Sei sulla pagina 1di 299

Inferencia

Estadstica
(Teora y problemas)

Inferencia
Estadstica
(Teora y problemas)

I. Espejo Miranda
F. Fernandez Palacn
M. A. Lopez Sanchez
M. Mu
noz Marquez
A. M. Rodrguez Cha
A. Sanchez Navas
C. Valero Franco

c Servicio de Publicaciones. Universidad de C

adiz
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez, M. Mu
noz
M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas, C. Valero Franco
Edita: Servicio de Publicaciones de la Universidad de C
adiz
c/ Doctor Mara
n
on, 3. 11002 C
adiz (Espa
na)
www.uca.es/publicaciones
ISBN: 978-84-9828-131-6

Se concede permiso para copiar, distribuir y/o modificar este documento bajo los
t
erminos de la Licencia de Documentaci
on Libre de GNU, Versi
on 1.2 o cualquier
otra versi
on posterior publicada por la Free Software Foundation. Una traducci
on
de la licencia est
a incluida en la secci
on titulada Licencia de Documentaci
on
Libre de GNU.
Permission is granted to copy, distribute and/or modify this document under the
terms of the GNU Free Documentation License, Version 1.2 or any later version
published by the Free Software Foundation. A copy of the license is included in
the section entitled GNU Free Documentation License.

Indice general

Pr
ologo

IX

1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . IX
2. History (Historico) . . . . . . . . . . . . . . . . . . . . . . XI
3. Licencia de Documentacion Libre de GNU . . . . . . . . . XII
4. GNU Free Documentation License . . . . . . . . . . . . . . XXII

La Inferencia Estadstica. . . . . . . . . . . . . . . . . . . . . . . . . . .

1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . .

2. Clasificacion de los procedimientos inferenciales . . . . . .

3. Naturaleza de la informacion extrada de la poblacion . . .

4. Razones que justifican un estudio inferencial . . . . . . . .

5. Tipos de muestreo . . . . . . . . . . . . . . . . . . . . . . .

II

Indice general

Estimaci
on puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2. Estadstico, Estimador y Estimacion . . . . . . . . . . . . . 12
3. La funcion de verosimilitud . . . . . . . . . . . . . . . . . . 13
4. Suficiencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5. Propiedades de los estimadores . . . . . . . . . . . . . . . . 15
6. Metodos de obtencion de estimadores . . . . . . . . . . . . 19
7. Estimacion de parametros en poblaciones Normales . . . . 22
8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Estimaci
on por intervalos de confianza . . . . . . . . . . . . . 41
1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2. Intervalos de confianza de longitud mnima . . . . . . . . . 45
3. Metodo del pivote . . . . . . . . . . . . . . . . . . . . . . . 45
4. Intervalos de confianza en poblaciones Normales . . . . . . 48
5. Metodo basado en la desigualdad de Tchebychev . . . . . . 62
6. Metodo asintotico basado en el Teorema Central del Lmite 63
7. Intervalo asintotico para cualquier parametro . . . . . . . . 68
8. Determinacion del tama
no muestral . . . . . . . . . . . . . 70

III
9. Tablas de Intervalos de Confianza . . . . . . . . . . . . . . 73
10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Contraste de hip
otesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
1. Conceptos basicos . . . . . . . . . . . . . . . . . . . . . . . 81
2. Los errores de un contraste . . . . . . . . . . . . . . . . . . 85
3. El enfoque de NeymanPearson . . . . . . . . . . . . . . . 88
4. Metodologa de Fisher para la realizacion de un contraste
parametrico . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5. Contraste de la razon de verosimilitudes . . . . . . . . . . 93
6. Contrastes en poblaciones Normales . . . . . . . . . . . . . 96
7. Contrastes para la proporcion . . . . . . . . . . . . . . . . 97
8. Tablas de contrastes de hipotesis . . . . . . . . . . . . . . . 99
9. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . 102

Contrastes no param
etricos . . . . . . . . . . . . . . . . . . . . . . . . 107
1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . 107
2. Analisis de la calidad de la muestra . . . . . . . . . . . . . 109
3. Analisis de la estructura de la poblacion . . . . . . . . . . 114
4. Contrastes de localizacion y escala . . . . . . . . . . . . . . 124

IV

Indice general
5. Tablas de contrastes no parametricos . . . . . . . . . . . . 137
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

An
alisis de la Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2. Modelo ANOVA unifactorial . . . . . . . . . . . . . . . . . 149
3. Contrastes m
ultiples . . . . . . . . . . . . . . . . . . . . . . 166
4. Validacion del modelo . . . . . . . . . . . . . . . . . . . . . 178
5. Tests no parametricos . . . . . . . . . . . . . . . . . . . . . 184
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

Indice de tablas

3.1. Intervalos de confianza para una poblacion . . . . . . . . . . 73


3.2. Intervalos de confianza para dos poblaciones . . . . . . . . . . 74
3.3. Resultados: Distribucion N (, ) . . . . . . . . . . . . . . . . 75
3.4. Resultados: Distribucion Exp() ( = 00 05) . . . . . . . . . . 76
4.1. Contrastes sobre la proporcion . . . . . . . . . . . . . . . . . 99
4.2. Contrastes sobre dos proporciones . . . . . . . . . . . . . . . 99
4.3. Contrastes sobre una poblacion Normal . . . . . . . . . . . . 100
4.4. Contrastes sobre dos poblaciones Normales independientes . . 101
5.1. Tabla de datos . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.2. Contrastes no parametricos I . . . . . . . . . . . . . . . . . . 137
5.3. Contrastes no parametricos II . . . . . . . . . . . . . . . . . . 138
5.4. Contrastes no parametricos III . . . . . . . . . . . . . . . . . 139

VI

Indice de tablas

6.1. Tabla ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . 163


6.2. Resultados: Test de Duncan . . . . . . . . . . . . . . . . . . . 170
6.3. Resultados del test de Scheffe . . . . . . . . . . . . . . . . . . 177
A.1. Distribucion Binomial . . . . . . . . . . . . . . . . . . . . . . 204
A.2. Distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . 205
A.3. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . 206
A.4. Puntos Crticos: Distribucion t de Student . . . . . . . . . . . 207
A.5. Puntos Crticos: Distribucion 2 . . . . . . . . . . . . . . . . 208
A.6. Puntos Crticos: Distribucion 2 . . . . . . . . . . . . . . . . 209
A.7. Distribucion F de Snedecor (p = 05) . . . . . . . . . . . . . . 210
A.8. Distribucion F de Snedecor (p = 05) . . . . . . . . . . . . . . 211
A.9. Distribucion F de Snedecor (p = 075) . . . . . . . . . . . . . 212
A.10.Distribucion F de Snedecor (p = 075) . . . . . . . . . . . . . 213
A.11.Distribucion F de Snedecor (p = 09) . . . . . . . . . . . . . . 214
A.12.Distribucion F de Snedecor (p = 09) . . . . . . . . . . . . . . 215
A.13.Distribucion F de Snedecor (p = 095) . . . . . . . . . . . . . 216
A.14.Distribucion F de Snedecor (p = 095) . . . . . . . . . . . . . 217
A.15.Distribucion F de Snedecor (p = 0975) . . . . . . . . . . . . 218
A.16.Distribucion F de Snedecor (p = 0975) . . . . . . . . . . . . 219

VII
A.17.Distribucion F de Snedecor (p = 099) . . . . . . . . . . . . . 220
A.18.Distribucion F de Snedecor (p = 099) . . . . . . . . . . . . . 221
A.19.Distribucion F de Snedecor (p = 0995) . . . . . . . . . . . . 222
A.20.Distribucion F de Snedecor (p = 0995) . . . . . . . . . . . . 223
A.21.Puntos Crticos: Test de Rachas . . . . . . . . . . . . . . . . . 224
A.22.Puntos Crticos: Test de Rachas . . . . . . . . . . . . . . . . . 225
A.23.Puntos Crticos: Test de Rachas . . . . . . . . . . . . . . . . . 226
A.24.Puntos Crticos: Test de Rachas . . . . . . . . . . . . . . . . . 227
A.25.Puntos Crticos: Coeficiente de correlacion . . . . . . . . . . . 229
A.26.Puntos Crticos: Test de KolmogorovSmirnovLilliefors . . . 231
A.27.Puntos Crticos: Test de KolmogorovSmirnov . . . . . . . . 231
A.28.Puntos Crticos: Test de ShapiroWilks . . . . . . . . . . . . 233
A.29.Coeficientes: Test de ShapiroWilks . . . . . . . . . . . . . . 234
A.30.Coeficientes: Test de ShapiroWilks . . . . . . . . . . . . . . 235
A.31.Puntos Crticos: Test de Wilcoxon . . . . . . . . . . . . . . . 237
A.32.Puntos Crticos: Test U de WMannWhitney ( = 01) . . . 239
A.33.Puntos Crticos: Test U de WMannWhitney ( = 005) . . 240
A.34.Puntos Crticos: Test U de WMannWhitney ( = 0025)

. 241

A.35.Puntos Crticos: Test U de WMannWhitney ( = 001) . . 242

VIII

Indice de tablas

A.36.Puntos Crticos: Test U de WMannWhitney ( = 0005)

. 243

A.37.Puntos Crticos: Test U de WMannWhitney ( = 0001)

. 244

A.38.Puntos Crticos: Test de KolmogorovSmirnov (2 muestras) . 245


A.39.Puntos Crticos: Test de Cochran . . . . . . . . . . . . . . . . 247
A.40.Puntos Crticos: Test de KruskalWallis . . . . . . . . . . . . 249
A.41.Puntos crticos: Test de KruskalWallis (comparaciones) . . . 249
A.42.Recorrido Studentizado (Extremo inferior) . . . . . . . . . . . 251
A.43.Recorrido Studentizado (Extremo superior) . . . . . . . . . . 252
A.44.Region Crtica: Test de Duncan . . . . . . . . . . . . . . . . . 253
A.45.Region Crtica: Test de Hartley . . . . . . . . . . . . . . . . . 255

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Pr
ologo
1.

Introducci
on

El libro Inferencia Estadstica. Teora y Problemas completa


la primera entrega titulada Estadstica Descriptiva y Probabilidad
(Teora y Problemas), publicado por el Servicio de Publicaciones de
la Universidad de Cadiz en el a
no 2000, cubriendo ambos tomos los contenidos de un Curso de Estadstica clasica de una duracion aproximada
de 120 horas.
El manual se estructura en seis captulos, en el primero de ellos se
introducen los conceptos relacionados con la Inferencia Estadstica y se
comentan algunos aspectos relacionados con la Teora de Muestras. El
segundo captulo se dedica a la Estimaci
on Puntual, haciendose un recorrido por los conceptos relacionados con la estimacion, propiedades de
los estimadores, metodos de obtencion de estimadores y distribuciones
asociados al muestreo. En el tercer captulo se estudia la Estimaci
on por
Intervalos de Confianza, primero desde un punto de vista intuitivo, para
a continuacion describir los distintos procedimientos para obtener intervalos, el captulo dedica una buena parte de sus contenidos a obtener
de forma expresa intervalos de los parametros de poblaciones normales,
completandose con algunos apuntes sobre la determinacion del tama
no
muestral al objeto de acotar el error de estimacion. En el cuarto captulo se analizan los aspectos relacionados con el Contraste de Hip
otesis,
introduciendo primero los elementos que forman parte de este, para a
continuacion describir las distintas metodologas para construir contras-

X
tes, dedicandose el resto del captulo a detallar contrastes relativos a
poblaciones normales. En el quinto captulo, sobre Contrastes no Parametricos, se estudian por una parte los contrastes relacionados con lo
que podramos llamar diagnosis del modelo: aleatoriedad, valores atpicos, etc..., por otra, aquellos que tienen que ver con la estructura del
modelo probabilstico, para terminar con las alternativas no parametricas a los contrastes sobre medidas de localizacion. El sexto y u
ltimo
captulo, titulado An
alisis de la Varianza, pretende ser una primera incursion en el analisis de los modelos lineales, primero desde un punto
de vista conceptual y luego resolviendo el problema del analisis de la
varianza de un factor, incluyendo los tests de comparaciones m
ultiples
y las alternativas no parametricas.
El manual se completa con un anexo que contiene tablas de algunas distribuciones, parametros y valores crticos necesarios para poder
construir los intervalos y realizar los contraste descritos a lo largo del
libro. Por u
ltimo, se ofrece un glosario de los terminos y topicos mas
importantes tratados a lo largo de la obra.
En cuanto a la exposicion, hay que decir que todo el manual
esta salpicado de ejemplos que ilustran cada una de las situaciones, conceptos, etc., ademas se incluyen numerosos ejercicios, tambien a lo largo
del texto, que invitan a que el lector profundice mas en las cuestiones
que se plantean.
Para terminar, indicar que el libro ofrece un doble enfoque, siendo
u
til tanto para aquellos alumnos que pretenden obtener un buen nivel de
desenvolvimiento con las tecnicas estadsticas clasicas, como para aquellos otros que pretendan profundizar mas en las cuestiones conceptuales
y formales. El desarrollo y los contenidos del manual se podran corresponder con una asignatura de entre 45 y 75 horas lectivas y sera valida
en la mayora de las titulaciones universitarias, dada su orientaci
on generalista.

XI
2.

History (Hist
orico)

Este libro surge como una continuaci


on natural del manual Estadstica Descriptiva y Probabilidad para cubrir los contenidos correspondientes a la Inferencia Estadstica. Con una filosofa parecida en
sus planteamientos, se elabora una primera versi
on en el a
no 2000 por
F. Fernandez Palacn, M. A. Lopez Sanchez, M. Mu
noz Marquez, A. M.
Rodrguez Cha, A. Sanchez Navas y C. Valero Franco que se utiliza
como material didactico para la docencia en clase. Posteriormente, en el
a
no 2002, tras el periodo de prueba, se depura y se completa resultando el actual libro, en cuya elaboracion final tambien participo I. Espejo
Miranda.
En el a
no 2007, tras una revision menor, los autores deciden publicar el libro bajo licencia GNU Free Documentation License.
Una version electronica de este documento se encuentra en:
http://www.uca.es/teloydisren.

XII
3.

Licencia de Documentaci
on Libre de GNU

This is an unofficial translation of the GNU Free Documentation License


(Version 1.2, Noviembre 2002) into Spanish. It was not published by the Free
Software Foundation, and does not legally state the distribution terms for documentation that uses the GNU FDL only the original English text of the
GNU FDL does that. However, we hope that this translation will help Spanish
speakers understand the GNU FDL better.

Esta
es una traduccion no oficial de la GNU Free Document License
(Version 1.2, Noviembre 2002) a Espa
nol (Castellano). No ha sido publicada por la Free Software Foundation y no establece legalmente los terminos
de distribucion para trabajos que usen la GFDL (solo el texto de la version original en Ingles de la GFDL lo hace). Sin embargo, esperamos que
esta traduccion ayude los hispanohablantes a entender mejor la GFDL. La
version original de la GFDL esta disponible en la Free Software Foundation.
http://www.gnu.org/copyleft/fdl.html Esta traduccion esta basada en una
de la version 1.1 de Igor Tamara y Pablo Reyes. Sin embargo la responsabilidad
de su interpretacion es de Joaqun Seoane.
Copyright (C) 2000, 2001, 2002 Free Software Foundation, Inc. 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA. Se permite la copia y distribucion de copias literales de este documento de licencia, pero no se permiten
cambios1 .

Pre
ambulo
El proposito de esta Licencia es permitir que un manual, libro de texto, u
otro documento escrito sea libre en el sentido de libertad: asegurar a todo el
mundo la libertad efectiva de copiarlo y redistribuirlo, con o sin modificaciones,
de manera comercial o no. En segundo termino, esta Licencia proporciona al
autor y al editor2 una manera de obtener reconocimiento por su trabajo, sin
que se le considere responsable de las modificaciones realizadas por otros.
Esta Licencia es de tipo copyleft, lo que significa que los trabajos
derivados del documento deben a su vez ser libres en el mismo sentido. Complementa la Licencia P
ublica General de GNU, que es una licencia tipo copyleft
dise
nada para el software libre.
1

Esta es la traducci
on del Copyright de la Licencia, no es el Copyright de esta
traducci
on no autorizada.
2
La licencia original dice publisher, que es, estrictamente, quien publica, diferente de editor, que es m
as bien quien prepara un texto para publicar. En castellano
editor se usa para ambas cosas.

XIII
Hemos dise
nado esta Licencia para usarla en manuales de software libre,
ya que el software libre necesita documentacion libre: un programa libre debe
venir con manuales que ofrezcan la mismas libertades que el software. Pero esta
licencia no se limita a manuales de software; puede usarse para cualquier texto,
sin tener en cuenta su tematica o si se publica como libro impreso o no.
Recomendamos esta licencia principalmente para trabajos cuyo fin sea
instructivo o de referencia.

1. Aplicabilidad y definiciones
Esta Licencia se aplica a cualquier manual u otro trabajo, en cualquier
soporte, que contenga una nota del propietario de los derechos de autor que
indique que puede ser distribuido bajo los terminos de esta Licencia. Tal nota
garantiza en cualquier lugar del mundo, sin pago de derechos y sin lmite de
tiempo, el uso de dicho trabajo seg
un las condiciones aqu estipuladas. En
adelante la palabra Documento se referira a cualquiera de dichos manuales
o trabajos. Cualquier persona es un licenciatario y sera referido como Usted.
Usted acepta la licencia si copia. modifica o distribuye el trabajo de cualquier
modo que requiera permiso seg
un la ley de propiedad intelectual.
Una Versi
on Modificada del Documento significa cualquier trabajo
que contenga el Documento o una porcion del mismo, ya sea una copia literal
o con modificaciones y/o traducciones a otro idioma.
Una Secci
on Secundaria es un apendice con ttulo o una seccion
preliminar del Documento que trata exclusivamente de la relacion entre los
autores o editores y el tema general del Documento (o temas relacionados)
pero que no contiene nada que entre directamente en dicho tema general (por
ejemplo, si el Documento es en parte un texto de matematicas, una Seccion
Secundaria puede no explicar nada de matematicas). La relacion puede ser
una conexion historica con el tema o temas relacionados, o una opinion legal,
comercial, filosofica, etica o poltica acerca de ellos.
Las Secciones Invariantes son ciertas Secciones Secundarias cuyos
ttulos son designados como Secciones Invariantes en la nota que indica que el
documento es liberado bajo esta Licencia. Si una seccion no entra en la definicion de Secundaria, no puede designarse como Invariante. El documento puede
no tener Secciones Invariantes. Si el Documento no identifica las Secciones Invariantes, es que no las tiene.
Los Textos de Cubierta son ciertos pasajes cortos de texto que se
listan como Textos de Cubierta Delantera o Textos de Cubierta Trasera en la
nota que indica que el documento es liberado bajo esta Licencia. Un Texto de

XIV
Cubierta Delantera puede tener como mucho 5 palabras, y uno de Cubierta
Trasera puede tener hasta 25 palabras.
Una copia Transparente del Documento, significa una copia para
lectura en maquina, representada en un formato cuya especificacion esta disponible al p
ublico en general, apto para que los contenidos puedan ser vistos
y editados directamente con editores de texto genericos o (para imagenes compuestas por puntos) con programas genericos de manipulacion de imagenes o
(para dibujos) con alg
un editor de dibujos ampliamente disponible, y que sea
adecuado como entrada para formateadores de texto o para su traduccion automatica a formatos adecuados para formateadores de texto. Una copia hecha
en un formato definido como Transparente, pero cuyo marcaje o ausencia de
el haya sido dise
nado para impedir o dificultar modificaciones posteriores por
parte de los lectores no es Transparente. Un formato de imagen no es Transparente si se usa para una cantidad de texto sustancial. Una copia que no es
Transparente se denomina Opaca.
Como ejemplos de formatos adecuados para copias Transparentes estan
ASCII puro sin marcaje, formato de entrada de Texinfo, formato de entrada
de LATEX, SGML o XML usando una DTD disponible p
ublicamente, y HTML,
PostScript o PDF simples, que sigan los estandares y dise
nados para que los
modifiquen personas. Ejemplos de formatos de imagen transparentes son PNG,
XCF y JPG. Los formatos Opacos incluyen formatos propietarios que pueden ser ledos y editados u
nicamente en procesadores de palabras propietarios,
SGML o XML para los cuales las DTD y/o herramientas de procesamiento
no esten ampliamente disponibles, y HTML, PostScript o PDF generados por
algunos procesadores de palabras solo como salida.
La Portada significa, en un libro impreso, la pagina de ttulo, mas las
paginas siguientes que sean necesarias para mantener legiblemente el material
que esta Licencia requiere en la portada. Para trabajos en formatos que no
tienen pagina de portada como tal, Portada significa el texto cercano a la
aparicion mas prominente del ttulo del trabajo, precediendo el comienzo del
cuerpo del texto.
Una seccion Titulada XYZ significa una parte del Documento cuyo
ttulo es precisamente XYZ o contiene XYZ entre parentesis, a continuacion
de texto que traduce XYZ a otro idioma (aqu XYZ se refiere a nombres de
seccion especficos mencionados mas abajo, como Agradecimientos, Dedicatorias, Aprobaciones o Historia. Conservar el Ttulo de tal
seccion cuando se modifica el Documento significa que permanece una seccion
Titulada XYZ seg
un esta definicion3 .
3
En sentido estricto esta licencia parece exigir que los ttulos sean exactamente Acknowledgements, Dedications, Endorsements e History, en

XV
El Documento puede incluir Limitaciones de Garanta cercanas a la nota
donde se declara que al Documento se le aplica esta Licencia. Se considera que
estas Limitaciones de Garanta estan incluidas, por referencia, en la Licencia,
pero solo en cuanto a limitaciones de garanta: cualquier otra implicacion que
estas Limitaciones de Garanta puedan tener es nula y no tiene efecto en el
significado de esta Licencia.

2. Copia literal
Usted puede copiar y distribuir el Documento en cualquier soporte, sea
en forma comercial o no, siempre y cuando esta Licencia, las notas de copyright
y la nota que indica que esta Licencia se aplica al Documento se reproduzcan en
todas las copias y que usted no a
nada ninguna otra condicion a las expuestas en
esta Licencia. Usted no puede usar medidas tecnicas para obstruir o controlar la
lectura o copia posterior de las copias que usted haga o distribuya. Sin embargo,
usted puede aceptar compensacion a cambio de las copias. Si distribuye un
n
umero suficientemente grande de copias tambien debera seguir las condiciones
de la seccion 3.
Usted tambien puede prestar copias, bajo las mismas condiciones establecidas anteriormente, y puede exhibir copias p
ublicamente.

3. Copiado en cantidad
Si publica copias impresas del Documento (o copias en soportes que
tengan normalmente cubiertas impresas) que sobrepasen las 100, y la nota de
licencia del Documento exige Textos de Cubierta, debe incluir las copias con
cubiertas que lleven en forma clara y legible todos esos Textos de Cubierta:
Textos de Cubierta Delantera en la cubierta delantera y Textos de Cubierta
Trasera en la cubierta trasera. Ambas cubiertas deben identificarlo a Usted
clara y legiblemente como editor de tales copias. La cubierta debe mostrar
el ttulo completo con todas las palabras igualmente prominentes y visibles.
Ademas puede a
nadir otro material en las cubiertas. Las copias con cambios
limitados a las cubiertas, siempre que conserven el ttulo del Documento y
satisfagan estas condiciones, pueden considerarse como copias literales.
Si los textos requeridos para la cubierta son muy voluminosos para que
ajusten legiblemente, debe colocar los primeros (tantos como sea razonable
colocar) en la verdadera cubierta y situar el resto en paginas adyacentes.
Si Usted publica o distribuye copias Opacas del Documento cuya cantidad exceda las 100, debe incluir una copia Transparente, que pueda ser leda
ingles.

XVI
por una maquina, con cada copia Opaca, o bien mostrar, en cada copia Opaca,
una direccion de red donde cualquier usuario de la misma tenga acceso por
medio de protocolos p
ublicos y estandarizados a una copia Transparente del
Documento completa, sin material adicional. Si usted hace uso de la u
ltima
opcion, debera tomar las medidas necesarias, cuando comience la distribucion
de las copias Opacas en cantidad, para asegurar que esta copia Transparente
permanecera accesible en el sitio establecido por lo menos un a
no despues de
la u
ltima vez que distribuya una copia Opaca de esa edicion al p
ublico (directamente o a traves de sus agentes o distribuidores).
Se solicita, aunque no es requisito, que se ponga en contacto con los
autores del Documento antes de redistribuir gran n
umero de copias, para darles
la oportunidad de que le proporcionen una version actualizada del Documento.

4. Modificaciones
Puede copiar y distribuir una Version Modificada del Documento bajo las
condiciones de las secciones 2 y 3 anteriores, siempre que usted libere la Version
Modificada bajo esta misma Licencia, con la Version Modificada haciendo el
rol del Documento, por lo tanto dando licencia de distribucion y modificacion
de la Version Modificada a quienquiera posea una copia de la misma. Ademas,
debe hacer lo siguiente en la Version Modificada:
A. Usar en la Portada (y en las cubiertas, si hay alguna) un ttulo distinto al
del Documento y de sus versiones anteriores (que deberan, si hay alguna,
estar listadas en la seccion de Historia del Documento). Puede usar el
mismo ttulo de versiones anteriores al original siempre y cuando quien
las publico originalmente otorgue permiso.
B. Listar en la Portada, como autores, una o mas personas o entidades
responsables de la autora de las modificaciones de la Version Modificada,
junto con por lo menos cinco de los autores principales del Documento
(todos sus autores principales, si hay menos de cinco), a menos que le
eximan de tal requisito.
C. Mostrar en la Portada como editor el nombre del editor de la Version
Modificada.
D. Conservar todas las notas de copyright del Documento.
E. A
nadir una nota de copyright apropiada a sus modificaciones, adyacente
a las otras notas de copyright.

XVII
F. Incluir, inmediatamente despues de las notas de copyright, una nota de
licencia dando el permiso para usar la Version Modificada bajo los terminos de esta Licencia, como se muestra en la Adenda al final de este
documento.
G. Conservar en esa nota de licencia el listado completo de las Secciones
Invariantes y de los Textos de Cubierta que sean requeridos en la nota
de Licencia del Documento original.
H. Incluir una copia sin modificacion de esta Licencia.
I. Conservar la seccion Titulada Historia, conservar su Ttulo y a
nadirle
un elemento que declare al menos el ttulo, el a
no, los nuevos autores y
el editor de la Version Modificada, tal como figuran en la Portada. Si
no hay una seccion Titulada Historia en el Documento, crear una
estableciendo el ttulo, el a
no, los autores y el editor del Documento, tal
como figuran en su Portada, a
nadiendo ademas un elemento describiendo
la Version Modificada, como se establecio en la oracion anterior.
J. Conservar la direccion en red, si la hay, dada en el Documento para el
acceso p
ublico a una copia Transparente del mismo, as como las otras
direcciones de red dadas en el Documento para versiones anteriores en
las que estuviese basado. Pueden ubicarse en la seccion Historia. Se
puede omitir la ubicacion en red de un trabajo que haya sido publicado
por lo menos cuatro a
nos antes que el Documento mismo, o si el editor
original de dicha version da permiso.
K. En cualquier seccion Titulada Agradecimientos o Dedicatorias,
Conservar el Ttulo de la seccion y conservar en ella toda la sustancia
y el tono de los agradecimientos y/o dedicatorias incluidas por cada
contribuyente.
L. Conservar todas las Secciones Invariantes del Documento, sin alterar su
texto ni sus ttulos. N
umeros de seccion o el equivalente no son considerados parte de los ttulos de la seccion.
M. Borrar cualquier seccion titulada Aprobaciones. Tales secciones no
pueden estar incluidas en las Versiones Modificadas.
N. No cambiar el ttulo de ninguna seccion existente a Aprobaciones ni
a uno que entre en conflicto con el de alguna Seccion Invariante.
O. Conservar todas las Limitaciones de Garanta.
Si la Version Modificada incluye secciones o apendices nuevos que califiquen como Secciones Secundarias y contienen material no copiado del Documento, puede opcionalmente designar algunas o todas esas secciones como

XVIII
invariantes. Para hacerlo, a
nada sus ttulos a la lista de Secciones Invariantes
en la nota de licencia de la Version Modificada. Tales ttulos deben ser distintos
de cualquier otro ttulo de seccion.
Puede a
nadir una seccion titulada Aprobaciones, siempre que contenga u
nicamente aprobaciones de su Version Modificada por otras fuentes
por ejemplo, observaciones de peritos o que el texto ha sido aprobado por una
organizacion como la definicion oficial de un estandar.
Puede a
nadir un pasaje de hasta cinco palabras como Texto de Cubierta
Delantera y un pasaje de hasta 25 palabras como Texto de Cubierta Trasera en
la Version Modificada. Una entidad solo puede a
nadir (o hacer que se a
nada)
un pasaje al Texto de Cubierta Delantera y uno al de Cubierta Trasera. Si el
Documento ya incluye textos de cubiertas a
nadidos previamente por usted o
por la misma entidad que usted representa, usted no puede a
nadir otro; pero
puede reemplazar el anterior, con permiso explcito del editor que agrego el
texto anterior.
Con esta Licencia ni los autores ni los editores del Documento dan permiso para usar sus nombres para publicidad ni para asegurar o implicar aprobacion
de cualquier Versi
on Modificada.

5. Combinaci
on de documentos
Usted puede combinar el Documento con otros documentos liberados
bajo esta Licencia, bajo los terminos definidos en la seccion 4 anterior para
versiones modificadas, siempre que incluya en la combinacion todas las Secciones Invariantes de todos los documentos originales, sin modificar, listadas
todas como Secciones Invariantes del trabajo combinado en su nota de licencia.
As mismo debe incluir la Limitacion de Garanta.
El trabajo combinado necesita contener solamente una copia de esta Licencia, y puede reemplazar varias Secciones Invariantes identicas por una sola
copia. Si hay varias Secciones Invariantes con el mismo nombre pero con contenidos diferentes, haga el ttulo de cada una de estas secciones u
nico a
nadiendole
al final del mismo, entre parentesis, el nombre del autor o editor original de esa
seccion, si es conocido, o si no, un n
umero u
nico. Haga el mismo ajuste a los
ttulos de seccion en la lista de Secciones Invariantes de la nota de licencia del
trabajo combinado.
En la combinacion, debe combinar cualquier seccion Titulada Historia de los documentos originales, formando una seccion Titulada Historia;
de la misma forma combine cualquier seccion Titulada Agradecimientos,
y cualquier seccion Titulada Dedicatorias. Debe borrar todas las secciones
tituladas Aprobaciones.

XIX

6. Colecciones de documentos
Puede hacer una coleccion que conste del Documento y de otros documentos liberados bajo esta Licencia, y reemplazar las copias individuales de
esta Licencia en todos los documentos por una sola copia que este incluida en
la coleccion, siempre que siga las reglas de esta Licencia para cada copia literal
de cada uno de los documentos en cualquiera de los demas aspectos.
Puede extraer un solo documento de una de tales colecciones y distribuirlo individualmente bajo esta Licencia, siempre que inserte una copia de
esta Licencia en el documento extrado, y siga esta Licencia en todos los demas
aspectos relativos a la copia literal de dicho documento.

7. Agregaci
on con trabajos independientes
Una recopilacion que conste del Documento o sus derivados y de otros
documentos o trabajos separados e independientes, en cualquier soporte de
almacenamiento o distribucion, se denomina un agregado si el copyright
resultante de la compilacion no se usa para limitar los derechos de los usuarios
de la misma mas alla de lo que los de los trabajos individuales permiten. Cuando
el Documento se incluye en un agregado, esta Licencia no se aplica a otros
trabajos del agregado que no sean en s mismos derivados del Documento.
Si el requisito de la seccion 3 sobre el Texto de Cubierta es aplicable a
estas copias del Documento y el Documento es menor que la mitad del agregado
entero, los Textos de Cubierta del Documento pueden colocarse en cubiertas
que enmarquen solamente el Documento dentro del agregado, o el equivalente
electronico de las cubiertas si el documento esta en forma electronica. En caso
contrario deben aparecer en cubiertas impresas enmarcando todo el agregado.

8. Traducci
on
La Traduccion es considerada como un tipo de modificacion, por lo que
usted puede distribuir traducciones del Documento bajo los terminos de la
seccion 4. El reemplazo de las Secciones Invariantes con traducciones requiere
permiso especial de los due
nos de derecho de autor, pero usted puede a
nadir
traducciones de algunas o todas las Secciones Invariantes a las versiones originales de las mismas. Puede incluir una traduccion de esta Licencia, de todas
las notas de licencia del documento, as como de las Limitaciones de Garanta,
siempre que incluya tambien la version en Ingles de esta Licencia y las versiones originales de las notas de licencia y Limitaciones de Garanta. En caso

XX
de desacuerdo entre la traduccion y la version original en Ingles de esta Licencia, la nota de licencia o la limitacion de garanta, la version original en Ingles
prevalecera.
Si una seccion del Documento esta Titulada Agradecimientos, Dedicatorias o Historia el requisito (seccion 4) de Conservar su Ttulo (Seccion 1) requerira, tpicamente, cambiar su ttulo.

9. Terminaci
on
Usted no puede copiar, modificar, sublicenciar o distribuir el Documento
salvo por lo permitido expresamente por esta Licencia. Cualquier otro intento
de copia, modificacion, sublicenciamiento o distribucion del Documento es nulo,
y dara por terminados automaticamente sus derechos bajo esa Licencia. Sin
embargo, los terceros que hayan recibido copias, o derechos, de usted bajo esta
Licencia no veran terminadas sus licencias, siempre que permanezcan en total
conformidad con ella.

10. Revisiones futuras de esta licencia


De vez en cuando la Free Software Foundation puede publicar versiones nuevas y revisadas de la Licencia de Documentacion Libre GNU. Tales versiones nuevas seran similares en espritu a la presente version, pero
pueden diferir en detalles para solucionar nuevos problemas o intereses. Vea
http://www.gnu.org/copyleft/.
Cada version de la Licencia tiene un n
umero de version que la distingue.
Si el Documento especifica que se aplica una version numerada en particular de
esta licencia o cualquier versi
on posterior, usted tiene la opcion de seguir
los terminos y condiciones de la version especificada o cualquiera posterior
que haya sido publicada (no como borrador) por la Free Software Foundation.
Si el Documento no especifica un n
umero de version de esta Licencia, puede
escoger cualquier version que haya sido publicada (no como borrador) por la
Free Software Foundation.

ADENDA: C
omo usar esta Licencia en sus documentos
Para usar esta licencia en un documento que usted haya escrito, incluya
una copia de la Licencia en el documento y ponga el siguiente copyright y nota
de licencia justo despues de la pagina de ttulo:

XXI
SU NOMBRE. Se concede permiso para coCopyright (c) ANO
piar, distribuir y/o modificar este documento bajo los terminos de
la Licencia de Documentacion Libre de GNU, Version 1.2 o cualquier otra version posterior publicada por la Free Software Foundation; sin Secciones Invariantes ni Textos de Cubierta Delantera ni
Textos de Cubierta Trasera. Una copia de la licencia esta incluida
en la seccion titulada GNU Free Documentation License.
Si tiene Secciones Invariantes, Textos de Cubierta Delantera y Textos de
Cubierta Trasera, reemplace la frase sin ... Trasera por esto:
siendo las Secciones Invariantes LISTE SUS TITULOS, siendo los
Textos de Cubierta Delantera LISTAR, y siendo sus Textos de
Cubierta Trasera LISTAR.
Si tiene Secciones Invariantes sin Textos de Cubierta o cualquier otra
combinacion de los tres, mezcle ambas alternativas para adaptarse a la situacion.
Si su documento contiene ejemplos de codigo de programa no triviales,
recomendamos liberar estos ejemplos en paralelo bajo la licencia de software libre que usted elija, como la Licencia P
ublica General de GNU (GNU
General Public License), para permitir su uso en software libre.

XXII
4.

GNU Free Documentation License


Version 1.2, November 2002
c
Copyright 2000,2001,2002
Free Software Foundation, Inc.
51 Franklin St, Fifth Floor, Boston, MA 02110-1301 USA

Everyone is permitted to copy and distribute verbatim copies of this license


document, but changing it is not allowed.

Preamble
The purpose of this License is to make a manual, textbook, or other functional and useful document freein the sense of freedom: to assure everyone
the effective freedom to copy and redistribute it, with or without modifying it,
either commercially or noncommercially. Secondarily, this License preserves for
the author and publisher a way to get credit for their work, while not being
considered responsible for modifications made by others.
This License is a kind of copyleft, which means that derivative works
of the document must themselves be free in the same sense. It complements
the GNU General Public License, which is a copyleft license designed for free
software.
We have designed this License in order to use it for manuals for free
software, because free software needs free documentation: a free program should
come with manuals providing the same freedoms that the software does. But
this License is not limited to software manuals; it can be used for any textual
work, regardless of subject matter or whether it is published as a printed book.
We recommend this License principally for works whose purpose is instruction
or reference.

1. APPLICABILITY AND DEFINITIONS


This License applies to any manual or other work, in any medium, that
contains a notice placed by the copyright holder saying it can be distributed
under the terms of this License. Such a notice grants a world-wide, royalty-free
license, unlimited in duration, to use that work under the conditions stated
herein. The Document, below, refers to any such manual or work. Any
member of the public is a licensee, and is addressed as you. You accept the

XXIII
license if you copy, modify or distribute the work in a way requiring permission
under copyright law.
A Modified Version of the Document means any work containing
the Document or a portion of it, either copied verbatim, or with modifications
and/or translated into another language.
A Secondary Section is a named appendix or a front-matter section
of the Document that deals exclusively with the relationship of the publishers
or authors of the Document to the Documents overall subject (or to related
matters) and contains nothing that could fall directly within that overall subject. (Thus, if the Document is in part a textbook of mathematics, a Secondary
Section may not explain any mathematics.) The relationship could be a matter
of historical connection with the subject or with related matters, or of legal,
commercial, philosophical, ethical or political position regarding them.
The Invariant Sections are certain Secondary Sections whose titles
are designated, as being those of Invariant Sections, in the notice that says that
the Document is released under this License. If a section does not fit the above
definition of Secondary then it is not allowed to be designated as Invariant.
The Document may contain zero Invariant Sections. If the Document does not
identify any Invariant Sections then there are none.
The Cover Texts are certain short passages of text that are listed,
as Front-Cover Texts or Back-Cover Texts, in the notice that says that the
Document is released under this License. A Front-Cover Text may be at most
5 words, and a Back-Cover Text may be at most 25 words.
A Transparent copy of the Document means a machine-readable
copy, represented in a format whose specification is available to the general
public, that is suitable for revising the document straightforwardly with generic
text editors or (for images composed of pixels) generic paint programs or (for
drawings) some widely available drawing editor, and that is suitable for input
to text formatters or for automatic translation to a variety of formats suitable
for input to text formatters. A copy made in an otherwise Transparent file
format whose markup, or absence of markup, has been arranged to thwart or
discourage subsequent modification by readers is not Transparent. An image
format is not Transparent if used for any substantial amount of text. A copy
that is not Transparentis called Opaque.
Examples of suitable formats for Transparent copies include plain ASCII without markup, Texinfo input format, LaTeX input format, SGML or
XML using a publicly available DTD, and standard-conforming simple HTML,
PostScript or PDF designed for human modification. Examples of transparent
image formats include PNG, XCF and JPG. Opaque formats include proprie-

XXIV
tary formats that can be read and edited only by proprietary word processors,
SGML or XML for which the DTD and/or processing tools are not generally
available, and the machine-generated HTML, PostScript or PDF produced by
some word processors for output purposes only.
The Title Page means, for a printed book, the title page itself, plus
such following pages as are needed to hold, legibly, the material this License
requires to appear in the title page. For works in formats which do not have
any title page as such, Title Pagemeans the text near the most prominent
appearance of the works title, preceding the beginning of the body of the text.
A section Entitled XYZ means a named subunit of the Document
whose title either is precisely XYZ or contains XYZ in parentheses following
text that translates XYZ in another language. (Here XYZ stands for a specific section name mentioned below, such as Acknowledgements, Dedications, Endorsements, or History.) To Preserve the Title of
such a section when you modify the Document means that it remains a section
Entitled XYZ.according to this definition.
The Document may include Warranty Disclaimers next to the notice
which states that this License applies to the Document. These Warranty Disclaimers are considered to be included by reference in this License, but only
as regards disclaiming warranties: any other implication that these Warranty
Disclaimers may have is void and has no effect on the meaning of this License.

2. VERBATIM COPYING
You may copy and distribute the Document in any medium, either commercially or noncommercially, provided that this License, the copyright notices,
and the license notice saying this License applies to the Document are reproduced in all copies, and that you add no other conditions whatsoever to those
of this License. You may not use technical measures to obstruct or control
the reading or further copying of the copies you make or distribute. However,
you may accept compensation in exchange for copies. If you distribute a large
enough number of copies you must also follow the conditions in section 3.
You may also lend copies, under the same conditions stated above, and
you may publicly display copies.

3. COPYING IN QUANTITY
If you publish printed copies (or copies in media that commonly have
printed covers) of the Document, numbering more than 100, and the Docu-

XXV
ments license notice requires Cover Texts, you must enclose the copies in covers that carry, clearly and legibly, all these Cover Texts: Front-Cover Texts
on the front cover, and Back-Cover Texts on the back cover. Both covers must
also clearly and legibly identify you as the publisher of these copies. The front
cover must present the full title with all words of the title equally prominent
and visible. You may add other material on the covers in addition. Copying
with changes limited to the covers, as long as they preserve the title of the
Document and satisfy these conditions, can be treated as verbatim copying in
other respects.
If the required texts for either cover are too voluminous to fit legibly,
you should put the first ones listed (as many as fit reasonably) on the actual
cover, and continue the rest onto adjacent pages.
If you publish or distribute Opaque copies of the Document numbering more than 100, you must either include a machine-readable Transparent
copy along with each Opaque copy, or state in or with each Opaque copy a
computer-network location from which the general network-using public has
access to download using public-standard network protocols a complete Transparent copy of the Document, free of added material. If you use the latter
option, you must take reasonably prudent steps, when you begin distribution
of Opaque copies in quantity, to ensure that this Transparent copy will remain
thus accessible at the stated location until at least one year after the last time
you distribute an Opaque copy (directly or through your agents or retailers) of
that edition to the public.
It is requested, but not required, that you contact the authors of the
Document well before redistributing any large number of copies, to give them
a chance to provide you with an updated version of the Document.

4. MODIFICATIONS
You may copy and distribute a Modified Version of the Document under
the conditions of sections 2 and 3 above, provided that you release the Modified
Version under precisely this License, with the Modified Version filling the role
of the Document, thus licensing distribution and modification of the Modified
Version to whoever possesses a copy of it. In addition, you must do these things
in the Modified Version:
A. Use in the Title Page (and on the covers, if any) a title distinct from that
of the Document, and from those of previous versions (which should, if
there were any, be listed in the History section of the Document). You
may use the same title as a previous version if the original publisher of
that version gives permission.

XXVI
B. List on the Title Page, as authors, one or more persons or entities responsible for authorship of the modifications in the Modified Version,
together with at least five of the principal authors of the Document (all
of its principal authors, if it has fewer than five), unless they release you
from this requirement.
C. State on the Title page the name of the publisher of the Modified Version,
as the publisher.
D. Preserve all the copyright notices of the Document.
E. Add an appropriate copyright notice for your modifications adjacent to
the other copyright notices.
F. Include, immediately after the copyright notices, a license notice giving
the public permission to use the Modified Version under the terms of this
License, in the form shown in the Addendum below.
G. Preserve in that license notice the full lists of Invariant Sections and
required Cover Texts given in the Documents license notice.
H. Include an unaltered copy of this License.
I. Preserve the section Entitled History, Preserve its Title, and add to
it an item stating at least the title, year, new authors, and publisher of
the Modified Version as given on the Title Page. If there is no section
Entitled Historyin the Document, create one stating the title, year,
authors, and publisher of the Document as given on its Title Page, then
add an item describing the Modified Version as stated in the previous
sentence.
J. Preserve the network location, if any, given in the Document for public
access to a Transparent copy of the Document, and likewise the network
locations given in the Document for previous versions it was based on.
These may be placed in the Historysection. You may omit a network
location for a work that was published at least four years before the
Document itself, or if the original publisher of the version it refers to
gives permission.
K. For any section Entitled Acknowledgements.or Dedications, Preserve
the Title of the section, and preserve in the section all the substance and
tone of each of the contributor acknowledgements and/or dedications
given therein.
L. Preserve all the Invariant Sections of the Document, unaltered in their
text and in their titles. Section numbers or the equivalent are not considered part of the section titles.

XXVII
M. Delete any section Entitled Endorsements. Such a section may not be
included in the Modified Version.
N. Do not retitle any existing section to be Entitled Endorsements.or to
conflict in title with any Invariant Section.
O. Preserve any Warranty Disclaimers.
If the Modified Version includes new front-matter sections or appendices
that qualify as Secondary Sections and contain no material copied from the
Document, you may at your option designate some or all of these sections as
invariant. To do this, add their titles to the list of Invariant Sections in the
Modified Versions license notice. These titles must be distinct from any other
section titles.
You may add a section Entitled Endorsements, provided it contains
nothing but endorsements of your Modified Version by various partiesfor
example, statements of peer review or that the text has been approved by
an organization as the authoritative definition of a standard.
You may add a passage of up to five words as a Front-Cover Text, and a
passage of up to 25 words as a Back-Cover Text, to the end of the list of Cover
Texts in the Modified Version. Only one passage of Front-Cover Text and one
of Back-Cover Text may be added by (or through arrangements made by) any
one entity. If the Document already includes a cover text for the same cover,
previously added by you or by arrangement made by the same entity you are
acting on behalf of, you may not add another; but you may replace the old one,
on explicit permission from the previous publisher that added the old one.
The author(s) and publisher(s) of the Document do not by this License give permission to use their names for publicity for or to assert or imply
endorsement of any Modified Version.

5. COMBINING DOCUMENTS
You may combine the Document with other documents released under
this License, under the terms defined in section 4 above for modified versions,
provided that you include in the combination all of the Invariant Sections of all
of the original documents, unmodified, and list them all as Invariant Sections
of your combined work in its license notice, and that you preserve all their
Warranty Disclaimers.
The combined work need only contain one copy of this License, and
multiple identical Invariant Sections may be replaced with a single copy. If there
are multiple Invariant Sections with the same name but different contents, make

XXVIII
the title of each such section unique by adding at the end of it, in parentheses,
the name of the original author or publisher of that section if known, or else a
unique number. Make the same adjustment to the section titles in the list of
Invariant Sections in the license notice of the combined work.
In the combination, you must combine any sections Entitled Historyin
the various original documents, forming one section Entitled History; likewise
combine any sections Entitled Acknowledgements, and any sections Entitled
Dedications. You must delete all sections Entitled Endorsements.

6. COLLECTIONS OF DOCUMENTS
You may make a collection consisting of the Document and other documents released under this License, and replace the individual copies of this
License in the various documents with a single copy that is included in the collection, provided that you follow the rules of this License for verbatim copying
of each of the documents in all other respects.
You may extract a single document from such a collection, and distribute
it individually under this License, provided you insert a copy of this License into
the extracted document, and follow this License in all other respects regarding
verbatim copying of that document.

7. AGGREGATION WITH INDEPENDENT WORKS


A compilation of the Document or its derivatives with other separate and
independent documents or works, in or on a volume of a storage or distribution
medium, is called an aggregateif the copyright resulting from the compilation
is not used to limit the legal rights of the compilations users beyond what the
individual works permit. When the Document is included in an aggregate, this
License does not apply to the other works in the aggregate which are not
themselves derivative works of the Document.
If the Cover Text requirement of section 3 is applicable to these copies
of the Document, then if the Document is less than one half of the entire
aggregate, the Documents Cover Texts may be placed on covers that bracket
the Document within the aggregate, or the electronic equivalent of covers if the
Document is in electronic form. Otherwise they must appear on printed covers
that bracket the whole aggregate.

XXIX

8. TRANSLATION
Translation is considered a kind of modification, so you may distribute
translations of the Document under the terms of section 4. Replacing Invariant
Sections with translations requires special permission from their copyright holders, but you may include translations of some or all Invariant Sections in
addition to the original versions of these Invariant Sections. You may include
a translation of this License, and all the license notices in the Document, and
any Warranty Disclaimers, provided that you also include the original English
version of this License and the original versions of those notices and disclaimers.
In case of a disagreement between the translation and the original version of
this License or a notice or disclaimer, the original version will prevail.
If a section in the Document is Entitled Acknowledgements, Dedications, or History, the requirement (section 4) to Preserve its Title (section
1) will typically require changing the actual title.

9. TERMINATION
You may not copy, modify, sublicense, or distribute the Document except
as expressly provided for under this License. Any other attempt to copy, modify,
sublicense or distribute the Document is void, and will automatically terminate
your rights under this License. However, parties who have received copies, or
rights, from you under this License will not have their licenses terminated so
long as such parties remain in full compliance.

10. FUTURE REVISIONS OF THIS LICENSE


The Free Software Foundation may publish new, revised versions of the
GNU Free Documentation License from time to time. Such new versions will
be similar in spirit to the present version, but may differ in detail to address
new problems or concerns. See http://www.gnu.org/copyleft/.
Each version of the License is given a distinguishing version number. If
the Document specifies that a particular numbered version of this License or
any later version.applies to it, you have the option of following the terms and
conditions either of that specified version or of any later version that has been
published (not as a draft) by the Free Software Foundation. If the Document
does not specify a version number of this License, you may choose any version
ever published (not as a draft) by the Free Software Foundation.

XXX

ADDENDUM: How to use this License for your


documents
To use this License in a document you have written, include a copy of
the License in the document and put the following copyright and license notices
just after the title page:
c
Copyright YEAR
YOUR NAME. Permission is granted to copy,
distribute and/or modify this document under the terms of the
GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation; with no Invariant
Sections, no Front-Cover Texts, and no Back-Cover Texts. A copy
of the license is included in the section entitled GNU Free Documentation License.
If you have Invariant Sections, Front-Cover Texts and Back-Cover Texts,
replace the with...Texts.line with this:
with the Invariant Sections being LIST THEIR TITLES, with the
Front-Cover Texts being LIST, and with the Back-Cover Texts
being LIST.
If you have Invariant Sections without Cover Texts, or some other combination of the three, merge those two alternatives to suit the situation.
If your document contains nontrivial examples of program code, we recommend releasing these examples in parallel under your choice of free software
license, such as the GNU General Public License, to permit their use in free
software.

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 1
La Inferencia Estadstica
1.

Introducci
on

En un sentido amplio, se entiende por Inferencia a la parte de la


Estadstica que estudia grandes colectivos a partir de una peque
na parte
de estos. El conjunto de individuos que se pretende analizar se denomina
poblaci
on, mientras que la parte que sirve de apoyo para realizar dicho
analisis se llama muestra. Tecnicamente la Inferencia consiste en, una vez
estudiada la muestra, proyectar las conclusiones obtenidas al conjunto
de la poblacion. Por motivos obvios, la calidad del estudio que se realice
depende, por una parte, de la calidad de la muestra y, por otra, del uso
que de ella se haga. La primera de las cuestiones se resuelve a traves
de la Teora de Muestras, mientras que en la segunda se utilizan las
herramientas suministradas por la Estadstica Descriptiva y el Calculo
de Probabilidades.
A continuacion se dan unas pinceladas que ayudan a comprender
algunos de los aspectos de la Teora de Muestras. Su analisis en profundidad escapa a nuestros objetivos, y resulta fuera de lugar debido a su
gran extension y complejidad.
1. Ante todo, una muestra debe ser suficientemente representativa
de la poblacion de la cual ha sido extrada, tratando de reflejar lo

2 Captulo 1. La Inferencia Estadstica


mejor posible las particularidades de esta. Las partes de la citada
poblacion que no esten debidamente representadas en la muestra
llevan a la aparicion de sesgos o errores sistematicos que viciaran
el proceso de la Inferencia desde el origen. Para alcanzar buenos
niveles de representatividad existen distintos tipos de muestreo
que, de forma suscinta, se repasan posteriormente.
2. La segunda de las condiciones que se pide a una muestra, es que
a traves de ella se alcancen unos objetivos de precision fijados de
antemano. Esta condicion tiene que ver con el hecho de que, al
no hacerse un estudio exhaustivo, existen margenes de error en el
calculo de las caractersticas de la poblacion, en la determinacion
de la estructura probabilstica de esta, etc. Mayores niveles de precision exigiran una mayor informacion sobre la poblacion, es decir,
un mayor tama
no muestral (n
umero de elementos que componen
la muestra).

2.

Clasificaci
on de los procedimientos inferenciales

En primer lugar, se ha de hacer notar que la poblacion va a venir


representada por una variable aleatoria con una determinada distribucion de probabilidad. Dependiendo del grado de conocimiento de esta se
distinguen dos metodos para realizar el proceso inferencial:

1. Inferencia parametrica. Es aquella en la que se admite que la distribucion de la poblacion pertenece a una cierta familia parametrica
de distribuciones, siendo necesario u
nicamente precisar el valor de
los parametros para determinar la distribucion poblacional.
2. Inferencia no parametrica. No supone ninguna distribucion de probabilidad de la poblacion, exigiendo solo hipotesis muy generales,
como puede ser la de simetra. A su vez los procedimientos no
parametricos se pueden clasificar en:
a) Procedimientos de localizacion, que estudian los parametros
de localizacion de la distribucion.

1.3 Naturaleza de la informacion extrada de la poblacion 3


b) Procedimientos de estructura, que analizan las condiciones
que se dan en la distribucion de la variable.
c) Procedimientos sobre las condiciones de la muestra, que comprueban si se verifican las hipotesis exigibles a los valores
muestrales, como la independencia, ausencia de valores atpicos, etc.
Por su parte, la inferencia parametrica puede ser estudiada desde
dos enfoques diferentes:
1. Enfoque cl
asico. En el cual los parametros de la distribucion de
probabilidad de la poblacion se consideran constantes.
2. Enfoque bayesiano. Considera a los parametros como variables
aleatorias, permitiendo introducir informacion sobre ellos a traves
de la distribucion a priori.
3.

Naturaleza de la informaci
on extrada de la poblaci
on

La introduccion se ha centrado en lo que se conoce como Teora


de Muestras. Sin embargo, con el objeto de obtener una vision mas
global del proceso inferencial, se distinguen dos procedimientos para la
obtencion de informacion. En el primero, dicha informacion se obtiene
de forma aseptica, con el solo proposito de observar las unidades muestrales, y en el segundo, se establecen las condiciones en las cuales se
procedera a la medicion de lo que se conoce como unidades experimentales. Formalmente, dicha distincion implica dos categoras, la primera
de ellas, como ya ha quedado de manifiesto, supone el encontrarse dentro de la Teora de Muestras, mientras que la segunda se conoce como
Dise
no de Experimentos.
La Teora de Muestras, en primer lugar necesita establecer los
protocolos que se deben respetar para alcanzar los niveles de representatividad y precision prefijados; a esto se le llama dise
no muestral, que
conduce a una muestra potencial. Una vez realizado dicho dise
no, se procede a la obtencion de una o varias muestras mediante la observaci
on,

4 Captulo 1. La Inferencia Estadstica


la medicion o la encuestacion. Estas alternativas estan directamente relacionadas con la naturaleza de los datos: atributos, variables continuas,
discretas o de clase, ordenadas o no.
El Dise
no de Experimentos, por su parte, fue creado por Fisher en
la decada de 1920 y en sus orgenes tuvo una clara aplicacion al mundo agrcola, relacionando las condiciones en las que se realizaban los
cultivos, que constituyen los denominados factores, con la produccion
obtenida, variable dependiente. El campo de aplicacion se ha ido extendiendo con el paso de los a
nos, teniendo en la actualidad una aplicacion
generalizada en la mayora de los campos cientficos. En cualquier caso,
en lo que sigue no se considera como objeto de analisis, con lo cual los
estudios que a continuacion se llevan a cabo se restringen a la Teora de
Muestras.
Antes de continuar, es necesario aclarar algunas cuestiones de vital
importancia para entender el desarrollo teorico que aqu se presenta.
Cuando se plantea realizar un estudio inferencial se debe realizar
un dise
no muestral. Esto implica que cada elemento de la muestra
potencial es una variable aleatoria unidimensional, mientras que
la muestra es un vector aleatorio de dimension el tama
no de esta.
Ademas, no debe confundirse el individuo fsico con la caracterstica o caractersticas que se desean estudiar de este.
Cuando de cada individuo se estudia una u
nica caracterstica se
habla de analisis univariable o univariante, cuando se estudian dos,
bivariable o bivariante y cuando se consideran mas de dos, multivariable o multivariante. En lo que sigue, se considerara un analisis
univariable.
Una muestra de tama
no n sera denotada por (X1 , . . . , Xn ) o bien,
por X. Cada Xi , con i = 1, . . . , n, es una variable aleatoria que
representa la caracterstica bajo estudio del elemento i-esimo de la
muestra. Cuando las mediciones se hayan llevado a cabo, es decir,
una vez realizado el muestreo los resultados obtenidos se denotan
por (x1 , . . . , xn ) o bien, por x.

1.4 Razones que justifican un estudio inferencial 5


4.

Razones que justifican un estudio inferencial

La realizacion de un estudio inferencial se justifica por distintas


circunstancias, entre las que destacan las siguientes:
Por motivos presupuestarios. La realizacion de un estudio a traves
de muestras supone un ahorro tanto de dinero como de tiempo.
Imagnese el tiempo y dinero que supondra realizar un estudio
sobre la altura media de la poblacion de Andaluca.
A veces no todos los elementos de una poblacion estan localizables.
En el ejemplo anterior puede ocurrir que haya personas nacidas en
Andaluca que vivan en otras comunidades.
En ocasiones la poblacion tiene un gran n
umero de elementos, pudiendo ser esta potencialmente infinita. Considerense, por ejemplo,
poblaciones cuyos elementos se obtienen a partir de la realizacion
de un experimento aleatorio, como la tirada de un dado o la contabilizacion del n
umero de clientes que utilizan un cierto servicio
en un tiempo fijo.
Existen situaciones en las que cuando se analiza un elemento este
queda inutilizable o destruido. Si se quiere comprobar la calidad
del vino de una cierta cosecha, un analisis completo llevara a la
desaparicion de la poblacion. Bastara tomar una medicion en cada
tonel o conjunto de estos.
Por motivos de precision. Aunque parezca contradictorio, a veces
un analisis total, implica el que se cometan errores graves en la
medicion, codificacion, resumen, etc., cuestiones que pueden ser
mucho mejor controladas utilizando un estudio a partir de una
muestra. Por otro lado, es mucho mas facil formar y controlar
a un peque
no n
umero de medidoresobservadoresencuestadores,
que a un gran n
umero de estos.
5.

Tipos de muestreo

A continuacion se establece una primera clasificacion de los tipos


de muestreo que es com
unmente aceptada en la Estadstica:

6 Captulo 1. La Inferencia Estadstica


1. Muestreo probabilstico o aleatorio. Es aquel en el que a priori
se conoce la probabilidad de que cada uno de los elementos de la
poblacion pertenezca a la muestra.
2. Muestreo opinatico. Es aquel en el que el muestrador decide subjetivamente los individuos que compondran la muestra.
3. Muestreo sin norma. Es aquel en el que se toma como muestra un
trozo de la poblacion por razones, en general, de comodidad.
La ventaja del muestreo aleatorio es que pueden determinarse los
errores que se cometeran en el proceso inferencial, siendo el u
nico que
interesa desde el punto de vista estadstico. El muestreo opinatico se
justifica en funcion del conocimiento que se tenga de la poblacion bajo
estudio. Finalmente, el muestreo sin norma puede utilizarse como una
primera aproximacion a una poblacion de la que no se dispone de informacion alguna.
A continuacion, el estudio se centra en el muestreo probabilstico.
Se distinguen, de forma poco exhaustiva, las siguientes variedades:
1. Muestreo aleatorio simple con reemplazamiento. Es aquel en el
que todas las unidades poblacionales tienen la misma probabilidad de pertenecer a la muestra, pudiendo medirse varias veces el
mismo individuo. Las variables aleatorias que componen una muestra obtenida a traves de este procedimiento son independientes e
identicamente distribuidas.
Ejemplo 1.1 En una urna se tienen 100 bolas: 60 bolas rojas, 25 bolas blancas y 15 bolas amarillas. Se
extraen de la misma (con reemplazamiento)
dos de ellas. Para averiguar cual es la probabilidad de que la primera bola sea blanca y
la segunda roja, se definen los sucesos
B1 = {sacar la primera bola blanca}
R2 = {sacar la segunda bola roja}.
Puesto que hay reemplazamiento, sacar bola

1.5 Tipos de muestreo 7


blanca y sacar bola roja son sucesos independientes, con lo cual,
25 60
P (B1 R2 ) = P (B1 )P (R2 ) = 100
100 .
2. Muestreo aleatorio simple sin reemplazamiento. Igual que en el
caso anterior todos los individuos tienen identica probabilidad de
pertenecer a la muestra, pero los individuos no pueden seleccionarse varias veces. En este caso, las variables aleatorias que componen
la muestra no son independientes.
Ejemplo 1.2 En el caso del ejemplo anterior, si se extraen
de nuevo dos bolas de la urna pero esta vez
sin reemplazamiento, la probabilidad de extraer primero una bola blanca y luego una
roja es
25 60
P (B1 R2 ) = P (B1 )P (R2 /B1 ) = 100
99 .
3. Muestreo estratificado. Este tipo de muestreo se basa en la especificacion de subpoblaciones o estratos conteniendo elementos
parecidos entre s. La composicion de la muestra se distribuye entre los distintos estratos mediante un procedimiento que recibe el
nombre de afijacion. Existen principalmente tres tipos de afijacion:
a) Uniforme. En la muestra habra el mismo n
umero de representantes de cada estrato. Es decir, si existen k estratos y el
tama
no de la muestra es n, se extraeran, aproximadamente
n
elementos
de cada estrato.
k
Ejemplo 1.3 En una empresa hay seis categoras diferentes de trabajadores, cada una con
un n
umero similar de empleados y con
varianzas parecidas para la variable salario. Si se quiere tomar una muestra
de 60 individuos para estudiar el salario
medio de los trabajadores, habra que
tomar de cada categora 60
6 = 10 trabajadores.
b) Proporcional. En la muestra habra un n
umero de representantes de cada estrato proporcional a su tama
no. Es decir, si

8 Captulo 1. La Inferencia Estadstica


un estrato, i, contiene Ni elementos de los N de la poblacion,
i
le correspondera un total de N
N n elementos muestrales.
Ejemplo 1.4 Para realizar un estudio sobre una caracterstica de una poblacion de 1000
habitantes, donde 600 son hombres y
400 mujeres, suponiendo que la varianza
de dicha caracterstica sea similar para
ambos sexos, se debera tomar la muestra de manera que se mantuviera esa
proporcion, es decir, que el 60 % de la
muestra fuesen hombres y el 40 % fuesen mujeres.

c) Optima. La asignacion de unidades muestrales se hace teniendo en cuenta tanto el tama


no de los estratos como su variabilidad, de forma que, un estrato mas heterogeneo necesita de
mas unidades muestrales, mientras que uno mas homogeneo
se explica con un menor n
umero relativo de elementos de la
muestra. As, si i representa la desviacion tpica del estrato i-esimo, la asignacion de unidades muestrales para dicho
estrato vendra dada por
ni = n

i Ni
k
X

j Nj

j=1

Ejemplo 1.5

Se quiere realizar un estudio sobre el


tiempo dedicado a la lectura a la semana
en una poblacion de 1000 habitantes. La
siguiente tabla refleja los porcentajes y
desviaciones tpicas de los grupos en los
que se divide la poblacion.
Grupo Edades fi
i
1
< 18 00 25 00 1
2
19 35 00 40 00 3
3
36 55 00 20 00 5
4
> 55 00 15 00 1
Se decide tomar una muestra de 600 habitantes, de manera que de cada grupo,

1.5 Tipos de muestreo 9


dado que
tomar:
n1
n2
n3
n4

P4

i=1 i Ni

=
=
=
=

= 260, habr
a que
0

1
600 2500
260
40000 3
600 260
05
600 2000
2600
1
600 1500
260

= 60
= 276
= 228
= 36.

Como propiedad a destacar, hay que se


nalar que el muestreo estratificado permite un estudio diferenciado para cada estrato.
4. Muestreo por areas o conglomerados. En este caso se trata de
establecer grupos de elementos fsicamente proximos entre ellos,
frecuentemente constituidos por una particion geografica de la poblacion.
Se puede observar que las ideas que subyacen en el muestreo estratificado y por conglomerados son opuestas, ya que los elementos
de la poblacion que pertenecen al mismo estrato son homogeneos
entre s y heterogeneos con el resto de los estratos, sin embargo,
los conglomerados son homogeneos entre ellos y heterogeneos internamente.
La caracterstica principal del muestreo por areas es que permite
limitar la toma de muestras a un conjunto de areas que representen
al resto.
Ejemplo 1.6
Se quiere realizar un estudio sobre cuanto
gastan las familias espa
nolas al a
no. Para simplificar el problema que supone obtener las
listas de toda la poblacion, se eligen aleatoriamente algunas provincias como representantes del conjunto de ellas, de las cuales se
obtendra la muestra deseada.
Ademas de los anteriores que tienen un uso generalizado, existen una gran cantidad de procedimientos para muestrear que pretenden
adaptarse de la mejor manera a las circunstancias de la poblacion bajo estudio. A modo ilustrativo destacan los muestreos: sistem
atico, en el
que selecciona una de cada k unidades ordenadas; poliet
apico, que es una
generalizacion del de areas; bif
asico, en el que se parte de una muestra

10 Captulo 1. La Inferencia Estadstica


grande que permita reconocer las caractersticas mas acentuadas de la
poblacion, al objeto de poder definir un dise
no mas fino, etc.
Tanto en el caso de muestreo estratificado como en el de areas y
en cualquier otro muestreo probabilstico, la u
ltima etapa del muestreo
implica la realizacion de un muestreo aleatorio simple; ello justifica el
hecho de que en lo que sigue solo se consideren muestras aleatorias simples, (m.a.s.). En concreto, el tipo de muestras aleatorias simples que
van a ser analizadas a partir de ahora son aquellas obtenidas de una poblacion infinita o de un muestreo aleatorio simple con reemplazamiento.
Esto supone que dada una muestra (X1 , . . . , Xn ) se tiene que:
Las variables Xi , con i = 1, . . . , n, tienen igual distribucion de
probabilidad que la poblacion de la cual se ha extrado la muestra.
Es decir, si F es la funcion de distribucion de la poblacion entonces
FXi = F,

i = 1, . . . , n.

Las variables Xi , con i = 1, . . . , n, son independientes. Por tanto,


si FX1 ,...,Xn es la funcion de distribucion conjunta de la muestra,
entonces
FX1 ,...,Xn (x1 , . . . , xn ) =

n
Y
i=1

FXi (xi ) =

n
Y
i=1

F (xi ).

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 2
Estimaci
on puntual

1.

Introducci
on

En numerosas ocasiones, al realizar un estudio estadstico se conoce la estructura de la poblacion que se pretende estudiar, con la salvedad
de los parametros que la caracterizan. Por ejemplo, la utilizacion de un
aparato de medida objetivo garantiza, en general, que las mediciones
obtenidas tendran una distribucion Normal, de la que se desconoceran
sus parametros: media y desviacion tpica. El objetivo que se persigue
con las tecnicas de estimacion es el determinar de la forma mas precisa
dichos parametros, de modo que la distribucion quede completamente
especificada.
En este captulo y en los dos siguientes se abordara la Inferencia
Estadstica desde un punto de vista parametrico, es decir, se parte del
conocimiento (salvo parametros) de la distribucion de probabilidad que
rige la poblacion bajo estudio. De esta forma, se considera una poblacion cuya funcion de distribucion es F (x), donde Rk es un vector
de parametros desconocidos. En esta situacion, el problema es cuantificar lo mas exactamente posible el valor de a partir de una muestra
de tama
no n. La rama de la Estadstica que se dedica a estudiar este
tipo de problemas se llama Teora de la Estimaci
on, existiendo dos enfoques diferentes para llevar a cabo dicho estudio: la estimaci
on puntual

12 Captulo 2. Estimacion puntual


y la estimaci
on por intervalos. En la primera, se estiman los parametros a traves de valores numericos, mientras que en la segunda, queda
garantizada su pertenencia a una region con un margen de seguridad
prefijado.
Este captulo se centra en la estimaci
on puntual, si bien, la mayora
de los conceptos son generales y se utilizan tambien en la estimaci
on por
intervalos y en el contraste de hip
otesis.
A efectos de notacion se hara referencia a las caractersticas de
la muestra con letras latinas, mientras que las de la poblacion se designaran, en general, con la correspondiente letra griega. As, por ejemplo,
la varianza muestral sera S 2 , mientras que la poblacional se identificara por 2 ; con la media muestral seguira utilizandose la notacion usual,
X, mientras que la poblacional se denotara por . El objetivo que se perseguira a lo largo del captulo es el de obtener valores lo mas precisos
posibles de los parametros desconocidos del modelo probabilstico.
2.

Estadstico, Estimador y Estimaci


on

Un estadstico T (X), es una funcion de las variables muestrales que


no depende de parametros desconocidos. Se trata pues de una variable
aleatoria, la cual tiene una distribucion que se denomina distribucion en
el muestreo. El estadstico puede considerarse como un resumen o una
compresion de la informacion suministrada por la muestra y, obviamente,
va a ser mas manejable que esta. Notese que puede ocurrir que en ese
resumen se pierda alguna posible informacion que pudiera contener X
acerca de los parametros desconocidos. Por ello, el objetivo perseguido
es que el estadstico T (X) sea tal que el resumen que lleve a cabo se
produzca sin perdida de informacion relevante sobre los parametros.
Dentro del conjunto de estadsticos destacan los estimadores, que
son aquellos estadsticos que se construyen con la intenci
on de estimar
un parametro de la poblacion y que, consecuentemente, debe reunir condiciones que lo hagan deseable en alg
un sentido. Mas adelante se daran
criterios de bondad de un estimador.

2.3 La funcion de verosimilitud 13


Una estimaci
on es el valor numerico que toma el estimador para
una muestra concreta.
Ejemplo 2.1

Sea X una variable aleatoria que sigue una distribucion Normal de media desconocida, , y varianza
2 . La funcion T (X) = X, es decir, la media muestral, es un estadstico y estimador de la media
de la poblacion. Si se toma la muestra x1 = 20 5,
x2 = 2, x3 = 30 4, x4 = 10 5, x5 = 4, el valor numerico x = 20 68 es una estimacion de .

La necesidad de definir los estadsticos se debe a que, aunque con


la muestra se ha reducido bastante la dimension del problema, el excesivo tama
no de esta obliga a comprimir a
un mas la informacion para
obtener respuestas a las preguntas que puedan hacerse y, de esa forma,
completar el proceso inferencial. El objetivo que se persigue al definir los
estimadores es el de resumir la informacion muestral, en aras, de obtener
valores proximos a los verdaderos valores de los parametros desconocidos
de la distribucion de la poblacion.
3.

La funci
on de verosimilitud

Sea X una variable aleatoria continua cuya distribucion viene dada


por una funcion de densidad f , donde Rk es un vector de parametros
desconocidos. Para una muestra x extrada de dicha poblacion, se define
la funci
on de verosimilitud como:
L(x, ) = f (x),
que en el caso de una muestra aleatoria simple toma la forma
L(x, ) = f (x) =

n
Y

f (xi ).

i=1

Si la variable aleatoria es discreta la funcion de verosimilitud se define de


forma analoga, cambiando la funcion de densidad por la de probabilidad.
Se ha de hacer notar que la verosimilitud vara en los parametros
mientras que la muestra permanece constante. La importancia de dicha

14 Captulo 2. Estimacion puntual


funcion queda perfectamente ilustrada en el caso de que la poblacion
bajo estudio sea discreta, ya que en tal caso la funcion de verosimilitud
expresa la probabilidad de obtener una muestra en funcion del vector de
parametros .
4.

Suficiencia

Anteriormente se ha comentado que los estadsticos realmente suponen una compresion o resumen de la informacion suministrada por
la muestra, por ello, sera ideal que el estadstico contuviera toda la
informacion relevante que posee la muestra respecto al parametro que
se esta estimando. Si ocurre esto, se dice que el estadstico es suficiente para dicho parametro. Formalmente, ello supone que la distribucion
conjunta de la muestra condicionada al estadstico, es independiente del
parametro.
La caracterizacion de la suficiencia de un estadstico se hace a
partir del criterio de factorizaci
on de FisherNeyman, que dice que dada
una m.a.s., X, se tiene que un estadstico, T (X), es suficiente para si
la funcion de verosimilitud admite la siguiente descomposicion:
L(x, ) = g(T (x), )h(x),
donde g es una funcion no negativa, tanto del estadstico como del vector
de parametros, y h es una funcion no negativa exclusiva de los valores
muestrales.
Ejemplo 2.2

De una poblacion distribuida seg


un una Bernouilli
de parametro p se extrae una m.a.s. de tama
no n.
Se trata de encontrar un estimador suficiente para
el parametro p. Para ello se considera la funcion de
verosimilitud
L(x, p) =
=
=
=

Pp [(X1 , . . . , Xn ) = (x1 , . . . , xn )]
Pp [X1 = x1 ] Pp [Xn = xn ]
pxP1 (1 p)1x1 P
pxn (1 p)1xn
n
n
x
n
i
i=1 xi .
p i=1 (1 p)

Por el criterio de factorizacion, tomando


P
t = T (x) = ni=1 xi ,
h(x) = 1

2.5 Propiedades de los estimadores 15


y
g(t, p) = pt (1 p)nt ,
P
se obtiene que ni=1 Xi es un estimador suficiente
para p.
5.

Propiedades de los estimadores

Puesto que para un mismo parametro pueden existir varios estimadores, a continuacion se analizan una serie de propiedades que seran
deseables para un estimador y que permiten elegir, entre dos de ellos, el
mejor.
5.1.

Estimador insesgado

Una propiedad deseable para un estimador es que su valor medio


sea igual al parametro que se quiere estimar. Dicha propiedad se llama
insesgadez. Formalmente, un estimador T (X) es insesgado o centrado
para un parametro , cuando E[T (X)] = .
Ejemplo 2.3

La media muestral es un estimador insesgado para la media poblacional , cualquiera que sea la
distribucion de la poblacion, ya que E[X] = .

Si se verifica que E[T (X)] = + b() el estimador sera sesgado o


descentrado, siendo b() su sesgo, excentricidad o error sistematico. Es
interesante que un estimador sea insesgado porque tomara valores que
estaran alrededor del valor del parametro .
Ejemplo 2.4

Si se considera la varianza muestral como estimador de la varianza poblacional, puede comprobarse que se trata de un estimador sesgado, ya que
1 2
2
E[S 2 ] = n1
n , siendo su sesgo n . Para demostrarlo, hay que tener en cuenta que la varianza
muestral puede escribirse de la forma:

16 Captulo 2. Estimacion puntual


n
X
(Xi X + )2

S2 =
=

i=1

n
n
2
1 X
(Xi ) (X ) .
n
i=1

Desarrollando el cuadrado se obtiene


n
!
X
1
2
2
S2 =
(Xi ) n(X ) .
n
i=1

Calculando la esperanza de la varianza muestral a


partir de la expresion anterior se tiene que
n
!
X
1
2
2
E[S 2 ] =
E[(Xi ) ]n E[(X ) ] .
n
i=1

Teniendo en cuenta que la muestra es aleatoria simple y que la media muestral verifica que E[X] =
2
y que V[X] = n , se tiene que la primera de las
esperanzas que aparecen en el segundo miembro
es, para todo i, E[(Xi )2 ] = 2 y la segunda,
2
E[(X )2 ] = n , con lo que se llega a

2
n1 2
1
2
2
n n
=
.
E[S ] =
n
n
n
Ahora bien, si se considera la cuasivarianza muestral como estimador de la varianza poblacional en
vez de considerar la varianza muestral, se llega a
que este u
ltimo es insesgado. Para ello, basta tener
en cuenta que la cuasivarianza se puede expresar en
n
funcion de la varianza como Sc2 = n1
S 2 , entonces
su esperanza viene dada por:

n
2
2
S
E[Sc ] = E
n1
n n1 2
=
= 2.
n1 n

2.5 Propiedades de los estimadores 17


Cuando el sesgo b() es tal que lm b() = 0, se dice que el estin
mador es asint
oticamente insesgado.
Ejemplo 2.5

5.2.

Anteriormente se estudio que la varianza muestral


era un estimador sesgado de la varianza poblacional, siendo su sesgo b() = n1 2 . Se observa que
cuando n el sesgo b() 0. Con lo cual,
se tiene que la varianza muestral es un estimador
asintoticamente insesgado del parametro .

Estimador eficiente

Puesto que lo que se intenta es obtener el valor del parametro a


traves de un estimador, que es a su vez una variable aleatoria, una propiedad que tambien sera deseable es que la varianza de dicho estimador
fuese lo mas peque
na posible, dicha propiedad se denomina eficiencia.
Se dice que un estimador T1 es mas eficiente que otro T2 , cuando ocurre
que Var(T1 )<Var(T2 ). Un estimador es eficiente, en terminos absolutos, cuando alcanza la llamada Cota de FrechetCramerRao, que para
muestras aleatorias simples viene dada a traves de la expresion
i2
h
E[T (X)]

V(T )
nE

log f (X)

2 ,

donde el denominador de la expresion anterior se conoce como cantidad


de informaci
on de Fisher, I().
Observaci
on 2.1 Para poder aplicar esta cota es necesario que se cumplan ciertas condiciones de regularidad de f (x). Son las conocidas condiciones de regularidad de FisherWolfowitz:
1. El campo de variaci
on de la poblaci
on de la cual se extrajo la muestra es independiente del par
ametro , y por tanto, la muestra tambien lo es.
2. Existen, al menos, las dos primeras derivadas respecto al par
ametro de la funci
on L(X, ).

18 Captulo 2. Estimacion puntual


3. La derivaci
on e integraci
on, as como la suma en el caso discreto,
son operaciones intercambiables.
Cuando un estimador es mas eficiente que otro pero a su vez tiene mas
sesgo, en general, se decide por aquel que tenga menor error cuadratico
medio (ECM). El error cuadr
atico medio de un estimador se define como:

ECM (T ) = E (T )2 = V[T ] + ( E[T ])2 = V[T ] + b()2 ,


es decir, la varianza del estimador mas el cuadrado del sesgo.
Ejemplo 2.6

Se quiere estimar el parametro de una Poisson


mediante la media de una muestra de tama
no n.
Es la media un estimador eficiente?
La varianza de la media muestral es V[X] = n
y la esperanza E[X] = . Calculando la Cota de
FrechetCramerRao:

2
E[X]

"
CF CR =
#.
log P (X) 2
nE

Se tiene que
log P (X) = + x log log(x!)
y su derivada respecto a
log P (X)
x
x
= 1 + =
,

luego el denominador queda


"

#
log P (X) 2
E (X )2
nE
= n

2
V[X]
= n 2

n
= n 2 = ,

y la Cota de FrechetCramerRao

2.6 Metodos de obtencion de estimadores 19


"

CF CR =
nE

2 # = n .
log P (X)

Como la varianza del estimador es igual a


tiene que este es eficiente.
5.3.

n,

se

Estimador consistente

Cuando un estimador no es insesgado se le exige que al menos sea


consistente. Existen diversas definiciones de consistencia, en funcion de
la convergencia que se utilice. Aqu se entender
a que un estimador es
consistente cuando:

1. lm E(Tn ) =
n

2. lm V(Tn ) = 0
n

conociendose dicha consistencia como consistencia en probabilidad.


Ejemplo 2.7

La media muestral es un ejemplo de estimador


consistente de la media poblacional : E[X] = y
2
por tanto lm E[X] = y V[X] = n , con lo que
n

se tiene que lm V[X] = 0.


n

6.

M
etodos de obtenci
on de estimadores

A continuacion, se estudian dos metodos que van a permitir obtener estimadores con unas cotas de bondad razonablemente buenas en
relacion con las propiedades que se acaban de describir. El primero de
ellos, llamado metodo de los momentos, se basa en la correspondencia
entre las caractersticas de la poblacion y las de la muestra. El segundo,
denominado de m
axima verosimilitud, se apoya en la funcion de verosimilitud definida anteriormente.

20 Captulo 2. Estimacion puntual


6.1.

M
etodo de los momentos

Sea X una variable aleatoria tal que existen los r primeros momentos poblacionales con respecto al origen y cuya distribucion depende de una serie de parametros 1 , . . . , k desconocidos. En el caso de que el parametro i-esimo se pueda expresar en funcion de los
r primeros momentos poblacionales con respecto al origen, es decir,
i = gi (1 , . . . , r ), para una muestra (X1 , . . . , Xn ) el estimador obtenido a traves del metodo de los momentos para dicho parametro viene
dado por i (X) = gi (a1 , . . . , ar ), donde
n
X

s = E[Xis ]

as =

Xis

i=1

Propiedad 2.1 Los estimadores obtenidos por el metodo de los momentos son consistentes, aunque, en general, no son insesgados ni tienen
varianza mnima.
Ejemplo 2.8

Se quiere estimar la media y la varianza de una


N (, ) por el metodo de los momentos. Se sabe
que = E[X] = 1 , luego un estimador para por
el metodo de los momentos resulta de sustituir 1
por a1 , as
n
X

Xi

i=1

= X.
n
En cuanto a la varianza, se sabe que

= a1 =

2 = E[X 2 ] = 2 + 2 2 = 2 2 ,
luego sustituyendo 2 por a2 y por su estimador,
se tiene que un estimador de 2 por el metodo de
los momentos viene dado por:
n
X

2 =

Xi2

i=1

X = S2.

2.6 Metodos de obtencion de estimadores 21


6.2.

M
etodo de m
axima verosimilitud

Este metodo ofrece generalmente mejores resultados que el anterior. En la misma situacion se construye la funcion de verosimilitud,
L(x, ), viniendo dados los estimadores maximos verosmiles por aquellas expresiones del vector de parametros, , con Rk , que hacen
maxima dicha funcion. Por ser positiva y coincidir sus maximos con los
de su logaritmo, el metodo se reduce a buscar la expresion del vector de
parametros, , que haga maxima la funcion log L(x, ).

Propiedad 2.2 Los estimadores m


aximoverosmiles (M.V.) son asint
oticamente insesgados, asint
oticamente Normales y de existir un estimador eficiente este es el m
aximoverosmil.
Ejemplo 2.9

Sea X una variable aleatoria que sigue una B(p).


Para encontrar el estimador maximoverosmil para p, se construye en primer lugar la funcion de
verosimilitud:
L(x, p) = p

Pn

i=1

xi (1

Pn

p)n

i=1

xi .

Si T (x) es tal que


max L(x, p) = L(x, T (x)),
p

entonces tambien se verifica que


max log L(x, p) = log L(x, T (x)).
p

De esta forma, se tiene que


log L(x, p) =

n
X

xi log p + (n

i=1

n
X

xi ) log (1 p),

i=1

luego
n
X

log L(x, p)
=
p

i=1

xi

n
X
i=1

1p

xi
= 0.

22 Captulo 2. Estimacion puntual


n

De donde se obtiene que p =

1X
xi .
n
i=1

A continuacion, habra que comprobar que para ese


valor de p la funcion log L(x, p) alcanza un maxi2
mo. Se puede probar que logpL(x,p)
0 y por
2
n
1X
tanto, T (X) =
Xi es el estimador maximo
n
i=1
verosmil de p.
7.

Estimaci
on de par
ametros en poblaciones Normales

Puesto que la mayora de problemas que se abordan en la Inferencia Estadstica asumen la hipotesis de normalidad de la poblacion bajo
estudio, a partir de ahora, se le va a dar un trato diferenciado, particularizando cualquier estudio para esta distribucion. Sea pues X una variable
aleatoria con distribucion N(,). Los estimadores maximoverosmiles
de los parametros y son, respectivamente, la media y la desviacion
tpica muestral, con las propiedades que les confiere el metodo utilizado.
Se trata ahora de estudiar las distribuciones de ambos estimadores.
No obstante, antes de continuar con esta cuestion, se hara un inciso
para estudiar una serie de distribuciones que se derivan de la Normal.
7.1.

Distribuciones derivadas de la Normal

Las distribuciones derivadas de la Normal tienen gran importancia


en la Inferencia Estadstica, ya que seran las distribuciones de una amplia
familia de estimadores. Todas ellas se obtienen como combinaci
on y/o
promedios de variables Normales, estan tabuladas y se caracterizan solo
por el n
umero de Normales tipificadas que entran en su composicion; a
dicho n
umero se le llama grado(s) de libertad, justificandose este nombre
por los motivos que se desarrollaran en los proximos temas.
7.1.1. Distribuci
on Chicuadrado
Sean Z1 , Z2 , . . . , Zn , n variables N (0, 1) independientes, la variable

2.7 Estimacion de parametros en poblaciones Normales 23


2n definida como

n2 = Z12 + Z22 + + Zn2

sigue una distribucion Chicuadrado con n grados de libertad. Dicha


variable puede interpretarse como el cuadrado de la distancia eucldea
desde el origen de coordenadas al punto (Z1 , Z2 , . . . , Zn ). La variable se
caracteriza u
nicamente por el n
umero de Normales tipificadas que entran
en su composicion y la independencia de estas hace facil el calculo de
los momentos. As
2
E[n ] = n

V[n ] = 2n.

Figura 2.1: Distribucion Chicuadrado


La funcion de densidad de la distribucion Chicuadrado es asimetrica, siendo solo distinta de cero para valores positivos de la variable.
Tiene una asntota cuando los valores tienden a infinito y para n > 2
tiene forma campaniforme.
Propiedades 2.3
1. La distribuci
on Chicuadrado es un caso particular de una distribuci
on Gamma, en concreto, es una ( 12 , n2 ). Recuerdese que
X (a; p) si tiene como funci
on de densidad

p
a eax xp1 si x > 0
f (x) =
(p)
0
si x 0

24 Captulo 2. Estimacion puntual


n

2. La funci
on caracterstica de un 2n es (t) = (1 2it) 2 .
3. La suma de dos Chicuadrado independientes con n1 y n2 grados
de libertad es una nueva variable Chicuadrado con n1 + n2 grados
de libertad.
4. Cuando n es mayor que 100 se verifica la siguiente aproximaci
on:
p

22n
= N ( 2n 1, 1).
Ejemplo 2.10 La velocidad (cm/seg) de un objeto de masa 1 Kg.,
viene dada por una variable aleatoria V que sigue
2
una N (0, 25). Si K = mV2 , donde m es la masa del
objeto, es la variable aleatoria que representa la
energa cinetica de dicho objeto, se pide calcular la
probabilidad de que la energa cinetica sea menor
que 200.
Puesto que m = 1, se tiene que
2

P (K < 200) = P mV2 < 200


2

V
= P 625
< 2002
625
2
V
= P 625 < 10 28
= P (21 < 10 28) = 00 725.
7.1.2. Distribuci
on t de Student
Sean Z y 2n dos variables aleatorias independientes que siguen
una distribucion N (0, 1) y una Chicuadrado con n grados de libertad,
respectivamente. La variable aleatoria
Z
tn = q ,
2n
n

sigue una distribucion t de Student con n grados de libertad. La distribucion es simetrica respecto a cero, con una varianza mayor que la
N (0, 1) y tiende a esta a medida que n lo hace hacia infinito (se puede
considerar que sus probabilidades coinciden a partir de un n superior a
120).

2.7 Estimacion de parametros en poblaciones Normales 25


La distribucion t de Student compara a una N (0, 1) con un promedio de n variables N (0, 1). Sus momentos principales son:
E[tn ] = 0

V[tn ] =

n
n2

(n > 2).

Figura 2.2: Distribucion t de Student


Ejemplo 2.11 Sea V una variable aleatoria que sigue una t20 . Se
quiere hallar a tal que P (|V | > a) = 00 01. Para
ello basta tener en cuenta que la distribucion t de
Student es simetrica, con lo cual
P (|V | > a) = P (V > a) + P (V < a)
= 2P (V > a) = 00 01.
As pues, el a requerido es el que verifica
P (V > a) = 00 005,
de donde se obtiene, buscando en las tablas, que
a = 20 845.
7.1.3. Distribuci
on F de SnedecorFisher
La distribucion F se define como el cociente entre dos variables
independientes Chicuadrado divididas por sus grados de libertad, es
decir
Fn,m =

2n
n
2m
m

26 Captulo 2. Estimacion puntual


La distribucion esta caracterizada por los grados de libertad n y
m, siendo su forma esencialmente la misma de la Chicuadrado. Sus
caractersticas mas importantes son:
E[Fn,m ] =

m
m2

V[Fn,m ] =

2m2 (m + n 2)
.
n(m 2)2 (m 4)

Propiedades 2.4
1. De la definici
on se deduce que si X Fn,m

1
X

Fm,n .

2. La distribuci
on t de Student al cuadrado es un caso particular de
la F. Esto es, si
Z
tn = q

2n
n

t2n =

Z2
2n
n

siendo t2n F1,n

Figura 2.3: Distribucion F de FisherSnedecor


Ejemplo 2.12 Hallar el valor b tal que P (F < b) = 00 01, sabiendo
que la variable aleatoria F sigue una distribucion
F7,20 .
Como F7,20 =
P (F7,20
luego

1
F20,7 ,

se tiene entonces que

1
< b) = 00 01 P F7,20
> 1b = 00 01,

2.7 Estimacion de parametros en poblaciones Normales 27


1
P (F20,7 > ) = 00 01
b

1
= 60 15.
b

De donde b = 00 162.
7.2.

Distribuci
on de la media muestral

Como ya se ha visto en ejemplos anteriores, la media muestral


tiene esperanza y varianza 2 /n; ademas por ser combinaci
on lineal
de variables Normales es a su vez Normal, es decir:

X N ,
.
n
Lo anterior tambien sera, aproximadamente, cierto para una variable
X no Normal siempre que n sea suficientemente grande, como garantiza
el Teorema Central del Lmite.
7.3.

Distribuci
on de la varianza muestral

La relacion que existe entre la media y la varianza muestral viene


dada por el teorema de FisherCochran:
Teorema 2.1 Las variables aleatorias X y S 2 son independientes y el
2
estadstico nS
tiene distribuci
on Chicuadrado con n-1 grados de liber2
tad.
Se obviara la demostracion de lo anterior, que de forma equivalente y en
funcion de la cuasivarianza muestral, puede expresarse como:
(n 1)Sc2
2n1 .
2

(2.1)

De los momentos de una Chicuadrado se puede deducir:


2
E[S ] =

n1 2

2
V[S ] =

2(n 1) 4
.
n2

Esto indica, como ya se estudio, que S 2 no es un estimador insesgado de 2 , por lo que en la mayora de los casos se toma como estimador

28 Captulo 2. Estimacion puntual


de la varianza poblacional la cuasivarianza muestral, Sc2 , tambien denominada varianza muestral corregida. La razon de no elegir siempre la
cuasivarianza es que su ECM es mayor que el de la varianza.
2

n N (0, 1) y (n 1) Sc2 2n1


Por otro lado, puesto que X

y como ademas estos estadsticos son independientes, se tiene que


X
n
X
q
=
n tn1 .
(n1)Sc2
Sc

(n1) 2

7.4.

Distribuci
on de la diferencia de medias muestrales

Se consideran dos poblaciones independientes representadas por


las variables X e Y, con distribuciones respectivas N (1 , 1 ) y N (2 , 2 ),
de las cuales se dispone de sendas muestras, X y Y , de tama
nos n1 y n2
respectivamente. Es facil ver que su diferencia de medias muestrales se
distribuye como:

s
2
2
1

X Y N 1 2 ,
+ 2 .
n1 n2

7.5.

Distribuci
on del cociente de varianzas muestrales

Dadas las dos variables anteriores X e Y independientes y seg


un
la ecuacion (2.1), se tiene que:
Sc21
12
Sc22
2

Fn1 1,n2 1 .

Ejemplo 2.13 En una clase de ciencias, se toma una m.a.s. de


51 alumnos que se presentaron al examen de matematicas y otra, independiente de la anterior, de
19 alumnos presentados al examen de fsica. Se sabe que las notas de los alumnos tanto en matematicas como en fsica siguen una Normal con la misma

2.7 Estimacion de parametros en poblaciones Normales 29


dispersion. Se pretende averiguar cual es la probabilidad de que la varianza observada en la primera
muestra sea al menos el doble de la segunda.
2 la varianza muestral de las notas corresSea SM
pondientes a matematicas y SF2 la varianza muestral de las notas de fsica. Puesto que se trata de
muestras independientes y teniendo en cuenta que

51

2
SF2
SM
2

y
19
218
50
2
2

se tiene que
2
51 18 SM
50 19 SF2

F50,18 .

As pues,
2

2
SM
51 18 SM
0
P
2
= P
1 93
SF2
50 19 SF2
= P (F50,18 10 93)
= 00 0632.
7.6.

Distribuci
on de la proporci
on muestral

Utilizando una particularizacion del Teorema Central del Lmite,


se sabe que de forma asintotica, para una poblacion Bernouilli, B(p), se

tiene que la distribucion de la proporcion muestral p= X puede aproximar por una Normal, tal que
r

pq

p = N p,
.
n
Si se tienen dos poblaciones Bernouilli, entonces:

p1 q1 p2 q2
p1 p2
+
.
= N p1 p2 ,
n1
n2

30 Captulo 2. Estimacion puntual


8.

Ejercicios

8.1.

Ejercicios resueltos

2.1 Sea X una m.a.s. de tama


no n extrada de una poblacion
2
Normal de media y varianza .
a) Halle los estimadores de maxima verosimilitud para los
parametros y 2 .
b) Es X un estimador eficiente de ? Y suficiente?
c) Encuentre un estimador insesgado de 2 + 2 .
d) Si = 0, encuentre un estimador suficiente de 2 .
Soluci
on:
a) A partir de la m.a.s. de tama
no n, se construye la funcion
de verosimilitud:
Pn
2
2
2 n
i=1 (xi )
2
.
L = L(x; , ) = (2 ) exp
2 2
Para encontrar los estimadores de maxima verosimilitud de y 2 , hay
que encontrar los maximos de la funcion de verosimilitud, L, o equivalentemente, los maximos de la funcion log L:
n
X
(xi )2

n
n
log L = log ( 2 ) log 2 i=1
2
2
2 2
Para ello, habra que resolver el siguiente sistema:

log L

n
X
(xi )

i=1

=0
n
X
(xi )2

log L
n
= 2 + i=1
=0
2

2
2 4
cuya solucion proporciona los estimadores maximoverosmiles de y
2 :

= X

2.8 Ejercicios 31
n
X
(Xi X)2

2 =

i=1

= S2.

b) Supuesta conocida 2 y teniendo en cuenta que T (X) =


X es insesgado para , la cota de FrechetCramerRao viene dada por:

CF CR =
nE

log f (X) 2

Haciendo calculos,
log f (x) = log

1
(x )2
,
log 2
2
2 2

log f (x)
log f (x) 2 (x )2
x

,
=
=

4
"
#
log f (X) 2
1
= 2.
E

Por tanto, la cota de FrechetCramerRao vale


CF CR =
y puesto que V[T (X)] = V[X] =
eficiente para .

1
2
,
=
n
n 12
2
n ,

se deduce que T (X) = X es

Estos calculos no hubiesen sido necesarios si se hubiera recurrido


a las propiedades de los estimadores maximoverosmiles. Como X es
maximo-verosmil para , de existir un estimador eficiente sera el.
En cuanto a la suficiencia de T (X) = X, a partir de la funcion de
maxima verosimilitud
Pn

(xi )2
2
2 n
i=1
L = L(x; , ) = (2 ) 2 exp
,
2 2

32 Captulo 2. Estimacion puntual


desarrollando la expresion de la exponencial,
Pn
Pn
2
2
i=1 (xi )
i=1 xi + n( 2x)

2 2
2 2
se llega a que, si se define
n
o
g(T (x), ) = exp n(2x)
2
2 n P
o
n
x2i
n
2
2
,
h(x) = (2 ) exp i=1
2
2
por el criterio de factorizacion, el estimador T (X) = X es suficiente para .
c) Puesto que
E[X] = ; V[X] =

2
,
n

se tiene que
2

2
E[X ] = V[X] + E[X] =

Como, ademas,
2
E[S ] =

2
+ 2 .
n

n1 2
,
n
2

el estimador que se busca es T (X) = X + S 2 , ya que


2

2
2
2
E[T (X)] = E[X ] + E[S ] = + .

d) En este caso,
2 12

f2 (x) = (2 )

1 2
exp 2 x
2

y la funcion de verosimilitud es
2

2 n
2

L = L(x, ) = (2 )

k
1 X 2
exp 2
xi
2

)
.

i=1

Por el criterio de factorizacion, tomando


2

2 n
2

g(T (x), ) = (2 )

1
exp 2 T (x) ,
2

Pk
Pk
2
2
con T (x) =
i=1 xi , y h(x) = 1, se tiene que T (X) =
i=1 Xi es
2
estimador suficiente para .

2.8 Ejercicios 33
8.2.

Ejercicios propuestos

2.1. Dadas W, X, Y y Z cuatro variables aleatorias independientes e identicamente distribuidas seg


un una N (0, 5).
a) Si S = 2W + 3X Y + Z + 30, obtenga P (S 42).
b) Si T = W 2 + X 2 + Y 2 + Z 2 , obtenga a verificando que
P (T a) = 00 025.
q
c) Si U =

una

W 2 +X 2 +Y 2 +Z 2
,
4

obtenga P (U 60 973).

2.2. Sean X e Y dos variables aleatorias que siguen una t36 y


respectivamente.
a) Halle x tal que P (|X| > x) = 00 05.
b) Obtenga y tal que P (|Y | > y) = 00 05.

262

2.3. Se sabe que la anchura de las piezas fabricadas por una


cierta maquina, medida en centmetros, se distribuye seg
un una Normal
de media 10 y desviacion tpica 00 25. Si se toma una m.a.s. de 25 piezas,
calcule:
a) P (90 68 X 100 1).
b) P (S 2 00 19).
2.4. Se quiere estudiar la altura de los alumnos de tercero de
ESO y se estimo, en experiencias anteriores, que dicha caracterstica se
distribuye seg
un una Normal de media 167 cm. y varianza 100 24 cm2 . Si
se toma una m.a.s. de 10 alumnos,
a) Calcule la probabilidad de que la media muestral de las
alturas de los 10 alumnos no sea inferior a 165 cm.
b) Halle la probabilidad de que la cuasivarianza muestral
de las alturas de los 10 alumnos sea superior a 150 90 cm2 .
2.5. Se extrae (X1 , X2 , X3 , X4 ) m.a.s. de una poblacion X distribuida seg
un una Exp( 1 ). Dados los estadsticos
1
1
Y1 (X) = (X1 + X2 ) + (X3 + X4 )
6
3

34 Captulo 2. Estimacion puntual


X1 + 2X2 + 3X3 + 4X4
5
X1 + X2 + X3 + X4
Y3 (X) =
,
4
estudie cuales son insesgados para .
Y2 (X) =

2.6. Dada una poblacion distribuida normalmente con media


desconocida y varianza igual a 25, se extrae una m.a.s. de tama
no 3 y
se consideran los estimadores de la media
Y (X) = 00 65X1 + 00 25X2 + 00 1X3
Z(X) = 2X3 X1
X1 + X2 + X3
T (X) =
.
3
Estudie cual de los tres estimadores es el mejor desde el punto de vista
del sesgo y la eficiencia.
2.7. Sea (X1 , X2 , X3 ) una m.a.s. procedente de una poblacion
que se distribuye normalmente. Sean
T1 (X) =

X1 + 2X2 + 3X3
6

T2 (X) =

X1 4X2
3

dos estimadores de .
a) Demuestre que ambos son insesgados.
b) Pruebe que T1 (X) es mas eficiente que T2 (X).
2.8. Sea X una variable aleatoria distribuida seg
un una N (, ).
Calcule un estimador insesgado de 2 + 6.
2.9. De una poblacion N (, 2) se extrae una m.a.s. Y de tama
no
n = 4. Para el siguiente estimador de la media
T (Y ) = 00 2Y1 + 00 4Y2 + cY3 + dY4 ,
calcule c y d para que T (Y ) sea insesgado y eficiente.

2.8 Ejercicios 35
2.10. Sea (X1 , . . . , Xn ) una m.a.s. extrada de una poblacion que
sigue una B(p). Considerense los estimadores:
Pn
T1 (X) = X

y T2 (X) =

2
i=1 Xi

a) Demuestre que ambos son insesgados.


b) Estudie cual es mas eficiente.
c) Son consistentes?
2.11. Sea (X1 , . . . , Xn ) una m.a.s. extrada de una poblacion que
sigue una P ().
P
a) Pruebe que T (X) = ni=1 Xi es suficiente para .
2
b) Estudie la consistencia del estadstico U = T nT
para el
2
2
parametro .
2.12. Sea (X1 , . . . , Xn ) una m.a.s de una U (0, ), > 0.
a) Sea Mn (X) = max{X1 , . . . , Xn }. Pruebe que Mn (X) es
consistente para . Es insesgado?
b) Si Yn (X) = 2X, estudie la consistencia para .
c) Demuestre que el estadstico Zn (X) = n+1
n Mn (X) es
insesgado y mas eficiente que Yn (X).
2.13. De una poblacion distribuida seg
un una B(m, p), se extrae
una m.a.s. de tama
no n. Estudie la insesgadez del estadstico T (X) = X
m
respecto al parametro p y demuestre su eficiencia.
2.14. Considerese una m.a.s. de tama
no n extrada de una poblacion Normal de media y varianza 2 .
a) Encuentre un estimador suficiente de 2 cuando = 0.
b) Busque un estimador suficiente de . Es ese estimador
eficiente?
c) Demuestre que T (X) = S 2 no es un estimador eficiente
2
de .

36 Captulo 2. Estimacion puntual


2.15. De una poblacion con funcion de densidad
f (x) =

1 x
e ,

x0

se extrae una m.a.s. de tama


no n. Si se estima el parametro a traves
de la media muestral:
a) Demuestre que es consistente.
b) Estudie su eficiencia.
2.16. Estudie la eficiencia del estimador T (X) = X del parametro b de la funcion de densidad (b; a), para una m.a.s. de tama
no n.
2.17. Dada una m.a.s. de tama
no n extrada de una poblacion
N (, ), se quiere estimar la media mediante
T (X) = k

n
X

jXj .

j=1

a) Obtenga k para que T (X) sea insesgado.


b) Estudie si T (X) es eficiente.
c) Es consistente?
2.18. Para estimar la media de una poblacion normalmente distribuida, se extrae una m.a.s. de tama
no n y se consideran los estadsticos
T1 (X) = X

Pn
i=1 iXi
T2 (X) = P
.
n
i=1 i

Determine cual es el mejor estimador desde el punto de vista de la insesgadez y la eficiencia.


2.19. Sea X una m.a.s. extrada de una poblacion Exp ( 1 ). Pruebe que el estadstico Yn (X) = n mn{Xi }, i = 1, . . . , n es insesgado, pero
no consistente para .

2.8 Ejercicios 37
2.20. De una poblacion distribuida seg
un una Exponencial de
funcion de densidad
f (x) = ex

x > 0,

se extrae una m.a.s. de tama


no n.
P
a) Demuestre que T (X) = ni=1 Xi es suficiente para .
b) Pruebe que el estimador U = n1
T es consistente para .
2.21. Encuentre un estimador por el metodo de maxima verosimilitud para el parametro de una Poisson.
2.22. Dada una m.a.s. extrada de una poblacion que sigue una
Exp( 1 ), encuentre un estimador maximo-verosmil para el parametro .
2.23. Determine un estimador, por el metodo de los momentos,
de los parametros en los siguientes casos:
a) P ().
b) Exp().
c) (a; b).
2.24. Sea la variable aleatoria X que sigue la distribucion de
Pascal:
f (x) = p(1 p)x ,

donde x = 0, 1, 2, . . . y 0 < p < 1.

Busque un estimador de p por el metodo de los momentos.


2.25. Obtenga un estimador, por el metodo de los momentos,
para el parametro a de la distribucion que tiene por funcion de densidad
fa (x) =

2(a x)
a2

0 < x < a.

38 Captulo 2. Estimacion puntual


2.26. Una fabrica produce botones cuyo diametro vara aleatoriamente entre dos valores a y b. Supuesto que el diametro se ajusta a
una variable aleatoria distribuida uniformemente, estime, a partir de la
muestra
100 20 100 22 100 10 100 14,
los parametros a y b por el metodo de los momentos.
2.27. La funcion de densidad de una variable aleatoria es:
f (x) = ( + 1)x

0 < x < 1.

Halle el estimador de utilizando:


a) El metodo de los momentos.
b) El metodo de maxima verosimilitud.
2.28. Una determinada empresa quiere planificar su produccion.
Ellos calculan que el producto que ofrecen puede gustar entre el 40 %
y el 50 % de los habitantes de su ciudad, pero tras tomar una muestra aleatoria de 10 individuos observan que solo tres muestran interes
por el producto. Teniendo esto en cuenta, cual de las dos proporciones
contempladas deberan tomar en consideracion con base en el criterio de
maxima verosimilitud?
2.29. Sea X una variable aleatoria con funcion de probabilidad
P (X = x) = (1 )x1

x = 1, 2, . . .

0 1.

Encuentre un estimador del parametro por el metodo de maxima verosimilitud.


2.30. Obtenga un estimador por el metodo de los momentos para
el parametro a en una distribucion Pareto, cuya funcion de densidad
viene dada por
axa0
x > x0 .
fa (x) = a+1
x

2.8 Ejercicios 39
2.31. Sea X una variable una variable aleatoria que tiene por
funcion de densidad
f (x) = 22 (1 x) 0 < x < 1.
Obtenga un estimador de maxima verosimilitud para el parametro .
2.32. Sea (X1 , . . . , Xn ) una m.a.s. extrada de una poblacion con
distribucion U (a; b). Obtenga estimadores de a y b por el metodo de
maxima verosimilitud.
2.33. Para una distribucion que tiene funcion de densidad
f (x) = e(x) ,

x ,

calcule el estimador de maxima verosimilitud para el parametro .

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 3
Estimaci
on por intervalos de confianza

1.

Introducci
on

En el captulo anterior se estudiaron tanto las propiedades deseables para un estimador de un determinado parametro poblacional, como
la forma de calcularlos. Estos estimadores proporcionan, para una muestra concreta, un valor puntual que se denomina estimacion puntual. Sin
embargo, a pesar de la indudable utilidad de este procedimiento, en la
practica, cuando se realiza la estimacion de un parametro se necesita
obtener una medida de la fiabilidad de dicha estimacion, medida de la
que se carece en el proceso de estimacion puntual, de este modo, surge
la necesidad de encontrar un metodo que permita calcular una region
que contenga al valor del parametro con una cierta garanta.
El captulo se ha organizado introduciendo en primer lugar el
Metodo del Pivote, para calcular seguidamente Intervalos de confianza
de parametros en poblaciones Normales basandose en el mismo. A continuacion se han introducido otros metodos de obtencion de estimadores
que se han considerado interesantes, pero que dada su complejidad o su
relativo uso vienen marcados con . En concreto, el Metodo asint
otico
basado en el Teorema central del lmite va a permitir calcular intervalos
en poblaciones Binomiales. El tema concluye con un epgrafe dedicado
a la determinacion del tama
no muestral para cumplir con el objetivo de

42 Captulo 3. Estimacion por intervalos de confianza


precision establecido.
Existen innumerables situaciones reales donde es necesario encontrar regiones en las cuales se tenga la confianza o cierto grado de seguridad de que en ellas se halle el valor de un parametro desconocido de
la poblacion. A modo de ejemplos:
Ejemplo 3.1

Un vendedor desea establecer la duracion de la


garanta de un determinado electrodomestico, de
forma que durante el perodo de garanta deba sustituir el menor n
umero posible de piezas. El tiempo
hasta el primer fallo, viene dado por una variable
aleatoria, X, tal que, E[X] = , donde es un
parametro desconocido.
Si el vendedor no quiere pagar ninguna pieza, el
tiempo de garanta debera de ser nulo, pero esto
supondra una mala imagen cara al p
ublico, con los
consecuentes perjuicios. Por tanto, debera buscar
una cota inferior del tiempo hasta que se produzca
el primer fallo del electrodomestico, confiando
en que la vida media de ese electrodomestico sea
superior a esa cota inferior. Es decir, extrada una
m.a.s., X, de la poblacion, para > 0 se busca
(X) tal que
P [(X) ] 1 .

Ejemplo 3.2

Un laboratorio esta interesado en estudiar la toxicidad media de un determinado producto qumico,


para ello quiere establecer una cota superior de dicha media y as tener cierta certeza o seguridad de
que la toxicidad del producto estara por debajo de
esa cota superior. Por tanto, si la toxicidad del producto viene dada por una variable aleatoria, X, tal
que E[X] = donde es un parametro desconocido, se quiere obtener una cota superior del nivel
de toxicidad medio confiando en que dicho nivel
se encuentre por debajo de esa cota. Es decir, ex-

3.1 Introduccion 43
trada una m.a.s., X, de esta poblacion, para > 0
se busca (X) tal que
P [ (X)] 1 .
Ejemplo 3.3

Una empresa tabaquera desea estudiar el nivel medio de nicotina de sus cigarros. A la compa
na le
interesa que el nivel medio de nicotina se encuentre
entre unos margenes debido a que un nivel medio
alto supone que el cigarro es muy perjudicial para
la salud y un nivel medio bajo implica que el cigarro carece de sabor. De este modo, si el nivel de
nicotina de un cigarro viene dado por una variable aleatoria, X, tal que E[X] = , donde es un
parametro desconocido, se desea, a partir de una
m.a.s., X, y para > 0 obtener (X) y (X) tal
que
P [(X) (X)] 1 .

Estos ejemplos ponen de manifiesto la necesidad que existe de


construir regiones donde se tenga la confianza de encontrar el parametro. Nuestro estudio se centra en el caso en que el parametro sea
unidimensional y las regiones sean intervalos, por ello, de ahora en adelante, se hablara de intervalos de confianza.
Dada una m.a.s. X procedente de una variable aleatoria, X, cuya
distribucion depende de un parametro desconocido y dadas las variables aleatorias (X) y (X). Se define intervalo de confianza de nivel
1 a un intervalo [(X), (X)], tal que
P [(X) (X)] 1 .

(3.1)

Notese, que en la definicion anterior se habla de nivel de confianza


1 , sin embargo, la probabilidad en dicha expresion es mayor o igual
que 1 , esto se debe a que existen situaciones, como en poblaciones
discretas, donde no es posible que dicha probabilidad sea exactamente
1 . Como se puede apreciar, los extremos del intervalo son variables
aleatorias que dependen de la muestra y que toman para una realizacion

44 Captulo 3. Estimacion por intervalos de confianza


muestral determinada, x, dos valores puntuales. As pues, el objetivo de
este tema va a ser encontrar (X) y (X), extremos del intervalo de
confianza, cumpliendo determinados criterios relativos a la calidad de
dicho intervalo. Como ilustracion del significado de intervalo aleatorio
se tiene el siguiente ejemplo:
Ejemplo 3.4

Sea X una variable aleatoria que sigue una distribucion U (0, ). El nivel de confianza, basado en
una muestra de tama
no uno, del intervalo aleatorio
[X, 2X] es:

1
P [X 2X] = P
X = 12 .
2

Tras esta apreciacion, hay que tener cuidado a la hora de interpretar el significado de la expresion (3.1), ya que es un valor desconocido
pero constante, por ello, su interpretacion correcta es que la probabilidad
de que el intervalo aleatorio [(X), (X)] contenga el valor del parametro, , es, al menos, 1 . Por otra parte, una vez tomada una muestra,
se obtiene un intervalo fijo, con lo cual no tiene sentido hablar de probabilidad, ya que el valor del parametro pertenecera o no a ese intervalo
fijo, es decir, lo hara con probabilidad 1 o 0. La explicacion anterior
justifica que tenga que hablarse en terminos de confianza cuando se
considera una muestra concreta. De esta forma, si el intervalo obtenido
para una muestra concreta se ha construido con un nivel de confianza
de 00 95, se preve que dicho intervalo contiene al valor del parametro, ya
que de cada 100 realizaciones muestrales, aproximadamente el intervalo
concreto para 95 de ellas contiene dicho parametro.
En la definicion (3.1) se ha hablado de intervalo de confianza en
el caso acotado, pero de igual forma, como se aprecia en los ejemplos,
puede hablarse de intervalo de confianza acotado inferiormente para a
un nivel de confianza 1 , como el intervalo [(X), +) donde (X)
verifica que
P [(X) ] 1 ,
y de intervalo de confianza acotado superiormente para a un nivel de
confianza 1 como el intervalo (, (X)], donde (X) verifica que
P [(X) ] 1 .

3.2 Intervalos de confianza de longitud mnima 45


2.

Intervalos de confianza de longitud mnima

Se puede observar que al ampliar la longitud de un intervalo de


confianza aumenta tambien su nivel de confianza, de hecho, si se considera el intervalo (, +) se obtiene un intervalo a un nivel de confianza
1. Por otro lado, a un nivel de confianza prefijado, se puede comprobar que no existe un u
nico intervalo. Por ello, se plantea el problema
de elegir de entre todos los intervalos a un nivel prefijado, alguno con
unas determinadas caractersticas. Desde un punto de vista practico, el
intervalo de longitud mnima es una eleccion interesante, ya que al conservar el nivel de confianza, este nos da una estimacion del parametro
mas ajustada que el resto de intervalos del mismo nivel de confianza.
Sin embargo, dicha eleccion presenta el problema de que este intervalo
no siempre se puede calcular; en dicho caso, se recurre a una solucion
alternativa como puede ser la b
usqueda del intervalo que tenga longitud
mnima esperada, es decir, aquel que minimice la expresion
E[(X) (X)].
Finalmente, cuando tampoco pueda resolverse este problema, el criterio
mas empleado consiste en el reparto equitativo del complementario del
nivel de confianza entre las dos colas, es decir,

P [(X) ] =
2

P [(X) ] = .
2
Este criterio presenta la ventaja de que conduce a un intervalo u
nico y
que en el caso de distribucion simetrica con respecto al parametro es de
longitud mnima.
A continuacion se dan algunos procedimientos para obtener intervalos de confianza en las situaciones que usualmente se presentan.
3.

M
etodo del pivote

Se considera una m.a.s. X procedente de una poblacion definida


por una variable aleatoria X, cuya distribucion dependa de un parametro desconocido . El objetivo de esta seccion va a ser desarrollar un

46 Captulo 3. Estimacion por intervalos de confianza


metodo para calcular intervalos de confianza a partir de una funcion de
la muestra que contenga al parametro y cuya distribucion no dependa
de el. A continuacion, se muestra un ejemplo que ilustra este procedimiento.
Ejemplo 3.5

Sea X una m.a.s. extrada de una N (, 2), se busca


un intervalo de confianza para a un nivel de confianza 1 . Para ello, se sabe que X N (, n ),
por tanto
X
n N (0, 1),
2
con lo cual se pueden tomar las constantes k1 () y
k2 () verificando
h
i

P k1 () X
n

k
()
= 1 ,
2
2
de donde se obtiene que
h
i
P X k2 () 2n X k1 () 2n = 1
y por tanto un intervalo de confianza a nivel 1
para es
h
i
X k2 () 2n , X k1 () 2n .
Observese que k1 () y k2 () son constantes cuyo
valor depende del valor escogido .

Se dice que T (x; ) es un pivote o cantidad pivotal si T (x; ) es


una funcion monotona en para todo valor muestral x, la ecuacion
= T (x; ) tiene solucion para todo y la distribucion de T (X; ) es
independiente de .
Si existe T (x; ) pivote se puede construir un intervalo de confianza
para a cualquier nivel.
Ejemplo 3.6

Sea X una m.a.s. extrada de una poblacion con


distribucion U (0, ). Se quiere encontrar un intervalo de confianza para a un nivel de significacion
1 . Para ello se considera como estimador de

3.3 Metodo del pivote 47

a (X)
= max{X1 , . . . , Xn } que se sabe tiene una
funcion de distribucion
n
t
(t) =
F(X)

que al ser funcion de distribucion de una variable


aleatoria continua verifica que

F(X)
((X))
U (0, 1),

con lo cual se pueden encontrar k1 () y k2 () tales


que

P [k1 () F((X))
k2 ()] = 1 .
Por simplicidad se toma k1 () = 2 y k2 () = 1 2 .
Resolviendo las siguientes ecuaciones

!n

(X)

!n

(X)

= 1 ,

2
se obtiene que;
=
=

(X)
1

( 2 ) n

(X)
1

(1 2 ) n

con lo cual un intervalo de confianza a un nivel


1 para es,

(X)
(X)
I1 () =
, 1 .
1
(1 2 ) n

( 2 )n

Hay que hacer notar que este procedimiento no conduce a un u


nico
intervalo de confianza, ya que k1 () y k2 () se pueden escoger de formas
diferentes para que cumplan
P [k1 () T (X; ) k2 ()] = 1

48 Captulo 3. Estimacion por intervalos de confianza


de lo cual puede deducirse que existen diferentes (X) y (X) tal que
P [(X) (X)] = 1 .
Como ya se comento en la seccion anterior, k1 () y k2 () se eligen
de manera que (X) (X) sea mnima, con lo cual, se habra obtenido
un intervalo de confianza a un nivel 1 de longitud mnima construido
a partir de T (X; ). Sin embargo, no podra decirse que es un intervalo de
longitud mnima de entre todos los intervalos de confianza a nivel 1 ,
ya que podra existir otro pivote T del cual se obtuviera un intervalo
mas peque
no.
4.

Intervalos de confianza en poblaciones Normales

Debido a la importancia que tienen las poblaciones Normales, se ha


dedicado este apartado al estudio de los intervalos de confianza para sus
parametros. Por otro lado, la facilidad del calculo de cantidades pivotales
que presentan estas poblaciones hacen recomendable la obtencion de
estos intervalos de confianza a traves del metodo pivotal.
En esta seccion se tratan tanto los intervalos de confianza en una
poblacion como en dos poblaciones Normales. En ambos casos, dependiendo del parametro para el cual se busca un intervalo de confianza y
del conocimiento o no de los otros parametros, se presentan diferentes
situaciones que a continuacion van a ser estudiadas. En primer lugar se
analizan las distintas situaciones para el caso de una poblacion X que
sigue una Normal de media y varianza 2 y de la cual se extrae una
no n. Posteriormente se estudia el caso de dos poblam.a.s., X, de tama
ciones Normales de medias 1 y 2 , varianzas 12 y 22 y de las cuales se
nos n1 y n2 , respectivamente.
extraen dos m.a.s., X e Y , de tama
Las tablas 3.1 y 3.2 resumen los resultados que se van a obtener
en lo que sigue.

3.4 Intervalos de confianza en poblaciones Normales 49


4.1. Intervalo de confianza para la media, conocida la
varianza
Debido a que se quiere encontrar un intervalo de confianza para
la media y se sabe que X N (, n ), puede elegirse como pivote la
tipificacion de dicha variable aleatoria, es decir,
T (X; ) =

X
n N (0, 1),

con lo cual, dado un nivel de confianza 1 , para una variable aleatoria


Z N (0, 1) se pretende encontrar k1 () y k2 () (que para un mejor
entendimiento seran denotados por k1 = k1 () y k2 = k2 ()), tales que
P [k1 Z k2 ] = 1 .
Dados 1 , 2 0 tales que 1 + 2 = (1 y 2 representan el reparto
de la probabilidad entre las dos colas), k1 y k2 se obtendran a partir
de las igualdades
P [Z k1 ] = 1
P [Z k2 ] = 2 .
Una vez calculados k1 y k2 se obtiene que

X
1 = P k1
n k2

= P k1 X k2
n
n

= P X k2 X k1 .
n
n
Se observa que para cada eleccion de 1 y 2 tales que 1 +2 = ,
se obtiene un intervalo diferente; con lo cual, como se deca anteriormente, se escogera de entre todos ellos el de longitud mnima para este pivote,
siempre que ello sea posible. Es decir,
Min
X k1 n (X k2 n ) = n (k2 k1 )
Sujeto a
FZ (k2 ) FZ (k1 ) = 1

50 Captulo 3. Estimacion por intervalos de confianza


donde FZ es la funcion de distribucion de una N (0, 1).
Para encontrar dicho intervalo se recurre al metodo de los multiplicadores de Lagrange. A partir de la funcion

(k1 , k2 , ) = (k2 k1 ) + (FZ (k2 ) FZ (k1 ) (1 )) ,


n
se obtiene el siguiente sistema de ecuaciones:
(k1 , k2 , )
k2
(k1 , k2 , )
k1
(k1 , k2 , )

+ fZ (k2 ) = 0
n

= fZ (k1 ) = 0
n
=

= FZ (k2 ) Fz (k1 ) (1 ) = 0,

siendo fZ la funcion de densidad de una N (0, 1). Sumando las dos primeras ecuaciones y operando se obtiene que
1 2

1 2

e 2 k 2 = e 2 k 1 ,
de donde se deduce que
k12 = k22 .
Por tanto, las soluciones son:
1. k1 = k2 , esta solucion no es valida pues se tendra un intervalo de
longitud nula.
2. k1 = k2 , con lo cual k2 = Z1 2 , donde Z1 2 , verifica que
FZ (Z1 2 ) = 1 2 .
Es decir, el intervalo de confianza mas peque
no coincide con el
obtenido por el reparto equitativo de entre ambas colas; lo cual era
esperable ya que la distribucion Normal es simetrica respecto a su media.
El intervalo en forma explcita viene dado por la expresion

I1 () = X Z1 2 , X + Z1 2 .
n
n

3.4 Intervalos de confianza en poblaciones Normales 51


Ejemplo 3.7

Con el fin de estudiar el n


umero medio de flexiones continuadas que pueden realizar sus alumnos,
un profesor de educacion fsica somete a 80 de ellos,
elegidos aleatoriamente, a una prueba. Los resultados fueron los siguientes:
Flexiones 35 41 46 48 50 52 53 54 56 60
Alumnos 5 6 2 10 15 6 11 10 5 5
Se sabe que el n
umero de flexiones se distribuye
seg
un una Normal de varianza poblacional 70 5.
Para construir un intervalo de confianza al 95 %
para la media del n
umero de flexiones, se tiene que
la media muestral es x = 490 78 y que Z1 2 = 10 96.
Por tanto, el intervalo obtenido para esta muestra
concreta, viene dado por

q
0
0
0
I00 95 () = 49 78 1 96 7805
= [490 18, 500 38].

4.2. Intervalo de confianza para la media, desconocida la


varianza

Sc2

Denotando por Sc2 a la cuasivarianza muestral y usando que X y


son independientes, se tiene que

n N (0, 1)
X

=
n tn1 ,
Sc2

Sc
(n 1) 2 2n1

donde tn1 representa la distribucion t-student con n 1 grados de


libertad.

Se puede observar que T (X, ) = X


n es un pivote, con lo
Sc
cual, puede usarse para obtener un intervalo de confianza para la media
de una poblacion Normal cuando la varianza es desconocida. Operando

52 Captulo 3. Estimacion por intervalos de confianza


igual que en el caso anterior se tendra

Sc
Sc
I1 () = X tn1,1 2 , X + tn1,1 2 ,
n
n
que expresado en terminos de la varianza, S 2 ,

S
S
.
I1 () = X tn1,1 2
, X + tn1,1 2
n1
n1
Ejemplo 3.8

A partir de una muestra de 20 linternas cuyos


periodos de duracion (en horas) han sido
503 480 345 427 386 432 429 378 440 434
429 436 451 466 394 422 412 507 433 480
se quiere obtener un intervalo de confianza al 95 %
para la vida media de una poblacion de linternas
que se distribuye normalmente.
Teniendo en cuenta que x = 4340 2, Sc = 400 63 y
que para = 00 05 y n = 20 es tn1,1 2 = 20 093,
se tiene que un intervalo de confianza al 95 % para
la vida media de las linternas es
h
i
0
63
I00 95 () = 4340 2 20 093 40
20
= [4150 18, 4530 21].

4.3. Intervalo de confianza para la varianza, conocida la


media
En este caso, puesto que Xi N (0, 1) y
son independientes dos a dos, se tiene que
T (X; ) =

n
X
Xi 2
i=1

Xi
,

para i = 1, . . . , n,

2n ,

donde 2n representa la distribucion Chicuadrado con n P


grados de libern
(Xi )2
tad. Utilizando T (X; ) como pivote y definiendo S2 = i=1
,
n

3.4 Intervalos de confianza en poblaciones Normales 53


el intervalo de confianza a un nivel 1 viene dado por
"
#
2
2
nS
nS

I1 ( 2 ) =
,
.
2n,1 2n,
2

4.4. Intervalo de confianza para la varianza, desconocida la


media
Por el Teorema de Fisher se tiene que
n
X
(Xi X)2
i=1

2n1 .

Razonando de igual forma que en el apartado anterior se obtiene que el


intervalo de confianza a un nivel 1 para 2 es
"
#
(n 1)Sc2 (n 1)Sc2
2
I1 ( ) =
,
,
2n1,1
2n1,
2

que expresado en terminos de la varianza, S 2 , queda


"
#
nS 2
nS 2
2
I1 ( ) =
.
,
2n1,1 2n1,
2

Ejemplo 3.9

Se sabe que el peso por comprimido de un cierto preparado farmaceutico se distribuye seg
un una
Normal. Con el objeto de estudiar la varianza de
la distribucion, se extrae una m.a.s. de 6 artculos.
Sabiendo que la varianza muestral es igual a 40, se
pretende estimar la varianza poblacional mediante
un intervalo de confianza al 90 %.
Puesto que es desconocida, un intervalo de confianza para 2 viene dado por
"
#
2
2
nS
nS
,
,
I1 ( 2 ) =
2n1,1 2n1,
2

54 Captulo 3. Estimacion por intervalos de confianza


donde = 00 1, n = 6, y S 2 = 40. As,
25,00 95 = 110 07 y 25,00 05 = 10 145;
con lo cual,

6 40 6 40
I00 90 ( ) =
,
110 07 10 145
= [210 68, 2090 61].
2

4.5. Intervalo de confianza para la diferencia de medias de


muestras apareadas
Sean X e Y dos m.a.s. de tama
no n y apareadas, de tal forma
que la primera procede de una poblacion N (1 , 1 ) y la segunda de una
poblacion N (2 , 2 ).
Antes de proporcionar el intervalo para la diferencia de medias
de estas dos poblaciones, se hace necesario indicar que se entiende por
muestras apareadas.
Se dice que dos muestras X e Y estan apareadas cuando los datos
de las muestras vienen por parejas, uno de cada una de ellas, de manera
que cada individuo proporciona dos observaciones.
Ejemplo 3.10 Para estudiar los efectos de un determinado farmaco para adelgazar, se selecciona aleatoriamente 6
personas y se toma nota de sus pesos antes y despues de administrarles el medicamento.
Antes 720 0 730 5 700 0 710 5 760 0 800 5
Despues 730 0 740 5 740 0 740 5 750 0 820 0
Como puede observarse, los datos vienen por parejas: peso antes y despues, dos datos por individuo.
Parece logico que los datos se encuentren relacionados entre s.
En los casos de muestras apareadas, el modo de proceder para
obtener un intervalo de confianza para la diferencia de medias es con-

3.4 Intervalos de confianza en poblaciones Normales 55


siderar una u
nica muestra formada por la diferencia de los pares de
valores, D = X Y , reduciendo as el problema a encontrar un intervalo
de confianza para la media de una poblacion.
Ejemplo 3.11 Si se quisiera construir un intervalo de confianza
para la diferencia de medias de los datos del ejemplo anterior, suponiendo que ambas son m.a.s. procedentes de poblaciones Normales, bastara considerar una nueva muestra:
D = X Y,
siendo X los pesos antes del tratamiento y Y los
pesos despues del mismo. As, los valores de la nueva muestra D de tama
no n = 6 son
1 1 4 3 1 10 5,
cuya media muestral es x = 10 58 y su cuasivarianza Sc2 = 30 04. El intervalo de confianza para la
diferencia de medias viene dado por
i
h
Sc
S
c
,
.
I1 (D ) = Dtn1,1 2
D+t
n1,1
n
n
2
Para = 00 05, se tiene tn1,1 2 = t5,00 975 = 20 57
y el intervalo queda
I00 95 (D ) = [30 41, 00 25].
4.6. Intervalo de confianza para la diferencia de medias de
muestras independientes
nos n1 y n2 , respectivamente,
Sean ahora dos m.a.s. X e Y de tama
independientes entre s, de tal forma que la primera procede de una
poblacion N (1 , 1 ) y la segunda de una poblacion N (2 , 2 ). Usando
que X y Y son independientes, se sabe que

1
s

X N 1 ,

2
2
1

n1

= X Y N 1 2 ,
+ 2,
2

n
n2
1

Y N 2 ,

n2

56 Captulo 3. Estimacion por intervalos de confianza


y usando que Sc21 y Sc22 son independientes, se tiene que

Sc21

2
(n1 1) 2 n1 1

S2
S2
1
= (n1 1) c21 + (n2 1) c22 2n1 +n2 2 ,
2
S

1
2

(n2 1) c22 2n2 1


2
donde Sc21 y Sc22 son las cuasivarianzas muestrales para las muestras X
e Y respectivamente.
El pivote que permite construir el intervalo de confianza para la
diferencia de medias de ambas poblaciones, se construye basandose en
los resultados anteriores, y depende en gran medida del conocimiento o
no de las varianzas poblacionales.
4.6.1. Intervalo de confianza cuando las varianzas son
conocidas
Se sabe que

X Y N 1 2 ,

12 22
+
,
n1 n2

con lo cual se puede tomar como pivote


X Y (1 2 )
q 2
N (0, 1),
1
22
n1 + n2
de donde siguiendo la metodologa anterior se obtiene que

P XY Z1 2

12 22
n1 +n2

q
12 XY +Z1 2

12 22
n1 +n2

=1
por tanto el intervalo buscado es
I1 (1 2 ) =

= X Y Z1 2

s
12
n1

22
n2

, X Y +Z1 2

12
n1

22
n2

3.4 Intervalos de confianza en poblaciones Normales 57


Ejemplo 3.12 Se quiere estudiar la diferencia de las vidas medias
de dos tipos de lamparas. Para ello, se toma una
muestra de 150 lamparas de tipo H y otra, independiente de la anterior, de 200 lamparas de tipo
N, obteniendose que las de tipo H tienen una vida media de 1400 horas y una desviacion tpica de
120, y que las de tipo N tienen una vida media de
1200 horas y desviacion tpica 80.
Para estimar la diferencia de medias se construye
un intervalo de confianza al 95 %, que viene dado
por

q 2
2
H
N

X H Y N Z1 2 nH + nN .
Sustituyendo en la expresion anterior, se obtiene

q
1202
802
0
14001200 1 96 150 + 200 ,
y por tanto,
I00 95 (H N ) = [1770 8, 2220 2].
4.6.2. Intervalo de confianza cuando las varianzas son
desconocidas e iguales
Como Sc21 y Sc22 son independientes, se sabe que

S2

(n1 1) c21 2n1 1


(n1 1)Sc21 + (n2 1)Sc22
2
=
2n1 +n2 2
2
Sc2

2
(n2 1) 2 n2 1

y puesto que X y Sc21 , as como, Y y Sc22 son independientes, se tiene el


pivote
T (X, Y , 1 2 ) =
=

XY (1 2 )

1
n1

1
n2

(n1 1)Sc21 +(n2 1)Sc22


2 (n1 +n2 2)

58 Captulo 3. Estimacion por intervalos de confianza


r
1
X Y (1 2 )
1
1
= q
+
tn1 +n2 2 ,
(n1 1)Sc21 +(n2 1)Sc22
n1 n2
n1 +n2 2

obteniendose como intervalo de confianza


I1 (1 2 ) =
r

(n1 1)Sc21 +(n2 1)Sc22


1
= X Y tn1 +n2 2,1 2
n1 +n2 2
n1 +

1
n2

que expresado en funcion de la varianza muestral queda


I1 (1 2 ) =
"
=

X Y tn1 +n2 2,1 2

n1 S12 + n2 S22
n1 + n2 2

1
1
+
n1 n2

#
.

Ejemplo 3.13 De una poblacion N (1 , 2 ), se extrae una m.a.s.


de tama
no 10, tal que la media muestral es 41
y la varianza muestral es 609. De otra poblacion
N (2 , 2 ) se toma otra m.a.s. de tama
no 16 e independiente de la anterior, cuya media y varianza
muestrales son 3875 y 3609, respectivamente. Se
quiere obtener un intervalo de confianza del 95 %
para la diferencia de medias poblacionales.
Puesto que la varianzas poblacionales son desconocidas pero iguales, el intervalo de confianza para la
diferencia de medias viene dado por
r

n1 S12+n2 S22
1
1
X Y tn1 +n2 2,1 2
.
n1 +n2 2
n1 + n2
Para = 00 05 se tiene que t24,00 975 = 20 0639. As,

1060 09+1630 609 1


1
0
0
0
.
4 13 875 2 0639
24
10 + 16
Por tanto,
I00 95 (1 2 ) = [10 6248, 20 0748].

3.4 Intervalos de confianza en poblaciones Normales 59


4.6.3. Intervalo de confianza cuando las varianzas son
desconocidas y distintas
En este caso, puesto que X y Sc21 , as como, Y y Sc22 son independientes, se tiene que
X Y (1 2 )
q 2
N (0, 1),
1
22
+
n1
n2
as como
(n1 1)
Por tanto

Sc21
Sc22
+
(n

1)
2n1 +n2 2 .
2
2
12

XY (1 2 )
r

2
1
2
+ n2
n1
2

2
2
Sc
Sc
(n1 1) 21 +(n2 1) 22
1
2
n1 +n2 2

tn1 +n2 2 ,

pero como se ve el estadstico depende de 1 y 2 por lo que se recurre


a la aproximacion de Welch, en funcion de la cual el estadstico
X Y (1 2 )
s
,
Sc22
Sc21
+
n1
n2
tiene una distribucion aproximada ta,1 2 siendo a un factor corrector
que se calcula tomando el entero mas proximo a
2
2
Sc22
Sc1
+
n1
n2
a=
S 2 2
S 2 2 2
c1
1
1
+ n2 +1 nc22
n1 +1
n1
y donde el intervalo de confianza para 1 2 viene dado por

s
2
2
S
Sc1
+ c2 .
I1 (1 2 ) = X Y ta,1 2
n1
n2

60 Captulo 3. Estimacion por intervalos de confianza


Ejemplo 3.14 Para realizar un estudio sobre la hipertension y
sus consecuencias, se toman dos muestras de 13 y
16 pacientes de ciudades distintas. Los datos muestrales obtenidos fueron los siguientes:
x1 = 166 mm. Sc1 = 28 mm.
x2 = 1640 7 mm. Sc2 = 7 mm.
Supuesto que ambas poblaciones son Normales y
que sus varianzas son desconocidas y distintas, se
quiere determinar un intervalo de confianza al 95 %
para la diferencia de medias.
Lo primero es calcular el valor de a.
2
2
Sc1
Sc22
n1 + n2
a =
S 2 2
S 2 2 2
c1
c2
1
1
+
n1 1
n1
n2 1
n2
= 130 4.
Luego se toma a = 13. Por otra parte, puesto que
t13,00 975 = 20 16, el intervalo buscado es
q
h
i
49
I00 95 (1 2 ) = 1661640 7 20 16 784
+
13
16
= [150 89, 180 49].
4.7.

Intervalo de confianza para el cociente de varianzas


Al ser Sc1 y Sc2 independientes, se tiene que

S2
2

Sc21
n1 1 Sc1
(n1 1) c21 2n1 1

n1 1 12
12
1
=
=
Fn1 1,n2 1 ,
2
2
Sc22
S

n2 1 Sc2

2
2
(n2 1) c22 2n2 1
n2 1 2
2
2

con lo cual, hay que determinar k1 y k2 que verifiquen la igualdad


P [k1 Fn1 1,n2 1 k2 ] = 1 .
Usando el metodo del reparto equitativo del nivel de significacion, se

3.4 Intervalos de confianza en poblaciones Normales 61


obtiene que el intervalo de confianza buscado es

I1

y puesto que Sc2 =

I1

12
22

"

12
22

Fn1 1,n2 1,1 2

n
2
n1 S ,

"

#
Sc21
Sc21
1
,
,
Sc22 Fn1 1,n2 1, 2 Sc22

se tiene el intervalo
1

Fn1 1,n2 1,1 2

n1
2
n1 1 S1
n2
2,
n2 1 S2

1
Fn1 1,n2 1, 2

n1
2
n1 1 S1
n2
2
n2 1 S2

#
.

Ejemplo 3.15 Con el fin de estudiar el gasto de combustible de


dos motos procedentes de dos compa
nas diferentes, C1 y C2, se seleccionan al azar 9 motos de la
compa
na C1 y 12 de la C2. Las de la compa
na C1
proporcionan una media de 18 km recorridos por
cada litro de combustible, con una cuasivarianza
de 10 1 km2 /l2 y las de la compa
na C2, una media
de 15 km/l y una cuasivarianza de 20 9 km2 /l2 .
Sabiendo que la distancia recorrida por cada litro
de combustible se distribuye normalmente en las
dos compa
nas, se pretende obtener un intervalo
de confianza al 90 % para el cociente de varianzas.
Llamando Sc21 y Sc22 a las cuasivarianzas muestrales
de las motos de las compa
nas 1 y 2 y teniendo en
0
cuenta que = 0 1, se tiene que para n1 = 9 y
n2 = 12 es
Fn1 1,n2 1, 2 = 00 34 y Fn1 1,n2 1,1 2 = 20 95.
As pues, un intervalo de confianza al 90 % para el
cociente de varianzas viene dado por

2
1 10 1 1 10 1
1
=
,
I00 9 2
2
20 95 20 9 00 34 20 9
= [00 13, 10 12].

62 Captulo 3. Estimacion por intervalos de confianza


5. M
etodo basado en la desigualdad de Tchebychev
En el metodo del pivote se parte del conocimiento, salvo parametros, de la distribucion de la variable aleatoria que define la poblacion.
Sin embargo, en esta seccion se aborda una metodologa que permite
obtener un intervalo de confianza para un parametro de la poblacion conociendo u
nicamente la media y varianza del estimador de dicho parametro. Para ello, se usara la desigualdad de Tchebychev, la cual dice que
dada una variable aleatoria, X, tal que E[X] = y V[X] = 2 , se verifica
que
1
P [|X | k] > 1 2 .
k

Sea (X)
un estimador del parametro que se quiere estudiar, usando la desigualdad anterior se puede encontrar un intervalo de confianza
con una cota inferior del nivel de confianza prefijado. As pues, se verifica
que

q
1

P | E[]| k V[] > 1 2 .


k
En el caso de que el estimador sea insesgado se podra obtener un intervalo con nivel de confianza de al menos 1 que viene dado a partir de
las expresiones
1
1
1 2 =1k =
k

q
q
1
1

P
V[] +
V[] 1 .

De lo cual se deduce que un intervalo de confianza es


s
s

V[]
V[]
, +
I1 () =
.

En el caso particular de que se quiera encontrar un intervalo de


confianza para la media de una poblacion de la cual se conoce la varianza,
puede tomarse como estimador X. De esta forma se obtiene el intervalo

I1 () = X , X +
.
n
n

3.6 Metodo asintotico basado en el Teorema Central del Lmite 63


Ejemplo 3.16 Se quiere comparar el intervalo obtenido en este
metodo con el obtenido usando el metodo del pivote bajo la hipotesis de Normalidad. En este caso,
el intervalo vena dado por
h
i
X Z1 2 n , X + Z1 2 n ,
con lo cual la amplitud de este intervalo es
2 Z1 2 n ,
mientras que para el metodo basado en la desigualdad de Tchebychev, la amplitud del intervalo es
2

1
n

Para el caso de un intervalo de confianza a un nivel


de 00 95 y puesto que Z1 2 = 10 96 y 1 = 40 47, se
puede deducir que aunque el metodo aproximado
es aplicable en situaciones muy generales, presenta
la desventaja de no proporcionar un intervalo con
buenas propiedades.
6. M
etodo asint
otico basado en el Teorema Central del
Lmite
Esta seccion esta dedicada a la b
usqueda de intervalos de confianza
para la media de una poblacion de la cual se posee una muestra de gran
tama
no, es decir, se va a construir un intervalo de confianza asint
otico
para la media.
Cuando se busca el intervalo de confianza para la media de una
poblacion, el estimador natural es la media muestral X. Sin embargo,
puede suceder que se desconozca su distribucion y consecuentemente no
se pueda calcular dicho intervalo. Para superar esta dificultad, se utiliza
el Teorema Central del Lmite.
Antes de continuar es necesario introducir el concepto de convergencia en distribucion o en ley.

64 Captulo 3. Estimacion por intervalos de confianza


Dada (Xn )nN una sucesion de variables aleatorias con funcion de
distribucion Fn . Se dice que Xn converge en ley o en distribuci
on a una
variable aleatoria X con funcion de distribucion F , si Fn (x) F (x) en
todo punto de continuidad de F, este tipo de convergencia se denota por
d
l
Xn X o Xn X.
As mismo, sera de gran utilidad el siguiente teorema conocido
como Teorema de LinderbergLevy.
Dadas X1 , . . . , Xn , variables aleatorias independientes e identicamente distribuidas, tales que, E[X] = y V[X] = 2 < . Entonces:
X d
n N (0, 1).

Por tanto, siempre que el objetivo sea obtener un intervalo de


confianza para la media, se puede aplicar este teorema y usar las mismas
tecnicas empleadas para obtener el intervalo de confianza para la media
de una poblacion Normal, con la salvedad de que en este caso el nivel
de confianza de este intervalo no sera exacto, sino aproximado.
Debido a que en la mayora de las situaciones reales que se presentan la varianza poblacional es desconocida, en este metodo asint
otico la
varianza poblacional, se aproxima por la muestral, obteniendose que
X d
n N (0, 1).
S
6.1.

Intervalos de confianza para la proporci


on

Considerese una m.a.s. X extrada de una poblacion definida por


una variable aleatoria X, distribuida seg
un una Bernouilli de parametro
p. Si la variable aleatoria toma valores 0 y 1, el estimador de maxima
verosimilitud del parametro p es
n

p =

1X
Xi = X.
n
i=1

3.6 Metodo asintotico basado en el Teorema Central del Lmite 65


Puesto que
p] = p
E[
p(1 p)
p] =
,
V[
n
puede deducirse, aplicando una variante del Teorema de Linderberg
Levy para este tipo de distribuciones, que
p p
q

p(1p)
n

N (0, 1).

A partir de este resultado se puede construir un intervalo de confianza,


bien directamente, o a traves de la doble aproximaci
on, donde p(1 p)
es sustituido por su estimador p(1 p).
Vease que intervalos se obtienen por ambos metodos:
1. Sin utilizar la doble aproximaci
on y haciendo k = Z1 2 .
1 = P [k N (0, 1) k]
#
"
p p
nk
= P k p
p(1 p)

= P (
p p)2 n k 2 p(1 p)

k 2 p(1 p)
= P (
p2 + p2 2p
p)n
n

2
2
k
k
2
2
p 2
p+
p + p 0
= P
1+
n
n
q
2
2
2
(2
p + kn ) (2
p + kn )2 4(1 + kn )
p2
p=
.
2
2(1 + kn )
Por tanto el intervalo es
q

2
2
(2
p + kn ) (2
p + kn )2 4(1 +
I1 (p) =
2
2(1 + kn )

k2 2
p
n )

66 Captulo 3. Estimacion por intervalos de confianza


o equivalentemente

p
1
I1 (p) =
+
k2
2(1 +
1+ n

n
)
k2

k
n

q
4
p(1 p) +
2(1 +

k2
n)

k
n2

2. Utilizando la doble aproximacion y el mismo valor para k = Z1 2 .


1 = P [k N (0, 1) k] =
"
#
p p
= P k p
nk =
p(1 p)

kp
k p
p(1 p) p p +
p(1 p) ,
= P p
n
n
de donde se deduce que el intervalo es

k p
I1 (p) = p
p(1 p) .
n
Como puede observarse el primer intervalo obtenido converge al
segundo.
Ejemplo 3.17 En unas elecciones, el candidato A desea estimar,
al 95 % de confianza, la proporcion de votantes que
estan a su favor. Con este fin, toma una muestra
aleatoria de 100 votantes, observando que el 55 %
son partidarios suyos, obteniendo un intervalo de
confianza de sus probabilidades de triunfo igual a

q
p(1
p)
I00 95 (p) = p Z00 975
n

q
00 5500 45
0
0
= 0 55 1 96
100
= [00 55 00 1]
= [00 45, 00 65].
6.2.

Intervalo de confianza para la diferencia de proporciones

Se consideran dos muestras aleatorias simples X e Y , de tama


nos
n1 y n2 e independientes entre s, extradas de poblaciones con distribuciones Bernouilli de parametros p1 y p2 respectivamente. El objetivo

3.6 Metodo asintotico basado en el Teorema Central del Lmite 67


consiste en encontrar un intervalo de confianza para la diferencia de sus
proporciones. Como en el caso anterior, se obtiene que los estimadores
maximo verosmiles para ambas muestras son:
n

p1 =

1
1X
Xi
n1

2
1X
Yi
n2

p2 =

i=1

i=1

verificandose que

p1 ] = p1
E[

p1 (1 p1 )
p1 ] =
V[
n1

p1 (1 p1 )
n1

p1 N p1 ,

p2 ] = p2
E[

p2 ] =
V[

p2 (1 p2 )
n2

p2 (1 p2 )
.
n2

p2 N p2 ,

Puesto que ambas muestras son independientes se tiene que

p1 p2 N p1 p2 ,

p1 (1 p1 ) p2 (1 p2 )
+
n1
n2

de lo cual puede deducirse usando la doble aproximaci


on la expresion

p1 p2 (p1 p2 )
P Z1 2 q
Z1 2 = 1 ,
p2 (1
p2 )
p1 (1
p1 )
+ n2
n1
siendo el intervalo de confianza buscado igual a

I1 (p1 p2 ) = p1 p2 Z1 2

p1 (1 p1 ) p2 (1 p2 )
+
.
n1
n2

68 Captulo 3. Estimacion por intervalos de confianza


Ejemplo 3.18 Una determinada empresa quiere saber si su nuevo producto tendra mas aceptacion en la poblacion
adulta o entre los jovenes. Para ello, considera una
m.a.s. de 400 adultos y 600 jovenes, observando que
solo a 100 adultos y 300 jovenes les haba gustado
su innovador producto. Para comparar las proporciones de adultos y jovenes a los que les gusta el
producto, a un nivel de confianza del 99 %, se considera el intervalo de confianza

q
p1 (1
p1 )
p2 (1
p2 )

p1 p2 Z1 2
+ n2
.
n1
Si se considera
p1 = proporcion de jovenes a los que gusta
p2 = proporcion de adultos a los que gusta
entonces
p1 =

300
600

= 00 5

p2 =

100
400

con lo que el intervalo queda

q
0 500 5
00 5 00 25 20 58 0 600
+

= 00 25,

00 2500 75
400

es decir,
I00 99 (p1 p2 ) = [00 19, 00 31].
7. Intervalo asint
otico para cualquier par
ametro
En el apartado anterior, se estudio la construccion de un intervalo de confianza para la media de una poblacion a traves de metodos
asintoticos. En esta seccion, se extiende el metodo anterior a cualquier
parametro del cual se disponga un estimador maximo verosmil. Para
ello, se considera el siguiente resultado.

Teorema 3.1 Si se verifican las condiciones de FisherWolfowitz el es-

3.7 Intervalo asint


otico para cualquier parametro 69
timador m
aximoverosmil de , M V , es asint
oticamente Normal:
M V (X) d
q
N (0, 1),
1
(I()) 2

donde I() = E

2 log f (x, )
.
2

As, dada una m.a.s. procedente de una poblacion cuya distribucion depende de un parametro desconocido y suponiendo conocido su
estimador de maxima verosimilitud, el intervalo de confianza para dicho
parametro viene dado por la expresion
#
"
M V (X)
p
1 = P Z1 2
Z1 2
I()
i
h
p
p
= P M V (X) Z1 2 I() M V (X) + Z1 2 I() ,
obteniendose el intervalo
h
i
p
p
I1 () = M V (X) Z1 2 I() , M V + Z1 2 I() .
Ejemplo 3.19 Sea X una m.a.s. extrada de una poblacion de
Poisson de parametro desconocido . Se sabe que
el estimador de maxima verosimilitud para es
M V (X) = X

y la cantidad de informacion de Fisher para esta


distribucion es
n
I() =
,

de lo cual se deduce que

d
X

n N (0, 1),

y donde, o bien, puede sustituirse , como se vio


anteriormente, en el denominador por un estimador

70 Captulo 3. Estimacion por intervalos de confianza


consistente como es X, o resolverse directamente.
Si se sustituye, se obtiene que:

d
X

n N (0, 1)
X

y de aqu, el intervalo de confianza para es

q
q
X
I1 () = X Z1 2 n , X + Z1 2 X
n .
8.

Determinaci
on del tama
no muestral

Una vez estudiados diferentes metodos de construccion de un intervalo de confianza, se pone de manifiesto la importancia del tama
no
muestral en los procesos inferenciales y mas concretamente, en la construccion de intervalos de confianza para la media de una poblacion. En
esta seccion, el objetivo va a consistir en fijar el tama
no muestral para
que el error cometido en el proceso de estimacion de dichos intervalos
sea menor que una cantidad prefijada.
As, dependiendo del conocimiento o no de la varianza se pueden
distinguir los siguientes casos:
8.1. Determinaci
on del tama
no muestral para estimar la
media, conocida la varianza
Tanto en el caso que la poblacion sea una poblacion N (, ), como
en el caso de que el tama
no muestral sea suficientemente grande se ha
visto que

Z1 2
Z1 2
P X
= 1 ,
X+
n
n
o equivalentemente

Z1 2
P |X |
= 1 ,
n

con lo cual, una medida del error cometido en la estimacion de la media


Z1
viene dada por |X |, siendo 2 una cota de dicho error.
n

3.8 Determinacion del tama


no muestral 71
Por tanto, se puede calcular el tama
no muestral para que el error
absoluto cometido en la estimacion sea a lo sumo una cantidad prefijada
, de la forma
2
2
Z1

2
.
n=
2
Ejemplo 3.20 Se pretende estimar la media de una poblacion
Normal de varianza 170 64 y se quiere tener una
confianza del 95 % de que el error absoluto de estimacion sea menor de 00 05. Determnese el tama
no
de la muestra.
Para = 00 05 es Z1 2 = 10 96. Por tanto, para
= 00 05 se tiene que
n=

(10 96)2 170 64


= 27106.
(00 05)2

8.2. Determinaci
on del tama
no muestral para estimar la
media, desconocida la varianza
De igual forma que en el caso anterior, se obtiene que un intervalo
de confianza a nivel 1 para la media de una poblacion es
#
"
r
r
Sc2
Sc2
X + tn1,1 2
= 1 ,
P X tn1,1 2
n
n
o equivalentemente
"

P |X | tn1,1 2

Sc2
n

#
= 1 .

Razonando de igual forma que en el apartado anterior, el tama


no muestral necesario para obtener un error de estimacion menor que una cantidad prefijada, , debe ser
t2n1,1 Sc2
2

72 Captulo 3. Estimacion por intervalos de confianza


8.3.

Determinaci
on del tama
no muestral para la proporci
on

En las secciones anteriores se estudio que el intervalo de confianza


para la proporcion de una poblacion viene dada por
"
#
r
r
p(1 p)
p(1 p)
P p Z1 2
p p + Z1 2
= 1 ,
n
n
o equivalentemente
"

P |
p p| Z1 2

#
p(1 p)
= 1 .
n

Siguiendo el razonamiento de los apartados anteriores se obtiene que


el tama
no necesario para cometer un error menor que una cantidad
prefijada, , debe ser mayor que
2
Z1
(1 p)
p
2

Ejemplo 3.21 Con el fin de organizar su produccion, una determinada fabrica emprende una investigaci
on para conocer la proporcion de consumidores que adquieren su producto. Se quiere que el error de estimacion maximo sea del 3 % con una confianza del
95 %, as que se trata de averiguar cual debe ser el
tama
no de la muestra para que se cumplan estos
objetivos.
Se puede observar que nada se sabe acerca de p.
En esta ocasion y puesto que m
ax p(1 p) = 14 , se
tendra que
1 2
Z
4 1
2
2

n.

Como = 00 03 y = 00 05, se tiene que Z 2 = 10 96.


As,
(10 96)2
= 10670 11 n.
(00 03)2
Por tanto, el tama
no de la muestra ha de ser como
mnimo de 1068 consumidores.
00 25

3.9 Tablas de Intervalos de Confianza 73


9.

Tablas de Intervalos de Confianza

Distribucion Par
ametro

Normal
N (, 2 )

Desconocida
n 30

Bernoulli
B(p)

Normal
N (, 2 )

Casos

Intervalo

conocida

x
Z1 2
n
n < 30

Sc x
Sc
x
tn1,1 2
Z1 2
n
n

conocida

x
Z1 2
n

desconocida

Sc
x
Z1 2
qn
pq
p Z1 2
n
p = x
q = 1 x

2
2
nS
nS
,
2 n,1 2 n,
2
2
n
X
(xi )2

Muestras
grandes

conocida
2

desconocida

Poisson

n 30

desconocida

Muestras

S2 =

i=1

n
!
(n
(n 1)Sc2
,
2 n1,1 2 n1,
2
2
q
x

x
Z1 2 n
1)Sc2

P()
grandes
Tabla 3.1: Intervalos de confianza para una poblacion

74 Captulo 3. Estimacion por intervalos de confianza

Distribucion Parametro

Casos

Intervalo

1 , 2

(
x1 x
2 ) Z1 2

conocidas

Normales
Indep.
N (1 , 12 )

1 2

N (2 , 22 )

Normales
Depen.

1 2

desconocidas

N (2 , 22 )

desconocida

N (2 , 22 )

12
22

con m = n1 + n2 2

1 , 2
desconocidas

Sp2 =

n < 30

n 30
S
S
d tn1,1 2 cd d Z1 2 cd
n
n

Sc21 /Sc22

Sc21 /Sc22

n1 (1 x
1 )

B(p1 )
B(p2 )

p1 p2

Fn1 1,n2 1,1 2 , Fn1 1,n2 1, 2

n1 x
1 , n2 x
2
Bernoulli

1
1
n1 + n2

(n1 1)Sc21 + (n2 1)Sc22


n1 + n2 2
r
S2
S2
x
1 x
2 ta,1 2 nc11 + nc22
2
2
1 6= 2
Sc1 /n1 + Sc22 /n2
2 2
2 2
desconocidas a = 2
Sc1 /n1
Sc2 /n2
+
n1 + 1
n2 + 1
d
d d = x
d Z1 2
1 x
2
n
conocida
d

N (1 , 12 )

x
1 x
2 tm,1 2 Sp

1 = 2

N (1 , 12 )
Normales

12 22
n1 + n2

q
(
p1 p2 ) Z

1
2

n2 (1 x
2 )

p1 = x1

n1 p1 , n2 p2

q1 = 1 x1

p1 q1 p2 q2
n1 + n2
p2 = x2

q2 = 1 x2

n1 q1 , n2 q2 5
Tabla 3.2: Intervalos de confianza para dos poblaciones

3.10 Ejercicios 75
10.

Ejercicios

10.1. Ejercicios resueltos


3.1 Se han generado aleatoriamente 20 datos extrados de una
poblacion N (0, 4), obteniendose que X = 00 052783 y Sc2 = 30 17325.
Obtener un intervalo de confianza a un nivel de confianza 1 para el
caso en que = 1 y en el caso en que no se conozca su valor. De igual
forma, calc
ulense los intervalos de confianza para en el caso de que
= 0 y en el caso de que se desconozca su valor.
Soluci
on: Los resultados obtenidos vienen reflejados en la tabla 3.3.
X = 00 052783

Amplitud del

Sc2 = 30 17325

intervalo

=1

I1 () = [00 437, 00 331]

= 00 768

desconocida

I1 () = [00 407, 00 317]

= 00 724

=0

I1 ( 2 ) = [20 427, 40 236]

= 10 809

desconocida

I1 ( 2 ) = [20 449, 40 275]

= 10 826

Intervalos ( =

00 05)

Tabla 3.3: Resultados: Distribucion N (, )


Hay que se
nalar que el intervalo encontrado cuando es desconocida es mas peque
no que el encontrado cuando es conocida. Esto se debe
a que cuando es desconocida se toma la cuasivarianza (o varianza),
que en este caso vale Sc2 = 30 17325, que es mas peque
no que el valor de
2 = 4.
3.2 Encuentrense intervalos de confianza para la Exponencial de
parametro por los metodos del pivote, la desigualdad de Tchebychev
y los metodos asintoticos I y II. Comparense los resultados obtenidos
para un nivel de confianza del 95 % cuando
a) la muestra es de tama
no 100 y la media muestral X =
00 560001

76 Captulo 3. Estimacion por intervalos de confianza


b) la muestra es de tama
no 10000 y la media muestral X =
00 502409.
Soluci
on: Los resultados obtenidos vienen reflejados en la tabla 3.4, donde la amplitud del intervalo se denota por .

Metodo

Intervalo de confianza

n = 100

n = 10000

X = 00 56000 X = 00 50241

Pivotal

n
P
i=1

n
P

Xi

i=1

g1,n,1
2

"

I. Asintotico I

1+

(T.C.L.)

Z1
2
n

,
1

Z1
2
n

= 00 081

[00 387, 10 013] [00 481, 00 526]


= 00 626
#

[00 463, 00 69] [00 473, 00 554]


= 00 227

X
, X
1+ 1n 1 1n

de Tchebychev

(M.V.)

1,n,
2

Desigualdad

I. Asintotico II

,g

Xi

= 00 045

[00 468, 00 697] [00 493, 00 512]


= 00 229

= 00 019

[00 45, 00 67] [00 493, 00 512]


Z1
Z1
X 1 n2 , X 1 n2
= 00 22
= 00 019

Tabla 3.4: Resultados: Distribucion Exp() ( = 00 05)


10.2. Ejercicios propuestos
3.1. Un fabricante dise
na un experimento para estimar la tension de ruptura media de una fibra. Para ello, observa las tensiones de
ruptura, en libras, de 16 hilos de dicha fibra seleccionados aleatoriamente. Las tensiones son 200 8, 200 6, 210 0, 200 9, 190 9, 200 2, 190 8, 190 6, 200 9,
210 1, 200 4, 200 6, 190 7, 190 6, 200 3, 200 7.
Si la tension de ruptura se distribuye seg
un una Normal de desviacion tpica = 00 45 libras, constr
uyase un intervalo al 98 % para el

3.10 Ejercicios 77
valor real de la tension de ruptura promedio de la fibra.
3.2. El ayuntamiento de una determinada ciudad esta interesado en estimar la cantidad promedio de dinero que gastan los turistas
durante su estancia en la ciudad. Una encuesta llevada a cabo entre una
muestra aleatoria de turistas obtuvo los siguientes datos expresados en
euros: 150, 175, 163, 148, 142, 189, 135, 174, 168, 152, 158, 184, 134, 146,
155, 163. Suponiendo que la cantidad gastada al da es una variable aleatoria Normal, obtenganse los intervalos de confianza para el promedio
de dinero que gastan los turistas al da, estimados al 90, 95 y 98 %.
3.3. A partir de una muestra de 26 embotelladoras de agua, se
observa que el n
umero medio de botellas llenas es de 710 2 por minuto y
que su varianza es de 130 4. Suponiendo Normalidad, calcule un intervalo
de confianza del 95 % para el n
umero medio de botellas rellenas.
3.4. Se esta realizando un estudio para determinar el grado de
precision de las medidas efectuadas por un aparato. Para ello, se realizan
10 medidas, observandose que presentan una desviacion tpica de 00 23
unidades. Suponiendo Normalidad, obtengase un intervalo de confianza
al 99 % para la desviacion tpica de las medidas llevadas a cabo por el
aparato.
3.5. Dos universidades siguen metodos distintos a la hora de
matricular a sus alumnos. Para comparar el tiempo que los alumnos
tardan en completar los tramites de matrcula se selecciono al azar una
muestra de 100 alumnos de cada universidad, obteniendose los siguientes
resultados, expresados en minutos,
x1 = 500 2;

x2 = 520 9;

S1 = 40 8;

S2 = 50 4.

Supuesto que ambas muestras son independientes y procedentes de poblaciones Normales, obtenganse los intervalos al 90, 95 y 99 % para la
diferencia de las medias del tiempo de matrcula.

78 Captulo 3. Estimacion por intervalos de confianza


3.6. Un agricultor siembra dos tipos de tomates hbridos en
cinco parcelas diferentes. Las producciones, en quintales metricos por
hectareas son las siguientes:

Hbrido I
Hbrido II

1
90
84

2
85
87

3
95
90

4
76
92

5
80
90

Si se supone que las poblaciones son Normales:


a) Construya un intervalo de confianza del 90 % para la
diferencia entre las producciones medias.
b) Construya un intervalo de confianza del 90 % para el
cociente de las varianzas.
3.7. Para estudiar la diferencia de estaturas medias, medidas
en centmetros, de estudiantes varones en las facultades de ciencias de
Cadiz y Malaga, se toma una muestra aleatoria de 15 estudiantes en
cada facultad, obteniendose:
Cadiz
Malaga

182
174
181
171

170
174
173
173

175
170
177
177

167
176
170
182

171
168
170
179

174
178
175
165

181
180
169
174

169
169

Obtenga el intervalo de confianza al 99 % para la diferencia de estaturas medias entre ambos colectivos de estudiantes. Se supone que las
estaturas siguen una distribucion Normal y que las varianzas poblacionales son iguales.
3.8. Se esta realizando un estudio sobre la evoluci
on del nivel
de colesterol de las personas, para lo cual se seleccionan 10 individuos al
azar y se les somete a una nueva dieta alimenticia durante seis meses, tras
la cual se les volvio a medir el nivel de colesterol en mg/dl. Suponiendo
Normalidad, obtenga un intervalo de confianza al 90 % para la diferencia
de medias.

3.10 Ejercicios 79
Antes
Despues

200
190

156
145

178
160

241
240

240
240

256
255

245
230

220
200

235
210

200
195

3.9. Una fabrica produce barras de hierro cuya longitud sigue


una distribucion Normal. A partir de la muestra
1000 9, 1010 2, 1000 2, 1000 4, 990 8, 1000 1, 1010 5, 1000 4, 1010 7, 990 5.
a) Encuentre un intervalo de confianza para la longitud
media.
b) Tras revisar la maquinaria, se obtuvo una nueva muestra:
990 7, 1000 7, 970 8, 980 8, 1010 4, 1000 3, 980 7, 1010 1, 990 4, 990 5.
Estudie si se produjo alg
un cambio en la longitud media de la barras.
3.10. Partiendo de una m.a.s. de tama
no n, construya un intervalo de confianza utilizando la desigualdad de Tchebychev con un nivel
1 para el parametro de las siguientes ditribuciones:
a) B().
b) U (0, ).
c) N (0, ).
3.11. En un comercio se recibe un lote de 200 artculos de los
cuales 8 estan defectuosos. Obtenganse intervalos de confianza al 90, 95
y 99 % para la proporcion de artculos defectuosos.
3.12. En una poblacion de 10000 ni
nos se desea hacer una campa
na de vacunacion. Se quiere saber cuantas vacunas deben preverse,
con un 95 % de confianza, si de una m.a.s. de 90 encuestados 30 estaban
vacunados.
3.13. A partir de una muestra de tama
no 100, cuya media fue
0
obtenga un intervalo de confianza del 92 5 % para el parametro de
una distribucion B(1, p).
00 37,

80 Captulo 3. Estimacion por intervalos de confianza


3.14. A partir de una muestra de 150 enfermos escogidos entre los
admitidos en un hospital durante un periodo de tres a
nos, se observo que
129 tenan alg
un tipo de seguro hospitalario. En un segundo hospital, se
tomo otra muestra de 160 individuos, extrada de forma similar, de los
cuales 144 tenan alg
un tipo de seguro. Encuentre los intervalos al 90,
95 y 99 % de confianza para la diferencia de proporciones.
3.15. Con el proposito de estudiar la cantidad de nicotina de una
determinada marca de cigarrillos se toma una muestra de 100 de ellos,
encontrandose una media de 26 mg. Se sabe que la cantidad de nicotina
se distribuye normalmente, y que su desviacion tpica es de 8 mg.
a) Obtenga un intervalo de confianza para el contenido medio en nicotina al 99 %.
b) Estudie cual debe ser el tama
no de la muestra para que
la amplitud del intervalo disminuya en 2 mg.
3.16. Determine el tama
no muestral necesario para estimar la
media de una poblacion Normal con varianza igual a 12 y un 90 % de
confianza, de manera que el error en la estimacion no sea mayor de 00 01.

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 4
Contraste de hip
otesis
1.

Conceptos b
asicos

Este captulo esta dedicado al estudio de los contrastes de hipotesis, sin lugar a dudas, la tecnica mas utilizada para tratar problemas de
Inferencia Estadstica. En primer lugar, con el objetivo de conseguir una
primera aproximacion a la metodologa empleada en los contrastes de
hipotesis, se propone un ejemplo, en el que de forma natural e intuitiva se
van a usar tecnicas de resolucion de dichos problemas que posteriormente
se justificaran desde un punto de vista teorico.
Este captulo trata los contrastes parametricos de una y dos muestras, dejando para el tema siguiente los contrastes no parametricos.
Ejemplo 4.1

El diametro de un individuo adulto de una especie


de Estrella de Mar en una region surmediterranea
esta representado por una variable X con distribucion N (, 10 3). Por estudios realizados en otras
zonas sobre animales de la misma especie se ha
estimado un diametro medio de 74 cm. Interesa
estudiar si nuestra variable tiene el mismo comportamiento; es decir, si el diametro 74 es valido
para la region surmediterranea. Estadsticamente
tendramos que elegir entre:

82 Captulo 4. Contraste de hipotesis


H0 : = 70 4 y H1 : 6= 70 4.
H0 se dice Hipotesis Nula, mientras que H1 es la
Hipotesis Alternativa.
Para decidir entre una u otra se selecciona una
muestra de 100 individuos y se analiza si la informacion que esta ofrece es compatible con H0 o
no.
Puesto que el parametro bajo estudio es la media
poblacional, , es logico utilizar en el proceso inferencial su estimador ideal, esto es, la media muestral, X. A partir de dicho estimador se establece
un criterio de decision: a groso modo, si la diferencia entre X y 70 4 es grande habra que rechazar H0 ,
actuando en sentido contrario si la diferencia es peque
na. Debido a que la media muestral en poblacio
nes Normales tiene una distribucion N (, / n),
la variable
D =

X 70 4

10 3/ 100

sigue una distribucion N(0,1), cuando H0 es cierta.


A partir de esta variable aleatoria se debe precisar
tambien lo que se entiende por diferencias grandes,
as como, acotar la probabilidad de cometer errores
cuando se realice la toma de decisiones. Todo ello,
se ira analizando a lo largo del presente captulo.
A continuacion, se define lo que se entiende por hipotesis estadstica y contraste de hipotesis, observando que en la literatura se pueden
encontrar sinonimos de este u
ltimo termino tales como prueba estadstica, test de hip
otesis o d
ocima.
1.1.

Las Hip
otesis
Una hip
otesis estadstica es una afirmacion o conjetura sobre la

4.1 Conceptos basicos 83


distribucion de una o mas variables aleatorias, o bien, sobre alguna caracterstica de las mismas.
La hipotesis que se desea contrastar se denomina Hip
otesis Nula,
mientras que la que se acepta cuando la evidencia muestral esta claramente en contra de esta se denomina Hip
otesis Alternativa.
Si se quisiera contrastar la hipotesis de que un cierto parametro
de una poblacion toma un valor dentro de una region 0 siendo el
campo de variacion de dicho parametro, la Hipotesis Alternativa debe
contemplar que el parametro tome valores en una region 1 .
Cuando los subconjuntos 0 y 1 se componen de un u
nico elemento las hipotesis correspondientes se denominan simples y, en caso
contrario, hipotesis compuestas.
Se define contraste de hip
otesis como un procedimiento inferencial
consistente en rechazar o no, una hipotesis de tipo estadstico sobre una
poblacion, teniendo en cuenta la Hipotesis Alternativa y la evidencia experimental proporcionada por una muestra particular obtenida de dicha
poblacion.
En otras palabras, un contraste de hipotesis supone una particion
del espacio muestral en dos regiones, region de aceptacion y region crtica
o de rechazo, de forma que si la muestra considerada se encuentra dentro
de la region crtica se rechaza la Hipotesis Nula, mientras que en el
caso contrario no se rechaza dicha hipotesis al no existir evidencias para
rechazarlas.
Debe tenerse en cuenta que el no rechazo de la Hipotesis Nula no
supone ninguna garanta de la certeza de esta, sino la falta de evidencia
en contra de su veracidad. Se podra asimilar la Hipotesis Nula a una
persona que esta siendo juzgada seg
un el principio de presuncion de
inocencia, de forma que solo se rechaza su inocencia, es decir, la Hipotesis
Nula, en caso de encontrar pruebas suficientes en contra.
A la vista de la definicion, se podra decir que un contraste es una

84 Captulo 4. Contraste de hipotesis


regla de decision, pero dado que a la hora de adoptar dicha decision y, como se vera en el desarrollo del captulo, no se estara a la misma distancia
de ambas hipotesis, sino que se dara mucho mayor credito a la Hipotesis
Nula, se trata mas bien de una regla de decisionconfirmaci
on. Por ello,
teniendo en cuenta el desequilibrio entre las hipotesis, solo se debera
contrastar aquello sobre lo que se tuviera una justificada sospecha de su
certeza.
1.2.

Clasificaci
on de los contrastes

Dependiendo del grado de conocimiento de la distribucion de la


poblacion bajo estudio, se distingue entre contrastes parametricos y no
parametricos. En el caso de que dicha distribucion sea conocida salvo
parametros, los tipos de contrastes que se realizan son del tipo parametrico, siendo su objetivo intentar obtener informacion sobre los parametros
desconocidos de la distribucion de la poblacion bajo estudio. En el caso
de que dicha distribucion sea desconocida, los contrastes son de tipo no
parametrico, siendo su objetivo intentar determinar alguna caracterstica de la poblacion o de la muestra bajo estudio.
Puesto que los contrastes parametricos utilizan mas informacion
que los no parametricos, ofrecen mejores resultados. Por ello, siempre
que sea posible se debe recurrir a los primeros.
1.2.1. Tipos de contraste sobre par
ametros
En primer lugar, se distingue entre contrastes con Hipotesis Nula
y Alternativa simples y aquellos que tienen alguna de estas hipotesis
compuestas. En segundo lugar, dentro de estos u
ltimos, dependiendo de
la estructura de sus hipotesis, se distingue entre los siguientes tipos de
contrastes:

1. Contrastes bilaterales: en ellos se propone un valor puntual para


el parametro bajo estudio, de forma que se rechazar
a bien porque
la evidencia muestral lleve a decidir que el valor es mayor que el

4.2 Los errores de un contraste 85


propuesto o bien que es menor. Formalmente:

H0 : = 0
H1 : 6= 0

2. Contrastes unilaterales: en ellos se propone que el valor del parametro se encuentre bien por debajo o bien por encima de un cierto
valor. Las dos situaciones se plantearan de la siguiente forma:

H0 : 0
H0 : 0
H1 : > 0
H1 : < 0

Se puede observar que en todos los casos el signo igual esta incluido en
la Hipotesis Nula, el motivo de ello se encuentra en el enfoque que se va
a utilizar para realizar el contraste.
2.

Los errores de un contraste

A continuacion y relacionado con la cuestion anterior, se detallan


las consecuencias derivadas de la decision que se adopte sobre el rechazo
o no de la Hipotesis Nula. Antes de ello, vease el siguiente ejemplo:
Ejemplo 4.2

Imagnese que se quiere contrastar la hipotesis de


que un parametro de una poblacion toma exactamente el valor 5, sobre lo cual se tienen fundadas
sospechas. Para ello, se dispone de una m.a.s. de
tama
no 100 extrada de dicha poblacion, de forma
que la regla de decision va a ser: si en la muestra
hay al menos 50 valores en el intervalo [40 75, 50 25]
se admite la Hipotesis Nula y si no es as se rechaza,
concluyendo que el valor del parametro es distinto
de 5.

Tal como esta planteado el contraste del ejemplo no viola ninguna


de las exigencias requeridas. Sin embargo, presenta ciertas carencias, la
principal de ellas es que no se puede dar ninguna medida que garantice
la bondad de la decision adoptada.

86 Captulo 4. Contraste de hipotesis


2.1.

Actuaciones asociadas a un contraste de hip


otesis

El cuadro siguiente refleja las repercusiones que se derivan de la


decision que se adopte en la realizacion de un contraste:

Estado Real
de la cuesti
on

H0 cierta
H0 falsa

Decisi
on estadstica
No rechazar H0 Rechazar H0
Correcta
Error tipo I
Error tipo II
Correcta

Trasladando a terminos probabilsticos los resultados de las actuaciones se tiene:


P [Rechazar H0 /H0 cierta]

= , se denomina nivel de significaci


on
del contraste.
P [No rechazar H0 /H0 cierta] = 1 , denominado nivel de confianza.
P [Rechazar H0 /H0 falsa]
= 1 , sera la potencia del contraste.
P [No rechazar H0 /H0 falsa] = , sera el riesgo del contraste.

Puesto que en la practica no se sabra si la decision adoptada es


correcta o no, habra que elegir contrastes que minimicen las probabilidades de error de tipo I y II. Sin embargo, esto no es posible ya que dichas
probabilidades son, en cierto sentido, complementarias, ya que cuando
disminuye una aumenta la otra. Por ello, el criterio que se utiliza es el
de fijar el nivel de significacion, eligiendo de entre todos los test posibles
con ese nivel de significacion aquel que haga mnimo el riesgo o, lo que
es lo mismo, maxima la potencia.
En general, la potencia del test dependera de la realidad de la
situacion, que sera desconocida, por lo que lo ideal sera utilizar, si es
que existe, el test denominado uniformemente m
as potente, es decir,
aquel que se comporta mejor que el resto en cualquier situacion.
Por u
ltimo, la reduccion simultanea de los dos errores, una vez
seleccionado el contraste a utilizar, solo sera factible si se dispone de
una mayor informacion, es decir, si se aumenta el tama
no de la muestra.
Ejemplo 4.3

Sea X una variable con distribucion Exponencial

4.2 Los errores de un contraste 87


de parametro . Se desea contrastar

H0 : = 1
H1 : = 2
Para realizar el contraste se toma como region de
aceptacion para una muestra de tama
no 1 el intervalo [0, T ). Los errores y vienen dados por:
= P [Rechazar H0 /H0 cierta]
= P [X T / = 1]
R +
= T ex dx = eT
y por tanto T = log , mientras que
=
=
=
=

P [No rechazar H0 /H0 falsa]


P [0 X T / = 2]
R log 2x
2e dx
0
1 e2 log

con lo que la relacion entre las probabilidades queda = 1 2 , lo que significa que cuando uno
crece el otro decrece y viceversa.
Ejemplo 4.4

Sea X una variable aleatoria que se distribuye


seg
un N (, 1). Se desea realizar el contraste

H0 : = 0
H1 : = 3
La regla de decision que se va a utilizar es la siguiente: si una muestra de tama
no 1 pertenece
al intervalo (, 20 575) no se rechaza H0 , en caso
contrario se rechaza. Se procede a calcular el nivel
de significacion y la potencia del test.
= P [Rechazar H0 /H0 cierta]
= P [X 20 575/ = 0]
= P [Z 20 575] = 00 005
mientras que

88 Captulo 4. Contraste de hipotesis


1 = 1 P [No rechazar H0 /H0 falsa]
= 1 P [X < 20 575/ = 3]
= 1 P [Z < 00 425] = 00 6646.
Ejemplo 4.5

Si en el ejemplo anterior se elige como region de


aceptacion (3, 20 69), entonces
= P [(X 3) (X 20 69)/ = 0]
= P [Z 3] + P [Z 20 69]
= 00 0014 + 00 0036 = 00 005.
Es decir, el mismo nivel de significacion que en el
caso anterior, mientras que
1 = 1 P [3 < X < 20 69/ = 3]
= 1 P [6 < Z < 00 31] = 00 6217.
Por tanto, si se ha de decidir entre los dos contrastes propuestos, puesto que el nivel de significacion
es el mismo, se elegira el primero al ser mas potente.

3.

El enfoque de NeymanPearson

El enfoque de NeymanPearson proporciona un procedimiento para la obtencion de los test mas potentes en el caso de que las hipotesis
consideradas (Nula y Alternativa) sean simples. Sin embargo, desgraciadamente los resultados que se obtienen no siempre son optimos, debido
a la complejidad de aplicacion del metodo.
3.1.

Lema de NeymanPearson para hip


otesis simples

Sea X una m.a.s. extrada de una poblacion cuya distribucion


depende de un parametro desconocido, . Para realizar el contraste

H0 : = 0
H1 : = 1
se considera la funcion de verosimilitud de la muestra, L(X, ), en cada
uno de los valores del parametro que proporciona cada hipotesis, es decir,
L(X, 0 ), en la Nula y L(X, 1 ) en la Alternativa. El lema de Neyman

4.3 El enfoque de NeymanPearson 89


Pearson dice que la region

L(X, 0 )
C = X |
K
L(X, 1 )
tal que
P [X C/H0 ] =
es de maxima potencia para el contraste anterior, a un nivel de significacion .
Para determinar la constante K y con ella la region crtica, se
puede considerar el estadstico T (X, 0 , 1 ), de manera que la region
crtica C vendra dada por
C = {X | T (X, 0 , 1 ) K1 } .
As pues, conociendo o la potencia del test, se tiene que

L(X, 0 )
= P [X C/H0 ] = P
K / H0
L(X, 1 )
= P [T (X, 0 , 1 ) K1 / H0 ].
La determinacion de la constante puede hacerse en cualquier momento
de la cadena de igualdades, aunque la determinacion de la distribucion
del estadstico T, como ya se comento al principio, puede ser complicada.
Ejemplo 4.6

Se considera una m.a.s. de tama


no n extrada de
una distribucion N (, 1) y se desea realizar el contraste

H0 : = 0
H1 : = 1
Para ello se obtiene el cociente de verosimilitudes
L(x1 ,x2 ,,xn ,0)
L(x1 ,x2 ,,xn ,1)

=
1
2

x2
1
1 e 2
2
(x1 1)2
2
e

1 e

x2
n
2

1 e

(xn 1)2
2

2
2

Pn
2
i=1 xi
2
P
Pn
2
n
i=1 xi 2 i=1 xi +n
2

=
e

= e

Pn

i=1

xi + n
2

90 Captulo 4. Contraste de hipotesis


de forma que C estara formada por los puntos que
verifiquen
Pn

i=1

xi + n
2

K,

tomando logaritmos
n
X
n

xi +
2

log K,

i=1

luego
n
X

xi

i=1

log K
1
+ = K1 .
n
2

Es decir, la region crtica es del tipo X K1 .


4.
Metodologa de Fisher para la realizaci
on de un
contraste param
etrico
El enfoque de NeymanPearson se basa en el conocimiento de
la distribucion del estadstico T (X, 0 , 1 ), pero no siempre se puede
conocer dicha distribucion. Para esos casos donde no es posible aplicar
NeymanPearson, se plantea una metodologa alternativa propuesta por
Fisher que parte del conocimiento de la estructura de probabilidad de
la poblacion bajo estudio y consta de los siguientes pasos:
1. Definir la Hipotesis Nula a contrastar sobre el parametro objeto
de estudio, que puede concretarse en H0 : = 0 , lo que determinara la Hipotesis Alternativa, H1 : 6= 0 .

2. Dar una medida, d( (X), 0 ), de la discrepancia entre la evidencia

muestral, X, representada por el estimador de , (X) y H0 , de


tal forma que d tenga una distribucion conocida cuando H0 sea
cierta.

3. Tomar una muestra, obtener la estimacion del parametro, (x), y

calcular d0 = d( (x), 0 ).

4.4 Metodologa de Fisher... 91


4. Si d0 es muy grande, es decir, si P [d d0 ] es muy peque
na, menor
que , se rechaza H0 , mientras que si P [d d0 ] > , no se rechaza
H0 .
La expresion concreta de d depende del criterio o, como dice Fisher, de la imaginacion del investigador. As, el propio Fisher propone
como medidas:

1. d = 0

2. d = | 0 |

3. d = ( 0 )2

4. d =

r0
2

5. d =

( 0 )2
2

militud.

21 , si el estimador utilizado es de maxima verosi-

Al igual que en el enfoque anterior, el nivel de significacion es el


que determina la region de aceptacion y la de rechazo, para lo que se
calcula el valor dc , tal que
P [d > dc /H0 ] =
de forma que si d0 > dc se rechaza la Hipotesis Nula, no rechaz
andose
en caso contrario.
A la probabilidad
p = P [d > d0 /H0 ]
se le llama nivel crtico o p-valor (p-value) del contraste. Cuando p
no se rechaza H0 mientras que cuando p < se rechaza, ademas, el
nivel crtico proporciona una informacion adicional de las garantas con

92 Captulo 4. Contraste de hipotesis


las que se rechaza o no la Hipotesis Nula. As, si p est
a proximo a hay
que ser mas prudente en la decision que se adopte, pudiendo recurrirse,
si fuera posible, a conseguir mas informacion tomando mas elementos
muestrales o una nueva muestra. En cambio si p es mucho mas peque
no
o mucho mas grande que , la decision adoptada estara mas respaldada.
Ejemplo 4.7

Se considera una poblacion N (, 1) de la que se


extrae una m.a.s. de tama
no 16 para realizar el
contraste

H0 : = 1
H1 : 6= 1
de forma que x = 10 5. Se supone = 00 05.
Como medida de la discrepancia se toma:

d(X) =
/ n
es decir, se estiman las diferencias en valor absoluX

to. Para calcular el punto crtico, puesto que /


n
sigue una distribucion N (0, 1), se tiene que;
P [d > dc ] = P [dc < Z < dc ] = 00 05.
Buscando en las tablas resulta que dc = 10 96. Por
otra parte, se tiene que
0

1 51

=2
d0 = 1/
16
por lo que se esta dentro de la region crtica. Es
decir, hay que admitir que la media de la poblacion
es distinta de uno, para un nivel de significacion de
00 05.
El nivel crtico del test es igual a
P [|Z| > 2] = 2P [Z > 2] = 00 046.
Por tanto, hay que mostrar ciertas reservas en la
decision tomada ya que 00 046 est
a muy proximo a
0
0 05.

4.5 Contraste de la razon de verosimilitudes 93


Ejemplo 4.8

Con los mismos datos del ejemplo anterior, se supone que la desviacion tpica de la poblacion es
desconocida y que Sn = 10 2, deseandose realizar el
contraste

H0 : 1
H1 : > 1.
Ahora preocupa el comportamiento en los valores
del parametro a la derecha de uno, donde debe concentrarse la region crtica. Como medida de la discrepancia se toma
d(X) =

.
Sn / n1

Al ser d tn1 , el punto crtico viene dado por


P [d > dc /H0 ] = P [t15 > dc /H0 ] = 00 05,
buscando en las tablas se encuentra que
dc = 10 7531.
Puesto que
d0 =

10 5 1
= 10 94
10 2/ 15

debe rechazarse H0 y concluir que la media de la


poblacion es mayor que uno para un nivel de significacion de 00 05.
El nivel crtico viene dado por
P [t15 > 10 94] = 00 036.
5.

Contraste de la raz
on de verosimilitudes

En el apartado anterior, se hablo de una metodologa basada en


una medida de la discrepancia definida en terminos de la diferencia entre
el valor asignado al parametro en la Hipotesis Nula y el que se obtiene
a partir de un estimador del mismo. En esta ocasion, se propone un
metodo alternativo donde la medida de la discrepancia se basa en la

94 Captulo 4. Contraste de hipotesis


comparacion del maximo de la funcion de verosimilitud evaluada en la
Hipotesis Nula y el maximo absoluto de la misma. Dicha metodologa
se llama metodo de raz
on de verosimilitudes.
Dada una poblacion representada por la variable X cuya distribucion depende de un parametro , se desea contrastar

H0 : 0
H1 : 1
con = 0 1 .
Para realizar el contraste se toma una m.a.s., X, y se calcula
max L(X, )

(X) =

max L(X, )

Se puede comprobar que


1. 0 1

2. Si existe el estimador maximoverosmil, , entonces


max L(X, )

(X) =

L(X, )
Una vez calculado (X) el desarrollo del test es muy intuitivo; as, se
busca un n
umero k (0, 1), tal que si (X) k se rechaza H0 . La
desigualdad (X) k determina una region C en el espacio muestral,
tal que si x C se rechaza H0 , no rechazandose en caso contrario. Para
calcular el valor de k, fijado un nivel de significacion , se procede como
sigue
P [X C/ 0 ] = P [(X) k/ 0 ] .
Solo se tiene garantizado que el valor de k queda unvocamente determinado cuando la Hipotesis Nula es simple.
Como consecuencias intuitivas del contraste, se tiene que:

4.5 Contraste de la razon de verosimilitudes 95


1. Si se verifica que (x) = 1 > k entonces no hay evidencias para
rechazar H0 .
2. El no rechazar H0 depende, en primer lugar, de lo proximo que se
encuentre 0 del estimador maximoverosmil, caso de existir, y
en segundo lugar, de la curvatura de la funcion de verosimilitud,
de forma que cuando dicha curvatura es muy peque
na resulta mas
difcil rechazar H0 , haciendose menor la capacidad de discriminacion de (X).

En el caso de Hipotesis Nula simple frente a Alternativa simple,


el contraste de la razon de verosimilitudes coincide con el de Neyman
Pearson. Ademas, si existe un estadstico suficiente para el parametro, el
contraste de la razon de verosimilitudes es funcion de dicho estadstico.
Ejemplo 4.9

Sea una poblacion N (, 1). Se quiere realizar el


contraste

H0 : = 1
H1 : 6= 1
a traves del metodo de razon de verosimilitudes.
Para ello se toma una muestra de tama
no n y se
fija el nivel de significacion .
Puesto que el maximo del parametro para la funcion de verosimilitud se alcanza en el estimador

maximoverosmil, M V = X, y la Hipotesis Nula


solo contiene el valor = 1 del parametro, la razon
de verosimilitudes viene dada por

n
Pn
(X 1)2
1
i=1 2 i

e
Pn
(X) = 2n
(X X)2
1
i=1 2 i

e
2
por lo que operando se tiene que
(X) = e

n(1X)2
2

La region crtica del contraste viene dada por

96 Captulo 4. Contraste de hipotesis


e

n(1X)2
2

donde el valor de k se obtiene imponiendo que


P [(X) k/H0 ] =
es decir, tomando logaritmos
n2 (1 X)2 log k
2
(1 X)2 q
n log k
2
|1 X|
n log k = K.
Puesto que bajo H0 se verifica que X N (1, 1n ),
se tiene que fijando = 00 05,
00 05 = P [(X) k/H0 ] = P [|1 X| K/H0 ]
= P [X 1 K/H0 ]+P [X 1 + K/H0 ]

= P [Z nK]+P [Z nK]
y por la simetra de la Normal

P [Z nK ] = 00 025

P [Z nK ] = 00 025

de donde nK = 10 96, suponiendo que n = 100,


K = 00 196, quedando la region crtica como:
Rc = {X | |X 1| 00 196}
o lo que es lo mismo, la region de aceptacion sera
Ra : 00 804 < X < 10 196.
6.

Contrastes en poblaciones Normales

El procedimiento que se sigue para realizar los contrastes es el de


aplicar si es factible el Lema de NeymanPearson. En los casos que ello
no sea posible, se aplica el Contraste de la Razon de Verosimilitudes
y si tampoco esto fuera posible, se aplica la Metodologa de Fisher. No
obstante, en poblaciones Normales los contrastes coinciden en la mayora
de los casos, sea cual sea el metodo que se utilice.

4.7 Contrastes para la proporcion 97


6.1.

Contrastes sobre una poblaci


on

Sea una m.a.s, X, extrada de una poblacion N (, ). La tabla 4.3


proporciona las regiones crticas en funcion de las distintas situaciones
que se pueden presentar.
6.2.

Contrastes sobre dos poblaciones

En primer lugar, habra que distinguir si las muestras son extradas


de poblaciones Normales independientes o por el contrario, se trata de
muestras apareadas.
Supongase X1 , X2 , , Xn1 y Y1 , Y2 , , Yn2 dos m.a.s. extradas
de dos poblaciones independientes, N (1 , 1 ) y N (2 , 2 ), respectivamente. La tabla 4.4 proporciona las regiones crticas en funcion de las
distintas situaciones que se pueden presentar.
Cuando las dos m.a.s., X1 , X2 , , Xn e Y1 , Y2 , , Yn , extradas
de dos poblaciones N (1 , 1 ) y N (2 , 2 ), respectivamente, son apareadas, se considera la muestra de las diferencias y se aplican los contrastes
para una poblacion.
7.

Contrastes para la proporci


on

Para tama
nos muestrales grandes se puede aplicar una variante
del Teorema de LinderbergLevy, que garantiza la convergencia de la
Binomial a la Normal, obteniendose los contrastes para la proporcion o
para la diferencia de proporciones.
7.1.

Contrastes sobre una poblaci


on

Tomando como estimador del parametro p de la Binomial la proporcion muestral p, basado en una muestra de tama
no n, se obtienen los
contrastes de la tabla 4.1.

98 Captulo 4. Contraste de hipotesis


7.2.

Contrastes sobre dos poblaciones

Tomando como estimadores de los parametros p1 y p2 de dos poblaciones Binomiales las respectivas proporciones muestrales, p1 y p2 ,
basados en muestras de tama
nos n1 y n2 , se obtienen los contrastes de
la tabla 4.2.

4.8 Tablas de contrastes de hipotesis 99


8.

Tablas de contrastes de hip


otesis

Hipotesis

Region Crtica

H0 :
H1 :

p = p0
p 6= p0

H0 :
H1 :

p = p0
p < p0

p p0 Z

H0 :
H1 :

p = p0
p > p0

p p0 Z1

q
|
p p0 | Z

1
2

p(1
p)
n

p(1
p)
n

p(1
p)
n

Tabla 4.1: Contrastes sobre la proporcion

Hipotesis

Regi
on Crtica

H0 :
H1 :

p1 = p2
p1 6= p2

|
p1 p2 | Z1 2

H0 :
H1 :

p1 = p2
p1 < p2

p1 p2 Z1 2

H0 :
H1 :

p1 = p2
p1 > p2

p1 p2 Z1 2

p1 (1
p1 )
n1

p2 (1
p2 )
n2

p1 (1
p1 )
n1

p2 (1
p2 )
n2

p1 (1
p1 )
n1

p2 (1
p2 )
n2

Tabla 4.2: Contrastes sobre dos proporciones

100 Captulo 4. Contraste de hipotesis

Hipotesis

H0
H1

H0
H1

H0
H1

H0
H1

H0
H1

H0
H1
(
(
(

(
(
(

Estadstico

Region crtica

Contrastes sobre con conocida


:
:

= 0
6= 0

:
:

= 0
< 0

Z Z1

:
:

= 0
> 0

Z Z1

0 n
Z=x

N (0, 1)

|Z| Z1 2

Contrastes sobre con desconocida


:
:

= 0
6= 0

:
:

= 0
< 0

t tn1,1

:
:

= 0
> 0

t tn1,1

0 n
t= x
Sc

tn1

|t| tn1,1 2

Contrastes sobre 2 con conocida


H0 :
H1 :

2 = 02
2 6= 02

H0 :
H1 :

2 = 02
2 < 02

H0 :
H1 :

2 = 02
2 > 02

2 2 n,

2
nS
02

2n

n,1
2

2 2 n,
S2 =

Pn

2
i=1 (xi )

2 2 n,1

Contrastes sobre 2 con desconocida


H0 :
H1 :

2 = 02
2 6= 02

H0 :
H1 :

2 = 02
2 < 02

H0 :
H1 :

2 = 02
2 > 02

2 2 n1,
2

nS 2
02

2n1

n1,1
2

2 2 n1,
2 2 n1,1

Tabla 4.3: Contrastes sobre una poblacion Normal

4.8 Tablas de contrastes de hipotesis 101

Hipotesis

H0
H1

H0
H1

H0
H1

Estadstico

Region crtica

Diferencias de medias con varianzas conocidas


:
:

1 2 = 0
x
y
1 2 6= 0 Z = r 2 02

:
:

1 2 = 0
1 2 < 0

:
:

1 2 = 0
1 2 > 0

+ n2
n1
2

N (0, 1)

|Z| Z1 2
Z Z1
Z Z1

Diferencias de medias con varianzas desconocidas e iguales

H0 : 1 2 = 0
x
y0
H1 : 1 2 6= 0 t = r 2
|t| tn1 +n2 2,1 2

2
n1 S1 +n2 S2

1
1
+
n1 +n2 2
n1
n2
H0 : 1 2 = 0
H1 : 1 2 < 0
t tn1 +n2 2,1

H0 : 1 2 = 0
H1 : 1 2 > 0
t tn1 +n2 2
t tn1 +n2 2,1
Diferencias de medias con varianzas desconocidas y distintas

H0 : 1 2 = 0
Y 0
X
H1 : 1 2 6= 0 t = r
|t| t,1 2
t
2
S2
Sc
1 + c2

n1
n2
H0 : 1 2 = 0
!2
2
Sc
S2
H1 : 1 2 < 0
t t,1
1 + c2
n1
n2

H0 : 1 2 = 0 = Sc21 2 1 Sc22 2 1 2
+ n
n1
n1 +1
n2 +1
H1 : 1 2 > 0
t t,1
2
(
(
(

Igualdad de varianzas con medias desconocidas


H0 :
H1 :

12 = 22
12 6= 22

H0 :
H1 :

12
12

H0 :
H1 :

12 = 22
12 > 22

=
<

22
22

F=

Sc21
Sc22

Fn1 1,n2 1

F Fn1 1,n2 1, 2 U
F Fn1 1,n2 1,1 2
F Fn1 1,n2 1,
F Fn1 1,n2 1,1

Tabla 4.4: Contrastes sobre dos poblaciones Normales independientes

102 Captulo 4. Contraste de hipotesis


9.

Ejercicios propuestos

4.1. El due
no de una fabrica sostiene que su producto tiene una
vida media de 10 a
nos. Para comprobar tal afirmacion se toma una
muestra de 120 productos comprobandose que su vida media haba sido
de 90 6 a
nos y su desviacion tpica de 10 2 a
nos.
a) Que se puede decir de la afirmacion del fabricante, supuesto que sus productos siguen una distribucion Normal, con un nivel
de confianza del 95 %?
b) Como se vera afectada la conclusion anterior si la desviacion tpica hubiese sido de 10 5?
4.2. Se sabe que el promedio de las calificaciones de los estudiantes en la asignatura de Estadstica en los u
ltimos dos a
nos ha sido
de 50 6. Tras tomar una m.a.s. de 30 estudiantes del presente curso, se
obtuvo un promedio de 60 4 y una desviacion tpica de 10 25. Suponiendo
que se distribuyen normalmente, se puede afirmar que los alumnos de
este a
no obtuvieron calificaciones por encima de lo habitual?
4.3. Sea X una variable aleatoria distribuida seg
un una N (, 3).
A partir de la muestra 6, 7, 8, 3, 5, 6, 7, 8, 9, 1, 7, 6, 3, 8, 9, 7, contraste, con
un nivel de significacion de 00 05, la hipotesis de que la media real sea 5.
4.4. Durante 100 a
nos la desviacion tpica de las temperaturas
anuales maximas de una ciudad ha sido de 16o F. Pero en los u
ltimos 12
a
nos se estuvo tomando la temperatura maxima los das uno de cada
mes y dio una desviacion tpica de 10o F. Supuesto que la temperatura
se distribuya normalmente, se puede afirmar con un 95 % de fiabilidad
que la variabilidad de las temperaturas ha disminuido?
4.5. El fabricante de un determinado aparato de medida garantiza que este tiene una desviacion tpica de 00 25 unidades. Transcurrido
un periodo de 9 meses, una muestra de 20 medidas proporciono una
desviacion tpica de 00 32 unidades. Puede afirmarse con un nivel de
significacion del 5 % que el aparato de medida esta estropeado? Y con
un 1 % de significacion?

4.9 Ejercicios propuestos 103


4.6. Para averiguar si difieren los niveles de una determinada
sustancia qumica en dos grupos de personas, se toman muestras con los
siguientes resultados:
Muestra

Vitaminas 31 80 5 50 5
Normal
25 40 8 50 1
Suponiendo normalidad, contraste tal hipotesis a un nivel de significacion de 00 05.
4.7. Se pretende estudiar si existe diferencia, en lo que a eficacia
se refiere, entre el paracetamol y un nuevo producto, Y , en el alivio
de determinados sntomas. Para ello, se selecciono dos grupos de 10
y 16 personas y se midio el tiempo medio que tardaban los enfermos
en sentirse bien. Los resultados indicaron que mientras el primer grupo
tardaba 150 8 minutos de media con una desviacion tpica de 70 8 minutos,
el segundo lo haca en 130 2 minutos de media y desviacion tpica de 60 6
minutos. Si se supone normalidad en ambos casos, realice el contraste
adecuado para un nivel de significacion de 00 05.
4.8. De dos poblaciones Normales se extraen dos muestras aleatorias X e Y , de tama
no 121 y 41 y cuasivarianzas muestrales 700 2 y
760 8, respectivamente. Realice un contraste para averiguar si existen evidencias para pensar que las dos muestras procedan de poblaciones con
varianza diferente, a un nivel de significacion del 10 %.
4.9. Se sabe que ciertas piezas de una maquina tienen una vida
media de 1940 horas. Al variar uno de sus componentes se observa que
una muestra de 100 piezas ha dado una duracion media de 2000 horas
y una desviacion tpica de 150 horas. Se puede afirmar a un nivel de
significacion del 10 % que el componente modificado ha supuesto un
cambio significativo en la duracion media de las piezas?
4.10. En una encuesta realizada a 200 habitantes de una poblacion A, 95 personas afirmaban que preferan la playa a la monta
na para

104 Captulo 4. Contraste de hipotesis


pasar la vacaciones. La misma encuesta realizada a 150 habitantes de
otra poblacion B, dio como resultado que 100 personas preferan ir a la
playa. Puede pensarse que los habitantes de la poblacion B son mas aficionados a la playa que los de la poblacion A? Contr
astese dicha hipotesis
al 99 %.
4.11. Con el proposito de saber si debe poner neumaticos diferentes en los trenes delanteros (D) y traseros (T) de sus vehculos, un
fabricante ha medido el desgaste producido en 20 de ellos despues de
15000 Kms, obteniendo los siguientes resultados:
D 230 4 210 7 18 230 2 160 8 190 1 180 7 190 8 25 210 5
T 220 8 240 9 18 220 7 220 3 180 3 220 1 230 9 170 4 19
a) Suponiendo normalidad, confirman los datos, con un
nivel de significacion de 00 05, la hipotesis de que el desgaste medio en el
tren delantero es de 21 unidades?
b) Se puede afirmar que los neumaticos sufren el mismo
desgaste en los dos trenes?
4.12. El n
umero de defectos congenitos de una poblacion se distribuye seg
un una Poisson de parametro . Se pretende realizar el contraste

H0 : = 00 3
H1 : = 00 2
para lo que se toma una muestra aleatoria de 100 individuos de la poblacion. Los resultados obtenidos fueron los siguientes:
Defectuosos
Frecuencias

0
84

1
9

2
3

3
2

4
1

5
1

A la vista de tales resultados, que conclusion puede obtenerse con un


nivel de significacion del 00 025?
4.13. Se sabe que el porcentaje de curacion espont
anea de una determinada enfermedad es del 30 %. Para asegurar la eficacia de un nuevo

4.9 Ejercicios propuestos 105


tratamiento se selecciona aleatoriamente una muestra de 100 enfermos
y se les somete a tal tratamiento, obteniendose que el porcentaje de personas curadas fue del 45 %. Se puede afirmar la eficacia del mencionado
tratamiento con una confianza del 95 %?
4.14. En un estudio realizado sobre las tendencias de los fumadores se selecciono de manera aleatoria una muestra de 400 hombres de los
cuales 190 eran fumadores y otra muestra aleatoria de 800 mujeres, de
las que fumaban 300. Se puede afirmar que la proporcion de fumadores
es la misma en hombres que en mujeres con una confianza del 90 %?
4.15. A partir de una m.a.s. de tama
no 36 extrada de una poblacion Normal con desviacion tpica 5 se desea realizar el siguiente
contraste:

H0 : = 14
H1 : = 17
Aplicando la regla de decision,

si x 15 no se rechaza H0
si x > 15 se rechaza H0
a) Calcule el nivel de significacion, .
b) Obtenga la probabilidad de cometer un error del tipo II.
c) Calcule la potencia del contraste.
4.16. Una determinada empresa le propone al director de una
fabrica un nuevo metodo que, supuestamente, reduce el tiempo empleado
en el montaje de uno de sus productos. Con el proposito de comparar
tal metodo con el empleado habitualmente, selecciono aleatoriamente a
siete de sus empleados para que llevasen a cabo el montaje con los dos
sistemas y anoto los tiempos empleados en el montaje, obteniendo los
siguientes resultados:
1 2 3 4 5 6 7
Trabajador
Metodo habitual 38 32 41 35 42 32 45
Metodo nuevo
30 32 34 37 35 26 38

106 Captulo 4. Contraste de hipotesis


Supuesto que el tiempo de montaje sigue una distribucion Normal,
se puede afirmar que efectivamente el nuevo metodo reduce el tiempo
en mas de dos minutos?

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 5
Contrastes no param
etricos

1.

Introducci
on

En este captulo, bajo el ttulo com


un de contrastes no parametricos, se abordan una serie de tecnicas inferenciales bien diferenciadas
que permiten resolver problemas de diversa ndole. En primer lugar, se
tratan los tests que garantizan la calidad de la informacion muestral. En
segundo lugar, se estudia si la poblacion se adapta a alguna estructura
de probabilidad conocida, con especial atencion al caso de la Normal. La
situacion de no normalidad obligara a la aplicacion de los contrastes no
parametricos sobre valores de parametros o sobre medidas de posicion,
centralizacion, etc.
En el captulo anterior, se coment
o que lo ideal es utilizar contrastes parametricos siempre que sea posible, puesto que si se conoce la
distribucion de probabilidad, se consiguen mejores resultados incorporando esta informacion en la construccion del test. En el caso de que
no se disponga de dicha informacion, se recurre a metodos alternativos
basados exclusivamente en la informacion que proporciona la muestra,
como el analisis de signos, el analisis de rangos, la funcion de distribucion
emprica, etc.
El no cumplimiento de alguna de las hipotesis a la hora de realizar

108 Captulo 5. Contrastes no parametricos


un contraste parametrico tiene incidencias diversas. Por ejemplo, si falla
el supuesto de normalidad al realizar un contraste sobre la media, pero la
muestra es grande, el Teorema Central del Lmite garantiza que la media
muestral es asintoticamente Normal y por tanto podra aplicarse el contraste parametrico. Sin embargo, en un contraste de igualdad de medias
donde las varianzas de las poblaciones sean distintas y haya problemas
de normalidad, es conveniente recurrir a la alternativa no parametrica;
con mas motivo si los tama
nos muestrales son muy distintos.
El concepto que subyace en el parrafo anterior se conoce en la
terminologa estadstica como Robustez. Formalmente, un procedimiento se dice robusto si es aproximadamente valido cuando se producen
desviaciones respecto a los supuestos que se exigen en su aplicacion.
En general los contrastes parametricos para poblaciones Normales son
robustos frente a desviaciones de normalidad y no tanto frente a desviaciones de homocedasticidad (igualdad de varianzas); en todo caso,
es deseable trabajar con problemas equilibrados, esto es, con tama
nos
muestrales parecidos.
Como se ha venido comentando, la muestra es la materia prima
que hace posible la realizacion del estudio inferencial. De su calidad dependera la bondad de los resultados que se puedan ofrecer, de forma que
una muestra con sesgos, falta de representatividad, dependencia entre
sus valores, presencia de valores anomalos, etc., condicionara las conclusiones de la investigacion, hasta el punto de distorsionar totalmente la
realidad del universo que se pretende estudiar. En definitiva, el proceso
inferencial es muy sensible a los desajustes provocados por la utilizacion
de una muestra contaminada.
De los posibles problemas que puede presentar una muestra, algunos son soslayables, mientras que otros obligan a prescindir de ella
y a realizar un nuevo dise
no y una posterior extraccion de las unidades
muestrales. Entre los primeros se encuentra la presencia en la muestra de
valores an
omalos, extra
nos o en la terminologa anglosajona outliers,
mientras que entre los segundos, el mas usual es el de la falta de aleatoriedad de los datos.

5.2 Analisis de la calidad de la muestra 109


De esta forma, los test no parametricos ademas de permitir estudiar una poblacion cuando se desconoce la distribucion de la misma,
tiene otra utilidad como es la de comprobar que las hipotesis exigidas
para llevar a cabo un contraste parametrico realmente son satisfechas.
2.

An
alisis de la calidad de la muestra

2.1.

Test de rachas

El test de rachas es un contraste de aleatoriedad basado exclusivamente en el analisis de los signos. A modo de introduccion, se supone
la siguiente situacion:
Ejemplo 5.1

En dos colas de un multicines se encuentra la siguiente ordenacion de hombres (H) y mujeres (M):
Cola 1 : H H H H H H M M M M M M
Cola 2 : H M H M H M H M H M H M
La pregunta que se hace es, llegaron cada una de
las personas de forma independiente a la cola, o
vinieron en grupos?
La respuesta para un observador avispado parece
obvia, en el primer caso da la impresion de que
se trata de dos grupos, uno de cada sexo, mientras
que en el segundo todo parece indicar que aparecen
varias parejas.

En situaciones no tan extremas cabe preguntarse si se da o no


la independencia y para contestar a esta cuestion se utiliza el test de
rachas.
En primer lugar, se supone una muestra dada en el orden de extraccion. Notese que el orden de extraccion es fundamental, puesto que
los problemas de aleatoriedad se derivan del hecho de muestrear individuos que son vecinos en alg
un sentido: fsico, temporal, etc. Se denomina
racha a una sucesion de uno o mas elementos de un mismo tipo, llamese
A, que esta seguida y precedida por un elemento de otro tipo, llamese

110 Captulo 5. Contrastes no parametricos


B. Se cuenta el n
umero de rachas, Rexp , y, a continuaci
on, el n
umero de
elementos de cada tipo: n1 los de tipo A y n2 los de tipo B.
La region crtica del test viene dada por
Rc : {Rexp Rn1 ,n2 , 2 } {Rexp Rn1 ,n2 ,1 2 }
donde los valores crticos Rn1 ,n2 , 2 y Rn1 ,n2 ,1 2 vienen dados en la tabla A.21. Notese que este test rechaza la hipotesis de independencia
cuando el n
umero de rachas es peque
no o cuando este es muy grande
(aparicion de ciclicidad).
Ejemplo 5.2

En el ejemplo anterior aparecen dos rachas en la


Cola 1 y doce rachas en la Cola 2. Para un nivel de
significacion del 5 %, la tabla A.21 proporciona los
valores crticos del test tanto en el caso de la Cola
1 como la Cola 2, siendo estos 3 y 11. Por tanto,
se rechaza la hipotesis de aleatoriedad en ambos
casos.

Cuando, como ocurre en la mayora de los casos, los datos son


numericos, la forma de determinar los elementos de ambos tipos es calcular la mediana y asignar smbolos distintos en funcion de que el dato
en cuestion, en su orden inicial, este por encima o por debajo de dicha
mediana, eliminandose los valores que coincidan con esta.
Ejemplo 5.3

Supongase la muestra
100 0 110 0 100 8 100 3 90 6 90 8 90 3
110 2 100 7 100 5 100 4 90 9 12 10.
La mediana vale 100 35, al asignar a los valores
que se encuentran por debajo de la mediana y + a
los que estan por encima, resulta

+
+

0
0
0
0
0
10 1 11 10 8 10 3 9 6 9 8 90 3
+
+
+
+
+

110 2 100 7 100 5 100 4 90 9 12 100 1


de donde n1 = 7, n2 = 7 y Rexp = 7. Seg
un la ta-

5.2 Analisis de la calidad de la muestra 111


bla A.21, R7,7,00 025 = 3 y R7,7,00 975 = 12, por lo que
no se puede rechazar la hipotesis de aleatoriedad de
la muestra para el nivel dado.
2.2.

Contraste de autocorrelaci
on

Cuando los datos vienen dados en una secuencia temporal es posible que se produzca alg
un tipo de relacion, de forma que los anteriores
influyan sobre los posteriores; este concepto se conoce como autocorrelaci
on. La autocorrelacion puede tener diferentes grados de diferimiento,
distinguiendose entre el de una etapa, de dos etapas, etc. En el de una
etapa, cada medicion influye sobre la inmediatamente siguiente, el de
dos etapas sobre la que se encuentra situada dos posiciones despues de
ella, y as sucesivamente.
Para estudiar este problema se parte de la realizacion muestral
x1 , x2 , , xn , y se considera la distribucion bidimensional
(x1 , x2 ), (x2 , x3 ), , (xn1 , xn ),
estimandose su correlacion por
n
X
(xi x)(xi1 x
)

r1 =

i=2
n
X

.
(xi x
)2

i=1

En general para estudiar la autocorrelacion de orden k se considera


la distribucion
(x1 , xk+1 ), (x2 , xk+2 ), , (xnk , xn ),
estimandose su correlacion por
n
X

rk =

(xi x
)(xik x
)

i=k+1
n
X
(xi x
)2
i=1

112 Captulo 5. Contrastes no parametricos


La hipotesis a contrastar en el caso general es

H0 : Se da la independencia lineal de orden k


H1 : Existe una correlacion de orden k
Cuando la Hipotesis Nula es cierta, se sabe que

rk N (0, 1/ n), k,
viniendo dada la region crtica por
Z1
|rk | 2 .
n
Para contrastar, de forma global, la existencia de autocorrelacion
en los m primeros ordenes, Ljung y Box dieron un test, cuyo estadstico
de contraste viene dado por
Qexp = n(n + 2)

m
X
k=1

rk2
,
nk

que bajo la hipotesis de inexistencia de autocorrelacion se distribuye


seg
un una 2m1 , viniendo dada, en este caso, la region crtica por
Qexp 2m1, .
Ejemplo 5.4

El PIB (billones de ptas.) de un cierto pas en los


u
ltimos a
nos ha sido
A
no 75 76 77 78 79 80 81 82 83 84
P IB 13 14 18 21 22 19 20 23 27 30
Haciendo los calculos oportunos los dos primeros
coeficientes de autocorrelacion resultan r1 = 00 89
y r2 = 00 53, mientras que el valor
crtico para un
nivel = 00 05 es igual a 10 96/ 10 = 00 62, por
lo que se rechaza, para el nivel fijado, la hipotesis
de independencia lineal de primer orden, pero se
admite la de segundo.

5.2 Analisis de la calidad de la muestra 113


En cuanto a la independencia global de los dos primeros ordenes, se tiene que
0 2

0 89
00 532
Qexp = 10 12
9 + 8
= 140 77,
estando situado el valor crtico para un = 00 05
en 21,00 95 = 30 841, con lo que se rechaza, para ese
nivel, la hipotesis de incorrelacion global.
2.3.

Test de valores atpicos

En la hipotesis de normalidad se puede estudiar la presencia de


valores atpicos en una muestra X atendiendo al tama
no n de la misma.
Para muestras peque
nas en las que se sospecha la presencia de un valor
atpico, se recurre a la desviacion maxima estudentizada,

Xi X
,

dm = max
i
Sc
cuyos valores crticos mas importantes se dan en la siguiente tabla
n
= 00 05
= 00 01

5
171
176

6
189
197

7
202
214

8
213
228

9
221
238

10
229
248

12
241
263

15
255
281

20
271
300

Se considera que existe un valor atpico o heterogeneo respecto a los


demas cuando dm > dn, . Teniendo en cuenta la expresion del estadstico
dm , se observa que este valor coincide con el maximo (o mnimo) de la
muestra.
Para estudiar la presencia simult
anea de varios valores atpicos en
muestras de mayor tama
no, se recurre al coeficiente de apuntamiento,
viniendo este dado por
n
X

g2 =

(Xi X)4

i=1

nSc4

114 Captulo 5. Contrastes no parametricos


Los valores crticos para algunos valores de n se dan a continuaci
on,
n
= 00 05
= 00 01

5
29
31

10
39
48

15
41
51

20
41
52

25
40
50

50
399
488

75
387
459

100
377
439

200
357
398

500
337
36

Se admite la presencia de valores atpicos cuando el apuntamiento de la


distribucion sea significativamente mayor que el de la Normal. La region
crtica vendra dada por
Rc : g2 gn; .
Cuando n es muy grande, se recurre a
g 3
p2
N (0, 1).
24/n
Ejemplo 5.5

Para comprobar si en la muestra,


2, 3, 5, 1, 7, 2, 12, 4, 6, 8, 20, 4, 5, 7, 1
existen valores atpicos, se calcula su coeficiente de
apuntamiento, resultando que g2 = 40 45. Para el
valor de = 00 05 y dado el tama
no de la muestra,
n = 15, el valor crtico es igual a 40 1, con lo que se
admite la presencia de valores atpicos.

3.

An
alisis de la estructura de la poblaci
on

En esta seccion se engloban a aquellos test que justifican el ajuste


de los datos a modelos teoricos o a distribuciones conocidas, lo que
permitira la utilizacion de metodos parametricos en la contrastaci
on de
parametros. Se dedicara especial atencion al caso de la Normal, para la
que se ofrecen test especficos.
3.1.

Test de bondad de ajuste de la Chicuadrado

Este test, que puede denominarse de amplio espectro por la multitud de situaciones a las que se puede aplicar, esta indicado cuando los

5.3 Analisis de la estructura de la poblacion 115


valores muestrales puedan clasificarse en clases, lo que ocurre directamente en el caso de variables discretas, o bien para variables continuas,
previa agrupacion de los valores en intervalos.
Supongase un atributo o una variable que toma valores que pueden
englobarse en las clases C1 , C2 , , Ck , de forma que para una muestra
de tama
no n las frecuencias observadas en cada clase vienen dadas por
k
X
n1 , n2 , , nk , con
ni = n. Se desea contrastar la hipotesis de que las
i=1

clases Ai ocurran con probabilidad pi0 , es decir

H0 : i pi = pi0
H1 : i pi 6= pi0
Para cada valor observado, ni , se calcula su correspondiente valor
esperado como Ei = npi . El estadstico de contraste o experimental viene
dado por
k
X
(ni Ei )2
2
,
exp =
Ei
i=1

quedando la region crtica como


Rc : 2exp 2kp1,1 ,
donde p es el n
umero de parametros que se han de estimar para el calculo
de las probabilidades.
El test tiene varias restricciones, a saber:

1. mn Ei 3. Cuando esto no se verifica es necesario agrupar clases


i

para conseguir que se cumpla la restriccion.


2. Cuando k 4 se debe aplicar al estadstico la correccion de Yates
2exp

k
X
(|ni Ei | 00 5)2
i=1

Ei

116 Captulo 5. Contrastes no parametricos


En los ejemplos que siguen se pueden apreciar los distintos campos
de aplicacion de este contraste.

1. Para ajustar una distribucion Uniforme discreta.


Ejemplo 5.6 Para contrastar que un dado es honrado lo
lanzamos 60 veces, obteniendo los siguientes
resultados
xi 1 2 3 4 5 6
ni 7 12 10 11 8 12
La hipotesis a contrastar es que pi = 1/6, i,
con lo que se tiene que Ei = 60(1/6) = 10, i,
resultando el estadstico experimental
2
2
(710)2
+ (1210)
+ (1010)
+
10
10
10
(1110)2
(810)2
(1210)2
+ 10 + 10 = 20 2.
10
nivel = 00 05, puesto que no se ha

2exp =

Para un
estimado ning
un parametro, el valor crtico
para el test es igual a 25,00 95 = 110 07, por lo
que, para dicho nivel de significacion, no se
rechaza que el dado es honrado.
2. Para ajustar una distribucion de Poisson.
Ejemplo 5.7 Durante la Segunda guerra mundial los alemanes bombardearon en diversas ocasiones
Londres. Al objeto de analizar si los bombardeos eran indiscriminados o se hacan con
intencion, se procedio a dividir la ciudad en
cuadrculas y a contar el n
umero de impactos en cada una de ellas. Los resultados se
recogen en la siguiente tabla
0
1 2 3 4 5
Impactos
N
umero cuadrculas 229 211 93 35 7 1
Las hipotesis podran ser expresadas, en terminos probabilsticos, de la siguiente manera

H0 : X P ()
H1 : X 6 P ()

5.3 Analisis de la estructura de la poblacion 117


puesto que si las bombas caen indiscriminadamente, lo hacen de forma independiente en
un soporte continuo. Lo que indica que la variable que mide el n
umero de impactos por
cuadrculas debe ser Poisson.
Para estimar el parametro se utiliza su estimador optimo x = 00 929, con lo que las
probabilidades quedan
p0 = P [X = 0] =
p1 = P [X = 1] =

0 929 0
0 9290

e0

p2 = P [X = 2] = n
p3 = P [X = 3] =
p4 = P [X = 4] =

0!

= 00 395

1!

= 00 367

0
e0 929 00 9291

0
e0 929 00 9292

2!

0
e0 929 00 9293

3!

0
e0 929 00 9294

4!
P
4

= 00 1705

= 00 0528
= 00 0123

00 929 0

0 929
p5 = P [X 5] = 1 i=0 e
i!
= 00 0024
Aunque no se han observado mas de cinco
impactos en una cuadrcula, la distribucion
de Poisson puede, teoricamente, tomar valores hasta el infinito. Para conseguir que los
valores observados y los esperados sumen
P5 lo
mismo, es decir, sean comparables, i=0 pi
debe ser igual a 1, con lo que
5
5
5
5
X
X
X
X
Ei =
npi = n
pi = n =
ni .
i=0

i=0

i=0

i=0

As pues, en vez de tomar P [X = 5], se toma


P [X 5].
Los valores esperados quedan
xi
0
1
2 3 4 5
Ei 2270 5 211 98 30 7 10 5
Al no darse la restriccion de que el mnimo
de los Ei sea mayor o igual a tres, se debe
proceder a la agrupacion, as

118 Captulo 5. Contrastes no parametricos


xi
0
1
2 3 4
ni 229 211 93 35 8
Ei 2270 5 211 98 30 80 5
Tomando = 00 05, el estadstico experimental vale 2exp = 10 127, mientras que el valor
crtico, teniendo en cuenta que se ha estimado el parametro , vale
2511,00 95 = 23,00 95 = 70 815,
por lo que, para el nivel fijado, no se rechaza la Hipotesis Nula, concluyendo as que los
bombardeos alemanes sobre Londres eran indiscriminados.
3. Para ajustar una distribucion Normal.
Ejemplo 5.8 Se desea contrastar que los datos siguientes
proceden de una distribucion Normal.
Li1 Li ni
(0, 1]
1
(1, 2]
3
7
(2, 3]
(3, 4]
12
6
(4, 5]
(5, 6]
2
(6, 7]
1
En primer lugar se calculan los estimadores
de y de , al objeto de obtener las probabilidades teoricas. Tomando marcas de clase,
se obtiene que x = 30 41 y Sc = 10 28, con lo
que
p1 = P [
< X < 1]
h
i
0

41
= P < Z < 13
= Fz (10 88)
10 28

p2
p3

=
=
=
=
=

00 0301
P [1 X < 2]
Fz (10 10) Fz (10 88) = 00 1056
P [2 X < 3]
Fz (00 32) Fz (10 10) = 00 2388

5.3 Analisis de la estructura de la poblacion 119


p4 =
=
p5 =
=
p6 =
=
p7 =
=
En cuanto

P [3 X < 4]
Fz (00 46) Fz (00 32) = 00 3027
P [4 X < 5]
Fz (10 24) Fz (00 46) = 00 2153
P [5 X < 6]
Fz (20 02) Fz (10 24) = 00 0858
P [6 X < ]
1 Fz (20 02) = 00 0217
a las Ei
Li1 Li Ei
(, 1] 00 96
30 38
(1, 2]
(2, 3]
70 64
90 69
(3, 4]
(4, 5]
60 89
(5, 6]
20 75
(6, ]
00 69
Reagrupando las clases, la situacion queda
Li1 Li ni Ei
(, 2]
4 40 34
(2, 3]
7 70 64
(3, 4]
12 90 69
(4, 5]
6 60 89
3 30 44
(5, )
Realizando los calculos, el estadstico experimental vale 2exp = 00 8022, mientras que con
los dos parametros estimados el valor crtico,
para = 00 05, vale 2521,00 95 = 50 991, con
lo que, para el nivel fijado, no se rechaza la
hipotesis de que los datos proceden de una
N (30 41, 10 28).

3.2.

Test de bondad de ajuste de KolmogorovSmirnov

Cuando los datos proceden de una variable continua y vienen dados de forma puntual, el contraste de bondad de ajuste mas adecuado

120 Captulo 5. Contrastes no parametricos


es el de KolmogorovSmirnov, aunque tambien es posible aplicarlo a variables ordinales. Genericamente, imagnese que se desea contrastar la
hipotesis H0 : F (x) = F0 (x). Dada una muestra X1 , . . . , Xn , se define la
funci
on de distribuci
on emprica para una muestra concreta como

0r x < x(1)
x(r) x < x(r+1)
Fn (x) =

n
1 x x(n) ,
Lo que se hace es calibrar las diferencias entre la funcion de distribucion
emprica y la propuesta en H0 a traves de la expresion
Dexp = max |Fn (x) F0 (x)|,
calculando dicho maximo sobre los valores de la muestra.
Cuando la variable sea continua, para el calculo de la maxima
diferencia entre la distribucion emprica y la teorica hay que situarse en
la peor de las circunstancias posibles, a saber
Dexp (xk ) = max {|Fn (xk1 ) F0 (xk )|, |Fn (xk ) F0 (xk )|}.
Teniendo en cuenta la expresion de la funcion de distribucion emprica,
Dexp puede expresarse como

Dexp = max Dn+ , Dn ,


siendo

i
F0 (xi )
Dn+ = max 0, max
i
n

i1

Dn = max 0, max F0 (xi )


.
i
n

Los graficos que siguen ilustran las dos posibles situaciones que se pueden
encontrar.
La region crtica del test viene dada por
Rc : Dexp Dn; ,

5.3 Analisis de la estructura de la poblacion 121


donde los valores Dn; vienen dados en la tabla A.27.
Para valores mayores que 100 el valor crtico se calcula como
p
Dn; = log(/2)/2n.
Ejemplo 5.9

Se desea contrastar la hipotesis de que los datos


siguientes, generados aleatoriamente mediante ordenador, procedan de una distribucion Uniforme
en el intervalo [0, 1] con un nivel de significacion
= 00 05.
00 582 00 501 00 497 00 026 00 132 00 561
00 642 00 994 00 948 00 081 00 179 00 619
La funcion de distribucion

0
x
F (x) =

de una U (0, 1) es
si x < 0
si 0 x 1
si x > 1.

La tabla siguiente proporciona los valores de la distribucion emprica, los de la distribucion U (0, 1)
as como las diferencias entre ambos.
x
Fn (x)
00 026 00 083
00 081 00 167
00 132 00 250
00 179 00 333
00 497 00 417
00 501 00 500
00 561 00 583
00 582 00 667
00 619 00 750
00 642 00 833
00 948 00 917
00 994 10 000

F0 (x) Dn (x)
00 026 00 057
00 081 00 086
00 132 00 118
00 179 00 154
00 497 00 164
00 501 00 084
00 561 00 061
00 582 00 085
00 619 00 131
00 642 00 191
00 948 00 115
00 994 00 077

Por tanto, Dexp = max |Fn (x) F0 (x)| = 00 191,


el valor crtico, que viene dado en la tabla A.27,

122 Captulo 5. Contrastes no parametricos


vale D12,00 05 = 00 375, con lo que para ese nivel de
significacion no se rechazara la hipotesis nula.
3.3.

Contrastes de normalidad

En esta seccion se estudian dos test especficos de normalidad,


aunque el segundo de ellos es una adaptacion del test de Kolmogorov
Smirnov. El test de ShapiroWilk se comporta mejor cuando se tienen
muestras peque
nas (n 50), mientras que en otras situaciones se emplea
el test de KolmogorovSmirnovLilliefors.
3.3.1. Test de ShapiroWilk
Supongase que se desea contrastar la hipotesis de normalidad de
una poblacion de la cual se ha extrado la m.a.s. X1 , X2 , , Xn . Para
una realizacion muestral x1 , x2 , , xn , se procede de la siguiente manera:
1. Se ordenan los elementos muestrales de mayor a menor
x(n) , x(n1) , , x(1) .
2. Se calculan las diferencias entre los valores que equidistan del centro, multiplicando cada una de dichas diferencias por los coeficientes correspondientes del test, que vienen tabulados en funcion del
tama
no muestral. La suma de los productos se denota por b,
x(ni+1) x(i) ani+1
x(n) x(1)
an
x(n1) x(2)
an1

x(k+1) x(k)
ak+1

(x(ni+1) x(i) )ani+1


(x(n) x(1) )an
(x(n1) x(2) )an1

(x(k+1) x(k) )ak+1


k
X
b=
ani+1 (x(ni+1) x(i) )
i=1

donde k = n2 , si n es par y k =

n1
2 ,

si n es impar.

5.3 Analisis de la estructura de la poblacion 123


3. El estadstico experimental se define por
Wexp =

b2
,
(n 1)Sc2

debiendo comprobarse que Wexp 1, dandose la igualdad solo en


el caso de que la muestra sea la replica de una Normal.
4. Por u
ltimo, la region crtica del test viene dada por
Rc : Wexp Wn, ,
donde el valor Wn, viene dado en la tabla A.28
Ejemplo 5.10 Se desea contrastar la hipotesis de normalidad de
una poblacion de la cual se ha extrado la siguiente
muestra:
120 3 110 0 100 7 120 4 110 7 130 1
90 9 120 6 110 8 100 2 100 5.
Ordenando y haciendo las operaciones pertinentes
se tiene
x(ni+1) x(i)
130 1 90 9
120 6 100 2
120 4 100 5
120 3 100 7
110 8 110 0

ani+1 (x(ni+1) x(i) )ani+1


00 5601
10 7923
00 3315
00 7956
0
0 2260
00 4294
0
0 1429
00 2286
00 0695
00 0556
b = 30 3015

De donde b2 = 100 8999. Por otra parte,


(n 1)Sc2 = 110 4818,
por lo que
Wexp =

100 8999
110 4818

= 00 9493.

En cuanto al valor crtico W11;00 05 = 00 850, por


lo que para un nivel de significacion de 00 05 no se
puede rechazar la hipotesis de que la muestra ha
sido extrada de una poblacion Normal.

124 Captulo 5. Contrastes no parametricos


3.3.2. Test de KolmogorovSmirnovLilliefors
El test de KolmogorovSmirnovLilliefors (KSL) consiste en la
adaptacion, por parte de Lilliefors, de la tabla de valores crticos del test
de KolmogorovSmirnov al caso de poblaciones Normales (tabla A.26).
A la hora de calcular la maxima de las diferencias entre la distribucion
emprica y la teorica hay que tener presente que se esta tratando con
una variable continua.
Ejemplo 5.11 Aplicando el test de KSL a los datos del ejemplo
anterior
120 3 110 0 100 7 120 4 110 7 130 1
90 9 120 6 110 8 100 2 100 5,
para los que x = 110 47 y Sc = 10 07.
xi
90 9
100 2
100 5
100 7
110 0
110 7
110 8
120 3
120 4
120 6
130 1

Fn (xi )
00 0909
00 1818
00 2727
00 3636
00 4545
00 5454
00 6363
00 7272
00 8181
00 9090
10 0000

F0 (xi ) Dn (xi )
00 0708 00 0708
00 1170 00 0648
00 1814 00 0913
00 2358 00 1278
00 3300 00 1245
00 5851 00 1306
00 6217 00 0763
00 7810 00 1447
00 8078 00 0806
00 8550 00 0540
00 9350 00 0650

De donde Dexp = max Dn (xi ) = 00 1447. Buscando


en la tabla A.26 se encuentra, para = 00 05, que
D11;00 05 = 00 249, por lo que para el nivel elegido
no se rechaza la hipotesis de que la poblacion de la
que se ha extrado la muestra es Normal.
4.

Contrastes de localizaci
on y escala

En general, los contrastes no parametricos sobre parametros de la


poblacion se hacen sobre medidas de posicion y, en particular, sobre la

5.4 Contrastes de localizacion y escala 125


mediana. Estos contrastes se basan en el analisis de la situacion de los
elementos de la muestra respecto a este tipo de medidas. De esta forma,
se estudia si los datos muestrales estan por encima o por debajo de la
mediana, es decir, se analiza el signo de su diferencia con la mediana;
o bien, se estudia la distancia ordenada a la que se encuentra de la
mediana, es decir, se considera el rango o la posicion que ocupa dicho
elemento en la secuencia ordenada de las diferencias.
En el caso de que la estructura de probabilidad de la poblacion sea
simetrica estos test seran aplicables al estudio de la media de la distribucion. Para empezar, se considera un test que solo utiliza la informacion
de los signos, para luego continuar con el estudio de los test de rangos
con signos que ofrecen mejores resultados, tanto en el caso de una muestra, test de Wilcoxon, como en el de dos, test de la U de MannWhitney.
Por u
ltimo, se abordan los contrastes no parametricos sobre medidas de
dispersion, como es la varianza. En concreto, se estudia el test de Siegel
Tukey, que permite contrastar si dos muestras independientes proceden
de poblaciones con el mismo parametro de escala, esto es, si tienen la
misma variabilidad.
4.1.

Test de los signos

Este test puede ser aplicado con la u


nica restriccion de que la
distribucion sea continua. Supongase que se desea realizar el contraste

H0 : Me = Me0
H1 : Me 6= Me0
para lo que se dispone de la informacion que ofrece una realizacion muestral, x1 , x2 , , xn . Se calculan las diferencias xi Me0 , descartando las
nulas. Sea n0 el n
umero de diferencias no descartadas y T el n
umero de
diferencias positivas. Si H0 es cierta entonces
T B(n0 ; 00 5),
puesto que con igual probabilidad se encuentra un valor por encima que
por debajo de la mediana. De forma que, dado un nivel de significacion
y tomando k tal que

P [T k] ,
2

126 Captulo 5. Contrastes no parametricos


llamando Texp al valor que toma T en nuestra muestra, la region de
rechazo del test vendra dada por
Rc : {Texp k} {Texp n0 k}.

En el caso de dos muestras apareadas, X e Y , el test de los signos


permite resolver el contraste H0 : Me (d) = 0, donde d = x y.
Ejemplo 5.12 Se quiere probar que la mediana de una poblacion
vale 5, para lo cual, se extrae una m.a.s. de tama
no
11, resultando
3, 7, 80 5, 40 3, 6, 8, 70 2, 6, 4, 5, 2
asignando signos se tiene
3 7 80 5 40 3 6 8 70 2 6 4 5 2
+ + + + + +

Se observa que Texp = 6, mientras que bajo H0 ,


T B(10; 00 5), por lo que, para un nivel = 00 05,
hay que encontrar k tal que
P [T k] 00 025.
Se obtiene que
P [T 1] = 00 0108
P [T 2] = 00 0547,
de donde
Rc : {Texp 1} {Texp 9}.
Por tanto, no se rechaza que la mediana de la poblacion de la cual se ha extrado la muestra es igual
a 5, para un nivel de significacion de 00 0216.
De forma mas general, el test de los signos permite contrastar el
valor de cualquier cuantil de la distribucion. Efectivamente, si se asigna
el signo a aquellos valores de la muestra que esten por encima del
valor del cuantil propuesto en H0 y el signo + a aquellos que esten por

5.4 Contrastes de localizacion y escala 127


debajo; llamando T al n
umero de signos +, bajo H0
T B(n0 ; p0 ),
siendo n0 el n
umero de elementos que no coinciden con el cuantil y p0 al
porcentaje de elementos que se sit
uan teoricamente por debajo de dicho
cuantil. As, si se habla del percentil 70, p0 = 00 7 y si se trata del primer
cuartil, p0 = 00 25. De forma que no se rechaza H0 si k1 T k2 , donde
P [T k1 ]

y P [T k2 ]

.
2

Ejemplo 5.13 En el ejemplo anterior, si se desea contrastar H0 :


Q3 = 8, se hace la siguiente asignacion de signos a
la muestra:
3 7 80 5 40 3 6 8 70 2 6 4 5 2
+ + + +
+ + + + +
Por tanto Texp = 9. Bajo H0 , T B(10; 00 75),
por lo que si en esta ocasion se toma = 00 12
( 2 = 00 06), se tiene
P [T 4]
P [T 5]
P [T 9]
P [T 10]

=
=
=
=

00 0197
00 0781
00 2377
00 0500,

con lo que
Rc : {Texp 4} {Texp 10}.
Por tanto, no se rechaza que el tercer cuartil de la
poblacion de la cual se ha extrado la muestra es
igual a 8, para un nivel de significacion de
P [T 4] + P [T 10] = 00 0697.
Si las probabilidades que se obtienen utilizando la distribucion
Binomial se alejan mucho de /2, se puede utilizar la aproximaci
on a la
Normal.

128 Captulo 5. Contrastes no parametricos


Ejemplo 5.14 En el u
ltimo ejemplo, todas las probabilidades
estan lejos de 00 06, utilizando la aproximaci
on a
la Normal se tendra que
T N (70 5, 10 37)
de forma que

h
00 06 = P [T k1 ] = P Z

k1 70 5
10 37

y buscando en las tablas


k1 70 5
10 37

= 10 56 k1 = 50 3628,

mientras que

h
00 06 = P [T k2 ] = P Z

k2 70 5
10 37

y buscando en las tablas


k2 70 5
10 37

= 10 56 k2 = 90 6372,

con lo que, aproximando al entero mas proximo, se


tendra que
Rc : {Texp 5} {Texp 10}.
4.2. Test de la T de Wilcoxon para una muestra o dos
muestras apareadas
Cuando la distribucion ademas de continua es simetrica, para contrastar

H0 : Me = Me0
H1 : Me 6= Me0 ,
se recurre al test de la T de Wilcoxon que es mas potente que el de los
signos.
Para aplicarlo, se procede del modo siguiente: para cada elemento
de la muestra se calcula |xi Me0 |, reteniendose aquellas diferencias que
sean distintas de cero, cuyo n
umero se nota con n0 . A continuaci
on, se
0
asignan rangos desde 1 hasta n . Si existieran grupos de diferencias coincidentes en valor absoluto, se asigna a cada elemento la media aritmetica

5.4 Contrastes de localizacion y escala 129


de los rangos que correspondan al grupo.
Una vez asignados los rangos, se suman los correspondientes a
diferencias negativas, por debajo de la mediana, denotados T y los
correspondientes a diferencias positivas, por encima de la mediana, T + .
El estadstico experimental viene dado por
Texp = mn{T , T + }
y la region crtica por
Rc : Texp Tn0 , 2 ,
donde Tn0 , 2 viene dado en la tabla A.31.
El test admite las siguientes variaciones y aplicaciones:
1. En las hipotesis anteriores, tambien se puede realizar el contraste
H0 : = 0 , calculandose las diferencias en valor absoluto respecto
a la media propuesta.
2. Para muestras apareadas, el contraste de mediana se plantea como
Me (z) = 0, donde zi = xi yi , para cada par de valores; para las
medias el test de la T permite contrastar H0 : d = d0 , siendo d
la media de la poblacion diferencia.
3. Para muestras grandes (n 25), la distribucion asint
otica de

+
T (T ), bajo el supuesto de que H0 es cierta, es
!

r
n(n + 1)(2n + 1)
n(n + 1)

,
.
T N
4
24
4. Para un contraste unilateral del tipo H0 : Me Me0 , la region
crtica viene dada por
Rc :

T + Tn0 , .

5. Para un contraste unilateral del tipo H0 : Me Me0 , la region


crtica viene dada por
Rc :

T Tn0 , .

130 Captulo 5. Contrastes no parametricos


Ejemplo 5.15 Se desea contrastar que la mediana de la poblacion
de la cual se ha extrado la siguiente m.a.s. vale 5.
4, 5, 6, 5, 3, 4, 2, 7, 6, 5, 4, 3, 8, 8, 9, 4, 6, 7, 2, 5, 6
Se calculan las diferencias respecto al valor propuesto, se ordenan y se asignan los rangos:
Rangos
Diferencias 0
Rangos+

40 5 40 5 40 5 40 5
1 1 1 1

Rangos
100 5 100 5
Diferencias 1
1 1 1 2 2 2 2
Rangos+ 40 5 40 5 40 5 40 5
100 5 100 5
Rangos 140 5 140 5
Diferencias 3
3 3 3 4
Rangos+
140 5 140 5 17

Resultando que T = 68, mientras que T + = 85,


con lo que Texp = 68. Buscando en las tablas del
test de Wilcoxon, aparece que T17;00 05 = 30, con lo
que para el nivel de significacion fijado se admite
que la mediana de la poblacion vale 5.
4.3. Test de la U de WilcoxonMannWhitney para dos
muestras independientes
Como requisito para la aplicacion de este test no se exige la simetra de las distribuciones aunque s que tengan una forma similar.
Sean X1 , X2 , , Xn1 e Y1 , Y2 , , Yn2 m.a.s. extradas de dos poblaciones X e Y independientes. El test de la U de WilcoxonMannWhitney
permite contrastar:

H0 : Me1 = Me2
H1 : Me1 6= Me2
Para ello se procede como sigue:
1. Se ordena los n1 + n2 elementos de las dos muestras, asignando a
continuacion rangos desde el 1 hasta el n1 + n2 .

5.4 Contrastes de localizacion y escala 131


2. Se suman los rangos correspondientes a la muestra X, R1 y los de
la muestra Y , R2 , calculando a continuaci
on:
U1 = n1 n2 +

n2 (n2 + 1)
n1 (n1 + 1)
R1 ; U2 = n1 n2 +
R2 .
2
2

Se puede comprobar que no se ha cometido error en los calculos


viendo que se verifica que U1 + U2 = n1 n2 .
3. Se calcula el estadstico experimental como
Uexp = mn{U1 , U2 }.
4. La region crtica del test viene dada por
Rc : Uexp Un1 ,n2 , ,
donde Un1 ,n2 , viene dado en la tabla A.32.
El test admite las siguientes variaciones y aplicaciones:
1. En muestras grandes (n1 , n2 9), Mann y Whitney demuestran
que, bajo H0 ,
Uexp n12n2
d
q
N (0, 1).
n1 n2 (n1 +n2 +1)
12

Si existen muchas observaciones repetidas en la muestra conjunta


habra que realizar alguna correccion sobre el estadstico de Mann
Whitney.
2. Para un contraste unilateral del tipo H0 : FX (x) FY (x), la
region crtica viene dada por
Rc : U1 Un1 ,n2 , .
3. Para un contraste unilateral del tipo H0 : FX (x) FY (x), la
region crtica viene dada por
Rc : U2 Un1 ,n2 , .

132 Captulo 5. Contrastes no parametricos


Ejemplo 5.16 Supongase que se quiere contrastar, con un nivel
de significacion = 00 05, que las muestras
X 7 5 8 7 9 3 5 7 9 11 2 10
Y 3 7 8 12 15 6 5 9 11 7
proceden de la misma poblacion.
Se ordenan los valores y se asignan rangos
Rangos X 1 20 5
5 5
10
Orden 2 3
3 5 5 5 6 7
Rangos Y
20 5
5 7

10 10
7 7 7
10

130 5
16 16 18 190 5
Orden 7 8
8 9 9 9 10 11 11 12 15
Rangos Y 10
130 5
16
190 5 21 22

Rangos X

Sumando los rangos se obtiene


R1 = 1260 5 y R2 = 1260 5.
De donde,
U1 = 12 10 +
U2 = 12 10 +

12(13)
2
10(11)
2

1260 5 = 710 5
1260 5 = 480 5.

Verificandose que 710 5 + 480 5 = 120 = 12 10. El


estadstico del contraste vale Uexp = 480 5. Puesto
que los tama
nos muestrales son mayores que 9, se
tiene que
Uexp /H0 N (60, 150 17),
con lo que
P [Uexp K/H0 ] = 00 025,
es decir,

P Z

K60
150 17

= 00 025,

de donde
K 60
150 17

= 10 96.

5.4 Contrastes de localizacion y escala 133


Por tanto K = 890 73, lo que lleva a rechazar la
hipotesis de que las muestras procedan de la misma
poblacion.
4.4.

Contraste de KolmogorovSmirnov para dos muestras

La prueba de KolmogorovSmirnov para dos muestras es una alternativa al test de la U de MannWhitney, plante
andose las hipotesis
en los mismos terminos, es decir, la igualdad de las funciones de distribucion. La filosofa que subyace es equivalente a la del test de bondad de
ajuste, valorando las diferencias entre las distribuciones empricas obtenidas a partir de muestras independientes, de tama
nos n1 y n2 , extradas
de dos poblaciones X e Y , respectivamente.
Para aplicar el test hay que obtener, a partir de los datos muestrales, sendas distribuciones, Fn1 (x) para la muestra X y Gn2 (y) para
la Y . El estadstico experimental viene dado por
Dexp = max{max |Fn1 (xi ) Gn2 (xi )| , max |Fn1 (yj ) Gn2 (yj )|}
calculando dicho maximo sobre los valores de la muestra, siendo la region
crtica
Rc : Dexp Dn1 ,n2 , ,
donde Dn1 ,n2 , viene dado en la tabla A.27.
4.5.

Test de SiegelTukey

Sean X e Y dos m.a.s. de tama


nos n1 y n2 , respectivamente. El
test de SiegelTukey permite contrastar si ambas muestras proceden de
poblaciones con la misma variabilidad o dispersion.
Para ello, se considera la muestra conjunta de ambas, de tama
no
n1 + n2 = n y se ordena de menor a mayor. A continuaci
on, se asignan
los rangos seg
un el siguiente criterio:
1. Se asigna el rango 1 al menor valor, x(1) .

134 Captulo 5. Contrastes no parametricos


2. Al mayor valor y al anterior a el, es decir, x(n) y x(n1) , se les
asignan los rangos 2 y 3 respectivamente.
3. A continuacion se toma el par formado por los valores x(2) y x(3)
y se les asignan los rangos 4 y 5, respectivamente.
4. El proceso se repite tomando el siguiente par de valores x(n3) y
x(n2) .
La siguiente tabla refleja el proceso a seguir:
x(1) x(2) x(3) x(4) x(5) x(n3) x(n2) x(n1) x(n)
1
4
5
8
9
7
6
3
2
Se puede observar que los mayores rangos se encuentran situados en el
centro de la tabla. Cuando n es par, una de las observaciones centrales
quedara sin su rango correspondiente.
El estadstico del contraste viene determinado por los rangos de
la muestra de menor tama
no. As, si se considera nm = mn (n1 , n2 ), el
estadstico viene dado por:
Rm =

nm
X

Ri .

i=1

La distribucion de probabilidad de este estadstico es la misma que la


del estadstico Uexp de Wilcoxon, por lo que se puede recurrir a la tabla
de valores crticos del mismo. As, la region crtica viene dada por
Rc : Rm Un1 ,n2 , ,
donde Un1 ,n2 , viene dado en la tabla A.32. Cuando n > 20, la distribucion asintotica de Rm , al igual que ocurra con Uexp , es
Rm
q

nm (n+1)
2

n1 n2 (n+1)
12

N (0, 1).

5.4 Contrastes de localizacion y escala 135


Muestra Rangos Muestra
Conjunta
Ri
Origen
10 8
1
x
2
4
x
50 1
5
x
100 5
8
y
0
11 9
9
x
150 4
12
x
0
19 5
13
y
230 5
16
y
240 3
17
x
240 9
20
y
28
21
x
30
19
y
300 2
18
x
340 7
15
x
0
40 1
14
x
400 2
11
y
410 3
10
y
0
45 5
7
y
510 1
6
y
0
54 8
3
y
600 8
2
y
Tabla 5.1: Tabla de datos
Ejemplo 5.17 Se quiere contrastar si las dos m.a.s. siguientes
proceden de poblaciones con la misma variabilidad.
x 20 0 10 8 50 1 110 9 150 4 240 3 280 0 300 2 340 7 400 1
y 100 5 230 5 300 0 540 8 190 5 240 9 400 2 410 3 510 1 450 5 600 8

La tabla 5.1 recoge las asignaciones de rangos de


la muestra conjunta.
Como la muestra de menor tama
no es X, se tiene
que nm = mn (n1 , n2 ) = 10 = n1 . Sumando los
rangos pertenecientes a los valores de la muestra
X se obtiene el estadstico

136 Captulo 5. Contrastes no parametricos


P m
Rm = ni=1
Ri = 116
La distribucion asintotica del estadstico es

q
10(21+1)
1011(21+1)
N
,
2
12
Por tanto,
Rm /H0 N (110, 140 2)
con lo que, para un nivel de confianza del 95 %,
P [Rm K2 /H0 ] = 00 025
P [Rm < K1 /H0 ] = 00 025,
es decir,

P Z
P Z<

K2 110
140 2
K1 110
140 2

= 00 025
= 00 025,

de donde
K2 110
140 2

= 10 96

K1 110
140 2

= 10 96.

Por tanto,
K1 = 820 168 y K2 = 1370 832.
Como
K1 = 820 168 < Rm < K2 = 1370 832,
no se puede rechazar la hipotesis de que las muestras procedan de poblaciones con la misma variabilidad.

5.5 Tablas de contrastes no parametricos 137


5.

Tablas de contrastes no param


etricos

Hipotesis
n
H0
H
n 1
H0
nH1
H0
H1

Estadstico

:
:
:
:
:
:

n
H0 :
H1 :

Aleatoriedad
No aleatoriedad
Aleatoriedad
Agrupamiento

Re =n
umero de rachas
Si n1 y n2 grandes se
usa:
Z=

2n1 n2
+1
n1 +n2

2n1 n2 (2n1 n2 n1 n2 )
(n1 +n2 )2 (n1 +n2 1)

Aleatoriead
Fluctuaci
on

Incorrelada
No incorrelada

n
P

rk =

Re Rn1 ,n2 ,
Re Rn1 ,n2 ,1

(xi
x)(xik
x)

i=k+1

n
P

(xi

Qe = n(n + 2)
n
H0 :
H1 :

N (0, 1)

Re Rn1 ,n2 , 2 U
Re Rn1 ,n2 ,1 2

Contraste de autocorrelacion

i=1

n
H0
H1
n
H0
H1
n
H0
H1

R. Crtica

Test de rachas

x)2

Pm

rk2
k=1 nk

Test 2 para una muestra

FX F0
FX 6 F0

2 =

k
P
(ni Ei )2
Ei
i=1

|rk |

z1
2
n

Qe 2m1,
2e 2 kp1,1

KolmogorovSmirnov para una muestra

FX F0
FX > F0

n
io
n h
Dn+ = max 0, max ni F0 (x(i) )
i=1
n
io
n h
Dn = max 0, max F0 (x(i) ) i1
n

Dn+ Dn,2

FX F0
FX < F0

De = max {Dn+ , Dn }

Dn Dn,2

b2
(n 1)Sc2
n/2
P
b=
ani+1 (X(ni+1) X(i) )

We Wn,

:
:

FX F0
FX 6 F0

:
:
:
:

i=1

Shapiro-Wilk

n
H0 :
H1 :

X Normal
X 6 Normal

De Dn,

W =

i=1

Tabla 5.2: Contrastes no parametricos I

138 Captulo 5. Contrastes no parametricos

Hip
otesis

Estadstico

R. Crtica

Test de los signos

n
H0 :
H1 :
n
H0
H1
n
H0
H1

H0
H1

H0
H1

H0
H1

T = No de valores inferiores a C0
C = C0
C 6= C0

T B(n0 , p0 )

Bajo H0 ,
P [T k1 ]

P [T k2 ]

Te k1

Te k2

:
:

C = C0
C < C0

P [T k1 ]

Te k1

:
:

C = C0
C > C0

P [T k2 ]

Te k2

Test de Rangos-Signos (Wilcoxon para una muestra)

:
:

Me = Me0
Me 6= Me0

Te = mn{T + , T }

Te Tn0 , 2

:
:

Me = Me0
Me < Me0

Si n grande se usa:

T + Tn0 ,

:
:

Me = Me0
4T + n(n + 1)
N (0, 1) T Tn0 ,
Me > Me0 Z = p
2n(n + 1)(2n + 1)/3
Tabla 5.3: Contrastes no parametricos II

5.5 Tablas de contrastes no parametricos 139

Hipotesis

Estadstico

R. Crtica

Test U. Mann-Whitney

n
H0
H1
n
H0
H1
n
H0
H1

n1 (n1 + 1)
R1
2
n2 (n2 + 1)
U2 = n1 n2 +
R2 Ue Un1 ,n2 ,
2
Ue = mn{U1 , U2 }
Si n1 , n2 9 se usa:
U1 Un1 ,n2 ,

q
1 +n2 +1)
Ue N n12n2 , n1 n2 (n12
U2 Un1 ,n2 ,
U1 = n1 n2 +

:
:

FX FY
FX 6 FY

:
:

FX FY
FX < FY

:
:

FX FY
FX > FY

n
H0 :
H1 :

H0 :
H1 :

H0 :
H1 :

Kolmogorov-Smirnov para dos muestras

FX FY
FX 6 FY

FXi
FYi

De = max
i
nx
ny

De Dn1 ,n2 ,

Test de los signos (2 muestras relacionadas)

Me (d) = 0
Me (d) 6= 0

d=xy
Se aplica el test de los signos.

Test de Wilcoxon (2 muestras relacionadas)

Me (d) = 0
Me (d) 6= 0

d=xy
Se aplica el test de Wilcoxon.

Tabla 5.4: Contrastes no parametricos III

140 Captulo 5. Contrastes no parametricos


6.

Ejercicios

6.1.

Ejercicio resuelto

5.1 Una conocida empresa esta considerando su fusion con una


de las dos cadenas de television mas importante del pas, la cadena A y la
cadena B, por lo que decide realizar un estudio sobre el nivel de audiencia
en cada una de ellas. Elige aleatoriamente distintas horas de la semana
y mide el nivel de audiencia, en millones de personas, obteniendo las
muestras:
Cadena A 60 4 80 9 9 20 7 40 5 10 9 40 9 3 7 15
Cadena B 8 50 9 10 15 170 5 9 3 30 2 6 8 16
a) Utilizando la informacion procedente de la funcion de
distribucion emprica, existen diferencias significativas, a un nivel de
confianza del 95 %, en las distribuciones de los niveles de audiencia de
las dos cadenas?
b) Si se admite que ambas muestras proceden de poblaciones Normales, se puede afirmar que la cadena A presenta mas dispersion
en el nivel de audiencia que la B, al mismo nivel de confianza que en el
caso anterior?
Soluci
on:
a) Sean X e Y las variables aleatorias que representan los
niveles de audiencia de las cadenas A y B, respectivamente. Sean F y G
sus correspondientes funciones de distribucion. Para contrastar si F y G
son iguales utilizando las funciones de distribucion empricas, se recurre
al test de KolmogorovSmirnov para dos muestras.
Para el contraste:

H0 : F (x) = G(x)
H1 : F (x) 6= G(x)

se utiliza el estadstico
Dexp = max |Fn (x) Gn (y)| ,
La siguiente tabla recoge los valores de las funciones de distribucion
empricas de ambas muestras:

5.6 Ejercicios 141


xi ni Fn (xi )
20 7 1
1/11
3 1
2/11
40 5 1
3/11
0
49 1
4/11
60 4 1
5/11
7 1
6/11
80 9 1
7/11
9 2
9/11
10 1 10/11
15 1
1

yi ni Gn (yi )
3
1
1/11
30 2 1
2/11
50 9 1
3/11
6
1
4/11
8
2
6/11
9
1
7/11
10 1
8/11
15 1
9/11
16 1 10/11
170 5 1
1

Por tanto, si se consideran las diferencias de las distribuciones


empricas de ambas muestras y se calcula el maximo en los valores muestrales, se obtiene que
Dexp = max |Fn (x) Gn (y)| =

2
= 00 1818.
11

Puesto que Dn1 ,n2 , = D11,11,00 05 = 6/11 = 00 5455 > 00 1818 = Dexp , no
puede rechazarse la hipotesis de igualdad de distribuciones.
b) Suponiendo que ambas distribuciones son Normales, es
decir, X N (1 , 1 ) e Y N (2 , 2 ), el contraste que se plantea ahora
para averiguar si la cadena A tiene mas dispersion es el siguiente:

H0 : 12 22
H1 : 12 < 22
donde las medias 1 y 2 son desconocidas. Para ello, se recurre al
estadstico
S2
F = c21 Fn1 1,n2 1 .
Sc2
Calculando las cuasivarianzas muestrales, se obtiene

n
!2
nX
X
X
X
1
1

Sc21 =
x2i
xi
nX 1
nX
i=1
i=1

0
2
1
80 4
=
7160 72
= 120 9069
10
11

142 Captulo 5. Contrastes no parametricos

Sc22

1
1010 62
0
1186 3
= 240 7885
10
11

y por tanto, Fexp =

120 9069
240 7885

= 00 5207.

Para el nivel de significacion 00 05, se tiene que


Fn1 1,n2 1 = F10,10 = 20 98,
que es mayor que el Fexp . Por tanto, no se puede rechazar la hipotesis
de que la dispersion de la cadena A sea mayor que la de la cadena B.
6.2.

Ejercicios propuestos

5.1. En los u
ltimos 200 sorteos de la lotera nacional, la u
ltima
cifra del n
umero premiado fue
Cifra
Frecuencia

0
12

1
24

2
18

3
14

4
28

5
24

6
26

7
16

8
8

9
30

Determine si se ajustan estas frecuencias empricas a la distribucion teorica que les correspondera.
5.2. Una determinada empresa esta interesada en construir una
gasolinera en sus terrenos, sin embargo, la realizacion del proyecto depende de la distribucion de llegadas de vehculos. Para conocer dicha
distribucion se consideran 900 perodos de tiempo de 5 minutos cada uno
en una gasolinera de una zona con caractersticas parecidas, cont
andose
a su vez el n
umero de coches que llegan. El resultado de tales averiguaciones fue el siguiente:
Valores variable 0
1
2
3
4 5 6 7 8 9
Frecuencia
195 301 210 120 45 22 5 1 1 0
Proponga la distribucion que siguen los datos anteriores y estudie
si se ajusta a ellos.

5.6 Ejercicios 143


5.3. La siguiente tabla recoge el n
umero de accidentes mortales,
por da, contabilizados en una ciudad durante 200 das:

Accidente/da
Frecuencia

0
50

1
72

2
44

3
22

4
10

5
2

Proponga un modelo de distribucion y estudie su ajuste.


5.4. Una conocida empresa de coches esta realizando un estudio
sobre la vida de sus motores. Para ello, se decidio llevar a cabo un
estudio sobre 70 motores, observando que la vida media era de 10 6 a
nos.
Agrupando los valores observados por clases, se obtuvo lo siguiente:
A
nos funcionamiento [0, 1) [1, 2) [2, 3) [3, 4) [4, )
Frecuencia
30
23
6
5
6
Estudie si la vida de los motores sigue una distribucion exponencial.
5.5. A partir de la siguiente realizacion muestral de tama
no 500,
(, 0)
36
(11, 13)
40

(0, 3)
70

(3, 5)
54

(5, 7)
86

(7, 9)
44

(9, 11)
50

(13, 15) (15, 18) (18, 21) (21, )


24
36
24
36

donde la primera fila corresponde a los valores de la variable y la segunda


al n
umero de valores de la muestra dentro de cada intervalo.
a) Verifique la hipotesis de que ha sido extrada de una
poblacion N (10, 5) a un nivel de confianza del 90 %.
b) Es posible que los valores muestrales se hubieran extrado de una Normal con parametros distintos a los anteriores?
c) Proponga valores para y , y repita el contraste.

144 Captulo 5. Contrastes no parametricos


5.6. Estudie, utilizando el contraste 2 de bondad de ajuste, si
la siguiente muestra de tama
no 30 procede de una Normal:
107 96 91 80 103 88 101 106 112 106
93 88 101 109 102 99 93 86 100 99
104 116 87 93 106 102 89 96 104 90

5.7. Con el fin de estudiar el tiempo de vida, en horas, de las


bateras de 7 voltios, se extrae aleatoriamente un muestra de 10 de ellas,
obteniendose los siguientes resultados:
280 9, 150 2, 280 7, 720 5, 480 6, 520 4, 370 6, 490 5, 620 1, 540 5.
Proponga un modelo de distribucion de probabilidad y estudie su ajuste.
5.8. A partir de los datos del ejercicio anterior contraste la
hipotesis de que estos procedan de una poblacion Normal, utilizando
para ello el contraste de ShapiroWilks.
5.9. Utilizando el contraste de KolmogorovSmirnovLillierfors,
contraste la hipotesis de normalidad de los siguientes datos:
27, 23, 17, 18, 17, 30, 22, 26, 16, 23, 20, 22, 16, 21, 17.
5.10. A partir de los datos muestrales del ejercicio anterior y
suponiendo que estos hayan sido extrados en ese orden, contrasta la
hipotesis de que la muestra sea aleatoria.
5.11. Contraste la hipotesis de que la siguiente m.a.s. proceda de
una distribucion B(9, 00 3), para un nivel de significacion del 10 %.
Valores variable
Frecuencias

0
84

1
196

2
210

3
136

4
50

5
14

6
6

7
2

8
2

9
0

5.6 Ejercicios 145


5.12. A partir de los siguientes datos de distribucion de frecuencias, contraste la hipotesis de que tal muestra proceda de una distribucion Normal, para un nivel de significacion de 00 05.
(1, 0) (0, 00 5) (00 5, 1) (1, 10 5) (10 5, 2) (2, 20 5) (20 5, 20 8)
554
228
844
584
366
256
168
5.13. Se pretende realizar un estudio sobre la influencia de un
determinado farmaco en el tratamiento de la celulitis para lo cual se
estudio el peso de cada paciente antes y despues del tratamiento. A partir
de una muestra de 32 pacientes los resultados fueron los siguientes:
Antes
73 99
Despues 69 93

75 84 102 84 65 70 78 75 78
78 85 99 80 67 72 73 71 78

Antes
82 64
Despues 80 61

72 71 64
74 76 63

85 94 89 57 59 67
85 94 88 54 56 65

Antes
96 97
Despues 95 99

73 58 57
75 56 57

63 81 84 80 67
62 80 85 78 68

Decida, utilizando el test de los signos, si ha habido una alteracion significativa en el peso.
5.14. Para medir la introversion se aplica a 12 individuos un test
de personalidad en sus dos variantes, 1 y 2, que se supone la miden por
igual. A partir de los datos de la siguiente tabla, compruebe mediante
el test de rangos de Wilcoxon, con un nivel de significacion del 5 %, si
es cierto que las formas 1 y 2 miden por igual la introversi
on:
Individuo
Forma 1
Forma 2

1
12
10

2
18
17

3
21
20

4
10
5

5
15
21

6
27
24

7
31
29

8
6
7

9
15
9

10
13
13

11
8
8

12
10
11

5.15. En una clase de matematicas el profesor plantea a los alumnos dos problemas, P y Q, asignandole a cada uno un problema al azar.
Con el fin de estudiar si existan diferencias de dificultad entre ambos

146 Captulo 5. Contrastes no parametricos


problemas, el profesor fue anotando el tipo de problema a medida que
iban entregando, obteniendo la siguiente secuencia:
QQQP P QP QQQP QP P QP P P.
Estudie si existan diferencias de dificultad entre ambos problemas, con
una probabilidad de error de tipo I menor del 5 %.
5.16. Para estudiar cual de los dos tratamientos contra la artrosis
es mas eficaz se eligen aleatoriamente dos muestras de 10 y 22 pacientes
a los cuales se les somete a los tratamientos 1 y 2, respectivamente.
Pasados tres meses se valoran ambos tratamientos de manera que el
tenga mayor puntuacion sera mas eficaz. La tabla siguiente refleja los
resultados obtenidos:
Tratamiento 1
Tratamiento 2

12
21
56

15
18
29

21
42
32

17
25
44

38
14
15

42
52
68

10
65
41

23
40
37

35
43
43

28
35
58

18
42

Aplicando el test U de MannWhitney, decida si existe diferencia


entre los tratamientos.
5.17. Tras un experimento donde se realizo un cruce entre gatos,
se obtuvo que de 64 descendientes, 10 eran negros, 34 grises y 20 blancos.
Seg
un la genetica, la proporcion de estos n
umeros debera ser 3:9:4.
Decida si los datos obtenidos en el experimento estan de acuerdo con la
genetica, para un nivel de significacion del 5 %.

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Captulo 6
An
alisis de la Varianza

1.

Introducci
on

Este captulo esta dedicado al estudio de una de las herramientas mas valiosas de la Inferencia Estadstica, el Analisis de la Varianza
(ANOVA). Desarrollada por Fisher en la decada de 1920 para resolver
diversos problemas agrcolas, ha llegado a instaurarse como una de las
tecnicas mas utilizadas en el analisis estadstico de los dise
nos de experimentos aplicados a diferentes campos de las Ciencias Experimentales,
Ciencias de la Salud o Ciencias de la Educacion.
Las siguientes situaciones reales ilustran algunos problemas que
pueden ser abordados a traves del analisis de la varianza.
Ejemplo 6.1
Un agricultor esta interesado en estudiar si la aplicacion de un abono en distintas dosis influye en el
rendimiento de su plantaci
on de maz.
Un laboratorio investiga si existen diferencias en la
efectividad que tienen varios farmacos para combatir una determinada enfermedad.

148 Captulo 6. Analisis de la Varianza


El director de un colegio esta interesado en comparar el rendimiento de tres metodos de aprendizaje
sobre la comprension lectora de sus alumnos.
Un laboratorio desea mejorar el rendimiento de
un proceso qumico y para ello quiere averiguar los
efectos que la temperatura y el tiempo de reaccion
ejercen sobre el mismo.
En todos los ejemplos anteriores se pone de manifiesto la necesidad
de estudiar la influencia de un determinado factor o grupo de factores
sobre una variable respuesta. Para ello, se comparan los efectos que
las distintas dosis o niveles del factor producen en dicha variable. Esos
niveles del factor, tambien denominados tratamientos, pueden ser de
naturaleza cuantitativa o cualitativa.
Ejemplo 6.2

En el ejemplo del colegio, la variable bajo estudio o


variable respuesta es el rendimiento en la comprension lectora, y el factor que se esta considerando es
el metodo para la ense
nanza de la lectura, con tres
niveles correspondientes a cada uno de los metodos.
En el caso del laboratorio que desea mejorar el rendimiento de un proceso qumico, la variable respuesta es dicho rendimiento y los factores que se
estan estudiando son la temperatura y el tiempo
de reaccion.

Puede ocurrir que el efecto producido por un nivel de un determinado factor este influenciado por los niveles de otros factores. En ese
caso, se dice que existe una interaccion entre dichos factores, es decir,
no act
uan independientemente.
Ejemplo 6.3

El efecto producido por un determinado tiempo de


reaccion sobre el rendimiento de un proceso qumico esta influenciado por los distintos niveles de temperatura, y recprocamente.

Formalmente, el An
alisis de la Varianza permite analizar y com-

6.2 Modelo ANOVA unifactorial 149


parar experimentos en los que se describe una variable respuesta cuantitativa en funcion de otras variables, cuantitativas o cualitativas, denominadas factores. Seg
un se este estudiando un u
nico factor o varios,
se distingue entre ANOVA de un solo factor o unifactorial, y ANOVA
multifactorial. Este captulo se centra en el estudio del ANOVA unifactorial.
2.

Modelo ANOVA unifactorial

Se sabe que sobre una determinada variable, X, influye un factor,


, con k niveles, cuyos efectos interesa estudiar. El problema que se
plantea es analizar si los distintos niveles del factor bajo estudio influyen
de igual modo en la variable respuesta.
Para comprender el fundamento del analisis de la varianza en el
caso unifactorial, se propone el siguiente ejemplo. A traves de el se introducen, de modo intuitivo, las claves del modelo.
Ejemplo 6.4

Se esta realizando un estudio sobre el desarrollo


y crecimiento de las doradas que se cran en las
distintas piscinas de una piscifactora.
Se sabe que en el crecimiento de las doradas influyen diversas causas o factores, como la salinidad, la
oxigenacion, la temperatura del agua, la luz, el tipo
de alimentacion, as como la cantidad diaria de la
misma, la propia constitucion genetica del pez, etc.
Todos ellos act
uan de un modo u otro, con mayor
o menor intensidad, provocando la existencia de
diferencias en el crecimiento.
En concreto, el estudio se centra en los efectos que,
sobre el crecimiento de las doradas, ejerce una protena que se les suministra diariamente como complemento a su alimentaci
on. Si esta es suministrada
en distintas dosis, los efectos de las dosis sobre el
crecimiento seran diferentes?
Se trata de un problema tpico del analisis de la va-

150 Captulo 6. Analisis de la Varianza


rianza donde solo se estudia un factor, la protena,
y los efectos que producen distintos niveles de esta
en el crecimiento de las doradas.
Evidentemente, si la aplicacion de los diferentes niveles de esta protena producen un efecto analogo
en el crecimiento de las doradas, se deducira que
dicha protena no influye en el crecimiento. Por tanto, el objetivo sera contrastar la hipotesis de que
todos los niveles del factor act
uan de igual forma.
Al estudiar la variabilidad que aparece en el crecimiento de las doradas sometidas a distintos niveles
de protena, debe considerarse que esta puede deberse tanto al nivel de la protena como a cualquiera de los restantes factores. Por tanto, a la hora de
plantear el problema habra que tener este hecho en
cuenta.
Para abordar este tipo de problemas, el modelo que se propone
es el siguiente: puesto que la variabilidad de la variable respuesta se
debe a multitud de factores, se trata de dividir esa variabilidad en dos
partes, la originada por el factor bajo estudio y la variaci
on producida
por el resto de factores, conocidos o no, denominada error experimental.
Teoricamente esto es posible, como se vera mas adelante.
En definitiva, el ANOVA nos va a permitir decidir si los distintos
niveles del factor establecen diferentes subpoblaciones en la variable respuesta, o, por el contrario, el comportamiento de la variable respuesta
es la misma para todos los niveles y se tiene una u
nica poblacion.
Como ha quedado de manifiesto, el problema de averiguar si los
distintos niveles del factor afectan de igual modo a la variable respuesta,
se plantea como un contraste de hipotesis. Para lo cual, habra que utilizar
algunas de las tecnicas ya vistas en los captulos anteriores.
El primer paso sera expresar matematicamente el modelo que se
esta estudiando, para, a continuacion, descomponer la variabilidad total

6.2 Modelo ANOVA unifactorial 151


de las observaciones y realizar el correspondiente contraste de hipotesis.
2.1.

Especificaci
on del modelo

Se desea comparar los efectos de k tratamientos o niveles de un


u
nico factor sobre una determinada variable.
En este modelo se distinguen la variable cuantitativa respuesta,
X, y la variable independiente o factor, . Supongase que dicho factor
se corresponde con una variable cualitativa con k niveles, (1 , . . . , k ).
De cada nivel i, se extrae una m.a.s. de tama
no ni . El tama
no
de cada una de las muestras no tiene por que ser el mismo, aunque
cuando s lo es, el modelo se dice equilibrado y tiene ventajas sobre los
no equilibrados, como se comentara mas adelante.
La siguiente tabla recoge los N =
k muestras de tama
nos n1 , . . . , nk .
Nivel
1
2
..
.

Observaciones
x11 x12 . . . x1n1
x21 x22 . . . x2n2
.. .. ..
. . .
xk1 xk2 . . . xknk
k
Valores globales

Pk

i=1 ni

valores obtenidos en las

Total Media muestral Media poblacional


x1.
x1
1
x2.
x2
2
..
..
..
.
.
.
xk.
xk
k
x..
x..

DondeP
xi. representa el total de las observaciones en el i-esimo nivel, es
i
xij = xi. , y xi. es el promedio de las observaciones en dicho
decir, nj=1
nivel i, es decir, xi. = xni.i .
A su vez, la suma de todas las observaciones viene dada por
x.. =

ni
k X
X
i=1 j=1

y la media general de todas ellas por


x.. =

x..
.
N

xij ,

152 Captulo 6. Analisis de la Varianza


El modelo de analisis de la varianza de un solo factor se expresa:
Xi = i + i

i = 1, . . . , k

donde i sera la parte de Xi explicada por el factor, la media de la


poblacion del nivel i, y i es la variacion causada por los factores desconocidos o no estudiados. Este modelo tambien se puede expresar como:
Xi = + i + i ,

(6.1)

donde i = + i , siendo:
: la media global de la poblacion, parametro com
un a todos los niveles.
i : el efecto diferencial respecto a la media global del i-esimo nivel del
factor sobre la respuesta.
i : la componente aleatoria del error, la parte de la variable no explicada por y i , es decir, el efecto de los factores extra
nos o no
controlables.
El modelo definido por (6.1), describe dos situaciones con respecto
al efecto de los tratamientos. Cuando los k tratamientos son seleccionados especficamente por el experimentador, se dice que el modelo es de
efectos fijos y sus conclusiones no pueden hacerse extensibles a otros
niveles similares que no hayan sido considerados especficamente. Por el
contrario, cuando los k tratamientos constituyen una muestra aleatoria
de una poblacion de tratamientos, se dice que el modelo es de efectos
aleatorios o modelo aleatorio. En este u
ltimo caso, el objetivo sera generalizar las conclusiones extradas de una muestra a todos los tratamientos
de la poblacion. Cuando hay mas de un factor, puede ocurrir que unos
sean fijos y otros aleatorios, en ese caso se denomina modelo mixto.
Nuestro estudio se centra en el modelo de efectos fijos. En dicho
modelo, puesto que los k niveles del factor son todos los que existen, los
efectos i son constantes, es decir, no son variables aleatorias. De esta
forma, en el modelo
Xi = + i + i ,

6.2 Modelo ANOVA unifactorial 153


las u
nicas variables aleatorias son los Xi y los i .
Por otra parte, deben verificarse las siguientes hipotesis:
Los i son variables aleatorias independientes.
Los i se distribuyen normalmente.
V[i ] = 2 , siendo constante para todos los niveles del factor.
Estas hipotesis son fundamentales para el buen funcionamiento del modelo, por lo que antes de aplicarse el ANOVA debera comprobarse que
se verifican. Por esta razon, se ha dedicado un apartado a analizar la
validacion de dichas hipotesis.
En estas condiciones se tiene:
1. E[Xi ] = E[i + i ] = i
2. V[Xi ] = V[ + i + i ] = 2
3. Xi son independientes ya que i son independientes, y por tanto
Xi N (i , ).
Puesto que el estudio que se esta realizando se centra en los efectos
de los distintos niveles del factor sobre la variable respuesta, interesa
probar hipotesis sobre los i , i = 1, . . . , k. Para lo cual, habra que estimar
previamente los parametros del modelo.
2.2.

Estimaci
on de los par
ametros

En el modelo ANOVA de efectos fijos, a partir de la u


nica informacion disponible, es decir, las observaciones xij , se tienen que estimar
, 2 y i , i = 1, . . . , k.
Intuitivamente, dado que i = i , si se estima y i por las
respectivas medias muestrales, esto es, x.. y xi. , se tiene que la estimacion
de i sera xi. x.. .

154 Captulo 6. Analisis de la Varianza


Otra forma de obtener estimadores de y i es recurriendo al
metodo de mnimos cuadrados, para ello:
L(, 1 , . . . , k ) =

ni
k X
X

2ij

i=1 j=1

ni
k X
X
=
(xij i )2
i=1 j=1

L

,i

=0

L
i
,i

= 0;

i = 1, . . . , k.

Obteniendose como ecuaciones normales:


N
+ n1 1 + n2 2 + + nk k
n1
+ n1 1
n2

+ n2 2
..
.
nk

+ nk k

= x..
= x1.
= x2.
= xk.

Debido a que las ecuaciones no son independientes, la solucion no es


u
nica. Considerando los efectos de los niveles como desviaciones de la
media general, se tiene la restriccion:
k
X

ni i = 0,

i=1

lo que da como solucion del sistema,

= x..
i = xi. x.. ,

i = 1, . . . , k,

coincidiendo con las estimaciones obtenidas de forma intuitiva.


Para conseguir un estimador del error, ij = xij i , basta
sustituir las estimaciones obtenidas de y i , resultando:
ij = xij x.. (xi. x.. ) = xij xi.

6.2 Modelo ANOVA unifactorial 155


Para obtener un estimador de 2 , se recurre al error experimental,
ij :

Pk

2 =

i=1

Pni

2ij
j=1

N
Los estimadores de los ij , ij , no son independientes, ya que estan
sometidos a las restricciones que resultan al estimar los parametros. Es
decir,
Pni
j=1 xij

i = xi. =
ni
ni
ni
X
X
ij =
xij ni xi. = 0, i = 1, . . . , k.
j=1

j=1

Se tienen k ecuaciones de restriccioP


n y ni valores de ij que determinar
i
en cada una de ellas. Puesto que nj=1
ij = 0 para el efecto i-esimo,
bastara con conocer ni 1 valores de ij , pues el otro quedara inmediatamente determinado.
Luego el n
umero de valores no determinados
P
a priori sera ki=1 (ni 1) = N k.
Dado que
Pk

i=1

Pni

2ij
j=1
2

i
N
2 X X
=
2

i=1 j=1

xij xi.

y debido a que las observaciones xij son independientes, se verifica que

ni
X
xij xi. 2
2ni 1 ,

j=1

luego

por tanto,

N
2
2N k ;
2

N
2
N k 2
,
= N k E[
2] =
E
2
N

con lo que un estimador insesgado de 2 es


Pk Pni 2
ij
i=1
j=1
N k

156 Captulo 6. Analisis de la Varianza


2.3.

Contraste de hip
otesis

Como ya fue mencionado anteriormente, en el modelo ANOVA


de un factor con k niveles, interesa saber si todos los niveles del factor
producen el mismo efecto. Es decir, en el modelo
Xi = + i + i ,
se quiere contrastar la hipotesis de que i = 0, para i = 1, . . . , k. Como
i = i , en realidad el contraste que se plantea es si i = , para
i = 1, . . . , k.
Se trata, pues, de realizar el contraste

H0 : 1 = 2 = = k =
H1 : i 6= , para alg
un i {1, . . . , k}.
Cabra preguntarse si este contraste puede realizarse mediante
comparaciones dos a dos por las tecnicas vistas en captulos anteriores. El problema radica en que no se puede realizar contrastes sobre la
diferencia de dos medias de forma aislada, a un nivel de confianza 1 ,
ya que no se sabe con seguridad cual sera el nivel de confianza para el
conjunto de todos los contrastes. Esto podra provocar, por ejemplo, el
rechazar la hipotesis de igualdad de medias siendo cierta con una alta
probabilidad.
Ejemplo 6.5

En el estudio de los efectos de los 5 niveles de un


determinado factor sobre una variable concreta, se
desea probar la igualdad de las 5 medias, usando
comparacion por pares. El n
umero de pares posibles es 10, y si la probabilidad de no rechazar la
Hipotesis Nula en cada prueba es 1 = 00 95, la
probabilidad de no rechazar la Hipotesis Nula en
las 10 pruebas es (00 95)10 = 00 60, si son independientes. Se observa as un incremento considerable
de la probabilidad de error tipo I.

El contraste F que se propone se basa en la descomposicion de la


variabilidad total de los datos para encontrar el estadstico de contraste.

6.2 Modelo ANOVA unifactorial 157


2.3.1. Descomposici
on de la variabilidad de los datos
Intuitivamente, si se esta estudiando los efectos que producen los k
niveles del factor sobre el conjunto de datos, la variabilidad total de esos
datos puede deberse a dos posibles causas: por un lado, la variabilidad
dentro de cada nivel, y por otra, a la variabilidad entre niveles.
Formalmente, tomando la (i, j)-esima observaci
on,
xij = + i + ij
y sustituyendo , i y ij por sus estimadores, se tiene
xij = x.. + (xi. x.. ) + (xij xi. )
y
(xij x.. ) = (xi. x.. ) + (xij xi. ).
Tomando las N observaciones y elevando al cuadrado (suma de cuadrados corregida),
ni
ni
k X
k X
X
X
(xij x.. )2 =
[(xi. x.. ) + (xij xi. )]2
i=1 j=1

i=1 j=1

o bien,
ni
ni
k
k X
k X
X
X
X
ni (xi. x.. )2 +
(xij xi. )2 .
(xij x.. )2 =
i=1 j=1

{z
SCT

|i=1

{z
SCT r

i=1 j=1

{z

SCE

Tomando como medida de la variabilidad total de los datos la suma de


cuadrados corregida, la ecuacion anterior muestra que dicha variabilidad
puede descomponerse en la suma de cuadrados de las diferencias entre
la media de los niveles o tratamientos y la media global, y la suma de
cuadrados de las diferencias entre las observaciones dentro del nivel y la
media en dicho nivel. Es decir,
SCT = SCT r + SCE ,
donde:

158 Captulo 6. Analisis de la Varianza


SCT r : Suma de cuadrados debida a los tratamientos (entre tratamientos), que mide la diferencia entre niveles. Si todos los niveles medios son iguales, SCT r = 0. Cuanto mas difieran los niveles medios,
mayor sera SCT r .
SCE : Suma de cuadrados debida al error (dentro de los tratamientos),
que mide la variabilidad total debida al azar o no controlada. Cuanto menor sea la variacion entre las observaciones de cada nivel del
factor, menor sera SCE . Si SCE = 0, para cada nivel todas las
observaciones son iguales.
Para poder estudiar y comparar la variabilidad de forma que no dependa de las unidades de medida, se calcula el cociente de ambas. Cuando existan diferencias entre los distintos niveles, el cociente sera grande,
mientras que cuando no existan sera peque
no. Si fuese cierta la Hipotesis
Nula, esto es, si 1 = 2 = . . . = k = , las xi. tendran que ser muy
parecidas y por tanto, cercanas a x.. , estando SCT r muy proxima de
Tr
cero y siendo peque
na en relacion con SCE . Luego si H0 es cierta, SC
SCE
sera peque
no. Por tanto, parece que este cociente o alguna transformacion del mismo, podra ser un estadstico apropiado para el contraste.
2.3.2. Estadstico de contraste
A partir del modelo,
Xi = + i + i ,
se tiene que
xi. =

ni
X

xij = ni + ni i + i.

j=1

xi. = + i + i.
x.. =

ni
k X
X
i=1 j=1

Como

Pk

i=1 ni i

xij = N +

k
X
i=1

= 0,
x.. = + .. .

ni i + .. .

6.2 Modelo ANOVA unifactorial 159


Luego,
xij x.. = i + (ij .. )
xij xi. = ij i.
xi. x.. = i + (i. .. ).
A partir de estas expresiones, cada una de las componentes de la variabilidad total se puede expresar del modo siguiente:

1. La variabilidad total de los datos, SCT .


SCT

ni
k X
X
(xij x.. )2
i=1 j=1

ni
k X
X
[i + (ij .. )]2
i=1 j=1

k
X

ni i2 +

i=1

ni
ni
k X
k X
X
X
(ij .. )2 + 2
i (ij .. ).
i=1 j=1

i=1 j=1

Hay un total de N desviaciones xij x.. que no son independientes,


ya que
ni
k X
X
(xij x.. ) = 0,
i=1 j=1

por lo que el n
umero de grados de libertad de SCT es N 1.
Si se calcula el valor esperado de
i N (0, ), se obtiene

SCT
E
N 1

k
X

ni

i=1

k
X

i=1

teniendo en cuenta que


n

i
XX
i2
E[(ij .. )2 ]
+
N 1
N 1

i=1 j=1

ni

i2
N
+
N 1 N 1

ni

i2
+ 2.
N 1

i=1
k
X

SCT
N 1 ,

N 1 2

160 Captulo 6. Analisis de la Varianza


SCT
Denotando por M CT a la media de cuadrados N
1 , se tiene que
2
bajo H0 , es E[M CT ] = . En ese caso, M CT es insesgado para
2.

2. La medida de las diferencias entre niveles, SCT r .


SCT r =
=
=

k
X
i=1
k
X
i=1
k
X

ni (xi. x.. )2
ni [i + (i. .. )]2
ni i2 +

i=1

k
X

ni (i. .. )2 + 2

i=1

k
X

ni i (i. .. ).

i=1

Aunque hay k niveles medios estimados, se esta trabajando bajo


el supuesto
k
k
X
X
ni i =
ni (xi. x.. ) = 0,
i=1

i=1

luego SCT r tiene k 1 grados de libertad.


Si se calcula el valor esperado de

SCT r
E
k1

k
X

SCT r
k1 ,

ni

i=1
k
X

X E[(i. .. )2 ]
i2
+
ni
k1
k1
i=1

i2
1 X 2
=
ni
+
ni E[i. ] + E[2.. ] E[i. .. ]
k1 k1
i=1
i=1

k
k
X
X ni 2 2
2
2
=
ni i +
+
2
k1
k 1 ni
N
N
i=1

k
X

i=1

ni

i=1

Denotando M CT r =

i2
k1

SCT r
k1 ,

se tiene que M CT r estima

k
X
i=1

+ 2 .

ni

i2
+ 2.
k1

6.2 Modelo ANOVA unifactorial 161


Bajo H0 , es E[M CT r ] = 2 , y en ese caso M CT r es estimador
insesgado de 2 .
3. La variabilidad no controlada, SCE .
SCE =

ni
k X
X
(xij xi. )2
i=1 j=1

ni
k X
X
(ij i. )2 .
i=1 j=1

Puesto que dentro de cada nivel existen ni observaciones, cada


uno de ellos tiene asociado ni 1 grados de libertad. Como hay k
niveles, el n
umero de grados de libertad de SCE es
(n1 1) + (n2 1) + . . . + (nk 1) = N k.
Si se calcula el valor esperado de

SCE
E
N k

SCE
N k ,

se tiene que

ni
k X
X
E (ij i. )2
=
N k
i=1 j=1

ni
k X
X
2
1 2
=

N k N k ni
i=1 j=1
2

=
Denotando M CE =
do para 2 .

SCE
N k ,

se tiene que M CE es estimador insesga-

Bajo las hipotesis del modelo ANOVA unifactorial que se esta estudiando, es posible demostrar que:
SCE
2

sigue una distribucion Chicuadrado con N k grados de


libertad.
Tr
Si la Hipotesis Nula es cierta, SC
sigue una distribucion Chi
2
cuadrado con k 1 grados de libertad.

162 Captulo 6. Analisis de la Varianza


SCT r y SCE son independientes.
Por tanto, si la Hipotesis Nula es cierta, el estadstico
F0 =

SCT r 1
2 k1
SCE 1
2 N k

M CT r
M CE

sigue una distribucion F de Snedecor con k1 y N k grados de libertad.


Este estadstico proporciona, fijado un nivel de significacion , la
siguiente regla de decision del contraste:
Rechazar H0 cuando F0 > F1,k1,N k .
Si se rechaza la Hipotesis Nula, esto es, que i = 0, para i = 1, . . . , k, es
porque al menos dos de los efectos son diferentes de cero, pudiendo ser
cero el resto.
2.3.3. Tabla ANOVA
El proceso para realizar el contraste:

H0 : 1 = 2 = = k =
H1 : i 6= , para alg
un i {1, . . . , k}
se resume en la tabla 6.1, conocida como tabla ANOVA. Para facilitar
los calculos, se proponen las siguientes variantes de SCT r y SCE :
SCT r =

k
X

ni (xi. x.. )2 =

i=1

SCE =

ni
k X
X
i=1 j=1

(xij xi. )2 =

k
X
x2

i.

i=1
ni
k X
X
i=1 j=1

ni

x2ij

x2..
N
k
X
x2

i.

i=1

ni

Si F0 > F1,k1,N k , se rechazara la Hipotesis Nula, es decir, que


los efectos que producen los distintos niveles del factor sean iguales.

6.2 Modelo ANOVA unifactorial 163


Suma de
Grados de Media de
cuadrados
libertad cuadrados F0
(SC)
(G.L.)
(MC)
k
2
2
X
xi.
x
SCT r
Entre (Tr)
..
k1
n
N
k1
i
i=1
n
k
k
i
XX
X x2
SCE
M CT r
i.
Dentro (E)
x2ij
N k
n
N

k
M CE
i
i=1 j=1
i=1
Fuente

Total

SCT r + SCE

N 1

Tabla 6.1: Tabla ANOVA

Ejemplo 6.6

Un laboratorio investiga la efectividad de 5 nuevos


medicamentos para combatir la hepatitis. Puesto
que se dispone de una cantidad limitada de cada
uno de ellos, solo puede administrarse a 4, 2, 2, 3 y
1 pacientes, respectivamente. Para medir la efectividad, se mide el tiempo de reaccion despues de
inyectar cada medicamento. Para el experimento,
se toma una muestra aleatoria de 12 personas y a
cada uno se le inyecta una dosis de uno de los medicamentos, seleccionado aleatoriamente. Tras medir
el tiempo de reaccion los datos se recogieron en la
siguiente tabla:
Medicamento
A
B
C
D
E

Tiempo de reaccion
80 3 70 6 80 4 80 3
70 4 70 1
80 1 60 4
70 9 90 5 100 0
70 1

La variable respuesta es el tiempo de reaccion, y se


esta estudiando un u
nico factor, el medicamento,
con 5 niveles. El objetivo sera averiguar si existen
diferencias entre los efectos que producen los medicamentos. As, si se identifican los respectivos medicamentos con los niveles 1 a 5 del factor, interesa
realizar el siguiente contraste:

164 Captulo 6. Analisis de la Varianza

H0 : 1 = 2 = = 5
H1 : i 6= j , alg
un i, j {1, . . . , 5},
para el que se supondra = 00 05. En primer lugar,
hay que organizar los datos para su analisis.
Tiempo
reaccion
80 3, 70 6, 80 4, 80 3
70 4, 70 1
80 1, 60 4
0
7 9, 90 5, 100 0
70 1
T otal

Med.
A
B
C
D
E

ni xi.
4
2
2
3
1
12

320 6
140 5
140 5
270 4
70 1
960 1

x2ij x2i. /ni

2660 10
1050 17
1060 57
2520 66
500 41
7800 91

2650 69
1050 13
1050 13
2500 25
500 41
7760 61

De donde
k
X
x2

i.

SCT r =

i=1

=
SCE =

ni

7760 61
ni
k X
X

x2..
N

960 12
12

x2ij

i=1 j=1

= 70 01

k
X
x2

i.

i=1

ni

= 7800 91 7760 61 = 40 30.


Y la tabla ANOVA para este ejemplo vendra dada
por:
Fuente

SC G.L.

70 01

Dentro 40 30

110 31

11

Entre
Total

MC

F0

70 01 = 10 75
4
40 30 = 00 61 10 75 = 20 84
7
00 61

Como F00 95,4,7 = 40 12 > 20 84 = F0 , se concluye


que no se puede rechazar la hipotesis de que los
medicamentos tengan el mismo efecto.

6.2 Modelo ANOVA unifactorial 165


2.3.4. Intervalo de confianza para la media
El contraste que se viene analizando permite determinar si difieren
los niveles medios de los tratamientos, i . Si dicho contraste conduce a
que los niveles medios de los tratamientos son iguales, se concluye que
desde la optica de la variable respuesta la poblacion es u
nica.
Si la poblacion es u
nica, el objetivo que se plantea ahora es obtener un intervalo de confianza para la media de la misma. Para ello,
en lugar de aislar las observaciones en una u
nica muestra y utilizar la
cuasivarianza muestral para estimar la varianza poblacional, se puede
utilizar un estimador mejor mediante el M CE , el cual refleja informacion de las muestras conjuntas e interviene en la varianza de la media
muestral bajo cada tratamiento.
En concreto, se verifica que
x i
pi.
tN k ,
V[xi. ]
donde
V[xi. ] =

2
.
ni

Estimando 2 por M CE , se tiene que, la estimacion por intervalos de


confianza, al nivel 1 , para la media i es:
"
IC1 (i ) = xi. t1 2 ,N k

M CE
ni

#
.

Si en la realizacion del contraste no se tuvieran evidencias para rechazar la hipotesis de igualdad de medias de los diferentes tratamientos,
se puede estimar la media com
un de todos los tratamientos a traves de
la media x.. . Ya que esta verifica que
x
p..
tN 1 ,
V[x.. ]

166 Captulo 6. Analisis de la Varianza


y estimando de nuevo 2 por M CE , se tiene que el intervalo de confianza,
al nivel 1 , para la media es:
"
#
r
M CE
IC1 () = x.. t1 2 ,N 1
.
N
3.

Contrastes m
ultiples
Cuando la realizacion del contraste:

H0 : 1 = 2 = = k =
H1 : i 6= , alg
un i {1, . . . , k},

lleva a rechazar la Hipotesis Nula, es decir, a que los niveles medios de


los tratamientos sean diferentes, se concluye que existe influencia entre
el factor aplicado a la variable bajo estudio y la propia variable. Ahora
bien, con el objetivo de realizar un estudio mas detallado, se analizaran
cuales son los niveles que presentan medias diferentes.
Esto supone, bien estimar las medias individuales de cada una
de las poblaciones, o bien comparar pares de medias de poblaciones en
terminos de sus diferencias estimadas.
Como ya se comento anteriormente, los problemas surgen cuando
se comparan pares de medias de forma aislada, ya que incrementan la
probabilidad de error tipo I. Por esta razon, se proponen los denominados
procedimientos de comparaciones m
ultiples.
Los procedimientos de comparaciones m
ultiples se pueden agrupar
en dos categoras: procedimientos de comparaciones simult
aneas , donde
se utiliza el mismo estadstico con cada par de medias y procedimientos
de comparaciones secuenciales, donde el estadstico depende del n
umero
de medias muestrales que se encuentran entre las dos que se contrastan,
tras la ordenacion previa de las k medias.
A continuacion, el estudio se centra en el analisis de estos procedimientos con el fin de detectar diferencias significativas entre las medias
de los distintos niveles del factor, cuando se ha rechazado la Hipotesis

6.3 Contrastes m
ultiples 167
Nula propuesta en el contraste del analisis de la varianza. De ahora en
adelante se trabajara con un nivel de significacion conjunto .
3.1.

Test de Duncan

Para efectuar comparaciones m


ultiples entre k medias, el test de
Duncan requiere de la media de cuadrados del error, M CE , sus grados
de libertad y que el n
umero de observaciones por nivel sea el mismo en
todos ellos, es decir, ni = nj = n, i, j.
Tras ordenar de forma creciente las k medias muestrales o promedios de tratamiento, se determina el error estandar en cada promedio
usando
r
M CE

x =
.
n
La idea de este test es calcular las diferencias entre las dos medias a comparar, y averiguar si es mayor que una cierta cantidad que a
continuacion se calculara, Rp . Si es as, se rechazar
a que ambas medias
sean iguales al nivel de probabilidad elegido; de las medias que estan
entre ellas no se puede decir nada, por lo que sera necesario continuar
el contraste. Si la diferencia en cambio es menor que Rp , no se puede
rechazar que ambas medias sean iguales, sucediendo lo mismo con todas
las contenidas entre ellas.
Para calcular Rp , siendo p el n
umero de medias entre las dos a
comparar, ambas inclusive, es necesario conocer el valor tabulado para
el recorrido de Duncan, rp , dado en la tabla A.44. Este viene dado por
rp = C1,p,N k , siendo N k los grados de libertad del error. Una vez
conocido rp , el valor de Rp viene determinado por la expresion
r
M CE
.
Rp = rp
n
Ejemplo 6.7

Un grupo de psicologos y naturalistas estan estudiando las causas del insomnio para intentar encontrar el modo de solucionarlo. Tras muchas investigaciones, dieron con cinco metodos que facilitan el

168 Captulo 6. Analisis de la Varianza


sue
no: pastillas, hierbas naturales, autosugestion,
yoga y gimnasia. Tras someter a varios pacientes
que sufran insomnio a cada uno de estos metodos,
asignados aleatoriamente, las horas de sue
no se reflejan en la siguiente tabla:
Pastillas Yoga Autosuges. Hierbas Gimnasia

90 34
80 53
90 43
80 37
90 64

60 46
40 83
50 89
50 30
60 33

50 79
50 13
60 17
40 72
50 60

80 37
70 57
80 69
80 06
70 23

40 94
40 11
50 45
50 21
50 00

Se ha comprobado que existen diferencias entre los


metodos. Se trata ahora de averiguar, con un nivel
de significacion de 00 05, cuales son los metodos que
presentan las diferencias.
Se tienen N = 25 observaciones y se desea comparar k = 5 medias. En primer lugar se calcularan
dichas medias y se ordenaran de mayor a menor:
x(1)
x(2)
x(3)
x(4)
x(5)

= x1
= x4
= x2
= x3
= x5

= 90 06
= 70 98
= 50 76
= 50 48
= 40 94

En cuanto al valor de M CE , se obtiene


M CE = 00 3461.
Se trata ahora de ir comparando cada dos medias
con el valor
q
Rp = rp MnCE ,
donde rp viene dado en la tabla A.44.
q
Rp = rp MnCE
q
0
= rp 00 2631.
= rp 0 3461
5

6.3 Contrastes m
ultiples 169
Buscando en las tablas para n = 20, se obtiene que
r5 = 30 25; r4 = 30 18; r3 = 30 10; r2 = 20 95,
por lo que
R5 = 00 8551;
R3 = 00 8156;

R4 = 00 8367;
R2 = 00 7761.

Para comparar las medias correspondientes a Pastillas y Yoga, grupos 1 y 2, se procede en primer
lugar a identificar los rangos correspondientes a dichas medias, resultando que x1 = x(1) y x2 = x(3) .
A continuacion se calcula la diferencia de las medias
x(1) x(3) = 90 06 50 76 = 30 3
el n
umero de medias a considerar es p = (3 1) +
1 = 3, por lo que dicha diferencia debe compararse
con R3 = 00 8156, resultando significativa.
El resultado de las restantes comparaciones se recoge en la tabla 6.2, donde se han marcado con *
las diferencias significativas.
Resumiendo, las pastillas y las hierbas presentan
diferencias con los restantes grupos, pudiendo considerarse iguales las parejas Yoga-Autosugesti
on y
Autosugestion-Gimnasia.
3.2.

Test de NewmanKeuls

Este test es similar al de Duncan, salvo que el valor crtico se


obtiene de modo diferente, a partir de las tablas de recorrido studentizado. Al igual que en el metodo anterior, se requiere que el n
umero de
observaciones por nivel sea el mismo, n.
Las k medias muestrales se disponen en orden creciente. De nuevo
se van calculando las diferencias entre cada dos de ellas y se estudia si

170 Captulo 6. Analisis de la Varianza

Pastillas-Yoga
Pastillas-Autosugestion
Pastillas-Hierbas
Pastillas-Gimnasia
Yoga-Autosugestion
Yoga-Hierbas
Yoga-Gimnasia
Autosugestion-Hierbas
Autosugestion-Gimnasia
Hierbas-Gimnasia

Rangos
(1)-(3)
(1)-(4)
(1)-(2)
(1)-(5)
(3)-(4)
(3)-(2)
(3)-(5)
(4)-(2)
(4)-(5)
(2)-(5)

Diferencia
33
358
108
412
028
222
082
25
054
304

p
3
4
2
5
2
2
3
3
2
4

Rp
08156
08367
07761
08551
07761
07761
08156
08156
07761
08367

*
*
*
*
*
*
*
*

Tabla 6.2: Resultados: Test de Duncan


son mayores que los valores
r
Wp = q,p,N k

M CE
,
n

siendo p el n
umero de medias que hay entre dos de ellas (incluidas estas)
y q,p,N k el valor crtico dado en la tabla A.42.
Si alguna de esas diferencias es mayor que su correspondiente Wp ,
se rechaza que las medias sean iguales; en caso contrario, no se puede
rechazar que sean iguales.
Ejemplo 6.8

Para los datos del ejemplo anterior, se calcula


q
Wp = q,p,N k MnCE ,
donde
q,p,N k = q00 05,p,20 ,

p = 2, . . . , 5,

obteniendose
q5 = 40 23; q4 = 30 96; q3 = 30 58; q2 = 20 95.
Por tanto,

6.3 Contrastes m
ultiples 171
W5 = 10 1155;
W3 = 00 9419;

W4 = 10 0419;
W2 = 00 7761.

A continuacion se van comparando medias.


Medias 1 y 5: x1 x5 = 40 12 > W5 = 10 1155, por
tanto, se rechaza la hipotesis de igualdad de las
medias 1 y 5.
Comparando todas las medias, se llega a los mismos resultados que con Duncan, salvo que para el
caso de las medias 2 y 5: x2 x5 = 00 82 < W3 =
00 9412, luego no se puede rechazar la hipotesis de
igualdad de ambas medias. Notese que con el metodo anterior se rechazaba pero por una diferencia
muy peque
na.
Por tanto, los resultados son basicamente los mismos que en el ejemplo anterior.
3.3.

Test de Bonferroni

El test de Bonferroni para comparaciones m


ultiples esta basado
en la distribucion t de Student. Al contrario que suceda en los test
anteriores, aqu no es necesario que el n
umero de observaciones por nivel
sea el mismo, pero requiere la especificacion previa del n
umero total de
estimaciones a realizar, m. A su vez, se trata de un procedimiento no
secuencial, recurriendo a un u
nico valor crtico para todas las diferencias.
La expresion que proporciona los intervalos de confianza para las
m combinaciones lineales, Li , siendo para todos ellos el nivel de confianza
1 , viene dada por
i t1 ,N k
L
2m

i ].
V[L

En el caso, Li = i j , las estimaciones por intervalos de confianza de Bonferroni para las diferencias en los valores medios de los

172 Captulo 6. Analisis de la Varianza


tratamientos, a un nivel 1 , vienen dadas por
s

1
1

xi. xj. t1 2m
+
,N k M CE
ni nj
y por tanto, se rechazara la hipotesis de igualdad de las medias i y j
cuando
s

1
1

|xi. xj. | > t1 2m ,N k M CE


+
.
ni nj
3.4.

Test HSD de Tukey

El test HSD de Tukey, al igual que suceda con el anterior, utiliza un u


nico valor crtico para todas las diferencias posibles, en vez de
comparar cada media con un valor distinto que dependa del n
umero de
medias contenidas en la comparacion. En este sentido, este test es no
secuencial. En concreto, el valor crtico utilizado es el que aparece en las
tablas de recorrido studentizado para p = k, q,k,N k .
Para determinar si los valores medios de dos tratamientos difieren
o no, sean por ejemplo i y j , con i 6= j, se determina el error estandar
de la diferencia de medias entre las muestras. Este es
s

1
1
+
.
Ei,j = M CE
ni nj
A partir de el se construye el valor
q,k,N k

HSDi,j =
Ei,j ,
2
donde el valor q,k,N k viene dado en la tabla A.42. Se considerara que
las medias i y j son distintas cuando
|di,j | = |xi. xj. | > HSDi,j .
Este estadstico permite construir intervalos de confianza para todas las diferencias de medias, con un nivel de confianza de al menos
1 , que viene dado por:
xi. xj. HSDi,j .

6.3 Contrastes m
ultiples 173
Cuando todos los tama
nos muestrales son iguales, el nivel de confianza
por el metodo de Tukey es exactamente 1 . Si los tama
nos muestrales
son diferentes, el nivel de confianza para todas las comparaciones por
parejas sera mayor, es decir, el metodo es conservador, proporcionando
estimaciones menos precisas.
Ejemplo 6.9

Si se le aplica el test HSD de Tukey a los datos


del ejemplo 6.7, donde
ni = 5,

i {1, . . . , 5},

se obtiene lo siguiente:
El valor de q,k,N k = q00 05,5,20 = 40 23 se encuentra
en la tabla A.42. A partir de este se calcula
q0

HSDi,j = 0 05,5,20
Ei,j .
2
Como los tama
nos muestrales son todos iguales, el
valor de Ei,j es constante, siendo este,
q
M CE 2
E = Ei,j =
5
= 00 2631 2,
luego
HSD = HSDi,j

= q00 05,5,20 00 2631


= 40 23 00 2631 = 10 1155,

que es constante para todas las medias.


Si se realizan los contrastes de igualdad de cada dos
medias al igual que se hizo con Duncan y Newman
Keuls, se sacan basicamente las mismas conclusiones, salvo en un caso: el metodo de las pastillas y
el de las hierbas se pueden considerar iguales seg
un
el test de Tukey.
3.5.

Test de Scheff
e

Hay ocasiones en las que no se sabe de antemano cuantos contrastes se desean realizar, o situaciones en las que interesa realizar mas de

174 Captulo 6. Analisis de la Varianza


k 1 posibles comparaciones. En estos casos se recurre al metodo de
Scheffe, que permite realizar cualquier contraste, incluso aquellos que
plantean combinaciones lineales de medias de los tratamientos. Para la
realizacion de este test, no es necesario que el n
umero de observaciones
por nivel sea el mismo.
Partiendo del modelo ANOVA:

Xi = + i + i

i = 1, . . . , k
i N (0, )

se define Contraste como


L=

k
X

ci i ,

con

i=1

k
X

ci = 0,

i=1

que no es sino una combinacion lineal de los k efectos. Como puede


observarse, este contraste equivale a
L=

k
X

ci i ,

con

i=1

ya que i = + i y

Pk

i=1 ci

k
X

ci = 0,

i=1

= 0.

Puesto que L es desconocido, se puede obtener una estimacion de


la expresion anterior sustituyendo i por su estimador, xi. . As pues, se
tiene que
k
X
=
L
ci xi. .
i=1

se comprueba que vale


En cuanto a la varianza de L,
L2

=
= V[L]

k
X

c2i V[xi. ]

i=1

k
X
c2
i

i=1

y su estimacion

L2 = M CE

k
X
c2
i

i=1

ni

ni

6.3 Contrastes m
ultiples 175
siendo M CE la estimacion de 2 .
As pues, el intervalo de confianza para L, a un nivel 1 , viene
dado por
q

L
L (k 1)F1,k1,N k .
Esto se traduce en lo siguiente. Si se pretende probar la hipotesis
de que el contraste L difiere significativamente
de cero, la regla de dep
>
cision que se adopta es si |L|
L (k 1)F1,k1,N k , se rechaza la
hipotesis de que el contraste L es igual a cero.
Puesto que lo que ha motivado el planteamiento de los contrastes
m
ultiples es la necesidad de averiguar si un nivel del factor presenta un
efecto mayor que el de otro, se trata ahora de particularizar este metodo
al estudio de contraste de parejas de medias.
Si se quiere contrastar

H0 : i = j
H1 : i 6= j

la diferencia L = i j es un contraste de los definidos anteriormente,


ya que la suma de sus coeficientes da cero. Averiguar si las medias i y
j difieren es estudiar si la diferencia L es significativamente distinta de
cero. Por tanto, bastara comprobar si
q
>
|L|
L (k 1)F1,k1,N k ,
es decir, si

q
|xi. xj. | >
L

(k 1)F1,k1,N k .

De ser as, se rechazara la hipotesis de igualdad de medias.


Ejemplo 6.10 Se quiere estudiar el grado de cultura que tienen
los jovenes entre 14 y 17 a
nos seg
un el nivel socio
economico, que podra clasificarse en 5 grupos: A,
B, C, D y E. Aleatoriamente se toman muestras de
6 jovenes pertenecientes a cada nivel y se les somete
a un test, obteniendo los siguientes resultados:

176 Captulo 6. Analisis de la Varianza


A
32
35
27
31
38
29

B
37
39
30
33
42
28

C
30
35
28
34
34
30

D
25
30
22
27
31
21

E
39
42
28
33
47
30

Suponiendo que entre los cinco niveles existen diferencias significativas, se trata de averiguar entre
que grupos se dan las diferencias, para lo que se
recurre al test de Scheffe.
En primer lugar, se quiere realizar el contraste

H0 : 1 = 2
H1 : 1 6= 2
Se trata de averiguar si
p
|x1. x2. | >
L (k 1)F1,k1,N k ,
para el nivel de significacion 00 05. Esto es equivalente a
(x1. x2. )2 1
k1

> F1,k1,N k .

La tabla siguiente recoge los datos necesarios para


aplicar el test:
x
x2
n
xi.
A
192 6224 6
32
B
209 7427 6 340 83
C
191 6121 6 310 83
D
156 4140 6
26
E
219 8267 6 360 5
Total 967 32179 30 320 23
M CE =
Se calcula

SCE
6250 17
=
= 250 01.
N k
25

6.3 Contrastes m
ultiples 177
H0
1 = 2
1 = 3
1 = 4
1 = 5
2 = 3
2 = 4
2 = 5
3 = 4
3 = 5
4 = 5

Fe
00 24
00 00
10 08
00 61
00 27
00 34
00 08
10 02
00 65
30 31

Tabla 6.3: Resultados del test de Scheffe

(x1. x2. )2 1
k1

2
L

(20 83)2 1
= 00 24.
250 01( 61 + 16 ) 4

Como F1,k1,N k = F00 95,4,25 = 20 76 < 00 24, no


se puede rechazar la hipotesis de igualdad de las
medias 1 y 2, es decir, que no existen diferencias
significativas entre el grupo A y B.
Habra que seguir realizando los contrastes de pares
de medias hasta comparar todas. Los resultados
obtenidos se recogen en la tabla 6.3, donde se han
marcado con las diferencias significativas.
3.6.

Diferencias entre los test de comparaciones m


ultiples

Dependiendo de que las comparaciones sean entre parejas de tratamientos o mas generales, sera mas aconsejable el test de Tukey o el de
Scheffe. En el caso de comparaciones de parejas de tratamientos, puesto
que el de Tukey proporciona intervalos de confianza de menor longitud, se preferira al de Scheffe. Sin embargo, puesto que normalmente los
contrastes que se realizan son mas generales, el test de Scheffe tiende a
proporcionar, en esos casos, intervalos de confianza de menor longitud.
Si el n
umero de contrastes a realizar es, a lo sumo, el n
umero de

178 Captulo 6. Analisis de la Varianza


tratamientos, es preferible el test de Bonferroni al de Scheffe. De hecho,
para que el test de Scheffe sea mejor, el n
umero de contrastes debe ser
bastante superior al de tratamientos o niveles del factor.
Por otra parte, en lo que respecta a la eleccion entre Duncan,
NewmanKeuls o Tukey, todo depende del riesgo que se este dispuesto a
correr al aceptar mas o menos diferencias entre las medias. Se elegira entre uno u otro seg
un se este interesado en un menor o mayor n
umero de
diferencias significativas y el grado de seguridad con que pueda tomarse.
4.

Validaci
on del modelo
En el modelo ANOVA de un factor,
Xi = + i + i ,

i = 1, . . . , k

se parte del supuesto que i N (0, ) y de que las muestras son independientes. Cuando estas suposiciones son validas, el modelo proporciona
una prueba exacta para la hipotesis de igualdad de medias de los niveles.
Pero en la practica, estas no se suelen cumplir con exactitud, por lo que
antes de aplicar el analisis de la varianza debera comprobarse que tales
suposiciones son ciertas.
Para averiguar si se cumplen las mencionadas condiciones parametricas de aleatoriedad, normalidad y homocedasticidad de los residuos o errores, se hace uso de algunos de los contrastes vistos anteriormente.
As, para estudiar la aleatoriedad de los i , se puede recurrir al
test de rachas. En cuanto al estudio de la normalidad de los residuos, lo
mejor es realizar uno de los siguientes contrastes: el test de la 2 , el test
de KolmogorovSmirnovLilliefors o el test W de ShapiroWilks.
4.1.

Homocedasticidad

Para estudiar si los residuos provienen de poblaciones Normales


de igual varianza, es decir para comprobar la homocedasticidad, existen
varios test que contrastan dicha igualdad de varianzas en k poblaciones.

6.4 Validaci
on del modelo 179
Los contrastes de Bartlett y Hartley, que suponen que cada una de las k
poblaciones es Normal y que se han obtenido de cada poblacion muestras
aleatorias simples, o el de Cochran, son algunos de los que se proponen.
El de Bartlett es un contraste general que abarca tanto el caso de
tama
nos muestrales iguales como desiguales; sin embargo, el de Hartley
solo es aplicable si los tama
nos muestrales son iguales, y se ha dise
nado
para ser sensible a diferencias sustanciales entre la varianza poblacional
mas grande y la mas peque
na. El contraste de Cochran se preferira cuando la mayor varianza muestral sea mucho mayor que el resto, o cuando
el n
umero de niveles por factor sea superior a 12.
En los tres, el contraste que se pretende realizar es el siguiente:

H0 : 1 = 2 = = k
H1 : i 6= j , para alg
un i 6= j
4.1.1. Test de Bartlett
Para resolver el contraste de igualdad de varianzas propuesto, se
recurre al siguiente estadstico:
"
k
!#
X
1
B=
(N k) log Sc2
(ni 1) log Sc2i
,
C
i=1

donde Sc21 , . . . , Sc2k representan las cuasivarianzas muestrales, Sc2 denota


la cuasivarianza ponderada,
Pk
(ni 1)Sc2i
2
Sc = i=1
,
N k
y donde C viene dada por
" k
#
X 1
1
1
C =1+

.
3(k 1)
ni 1 N k
i=1

Para un nivel de significacion , el test de Bartlett rechaza H0 , si


B > 2k1,1 .

180 Captulo 6. Analisis de la Varianza


Observaci
on 6.1 La aproximaci
on a una Chicuadrado se considera
apropiada cuando ni 5, i = 1, . . . , k.
El test de Bartlett es sensible a desviaciones de la normalidad, en
cuyo caso no es recomendable.
Ejemplo 6.11 Se esta realizando un estudio para averiguar cuanto difieren los niveles de una determinada sustancia
qumica en tres grupos de personas que han seguido
dietas diferentes. Para ello se tomaron las siguientes muestras, que se saben estan normalmente distribuidas:
Dieta 1 Dieta 2 Dieta 3
256
266
269
628
256
256
253
258
620
256
320
452
450
286
256
Con el proposito de averiguar en estudios posteriores si el nivel de la sustancia depende de la dieta,
se va a llevar a cabo un analisis del cumplimiento
de la condicion de homocedasticidad, a traves del
test de Bartlett. El contraste que se plantea es

H0 : 12 = 22 = 32
H1 : i2 6= j2 , para alg
un i 6= j
El estadstico que se utiliza es
"
k
!#
X
(ni 1) log Sc2i
B = C1 (N k) log Sc2
i=1

siendo
k
X
(ni 1)Sc2i

Sc2 =

i=1

N k

6.4 Validaci
on del modelo 181
y
" k
#
X 1
1
1
C = 1+

.
3(k 1)
ni 1 N k
i=1

Es sabido que B 2k1 . Para k = 3 y puesto que


N = 15, n1 = 4, n2 = 5 y n3 = 6, el valor de C
sera,
1 1 1

1
1
C = 1 + 32
+
+

3
4
5
12
= 10 1167.
Calculando las cuasivarianzas muestrales,
n

Sc2i

i
1 X
(xij xi )2
ni 1
j=1

2
ni
ni
X
1
1 X

x2ij
xij
ni 1
ni

j=1

j=1

Sc21 = 347840 25; Sc22 = 6814; Sc23 = 222750 9


y el valor de Sc2 resulta

1
Sc2 =
3 347840 25 + 4 6814 + 5 222750 9
12
2429880 25
=
= 202490 0208.
12
Luego, sustituyendo en la expresion de B, se llega
a que B = 20 0206. Para un nivel de significacion de
00 05, el valor de 22,00 95 = 50 99, que resulta ser mayor que el de B, por lo que no se puede rechazar la
hipotesis de igualdad de varianzas, asumiendo por
tanto, que se verifica la hipotesis de homocedasticidad.
4.1.2. Test de Cochran
El test de Cochran para muestras del mismo tama
no, n, propone
como estadstico la razon entre la mayor varianza muestral y la suma de

182 Captulo 6. Analisis de la Varianza


todas las varianzas muestrales, es decir,
C=

max1ik Si2
.
Pk
2
i=1 Si

En la tabla A.39, aparecen los valores crticos para este contraste. Si


resulta que C es mayor que el valor que all apareciese para k y n, se
rechaza la hipotesis de igualdad de varianzas.
Ejemplo 6.12 Supongase que se esta estudiando un factor que
tiene 5 niveles, de los cuales se extraen cinco muestras aleatorias de tama
no 10. Se conocen las varianzas de cada una de las muestras:
S12 = 26, S22 = 51, S32 = 40, S42 = 24 y S52 = 28.
Se trata de realizar el contraste de igualdad de varianzas, al nivel de significacion de 00 05, para las
muestras anteriores, a traves del test de Cochran.
El estadstico de contraste viene dado por:
max Si2

C =

1ik
k
X

Si2

51
169

i=1

= 00 302.
Buscando en las tablas de Cochran para = 00 05,
k = 5 y n = 10, se obtiene el valor crtico de 00 4241,
que resulta ser mayor que el valor de C, por lo que
no se puede rechazar la hipotesis de igualdad de
varianzas.
4.1.3. Test de Hartley
El test de Hartley se aplica cuando las k varianzas muestrales
tienen los mismos grados de libertad, es decir, cuando el n
umero de
observaciones por nivel sea el mismo, n. Esta basado en la comparacion
de la mayor varianza muestral con la menor, de modo que el estadstico

6.4 Validaci
on del modelo 183
que se emplea es
H=

max1ik Si2
.
mn1ik Si2

Cuando el estadstico H sea mayor que el valor tabulado Hk, , siendo


= n1, se rechaza la hipotesis de igualdad de las varianzas. Los valores
de Hk, vienen dados en la tabla A.45.
4.2.

Transformaciones de las observaciones

Hay ocasiones en las que una transformacion en las observaciones


permite corregir alguna de las desviaciones debidas al no cumplimiento
de las hipotesis del modelo. Es el caso de los datos que, sin proceder de
poblaciones Normales, pueden aproximarse a ella.
Entre las transformaciones mas importantes destacan la transformacion raz cuadrada y la transformacion arco seno.
4.2.1. Transformaci
on raz cuadrada
Esta transformacion resulta muy u
til cuando los datos proceden
de una Poisson o, de modo general, cuando los datos observados son
n
umero de elementos. En estos casos se trabaja con la raz cuadrada de
los datos o con alguna funcion de la misma, como es
r

3
x+ .
8

4.2.2. Transformaci
on arco seno
Cuando los datos vienen dados en tantos por ciento, p, es decir,
proceden de una distribucion Binomial, se aconseja realizar la transformacion

arc sen p.

184 Captulo 6. Analisis de la Varianza


Ejemplo 6.13 Se quiere estudiar si los tres niveles de un determinado factor A son iguales. Para ello, se toman
tres observaciones de cada nivel, viniendo dados
los datos en porcentajes, tal y como indica la tabla
siguiente:
Nivel I Nivel II Nivel III
80 1
80 6
12
0
0
92
89
130 2
0
0
95
74
130 1
Previo al analisis de la varianza y puesto que los datos siguen una Binomial, se va a realizar una trans
formacion de las observaciones mediante arc sen p.
Los resultados aparecen en la siguiente tabla:
Nivel I Nivel II Nivel III
160 54
170 05
200 27
0
0
17 66
17 36
210 30
170 95
150 79
210 22
A continuacion se realiza el correspondiente analisis de la varianza:
F uente SC G.L. M C
F0
Entre 300 61
2
150 31
Dentro 30 15
6
00 52 290 172
Como F1,k1,N k = F (00 1, 2, 6) = 30 46 y
F0 = 290 172 > 30 46 = F1,k1,N k
se rechaza la hipotesis de que los tres niveles del
factor sean iguales.
5.

Tests no param
etricos

Cuando alguna de las condiciones parametricas del ANOVA no se


cumpla, habra que recurrir a otros metodos para contrastar la hipotesis
de igualdad en los niveles medios del factor que se esta estudiando. Los
tests no parametricos son una alternativa al ANOVA cuando alguna de

6.5 Tests no parametricos 185


las condiciones de normalidad, homocedasticidad o independencia falla.
Entre ellos, se estudian los test de KruskalWallis, de Q de Cochran y
el de Welch.
Una vez contrastada la hipotesis de igualdad de los efectos, si esta
es rechazada, habra que realizar un estudio para averiguar donde se
encuentran las diferencias. Para ello, se recurre de nuevo a las comparaciones m
ultiples, en el que se estudia el test de comparaciones m
ultiples
de KruskalWallis.
5.1.

Test de KruskalWallis

El test de KruskalWallis permite probar la hipotesis de igualdad


de k tratamientos cuando no se da la normalidad o la homocedasticidad,
siendo necesario solo que las observaciones sean independientes.
Dicho test se basa en reemplazar las observaciones por sus respectivos rangos, para lo cual se toman k muestras aleatorias de tama
no ni
de cada uno de los niveles del factor. A continuaci
on se organizan las
observaciones xij en orden ascendente, reemplazandolas por su rango,
Rij .
Pk
Si el n
umero total de datos es N =
i=1 ni , el rango 1 le correspondera al valor mas peque
no y al mas grande, N . Cuando haya
observaciones repetidas, se les asignara el rango promedio a cada uno
de ellas. La suma de los rangos de las observaciones del i-esimo nivel se
denota por Ri. .
Cuando no existen observaciones repetidas, el estadstico de contraste tiene la siguiente expresion
k

X R2
12
i.
H=
3(N + 1).
N (N + 1)
ni
i=1

Cuando, por el contrario, existan varias observaciones repetidas, se utiliza una correccion del estadstico anterior
Hc =

H
,
C

186 Captulo 6. Analisis de la Varianza


siendo
k
X
(ri3 ri )

C =1

i=1

N3 N

donde ri denota el n
umero de observaciones repetidas en cada grupo de
repeticiones.
Cuando ni 5 o el n
umero de niveles es mayor que 3, el estadstico
H se distribuye como una Chicuadrado de k 1 grados de libertad, si
la Hipotesis Nula es verdadera. Por tanto, se rechaza la Hipotesis Nula
cuando H > 2k1,1 .
Para el caso de 3 niveles y ni 5, se recurre a los valores que
aparecen en la tabla A.40, H(, 3, (n1 , n2 , n3 )), de manera que se rechazara la Hipotesis Nula cuando H > H(, 3, (n1 , n2 , n3 )).
Ejemplo 6.14 Una compa
na quiere comparar 5 tipos de llantas,
A, B, C, D y E, por lo que decide probarlas en cinco
coches similares, asignandoles a cada uno de ellos
y al azar, un tipo de llanta. Sus vidas medias en
rodaje, medidas en miles de millas, vienen dadas
en la siguiente tabla:
Llantas
A
B
C
D
E

68
72
60
48
64

Vidas medias
72 77 42
53 63 53
82 64 75
61 57 64
65 70 68

53
48
72
50
53

Se quiere contrastar la hipotesis de que no hay diferencias entre ellas a un nivel de significacion del
5 %.
Suponiendo que no se verifican las condiciones parametricas, el problema se va a abordar desde el
punto de vista no parametrico, recurriendo al test
de KruskalWallis.

6.5 Tests no parametricos 187


Para ello se ordenan los datos en orden creciente y
se les asigna su rango, obteniendose
Llantas
Rangos
Ri
A
170 5 21 24
1
60 5 70
B
21 60 5 12 60 5 20 5 480 5
C
10 25 14 23 21 93
D
20 5 11 9
14
4 400 5
0
E
14 16 19 17 5 60 5 73
Se tiene N = 25 observaciones, de las cuales algunas estan repetidas. La siguiente tabla refleja aquellos datos que se repiten y cuantas veces:
Observacion 48 53 64 68 72 Total
ri
2 4 3 2 3
3
ri ri
6 60 24 6 24 120
Puesto que existen observaciones repetidas, el estadstico de contraste es Hc = H
C , siendo
k

H =

X R2
12
i.
3(N + 1)
N (N + 1)
ni
i=1

k
X
(ri3 ri )

C = 1

i=1

N3 N

A partir de las tablas anteriores, se obtiene


C = 00 9923 y H = 60 44
Por tanto, el valor del estadstico
Hc =

60 44
= 60 49.
00 9923

Para = 00 05 es 2k1,1 = 24,00 95 = 90 49, resultando ser mayor que el valor Hc , por lo que no
se puede rechazar la hipotesis de igualdad en las
llantas.

188 Captulo 6. Analisis de la Varianza


5.2.

Test Q de Cochran

El test de Cochran se utiliza cuando las observaciones no cumplen


ninguna de las condiciones parametricas, en especial la independencia.
Es el test que se suele aplicar cuando, por ejemplo, la misma persona
o grupo de personas es sometida a los k niveles del factor o cuando los
valores observados son dicotomicos. Es importante se
nalar que en este
test, el n
umero de elementos sometidos a cada nivel del factor debe ser
el mismo.
La base radica en la construccion de una tabla de ceros y unos,
con tantas filas como individuos sometidos a cada nivel (supongase N ) y
tantas columnas como niveles tenga el factor (k). Cuando la respuesta del
individuo al nivel sea favorable, se le asignara un uno, en caso contrario,
un cero. El total de unos en la columna j se denotara por cj y el de la
fila i por fi .
El estadstico de contraste es el siguiente:
2

k
k
X
X
cj
(k 1) k
c2j
j=1

j=1

Q=
k

N
X
i=1

fi

N
X

fi2

i=1

que se sabe tiene una distribucion Chicuadrado con k 1 grados de


libertad.
Ejemplo 6.15 Una empresa esta a punto de sacar al mercado
un nuevo producto dirigido a los jovenes entre 14
y 17 a
nos, pero a
un no ha decidido la apariencia
y textura que le van a dar a dicho producto. Cuatro agencias de publicidad le han presentado sus
propuestas, pero la agencia ha decidido que sean
los propios consumidores los que elijan la forma.
Aleatoriamente seleccionaron a seis jovenes y les
presentaron las cuatro modelos, teniendo que contestar si les gustaba o no. La siguiente tabla recoge

6.5 Tests no parametricos 189


los resultados, donde los unos significa que gusto y
los ceros, que no.
Joven Modelo 1 Modelo 2 Modelo 3 Modelo 4
1
0
0
1
0
2
0
0
1
1
3
0
1
1
1
4
1
1
0
0
5
1
0
0
1
6
0
1
1
0
Para contrastar si los cuatro modelos son igualmente aceptados, se recurre al test Q de Cochran.
El estadstico de contraste es,
2

k
k
X
X
(k 1) k
c2j
cj
j=1

Q =
k

N
X

j=1

fi

i=1

N
X

fi2

i=1

por lo que hay que calcular las fi y ci . Observando


la tabla, se obtiene:
c1 = 2; c2 = 3; c3 = 4; c4 = 3;
f1 = 1; f2 = 2; f3 = 3; f4 = 2; f5 = 2; f6 = 2;
P
2
P4
4
2 = 38;
c
c
= 144
j=1 j
j=1 j
P6

i=1 fi

= 12;

P6

2
i=1 fi

= 26.

Por lo tanto,
Q=

3[4 38 144]
= 10 091
4 12 26

y puesto que, para un nivel de significacion del


10 %, es 23 = 60 251, mayor que Q, no se puede
rechazar la hipotesis de igualdad en los cuatro modelos propuestos.

190 Captulo 6. Analisis de la Varianza


5.3.

Test de Welch

Para contrastar si los efectos de los distintos niveles de un factor


son iguales, cuando falla la condicion de homocedasticidad, se utiliza el
test de Welch.
Se extraen k muestras aleatorias de cada nivel, de tama
P no ni . Sea
wi = Sn2i , siendo Si2 la varianza del nivel i-esimo, y w = ki=1 wi . Si xi.
i
representa la media del nivel i-esimo, se define
k
X

x.. =

wi xi.

i=1
k
X

.
wi

i=1

El estadstico que se utiliza es el siguiente:


k
X

wi (xi. x.. )2

i=1
2

V =
1+

k1
k
X
2(k 2)
1
k2 1

i=1

h
wi i2
1
ni 1
w

que se sabe tiene una distribucion F de Snedecor de 1 y 2 grados de


libertad, siendo
"

1 = k 1;

3 X 1
wi 2
2 =
1

k2 1
ni 1
w
k

#1
.

i=1

Si V 2 > F1 ,2 , , se rechaza la hipotesis de que las los niveles


medios del factor sean iguales.
Ejemplo 6.16 En una academia de frances, disponen de tres
metodos para el aprendizaje de este idioma. Se

6.5 Tests no parametricos 191


quiere averiguar si los tres son igualmente efectivos, para lo que se toman muestras aleatorias de
individuos pertenecientes a cada uno de los grupos
sometidos a un metodo. Tras hacerles un examen,
los resultados fueron los siguientes:
Metodo Metodo Metodo
1
2
3
0
0
117 4
136 3
2120 6
0
0
196 6
140 4
2170 6
1970 5
1750 5
2200 6
0
0
103 8
104 4
2200 0
0
175 3
Si se realiza el test de ShapiroWilk, a un nivel
de significacion del 10 %, para saber si se cumple
la condicion de normalidad, se llega a que Wexp =
00 879 y W13,00 1 = 00 889, con lo que se rechaza la
hipotesis de normalidad. Analogamente, si se realiza el test de Hartley para contrastar la hipotesis
de igualdad de varianzas, se llega a rechazar dicha hipotesis. Ante esta situacion, para averiguar
si los tres metodos son igualmente efectivos se va
a recurrir al test de Welch.
La siguiente tabla recoge los datos que hacen falta
para calcular el estadstico de contraste:
Metodo 1 Metodo 2 Metodo 3
ni
4
5
4
xi.
1520 83
1460 38
2170 70
Si2
18910 6219 7160 8056
90 93
ni
wi = 2 00 0021
00 007
00 4028
Si
Sustituyendo los valores de

192 Captulo 6. Analisis de la Varianza


3
X

w =

wi = 00 41191;

i=1
P3
i=1 wi xi.

= 2160 15909
w
en la expresion del estadstico, se obtiene,
x.. =

k
X

wi (xi. x.. )2

i=1

V2 =
1+

k1
k
X
2(k 2)
1
k2 1

i=1

h
wi i2
1
ni 1
w

= 180 987.
Puesto que 1 = 2 y
#1
"
k
wi 2
3 X 1
1
2 =
k2 1
ni 1
w
i=1

= 40 66,
para un nivel de significacion de 00 1, se tiene que
F2,5,00 1 = 30 78 y como V 2 > F2,5,00 1 , se rechaza la
hipotesis de que los tres metodos sean iguales.
5.4.

Test de comparaciones m
ultiples de KruskalWallis

Si tras realizar el contraste se rechaza la hipotesis de igualdad en


los niveles medios del factor, habra que averiguar cual o cuales de ellos
son distintos.
Suponiendo, en primer lugar, que todas las muestras son del mismo
tama
no, n, el criterio adoptado para rechazar la hipotesis de que la media
de los niveles i y j sea la misma, viene dada por:
|Ri Rj | r,k,n ,
siendo Ri la suma de los rangos en la muestra del nivel i, Rj la suma de

6.5 Tests no parametricos 193


los rangos de la muestra del nivel j, k el n
umero de niveles del factor y
r,k,n dado en la tabla A.41.
Cuando k = 3 y las muestras son de distinto tama
no, el criterio
para rechazar la hipotesis de igualdad de medias de los niveles i y j, es
el siguiente:
s

1
n(n + 1) 1
|Ri Rj | H(, 3, (n1 , n2 , n3 ))
+
,
12
ni nj
donde Ri y Rj son los rangos medios de las muestras i y j, es decir,
Ri =

Ri
ni

Rj =

Rj
nj

y H(, 3, (n1 , n2 , n3 )) viene dado en la tabla A.40.


Cuando se trate de muestras grandes y de distinto tama
no, se
utiliza la aproximacion
s

n(n + 1) 1
1
|Ri Rj | Z
+
,
12
ni nj
donde Z es el valor crtico de la distribucion N (0, 1) para un nivel de
significacion

.
k(k 1)

194 Captulo 6. Analisis de la Varianza


6.

Ejercicios

6.1.

Ejercicio resuelto

6.1 El propietario de una tienda de electrodomesticos tiene pensado asignar unas primas en funcion de la capacidad de venta de sus 3
vendedores. Para conocer dicha capacidad, registra, en cinco instantes
distintos de tiempo el volumen de ventas realizado por cada uno. Dichas
cantidades, en miles, vienen dadas en la siguiente tabla:
Vendedor A Vendedor B Vendedor C
30
85
40
20
73
28
35
92
39
42
86
41
60
75
50
a) Comprobar, a un nivel de confianza del 90 %, si el volumen de ventas difiere seg
un el vendedor.
b) Suponiendo normalidad, independencia y homocedasticidad en los datos, se puede admitir con una confianza del 99 % que el
volumen de ventas depende del empleado?
c) Se puede afirmar, con una confianza del 95 %, que la
capacidad de venta del empleado A es diferente a la del empleado C?
Soluci
on:
a) Para averiguar si el volumen de ventas difiere de unos
empleados a otros, se plantea el siguiente contraste de medias:

H0 : 1 = 2 = 3
H1 : i 6= j , para alg
un i, j {1, 2, 3}

Suponiendo que no se verifican las condiciones parametricas, el problema


se va a abordar desde el punto de vista no parametrico, recurriendo al
test de KruskalWallis.
Lo primero es ordenar los datos y asignarles su rango, obteniendo

6.6 Ejercicios 195


la siguiente tabla:
A
rA
B
30
3
85
20
1
73
35
4
92
42
8
86
60
10
75
R1. = 26 R2. =

rB
C
rC
13
40
6
11
28
2
15
39
5
14
41
7
12
50
9
65 R3. = 29

Puesto que hay N = 15 datos y ninguno de ellos se repite, el


estadstico de contraste viene dado por
k

H =
=

X R2
12
i.
3(N + 1)
N (N + 1)
ni
i=1
2

12
26
652 292
+
+
3 16 = 90 42.
15 16 5
5
5

Utilizando la tabla A.40, para = 00 1 y n1 = n2 = n3 = 5, se obtiene el valor H(00 1, 3, (5, 5, 5)) = 40 56. Como H(, 3, (n1 , n2 , n3 )) < H,
se rechaza la hipotesis de igualdad de medias, es decir, existen evidencias
para decir que la capacidad de venta difiere de unos empleados a otros.
b) Suponiendo ahora normalidad, homocedasticidad e independencia, para averiguar si el volumen de ventas depende del empleado,
o lo que es lo mismo, si el volumen de ventas es el mismo para cada empleado, se recurre al test F del ANOVA.
De nuevo se plantea el contraste:

H0 : 1 = 2 = 3
H1 : i 6= j , para alg
un i, j {1, 2, 3}

Para resolverlo, se recurre al estadstico


F =

M CT r
Fk1,N k ,
M CE

196 Captulo 6. Analisis de la Varianza


donde k = 3 y N = 15. La siguiente tabla recoge los datos que hacen
falta para el calculo de las medias de cuadrados, M CT r y M CE .
P 2
Nivel
xij
ni xi.
x2i. /ni
j xij
A
30, 20, 35, 42, 60 5 187 7889
69930 8
B
85, 73, 92, 86, 75 5 411 34039 337840 2
C
40, 28, 39, 41, 50 5 198 8086
78400 8
Total
15 796 50014 486180 8

SCT r

Una vez organizados los datos, se calcula la suma de cuadrados,


y SCE
k
X
x2i. x2..

SCT r =
= 63770 7333
ni
N
i=1

SCE =

ni
k X
X

x2ij

k
X
x2

i=1 j=1

i.

i=1

ni

= 13950 2.

Y la tabla ANOVA vendra dada por:


Fuente

SC

G.L.

MC

Entre

63770 7333

63770 7333
= 31880 8667
2

Dentro

13950 2

12

13950 2
= 1160 2667
12

Total

77720 9333

14

F0

31880 8667
= 270 4272
1160 2667

Para un nivel de significacion de 00 01, se tiene que F2,12,00 01 = 60 93,


que es menor que F0 = 270 4272, por lo que se rechaza la hipotesis de
igualdad de medias. Es decir, que el volumen de ventas vara seg
un el
empleado.
c) Para determinar si la capacidad de venta del empleado A
es diferentes de la del empleado C, se va a recurrir al metodo de Scheffe.
El contraste que se quiere realizar es el siguiente:

H0 : 1 = 3
H1 : 1 6= 3

6.6 Ejercicios 197


El estadstico que se toma es
F =

(X 1 X 3 )2

1
E
(k 1) SC
nk n1 +

As,
F =

Fk1,nk .

198 2
5 )
1 1
153 5 + 5

( 187
5
(3 1)

1
n3

13950 2

= 00 0520

y como, para el nivel de significacion del 1 % es F2,12 = 60 93 > 00 0520,


no se puede rechazar la hipotesis de igualdad de las medias 1 y 3, es
decir, no existen evidencias para decir que la capacidad de ventas del
empleado A y C sean diferentes, por lo que tendremos que asumir que
son iguales.

198 Captulo 6. Analisis de la Varianza


6.2.

Ejercicios propuestos

6.1. Se esta realizando un estudio sobre la tolerancia y el respeto


de los jovenes en las aulas de tres tipos de colegio: p
ublico, concertado
y privado. Tras tomar diferentes muestras aleatorias de cada uno de los
colegios, los resultados fueron:
P
ublico Concertado Privado
9
11
16
10
13
18
6
8
14
7
10
15
11
12
18
5
9
17
11
13
12
Estudie si existen diferencias en los tres tipos de colegio, a un nivel de
significacion de 00 05.
6.2. Estudie las diferencias en el ndice de analfabetismo de cuatro pueblos de la sierra, sabiendo que, tras elegir aleatoriamente una
muestra de cada uno de ellos y someterlos a un test, los resultados fueron:
Pueblo 1 Pueblo 2 Pueblo 3 Pueblo 4
78
52
82
57
85
48
91
61
90
60
85
45
77
35
74
46
69
51
70
47

6.3. Se quiere realizar un experimento para averiguar las producciones de cuatro variedades de cebada diferentes: A, B, C y D. Para
ello, se asigna aleatoriamente cada una de las variedades a varias parcelas
igualmente fertiles. Determine si existen diferencias en las producciones

6.6 Ejercicios 199


de cebada y si alguna destaca mas que otra.
A
35
28
37
29
36
34

B
41
25
42
33
37
40

C
41
39
52
61
63
57
55

D
38
35
27
31
30
35
29

6.4. Un padre quiere saber si a su hijo se le dan bien todas las


asignaturas o hay alguna que se le de peor, para apuntarlo en clases
particulares el a
no siguiente. Las notas de este curso son:
Fs. y Qum. Biologa Matemat. Ingles
72
81
88
74
80
74
82
71
83
77
90
77
75
87
70
80
Estudie si existen diferencias entre las notas de las distintas asignaturas
a un nivel de significacion del 1 %.
6.5. Una fabrica quiere averiguar si el tiempo de vida de los tres
tipos de bombillas que producen son iguales o por el contrario existen
diferencias significativas. Para ello, toman muestras aleatorias de las
vidas medias (en horas) de cada una de ellas, obteniendo:
Tipo I
407 411 409
Tipo II 404 406 408 405 402
Tipo III 410 408 406 408
Estudie, a nivel de significacion 00 05, si existen tales diferencias.

200 Captulo 6. Analisis de la Varianza


6.6. Una fabrica produce 4 modelos diferentes de radios con las
mismas prestaciones. Debido a problemas economicos se ve obligado el
a
no que viene a producir solo tres, por lo que esta interesado en realizar
un estudio sobre las preferencias de los consumidores. Tras seleccionar
aleatoriamente algunos consumidores y pedirles que puntuaran del 1 al
9 seg
un les gustara el modelo, los resultados fueron los siguientes:
Modelo 1 Modelo 2 Modelo 3 Modelo 4
8
7
8
6
8
8
6
5
9
7
3
1
7
7
4
2
9
6
5
1
8
4
3
5
Estudie si los cuatro modelos gustan por igual a los consumidores.
6.7. Se esta realizando un estudio sobre el tiempo que tarda una
determinada protena en ser asimilada. Se han establecido tres niveles de
dicha protena: 5, 10 y 15 miligramos. Tras seleccionar una muestra de
12 individuos e inyectarles aleatoriamente la protena, en sus distintos
niveles, se midio el tiempo de asimilacion (en minutos), obteniendo:
Protena
5 10 15
3 5 4
5 6 7
7 8 5
6 7 9
Suponiendo que los tiempos de asimilacion se distribuyen normalmente:
a) Compruebe si se verifica la condicion de homocedasticidad.
b) Son las observaciones independientes?
c) Estudie si los efectos de las distintas dosis son los mismos.

6.6 Ejercicios 201


6.8. Se quiere realizar un experimento para mejorar el rendimiento de los jugadores de baloncesto. Dicho experimento consiste en
someter a los jugadores a tres tipos de tecnicas de relajacion antes de
comenzar los partidos y medir el rendimiento por el n
umero de canastas
metidas en ese partido. Tras elegir 12 jugadores y someterlos aleatoriamente a cada una de las tecnicas, el n
umero de balones encestados por
cada uno fue el siguiente:
Tecnicas
A B C
19 24 17
23 27 28
30 29 31
32 30 34
Averiguar si las tecnicas influyen de igual modo en el rendimiento de los
jugadores.
6.9. Una conocida empresa piensa sacar a la venta un nuevo
producto y tiene pensado hacer propaganda por tres medios de comunicacion: prensa, radio y television. Le interesa saber cual de todas las
propagandas resulta mas atractiva, por lo que selecciona aleatoriamente
a 5 personas y les muestra cada una de las propagandas, pidiendoles
que punt
uen de 1 a 10 seg
un les haya gustado. Los resultados fueron los
siguientes:
Television Prensa Radio
90 3
40 8
7
9
7
50 7
90 7
70 3
4
0
0
77
68
40 8
0
0
88
65
5
Estudie si las tres propagandas son igualmente interesantes.
6.10. Un grupo de psicologos esta estudiando tres metodos para curar la timidez, los metodos A, B y C. Para ello seleccionan tres
muestras de pacientes correspondientes a los tres metodos, obteniendo

202 Captulo 6. Analisis de la Varianza


los resultados siguientes:
Metodo A Metodo B Metodo C
90 5
50 5
7
0
65
40 5
30 75
8
70 25
50 5
0
0
75
7 75
8
6
9
20 5
40 5
6
3
7
8
5
0
0
0
85
4 25
3 25
8
7
40 5
0
8 75
60 5
60 25
a) Compruebe si las observaciones son independientes y
Normales.
b) Estudie si los tres metodos son igualmente eficaces.
c) En caso negativo, estudie entre que metodos existen diferencias significativas.

Inferencia Estad
stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fern
andez Palacn, M. A. L
opez S
anchez,
M. Mu
noz M
arquez, A. M. Rodrguez Cha, A. S
anchez Navas,
C. Valero Franco
c
2007
Servicio de Publicaciones de la Universidad de C
adiz
http://www.uca.es/teloydisren

Ap
endice A
Tablas

204 Apendice A. Tablas

Tabla A.1: Distribucion Binomial


n
2
3

10

k
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10

001
09801
09999
10000
09703
09997
10000

005
09025
09975
10000
08574
09928
09999
10000
09606 08145
09994 09860
10000 09995
10000
09510
09990
10000

09415
09986
10000

09321
09980
10000

010
08100
09900
10000
07290
09720
09990
10000
06561
09477
09963
09999
10000
05905
09185
09914
09995
10000

015
07225
09775
10000
06141
09392
09966
10000
05220
08905
09880
09995
10000
04437
08352
09734
09978
09999
10000
03771
07765
09527
09941
09996
10000

020
06400
09600
10000
05120
08960
09920
10000
04096
08192
09728
09984
10000
07738
03277
09774
07373
09988
09421
10000
09933
09997
10000
07351 05314
02621
09672 08857
06553
09978 09842
09011
09999 09987
09830
10000 09999
09984
10000
09999
10000
06983 04783 032116 02097
09556 08503 07166 05767
09962 09743 09262 08520
09998 09973 09879 09667
10000 09998 09988 09953
10000 09999 09996
10000 10000

025
05625
09375
10000
04219
08438
09844
10000
03164
07383
09492
09961
10000
02373
06328
08965
09844
09990
10000
01780
05339
08306
09624
09954
09998
10000
01335
04449
07564
09294
09871
09987
09999
10000
01001
03671
06785
08862
09727
09958
09996
10000

09227
09973
09999
10000

06634
09428
09942
09996
10000

04305
08131
09619
09950
09996
10000

02725
06572
08948
09786
09971
09998
10000

01678
05033
07969
09437
09896
09988
09999
10000

09135
09965
09999
10000

06302
09288
09916
09994
10000

03874
07748
09470
09917
09991
09999
10000

02316
05995
08591
09661
09944
09994
10000

01342
04362
07382
09144
09804
09969
09997
10000

00751
03003
06007
08343
09511
09900
09987
09999
10000

09044 05987 03487


09958 09139 07361
10000 09885 09298
09990 09872
09999 09984
10000 09999
10000

01969
05443
08202
09500
09901
09986
09999
10000

01074
03758
06778
08791
09672
09936
09991
09999
10000

00563
02440
05256
07759
09219
09803
09965
09996
10000

030
04900
09100
10000
03430
07840
09730
10000
02401
06517
09163
09919
10000
01681
05282
08369
09692
09976
10000
01176
04202
07443
09295
09891
09993
10000
00824
03294
06471
08740
09712
09962
09998
10000
00576
02553
05518
08059
09420
09887
09987
09999
10000
00404
01960
04628
07297
09012
09747
09957
09996
10000
00282
01493
03828
06496
08497
09527
09894
09984
09999
10000

1/3
04444
08889
10000
02963
07407
09630
10000
01975
05926
08889
09876
10000
01317
04609
07901
09547
09959
10000
00878
03512
06804
08999
09822
09986
10000
00585
02634
05706
08267
09547
09931
09995
10000
00390
01951
04682
07413
09121
09803
09974
0.9998
10000
00260
01431
03772
06503
08552
09576
09917
09990
09999
10000
00173
01040
02991
05593
07869
09234
09803
09966
09996
10000

035
04225
08775
10000
02746
07182
09571
10000
01785
05630
08735
09850
10000
01160
04284
07648
09460
09947
10000
00754
03191
06471
08826
09777
09982
10000
00490
02338
05323
08011
09444
09910
09994
10000
00319
01691
04278
07064
08939
09747
09964
09998
10000
00207
01211
03373
06089
08283
09464
09888
09986
09999
10000
00135
00860
02616
05138
07515
09051
09740
09952
09995
10000

040
03600
08400
10000
02160
06480
09360
10000
01296
04752
08208
09744
10000
00778
03370
06826
09130
09898
10000
00467
02333
05443
08208
09590
09959
10000
00280
01586
04199
07102
09037
09812
09984
10000
00168
01064
03154
05941
08263
09502
09915
09993
10000
00101
00705
02318
04826
07334
09006
09750
09962
09997
10000
00060
00464
01673
03823
06331
08338
09452
09877
09983
09999
10000

045
03025
07975
10000
01664
05748
09089
10000
00915
03910
07585
09590
10000
00503
02562
05931
08688
09815
10000
00277
01636
04415
07447
09308
09917
10000
00152
01024
03164
06083
08471
09643
09963
10000
00084
00632
02201
04770
07396
09115
09819
09983
10000
00046
00385
01495
03614
06214
08342
09502
09909
09992
10000
00025
00233
00996
02660
05044
07384
08980
09726
09955
09997
10000

050
02500
07500
10000
01250
05000
08750
10000
00625
03125
06875
09375
10000
00312
01875
05000
08125
09688
10000
00156
01094
03438
06562
08906
09844
10000
00078
00625
02266
05000
07734
09375
09922
10000
00039
00352
01445
03633
06367
08555
09648
09961
10000
00020
00195
00898
02539
05000
07461
09102
09805
09980
10000
00010
00107
00547
01719
03770
06230
08281
09453
09893
09990
10000

205

Tabla A.2: Distribucion de Poisson


k

01

02

03

04

05

06

07

08

09

10

11

12

13

14

0 0905 0819 0741 0670 0611 0549 0497 0449 0407 0368 0333 0301 0273 0247
1 0995 0982 0963 0938 0910 0878 0844 0809 0772 0736 0699 0663 0627 0592
2 1000 0999 0996 0992 0986 0977 0966 0953 0937 0920 0900 0879 0857 0833
3

1000 1000 0999 0998 0997 0994 0991 0987 0981 0974 0966 0957 0946

1000 1000 1000 0999 0999 0998 0996 0995 0992 0989 0986

1000 1000 1000 0999 0999 0998 0998 0997

1000 1000 1000 1000 0999

7
k

1000
15

16

17

18

19

20

22

24

26

28

30

32

34

36

0 0223 0202 0183 0165 0150 0135 0111 0091 0074 0061 0050 0041 0033 0027
1 0558 0525 0493 0463 0434 0406 0355 0308 0267 0231 0199 0171 0147 0126
2 0809 0783 0757 0731 0704 0677 0623 0570 0518 0469 0423 0380 0340 0303
3 0934 0921 0907 0891 0875 0857 0819 0779 0736 0692 0647 0603 0558 0515
4 0981 0976 0970 0964 0956 0947 0928 0904 0877 0848 0815 0781 0744 0706
5 0996 0994 0992 0990 0987 0983 0975 0964 0951 0935 0916 0895 0871 0844
6 0999 0999 0998 0997 0997 0995 0993 0988 0983 0976 0966 0955 0942 0927
7 1000 1000 1000 0999 0999 0999 0998 0997 0995 0992 0988 0983 0977 0969
8

1000 1000 1000 1000 0999 0999 0998 0996 0994 0992 0988

1000 1000 0999 0999 0998 0997 0996

10

1000 1000 1000 0999 0999

11
k

1000 1000
38

40

42

44

46

48

50

52

54

56

58

60

65

0 0022 0018 0015 0012 0010 0008 0007 0006 0005 0004 0003 0002 0002 0001
1 0107 0092 0078 0066 0056 0048 0040 0034 0029 0024 0021 0017 0011 0007
2 0269 0238 0210 0185 0163 0143 0125 0109 0095 0082 0072 0062 0043 0030
3 0473 0433 0395 0359 0326 0294 0265 0238 0213 0191 0170 0151 0112 0082
4 0668 0629 0590 0551 0513 0476 0440 0406 0373 0342 0313 0285 0223 0173
5 0816 0785 0753 0720 0686 0651 0616 0581 0546 0512 0478 0446 0369 0301
6 0909 0889 0867 0844 0818 0791 0762 0732 0702 0670 0638 0606 0527 0450
7 0960 0949 0936 0921 0905 0887 0867 0845 0822 0797 0771 0744 0673 0599
8 0984 0979 0972 0964 0955 0944 0932 0918 0903 0886 0867 0847 0792 0730
9 0994 0992 0989 0985 0980 0975 0968 0960 0951 0941 0929 0916 0877 0830
10 0998 0997 0996 0994 0992 0990 0986 0982 0977 0972 0965 0957 0933 0901
11 0999 0999 0999 0998 0997 0996 0995 0993 0990 0988 0984 0980 0966 0947
12 1000 1000 1000 0999 0999 0999 0998 0997 0996 0995 0993 0991 0984 0973
13

1000 1000 1000 0999 0999 0999 0998 0997 0996 0993 0987

14

1000 1000 0999 0999 0999 0999 0997 0994

15

1000 1000 1000 0999 0999 0998

16

1000 1000 0999

206 Apendice A. Tablas

Tabla A.3: Distribucion Normal


0

001

002

003

004

005

006

007

008

009

05000

05040

05080

05120

05160

05199

05239

05279

05319

05359

01

05398

05438

05478

05517

05557

05596

05636

05675

05714

05753

02

05793

05832

05871

05910

05948

05987

06026

06064

06103

06141

03

06179

06217

06255

06293

06331

06368

06406

06443

06480

06517

04

06554

06591

06628

06664

06700

06736

06772

06808

06844

06879

05

06915

06950

06985

07019

07054

07088

07123

07157

07190

07224

06

07257

07291

07324

07357

07389

07422

07454

07486

07517

07549

07

07580

07611

07642

07673

07704

07734

07764

07794

07823

07852

08

07881

07910

07939

07967

07995

08023

08051

08078

08106

08133

09

08159

08186

08212

08238

08264

08289

08315

08340

08365

08389

08413

08438

08461

08485

08508

08531

08554

08577

08599

08621

11

08643

08665

08686

08708

08729

08749

08770

08790

08810

08830

12

08849

08869

08888

08907

08925

08944

08962

08980

08997

09015

13

09032

09049

09066

09082

09099

09115

09131

09147

09162

09177

14

09192

09207

09222

09236

09251

09265

09279

09292

09306

09319

15

09332

09345

09357

09370

09382

09394

09406

09418

09429

09441

16

09452

09463

09474

09484

09495

09505

09515

09525

09535

09545

17

09554

09564

09573

09582

09591

09599

09608

09616

09625

09633

18

09641

09649

09656

09664

09671

09678

09686

09693

09699

09706

19

09713

09719

09726

09732

09738

09744

09750

09756

09761

09767

09772

09778

09783

09788

09793

09798

09803

09808

09812

09817

21

09821

09826

09830

09834

09838

09842

09846

09850

09854

09857

22

09861

09864

09868

09871

09875

09878

09881

09884

09887

09890

23

09893

09896

09898

09901

09904

09906

09909

09911

09913

09916

24

09918

09920

09922

09925

09927

09929

09931

09932

09934

09936

25

09938

09940

09941

09943

09945

09946

09948

09949

09951

09952

26

09953

09955

09956

09957

09959

09960

09961

09962

09963

09964

27

09965

09966

09967

09968

09969

09970

09971

09972

09973

09974

28

09974

09975

09976

09977

09977

09978

09979

09979

09980

09981

29

09981

09982

09982

09983

09984

09984

09985

09985

09986

09986

09987

09987

09987

09988

09988

09989

09989

09989

09990

09990

31

09990

09991

09991

09991

09992

09992

09992

09992

09993

09993

32

09993

09993

09994

09994

09994

09994

09994

09995

09995

09995

33

09995

09995

09995

09996

09996

09996

09996

09996

09996

09997

34

09997

09997

09997

09997

09997

09997

09997

09997

09997

09998

35

09998

09998

09998

09998

09998

09998

09998

09998

09998

09998

36

09998

09998

09999

09999

09999

09999

09999

09999

09999

09999

37

09999

09999

09999

09999

09999

09999

09999

09999

09999

09999

38

09999

09999

09999

09999

09999

09999

09999

09999

09999

09999

39

10000

10000

10000

10000

10000

10000

10000

10000

10000

10000

207

Tabla A.4: Puntos Crticos: Distribucion t de Student


09995 0995 09875 0975

095

0875

085

08

075

07

065

06

055

1 63658 63656 25452 12706 63137 24142 19626 13764 10000 07265 05095 03249 01584
2 31600 99250 62054 43027 29200 16036 13862 10607 08165 06172 04447 02887 01421
3 12924 58408 41765 31824 23534 14226 12498 09785 07649 05844 04242 02767 01366
4 86101 46041 34954 27765 21318 13444 11896 09410 07407 05686 04142 02707 01338
5 68685 40321 31634 25706 20150 13009 11558 09195 07267 05594 04082 02672 01322
6 59587 37074 29687 24469 19432 12733 11342 09057 07176 05534 04043 02648 01311
7 54081 34995 28412 23646 18946 12543 11192 08960 07111 05491 04015 02632 01303
8 50414 33554 27515 23060 18595 12403 11081 08889 07064 05459 03995 02619 01297
9 47809 32498 26850 22622 18331 12297 10997 08834 07027 05435 03979 02610 01293
10 45868 31693 26338 22281 18125 12213 10931 08791 06998 05415 03966 02602 01289
11 44369 31058 25931 22010 17959 12145 10877 08755 06974 05399 03956 02596 01286
12 43178 30545 25600 21788 17823 12089 10832 08726 06955 05386 03947 02590 01283
13 42209 30123 25326 21604 17709 12041 10795 08702 06938 05375 03940 02586 01281
14 41403 29768 25096 21448 17613 12001 10763 08681 06924 05366 03933 02582 01280
15 40728 29467 24899 21315 17531 11967 10735 08662 06912 05357 03928 02579 01278
16 40149 29208 24729 21199 17459 11937 10711 08647 06901 05350 03923 02576 01277
17 39651 28982 24581 21098 17396 11910 10690 08633 06892 05344 03919 02573 01276
18 39217 28784 24450 21009 17341 11887 10672 08620 06884 05338 03915 02571 01274
19 38833 28609 24334 20930 17291 11866 10655 08610 06876 05333 03912 02569 01274
20 38496 28453 24231 20860 17247 11848 10640 08600 06870 05329 03909 02567 01273
21 38193 28314 24138 20796 17207 11831 10627 08591 06864 05325 03906 02566 01272
22 37922 28188 24055 20739 17171 11815 10614 08583 06858 05321 03904 02564 01271
23 37676 28073 23979 20687 17139 11802 10603 08575 06853 05317 03902 02563 01271
24 37454 27970 23910 20639 17109 11789 10593 08569 06848 05314 03900 02562 01270
25 37251 27874 23846 20595 17081 11777 10584 08562 06844 05312 03898 02561 01269
26 37067 27787 23788 20555 17056 11766 10575 08557 06840 05309 03896 02560 01269
27 36895 27707 23734 20518 17033 11756 10567 08551 06837 05306 03894 02559 01268
28 36739 27633 23685 20484 17011 11747 10560 08546 06834 05304 03893 02558 01268
29 36595 27564 23638 20452 16991 11739 10553 08542 06830 05302 03892 02557 01268
30 36460 27500 23596 20423 16973 11731 10547 08538 06828 05300 03890 02556 01267
35 35911 27238 23420 20301 16896 11698 10520 08520 06816 05292 03885 02553 01266
40 35510 27045 23289 20211 16839 11673 10500 08507 06807 05286 03881 02550 01265
50 34960 26778 23109 20086 16759 11639 10473 08489 06794 05278 03875 02547 01263
60 34602 26603 22990 20003 16706 11616 10455 08477 06786 05272 03872 02545 01262
80 34164 26387 22844 19901 16641 11588 10432 08461 06776 05265 03867 02542 01261
100 33905 26259 22757 19840 16602 11571 10418 08452 06770 05261 03864 02540 01260
120 33734 26174 22699 19799 16576 11559 10409 08446 06765 05258 03862 02539 01259

208 Apendice A. Tablas

Tabla A.5: Puntos Crticos: Distribucion 2


09995 0995 09875 0975

095

0875

085

08

075

07

065

06

055

1 12115 78794 62385 50239 38415 23535 20722 16424 13233 10742 08735 07083 05707
2 15201 10597 87641 73778 59915 41589 37942 32189 27726 24079 20996 18326 15970
3 17731 12838 10861 93484 78147 57394 53170 46416 41083 36649 32831 29462 26430
4 19998 14860 12762 11143 94877 72140 67449 59886 53853 48784 44377 40446 36871
5 22106 16750 14544 12832 11070 86248 81152 72893 66257 60644 55731 51319 47278
6 24102 18548 16244 14449 12592 99917 94461 85581 78408 72311 66948 62108 57652
7 26018 20278 17885 16013 14067 11326 10748 98032 90371 83834 78061 72832 68000
8 27867 21955 19478 17535 15507 12636 12027 11030 10219 95245 89094 83505 78325
9 29667 23589 21034 19023 16919 13926 13288 12242 11389 10656 10006 94136 88632
10 31419 25188 22558 20483 18307 15198 14534 13442 12549 11781 11097 10473 98922
11 33138 26757 24056 21920 19675 16457 15767 14631 13701 12899 12184 11530 10920
12 34821 28300 25530 23337 21026 17703 16989 15812 14845 14011 13266 12584 11946
13 36477 29819 26985 24736 22362 18939 18202 16985 15984 15119 14345 13636 12972
14 38109 31319 28422 26119 23685 20166 19406 18151 17117 16222 15421 14685 13996
15 39717 32801 29843 27488 24996 21384 20603 19311 18245 17322 16494 15733 15020
16 41308 34267 31250 28845 26296 22595 21793 20465 19369 18418 17565 16780 16042
17 42881 35718 32644 30191 27587 23799 22977 21615 20489 19511 18633 17824 17065
18 44434 37156 34027 31526 28869 24997 24155 22760 21605 20601 19699 18868 18086
19 45974 38582 35399 32852 30144 26189 25329 23900 22718 21689 20764 19910 19107
20 47498 39997 36760 34170 31410 27376 26498 25038 23828 22775 21826 20951 20127
21 49010 41401 38113 35479 32671 28559 27662 26171 24935 23858 22888 21992 21147
22 50510 42796 39458 36781 33924 29737 28822 27301 26039 24939 23947 23031 22166
23 51999 44181 40794 38076 35172 30911 29979 28429 27141 26018 25006 24069 23185
24 53478 45558 42124 39364 36415 32081 31132 29553 28241 27096 26063 25106 24204
25 54948 46928 43446 40646 37652 33247 32282 30675 29339 28172 27118 26143 25222
26 56407 48290 44762 41923 38885 34410 33429 31795 30435 29246 28173 27179 26240
27 57856 49645 46071 43195 40113 35570 34574 32912 31528 30319 29227 28214 27257
28 59299 50994 47375 44461 41337 36727 35715 34027 32620 31391 30279 29249 28274
29 60734 52335 48674 45722 42557 37881 36854 35139 33711 32461 31331 30283 29291
30 62160 53672 49967 46979 43773 39033 37990 36250 34800 33530 32382 31316 30307
35 69197 60275 56365 53203 49802 44753 43640 41778 40223 38859 37623 36475 35386
40 76096 66766 62665 59342 55758 50424 49244 47269 45616 44165 42848 41622 40459
50 89560 79490 75039 71420 67505 61647 60346 58164 56334 54723 53258 51892 50592
60 10270 91952 87184 83298 79082 72751 71341 68972 66981 65226 63628 62135 60713
80 12826 11632 11099 10663 10188 94709 93106 90405 88130 86120 84284 82566 80927
100 15316 14017 13434 12956 12434 11643 11466 11167 10914 10691 10486 10295 10111
120 17760 16365 15737 15221 14657 13799 13606 13281 13005 12762 12538 12329 12128

209

Tabla A.6: Puntos Crticos: Distribucion 2


0,5

0,45

0,4

0,35

0,3

0,25

0,2

0,15

0,125

0,1

0,05

0,025

0,01

0,005

1 0,4549 0,3573 0,2750 0,2059 0,1485 0,1015 0,0642 0,0358 0,0247 0,0158 0,0039 0,0010 0,0002 0,0000
2 1,3863 1,1957 1,0217 0,8616 0,7133 0,5754 0,4463 0,3250 0,2671 0,2107 0,1026 0,0506 0,0201 0,0100
3 2,3660 2,1095 1,8692 1,6416 1,4237 1,2125 1,0052 0,7978 0,6924 0,5844 0,3518 0,2158 0,1148 0,0717
4 3,3567 3,0469 2,7528 2,4701 2,1947 1,9226 1,6488 1,3665 1,2188 1,0636 0,7107 0,4844 0,2971 0,2070
5 4,3515 3,9959 3,6555 3,3251 2,9999 2,6746 2,3425 1,9938 1,8082 1,6103 1,1455 0,8312 0,5543 0,4118
6 5,3481 4,9519 4,5702 4,1973 3,8276 3,4546 3,0701 2,6613 2,4411 2,2041 1,6354 1,2373 0,8721 0,6757
7 6,3458 5,9125 5,4932 5,0816 4,6713 4,2549 3,8223 3,3583 3,1063 2,8331 2,1673 1,6899 1,2390 0,9893
8 7,3441 6,8766 6,4226 5,9753 5,5274 5,0706 4,5936 4,0782 3,7965 3,4895 2,7326 2,1797 1,6465 1,3444
9 8,3428 7,8434 7,3570 6,8763 6,3933 5,8988 5,3801 4,8165 4,5070 4,1682 3,3251 2,7004 2,0879 1,7349
10 9,3418 8,8124 8,2955 7,7832 7,2672 6,7372 6,1791 5,5701 5,2341 4,8652 3,9403 3,2470 2,5582 2,1558
11 10,341 9,7831 9,2373 8,6952 8,1479 7,5841 6,9887 6,3364 5,9754 5,5778 4,5748 3,8157 3,0535 2,6032
12 11,340 10,755 10,182 9,6115 9,0343 8,4384 7,8073 7,1138 6,7288 6,3038 5,2260 4,4038 3,5706 3,0738
13 12,340 11,729 11,129 10,532 9,9257 9,2991 8,6339 7,9008 7,4929 7,0415 5,8919 5,0087 4,1069 3,5650
14 13,339 12,703 12,078 11,455 10,821 10,165 9,4673 8,6963 8,2662 7,7895 6,5706 5,6287 4,6604 4,0747
15 14,339 13,679 13,030 12,381 11,721 11,037 10,307 9,4993 9,0479 8,5468 7,2609 6,2621 5,2294 4,6009
16 15,338 14,656 13,983 13,310 12,624 11,912 11,152 10,309 9,8370 9,3122 7,9616 6,9077 5,8122 5,1422
17 16,338 15,633 14,937 14,241 13,531 12,792 12,002 11,125 10,633 10,085 8,6718 7,5642 6,4077 5,6973
18 17,338 16,611 15,893 15,174 14,440 13,675 12,857 11,946 11,435 10,865 9,3904 8,2307 7,0149 6,2648
19 18,338 17,589 16,850 16,109 15,352 14,562 13,716 12,773 12,242 11,651 10,117 8,9065 7,6327 6,8439
20 19,337 18,569 17,809 17,046 16,266 15,452 14,578 13,604 13,055 12,443 10,851 9,5908 8,2604 7,4338
21 20,337 19,548 18,768 17,984 17,182 16,344 15,445 14,439 13,873 13,240 11,591 10,283 8,8972 8,0336
22 21,337 20,529 19,729 18,924 18,101 17,240 16,314 15,279 14,695 14,041 12,338 10,982 9,5425 8,6427
23 22,337 21,510 20,690 19,866 19,021 18,137 17,187 16,122 15,521 14,848 13,091 11,689 10,196 9,2604
24 23,337 22,491 21,652 20,808 19,943 19,037 18,062 16,969 16,351 15,659 13,848 12,401 10,856 9,8862
25 24,337 23,472 22,616 21,752 20,867 19,939 18,940 17,818 17,184 16,473 14,611 13,120 11,524 10,520
26 25,336 24,454 23,579 22,697 21,792 20,843 19,820 18,671 18,021 17,292 15,379 13,844 12,198 11,160
27 26,336 25,437 24,544 23,644 22,719 21,749 20,703 19,527 18,861 18,114 16,151 14,573 12,878 11,808
28 27,336 26,419 25,509 24,591 23,647 22,657 21,588 20,386 19,704 18,939 16,928 15,308 13,565 12,461
29 28,336 27,402 26,475 25,539 24,577 23,567 22,475 21,247 20,550 19,768 17,708 16,047 14,256 13,121
30 29,336 28,386 27,442 26,488 25,508 24,478 23,364 22,110 21,399 20,599 18,493 16,791 14,953 13,787
35 34,336 33,306 32,282 31,246 30,178 29,054 27,836 26,460 25,678 24,797 22,465 20,569 18,509 17,192
40 39,335 38,233 37,134 36,021 34,872 33,660 32,345 30,856 30,008 29,051 26,509 24,433 22,164 20,707
50 49,335 48,099 46,864 45,610 44,313 42,942 41,449 39,754 38,785 37,689 34,764 32,357 29,707 27,991
60 59,335 57,978 56,620 55,239 53,809 52,294 50,641 48,759 47,680 46,459 43,188 40,482 37,485 35,534
80 79,334 77,763 76,188 74,583 72,915 71,145 69,207 66,994 65,722 64,278 60,391 57,153 53,540 51,172
100 99,334 97,574 95,808 94,005 92,129 90,133 87,945 85,441 83,999 82,358 77,929 74,222 70,065 67,328
120 119,33 117,40 115,46 113,48 111,42 109,22 106,81 104,04 102,44 100,62 95,705 91,573 86,923 83,852

210 Apendice A. Tablas

Tabla A.7: Distribucion F de Snedecor (p = 05)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

1000
0667
0585
0549
0528
0515
0506
0499
0494
0490
0486
0484
0481
0479
0478
0476
0475
0474
0473
0472
0471
0470
0470
0469
0468
0468
0467
0467
0467
0466
0465
0463
0462
0460
0460
0459
0459
0458
0458
0455

1500
1000
0881
0828
0799
0780
0767
0757
0749
0743
0739
0735
0731
0729
0726
0724
0722
0721
0719
0718
0717
0715
0714
0714
0713
0712
0711
0711
0710
0709
0707
0705
0703
0701
0700
0699
0699
0698
0697
0693

1709
1135
1000
0941
0907
0886
0871
0860
0852
0845
0840
0835
0832
0828
0826
0823
0821
0819
0818
0816
0815
0814
0813
0812
0811
0810
0809
0808
0808
0807
0804
0802
0800
0798
0796
0795
0795
0794
0793
0789

1823
1207
1063
1000
0965
0942
0926
0915
0906
0899
0893
0888
0885
0881
0878
0876
0874
0872
0870
0868
0867
0866
0864
0863
0862
0861
0861
0860
0859
0858
0856
0854
0851
0849
0847
0846
0846
0845
0844
0839

1894
1252
1102
1037
1000
0977
0960
0948
0939
0932
0926
0921
0917
0914
0911
0908
0906
0904
0902
0900
0899
0898
0896
0895
0894
0893
0892
0892
0891
0890
0887
0885
0882
0880
0879
0878
0877
0876
0875
0870

1942
1282
1129
1062
1024
1000
0983
0971
0962
0954
0948
0943
0939
0936
0933
0930
0928
0926
0924
0922
0921
0919
0918
0917
0916
0915
0914
0913
0912
0912
0909
0907
0903
0901
0900
0899
0898
0897
0896
0891

1977
1305
1148
1080
1041
1017
1000
0988
0978
0971
0964
0959
0955
0952
0949
0946
0943
0941
0939
0938
0936
0935
0934
0932
0931
0930
0930
0929
0928
0927
0924
0922
0919
0917
0915
0914
0913
0913
0912
0907

2004
1321
1163
1093
1055
1030
1013
1000
0990
0983
0977
0972
0967
0964
0960
0958
0955
0953
0951
0950
0948
0947
0945
0944
0943
0942
0941
0940
0940
0939
0936
0934
0930
0928
0927
0926
0925
0924
0923
0918

2025
1334
1174
1104
1065
1040
1022
1010
1000
0992
0986
0981
0977
0973
0970
0967
0965
0962
0961
0959
0957
0956
0955
0953
0952
0951
0950
0950
0949
0948
0945
0943
0940
0937
0936
0935
0934
0933
0932
0927

2042
1345
1183
1113
1073
1048
1030
1018
1008
1000
0994
0989
0984
0981
0977
0975
0972
0970
0968
0966
0965
0963
0962
0961
0960
0959
0958
0957
0956
0955
0952
0950
0947
0945
0943
0942
0941
0940
0939
0934

2056
1354
1191
1120
1080
1054
1037
1024
1014
1006
1000
0995
0990
0987
0983
0981
0978
0976
0974
0972
0971
0969
0968
0967
0966
0965
0964
0963
0962
0961
0958
0956
0953
0951
0949
0948
0947
0946
0945
0940

2067
1361
1197
1126
1085
1060
1042
1029
1019
1012
1005
1000
0996
0992
0989
0986
0983
0981
0979
0977
0976
0974
0973
0972
0971
0970
0969
0968
0967
0966
0963
0961
0958
0956
0954
0953
0952
0951
0950
0945

2077
1367
1203
1131
1090
1065
1047
1034
1024
1016
1010
1004
1000
0996
0993
0990
0988
0985
0984
0982
0980
0979
0977
0976
0975
0974
0973
0972
0971
0971
0968
0965
0962
0960
0958
0957
0956
0956
0955
0949

2086
1372
1207
1135
1094
1069
1051
1038
1028
1020
1013
1008
1004
1000
0997
0994
0991
0989
0987
0985
0984
0982
0981
0980
0979
0978
0977
0976
0975
0974
0971
0969
0966
0964
0962
0961
0960
0959
0958
0953

2093
1377
1211
1139
1098
1072
1054
1041
1031
1023
1017
1012
1007
1003
1000
0997
0995
0992
0990
0989
0987
0986
0984
0983
0982
0981
0980
0979
0978
0978
0974
0972
0969
0967
0965
0964
0963
0962
0961
0956

2100
1381
1215
1142
1101
1075
1057
1044
1034
1026
1020
1014
1010
1006
1003
1000
0997
0995
0993
0992
0990
0988
0987
0986
0985
0984
0983
0982
0981
0980
0977
0975
0972
0969
0968
0967
0966
0965
0964
0959

211

Tabla A.8: Distribucion F de Snedecor (p = 05)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

2105
1385
1218
1145
1104
1078
1060
1047
1037
1029
1022
1017
1012
1009
1005
1003
1000
0998
0996
0994
0992
0991
0990
0988
0987
0986
0985
0984
0984
0983
0980
0977
0974
0972
0970
0969
0968
0968
0966
0961

2110
1388
1220
1147
1106
1080
1062
1049
1039
1031
1025
1019
1015
1011
1008
1005
1002
1000
0998
0996
0995
0993
0992
0991
0989
0988
0988
0987
0986
0985
0982
0980
0976
0974
0972
0971
0970
0970
0969
0963

2115
1391
1223
1150
1109
1083
1064
1051
1041
1033
1027
1021
1017
1013
1010
1007
1004
1002
1000
0998
0997
0995
0994
0993
0991
0990
0989
0989
0988
0987
0984
0981
0978
0976
0974
0973
0972
0972
0971
0965

2119
1393
1225
1152
1111
1084
1066
1053
1043
1035
1028
1023
1019
1015
1011
1009
1006
1004
1002
1000
0998
0997
0996
0994
0993
0992
0991
0990
0990
0989
0986
0983
0980
0978
0976
0975
0974
0973
0972
0967

2135
1403
1234
1160
1118
1092
1074
1060
1050
1042
1035
1030
1026
1022
1018
1015
1013
1011
1009
1007
1005
1004
1002
1001
1000
0999
0998
0997
0996
0996
0992
0990
0987
0984
0983
0982
0981
0980
0979
0974

2145
1410
1239
1165
1123
1097
1079
1065
1055
1047
1040
1035
1030
1026
1023
1020
1017
1015
1013
1011
1010
1008
1007
1006
1005
1003
1003
1002
1001
1000
0997
0994
0991
0989
0987
0986
0985
0984
0983
0978

2153
1414
1243
1169
1127
1100
1082
1069
1058
1050
1043
1038
1033
1030
1026
1023
1021
1018
1016
1015
1013
1011
1010
1009
1008
1007
1006
1005
1004
1003
1000
0998
0994
0992
0990
0989
0988
0988
0986
0981

2158
1418
1246
1172
1130
1103
1085
1071
1061
1053
1046
1041
1036
1032
1029
1026
1023
1021
1019
1017
1015
1014
1013
1011
1010
1009
1008
1007
1006
1006
1002
1000
0997
0994
0993
0992
0991
0990
0989
0984

2163
1421
1249
1174
1132
1105
1087
1073
1063
1055
1048
1042
1038
1034
1031
1028
1025
1023
1021
1019
1017
1016
1014
1013
1012
1011
1010
1009
1008
1008
1004
1002
0999
0996
0995
0993
0993
0992
0991
0985

2166
1423
1251
1176
1134
1107
1088
1075
1064
1056
1050
1044
1039
1036
1032
1029
1027
1024
1022
1020
1019
1017
1016
1015
1014
1013
1012
1011
1010
1009
1006
1003
1000
0998
0996
0995
0994
0993
0992
0987

2172
1426
1254
1178
1136
1109
1091
1077
1067
1059
1052
1046
1042
1038
1034
1032
1029
1027
1025
1023
1021
1020
1018
1017
1016
1015
1014
1013
1012
1011
1008
1006
1002
1000
0998
0997
0996
0996
0994
0989

2175
1428
1256
1180
1138
1111
1093
1079
1068
1060
1054
1048
1043
1040
1036
1033
1031
1028
1026
1024
1023
1021
1020
1019
1017
1016
1015
1015
1014
1013
1010
1007
1004
1002
1000
0999
0998
0997
0996
0991

2178
1430
1257
1182
1139
1112
1094
1080
1070
1062
1055
1049
1045
1041
1037
1034
1032
1030
1027
1026
1024
1022
1021
1020
1019
1018
1017
1016
1015
1014
1011
1008
1005
1003
1001
1000
0999
0998
0997
0992

2180
1432
1258
1183
1140
1114
1095
1081
1071
1062
1056
1050
1046
1042
1038
1035
1033
1030
1028
1027
1025
1023
1022
1021
1020
1019
1018
1017
1016
1015
1012
1009
1006
1004
1002
1001
1000
0999
0998
0993

2185
1434
1261
1185
1143
1116
1097
1083
1073
1064
1058
1052
1048
1044
1040
1037
1035
1032
1030
1029
1027
1025
1024
1023
1022
1020
1020
1019
1018
1017
1014
1011
1008
1006
1004
1003
1002
1001
1000
0995

2198
1442
1268
1191
1149
1122
1103
1089
1079
1070
1064
1058
1053
1049
1046
1043
1040
1038
1036
1034
1032
1031
1030
1028
1027
1026
1025
1024
1023
1022
1019
1017
1013
1011
1009
1008
1007
1007
1005
1000

212 Apendice A. Tablas

Tabla A.9: Distribucion F de Snedecor (p = 075)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

5828
2571
2024
1807
1692
1621
1573
1538
1512
1491
1475
1461
1450
1440
1432
1425
1419
1413
1408
1404
1400
1396
1393
1390
1387
1384
1382
1380
1378
1376
1368
1363
1355
1349
1346
1343
1341
1339
1336
1324

7500
3000
2280
2000
1853
1762
1701
1657
1624
1598
1577
1560
1545
1533
1523
1514
1506
1499
1493
1487
1482
1477
1473
1470
1466
1463
1460
1457
1455
1452
1443
1435
1425
1419
1414
1411
1408
1406
1402
1387

8200
3153
2356
2047
1884
1784
1717
1668
1632
1603
1580
1561
1545
1532
1520
1510
1502
1494
1487
1481
1475
1470
1466
1462
1458
1454
1451
1448
1445
1443
1432
1424
1413
1405
1400
1396
1393
1391
1387
1370

8581
3232
2390
2064
1893
1787
1716
1664
1625
1595
1570
1550
1534
1519
1507
1497
1487
1479
1472
1465
1459
1454
1449
1445
1441
1437
1433
1430
1427
1424
1413
1404
1393
1385
1379
1375
1372
1369
1365
1347

8820
3280
2409
2072
1895
1785
1711
1658
1617
1585
1560
1539
1521
1507
1494
1483
1473
1464
1457
1450
1444
1438
1433
1428
1424
1420
1417
1413
1410
1407
1395
1386
1374
1366
1360
1355
1352
1349
1345
1326

8983
3312
2422
2077
1894
1782
1706
1651
1609
1576
1550
1529
1511
1495
1482
1471
1460
1452
1444
1437
1430
1424
1419
1414
1410
1406
1402
1399
1395
1392
1380
1371
1358
1349
1343
1338
1335
1332
1328
1307

9102
3335
2430
2079
1894
1779
1701
1645
1602
1569
1542
1520
1501
1485
1472
1460
1450
1441
1432
1425
1419
1413
1407
1402
1398
1393
1390
1386
1383
1380
1367
1357
1344
1335
1329
1324
1320
1317
1313
1292

9192
3353
2436
2080
1892
1776
1697
1640
1596
1562
1535
1512
1493
1477
1463
1451
1441
1431
1423
1415
1409
1402
1397
1392
1387
1383
1379
1375
1372
1369
1355
1345
1332
1323
1316
1311
1307
1304
1300
1278

9263
3366
2441
2081
1891
1773
1693
1635
1591
1556
1528
1505
1486
1470
1456
1443
1433
1423
1414
1407
1400
1394
1388
1383
1378
1374
1370
1366
1362
1359
1345
1335
1321
1312
1305
1300
1296
1293
1289
1266

9320
3377
2445
2082
1890
1771
1690
1631
1586
1551
1523
1500
1480
1463
1449
1437
1426
1416
1407
1399
1392
1386
1380
1375
1370
1366
1361
1358
1354
1351
1337
1327
1312
1303
1296
1291
1287
1283
1279
1255

9367
3386
2448
2082
1889
1769
1687
1627
1582
1547
1518
1495
1475
1458
1443
1431
1420
1410
1401
1393
1386
1379
1374
1368
1363
1359
1354
1350
1347
1343
1329
1319
1304
1294
1287
1282
1278
1275
1270
1246

9406
3393
2450
2083
1888
1767
1684
1624
1579
1543
1514
1490
1470
1453
1438
1426
1414
1404
1395
1387
1380
1374
1368
1362
1357
1352
1348
1344
1340
1337
1323
1312
1297
1287
1280
1275
1270
1267
1262
1238

9440
3400
2452
2083
1887
1765
1682
1622
1576
1540
1510
1486
1466
1449
1434
1421
1409
1399
1390
1382
1375
1368
1362
1357
1352
1347
1342
1338
1335
1331
1317
1306
1291
1280
1273
1268
1263
1260
1255
1230

9468
3405
2454
2083
1886
1764
1680
1619
1573
1537
1507
1483
1462
1445
1430
1417
1405
1395
1386
1378
1370
1364
1357
1352
1347
1342
1337
1333
1330
1326
1311
1300
1285
1274
1267
1262
1257
1254
1249
1223

9493
3410
2455
2083
1885
1762
1678
1617
1570
1534
1504
1480
1459
1441
1426
1413
1401
1391
1382
1374
1366
1359
1353
1347
1342
1337
1333
1329
1325
1321
1306
1295
1280
1269
1262
1256
1252
1248
1243
1217

9515
3414
2456
2083
1884
1761
1676
1615
1568
1531
1501
1477
1456
1438
1423
1410
1398
1388
1378
1370
1362
1355
1349
1343
1338
1333
1329
1325
1321
1317
1302
1291
1275
1264
1257
1251
1246
1243
1237
1211

213

Tabla A.10: Distribucion F de Snedecor (p = 075)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

9535
3418
2458
2083
1884
1760
1675
1613
1566
1529
1499
1474
1453
1435
1420
1407
1395
1384
1375
1367
1359
1352
1346
1340
1335
1330
1325
1321
1317
1313
1298
1286
1270
1260
1252
1246
1242
1238
1233
1206

9552
3421
2459
2083
1883
1759
1674
1612
1564
1527
1497
1472
1451
1433
1417
1404
1392
1381
1372
1363
1356
1349
1342
1337
1331
1326
1322
1317
1313
1310
1294
1283
1266
1255
1248
1242
1237
1234
1228
1201

9567
3424
2459
2083
1882
1758
1672
1610
1563
1525
1495
1470
1449
1431
1415
1401
1389
1379
1369
1361
1353
1346
1339
1333
1328
1323
1318
1314
1310
1306
1291
1279
1263
1252
1244
1238
1233
1229
1224
1196

9581
3426
2460
2083
1882
1757
1671
1609
1561
1523
1493
1468
1447
1428
1413
1399
1387
1376
1367
1358
1350
1343
1337
1331
1325
1320
1315
1311
1307
1303
1288
1276
1259
1248
1240
1234
1229
1226
1220
1192

9634
3436
2463
2083
1880
1753
1667
1603
1555
1517
1486
1460
1438
1420
1404
1390
1377
1366
1356
1348
1340
1332
1326
1319
1314
1309
1304
1299
1295
1291
1275
1263
1245
1234
1225
1219
1214
1210
1204
1174

9670
3443
2465
2082
1878
1751
1663
1600
1551
1512
1481
1454
1432
1414
1397
1383
1370
1359
1349
1340
1332
1324
1318
1311
1306
1300
1295
1291
1286
1282
1266
1253
1235
1223
1214
1208
1202
1198
1192
1161

9695
3448
2466
2082
1877
1749
1661
1597
1547
1508
1477
1450
1428
1409
1392
1378
1365
1354
1344
1335
1326
1319
1312
1305
1299
1294
1289
1284
1280
1276
1258
1245
1227
1215
1206
1199
1194
1189
1183
1150

9714
3451
2467
2082
1876
1748
1659
1595
1545
1506
1474
1447
1425
1405
1389
1374
1361
1350
1339
1330
1322
1314
1307
1300
1294
1289
1284
1279
1275
1270
1253
1240
1221
1208
1199
1192
1186
1182
1175
1141

9729
3454
2468
2082
1876
1747
1658
1593
1543
1503
1471
1445
1422
1403
1386
1371
1358
1346
1336
1327
1318
1310
1303
1297
1291
1285
1280
1275
1270
1266
1248
1235
1216
1203
1193
1186
1180
1176
1169
1134

9741
3456
2469
2082
1875
1746
1657
1591
1541
1502
1469
1443
1420
1400
1383
1369
1355
1344
1333
1324
1315
1307
1300
1293
1287
1282
1276
1271
1267
1263
1245
1231
1212
1198
1189
1181
1176
1171
1164
1128

9759
3459
2470
2082
1874
1744
1655
1589
1539
1499
1466
1439
1416
1397
1380
1365
1351
1340
1329
1319
1311
1303
1295
1289
1282
1277
1271
1266
1262
1257
1239
1225
1205
1191
1181
1174
1168
1163
1156
1117

9772
3462
2470
2082
1874
1743
1654
1588
1537
1497
1464
1437
1414
1394
1377
1362
1348
1336
1326
1316
1307
1299
1292
1285
1279
1273
1267
1262
1258
1253
1234
1220
1200
1186
1176
1168
1162
1157
1149
1109

9782
3464
2471
2081
1873
1742
1653
1586
1536
1495
1463
1435
1412
1392
1375
1360
1346
1334
1323
1313
1305
1296
1289
1282
1276
1270
1264
1259
1254
1250
1231
1217
1196
1182
1171
1163
1157
1152
1144
1103

9789
3465
2471
2081
1873
1742
1652
1586
1535
1494
1461
1434
1411
1391
1373
1358
1344
1332
1321
1311
1303
1294
1287
1280
1273
1268
1262
1257
1252
1247
1228
1214
1193
1178
1168
1160
1153
1148
1140
1097

9804
3468
2472
2081
1872
1741
1650
1584
1533
1492
1459
1431
1408
1387
1370
1354
1341
1328
1317
1307
1298
1290
1282
1275
1269
1263
1257
1252
1247
1242
1223
1208
1186
1172
1161
1152
1145
1140
1131
1085

9848
3476
2474
2081
1869
1737
1645
1578
1526
1484
1451
1422
1398
1377
1359
1343
1329
1317
1305
1295
1285
1276
1268
1261
1254
1248
1242
1236
1231
1226
1205
1189
1165
1148
1135
1125
1117
1110
1100
1019

214 Apendice A. Tablas

Tabla A.11: Distribucion F de Snedecor (p = 09)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

3986
8526
5538
4545
4060
3776
3589
3458
3360
3285
3225
3177
3136
3102
3073
3048
3026
3007
2990
2975
2961
2949
2937
2927
2918
2909
2901
2894
2887
2881
2855
2835
2809
2791
2779
2769
2762
2756
2748
2707

4950
9000
5462
4325
3780
3463
3257
3113
3006
2924
2860
2807
2763
2726
2695
2668
2645
2624
2606
2589
2575
2561
2549
2538
2528
2519
2511
2503
2495
2489
2461
2440
2412
2393
2380
2370
2363
2356
2347
2304

5359
9162
5391
4191
3619
3289
3074
2924
2813
2728
2660
2606
2560
2522
2490
2462
2437
2416
2397
2380
2365
2351
2339
2327
2317
2307
2299
2291
2283
2276
2247
2226
2197
2177
2164
2154
2146
2139
2130
2085

5583
9243
5343
4107
3520
3181
2961
2806
2693
2605
2536
2480
2434
2395
2361
2333
2308
2286
2266
2249
2233
2219
2207
2195
2184
2174
2165
2157
2149
2142
2113
2091
2061
2041
2027
2016
2008
2002
1992
1946

5724
9293
5309
4051
3453
3108
2883
2726
2611
2522
2451
2394
2347
2307
2273
2244
2218
2196
2176
2158
2142
2128
2115
2103
2092
2082
2073
2064
2057
2049
2019
1997
1966
1946
1931
1921
1912
1906
1896
1848

5820
9326
5285
4010
3405
3055
2827
2668
2551
2461
2389
2331
2283
2243
2208
2178
2152
2130
2109
2091
2075
2060
2047
2035
2024
2014
2005
1996
1988
1980
1950
1927
1895
1875
1860
1849
1841
1834
1824
1775

5891
9349
5266
3979
3368
3014
2785
2624
2505
2414
2342
2283
2234
2193
2158
2128
2102
2079
2058
2040
2023
2008
1995
1983
1971
1961
1952
1943
1935
1927
1896
1873
1840
1819
1804
1793
1785
1778
1767
1718

5944
9367
5252
3955
3339
2983
2752
2589
2469
2377
2304
2245
2195
2154
2119
2088
2061
2038
2017
1999
1982
1967
1953
1941
1929
1919
1909
1900
1892
1884
1852
1829
1796
1775
1760
1748
1739
1732
1722
1671

5986
9381
5240
3936
3316
2958
2725
2561
2440
2347
2274
2214
2164
2122
2086
2055
2028
2005
1984
1965
1948
1933
1919
1906
1895
1884
1874
1865
1857
1849
1817
1793
1760
1738
1723
1711
1702
1695
1684
1633

6019
9392
5230
3920
3297
2937
2703
2538
2416
2323
2248
2188
2138
2095
2059
2028
2001
1977
1956
1937
1920
1904
1890
1877
1866
1855
1845
1836
1827
1819
1787
1763
1729
1707
1691
1680
1670
1663
1652
1600

6047
9401
5222
3907
3282
2920
2684
2519
2396
2302
2227
2166
2116
2073
2037
2005
1978
1954
1932
1913
1896
1880
1866
1853
1841
1830
1820
1811
1802
1794
1761
1737
1703
1680
1665
1653
1643
1636
1625
1572

6071
9408
5216
3896
3268
2905
2668
2502
2379
2284
2209
2147
2097
2054
2017
1985
1958
1933
1912
1892
1875
1859
1845
1832
1820
1809
1799
1790
1781
1773
1739
1715
1680
1657
1641
1629
1620
1612
1601
1547

6090
9415
5210
3886
3257
2892
2654
2488
2364
2269
2193
2131
2080
2037
2000
1968
1940
1916
1894
1875
1857
1841
1827
1814
1802
1790
1780
1771
1762
1754
1720
1695
1660
1637
1621
1609
1599
1592
1580
1525

6107
9420
5205
3878
3247
2881
2643
2475
2351
2255
2179
2117
2066
2022
1985
1953
1925
1900
1878
1859
1841
1825
1811
1797
1785
1774
1764
1754
1745
1737
1703
1678
1643
1619
1603
1590
1581
1573
1562
1506

6122
9425
5200
3870
3238
2871
2632
2464
2340
2244
2167
2105
2053
2010
1972
1940
1912
1887
1865
1845
1827
1811
1796
1783
1771
1760
1749
1740
1731
1722
1688
1662
1627
1603
1587
1574
1564
1557
1545
1489

6135
9429
5196
3864
3230
2863
2623
2454
2330
2233
2156
2094
2042
1998
1961
1928
1900
1875
1852
1833
1815
1798
1784
1770
1758
1747
1736
1726
1717
1709
1674
1649
1613
1589
1572
1559
1550
1542
1530
1473

215

Tabla A.12: Distribucion F de Snedecor (p = 09)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

6146
9433
5193
3858
3223
2855
2615
2446
2320
2224
2147
2084
2032
1988
1950
1917
1889
1864
1841
1821
1803
1787
1772
1759
1746
1735
1724
1715
1705
1697
1662
1636
1600
1576
1559
1546
1536
1528
1516
1458

6157
9436
5190
3853
3217
2848
2607
2438
2312
2215
2138
2075
2023
1978
1941
1908
1879
1854
1831
1811
1793
1777
1762
1748
1736
1724
1714
1704
1695
1686
1651
1625
1588
1564
1547
1534
1524
1516
1504
1445

6166
9439
5187
3848
3212
2842
2601
2431
2305
2208
2130
2067
2014
1970
1932
1899
1870
1845
1822
1802
1784
1768
1753
1739
1726
1715
1704
1694
1685
1676
1641
1615
1578
1553
1536
1523
1513
1505
1493
1433

6174
9441
5184
3844
3207
2836
2595
2425
2298
2201
2123
2060
2007
1962
1924
1891
1862
1837
1814
1794
1776
1759
1744
1730
1718
1706
1695
1685
1676
1667
1632
1605
1568
1543
1526
1513
1503
1494
1482
1422

6205
9451
5175
3828
3187
2815
2571
2400
2272
2174
2095
2031
1978
1933
1894
1860
1831
1805
1782
1761
1742
1726
1710
1696
1683
1671
1660
1650
1640
1632
1595
1568
1529
1504
1486
1472
1461
1453
1440
1377

6226
9458
5168
3817
3174
2800
2555
2383
2255
2155
2076
2011
1958
1912
1873
1839
1809
1783
1759
1738
1719
1702
1686
1672
1659
1647
1636
1625
1616
1606
1569
1541
1502
1476
1457
1443
1432
1423
1409
1344

6242
9463
5163
3810
3165
2789
2544
2371
2242
2142
2062
1997
1943
1897
1857
1823
1793
1766
1743
1721
1702
1685
1669
1654
1641
1629
1617
1607
1597
1588
1550
1521
1481
1454
1435
1420
1409
1400
1386
1318

6253
9466
5160
3804
3157
2781
2535
2361
2232
2132
2052
1986
1931
1885
1845
1811
1781
1754
1730
1708
1689
1671
1655
1641
1627
1615
1603
1592
1583
1573
1535
1506
1465
1437
1418
1403
1391
1382
1368
1297

6262
9469
5157
3799
3152
2775
2528
2354
2224
2124
2043
1977
1923
1876
1836
1801
1771
1744
1720
1698
1678
1661
1645
1630
1616
1604
1592
1581
1571
1562
1523
1493
1452
1424
1404
1388
1377
1367
1353
1280

6269
9471
5155
3795
3147
2770
2523
2348
2218
2117
2036
1970
1915
1869
1828
1793
1763
1736
1711
1690
1670
1652
1636
1621
1607
1594
1583
1572
1562
1552
1513
1483
1441
1413
1392
1377
1365
1355
1340
1265

6279
9475
5151
3790
3140
2762
2514
2339
2208
2107
2026
1960
1904
1857
1817
1782
1751
1723
1699
1677
1657
1639
1622
1607
1593
1581
1569
1558
1547
1538
1497
1467
1424
1395
1374
1358
1346
1336
1320
1242

6287
9477
5149
3786
3135
2756
2508
2333
2202
2100
2019
1952
1896
1849
1808
1773
1742
1714
1690
1667
1647
1629
1613
1597
1583
1570
1558
1547
1537
1527
1486
1455
1412
1382
1361
1344
1332
1321
1305
1224

6293
9479
5147
3782
3132
2752
2504
2328
2196
2095
2013
1946
1890
1843
1802
1766
1735
1707
1683
1660
1640
1622
1605
1590
1576
1562
1550
1539
1529
1519
1478
1447
1402
1372
1350
1334
1321
1310
1294
1209

6297
9480
5145
3780
3129
2749
2500
2324
2192
2090
2009
1942
1886
1838
1797
1761
1730
1702
1677
1655
1634
1616
1599
1584
1569
1556
1544
1533
1522
1512
1471
1439
1395
1364
1342
1325
1312
1301
1284
1197

6306
9483
5143
3775
3123
2742
2493
2316
2184
2082
2000
1932
1876
1828
1787
1751
1719
1691
1666
1643
1623
1604
1587
1571
1557
1544
1531
1520
1509
1499
1457
1425
1379
1348
1325
1307
1293
1282
1265
1171

6332
9491
5134
3761
3105
2723
2471
2293
2160
2056
1973
1904
1847
1798
1756
1719
1686
1658
1632
1608
1587
1568
1550
1534
1519
1505
1492
1479
1468
1457
1413
1378
1328
1293
1267
1246
1230
1216
1195
1037

216 Apendice A. Tablas

Tabla A.13: Distribucion F de Snedecor (p = 095)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

1614
1851
1013
7709
6608
5987
5591
5318
5117
4965
4844
4747
4667
4600
4543
4494
4451
4414
4381
4351
4325
4301
4279
4260
4242
4225
4210
4196
4183
4171
4121
4085
4034
4001
3978
3960
3947
3936
3920
3843

1995
1900
9552
6944
5786
5143
4737
4459
4256
4103
3982
3885
3806
3739
3682
3634
3592
3555
3522
3493
3467
3443
3422
3403
3385
3369
3354
3340
3328
3316
3267
3232
3183
3150
3128
3111
3098
3087
3072
2998

2157
1916
9277
6591
5409
4757
4347
4066
3863
3708
3587
3490
3411
3344
3287
3239
3197
3160
3127
3098
3072
3049
3028
3009
2991
2975
2960
2947
2934
2922
2874
2839
2790
2758
2736
2719
2706
2696
2680
2607

2246
1925
9117
6388
5192
4534
4120
3838
3633
3478
3357
3259
3179
3112
3056
3007
2965
2928
2895
2866
2840
2817
2796
2776
2759
2743
2728
2714
2701
2690
2641
2606
2557
2525
2503
2486
2473
2463
2447
2374

2302
1930
9013
6256
5050
4387
3972
3688
3482
3326
3204
3106
3025
2958
2901
2852
2810
2773
2740
2711
2685
2661
2640
2621
2603
2587
2572
2558
2545
2534
2485
2449
2400
2368
2346
2329
2316
2305
2290
2216

2340
1933
8941
6163
4950
4284
3866
3581
3374
3217
3095
2996
2915
2848
2790
2741
2699
2661
2628
2599
2573
2549
2528
2508
2490
2474
2459
2445
2432
2421
2372
2336
2286
2254
2231
2214
2201
2191
2175
2100

2368
1935
8887
6094
4876
4207
3787
3500
3293
3135
3012
2913
2832
2764
2707
2657
2614
2577
2544
2514
2488
2464
2442
2423
2405
2388
2373
2359
2346
2334
2285
2249
2199
2167
2143
2126
2113
2103
2087
2011

2389
1937
8845
6041
4818
4147
3726
3438
3230
3072
2948
2849
2767
2699
2641
2591
2548
2510
2477
2447
2420
2397
2375
2355
2337
2321
2305
2291
2278
2266
2217
2180
2130
2097
2074
2056
2043
2032
2016
1940

2405
1938
8812
5999
4772
4099
3677
3388
3179
3020
2896
2796
2714
2646
2588
2538
2494
2456
2423
2393
2366
2342
2320
2300
2282
2265
2250
2236
2223
2211
2161
2124
2073
2040
2017
1999
1986
1975
1959
1882

2419
1940
8785
5964
4735
4060
3637
3347
3137
2978
2854
2753
2671
2602
2544
2494
2450
2412
2378
2348
2321
2297
2275
2255
2236
2220
2204
2190
2177
2165
2114
2077
2026
1993
1969
1951
1938
1927
1910
1833

2430
1940
8763
5936
4704
4027
3603
3313
3102
2943
2818
2717
2635
2565
2507
2456
2413
2374
2340
2310
2283
2259
2236
2216
2198
2181
2166
2151
2138
2126
2075
2038
1986
1952
1928
1910
1897
1886
1869
1791

2439
1941
8745
5912
4678
4000
3575
3284
3073
2913
2788
2687
2604
2534
2475
2425
2381
2342
2308
2278
2250
2226
2204
2183
2165
2148
2132
2118
2104
2092
2041
2003
1952
1917
1893
1875
1861
1850
1834
1754

2447
1942
8729
5891
4655
3976
3550
3259
3048
2887
2761
2660
2577
2507
2448
2397
2353
2314
2280
2250
2222
2198
2175
2155
2136
2119
2103
2089
2075
2063
2012
1974
1921
1887
1863
1845
1830
1819
1803
1722

2454
1942
8715
5873
4636
3956
3529
3237
3025
2865
2739
2637
2554
2484
2424
2373
2329
2290
2256
2225
2197
2173
2150
2130
2111
2094
2078
2064
2050
2037
1986
1948
1895
1860
1836
1817
1803
1792
1775
1694

2459
1943
8703
5858
4619
3938
3511
3218
3006
2845
2719
2617
2533
2463
2403
2352
2308
2269
2234
2203
2176
2151
2128
2108
2089
2072
2056
2041
2027
2015
1963
1924
1871
1836
1812
1793
1779
1768
1750
1668

2465
1943
8692
5844
4604
3922
3494
3202
2989
2828
2701
2599
2515
2445
2385
2333
2289
2250
2215
2184
2156
2131
2109
2088
2069
2052
2036
2021
2007
1995
1942
1904
1850
1815
1790
1772
1757
1746
1728
1646

217

Tabla A.14: Distribucion F de Snedecor (p = 095)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

2469
1944
8683
5832
4590
3908
3480
3187
2974
2812
2685
2583
2499
2428
2368
2317
2272
2233
2198
2167
2139
2114
2091
2070
2051
2034
2018
2003
1989
1976
1924
1885
1831
1796
1771
1752
1737
1726
1709
1625

2473
1944
8675
5821
4579
3896
3467
3173
2960
2798
2671
2568
2484
2413
2353
2302
2257
2217
2182
2151
2123
2098
2075
2054
2035
2018
2002
1987
1973
1960
1907
1868
1814
1778
1753
1734
1720
1708
1690
1606

2477
1944
8667
5811
4568
3884
3455
3161
2948
2785
2658
2555
2471
2400
2340
2288
2243
2203
2168
2137
2109
2084
2061
2040
2021
2003
1987
1972
1958
1945
1892
1853
1798
1763
1737
1718
1703
1691
1674
1589

2480
1945
8660
5803
4558
3874
3445
3150
2936
2774
2646
2544
2459
2388
2328
2276
2230
2191
2155
2124
2096
2071
2048
2027
2007
1990
1974
1959
1945
1932
1878
1839
1784
1748
1722
1703
1688
1676
1659
1573

2493
1946
8634
5769
4521
3835
3404
3108
2893
2730
2601
2498
2412
2341
2280
2227
2181
2141
2106
2074
2045
2020
1996
1975
1955
1938
1921
1906
1891
1878
1824
1783
1727
1690
1664
1644
1629
1616
1598
1508

2501
1946
8617
5746
4496
3808
3376
3079
2864
2700
2570
2466
2380
2308
2247
2194
2148
2107
2071
2039
2010
1984
1961
1939
1919
1901
1884
1869
1854
1841
1786
1744
1687
1649
1622
1602
1586
1573
1554
1461

2507
1947
8604
5729
4478
3789
3356
3059
2842
2678
2548
2443
2357
2284
2223
2169
2123
2082
2046
2013
1984
1958
1934
1912
1892
1874
1857
1841
1827
1813
1757
1715
1657
1618
1591
1570
1554
1541
1521
1425

2511
1947
8594
5717
4464
3774
3340
3043
2826
2661
2531
2426
2339
2266
2204
2151
2104
2063
2026
1994
1965
1938
1914
1892
1872
1853
1836
1820
1806
1792
1735
1693
1634
1594
1566
1545
1528
1515
1495
1396

2515
1947
8587
5707
4453
3763
3328
3030
2813
2648
2517
2412
2325
2252
2190
2136
2089
2048
2011
1978
1949
1922
1898
1876
1855
1837
1819
1803
1789
1775
1718
1675
1615
1575
1546
1525
1508
1494
1474
1373

2518
1948
8581
5699
4444
3754
3319
3020
2803
2637
2507
2401
2314
2241
2178
2124
2077
2035
1999
1966
1936
1909
1885
1863
1842
1823
1806
1790
1775
1761
1703
1660
1599
1559
1530
1508
1491
1477
1457
1353

2522
1948
8572
5688
4431
3740
3304
3005
2787
2621
2490
2384
2297
2223
2160
2106
2058
2017
1980
1946
1916
1889
1865
1842
1822
1803
1785
1769
1754
1740
1681
1637
1576
1534
1505
1482
1465
1450
1429
1321

2525
1948
8566
5679
4422
3730
3294
2994
2776
2609
2478
2372
2284
2210
2147
2093
2045
2003
1966
1932
1902
1875
1850
1828
1807
1788
1770
1754
1738
1724
1665
1621
1558
1516
1486
1463
1445
1430
1408
1296

2527
1948
8561
5673
4415
3722
3286
2986
2768
2601
2469
2363
2275
2201
2137
2083
2035
1993
1955
1922
1891
1864
1839
1816
1796
1776
1758
1742
1726
1712
1652
1608
1544
1502
1471
1448
1429
1415
1392
1277

2529
1948
8557
5668
4409
3716
3280
2980
2761
2594
2462
2356
2267
2193
2130
2075
2027
1985
1947
1913
1883
1856
1830
1808
1787
1767
1749
1733
1717
1703
1643
1597
1534
1491
1459
1436
1417
1402
1379
1260

2533
1949
8549
5658
4398
3705
3267
2967
2748
2580
2448
2341
2252
2178
2114
2059
2011
1968
1930
1896
1866
1838
1813
1790
1768
1749
1731
1714
1698
1683
1623
1577
1511
1467
1435
1411
1391
1376
1352
1225

2543
1950
8527
5629
4366
3670
3231
2929
2708
2539
2406
2297
2208
2132
2067
2011
1962
1918
1879
1844
1813
1784
1758
1734
1712
1692
1673
1656
1639
1624
1560
1511
1440
1391
1355
1327
1304
1286
1257
1048

218 Apendice A. Tablas

Tabla A.15: Distribucion F de Snedecor (p = 0975)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

6478
3851
1744
1222
1001
8813
8073
7571
7209
6937
6724
6554
6414
6298
6200
6115
6042
5978
5922
5871
5827
5786
5750
5717
5686
5659
5633
5610
5588
5568
5485
5424
5340
5286
5247
5218
5196
5179
5152
5027

7995
3900
1604
1065
8434
7260
6542
6059
5715
5456
5256
5096
4965
4857
4765
4687
4619
4560
4508
4461
4420
4383
4349
4319
4291
4265
4242
4221
4201
4182
4106
4051
3975
3925
3890
3864
3844
3828
3805
3692

8642
3917
1544
9979
7764
6599
5890
5416
5078
4826
4630
4474
4347
4242
4153
4077
4011
3954
3903
3859
3819
3783
3750
3721
3694
3670
3647
3626
3607
3589
3517
3463
3390
3343
3309
3284
3265
3250
3227
3119

8996
3925
1510
9604
7388
6227
5523
5053
4718
4468
4275
4121
3996
3892
3804
3729
3665
3608
3559
3515
3475
3440
3408
3379
3353
3329
3307
3286
3267
3250
3179
3126
3054
3008
2975
2950
2932
2917
2894
2788

9218
3930
1488
9364
7146
5988
5285
4817
4484
4236
4044
3891
3767
3663
3576
3502
3438
3382
3333
3289
3250
3215
3183
3155
3129
3105
3083
3063
3044
3026
2956
2904
2833
2786
2754
2730
2711
2696
2674
2569

9371
3933
1473
9197
6978
5820
5119
4652
4320
4072
3881
3728
3604
3501
3415
3341
3277
3221
3172
3128
3090
3055
3023
2995
2969
2945
2923
2903
2884
2867
2796
2744
2674
2627
2595
2571
2552
2537
2515
2411

9482
3936
1462
9074
6853
5695
4995
4529
4197
3950
3759
3607
3483
3380
3293
3219
3156
3100
3051
3007
2969
2934
2902
2874
2848
2824
2802
2782
2763
2746
2676
2624
2553
2507
2474
2450
2432
2417
2395
2290

9566
3937
1454
8980
6757
5600
4899
4433
4102
3855
3664
3512
3388
3285
3199
3125
3061
3005
2956
2913
2874
2839
2808
2779
2753
2729
2707
2687
2669
2651
2581
2529
2458
2412
2379
2355
2336
2321
2299
2194

9633
3939
1447
8905
6681
5523
4823
4357
4026
3779
3588
3436
3312
3209
3123
3049
2985
2929
2880
2837
2798
2763
2731
2703
2677
2653
2631
2611
2592
2575
2504
2452
2381
2334
2302
2277
2259
2244
2222
2116

9686
3940
1442
8844
6619
5461
4761
4295
3964
3717
3526
3374
3250
3147
3060
2986
2922
2866
2817
2774
2735
2700
2668
2640
2613
2590
2568
2547
2529
2511
2440
2388
2317
2270
2237
2213
2194
2179
2157
2051

9730
3941
1437
8794
6568
5410
4709
4243
3912
3665
3474
3321
3197
3095
3008
2934
2870
2814
2765
2721
2682
2647
2615
2586
2560
2536
2514
2494
2475
2458
2387
2334
2263
2216
2183
2158
2140
2124
2102
1995

9767
3941
1434
8751
6525
5366
4666
4200
3868
3621
3430
3277
3153
3050
2963
2889
2825
2769
2720
2676
2637
2602
2570
2541
2515
2491
2469
2448
2430
2412
2341
2288
2216
2169
2136
2111
2092
2077
2055
1947

9798
3942
1430
8715
6488
5329
4628
4162
3831
3583
3392
3239
3115
3012
2925
2851
2786
2730
2681
2637
2598
2563
2531
2502
2476
2452
2429
2409
2390
2372
2301
2248
2176
2129
2095
2071
2051
2036
2014
1905

9825
3943
1428
8684
6456
5297
4596
4130
3798
3550
3359
3206
3082
2979
2891
2817
2753
2696
2647
2603
2564
2528
2497
2468
2441
2417
2395
2374
2355
2338
2266
2213
2140
2093
2059
2035
2015
2000
1977
1868

9849
3943
1425
8657
6428
5269
4568
4101
3769
3522
3330
3177
3053
2949
2862
2788
2723
2667
2617
2573
2534
2498
2466
2437
2411
2387
2364
2344
2325
2307
2235
2182
2109
2061
2028
2003
1983
1968
1945
1835

9869
3944
1423
8633
6403
5244
4543
4076
3744
3496
3304
3152
3027
2923
2836
2761
2697
2640
2591
2547
2507
2472
2440
2411
2384
2360
2337
2317
2298
2280
2207
2154
2081
2033
1999
1974
1955
1939
1916
1806

219

Tabla A.16: Distribucion F de Snedecor (p = 0975)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

9887
3944
1421
8611
6381
5222
4521
4054
3722
3474
3282
3129
3004
2900
2813
2738
2673
2617
2567
2523
2483
2448
2416
2386
2360
2335
2313
2292
2273
2255
2183
2129
2056
2008
1974
1948
1929
1913
1890
1779

9903
3944
1420
8592
6362
5202
4501
4034
3701
3453
3261
3108
2983
2879
2792
2717
2652
2596
2546
2501
2462
2426
2394
2365
2338
2314
2291
2270
2251
2233
2160
2107
2033
1985
1950
1925
1905
1890
1866
1754

9918
3945
1418
8575
6344
5184
4483
4016
3683
3435
3243
3090
2965
2861
2773
2698
2633
2576
2526
2482
2442
2407
2374
2345
2318
2294
2271
2251
2231
2213
2140
2086
2012
1964
1929
1904
1884
1868
1845
1732

9931
3945
1417
8560
6329
5168
4467
3999
3667
3419
3226
3073
2948
2844
2756
2681
2616
2559
2509
2464
2425
2389
2357
2327
2300
2276
2253
2232
2213
2195
2122
2068
1993
1944
1910
1884
1864
1849
1825
1711

9981
3946
1412
8501
6268
5107
4405
3937
3604
3355
3162
3008
2882
2778
2689
2614
2548
2491
2441
2396
2356
2320
2287
2257
2230
2205
2183
2161
2142
2124
2049
1994
1919
1869
1833
1807
1787
1770
1746
1629

1001
3946
1408
8461
6227
5065
4362
3894
3560
3311
3118
2963
2837
2732
2644
2568
2502
2445
2394
2349
2308
2272
2239
2209
2182
2157
2133
2112
2092
2074
1999
1943
1866
1815
1779
1752
1731
1715
1690
1569

1004
3947
1406
8433
6197
5035
4332
3863
3529
3279
3086
2931
2805
2699
2610
2534
2468
2410
2359
2314
2273
2237
2204
2173
2146
2120
2097
2076
2056
2037
1961
1905
1827
1775
1739
1711
1690
1673
1647
1523

1006
3947
1404
8411
6175
5012
4309
3840
3505
3255
3061
2906
2780
2674
2585
2509
2442
2384
2333
2287
2246
2210
2176
2146
2118
2093
2069
2048
2028
2009
1932
1875
1796
1744
1707
1679
1657
1640
1614
1487

1007
3948
1402
8394
6158
4995
4291
3821
3487
3237
3042
2887
2760
2654
2565
2488
2422
2364
2312
2266
2225
2188
2155
2124
2096
2071
2047
2025
2005
1986
1909
1852
1772
1719
1681
1653
1631
1614
1587
1457

1008
3948
1401
8381
6144
4980
4276
3807
3472
3221
3027
2871
2744
2638
2549
2472
2405
2347
2295
2249
2208
2171
2137
2107
2079
2053
2029
2007
1987
1968
1890
1832
1752
1699
1660
1632
1610
1592
1565
1432

1010
3948
1399
8360
6123
4959
4254
3784
3449
3198
3004
2848
2720
2614
2524
2447
2380
2321
2270
2223
2182
2145
2111
2080
2052
2026
2002
1980
1959
1940
1861
1803
1721
1667
1628
1599
1576
1558
1530
1392

1011
3948
1398
8346
6107
4943
4239
3768
3433
3182
2987
2831
2703
2597
2506
2429
2362
2303
2251
2205
2163
2125
2091
2060
2032
2006
1982
1959
1939
1920
1840
1781
1698
1643
1604
1574
1551
1532
1504
1361

1012
3949
1397
8335
6096
4932
4227
3756
3421
3169
2974
2818
2690
2583
2493
2415
2348
2289
2237
2190
2148
2111
2077
2045
2017
1991
1966
1944
1923
1904
1824
1764
1681
1625
1585
1555
1531
1512
1483
1337

1013
3949
1396
8326
6087
4923
4218
3747
3411
3160
2964
2808
2680
2573
2482
2405
2337
2278
2226
2179
2137
2099
2065
2034
2005
1979
1954
1932
1911
1892
1811
1751
1667
1611
1570
1540
1516
1496
1467
1317

1014
3949
1395
8309
6069
4904
4199
3728
3392
3140
2944
2787
2659
2552
2461
2383
2315
2256
2203
2156
2114
2076
2041
2010
1981
1954
1930
1907
1886
1866
1785
1724
1639
1581
1539
1508
1483
1463
1433
1273

1018
3950
1390
8259
6017
4850
4144
3672
3334
3081
2884
2726
2597
2489
2397
2318
2249
2189
2135
2087
2044
2005
1970
1937
1907
1880
1855
1831
1809
1789
1704
1639
1548
1485
1438
1403
1374
1351
1314
1057

220 Apendice A. Tablas

Tabla A.17: Distribucion F de Snedecor (p = 099)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

4052
9850
3412
2120
1626
1375
1225
1126
1056
1004
9646
9330
9074
8862
8683
8531
8400
8285
8185
8096
8017
7945
7881
7823
7770
7721
7677
7636
7598
7562
7419
7314
7171
7077
7011
6963
6925
6895
6851
6640

4999
9900
3082
1800
1327
1092
9547
8649
8022
7559
7206
6927
6701
6515
6359
6226
6112
6013
5926
5849
5780
5719
5664
5614
5568
5526
5488
5453
5420
5390
5268
5178
5057
4977
4922
4881
4849
4824
4787
4609

5404
9916
2946
1669
1206
9780
8451
7591
6992
6552
6217
5953
5739
5564
5417
5292
5185
5092
5010
4938
4874
4817
4765
4718
4675
4637
4601
4568
4538
4510
4396
4313
4199
4126
4074
4036
4007
3984
3949
3786

5624
9925
2871
1598
1139
9148
7847
7006
6422
5994
5668
5412
5205
5035
4893
4773
4669
4579
4500
4431
4369
4313
4264
4218
4177
4140
4106
4074
4045
4018
3908
3828
3720
3649
3600
3563
3535
3513
3480
3323

5764
9930
2824
1552
1097
8746
7460
6632
6057
5636
5316
5064
4862
4695
4556
4437
4336
4248
4171
4103
4042
3988
3939
3895
3855
3818
3785
3754
3725
3699
3592
3514
3408
3339
3291
3255
3228
3206
3174
3021

5859
9933
2791
1521
1067
8466
7191
6371
5802
5386
5069
4821
4620
4456
4318
4202
4101
4015
3939
3871
3812
3758
3710
3667
3627
3591
3558
3528
3499
3473
3368
3291
3186
3119
3071
3036
3009
2988
2956
2806

5928
9936
2767
1498
1046
8260
6993
6178
5613
5200
4886
4640
4441
4278
4142
4026
3927
3841
3765
3699
3640
3587
3539
3496
3457
3421
3388
3358
3330
3305
3200
3124
3020
2953
2906
2871
2845
2823
2792
2643

5981
9938
2749
1480
1029
8102
6840
6029
5467
5057
4744
4499
4302
4140
4004
3890
3791
3705
3631
3564
3506
3453
3406
3363
3324
3288
3256
3226
3198
3173
3069
2993
2890
2823
2777
2742
2715
2694
2663
2515

6022
9939
2734
1466
1016
7976
6719
5911
5351
4942
4632
4388
4191
4030
3895
3780
3682
3597
3523
3457
3398
3346
3299
3256
3217
3182
3149
3120
3092
3067
2963
2888
2785
2718
2672
2637
2611
2590
2559
2411

6056
9940
2723
1455
1005
7874
6620
5814
5257
4849
4539
4296
4100
3939
3805
3691
3593
3508
3434
3368
3310
3258
3211
3168
3129
3094
3062
3032
3005
2979
2876
2801
2698
2632
2585
2551
2524
2503
2472
2324

6083
9941
2713
1445
9963
7790
6538
5734
5178
4772
4462
4220
4025
3864
3730
3616
3518
3434
3360
3294
3236
3184
3137
3094
3056
3021
2988
2959
2931
2906
2803
2727
2625
2559
2512
2478
2451
2430
2399
2251

6107
9942
2705
1437
9888
7718
6469
5667
5111
4706
4397
4155
3960
3800
3666
3553
3455
3371
3297
3231
3173
3121
3074
3032
2993
2958
2926
2896
2868
2843
2740
2665
2563
2496
2450
2415
2389
2368
2336
2188

6126
9942
2698
1431
9825
7657
6410
5609
5055
4650
4342
4100
3905
3745
3612
3498
3401
3316
3242
3177
3119
3067
3020
2977
2939
2904
2872
2842
2814
2789
2686
2611
2508
2442
2395
2361
2334
2313
2282
2133

6143
9943
2692
1425
9770
7605
6359
5559
5005
4601
4293
4052
3857
3698
3564
3451
3353
3269
3195
3130
3072
3019
2973
2930
2892
2857
2824
2795
2767
2742
2639
2563
2461
2394
2348
2313
2286
2265
2234
2085

6157
9943
2687
1420
9722
7559
6314
5515
4962
4558
4251
4010
3815
3656
3522
3409
3312
3227
3153
3088
3030
2978
2931
2889
2850
2815
2783
2753
2726
2700
2597
2522
2419
2352
2306
2271
2244
2223
2191
2042

6170
9944
2683
1415
9680
7519
6275
5477
4924
4520
4213
3972
3778
3619
3485
3372
3275
3190
3116
3051
2993
2941
2894
2852
2813
2778
2746
2716
2689
2663
2560
2484
2382
2315
2268
2233
2206
2185
2154
2004

221

Tabla A.18: Distribucion F de Snedecor (p = 099)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

6181
9944
2679
1411
9643
7483
6240
5442
4890
4487
4180
3939
3745
3586
3452
3339
3242
3158
3084
3018
2960
2908
2861
2819
2780
2745
2713
2683
2656
2630
2527
2451
2348
2281
2234
2199
2172
2151
2119
1969

6191
9944
2675
1408
9609
7451
6209
5412
4860
4457
4150
3910
3716
3556
3423
3310
3212
3128
3054
2989
2931
2879
2832
2789
2751
2715
2683
2653
2626
2600
2497
2421
2318
2251
2204
2169
2142
2120
2089
1937

6201
9945
2672
1405
9580
7422
6181
5384
4833
4430
4123
3883
3689
3529
3396
3283
3186
3101
3027
2962
2904
2852
2805
2762
2724
2688
2656
2626
2599
2573
2470
2394
2290
2223
2176
2141
2114
2092
2060
1908

6209
9945
2669
1402
9553
7396
6155
5359
4808
4405
4099
3858
3665
3505
3372
3259
3162
3077
3003
2938
2880
2827
2780
2738
2699
2664
2632
2602
2574
2549
2445
2369
2265
2198
2150
2115
2088
2067
2035
1882

6240
9946
2658
1391
9449
7296
6058
5263
4713
4311
4005
3765
3571
3412
3278
3165
3068
2983
2909
2843
2785
2733
2686
2643
2604
2569
2536
2506
2478
2453
2348
2271
2167
2098
2050
2015
1987
1965
1932
1776

6260
9947
2650
1384
9379
7229
5992
5198
4649
4247
3941
3701
3507
3348
3214
3101
3003
2919
2844
2778
2720
2667
2620
2577
2538
2503
2470
2440
2412
2386
2281
2203
2098
2028
1980
1944
1916
1893
1860
1700

6275
9947
2645
1379
9329
7180
5944
5151
4602
4201
3895
3654
3461
3301
3167
3054
2956
2871
2797
2731
2672
2620
2572
2529
2490
2454
2421
2391
2363
2337
2231
2153
2046
1976
1927
1890
1862
1839
1806
1642

6286
9948
2641
1375
9291
7143
5908
5116
4567
4165
3860
3619
3425
3266
3132
3018
2920
2835
2761
2695
2636
2583
2536
2492
2453
2417
2384
2354
2325
2299
2193
2114
2007
1936
1886
1849
1820
1797
1763
1596

6296
9948
2638
1371
9262
7115
5880
5088
4539
4138
3832
3592
3398
3238
3104
2990
2892
2807
2732
2666
2607
2554
2506
2463
2424
2388
2354
2324
2296
2269
2162
2083
1975
1904
1853
1816
1787
1763
1728
1559

6302
9948
2635
1369
9238
7091
5858
5065
4517
4115
3810
3569
3375
3215
3081
2967
2869
2784
2709
2643
2584
2531
2483
2440
2400
2364
2330
2300
2271
2245
2137
2058
1949
1877
1826
1788
1759
1735
1700
1527

6313
9948
2632
1365
9202
7057
5824
5032
4483
4082
3776
3535
3341
3181
3047
2933
2835
2749
2674
2608
2548
2495
2447
2403
2364
2327
2294
2263
2234
2208
2099
2019
1909
1836
1785
1746
1716
1692
1656
1477

6321
9948
2629
1363
9176
7032
5799
5007
4459
4058
3752
3511
3317
3157
3022
2908
2810
2724
2649
2582
2523
2469
2421
2377
2337
2301
2267
2236
2207
2181
2072
1991
1880
1806
1754
1714
1684
1659
1623
1439

6326
9948
2627
1361
9157
7013
5781
4989
4441
4039
3734
3493
3298
3138
3004
2889
2791
2705
2630
2563
2503
2450
2401
2357
2317
2281
2247
2216
2187
2160
2050
1969
1857
1783
1730
1690
1659
1634
1597
1409

6331
9949
2625
1359
9142
6998
5766
4975
4426
4025
3719
3478
3284
3124
2989
2875
2776
2690
2614
2548
2488
2434
2386
2342
2302
2265
2231
2200
2171
2144
2034
1952
1839
1764
1711
1671
1639
1614
1576
1384

6340
9949
2622
1356
9112
6969
5737
4946
4398
3996
3690
3449
3255
3094
2959
2845
2746
2660
2584
2517
2457
2403
2354
2310
2270
2233
2198
2167
2138
2111
2000
1917
1803
1726
1672
1630
1598
1572
1533
1330

6366
9950
2613
1347
9023
6882
5652
4861
4313
3911
3605
3363
3168
3006
2871
2755
2655
2568
2492
2424
2363
2308
2258
2213
2172
2134
2099
2067
2037
2009
1894
1808
1686
1604
1544
1498
1461
1431
1385
1068

222 Apendice A. Tablas

Tabla A.19: Distribucion F de Snedecor (p = 0995)


n1
n2

10

11

12

13

14

15

16

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

16212
1985
5555
3133
2278
1863
1624
1469
1361
1283
1223
1175
1137
1106
1080
1058
1038
1022
1007
9944
9829
9727
9635
9551
9475
9406
9342
9284
9230
9180
8976
8828
8626
8495
8403
8335
8282
8241
8179
7886

19997
1990
4980
2628
1831
1454
1240
1104
1011
9427
8912
8510
8186
7922
7701
7514
7354
7215
7093
6987
6891
6806
6730
6661
6598
6541
6489
6440
6396
6355
6188
6066
5902
5795
5720
5665
5623
5589
5539
5304

21614
1992
4747
2426
1653
1292
1088
9597
8717
8081
7600
7226
6926
6680
6476
6303
6156
6028
5916
5818
5730
5652
5582
5519
5462
5409
5361
5317
5276
5239
5086
4976
4826
4729
4661
4611
4573
4542
4497
4284

22501
1992
4620
2315
1556
1203
1005
8805
7956
7343
6881
6521
6233
5998
5803
5638
5497
5375
5268
5174
5091
5017
4950
4890
4835
4785
4740
4698
4659
4623
4479
4374
4232
4140
4076
4028
3992
3963
3921
3720

23056
1993
4539
2246
1494
1146
9522
8302
7471
6872
6422
6071
5791
5562
5372
5212
5075
4956
4853
4762
4681
4609
4544
4486
4433
4384
4340
4300
4262
4228
4088
3986
3849
3760
3698
3652
3617
3589
3548
3355

23440
1993
4484
2198
1451
1107
9155
7952
7134
6545
6102
5757
5482
5257
5071
4913
4779
4663
4561
4472
4393
4322
4259
4202
4150
4103
4059
4020
3983
3949
3812
3713
3579
3492
3431
3387
3352
3325
3285
3096

23715
1994
4443
2162
1420
1079
8885
7694
6885
6303
5865
5524
5253
5031
4847
4692
4559
4445
4345
4257
4179
4109
4047
3991
3939
3893
3850
3811
3775
3742
3607
3509
3376
3291
3232
3188
3154
3127
3087
2901

23924
1994
4413
2135
1396
1057
8678
7496
6693
6116
5682
5345
5076
4857
4674
4521
4389
4276
4177
4090
4013
3944
3882
3826
3776
3730
3687
3649
3613
3580
3447
3350
3219
3134
3076
3032
2999
2972
2933
2749

24091
1994
4388
2114
1377
1039
8514
7339
6541
5968
5537
5202
4935
4717
4536
4384
4254
4141
4043
3956
3880
3812
3750
3695
3645
3599
3557
3519
3483
3451
3318
3222
3092
3008
2950
2907
2873
2847
2808
2625

24222
1994
4368
2097
1362
1025
8380
7211
6417
5847
5418
5085
4820
4603
4424
4272
4142
4030
3933
3847
3771
3703
3642
3587
3537
3492
3450
3412
3376
3344
3212
3117
2988
2904
2846
2803
2770
2744
2705
2523

24334
1994
4352
2082
1349
1013
8270
7105
6314
5746
5320
4988
4724
4508
4329
4179
4050
3938
3841
3756
3680
3612
3551
3497
3447
3402
3360
3322
3287
3255
3124
3028
2900
2817
2759
2716
2683
2657
2618
2437

24427
1994
4339
2070
1338
1003
8176
7015
6227
5661
5236
4906
4643
4428
4250
4099
3971
3860
3763
3678
3602
3535
3474
3420
3370
3325
3284
3246
3211
3179
3048
2953
2825
2742
2684
2641
2608
2583
2544
2363

24505
1994
4327
2060
1329
9950
8097
6938
6153
5589
5165
4836
4573
4359
4181
4031
3903
3793
3696
3611
3536
3469
3408
3354
3304
3259
3218
3180
3145
3113
2983
2888
2760
2677
2619
2577
2544
2518
2479
2298

24572
1994
4317
2051
1321
9878
8028
6872
6089
5526
5103
4775
4513
4299
4122
3972
3844
3734
3638
3553
3478
3411
3351
3296
3247
3202
3161
3123
3088
3056
2926
2831
2703
2620
2563
2520
2487
2461
2423
2241

24632
1994
4308
2044
1315
9814
7968
6814
6032
5471
5049
4721
4460
4247
4070
3920
3793
3683
3587
3502
3427
3360
3300
3246
3196
3151
3110
3073
3038
3006
2876
2781
2653
2570
2513
2470
2437
2411
2373
2191

24684
1994
4301
2037
1309
9758
7915
6763
5983
5422
5001
4674
4413
4201
4024
3875
3747
3637
3541
3457
3382
3315
3255
3201
3152
3107
3066
3028
2993
2961
2831
2737
2609
2526
2468
2425
2393
2367
2328
2146

223

Tabla A.20: Distribucion F de Snedecor (p = 0995)


n1
n2

17

18

19

20

25

30

35

40

45

50

60

70

80

90

120

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
70
80
90
100
120

24728
1994
4294
2031
1303
9709
7868
6718
5939
5379
4959
4632
4372
4159
3983
3834
3707
3597
3501
3416
3342
3275
3215
3161
3111
3067
3026
2988
2953
2921
2791
2697
2569
2486
2428
2385
2353
2326
2288
2105

24766
1994
4288
2026
1298
9664
7826
6678
5899
5340
4921
4595
4334
4122
3946
3797
3670
3560
3464
3380
3305
3239
3179
3125
3075
3031
2990
2952
2917
2885
2755
2661
2533
2450
2392
2349
2316
2290
2251
2069

24803
1994
4283
2021
1294
9625
7788
6641
5864
5306
4886
4561
4301
4089
3913
3764
3637
3527
3432
3348
3273
3206
3146
3092
3043
2998
2957
2919
2885
2853
2723
2628
2500
2417
2359
2316
2283
2257
2218
2035

24837
1994
4278
2017
1290
9589
7754
6608
5832
5274
4855
4530
4270
4059
3883
3734
3607
3498
3402
3318
3243
3176
3116
3062
3013
2968
2927
2890
2855
2823
2693
2598
2470
2387
2329
2286
2253
2227
2188
2004

24959
1994
4259
2000
1276
9451
7623
6482
5708
5153
4736
4412
4153
3942
3766
3618
3492
3382
3287
3203
3128
3061
3001
2947
2898
2853
2812
2775
2740
2708
2577
2482
2353
2270
2211
2168
2134
2108
2069
1882

25041
1995
4247
1989
1266
9358
7534
6396
5625
5071
4654
4331
4073
3862
3687
3539
3412
3303
3208
3123
3049
2982
2922
2868
2819
2774
2733
2695
2660
2628
2497
2401
2272
2187
2128
2084
2051
2024
1984
1794

25101
1995
4238
1981
1258
9291
7471
6334
5564
5011
4595
4272
4015
3804
3629
3481
3355
3245
3150
3066
2991
2924
2864
2810
2761
2716
2674
2636
2601
2569
2438
2342
2211
2126
2067
2022
1988
1961
1921
1727

25146
1995
4231
1975
1253
9241
7422
6288
5519
4966
4551
4228
3970
3760
3585
3437
3311
3201
3106
3022
2947
2880
2820
2765
2716
2671
2630
2592
2557
2524
2392
2296
2164
2079
2019
1974
1939
1912
1871
1674

25183
1995
4226
1971
1249
9201
7385
6251
5483
4931
4516
4193
3936
3725
3550
3403
3276
3167
3071
2987
2912
2845
2785
2730
2681
2636
2594
2556
2521
2488
2356
2259
2127
2041
1980
1935
1900
1873
1831
1631

25213
1995
4221
1967
1245
9170
7354
6222
5454
4902
4488
4165
3908
3697
3523
3375
3248
3139
3043
2959
2884
2817
2756
2702
2652
2607
2565
2527
2492
2459
2327
2230
2097
2010
1949
1903
1868
1840
1798
1595

25254
1995
4215
1961
1240
9122
7309
6177
5410
4859
4445
4123
3866
3655
3480
3332
3206
3096
3000
2916
2841
2774
2713
2658
2609
2563
2522
2483
2448
2415
2282
2184
2050
1962
1900
1854
1818
1790
1747
1538

25284
1995
4210
1957
1237
9088
7276
6145
5379
4828
4414
4092
3835
3625
3450
3302
3175
3065
2970
2885
2810
2742
2682
2627
2577
2532
2490
2451
2416
2383
2249
2150
2015
1927
1864
1817
1781
1752
1709
1494

25306
1995
4207
1954
1234
9062
7251
6121
5356
4805
4391
4069
3812
3602
3427
3279
3152
3042
2946
2861
2786
2719
2658
2603
2553
2508
2466
2427
2391
2358
2224
2125
1989
1900
1837
1789
1752
1723
1679
1460

25325
1995
4204
1952
1232
9042
7232
6102
5337
4787
4373
4051
3794
3584
3409
3261
3134
3024
2928
2843
2768
2700
2639
2584
2534
2489
2447
2408
2372
2339
2204
2105
1968
1878
1815
1767
1730
1700
1655
1431

25358
1995
4199
1947
1227
9001
7193
6065
5300
4750
4337
4015
3758
3547
3372
3224
3097
2987
2891
2806
2730
2663
2602
2546
2496
2450
2408
2369
2333
2300
2164
2064
1925
1834
1769
1720
1682
1652
1606
1370

25462
1995
4183
1933
1215
8882
7079
5953
5190
4641
4228
3907
3649
3439
3263
3114
2987
2876
2779
2693
2617
2548
2487
2431
2379
2333
2290
2250
2213
2179
2039
1935
1790
1692
1622
1568
1525
1490
1436
1076

224 Apendice A. Tablas


Tabla A.21: Puntos Crticos: Test de Rachas
n1 = 2
n2
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n1 = 3
n2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n1 = 4
n2
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0005

001

0025

005

2
2

2
2
2
2
2
2
2
2
2

2
2
2
2
2
2
2
2
2
2
2
2
2

00l

0025

005

2
2
2
2
2
2
2
2
2

2
2
2
2
2
2
2
2
2
2
2
2

2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3

0005

00l

0025

2
2
2
2
2
2
2
3
3
3
3
3
3

2
2
2
2
2
2
3
3
3
3
3
3
3
3
3

2
2
2
3
3
3
3
3
3
3
3
4
4
4
4
4

095
4
5
5
5
5
5
3
5
5
5
5
5
5
5
5
5
5
5
5

0975
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

099
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

0995
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

095
6
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7

0975
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7

099
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7

0995
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7

095
7
8
8
8
9
9
9
9
9
9
9
9
9
9
9
9
9

0975
8
8
8
8
9
9
9
9
9
9
9
9
9
9
9
9
9

099
8
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9

0995
8
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9

0005

005
2
2
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4

225
Tabla A.22: Puntos Crticos: Test de Rachas
n1 = 5
n2

0005

00l

0025

005

095

0975

099

0995

6
2
2
2
3
3
3
3
3
3
3
3
4
4
4

2
2
2
2
3
3
3
3
3
3
4
4
4
4
4
4

2
3
3
3
3
3
4
4
4
4
4
4
4
5
5
5

3
3
3
3
4
4
4
4
4
5
5
5
5
5
5
5

8
9
9
10
10
10
11
11
11
11
11
11
11
11
11
11

9
9
10
10
11
11
11
11
11
11
11
11
11
11
11
11

9
10
10
11
11
11
11
11
11
11
11
11
11
11
11
11

10
10
11
11
11
11
11
lt
11
11
11
11
11
11
11
11

n2

0005

00l

0025

005

095

0975

099

0995

6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

2
2
3
3
3
3
3
3
4
4
4
4
4
4
4

2
3
3
3
3
4
4
4
4
4
4
5
5
5
5

3
3
3
4
4
4
4
5
5
5
5
5
5
6
6

3
4
4
4
5
5
5
5
5
6
6
6
6
6
6

10
10
11
11
11
12
12
12
12
13
13
13
13
13
13

11
11
11
12
12
12
12
13
13
13
13
13
13
13
13

11
11
12
12
13
13
13
13
13
13
13
13
13
13
13

11
12
12
12
13
13
13
13
13
13
13
13
13
13
13

n2

0005

00l

0025

005

095

0975

099

0995

7
8
9
10
11
12
13
14
15
16
17
18
19
20

3
3
3
3
4
4
4
4
4
5
5
5
5
5

3
3
4
4
4
4
5
5
5
5
5
5
6
6

3
4
4
5
5
5
5
5
6
6
6
6
6
6

4
4
5
5
5
6
6
6
6
6
7
7
7
7

11
12
12
12
13
13
13
13
14
14
14
14
14
14

12
12
13
13
13
13
14
14
14
15
15
15
15
15

12
12
13
14
14
14
15
15
15
15
15
15
15
15

12
13
14
14
14
15
15
15
15
15
15
15
15
15

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n1 = 6

n1 = 7

226 Apendice A. Tablas


Tabla A.23: Puntos Crticos: Test de Rachas
n1 = 8

n2

0005

00l

0025

005

095

0975

099

0995

8
9
10
11
12
13
14
15
16
17
18
19
20

8
3
4
4
4
5
5
5
5
5
6
6
6

4
4
4
5
5
5
5
5
6
6
6
6
6

4
5
5
5
6
6
6
6
6
7
7
7
7

5
5
6
6
6
6
7
7
7
7
8
8
8

12
13
13
14
14
14
15
15
15
15
15
15
16

13
13
14
14
15
15
15
15
16
16
16
16
16

13
14
14
15
15
16
16
16
16
17
17
17
17

14
14
15
15
16
16
16
17
17
17
17
17
17

n2

0005

00l

0025

005

095

0975

099

0995

9
10
11
12
13
14
15
16
17
18
19
20

4
4
5
5
5
5
6
6
6
6
6
7

4
5
5
5
6
6
6
6
7
7
7
7

5
5
6
6
6
7
7
7
7
8
8
8

6
6
6
7
7
7
8
8
7
8
9
9

13
14
14
15
15
16
16
16
8
17
17
17

14
15
15
15
16
16
17
17
16
17
17
17

15
15
16
16
17
17
17
17
17
18
18
18

15
16
16
17
17
17
18
18
18
19
19
19

n2

0005

00l

0025

005

095

0975

099

0995

10
11
12
13
14
15
16
17
18
19
20

5
5
5
5
6
6
6
7
7
7
7

5
5
6
6
6
7
7
7
7
8
8

6
6
7
7
7
7
8
8
8
8
9

6
7
7
8
8
8
8
9
9
9
9

15
15
16
16
16
17
17
17
18
18
18

15
16
16
17
17
17
18
18
18
19
19

16
17
17
18
18
18
19
19
19
19
19

16
17
18
18
18
19
19
19
20
20
20

n2

0005

00l

0025

005

095

0975

099

0995

11
12
13
14
15
16
17
18
19
20

5
6
6
6
7
7
7
7
8
8

6
6
6
7
7
7
8
8
8
8

7
7
7
8
8
8
9
9
9
9

7
8
8
8
9
9
9
10
10
10

16
16
17
17
18
18
18
19
19
19

16
17
18
18
18
19
19
19
20
20

17
18
18
19
19
20
20
20
21
21

18
18
19
19
20
20
21
21
21
21

n1 = 9

n1 = 10

n1 = 11

227
Tabla A.24: Puntos Crticos: Test de Rachas
n1 = 12
n2
12
13
14
15
16
17
18
19
20
n1 = 13
n2
13
14
15
16
17
18
19
20
n1 = 14
n2
14
15
16
17
18
19
20
n1 =15
n2
15
16
17
18
19
20
n1 = 16
n2
16
17
18
19
20
n1 = 17
n2
17
18
19
20
n1 = 18
n2
18
19
20
n1 = 19
n2
19
20
n1 = 20
n2
20

0005
6
6
7
7
7
8
8
8
8

00l
7
7
7
8
8
8
8
9
9

0025
7
8
8
8
9
9
9
10
10

005
8
9
9
9
l0
10
l0
10
11

0005
7
7
7
8
8
8
9
9

00l
7
8
8
8
9
9
9
l0

0025
8
9
9
9
l0
l0
10
10

005
9
9
l0
l0
l0
11
11
11

0005
7
8
8
8
9
9
9

00l
8
8
9
9
9
10
10

0025
9
9
10
10
10
11
11

005
10
10
11
11
11
12
12

0005
8
9
9
9
10
10

00l
9
9
10
10
10
11

0025
10
10
11
11
11
12

005
11
11
11
12
12
12

0005
9
9
10
10
10

00l
10
10
10
10
10

0025
11
11
11
11
11

005
11
12
12
12
12

0005
10
10
10
11

00l
10
11
11
11

0025
11
12
12
13

005
12
13
13
13

0005
11
11
11

00l
11
12
12

0025
12
13
13

005
13
14
14

0005
11
12

00l
12
12

0025
13
13

005
14
14

0005
12

00l
13

0025
14

005
15

095
17
17
18
18
19
19
20
20
20

0975
18
18
19
19
20
20
20
21
21

099
18
19
20
20
21
21
21
22
22

0995
19
20
20
21
21
21
22
22
22

095
18
19
19
20
20
20
21
21

0975
19
19
20
20
21
21
22
22

099
20
20
21
21
22
22
23
23

0995
20
21
21
22
22
23
23
23

095
19
20
20
21
21
22
22

0975
20
21
21
22
22
22
23

099
21
22
22
23
23
23
24

0995
22
22
22
23
24
24
24

095
20
21
21
22
22
23

0975
21
22
22
23
23
24

099
22
23
23
24
24
25

0995
23
23
24
24
25
25

095
22
22
23
22
23

0975
22
23
24
23
24

099
23
24
25
24
25

0995
24
25
25
25
25

095
23
23
23
24

0975
24
24
24
25

099
25
25
25
26

0995
25
26
26
27

095
24
24
25

0975
25
25
26

099
26
26
27

0995
26
27
28

095
25
26

0975
26
28

099
27
28

0995
28
28

095
26

0975
27

099
28

0995
29

229
Tabla A.25: Puntos Crticos: Coeficiente de correlacion
g.l.

(n 2)

005

0025

001

0005

00005

09877

09969

09995

09999

10000

09000

09500

09800

09900

09990

08054

08783

09343

09587

09912

07293

08114

08822

09l72

09741

06694

07545

08329

08745

09507

06215

07067

07887

08343

09249

05822

06664

07498

07977

08982

05494

06319

07155

07646

08721

05214

06021

06851

07348

08471

10

04973

05760

06581

07079

08223

11

04762

05529

06339

06835

08010

12

04575

05324

06120

06614

07800

13

04409

05139

05923

06411

07603

14

04259

04973

05742

06226

07420

15

04124

04821

05577

06055

07246

16

04000

04683

05425

05897

07084

17

03887

04555

05285

05751

06932

18

03783

04438

05155

05614

06787

19

03687

04329

05034

05487

06652

20

03598

04227

04921

05368

06524

25

03233

03809

04451

04869

05974

30

02960

03494

04093

04487

05541

35

02746

03246

03810

04182

05189

40

02573

03044

03578

03932

04896

45

02428

02875

03384

03721

04648

50

02306

02732

03218

03541

04433

60

02108

02500

02948

03248

04078

70

01954

02319

02737

03017

03799

80

0l729

02l72

02565

02830

03568

90

0l726

02050

02422

02673

03375

100

01638

01946

02301

02540

03211

231
Tabla A.26: Puntos Crticos: Test de KolmogorovSmirnovLilliefors

020

015

010

005

001

0300

0319

0352

0381

0417

0285

0299

0315

0337

0405

0265

0277

0294

0319

0364

0247

0258

0276

0300

0348

0233

0244

0261

0285

0331

0223

0233

0249

0271

0311

10

0215

0224

0239

0258

0294

11

0206

0217

0230

0249

0284

12

0199

0212

0223

0242

0275

13

0190

0202

0214

0234

0268

14

0183

0194

0207

0227

0261

15

0l77

0187

0201

0220

0257

16

0173

0182

0195

0213

0250

17

0169

0l77

0189

0206

0245

18

0166

0173

0184

0200

0239

19

0163

0169

0179

0195

0235

20

0160

0166

0174

0190

0231

25

0149

0153

0165

0180

0203

30

0131
0736

0136
0768

0144
0805

0161
0886

0187
1031

> 30

Tabla A.27: Puntos Crticos: Test de KolmogorovSmirnov

020

015

010

005

001

0900

0925

0950

0975

0995

0684

0726

0776

0842

0929

0565

0597

0642

0708

0828

0494

0525

0564

0624

0733

0446

0474

0510

0565

0669

0410

0436

0470

0521

0618

0381

0405

0438

0486

0577

0358

0381

0411

0457

0543

0339

0360

0388

0432

0514

10

0322

0342

0368

0410

0490

11

0307

0326

0352

0391

0468

12

0295

0313

0338

0375

0450

13

0284

0302

0325

0361

0433

14

0274

0292

0314

0349

0418

15

0266

0283

0304

0338

0404

16

0258

0274

0295

0328

0392

17

0250

0266

0286

0318

0381

18

0244

0259

0278

0309

0371

19

0237

0252

0272

0301

0363

20

0231

0246

0264

0294

0356

25

021

022

024

027

032

30

019

020

022

024

029

35

018
107

019
114

021
122

023
136

027
163

> 35

233

Tabla A.28: Puntos Crticos: Test de ShapiroWilks


n

001

002

005

010

050

090

095

098

099

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

0753
0687
0686
0713
0730
0749
0764
0781
0792
0805
0814
0825
0835
0844
0851
0858
0863
0868
0873
0878
0881
0884
0888
0891
0894
0896
0898
0900
0902
0904
0906
0908
0910
0912
0914
0916
0917
0919
0920
0922
0923
0924
0926
0927
0928
0929
0929
0930

0756
0707
0715
0743
0760
0778
0791
0806
0817
0828
0837
0846
0855
0863
0869
0874
0879
0884
0888
0892
0895
0898
0901
0904
0906
0908
0910
0912
0914
0915
0917
0919
0920
0922
0924
0925
0927
0928
0929
0930
0932
0933
0934
0935
0936
0937
0937
0938

0767
0748
0762
0788
0803
0818
0829
0842
0850
0859
0866
0874
0881
0887
0892
0897
0901
0905
0908
0911
0914
0916
0918
0920
0923
0924
0926
0927
0929
0930
0931
0933
0934
0935
0936
0938
0939
0940
0941
0942
0943
0944
0945
0945
0946
0947
0947
0947

0789
0792
0806
0826
0838
0851
0859
0869
0876
0883
0889
0895
0901
0906
0910
0914
0917
0920
0923
0926
0928
0930
0931
0933
0935
0936
0937
0939
0940
0941
0942
0943
0944
0945
0946
0947
0948
0949
0950
0951
0951
0952
0953
0953
0954
0954
0955
0955

0959
0935
0927
0927
0928
0932
0935
0938
0940
0943
0945
0947
0950
0952
0954
0956
0957
0959
0960
0961
0962
0963
0964
0965
0965
0966
0966
0967
0967
0968
0968
0969
0969
0970
0970
0971
0971
0972
0972
0972
0973
0973
0973
0974
0974
0974
0974
0974

0998
0987
0979
0974
0972
0972
0972
0972
0973
0973
0974
0975
0975
0976
0977
0978
0978
0979
0980
0980
0981
0981
0981
0982
0982
0982
0982
0983
0983
0983
0983
0983
0984
0984
0984
0984
0984
0985
0985
0985
0985
0985
0985
0985
0985
0985
0985
0985

0999
0992
0986
0981
0979
0978
0978
0978
0979
0979
0979
0980
0980
0981
0981
0982
0982
0983
0983
0984
0984
0984
0985
0985
0985
0985
0985
0985
0986
0986
0986
0986
0986
0986
0987
0987
0987
0987
0987
0987
0987
0987
0988
0988
0988
0988
0988
0988

1000
0996
0991
0986
0985
0984
0984
0983
0984
0984
0984
0984
0984
0985
0985
0986
0986
0986
0987
0987
0987
0987
0988
0988
0988
0988
0988
0988
0988
0988
0989
0989
0989
0989
0989
0989
0989
0989
0989
0989
0990
0990
0990
0990
0990
0990
0990
0990

1000
0997
0993
0989
0988
0987
0986
0986
0986
0986
0986
0986
0987
0987
0987
0988
0988
0988
0989
0989
0989
0989
0989
0989
0990
0990
0990
0990
0990
0990
0990
0990
0990
0990
0990
0990
0991
0991
0991
0991
0991
0991
0991
0991
0991
0991
0991
0991

234 Apendice A. Tablas

Tabla A.29: Coeficientes: Test de ShapiroWilks


n
i

10

1
2
3
4
5

07071

07071
00000

06872
01677

06646
02413
00000

06431
02806
00875

06233
03031
01401
00000

06052
03164
01743
00561

05888
03244
01976
00947
00000

05739
03291
02141
01224
00399

11

12

13

14

15

16

17

18

19

20

1
2
3
4
5
6
7
8
9
l0

05601
03315
02260
01429
00695
00000

05475
03325
02347
01586
00922
00303

05359
03325
02412
01707
01099
00539
00000

05251
03318
02495
01802
01240
00727
00240

05150
03306
02495
01878
01353
00880
00433
00000

05056
03290
02521
01988
01447
01005
00593
00196

04968
03273
02540
01988
01524
01109
00725
00359
00000

04886
03253
02553
02027
01587
01197
00837
00496
00163

04808
03232
02561
02059
01641
01271
00932
00612
00303
00000

04734
03211
02565
020S5
01686
01334
01013
00711
00422
00140

21

22

23

24

25

26

27

28

29

30

04542
03126
02563
02139
01787
01480
01201
00941
00696
00459
00228
00000

04493
03098
02554
02145
01807
01512
01245
00997
00764
00539
00321
00107

04450
03069
02543
02148
01822
01539
01283
01046
00823
00610
00403
00200
00000

04407
03043
02533
02151
01836
01563
01316
01089
00876
00672
00476
00284
00094

04366
03018
0252Z
02152
01848
01584
01346
01128
00923
00728
00540
00358
00178
00000

04328
02992
02510
02151
01857
01601
01372
01162
00965
00778
00598
00424
00253
00084

04291
02968
02499
02150
01864
01616
01395
01192
01002
00822
00650
00483
00320
00159
00000

04254
02944
02487
02148
01870
01630
01415
01219
01036
00862
00697
00537
00381
00227
00076

n
1
2
3
4
5
6
7
8
9
l0
11
12
13
14
15

0464
0318
0257
0211
0173
0139
0109
0080
0053
0026
0000

3
5
8
9
6
9
2
4
0
3
0

04590
03156
02571
02131
01764
01443
01150
00878
00618
00368
00122

235

Tabla A.30: Coeficientes: Test de ShapiroWilks


n
i
1
2
3
4
5
6
7
8
9
10
l1
12
13
14
15
16
17
18
19
20

31

32

33

34

35

36

37

38

39

40

04220
02921
02475
02145
01874
01641
01433
01243
01066
00899
00739
00585
00435
00289
00144
00000
00000
00000
00000
00000

04188
02898
02463
02141
01878
01651
01449
01265
01093
00931
00777
00629
00485
00344
00206
00068
00062
00057
00053
00049

04156
02876
02451
02137
01880
01660
01463
01284
01118
00961
00812
00669
00530
00395
00262
00187
00119
00110
00101

04127
02854
02439
02132
01882
01667
01475
01301
01140
00988
00844
00706
00572
00441
00314
00187
00172
00158
00146

04096
02834
02427
02127
01883
01673
01487
01317
01160
01013
00873
00739
00610
00484
00361
00239
00220
00203

04068
02813
02415
02121
01883
01678
01496
01331
01179
01036
00900
00770
00645
00523
00404
00287
00264
00244

04040
02794
02403
02116
01883
01683
01505
01344
01196
01056
00924
00798
00677
00559
00444
00331
00305

04015
02774
02391
02110
01881
01686
01513
01356
01211
01075
00947
00824
00706
00592
00481
00372
00343

03989
02755
02380
02104
01880
01689
01520
01366
01225
01092
00967
00848
00733
00622
00515
00409

03964
02737
02368
02098
01878
01691
01526
01376
01237
01108
00986
00870
00759
00651
00546
00444

41

42

43

44

45

46

47

48

49

50

03940
02719
02357
02091
01876
01693
01531
01384
01249
01123
01004
00891
00782
00677
00575
00476
00379
00283
0018B
00094
00000

03917
02701
02345
02085
01874
01694
01535
01392
01259
01136
01020
00909
00804
00701
00602
00506
00411
00318
00227
00136
00045

03894
02684
02334
02078
01871
01695
01539
01398
01269
01149
01035
00927
00824
00724
00628
00534
00442
00352
00263
00175
00087
00000

03872
02667
02323
02072
01868
01695
01542
01405
01278
01160
01049
00943
00842
00745
00651
00560
00471
00383
00296
00211
00126
00042

03850
02651
02313
02065
01865
01695
01545
01410
01286
01170
01062
00959
00860
00765
00673
00584
00497
004l2
00328
00245
00163
00081
00000

03830
02635
02302
02058
01862
01695
01548
01415
01293
01180
01073
00972
00876
00783
00694
00607
00522
00439
00357
00277
00197
00118
00039

03808
02620
02291
02052
01859
01695
01550
01420
01300
01189
01085
00986
00892
00801
00713
00628
00546
00465
00385
00307
00229
00153
00076
00000

03789
02604
02281
02045
01855
01693
01551
01423
01306
01197
01095
00998
00906
00817
00731
00648
00568
00489
00411
00335
00259
00185
00111
00037

03770
02589
02271
02038
01851
01692
01553
01427
01312
01205
01105
01010
00919
00832
00748
00667
00588
00511
00436
00361
00288
00215
00143
00071
00000

03751
02574
02260
02032
01847
01691
01554
01430
01317
0l212
0lU3
01020
00932
00846
00764
00685
00608
00532
00459
00386
00314
00244
00174
00104
00035

n
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

237

Tabla A.31: Puntos Crticos: Test de Wilcoxon


n

0005

001

0025

005

0005

001

0025

005

33

138

151

170

187

34

148

162

182

200

35

159

173

195

213

36

171

185

208

227

37

182

198

221

241

10

10

38

194

211

235

256

11

10

13

39

207

224

249

271

12

13

17

40

220

238

264

286

13

12

17

21

41

233

252

279

302

14

12

15

21

25

42

247

266

294

319

15

15

19

25

30

43

261

281

310

336

16

19

23

29

35

44

276

296

327

353

17

23

27

34

41

45

291

312

343

371

18

27

32

40

47

46

307

328

361

389

19

32

37

46

53

47

322

345

378

407

20

37

43

52

60

48

339

362

396

426

21

42

49

58

67

49

355

379

415

446

22

48

55

65

75

50

373

397

434

466

23

54

62

73

83

51

390

416

453

486

24

61

69

81

91

52

408

434

473

507

25

68

76

89

100

53

427

454

494

529

26

75

84

98

110

54

445

473

514

550

27

83

92

107

119

55

465

493

536

573

28

91

101

116

130

56

484

514

557

595

29

100

110

126

140

57

504

535

579

618

30

109

120

137

151

58

525

556

602

642

31

118

130

147

163

59

546

578

625

666

32

128

140

159

175

60

567

600

648

690

239
Tabla A.32: Puntos Crticos: Test U de WMannWhitney ( = 01)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

11

10

13

16

19

12

15

18

22

25

10

10

13

17

21

24

28

32

11

11

15

19

23

27

31

36

40

12

12

17

21

26

30

35

39

44

49

13

13

18

23

28

33

38

43

48

53

58

14

10

15

20

25

31

36

41

47

52

58

63

69

15

10

16

22

27

33

39

45

51

57

63

68

74

80

16

11

17

23

29

36

42

48

54

61

67

74

80

86

17

12

18

25

31

38

45

52

58

65

72

79

85

92

99

106

18

13

20

27

34

41

48

55

62

69

77

84

91

98

106

113

120

19

14

21

28

36

43

51

58

66

73

81

89

97

104

112

120

128

135

20

15

22

30

38

46

54

62

70

78

86

94

102

110

119

127

135

143

151

21

15

23

32

40

48

56

65

73

82

91

99

108

116

125

134

142

151

160

22

16

25

33

42

51

59

68

77

86

95

104

113

122

131

141

150

159

168

23

17

26

35

44

53

62

72

81

90

100

109

119

128

138

147

157

167

176

24

18

27

36

46

56

65

75

85

95

105

114

124

134

144

154

164

174

184

25

19

28

38

48

58

68

78

89

99

109

120

130

140

151

161

172

182

193

26

10

20

30

40

50

61

71

82

92

103

114

125

136

146

157

168

179

190

201

27

10

21

31

41

52

63

74

85

96

107

119

130

141

152

164

175

186

198

209

28

11

21

32

43

54

66

77

88

100

112

123

135

147

158

170

182

194

206

217

29

11

22

33

45

56

68

80

92

104

116

128

140

152

164

177

189

201

213

226

30

12

23

35

46

58

71

83

95

108

120

133

145

158

170

183

196

209

221

234

31

12

24

36

48

61

73

86

99

111

124

137

150

163

177

190

203

216

229

242

32

13

25

37

50

63

76

89

102

115

129

142

156

169

183

196

210

223

237

251

33

13

26

38

51

65

78

92

105

119

133

147

161

175

189

203

217

131

245

259

34

13

26

40

53

67

81

95

109

123

137

151

166

180

195

209

224

238

253

267

35

14

27

41

55

69

83

98

112

127

141

156

171

186

201

216

230

245

260

275

36

14

28

42

56

71

86

100

115

131

146

161

176

191

207

222

237

253

268

284

37

15

29

43

58

73

88

103

119

134

150

166

181

197

213

229

244

260

276

292

38

15

30

45

60

75

91

106

122

138

154

170

186

203

219

235

251

268

284

301

39

16

31

46

61

77

93

109

126

142

158

175

192

208

225

242

258

275

292

309

40

16

31

47

63

79

96

112

129

146

163

180

197

214

231

248

265

282

300

317

13

93

240 Apendice A. Tablas


Tabla A.33: Puntos Crticos: Test U de WMannWhitney ( = 005)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

11

10

13

15

12

15

18

21

10

11

14

17

20

24

27

11

12

16

19

23

27

31

12

13

17

21

26

30

34

38

42

13

10

15

19

24

28

33

37

42

47

51

14

11

16

21

26

31

36

41

46

51

56

61

15

12

18

23

28

33

39

44

50

55

61

66

72

16

14

19

25

30

36

42

48

54

60

65

71

77

83

17

15

20

26

33

39

45

51

57

64

70

77

83

89

96

18

16

22

28

35

41

48

55

61

68

75

82

88

95

102

109

19

10

17

23

30

37

44

51

58

65

72

80

87

94

101

109

116

123

20

11

18

25

32

39

47

54

62

69

77

84

92

100

107

115

123

130

138

21

11

19

26

34

41

49

57

65

73

81

89

97

105

113

121

130

138

146

22

12

20

28

36

44

52

60

68

77

85

94

102

111

119

128

136

145

154

23

13

21

29

37

46

54

63

72

81

90

98

107

116

125

134

143

152

161

24

13

22

30

39

48

57

66

75

85

94

103

113

122

131

141

150

160

169

25

14

23

32

41

50

60

69

79

89

98

108

118

128

137

147

157

167

177

26

15

24

33

43

53

62

72

82

92

103

113

123

133

143

154

164

174

185

27

15

25

35

45

55

65

75

86

96

107

117

128

139

149

160

171

182

192

28

16

26

36

46

57

68

78

89

100

111

122

133

144

156

167

178

189

200

29

17

27

38

48

59

70

82

93

104

116

127

138

150

162

173

185

196

208

30

17

28

39

50

61

73

85

96

108

120

132

144

156

168

180

192

204

216

31

18

29

40

52

64

76

88

100

112

124

136

149

161

174

186

199

211

224

32

19

30

42

54

66

78

91

103

116

128

141

154

167

180

193

206

218

231

33

19

31

43

56

68

81

94

107

120

133

146

159

172

186

199

212

226

239

34

20

32

45

57

70

84

97

110

124

137

151

164

178

192

206

219

233

247

35

21

33

46

59

73

86

100

114

128

141

156

170

184

198

212

226

241

255

36

21

34

48

61

75

89

103

117

131

146

160

175

189

204

219

233

248

263

37

10

22

35

49

63

77

91

106

121

135

150

165

180

195

210

225

240

255

271

38

10

23

36

50

65

79

94

109

124

139

154

170

185

201

216

232

247

263

278

39

10

23

38

52

67

82

97

112

128

143

159

175

190

206

222

238

254

270

286

40

11

24

39

53

68

84

99

115

131

147

163

179

196

212

228

245

261

278

294

34

241
Tabla A.34: Puntos Crticos: Test U de WMannWhitney ( = 0025)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

10

13

10

12

15

17

10

11

14

17

20

23

11

13

16

19

23

26

30

12

11

14

18

22

26

29

33

37

13

12

16

20

24

28

33

37

41

14

13

17

22

26

31

36

40

45

50

55

15

10

14

19

24

29

34

39

44

49

54

59

64

16

11

15

21

26

31

37

42

47

53

59

64

70

75

17

11

17

22

28

34

39

45

51

57

63

69

75

81

87

18

12

18

24

30

36

42

48

55

61

67

74

80

86

93

99

19

13

19

25

32

38

45

52

58

65

72

78

85

92

99

106

113

20

14

20

27

34

41

48

55

62

69

76

83

90

98

105

112

119

127

21

15

22

29

36

43

50

58

65

73

80

88

96

103

111

119

126

134

22

16

23

30

38

45

53

61

69

77

85

93

101

109

117

125

133

141

23

17

24

32

40

48

56

64

73

81

89

98

106

115

123

132

140

149

24

10

17

25

33

42

50

59

67

76

85

94

102

111

120

129

138

147

156

25

10

18

27

35

44

53

62

71

80

89

98

107

117

126

135

145

154

163

26

11

19

28

37

46

55

64

74

83

93

102

112

122

132

141

151

161

171

27

11

20

29

38

48

57

67

77

87

97

107

117

127

137

147

158

168

178

28

12

21

30

40

50

60

70

80

90

101

111

122

132

143

154

164

175

186

29

13

22

32

42

52

62

73

83

94

105

116

127

138

149

160

171

182

193

30

13

23

33

43

54

65

76

87

98

109

120

131

143

154

166

177

189

200

31

14

24

34

45

56

67

78

90

101

113

125

136

148

160

172

184

196

208

32

14

24

35

46

58

69

81

93

105

117

129

141

153

166

178

190

203

215

33

15

25

37

48

60

72

84

96

108

121

133

146

159

171

184

197

210

222

34

15

26

38

50

62

74

87

99

112

125

138

151

164

177

190

203

217

230

35

16

27

39

51

64

77

89

103

116

129

142

156

169

183

196

210

224

237

36

16

28

40

53

66

79

92

106

119

133

147

161

174

188

202

216

231

245

37

17

29

41

55

68

81

95

109

123

137

151

165

180

194

209

223

238

252

38

17

30

43

56

70

84

98

112

127

141

156

170

185

200

215

230

245

259

39

18

31

44

58

72

86

101

115

130

145

160

175

190

206

221

236

252

267

40

18

31

45

59

74

89

103

119

134

149

165

180

196

211

227

243

258

274

45

242 Apendice A. Tablas


Tabla A.35: Puntos Crticos: Test U de WMannWhitney ( = 001)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

11

14

10

11

13

16

19

11

12

15

18

22

l2

11

14

17

21

24

28

31

13

12

16

20

23

27

31

35

39

14

10

13

17

22

26

30

34

38

43

47

15

11

15

19

24

28

33

37

42

47

51

56

16

12

16

21

26

31

36

41

46

51

56

61

66

17

13

18

23

28

33

38

44

49

55

61

66

71

77

18

14

19

24

30

36

41

47

53

59

65

70

76

82

19

15

20

26

32

38

44

50

56

63

69

75

82

88

94

101

20

10

16

22

28

34

40

47

53

60

67

73

80

87

93

100

107

21

11

17

23

30

36

43

50

57

64

71

78

85

92

99

106

113

l21

22

11

18

24

31

38

45

53

60

67

75

82

90

97

105

112

120

127

23

12

19

26

33

40

48

55

63

71

79

87

94

102

110

118

126

134

24

13

20

27

35

42

50

58

66

75

83

91

99

108

116

124

133

141

25

13

21

29

36

45

53

61

70

78

87

95

104

113

122

130

139

148

26

14

22

30

38

47

55

64

73

82

91

100

109

118

127

136

146

155

27

15

23

31

40

49

58

67

76

85

95

104

114

123

133

14Z

152

162

28

16

24

33

42

51

60

70

79

89

99

109

119

129

139

149

159

169

29

16

25

34

43

53

63

73

83

93

103

113

123

134

144

155

165

176

30

17

26

35

45

55

65

76

86

96

107

118

128

139

150

161

172

182

31

18

27

37

47

57

68

78

89

100

111

122

133

144

156

167

178

189

32

18

28

38

49

59

70

81

92

104

115

127

138

150

161

173

185

196

33

10

19

29

40

50

61

73

84

96

107

119

131

143

155

167

179

191

203

34

10

20

30

41

52

64

75

87

99

111

123

135

148

160

173

185

198

210

35

11

20

31

42

54

66

78

90

102

115

127

140

153

165

178

191

204

217

36

11

21

32

44

56

68

80

93

106

118

131

144

158

171

184

197

211

224

37

11

22

33

45

57

70

83

96

109

122

135

149

162

176

190

203

217

231

38

12

22

34

46

59

72

85

99

112

126

139

153

167

181

195

209

224

238

39

12

23

35

48

61

74

88

101

115

129

144

158

172

187

201

216

230

245

40

13

24

36

49

63

76

90

104

119

133

148

162

177

192

207

222

237

252

25

88
114

243
Tabla A.36: Puntos Crticos: Test U de WMannWhitney ( = 0005)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

11

10

11

13

16

11

10

13

16

18

12

12

15

18

21

24

27

13

10

13

17

20

24

27

31

34

14

11

15

18

22

26

30

34

38

42

15

12

16

20

24

29

33

37

42

46

16

13

18

22

27

31

36

41

45

50

55

60

17

10

15

19

24

29

34

39

44

49

54

60

65

18

11

16

21

26

31

37

42

47

53

58

64

70

75

81

19

12

17

22

28

33

39

45

51

57

63

69

74

81

87

20

13

18

24

30

36

42

48

54

60

67

73

79

86

92

99

105

21

14

19

25

32

38

44

51

58

64

71

78

84

91

98

105

112

22

14

21

27

34

40

47

54

61

68

75

82

89

96

104

111

118

23

15

22

29

35

43

50

57

64

72

79

87

94

102

109

117

125

24

10

16

23

30

37

45

52

60

68

75

83

91

99

107

115

123

131

25

10

17

24

32

39

47

55

63

71

79

87

96

104

112

121

129

138

26

11

18

25

33

41

49

58

66

74

83

92

100

109

118

127

135

144

27

12

19

27

35

43

52

60

69

78

87

96

105

114

123

132

142

151

28

12

20

28

36

45

54

63

72

81

91

100

109

119

128

138

148

157

29

13

21

29

38

47

56

66

75

85

94

104

114

124

134

144

154

164

30

13

22

30

40

49

58

68

78

88

98

108

119

129

139

150

160

170

31

14

22

32

41

51

61

71

81

92

102

113

123

134

145

155

166

177

32

14

23

33

43

53

63

74

84

95

106

117

128

139

150

161

172

184

33

15

24

34

44

55

65

76

87

98

110

121

132

144

155

167

179

190

34

16

25

35

46

57

68

79

90

102

113

125

137

149

161

173

185

197

35

16

26

37

47

59

70

82

93

105

117

129

142

154

166

179

191

203

36

17

27

38

49

60

72

84

96

109

121

134

146

159

172

184

197

210

37

17

28

39

51

62

75

87

99

112

125

138

151

164

177

190

203

217

38

18

29

40

52

64

77

90

102

116

129

142

155

169

182

196

210

223

39

19

30

41

54

66

79

92

106

119

133

146

160

174

188

202

216

230

40

19

31

43

55

68

81

95

109

122

136

150

165

179

193

208

222

237

21

51
70
93

244 Apendice A. Tablas


Tabla A.37: Puntos Crticos: Test U de WMannWhitney ( = 0001)
n2
n1

10

11

12

13

14

15

16

17

18

19

20

10

10

11

10

12

15

12

12

14

17

20

13

11

14

17

20

23

26

14

12

15

19

22

25

29

32

15

10

14

17

21

24

28

32

36

40

16

11

15

19

23

27

31

35

39

43

48

17

13

17

21

25

29

34

38

43

47

52

57

18

10

14

18

23

27

32

37

42

46

51

56

61

66

19

11

15

20

25

29

34

40

45

50

55

60

66

71

77

20

12

16

21

26

32

37

42

48

54

59

65

70

76

82

88

21

12

18

23

28

34

40

45

51

57

63

69

75

81

87

94

22

13

19

24

30

36

42

48

54

61

67

73

80

86

93

99

23

14

20

26

32

38

45

51

58

64

71

78

85

91

98

105

24

10

15

21

27

34

40

47

54

61

68

75

82

89

96

104

111

25

10

16

22

29

36

43

50

57

64

72

79

86

94

102

109

117

26

11

17

24

31

38

45

52

60

68

75

83

91

99

107

115

123

27

12

18

25

32

40

47

55

63

71

79

87

95

104

112

120

129

28

12

19

26

34

41

49

57

66

74

83

91

100

108

117

126

135

29

13

20

27

35

43

52

60

69

77

86

95

104

113

122

131

140

30

14

21

29

37

45

54

63

72

81

90

99

108

118

127

137

146

31

14

22

30

38

47

56

65

75

84

94

103

113

123

132

142

152

32

15

23

31

40

49

58

68

77

87

97

107

117

127

138

148

158

33

15

24

32

41

51

61

70

80

91

101

111

122

132

143

153

164

34

16

25

34

43

53

63

73

83

94

105

115

126

137

148

159

170

35

17

25

35

45

55

65

76

86

97

108

119

131

142

153

165

176

36

17

26

36

46

57

67

78

89

101

112

123

135

147

158

170

182

37

10

18

27

37

48

58

70

81

92

104

116

127

139

151

164

176

188

38

10

19

28

39

49

60

72

83

95

107

119

131

144

156

169

181

194

39

11

19

29

40

51

62

74

86

98

110

123

136

148

161

174

187

200

40

11

20

30

41

52

64

76

89

101

114

127

140

153

166

179

192

206

245
Tabla A.38: Puntos Crticos: Test de KolmogorovSmirnov (2 muestras)
Muestras de distinto tama
no
09
n1 n2
1 9
10
2 3
4
5
6
7
8
9
10
3 4
5
6
7
8
9
10
12
4 5
6
7
8
9
10
12
16
5 6
7
8
9
10
15
20

080
17/18
9/10
5/6
3/4
4/5
5/6
5/7
3/4
7/9
7/10
3/4
2/3
2/3
2/3
5/8
2/3
3/5
7/12
3/5
7/12
17/28
5/8
5/9
11/20
7/12
9/16
3/5
4/7
11/20
5/9
1/2
8/15
1/2

p (Unilateral)
095 0975 099 0995
p (Bilateral)
090 095 098 099

4/5
5/6
6/7
7/8
8/9
4/5
3/4
4/5
2/3
5/7
3/4
2/3
7/10
2/3
3/4
2/3
5/7
5/8
2/3
13/20
2/3
5/8
2/3
23/35
5/8
3/5
3/5
3/5
11/20

7/8
8/9
9/10
4/5
5/6
6/7
3/4
7/9
4/5
3/4
4/5
3/4
3/4
3/4
3/4
7/10
2/3
11/16
2/3
5/7
27/40
31/45
7/10
2/3
3/5

6/7
7/8
7/9
9/10
5/6
4/5
5/6
6/7
7/8
7/9
4/5
3/4
3/4
5/6
29/35
4/5
7/9
7/10
11/15
7/10

8/9
9/10
11/12
5/6
6/7
7/8
8/9
4/5
5/6
13/16
5/6
6/7
4/5
4/5
4/5
11/15
3/4

09
n1 n2
6 7
8
9
10
12
18
24
7 8
9
10
14
28
8 9
10
12
16
32
9 10
12
15
18
36
10 15
20
40
12 15
16
18
20
15 20
16 20

080
23/42
1/2
1/2
1/2
1/2
4/9
11/24
27/56
31/63
33/70
3/7
3/7
4/9
18/40
11/24
7/16
13/32
7/15
4/9
19/45
7/18
13/36
2/5
2/5
7/20
23/60
3/8
13/36
11/30
7/20
27/80

p (Unilateral)
095 0975 099
p (Bilateral)
090 095 098
4/7 29/42 5/7
7/12 2/3
3/4
5/9
2/3 13/18
17/30 19/39 7/10
7/12 7/12 2/3
5/9 11/18 2/3
1/2 7/12 5/8
33/56 5/8 41/56
5/9 40/63 5/7
39/70 43/70 7/10
1/2
4/7 9/14
13/28 15/28 17/28
13/24 5/8
2/3
21/40 23/40 27/40
1/2 7/12 5/8
1/2 9/16 5/8
7/16 1/2 9/16
1/2 26/45 2/3
1/2
5/9 11/18
22/45 8/15 3/5
4/9
1/2
5/9
5/12 17/36 19/36
7/15 1/2 17/30
9/20 1/2 11/20
2/5 9/20 1/2
9/20 1/2 11/20
7/16 23/48 13/24
5/12 17/36 19/36
5/12 7/15 31/60
2/5 13/30 29/60
31/80 17/40 19/40

0995
099
5/6
3/4
7/9
11/45
3/4
13/18
2/3
3/4
47/63
5/7
5/7
9/14
3/4
7/10
2/3
5/8
19/32
31/45
2/3
29/45
11/18
5/9
19/30
3/5
7/12
7/12
5/9
17/30
31/60
41/80

Muestras de igual tama


no
09
n
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

080
2/3
3/4
3/5
3/6
4/7
4/8
4/9
4/10
5/11
5/12
5/13
5/14
5/15
6/16
6/17
6/18
6/19

p (Unilateral)
095 0975 099
p (Bilateral)
090 095 098
2/3
3/4 3/4
3/5 4/5 4/5
4/6 4/6 5/6
4/7 5/7 5/7
4/8 5/8 5/8
5/9 5/9 6/9
5/10 6/10 6/10
5/11 6/11 7/11
5/12 6/12 7/12
6/13 6/13 7/13
6/14 7/14 7/14
6/15 7/15 8/15
6/16 7/16 8/16
7/17 7/17 8/17
7/18 8/18 9/18
7/19 8/19 9/19

0995
099

4/5
5/6
5/7
6/8
6/9
7/10
7/11
7/12
8/13
8/14
8/15
9/16
9/17
9/19
9/19

09
n
20
21
22
23
24
25
26
27
28
29
30
31
32
34
36
38
40
n > 40

080
6/20
6/21
7/22
7/23
7/24
7/25
7/26
7/27
8/28
8/29
8/30
8/31
8/32
8/34
9/36
9/38
9/40
152

p (Unilateral)
095 0975 099
p (Bilateral)
090 095 098
7/20 8/20 9/20
7/21 8/21 9/21
8/22 8/22 10/22
8/23 9/23 10/23
8/24 9/24 10/24
8/25 9/25 10/25
8/26 9/26 10/26
8/27 9/27 11/27
9/28 10/28 11/28
9/29 10/29 11/29
9/30 10/30 11/30
9/31 10/31 11/31
9/32 10/32 12/32
10/34 11/34 12/34
10/36 11/36 12/36
10/38 11/38 13/38
10/40 12/40 13/40
173
192
215

0995
099
10/20
10/21
10/22
10/23
11/24
11/25
11/26
11/27
11/28
12/29
12/30
12/31
12/32
13/34
13/36
14/38
14/40
230

247

Tabla A.39: Puntos Crticos: Test de Cochran


= 005
n
k

10

11

17

37

145

09985 09750 09392 09057 08772 08534 08332 08159 08010 07880 07341 06602 05813 05000

09669 08709 07977 07457 07071 06771 06530 06333 06167 06025 05466 04748 04031 03333

09065 07679 06841 06287 05895 05598 05365 05175 05917 04884 04366 03720 03093 02500

08412 06838 05981 05441 05065 04783 04564 04387 04241 04118 03645 03066 02513 02000

07808 06161 05321 04803 04447 04184 03980 03817 03682 03368 03135 02612 02119 01667

07271 05612 04800 04307 03974 03726 03535 03384 03529 03154 02756 02278 01833 01429

06798 05157 04377 03910 03505 03362 03185 03043 02926 02829 02462 02022 01616 01250

06385 01775 04027 03584 03286 03067 02901 02768 02659 02568 02226 01820 01446 01111

10 06020 04450 03733 03311 03029 02823 02666 02541 02439 02353 02032 01655 01308 01000
12 05410 03924 03264 02880 02624 02439 02299 02187 02098 02020 01737 01403 01100 00833
15 04709 03346 02758 02419 02195 02034 01911 01815 01736 01671 01429 01144 00889 00667
20 03894 02705 02205 01921 01735 01602 01501 01422 01357 01303 01108 00879 00675 00500
24 03434 02354 01907 01656 01493 01374 01286 01216 01160 01113 00942 00743 00561 00417
30 02929 01980 01593 01377 01237 01137 01061 01002 00958 00921 00771 00604 00457 00333
40 02370 01576 01259 01082 00968 00887 00827 00780 00745 00713 00595 00462 00347 00250
60 01737 01131 00895 00765 00682 00623 00583 00552 00520 00497 00411 00316 00234 00167
120 00998 00632 00495 00419 00371 00337 00312 00292 00279 00266 00218 00165 00120 00083

= 001
n
k

10

11

17

37

145

09999 09950 09794 09586 09373 09172 08988 08823 08674 08539 07949 07067 06062 05000

09933 09423 08831 08831 08335 07933 07606 07335 07107 06912 06743 06059 05153 04230

09676 08643 07814 07112 06761 06410 06129 05897 05702 05536 04884 04057 03251 02500

09279 07885 06937 06329 05875 05531 05259 05037 04858 04697 04094 03351 02644 02000

08828 07218 06258 05635 05195 04866 04608 04401 04229 04084 03529 02858 02229 01667

08376 06644 05685 05080 04659 04347 04105 03911 03751 03616 03105 02494 01929 01429

07945 06152 05209 04627 04226 03932 03704 03522 03373 03248 02779 02214 01700 01250

07544 05727 04810 04251 03870 03592 03378 03207 03067 02950 02514 01992 01521 01111

10 07175 05358 04469 03934 03572 03308 03106 02945 02813 02704 02297 01811 01376 01000
12 06528 04751 03919 03128 03090 02861 02680 02535 02419 02320 01961 01535 01157 00833
15 05747 04069 03317 02882 02593 02386 02228 02104 02002 01918 01612 01251 00934 00667
20 04709 03297 02634 02288 02048 01877 01748 01646 01567 01501 01248 00960 00700 00500
24 04247 02871 02295 01970 01759 01608 01495 01406 01338 01283 01060 00810 00595 00117
30 03632 02412 01913 01635 01454 01327 01232 01157 01100 01054 00867 00658 00480 00333
40 02940 01915 01508 01281 01135 01033 00957 00898 00853 00816 00668 00503 00363 00250
60 02151 01371 01069 00902 00796 00722 00668 00625 00591 00567 00461 00344 00245 00167
120 01225 00759 00585 00489 00429 00387 00357 00334 00316 00302 00242 00178 00125 00083

249
Tabla A.40: Puntos Crticos: Test de KruskalWallis

n1

n2

n3

010

005

4286

4500

4571

4556

5361

4622

5600

4500

4458

001

n1

n2

n3

010

005

4200

5000

4714

4373

5160

5143

4018

4960

4651

5251

6909

4533

5648

7079

3987

4986

6954

5333

4541

5273

7204

4056

5208

4549

5656

7445

4511

5444

6444

4619

5657

7760

4709

5727

6746

4109

5127

7309

4167

4967

6667

4623

5338

7338

5554

5455

7036

5545

5705

7578

4546

5598

7144

4523

5666

7823

4654

5692

7654

4560

5780

8000

7200

001

6533

Tabla A.41: Puntos crticos: Test de KruskalWallis (comparaciones)


r comparaciones
k

0067

0067

0067

12

0029

12

0029

12

0029

16

0016

16

0016

15

0048

20

0010

19

0030

19

0030

24

0007

23

0021

22

0056

28

0005

26

0041

26

0041

31

0012

30

0031

29

0063

10

35

0009

34

0025

33

0050

11

30

0008

38

0020

37

0040

12

43

0006

41

0033

40

0062

13

46

0014

45

0028

44

0052

14

50

0012

49

0024

48

0044

15

54

0010

52

0038

52

0038

17

0011

16

0029

15

0064

24

0012

23

0023

22

0043

32

0007

30

0023

28

0060

39

0009

37

0024

35

0055

39

0009

37

0024

35

0054

54

0010

51

0029

49

0055

27

0011

25

0031

24

0045

38

0012

36

0026

34

0049

50

0010

46

0033

44

0056

39

0009

35

0031

33

0048

51

0011

43

0049

251
Tabla A.42: Recorrido Studentizado (Extremo inferior)
= 005
p
n

10

11

12

13

14

15

16

17

18

19

20

10 009 043 075 101 120 137 152 163 174 183 191 198 205 2l2 217 222 226 230 234
11 009 043 075 001 021 038 052 064 07S 084 092 200 007 013 018 024 028 033 033
l2 009 043 075 001 021 038 053 065 076 085 093 001 008 014 020 026 030 034 038
13 009 043 075 001 022 039 053 065 076 086 094 002 009 015 021 027 031 036 040
14 009 043 075 001 022 039 054 066 077 086 095 003 010 016 022 028 032 037 041
15 009 043 075 101 122 139 154 166 177 187 195 203 211 217 223 229 234 238 243
16 009 043 075 001 022 029 054 067 078 087 096 004 011 018 024 030 034 039 044
17 009 043 075 001 022 040 055 067 078 088 097 005 0l2 019 025 030 035 040 045
18 009 043 075 002 022 040 055 067 079 088 097 005 0l2 019 025 031 036 041 045
19 009 043 075 002 023 040 055 068 079 089 098 005 013 020 026 032 037 042 046
20 009 043 075 102 123 140 155 168 179 189 198 206 213 220 227 232 237 242 247
24 009 043 075 002 023 041 056 069 080 090 099 008 015 022 028 034 039 045 049
30 009 043 076 002 024 041 057 070 081 092 201 009 017 024 030 036 041 047 052
40 009 043 076 002 024 042 057 071 082 093 002 010 018 026 032 038 043 049 054
60 009 043 076 102 124 143 158 172 183 194 204 212 220 228 234 240 246 252 257
120 009 043 076 003 025 043 059 073 085 096 006 014 022 030 036 043 049 054 060
009 043 076 103 125 144 160 174 186 197 207 216 224 232 239 245 252 257 262

= 001
p
n

10

11

12

13

14

15

16

17

18

19

20

10 002 018 042 064 081 096 111 123 134 141 150 157 162 170 174 181 184 188 192
11 002 018 042 064 082 097 012 024 035 043 052 058 064 071 076 082 086 091 094
12 002 018 042 064 082 098 012 024 035 044 053 060 065 073 077 084 088 092 096
13 002 018 042 064 083 098 013 025 036 045 054 061 066 074 079 085 089 094 098
14 002 018 042 065 083 099 013 025 037 046 055 062 068 076 080 087 091 095 200
15 002 018 042 065 083 099 114 126 137 146 155 163 169 176 181 188 192 197 201
16 002 018 042 065 083 099 014 026 037 047 056 063 070 077 082 089 093 098 002
17 002 018 042 065 084 100 014 027 038 048 057 064 070 078 083 090 094 099 004
18 002 018 042 065 084 000 015 027 038 048 057 065 071 079 084 091 095 200 005
19 002 018 043 065 084 000 015 028 039 048 058 065 072 080 085 091 096 001 006
20 002 018 043 065 084 101 115 128 139 149 158 166 172 180 185 192 197 201 206
24 002 018 043 065 085 001 016 029 040 050 060 067 074 082 088 094 099 005 009
30 002 018 043 066 085 002 017 030 041 052 061 069 076 084 090 097 202 007 012
40 002 018 043 066 085 002 018 031 043 053 063 071 079 086 092 099 004 010 015
60 020 018 043 066 086 103 119 132 144 155 164 173 181 188 195 202 207 213 218
120 002 018 043 066 086 004 020 033 045 056 066 075 083 091 098 004 010 016 021
002 019 043 066 087 105 120 134 147 158 168 177 186 193 201 208 214 220 225

252 Apendice A. Tablas

Tabla A.43: Recorrido Studentizado (Extremo superior)

n
1
2
3
4
5
6
7
8
9
10
l1
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
180
609
450
393
364
346
334
326
320
315
311
308
306
303
301
300
298
297
296
295
292
289
286
283
280
277

3
270
83
591
504
460
434
416
404
395
388
382
377
373
370
367
365
363
361
359
358
353
349
344
340
336
331

4
328
98
682
576
522
490
468
453
442
433
426
420
415
411
408
405
402
400
398
396
390
384
379
374
369
363

5
371
109
750
629
567
531
506
489
476
465
457
451
445
441
437
433
430
428
425
423
417
410
404
398
392
386

n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
11
18
19
20
24
30
40
60
120

2
900
140
826
651
570
524
495
414
460
448
439
432
426
421
411
413
410
407
405
402
396
389
382
376
370
364

3
135
190
106
812
697
633
592
563
543
527
514
504
496
489
483
478
474
470
467
464
454
445
437
428
420
412

4
164
223
122
917
780
703
654
620
596
577
562
550
540
532
525
519
514
509
505
502
491
480
410
460
450
440

5
186
247
133
996
842
756
701
663
635
614
597
584
513
563
556
549
543
538
533
529
517
505
493
482
471
460

6
404
117
804
671
603
563
536
517
502
491
482
475
469
464
460
456
452
449
447
445
437
430
423
416
410
403

6
202
266
142
106
891
797
737
696
666
643
625
610
598
588
580
572
566
560
555
551
537
524
511
499
487
476

7
431
124
848
705
633
589
561
540
524
512
503
495
488
483
478
474
471
467
465
462
454
446
439
431
424
417

7
216
282
150
111
932
832
768
724
691
667
648
632
619
608
599
592
585
579
573
569
554
540
527
513
501
488

8
454
130
885
735
658
612
582
560
543
530
520
512
505
499
494
490
486
482
479
477
468
460
452
444
436
429

8
227
295
156
115
967
861
794
747
713
687
667
651
637
626
616
608
601
594
589
584
569
554
539
525
512
499

9
474
135
918
760
680
632
600
577
560
546
535
527
519
513
508
503
499
496
492
490
481
472
463
455
448
439

9
237
307
162
119
997
887
817
768
732
705
684
667
653
641
631
622
615
608
602
597
581
565
550
536
521
508

10
491
140
946
783
699
649
616
592
574
560
549
540
532
525
520
515
511
507
504
501
492
483
474
465
456
447

10
246
317
167
123
1024
910
837
787
149
721
699
681
667
654
644
635
627
620
614
609
592
576
560
545
530
516

= 005
p
11 12
506 520
144 147
972 995
803 821
717 732
665 679
630 643
605 618
587 598
572 583
561 571
551 562
543 553
536 546
531 540
526 535
521 531
517 527
514 523
511 520
501 510
492 500
482 491
473 481
464 472
455 462

13
532
151
1035
837
747
692
655
629
609
593
5;81
571
563
555
549
544
539
535
532
528
518
508
498
488
478
468

= 001
p
11
12
253 260
236 334
171 175
126 128
1048 1070
930 949
855 871
803 818
765 778
736 748
713 725
694 706
679 690
666 677
655 666
646 656
638 648
631 641
625 634
619 629
602 611
585 593
569 577
553 560
538 544
523 529

14
543
154
1035
852
760
703
666
639
619
603
590
580
571
564
558
552
547
543
539
536
525
515
505
494
484
474

13
266
341
179
131
089
965
886
831
791
760
736
717
701
687
676
666
657
650
643
637
619
601
584
567
551
535

14
272
348
182
133
108
981
900
844
803
771
746
726
710
696
684
674
666
658
651
645
626
608
590
573
556
540

15
554
147
1052
866
772
714
676
648
628
611
599
588
579
572
565
559
555
550
546
543
532
521
511
500
490
480

16
563
159
1069
879
783
724
685
657
636
620
606
595
586
579
572
566
561
557
553
549
538
527
516
506
495
485

17
572
161
1084
891
793
734
694
665
644
627
614
603
593
585
579
572
568
563
559
555
544
533
522
511
500
489

15
277
354
185
135
1124
995
912
855
813
781
756
736
719
705
693
682
673
665
658
652
633
614
596
579
561
545

16
282
360
188
137
1140
1008
924
866
823
791
765
744
727
712
700
690
680
672
665
659
639
620
602
584
566
549

17
286
365
191
139
1155
1021
935
876
832
799
773
752
734
720
707
697
687
679
672
665
645
626
607
589
571
554

18
580
164
1098
903
803
743
702
673
651
634
620
609
600
592
585
579
574
569
565
561
550
538
527
516
505
493

18
290
370
193
141
1168
1032
946
885
841
807
781
759
742
727
714
703
694
685
678
671
651
631
612
593
575
557

19
588
166
11l1
913
812
751
709
680
658
640
626
615
605
597
590
584
579
574
570
566
554
543
531
520
509
497

20
596
168
l124
923
821
759
717
687
664
647
633
621
611
603
596
590
584
579
575
571
559
548
536
524
513
501

19
294
375
195
142
1181
1043
955
894
849
815
788
766
748
733
720
709
700
691
684
676
656
636
617
598
579
561

20
298
379
198
144
1193
1054
965
903
857
822
795
773
755
739
726
715
705
696
689
672
661
641
621
602
583
565

253
Tabla A.44: Region Crtica: Test de Duncan

n2
1
2
3
4
5
6
7
8
9
10
11
l2
13
14
15
16
17
18
19
20
22
24
26
28
30
40
60
100

2
900
140
826
651
570
524
495
474
460
448
439
432
426
421
417
413
410
407
405
402
399
396
393
391
389
382
376
371
364

3
900
140
85
68
596
551
522
500
486
473
463
455
448
447
437
434
430
427
424
422
417
414
411
408
406
399
392
386
380

4
900
140
86
69
611
565
537
514
499
488
477
468
462
455
450
445
441
438
435
433
428
424
421
418
416
410
403
398
390

5
900
140
87
70
618
573
545
523
508
496
486
476
469
463
458
454
450
446
443
440
436
433
430
428
422
417
412
406
398

6
900
140
88
71
626
581
553
532
517
506
494
484
474
470
464
460
456
453
450
447
442
439
436
434
433
424
417
411
404

7
900
140
89
71
633
588
561
540
525
513
501
492
484
478
472
467
463
459
456
453
448
444
441
439
436
430
423
417
409

8
900
140
89
72
640
595
569
547
532
520
506
496
488
483
477
472
468
464
461
458
453
449
446
443
441
434
427
421
414

= 001
p
9
10
900 900
140 140
90
90
72
73
644 65
600 60
573 58
551 55
536 54
524 528
512 515
502 507
494 498
487 491
481 484
476 479
473 475
468 471
464 467
461 465
457 460
453 457
450 453
447 451
445 448
437 441
431 434
425 429
417 420

n2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
60
100

2
180
609
450
393
364
346
335
3Z6
320
315
311
308
306
303
301
300
298
297
296
295
293
292
291
290
289
286
283
280
277

3
180
609
450
401
374
358
347
339
334
330
327
323
321
318
316
315
313
312
311
310
308
307
306
304
304
301
298
295
292

4
180
609
450
402
379
364
354
347
341
337
335
333
330
327
325
3 ?3
322
321
319
318
317
315
314
313
312
310
308
305
302

5
180
609
450
402
383
368
358
35Z
347
343
339
336
335
333
331
330
328
327
326
325
324
322
321
320
320
317
314
312
309

6
180
609
450
402
383
368
360
355
350
346
343
340
338
337
336
334
333
332
331
330
329
328
327
326
325
322
320
318
315

7
180
609
450
402
383
368
361
356
352
347
344
342
341
339
338
337
336
335
335
334
332
331
330
330
329
327
324
322
319

8
180
609
450
402
383
368
361
356
352
347
345
344
34?
341
340
339
338
337
337
336
335
334
334
333
332
330
328
326
323

= 005
p
9
10
180 180
609 609
450 450
402 402
383 383
368 368
361 361
356 356
352 352
347 347
346 346
344 346
344 345
342 344
34Z 343
341 343
340 342
339 341
339 341
338 340
337 339
337 338
336 338
335 337
335 337
333 335
331 333
329 332
326 329

12
900
140
90
73
66
61
58
56
55
536
524
513
504
496
490
484
480
476
472
469
465
462
458
456
454
446
439
435
426

12
180
609
450
402
383
368
361
356
352
347
346
346
345
345
344
344
344
343
343
343
342
341
341
340
340
339
337
336
334

14
900
140
91
74
66
62
59
57
55
542
528
517
508
500
494
488
483
479
476
473
468
464
46Z
460
458
451
444
438
431

14
180
609
450
402
383
368
361
356
352
347
346
346
346
346
345
345
345
345
344
344
344
344
343
343
343
34Z
340
340
338

16
900
140
92
74
67
62
59
57
56
548
534
522
513
504
497
491
486
48Z
479
476
471
467
465
462
461
454
447
442
434

18
900
140
93
75
67
63
60
58
57
554
538
524
514
506
499
493
488
484
481
478
474
470
467
465
463
457
450
445
438

20
900
140
93
75
68
63
60
58
57
555
539
526
5:15
507
500
494
489
485
482
479
475
47Z
469
467
465
459
453
448
441

50
900
140
93
75
68
63
60
58
57
555
539
526
515
507
500
494
489
485
482
479
475
474
473
472
471
469
466
464
460

100
900
140
93
75
68
63
60
58
57
555
539
526
515
507
500
494
489
485
482
479
475
474
473
472
471
469
466
465
468

16
180
609
450
402
383
368
361
356
352
347
346
346
346
346
346
346
346
346
346
346
345
345
345
345
344
344
343
342
341

18
180
609
450
402
383
368
361
356
352
347
347
347
347
347
347
347
347
347
347
347
346
346
346
346
346
346
345
345
344

20
180
609
450
402
383
368
361
356
352
347
348
348
347
347
347
347
347
347
347
347
347
347
347
347
347
347
347
347
347

50
180
609
450
402
383
368
361
356
352
348
348
348
347
347
347
347
347
347
347
347
347
347
347
347
347
347
348
353
361

100
180
609
450
402
383
368
361
356
352
348
348
348
347
347
347
347
347
347
347
347
347
347
347
347
347
347
348
353
367

255

Tabla A.45: Region Crtica: Test de Hartley


= 005
k

10

11

12

390

875

142

202

266

333

403

475

550

626

704

154

278

392

507

620

729

835

939

104

114

124

960

155

206

252

295

336

375

411

446

480

514

715

108

137

163

187

208

229

247

265

282

299

582

838

104

121

137

150

163

175

186

197

207

499

694

844

970

108

118

127

135

143

151

158

443

600

718

812

903

978

105

111

117

122

127

403

534

631

711

780

841

895

945

991

103

107

10

372

485

567

634

692

742

787

828

866

901

934

12

328

416

479

530

572

609

642

672

700

725

748

15

286

354

401

437

468

495

519

540

559

577

593

20

246

295

329

354

376

394

410

424

437

449

459

30

207

240

261

278

291

302

312

321

329

336

339

60

167

185

196

204

211

217

222

226

230

233

236

100

100

100

100

100

100

100

100

100

100

100

= 001
k

10

11

12

199

448

729

1036

1362

1705

2063

2432

2813

3204

3605

475

850

120

151

184

216

249

281

310

337

361

232

370

490

590

690

790

890

970

106

113

120

149

220

280

330

380

420

460

500

540

570

600

111

155

191

220

250

270

300

320

340

360

370

889

121

145

165

184

200

220

230

240

260

270

750

990

117

132

145

158

169

179

189

198

210

654

850

990

111

121

131

139

147

153

160

166

10

584

740

860

960

104

111

118

124

129

134

139

12

491

610

690

760

820

870

910

950

990

102

106

15

407

490

550

600

640

670

710

730

750

780

800

20

332

380

430

460

490

510

530

550

560

580

590

30

263

300

330

340

360

370

380

390

400

410

420

60

196

220

230

240

240

250

250

260

260

270

270

100

100

100

100

100

100

100

100

100

100

100

Bibliografa
[1] F. Azorn and J. L. Sanchez-Crespo. Metodos y Aplicaciones del
Muestreo. Alianza, 1986.
[2] J. Baro Llinas. Inferencia Estadstica. Parram
on, 1985.
[3] P. J. Bickel and K. A. Doksum. Mathematical Statistics. Basic Ideas
and Selects Topics. HoldenDay, 1977.
[4] A. A. Borovkov. Mathematical Statistics. Gordon and Breach Science Publishers, 1998.
[5] G. Box, W. Hunter, and J. Stuart Hunter. Estadstica para Investigadores. Introducci
on al Dise
no de Experimentos, An
alisis de Datos
y Construcci
on del Modelo. Reverte, S. A., 1993.
[6] G. C. Canavos. Probabilidad y Estadstica: Aplicaciones y Metodos.
McGraw Hill, 1992.
[7] W. G. Cochran. Tecnicas de Muestreo. CECSA, 1971.
[8] W. J. Conover. Practical Nonparametric Statistics. John Wiley and
Sons, 1971.
[9] H. Cramer. Metodos Matem
aticos de Estadstica. Aguilar, 1970.
[10] J. A. Cristobal. Inferencia Estadstica. Puz, 1995.
[11] C. M. Cuadras. Problemas de Probabilidades y Estadstica. Vol 2.
Inferencia Estadstica. PPU, 1990.

258

Bibliografa

[12] C. M. Cuadras. Problemas de Probabilidades y Estadstica. Vol. 1.


Probabilidades. EUB, 1995.
[13] W. W. Daniel. Applied Nonparametric Statistics. Thomson Information/Publishing Group, 1988.
[14] M. H. DeGrout. Probabilidad y Estadstica. AddisonWesley, 1968.
[15] J. L. Devore. Probability and Statistics for Engineering and Theiencies. Thomson Information/Publishing Group, 1982.
Misha. Modern Mathematical Statistics.
[16] E. J. Dudewicz and S.N.
Wiley, 1988.
[17] A. I. Durand and S. L. Ipi
na. Introducci
on a la Teora de la Probabilidad y la Inferencia Estadstica. Rueda, 1994.
[18] F. R. Fernandez Garca and J. A. Mayor Gallego. Muestreo en
Poblaciones Finitas: Curso B
asico. EUB, 1995.
[19] R. A. Fisher. Contributions to Mathematical Statistics. John Wiley,
1950.
[20] J. D. Gibbons and S. Chakraborti. Nonparametric Statistical Inference. Dekker, 1992.
[21] A. Gonzalez Carmona and Otros. An
alisis Estadstico con Statgraphics. Grupo Editorial Universitario y Copias Placido, 1997.
[22] F. A. Graybill. Theory and Application of Linear Model. Wadsworth
& Brooks/Cole Advance Books & Software, 1976.
[23] J. Hajek. A Course in Nonparametric Statistics. HoldenDay, 1969.
[24] R. V. Hogg and A. T. Craig. Introduction to Mathematical Statistics. CollierMcmillan, 1971.
[25] A. M. Kshirsagar. A Course in Linear Models. Dekker, 1983.
[26] E. L. Lehmann. Nonparametrics: Statistics Methods Based on
Ranks. McGraw Hill, 1975.
[27] E. L. Lehmann. Theory of Point Estimation. Wiley, 1983.

259
[28] H. R. Lidman. Analysis of Variance in Experimental Design.
SpringerVerlag, 1992.
[29] A. Martn Andres and J. D. Luna del Castillo. Bioestadstica para
Las Ciencias de la Salud. Norma, 1994.
[30] D. Montgomery. Dise
no y An
alisis de Experimentos. Grupo Editorial Iberoamerica, 1991.
[31] A. Mood and F. Graybill. Introducci
on a la Teora de la Estadstica.
Aguilar, 1978.
[32] B. Ostle. Estadstica Aplicada. Limusa, 1970.
[33] D. Pe
na Sanchez de Rivera. Estadstica. Modelos y Metodos. Vol. 2.
Modelos Lineales y Series Temporales. Alianza Universidad Textos,
1987.
[34] D. Pe
na Sanchez de Rivera. Estadstica. Modelos y Metodos. Vol.
1. Fundamentos. AUT, 1992.
[35] C. Perez Lopez. Econometra y An
alisis Estadstico Multivariante
con Statgraphics. Ra-ma, 1996.
[36] V. Quesada, A. Isidoro, and L. A. Lopez. Curso y Ejercicios de
Estadstica. Alhambra Universidad, 1988.
[37] M. D. Riba I Lloret. Modelo Lineal de An
alisis de la Varianza.
Herder, 1990.
[38] S. Ros. An
alisis Estadstico Aplicado. Paraninfo, 1983.
[39] S. Ros. Metodos Estadsticos. Castillo, 1985.
[40] V. K. Rohatgi. An Introduction to Probability Theory and Mathematical Statistics. Wiley, 1977.
[41] V. K. Rohatgi. Statistical Inference. John Wiley, 1984.
[42] L. Ruiz-Maya. Metodos Estadsticos de Investigaci
on. Introducci
on
al An
alisis de la Varianza. Instituto Nacional de Estadstica, 1977.
[43] L. Ruiz-Maya. Problemas de Estadstica. AC, 1989.

260
[44] L. Ruiz-Maya and F. J. Martn Pliego. Estadstica II: Inferencia.
Ad., 1995.
[45] L. Sachs. Estadstica Aplicada. Labor, 1978.
[46] H. Scheffe. The Analysis of Variance. Wiley, 1959.
[47] J. Shao. Mathematical Statistics. Springer, 1999.
[48] L. E. Toothaker. Multiple Comparison Procedures. Sage Publications, 1993.
[49] F. Tusel and A. Garin. Problemas de Probabilidad e Inferencia
Estadstica. Tebar Flores, 1991.
[50] S. S. Wilks. Mathematical Statistics. John Wiley, 1962.
[51] S. Zacks. The Theory of Statistical Inference. Wiley, 1971.

Indice alfab
etico
Afijacion, 7
optima, 8
proporcional, 7
uniforme, 7
Aproximacion de Welch, 59
Autocorrelacion, 111
Comparaciones
secuenciales, 166
simultaneas, 166
Condiciones de FisherWolf., 17
Condiciones parametricas, 153, 178
Consistencia en probabilidad, 19
Contraste
m
ultiple, 166
razon de verosimilitud, 94
Contraste de hipotesis, 83
bilateral, 84
no parametrico, 84
parametrico, 84
unilateral, 85
Convergencia en ley, 64
Correccion de Yates, 115
Cota de FrechetCramerRao, 17
Criterio factorizacion de FN, 14
Desigualdad de Tchebychev, 62
Dise
no
de experimentos, 3
muestral, 3

Distribucion
2 , 22
t de Student, 24
F de Snedecor, 25
de la diferencia de medias, 28
de la media muestral, 27
de la proporcion muestral, 29
de la varianza muestral, 27
del cociente de varianzas, 28
emprica, 120
Error
Cuadratico Medio, 18
Tipo I, 86
Tipo II, 86
Estadstico, 12
Estimacion, 13
por intervalos, 12
puntual, 11
Estimador, 12
asint
oticamente insesgado, 17
consistente, 19
eficiente, 17
insesgado, 15
maximoverosmil, 21
Estratos, 7
Factor, 148, 149
Funci
on de verosimilitud, 13

261

262

Glosario

Grados de libertad, 22
Hipotesis estadstica, 82
alternativa, 83
compuesta, 83
nula, 83
simple, 83
Homocedasticidad, 178
Inferencia, 1
no parametrica, 2
parametrica, 2
Informacion de Fisher, 17
Intervalo
asintotico, 68
para la media, 63
Intervalo de confianza, 43
de longitud mnima, 45
para cociente de varianzas, 60
para diferencia de medias, 54,
55
para diferencia de proporciones,
66
para la media, 49, 51, 62, 165
para la proporcion, 64
para la varianza, 52, 53
Lema
NeymanPearson, 89

aleatoria simple, 10
potencial, 3
Muestras
apareadas, 54
Muestreo
aleatorio, 6
aleatorio simple
con reemplazamiento, 6
sin reemplazamiento, 7
bifasico, 9
estratificado, 7
opinatico, 6
polietapico, 9
por conglomerados, 9
sin norma, 6
sistematico, 9
Nivel
crtico, 91
de confianza, 86
de significacion, 86
Nivel de confianza, 43
Outliers, 108
Pivote, 46
Poblacion, 1
Potencia del contraste, 86

Racha, 109
m.a.s.vease Muestra aleatoria sim- Region
crtica, 83
ple 10
de aceptacion, 83
Modelo
Riesgo
del contraste, 86
aleatorio, 152
Robustez, 108
de efectos fijos, 152
equilibrado, 151
Sesgo, 2, 15
mixto, 152
Suficiencia, 14
no equilibrado, 151
Muestra, 1
Tama
no muestral, 2, 7072

263
Teora
de Muestras, 1, 3
Teorema
de FisherCochran, 27
de LinderbergLevy, 64
Test
2 , 114
de autocorrelacion, 111
de Bartlett, 179
de Bonferroni, 171, 178
de Cochran, 179, 181
de Duncan, 167, 178
de Hartley, 179, 182
de KruskalWallis, 185, 192
de los signos, 125
de NewmanKeuls, 169, 178
de Rachas, 109
de Scheffe, 173, 177
de valores atpicos, 113
de Welch, 185, 190
HSD de Tukey, 172, 177
KolmogorovSmirnov, 120, 133
KolmogorovSmirnovLilliefors,
122, 124
Q de Cochran, 185, 188
ShapiroWilk, 122
SiegelTukey, 125, 133
U de MannWhitney, 125, 130
Uniformemente mas potente, 86
Wilcoxon, 125, 128
Tratamientos, 148

Potrebbero piacerti anche