05 73.15 73.26 73.36 73.46
TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en porcentaje (Continuación 2)
% 0 1 2 3 4 5 6 7 8 9
92 73.57 73.68 73.78 73.89 74.00 74.11 74.21 74.32 74.44 74.55
189

93 74.66 74.77 74.88 75.00 75.11 75.23 75.35 75.46 75.58 75.70
94 75.82 75.94 76.06 76.19 76.31 76.44 76.56 76.69 76.82 76.95
95 77.08 77.21 77.34 77.48 77.62 77.75 77.89 78.03 78.17 78.32
96 78.46 78.61 78.76 78.91 79.06 79.22 79.37 79.53 79.69 79.86
97 80.03 80.19 80.37 80.54 80.72 80.90 81.09 81.28 81.47 81.67
98 81.87 82.08 82.29 82.51 82.73 82.96 83.20 83.45 83.71 83.98
99 84.26 84.56 84.87 85.20 85.56 85.94 86.37 86.86 87.44 88.19
100 90.00
190

TABLA 7 Coeficientes de Correlación.
G.L. del Variables independientes
Error a 1 2 3 4 1 2 3 4
1 0.05 0.997 0.999 0.999 0.999 10 0.576 0.671 0.726 0.763
0.01 1.000 1.000 1.000 1.000 0.708 0.776 0.814 0.840
2 0.05 0.950 0.975 0.983 0.987 11 0.553 0.648 0.703 0.741
0.01 0.990 0.995 0.997 0.998 0.684 0.753 0.793 0.821
3 0.05 0.878 0.930 0.950 0.961 12 0.532 0.627 0.683 0.722
0.01 0.959 0.976 0.983 0.987 0.661 0.732 0.773 0.802
4 0.05 0.811 0.881 0.912 0.930 13 0.514 0.608 0.664 0.703
0.01 0.917 0.949 0.962 0.970 0.641 0.712 0.755 0.785
5 0.05 0.754 0.836 0.874 0.898 14 0.497 0.590 0.646 0.686
0.01 0.874 0.917 0.937 0.949 0.623 0.694 0.737 0.768
6 0.05 0.707 0.795 0.839 0.867 15 0.482 0.574 0.630 0.670
0.01 0.834 0.886 0.911 0.927 0.606 0.677 0.721 0.752
7 0.05 0.666 0.758 0.807 0.838 16 0.468 0.559 0.615 0.655
0.01 0.798 0.855 0.885 0.904 0.590 0.662 0.706 0.738
8 0.05 0.632 0.726 0.777 0.811 17 0.456 0.545 0.601 0.641
0.01 0.765 0.827 0.860 0.882 0.575 0.647 0.691 0.724
9 0.05 0.602 0.697 0.750 0.786 18 0.444 0.532 0.587 0.628
0.01 0.735 0.800 0.836 0.861 0.561 0.633 0.678 0.710
19 0.05 0.433 0.520 0.575 0.615 28 0.361 0.439 0.490 0.529
0.01 0.549 0.620 0.665 0.698 0.463 0.530 0.573 0.605
20 0.05 0.423 0.509 0.563 0.604 29 0.355 0.432 0.482 0.521
0.01 0.537 0.608 0.652 0.685 0.456 0.522 0.565 0.598
21 0.05 0.413 0.498 0.522 0.592 30 0.349 0.426 0.476 0.514
191

0.01 0.526 0.596 0.641 0.674 0.449 0.514 0.558 0.591
22 0.05 0.404 0.488 0.542 0.582 35 0.325 0.397 0.445 0.482
0.01 0.515 0.585 0.630 0.663 0.418 0.481 0.523 0.556
23 0.05 0.396 0.479 0.532 0.572 40 0.304 0.373 0.419 0.455
0.01 0.505 0.574 0.619 0.652 0.393 0.454 0.494 0.526
24 0.05 0.388 0.470 0.523 0.562 45 0.288 0.353 0.397 0.432
0.01 0.496 0.565 0.609 0.642 0.372 0.430 0.470 0.501
25 0.05 0.381 0.462 0.514 0.553 50 0.273 0.336 0.379 0.412
0.01 0.487 0.555 0.600 0.633 0.354 0.410 0.449 0.479
26 0.05 0.374 0.454 0.506 0.545 60 0.250 0.308 0.348 0.380
0.01 0.478 0.546 0.590 0.624 0.325 0.377 0.414 0.442
27 0.05 0.367 0.446 0.498 0.536 70 0.232 0.286 0.324 0.354
0.01 0.470 0.538 0.582 0.615 0.302 0.351 0.386 0.413
192

TABLA 7 Coeficientes de Correlación (Continuación 2)
G.L. del Variables independientes
Error a 1 2 3 4
80 0.05 0.217 0.269 0.304 0.332
0.01 0.283 0.330 0.362 0.389
90 0.05 0.205 0.254 0.288 0.315
0.01 0.267 0.312 0.343 0.368
100 0.05 0.195 0.241 0.274 0.300
0.01 0.254 0.297 0.327 0.351
150 0.05 0.159 0.198 0.225 0.247
0.01 0.208 0.244 0.270 0.290
200 0.05 0.138 0.172 0.196 0.215
0.01 0.181 0.212 0.234 0.253
300 0.05 0.113 0.141 0.160 0.176
0.01 0.148 0.174 0.192 0.208
400 0.05 0.098 0.122 0.139 0.153
0.01 0.128 0.151 0.167 0.180
500 0.05 0.088 0.109 0.124 0.137
0.01 0.115 0.135 0.150 0.162
1000 0.05 0.062 0.077 0.088 0.097
0.01 0.081 0.096 0.106 0.115
193

TABLA 8 Coeficientes de polinomios ortogonales
Coeficientes
Tratamiento Grado a1 a2 a3 a4 a5 a6 a7 a8 a9 a10 Coef2
Lineal 2 1 -1 +1 2
3 1 -1 0 1 2
4 1 -3 -1 1 3 20
5 1 -2 -1 0 1 2 10
6 1 -5 -3 -1 1 3 5 70
7 1 -3 -2 -1 0 1 2 3 28
8 1 -7 -5 -3 -1 1 3 5 7 168
9 1 -4 -3 -2 -1 0 1 2 3 4 60
10 1 -9 -7 -5 -3 -1 1 3 5 7 9 330
Cuadrática 3 2 1 -2 1 6
4 2 1 -1 -1 1 4
5 2 2 -1 -2 -1 2 14
6 2 5 -1 -4 -4 -1 5 84
7 2 5 0 -3 -4 -3 0 5 84
8 2 7 1 -3 -5 -5 -3 1 7 168
9 2 28 7 -8 -17 -20 -17 -8 7 28 2.772
10 2 6 2 -1 -3 -4 -4 -3 -1 2 6 132
Cúbica 4 3 -1 3 -3 1 20
5 3 -1 2 0 -2 1 10
6 3 -5 7 4 -4 -7 5 180
7 3 -1 1 1 0 -1 -1 1 6
8 3 -7 5 7 3 -3 -7 -5 7 264
9 3 -14 7 13 9 0 -9 -13 -7 14 990
10 3 -42 14 35 31 12 -12 -31 -35 -14 42 8.580
Cuártica 5 4 1 -4 6 -4 1 70
194

6 4 1 -3 2 2 -3 1 28
7 4 3 -7 1 6 1 -7 3 154
8 4 7 -13 -3 9 9 -3 -13 7 616
9 4 14 -21 -11 9 18 9 -11 -21 14 2.002
10 4 18 -22 -17 3 18 18 3 -17 -22 18 2.860
Quíntica 6 5 -1 5 -10 10 -5 1 252
7 5 -1 4 -5 0 5 -4 1 84
8 5 -7 23 -17 -15 15 17 -23 7 2.184
9 5 -4 11 -4 -9 0 9 4 -11 4 468
10 5 -6 14 -1 -11 -6 6 11 1 14 6 780
Nota: Las tablas presentadas en este documento han sido adaptadas de la literatura citada
195

196

Ing. Jaime Fabián Vera Chang
ORCID: http://orcid.org/0000-0001-6105-3366
Ingeniero Agropecuario graduado en la Universidad Técnica Estatal de Quevedo,
Magíster en Procesamiento de Alimentos en la Universidad Agraria del Ecuador.
Presidente del comité del Comité de Investigación de la Facultad de Ciencias Pecuarias
periodo (2016- hasta la actualidad). Ex miembro del Comité de Investigación de la
Facultad de Ciencias Pecuarias (2011-2013) y el periodo (2015-2016). Ex investigador de
la Unidad de Investigación Científica y tecnológica de la UTEQ (2008-2013). Ex
asistente investigador en el Laboratorio de Biotecnología en enero (2007-2008).
Investigador del área agrícola, ciclo perenne cacao desde enero 2009 hasta 2013.
Docente Facultad de Ciencias Pecuarias, Carreras de Ingeniería en Alimentos, e
Ingeniería Agropecuaria, hasta la actualidad. Ha realizado y participado
aproximadamente en 90 seminarios, conferencias y cursos nacionales e
internacionales. Director de dos proyectos de investigación FOCICYT-UTEQ en el Área
de calidad y post-cosecha del cacao y uso de residuos para uso alimentario. Arbitraje
Internacional de artículos científicos del Publindex de Universidad Francisco de Paula
Santander- Colciencias-Colombia. Y Revista de Biología Tropical/ International Journal
of Tropical Biology and Conservation Universidad de Costa. Par externo de la Revista el
Misionero de la Universidad Agraria del Ecuador, Revista Ciencia y Tecnología de la
Universidad Técnica Estatal de Quevedo. Reconocimiento en calidad de tutor en el área
temática Agricultura, Silvicultura y Veterinaria el tercer lugar en el concurso
Galardones Nacionales del Senescyt 2017. Guayaquil – Ecuador, por haber participado
en calidad de grupo académico para la aprobación del rediseño de la carrera de
Ingeniería en Alimentos Resolución RCP-SO-25 N° 426-2016, por 10 años de servicio en
la Universidad Técnica Estatal de Quevedo. Profesor no titular de las materias: Diseño
Experimental, Metodología de la Investigación Científica, Métodos Estadísticos,
Paquetes Estadísticos, Probabilidad y Estadística, Estadística descriptiva e Inferencial.
Calidad e Inocuidad de los Alimentos, Tecnología de Frutas y Hortalizas,Cadenas
Agroalimentarias y Elaboración de productos agropecuarios.
s

Fundamentos de Bioestadística PDF

Cargado por

Copyright:

Formatos disponibles

Fundamentos de Bioestadística 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

Fundamentos de Bioestadística PDF

Cargado por

Copyright:

Formatos disponibles

JAIME FABIÁN VERA CHANG

Primera edición: noviembre 2018

© Universidad Técnica Estatal de Quevedo 2018

Diseño de portada y diagramación: Grupo

Este texto ha sido sometido a un proceso de

Quedan rigurosamente prohibidas, bajo las

Este libro es el resultado de experiencias en concursos en los

Cuando empezamos la labor como comité era notable que existieran

En esta segunda edición como todo trabajo humano está sujeta a

Quiero agradecer primeramente a Dios, al rector El Dr. Eduardo Díaz

Finalmente mis agradecimientos a Diana Casco, mi esposa y a mi hija

A DIOS quien es mi fortaleza

Para Bianca y Diana

A las autoridades de la UTEQ:

La estadística es un conjunto de técnicas para la colección, manejo,

En el día ocurren sucesos en el ámbito económico, social, político,

La estadística o métodos estadísticos despeñan un importante papel

Por otras personas es un método para obtener, presentar y escribir

La palabra tiene su sentido más amplio para aquellas personas cuyo

1.1. CONCEPTOS GENERALES

1.1.1. RESEÑA HISTÓRICA

La estadística se fundamentada por el londinense Jhon Graunt (1904 -

1.2. POR QUÉ ES IMPORTANTE LA ÉTICA Y LA ESTADÍSTICA

Los conceptos y temas de la estadística se utilizan en la actualidad en

La persona que comprenda los conceptos estadísticos y su metodología

Con frecuencia escuchamos en los medios de comunicación local

Se ha demostrados un incremento porcentual de las ventas de

Estadísticas demuestran que el consumo de huevo de gallina aumenta

Se ha comprobado estadísticamente que la pasta dental de mayor

El CENSO Agropecuario tiene información de las distintas especies del

1.3. APLICACIÓN DE LA ESTADÍSTICA

La estadística o métodos estadísticos está despeñando un importante

1.4. CONCEPTOS BÁSICOS

Buscar una definición de estadística es siempre difícil por su amplio

Según Steel y Torrie “la estadística es la ciencia pura y aplicada

La estadística es parte del método científico que tiene por objeto, la

La palabra estadística se refiere a un sistema o método usado en la

La estadística está ligada en los métodos científicos en la toma,

En un sentido más estricto, el termino se realiza para denotar los mismos

La estadística es la ciencia que se encarga de la recopilación,

DESCRIPTIVA: La estadística Descriptiva es el estudio que incluye la

La inferencia hace referencia a un conjunto de métodos que permiten

Los métodos paramétricos permiten hacer inferencias acerca de

Los métodos no paramétricos es un conjunto de técnicas diseñadas

Inferencial -Análisis de varianza (ANOVA, ANDEVA)

1.4.1. LA ESTADÍSTICA COMO PARTE DEL METODO CIENTÍFICO

Ha quedado señalado como orienta la estadística al investigador en la

Describir el método científico general no es tarea fácil, pues no existe

Hipótesis. _ Para explicar los hechos observados, el científico debe

Predicción._ La concepción de una hipótesis aplicada a los

Verificación y experimentación._ En muchos casos las hipótesis son tan

La verificación puede hacerse realizando un experimento que permita

MÉTODO CIENTÍTIFO ESTADÍSTICA

1.5. POBLACIÓN Y MUESTRA

En una colección de datos que tienen características de un grupo de

Una muestra es un conjunto de medidas u observaciones tomadas a

Una población puede ser finita o infinita. Por ejemplo, la población

Figura 1. Esquemas de una muestra aleatoria.

Si una muestra es representativa de una población, se pueden deducir