Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Estadstica no Parametrica
Contenido
1. Introducci
on
10
13
16
19
3. Tablas de contingencia
22
22
27
30
34
3.5. Test
36
39
39
39
ii
CONTENIDO
iii
39
40
. . . . . . . . . . . . . . . . . . .
41
44
48
4. M
etodos basados en rangos
54
54
60
62
66
70
72
4.6.1. - de Spearman . . . . . . . . . . . . . . . . . . . . . .
73
78
82
82
82
86
90
96
. . . . . . . . . . . . . . . . . . . . . . . . 105
132
CONTENIDO
iv
154
Captulo 1
Introducci
on
Uno de los propositos de la estadstica es proporcionar medios para
medir el grado de subjetividad que pudiera estar asociado a conclusiones cientficas y as separar ciencia de opinion.
Las tecnicas estadsticas clasicas estan basadas en supuestos especficos acerca de la distribucion poblacional de la muestra que se toma.
Estos metodos se conocen como Metodos Parametricos. Por ejemplo,
las pruebas basadas en el estadstico t de student y el estadstico F de
Snedecor (Su validez depende del conocimiento de los parametros de
la distribucion poblacional)
Una posible definicion de Estadstica no parametrica:
Coleccion de metodos estadsticos para realizar Inferencia estadstica
cuando supuestos distribucionales especficos se reemplazan por supuestos muy generales y el analisis se basa en algunas de las distribuciones muestrales cuya distribucion puede determinarse sin el conocimiento especfico de la f.d.p de la poblacion subyacente.
Tambien se conocen como Metodos libres de la distribucion (Distribution free statistics)
Aplicaciones: Medicina, epidemiologa, economa, confiabilidad, datos
longitudinales, series de tiempo, ANOVA, analisis multivariado.
Un procedimiento no parametrico, es un procedimiento estadstico que tiene
algunas propiedades deseables, bajo suposiciones relativamente debiles respecto a las poblaciones de donde son obtenidos los datos, y debe satisfacer
1
CAPITULO 1. INTRODUCCION
CAPITULO 1. INTRODUCCION
CAPITULO 1. INTRODUCCION
1.1.
1.1.1.
Escalas de medida
Escala nominal
1.1.2.
Escala ordinal
Es aquella que se utiliza cuando las mediciones solo se pueden comparar con
mayor, menor, o igual. El valor numerico de la medicion solamente
es usado para significar que las mediciones son arregladas en ese orden, de
menor a mayor, por esto se le da el nombre de escala ordinal. Si algunos de
los elementos son iguales a otros decimos que existen empates. Cuando una
persona asigna el n
umero 1, a la marca mas preferida de tres, el n
umero
3, a la marca menos preferida, y el n
umero 2, a la marca restante, 1, 2,
y 3 solo representan un orden de preferencia.
1.1.3.
Escala de intervalo
1.1.4.
Escala de raz
on
CAPITULO 1. INTRODUCCION
Captulo 2
Test Binomial
T
T
obs nP +0.5
obs nP 0.5
valor P 2 mn{P Z
,P Z
}
nP (1P )
B: Rc = {T /T > t}
t es tal que P (Y > t)
donde Y b(n, P )
valor P=P (Y Tobs )
Si n > 20
T
obs nP 0.5
valor P P Z
}
nP (1P )
C: Rc = {T /T t}
t es tal que P (Y t)
donde Y b(n, P )
valor P= P (Y Tobs )
nP (1P )
Si n > 20
T
obs nP +0.5
valor P P Z
nP (1P )
SAS
data;
prob=2*probbnml(3/4,16,13);
run;
proc print;
run;
S-Plus o R
binom.test(13,16,p=0.75,alternative=two.sided).
Ejemplo 2.1.2. Bajo la teora Mendeliana en un cruce entre plantas de
2 genotipos se puede esperar producir progenitoras 1/4 de las cuales son
enanas y 3/4 son altas. En un experimento para determinar si el supuesto
de herencia Mendeliana es razonable en una cierta situaci
on, un cruce con
progenitoras produjo 243 plantas enanas y 682 plantas altas, en este caso
ser
a cierto este supuesto de herencia Mendeliana?
Solucion
Si la clase 1 denota alta
H0 : P = 3/4 vs. H1 : P 6= 3/4
T = 682, n = 682 + 243 = 925
Como n es grande (n > 30), para calcular t1 y t2 , se usan las siguientes
formulas.
p
t1 = nP + W0.025 pnP (1 P )
t2 = nP + W0.975 nP (1 P )
donde P (Z W ) = , Z n(0, 1)
de la tabla de distribucion normal tabla A1, se tiene que:
W0.025 = 1.96 y W0.975 = 1.96, luego reemplazando tenemos que:
t1 = 667.94 y t2 = 719.56.
Como t1 < T < t2 se acepta H0 , es decir, hay evidencia muestral suficiente
para sugerir que el cruce de plantas de los 2 genotipos, sigue la teora Mendeliana, con = 0.05.
682925(3/4)
Valor P = 2P (T 682) = 2P Z
925(3/4)(1/4)
10
proc print;
run;
S-Plus o R
binom.test(682,925,p=0.75,alternative=two.sided).
2.2.
Test cuantil
np(1 p)
donde:
t1 = np + z/2 np (1 p )
p
t2 = np + z1/2 np (1 p )
V alorP 2 mn{P1 , P2 }
donde,
T1 np +0.5
Z
np (1p )
0.5
T
np
2
P2 = P Z
P1 = P
np (1p )
vs
H1 : P (X x ) < p
Rc = {T1 /T1 t1 }
t1 es tal que P (Y t1 )
donde Y b(n, p )
V alorP P (Y T1 )
Para n > 20 opvalores de p que no esten en la tabla A3,
t1 = np + z np (1 p )
T
1obs nP +0.5
Valor P P Z
nP (1P )
11
12
vs
H1 : P (X < x ) > p
T
2obs nP 0.5
Valor P P Z
nP (1P )
13
2.3.
0
a
c
1
b
d
Supuestos
1. Los pares (Xi , Yi ) son mutuamente independientes.
2. La escala de medida es nominal, con 2 categoras para todos los Xi y
Yi .
3. P (Xi = 0, Yi = 1) P (Xi = 1, Yi = 0) es negativa, positiva o cero
para todo i.
Estadstico de prueba
Si b + c > 20, el estadstico de prueba es:
T1 =
(b c)2
,
b+c
(b c 1)2
b+c
14
15
solucion
Xi (antes)
Democrata 0
Republicano 1
Total
despues
Dem
ocrata (0) Republicano (1)
63(a)
21(b)
4(c)
12(d)
67
33
Total
84
16
100
R o S-Plus
antes= c(rep(Dem,84),rep(Rep,16))
despues= c(rep(Dem,63),rep(Rep,33),rep(Dem,4))
mcnemar.test(antes,despues,correct=T(o F))
SAS (sin F.C)
16
data tres;
input antes despues count@@;
cards;
0 0 63 0 1 21 1 0 4 1 1 12
;
run;
proc freq order=data;
weight count;
tables antes*despues/nopercent nocol norow;
exact mcnem;
run;
2.4.
Datos
los datos consisten de n0 observaciones en una muestra aleatoria bi-variada
(X1 , Y1 ), . . . , (Xn0 , Yn0 ), donde las xs y las ys son dependientes, es decir, la
muestra es pareada. Para cada par (Xi , Yi ) se compara Xi con Yi , si Xi < Yi
el par es clasificado con +, si Xi > Yi el par es clasificado con , y si
Xi = Yi el par es clasificado con 0. De esta manera la escala de mediciones
solo necesita ser ordinal.
Supuestos
1. Las variables aleatorias bivariadas (Xi , Yi ) i = 1, 2, . . . , n son mutuamente independientes.
2. La escala de medida es al menos ordinal dentro de cada par.
Hipotesis
A. (test de 2 colas).
H0 : P (+) = P () (Xi , Yi ) vs. H1 : P (+) 6= P () para alg
un i
H0 : E[Xi ] = E[Yi ], i vs. H1 : E[Xi ] 6= E[Yi ], para alg
un i,
Xi y Yi tienen el mismo parametro de localizacion.
B. (test de cola derecha)
H0 : P (+) P () (Xi , Yi ) vs.
17
18
son llamados empates. Las hipotesis del test de McNemar toman la forma:
H0 : P (+) = P () vs. H1 : P (+) 6= P ().
La region crtica de T2 es hallada tal como en el test del signo para n 20.
Para n > 20 el test del signo sugiere usar la aproximaci
on normal:
2
(b
c)
T1 = Z 2 =
2 (1) cuando n = b + c > 20
b+c
Ejemplo 2.4.1. Un artculo A es fabricado usando cierto proceso, el artculo B desempe
na la misma funci
on que A, pero es fabricado usando un proceso
nuevo. El fabricante desea determinar si B es preferible a A por el consumidor, para ello selecciona una muestra aleatoria de 10 consumidores, a
cada consumidor le da tanto un articulo de A y como de B, para que ellos
los usen por el mismo periodo de tiempo. Al final del periodo de tiempo, los
consumidores reportaron sus preferencias as: 8 consumidores prefirieron a
B, uno prefiri
o a A y uno no tuvo preferencias, hay evidencia muestral suficiente, para sugerir que el consumidor prefiere m
as el artculo B, que el
artculo A?, use = 0.05.
Solucion:
El + representa el evento de que el artculo B es preferido sobre el artculo A
H0 : P (+) P () vs P (+) > P ()
el n
umero de +s = 8, el n
umero de -s =1, el n
umero de empates = 1.
n = 8 + 1 = 9 T = 8.
De la tabla A1 con n = 9, P = 0.5, = 0.05, se tiene que:
valor P = P (T 8) = 1 P (T 7) = 1 0.9805 = 0.0195.
Como el valor P < , rechazamos H0 , es decir, hay evidencia muestral suficiente para que el fabricante piense que el consumidor prefiere el artculo B
sobre el artculo A, con = 0.05.
R o S-plus
antes=c(0,0,0,0,0,0,0,0,0,1)
despues=c(0,1,1,1,1,1,1,1,1,0)
mcnemar.test(antes, despues, correct=F(o T))
19
2.5.
20
Laura
174
165
Pablo
191
186
Sara
188
183
Juan
182
178
Carlos
201
203
Lina
188
181
21
Ejercicio 2.5.10. Un sargento recuerda que en los viejos tiempos el cuartil superior para el tiempo necesario para completar la carrera de obst
aculos
era 42 minutos. El sospecha que los nuevos reclutas no son tan aptos como
los de su epoca. De los 38 nuevos reclutas u
nicamente 10 completan el circuito dentro de los 42 minutos. Use el test cuantil con la hip
otesis de que el
cuatil superior es de 42 minutos contra la hip
otesis apropiada de una cola.
Ejercicio 2.5.11. Una muestra aleatoria de ni
nos de grado decimo arroj
o los
siguientes pesos (en libras) observados: 142, 134, 98, 119, 131, 103, 154,
122, 93, 137, 86, 119, 161, 144, 158, 165, 81, 117, 128, 103. Pruebe la
hip
otesis de que la mediana es 103.
Ejercicio 2.5.12. Ciento treinta y cinco ciudadanos fueron seleccionados
al azar y se les pidi
o que expresaran su opini
on sobre la poltica exterior de
EEUU, 43 se opusieron a la poltica exterior. Despues de varias semanas,
durante las cuales recibieron un boletn informativo, se les volvi
o a pedir su
opini
on, 37 se opusieron y todas las 37 personas originalmente estaban a
favor de la poltica exterior de los EEUU. Es este cambio significativo? use
= 0.05
Captulo 3
Tablas de contingencia
Una tabla de contingencia r c, es un arreglo de numeros en r filas y c
columnas. Las tablas de contingencia nos sirven para facilitar el estudio de
la dependencia entre 2 variables o para verificar que r muestras tienen la
misma probabilidad de ser clasificadas en cada una de las c categoras.
3.1.
Datos
Se dispone de r poblaciones en total, y de cada poblacion se saca una muestra
aleatoria. Sea ni el n
umero de observaciones de la i-esima muestra (de la iesima poblacion) para i = 1, 2, . . . , r. Cada observaci
on en cada muestra
puede ser clasificada en una de las c categoras diferentes.
Sea Oij el n
umero de observaciones de la i-esima muestra que cae sobre la
j-esima categora, as ni = Oi1 + . . . + Oic para todo i. Los datos pueden ser
arreglados as:
Poblacion 1
Poblacion 2
..
.
Clase 1
O11
O21
..
.
Clase 2
O12
O22
..
.
...
...
...
Clase c
O1c
O2c
..
.
Total
n1
n2
..
.
Poblacion r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
nr
N
Supuestos
22
23
Poblacion 1
Poblacion 2
Total
Clase 1
O11
O21
C1
Clase 2
O12
O22
C2
Total
n1
n2
N
n1 n2 c1 c2
T = T12 2 (1)
24
areas de pasto corto. Utilice la prueba 2 para determinar si las proporciones verdaderas de marcas distintas son identicas para los 2 tipos de regiones.
Area
de pasto largo
Area
de pasto corto
Total
Tipo de Marca
L
Otras
714
111
662
154
1376
265
Solucion:
H0 : P1 = P2
T = 1641
vs
H1 : P1 6= P2
((714)(154) (111)(662))2
= 8.893
(1376)(265)(825)(816)
Total
825
816
1641
25
R o S-Plus
x=matrix(c(714,662,111,154),ncol=2)
chisq.test(x,correct=F)
SAS
data Marcas;
input pasto tipo Count @@;
datalines;
largo L 714 largo NL 111 corto L 662 corto NL 154
;
proc freq data=Marcas;
weight Count;
exact pchi;
tables pasto*tipo /noprint ;
run;
Ejemplo 3.1.2. Un artculo reporta tanto para una muestra de hombres
diestros, como para mujeres diestras, el n
umero de individuos cuyos pies
eran del mismo tama
no (L = R) tenan el pie izquierdo m
as grande que el
derecho (L > R) o tenan el pie derecho m
as grande que el izquierdo (L < R).
Hombres
Mujeres
Total
L>R
2
55
57
L=R
10
18
28
L<R
28
14
42
muestra
40
87
127
26
Solucion:
H0 : PHj = PM j
j = 1, 2, 3 vs H1 : PHj 6= PM j
Hombres
Mujeres
Total
E11 =
n1 C 1
N
(40)(57)
127
L>R
2(17.95)
55(39.05)
57
L=R
10(8.82)
18(19.18)
28
para alg
un j
L<R
28(13.23)
14(28.77)
42
muestra
40
87
127
= 17.95 X 2 2 (2)
X 2 cal = (217.95)
+ (108.82)
+ (2813.23)
+ (5539.05)
+ (1819.18)
+ (1428.77)
17.95
8.82
13.23
39.05
19.18
28.77
2
X cal = 44.99
Valor P= P (2 (2) > 44.99) 0.001 ya que P (X 2 (2) > 13.82) = 0.001
Como el valor P = 0.05, se rechaza H0 , es decir, hay evidencia muestral suficiente para sugerir que el sexo tiene efecto sobre el desarrollo de la
simetra de los pies, con = 0.05.
R o S-Plus
x=matrix(c(2,55,10,18,28,14),ncol=3)
chisq.test(x,correct=F)
SAS
data Muestra;
input sexo tamano Count @@;
datalines;
Hombre L>R 2 Hombre L=R 10 Hombre L<R 28
Mujer L>R 55 Mujer L=R 18 Mujer L<R 14
;
proc freq data=Muestra;
weight Count;
27
exact pchi;
tables sexo*tamano /noprint ;
run;
3.2.
Datos
las N observaciones son resumidas en una tabla de contingencia 2 2, donde
los totales fila y columna son fijos y no son aleatorios.
Fila 1
Fila 2
Total
Columna 1
x
C x
C
Columna 2
rx
N rC +x
N C
Total
r
N r
N
Supuestos:
1. Cada observacion es clasificada en exactamente una celda.
2. Los totales fila y columna son fijos, y no aleatorios.
Estadstico de prueba:
T2 = X
Distribucion Nula:
Si se supone que H0 es cierta, entonces,
r N r
P (T2 = x) =
NCx
x = 0, 1, 2, . . . , min{r, c}
28
Hombre
Mujer
Total
Representante de Cuentas
1
3
4
Cajero
9
1
10
Total
10
4
14
29
H0 : P1 P2 vs H1 : P1 < P2
Tobs = 1, donde T2 hipergeometrica
104
Valor P= P (T2 1) =
104
14 + 1143
0
Valor P 0.04096
Como el valor P< = 0.05 rechazamos H0 , es decir, hay evidencia muestral suficiente para sugerir que las mujeres tienen mejores posibilidades de
obtener el trabajo de representante de cuentas que los hombres, con = 0.05
R
x=matrix(c(1,3,9,1),ncol=2)
fisher.test(x,alternative=less)
S-Plus
x=matrix(c(1,3,9,1),ncol=2)
fisher.test(x)
SAS
data Banco;
input sexo empleo Count @@;
datalines;
Hombre cuenta 1 Hombre cajero 9
Mujer cuenta 3 Mujer cajero 1
;
proc freq data=Banco order=data;
weight Count;
exact fisher;
tables sexo*empleo /noprint ;
run;
3.3.
30
Datos: Los datos son resumidos en varias tablas de contingencia 22, donde
los totales fila y columna de cada tabla no son aleatorios, y el n
umero de
tablas K 2, la i-esima tabla se representa as:
Fila 1
Fila 2
Total
Columna 1
xi
Ci xi
Ci
Columna 2
ri xi
Ni ri Ci + xi
Ni Ci
Total
ri
Ni ri
Ni
Supuestos
Los supuestos para cada tabla de contingencia son los mismos del test exacto de Fisher. Ademas, todas las tablas de contingencia son obtenidas de
experimentos independientes.
Estadstico de prueba
Pk
Pk ri ci
i=1 Xi
i=1
Ni
T4 = s
Pk ri ci (Ni ri )(Ni ci )
i=1
Ni 2 (Ni 1)
Distribucion Nula:
Si H0 es cierta T4 n(0, 1)
Hipotesis
A) (Test de 2 colas)
H0 : P1i = P2i i = 1, 2, . . . , k
H1 : P1i < P2i para alg
un i o P1i > P2i para alg
un i
Rc = {T4 |T4 > Z1/2 o T4 < Z/2 }
Valor P = 2P (Z > |Tobs |)
B) (test de cola izquierda)
H0 : P1i P2i i = 1, 2, . . . , k
H1 : P1i P2i i = 1, 2, . . . , k y P1i < P2i para alg
un i
Rc = {T4 |T4 < Z }
Pk
i=1 Xi
Pk
i=1
31
Pk
i=1
ri ci
+ 0.5
Ni
ri ci (Ni ri )(Ni ci )
Ni 2 (Ni 1)
Pk
Pk ri ci
0.5
i=1 Xi
i=1
Ni
Donde T obs = s
Pk ri ci (Ni ri )(Ni ci )
i=1
Ni 2 (Ni 1)
Comentario Cuando los totales fila o los totales columna no son fijos, sino
aleatorios. El estadstico T4 no tiene una distribucion aproximadamente normal, en este
utilizar el estadstico:
caso es mas adecuado
Pk
Pk ri ci
i=1 Xi
i=1
Ni
,
T5 = s
Pk ri ci (Ni ri )(Ni ci )
i=1
Ni 3
para calcular valores P no se debe usar el factor de correccion.
Ejemplo 3.3.1. Tres medicos, cada uno con un grupo de pacientes de
c
ancer, les dan a sus pacientes un tratamiento experimental para ver si la
probabilidad de exito es mayor que la de falla. Los exitos y fallas son resumidos como sigue:
Tratamiento
Control
Total
Grupo1
exito falla
10
1
12
1
22
2
Grupo2
exito falla
9
0
11
1
20
1
Grupo3
exito falla
8
0
7
3
15
3
Hay evidencia muestral suficiente para sugerir que el tratamiento es realmente efectivo?
32
Solucion:
Sea P1i que representa la probabilidad de exito en el paciente con el tratamiento i
H0 : P1i > P2i i
Sin factor de correccion
Tratamiento
Control
Total
Grupo1
exito
falla
10
1 (11)
12
1 (13)
22
2 (23)
Grupo2
exito
falla
9
0 (9)
11
1 (12)
20
1 (21)
Grupo3
exito
falla
8
0 (8)
7
3 (10)
15
3 (18)
S-Plus
x=array(c(10,12,1,1,9,11,0,1,8,7,0,3),dim=c(2,2,3))
mantelhaen.test(x,correct=T(o F))
SAS
data Cancer;
input grupo Treatment Response Count @@;
datalines;
grupo1 tratamiento exito 10 grupo2 tratamiento exito 9
grupo1 tratamiento fracaso 1 grupo2 tratamiento fracaso 0
grupo3 tratamiento exito 8
grupo3 tratamiento fracaso 0
grupo1 placebo exito 12 grupo2 placebo exito 11
grupo1 placebo fracaso 1 grupo2 placebo fracaso 1
grupo3 placebo exito 7
grupo3 placebo fracaso 3
;
proc freq data=Cancer;
weight Count;
exact mhchi;
tables Treatment*Response*grupo /noprint ;
title Tratamientos en parcientes con cancer;
run;
33
3.4.
34
Datos:
Se dispone de una muestra aleatoria de tama
no N . las observaciones en la
muestra aleatoria pueden ser clasificadas acorde con 2 criterios. El primer
criterio es que cada observaci
on es asociada con una de las r filas, y usando
el segundo criterio de que cada observaci
on es asociada con una de las c
columnas. Sea Oij el n
umero de observaciones asociadas simult
aneamente
con la fila i y la columna j. Las Oij pueden ser arregladas en una tabla de
contingencia r c. Sea Ri el n
umero total de observaciones en la fila i y Cj
el n
umero total de observaciones en la columna j, as:
Fila 1
Fila 2
..
.
Columna 1
O11
O21
..
.
Columna 2
O12
O22
..
.
...
...
...
Columna c
O1c
O2c
..
.
Total
R1
R2
..
.
Fila r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
Rr
N
Supuestos
1. La muestra de N observaciones es una muestra aleatoria
2. Cada observacion puede ser clasificada exactamente en una de las r
diferentes categoras siguiendo alg
un criterio, y exactamente en una
de las c diferentes categoras acorde a un segundo criterio
Estadstico de prueba
P P
Ri Cj
(Oij Eij )2
T = ri=1 cj=1
, donde Eij =
, o de otra forma:
Eij
N
P P
Oij 2
T = ri=1 cj=1
N T 2 (r1)(c1)
Eij
ademas se requiere que Eij 5 ij
Hipotesis
Sea Pij la probabilidad de que una observaci
on pertenezca a la fila i, y a la
columna j,
sea Pi : la probabilidad de que una observaci
on pertenezca a la fila i,
y sea Pj : la probabilidad de que una observaci
on pertenezca a la columna j.
H0 : Pij = Pi Pj ij
35
Deportista
No deportista
Total
Sin depresi
on
38
31
69
Con depresi
on
9
22
31
Total
47
53
100
Deportista
No deportista
Total
Tobs =
Sin depresion
38 (32.43)
31 (36.57)
69
Con depresion
9 (14.573)
22 (16.43)
31
Total
47
53
100
Tobs = 5.823
2 0.95,1 = 3.841
Como Tobs Rc se rechaza H0 , es decir, hay evidencia muestral suficiente
para sugerir que hay relacion entre la depresion y la practica de alg
un deporte.
R o S-Plus
36
x=matrix(c(38,31,9,22),ncol=4)
chisq.test(x,correct=F)
SAS
data Jovenes;
input deporte $ depresion $ Count @@;
datalines;
si no 38 si si 9
no no 31 no si 22
;
proc freq data=Jovenes;
weight Count;
exact pchi;
tables deporte*depresion /noprint ;
run;
3.5.
Datos
Se dispone de una muestra aleatoria de tama
no N . las observaciones en la
muestra aleatoria pueden ser resumidas en una tabla de contingencia r c,
as:
Fila 1
Fila 2
..
.
Columna 1
O11
O21
..
.
Columna 2
O12
O22
..
.
...
...
...
Columna c
O1c
O2c
..
.
Total
R1
R2
..
.
Fila r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
Rr
N
Supuestos
1. La muestra de N observaciones es una muestra aleatoria
37
38
Fila 1
Fila 2
Fila 3
Total
Eij =
T =
Columna 1
0
2
4
6
Columna 2
4
1
1
6
Columna 3
4
2
0
6
Columna 4
0
3
3
6
Total
8
8
8
24
Ri Cj
(6)(8)
=
=2
N
24
Pr
i=1
Pc
j=1
20.05,6 = 12.59
Como T = 14 es mayor que 12.59, se rechaza H0 , es decir, hay evidencia
muestral suficiente para sugerir que X y Y no son independientes, con =
0.05.
R o S-Plus
x=matrix(c(0,2,4,4,1,1,4,2,0,0,3,3),ncol=2)
chisq.test(x,correct=F)
SAS
39
data Independencia;
input Fila Columna Count @@;
datalines;
110124134140
212221232243
314321330343
;
Run;
proc freq data=Independencia;
weight Count;
exact pchi;
tables Fila*Columna /noprint ;
run;
3.6.
Medidas de dependencia
3.6.1.
T
, donde q = mn{r, c}
N (q 1)
para algunos
paquetes el coeficiente de contingencia de Cramer es: R1 ,
donde 0 < R1 < 1.
R1 =
3.6.2.
r
R2 =
3.6.3.
R3 =
q1
q
T
, donde 0 R3 q 1
N
3.6.4.
El coeficiente Phi
r
R5 =
40
T
, donde 0 R5 q 1
N
Madre
Oscuro
Claro
Total
Padre
Oscuro Claro
28
0
5
7
33
7
Total
28
12
40
Hay evidencia muestral suficiente para sugerir que el color del cabello del
padre y el de la madre est
an relacionados?
Solucion
H0 : No hay correlacion entre el color del cabello de la mama y del papa.
Tobs = 19.798
Valor P= P (2 (1) > 19.798) 0
Como el valor P es casi cero, se rechaza H0 , es decir, hay evidencia muestral
suficiente para sugerir que el color del cabello del papa depende del color
del cabello de la mama.
r
T
19.798
=
= 0.495 = 0.7035, 0 R1 1
N (q 1)
40(1)
r
r
q
T
19.798
R2 =
=
= 0.5754, 0 R2 12 = 0.707
N +r
59.798
r
r
T
19.798
=
= 0.7035, 0 R5 1
R5 =
N
40
R1 =
SAS
41
data Color;
input padre madre Count @@;
datalines;
oscuro oscuro 28 oscuro claro 0
claro oscuro 5 claro claro 7
;
proc freq data=Color order=data;
weight Count;
exact chisq;
tables padre*madre ;
run;
3.7.
Datos
Los datos consisten de N observaciones independientes de una variable aleatoria X. Estas N observaciones son agrupadas en c clases, y el n
umero de
observaciones de cada clase es presentado en una tabla de contingencia de
la forma:
Frecuencias Observadas
Clases
1 2 3 4 ... C
O1 O2 O3 O4 . . . Oc
Total
N
Supuestos
1. La muestra es una muestra aleatoria
2. La escala de medida es al menos nominal.
Estadstico de prueba
Sea Pi la probabilidad de que una observaci
on caiga en la clase i, bajo H0 .
Pc (Oj Ej )2 Pc Oj 2
T = j=1
= j=1
N , donde Ej = Pj N, j = 1, 2, . . . , c
Ej
Ej
T 2 (c1)
42
Hipotesis
H0 : P (X este en la clase j) = Pj j
H1 : P (X este en la clase j) =
6 Pj , para alg
un j
Region de rechazo
Rc = {T |T X 2 1,c1 }
valor P= P (2 (c1) Tobs )
Ejemplo 3.7.1. Los datos consisten de los u
ltimos dos dgitos de cincuenta
n
umeros telef
onicos que son seleccionados al azar de un directorio telef
onico, los n
umeros despues de organizarlos son los siguientes:
24, 27, 29, 31, 32, 33, 33, 35, 36, 37, 41, 42, 43, 43, 44, 45, 48, 48, 54, 54, 56, 57, 57,
58, 58, 58, 58, 59, 61, 61, 62, 63, 64, 65, 66, 68, 68, 70, 73, 73, 74, 75, 77, 81, 82, 85,
87, 89, 93, 97.
hay evidencia muestral suficiente para sugerir de que los 50 n
umeros de dos
dgitos, son observaciones de una variable aleatoria normal?
Solucion
H0 : estos 50 n
umeros son observaciones de una variable aleatoria normalmente distribuida.
Las observaciones las podemos agrupar en clases, como sigue:
# de obs.
20 x < 40
10
40 x 60
18
60 x < 80
15
80 x < 100
7
i=1 xi N x
N 1
1
182140 (50)(57.48)2 = 18.595
S2 =
49
Usando x
y S estimamos las Ej s para cada clase, obteniendo:
bj x
S
2.01
0.94
0.13
1.21
2.29
Xj =
b1 = 20
b2 = 40
b3 = 60
b4 = 80
b5 = 100
b6 =
43
F (Xj )
Intervalo
Pj
0.022
0.174
0.552
0.887
0.989
1
< 20
20 x < 40
40 x < 60
60 x < 80
80 x < 100
x 100
0.022
0.152
0.378
0.335
0.102
0.011
Luego tenemos:
Ej
Oj
x < 20
1.1
0
20 x < 40
7.6
10
40 x < 60
18.9
18
60 x < 80
16.75
15
80 x < 100
5.1
7
x 100
0.55
0
Como las Ej en las clases x < 20 y x 100 son menores que 5, se debe unir
a las clases adyacentes as:
Ej
Oj
Tobs =
< 40
8.7
10
40 x < 60
18.9
18
60 x < 80
16.75
15
x 80
5.66
7
Tobs = 0.7372,
T X 2 (c1k) 2 (412)
2 0.95,1 = 3.843.
Como Tobs < 3.843, no se rechaza H0 , es decir, no hay evidencia muestral
suficiente para sugerir que la muestra no proviene de una poblacion normal,
con = 0.05.
S-Plus
x=c(24,27,29,31,32,33,33,35,36,37,41,42,43,43,44,45,48,48,54,54,56,57,57,
58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97,82,85).
chisq.gof(x,n.classes=4, distribution = normal, mean=mean(x), sd=sd(x),
cut.points= c(-1000000,39.999,59.999,79.999,1000000), nparam.est=2).
44
R
x=c(10,18,15,7)
p=c(pnorm(40,mean=57.48,sd=18.595),pnorm(60,mean=57.48,sd=18.595)
-pnorm(40,mean=57.48,sd=18.595),pnorm(80,mean=57.48,sd=18.595)pnorm(60,mean=57.48,sd=18.595),1-pnorm(80,mean=57.48,sd=18.595))
chisq.test(x,p=p)
3.8.
Datos
Cada uno de c tratamientos es aplicado independientemente a cada uno de
r bloques o sujetos, y el resultado de la aplicacion de cada tratamiento toma
los valores de 1si es un exito y 0si es un fracaso. Los resultados se recopilan en una tabla r c, cuyas entradas son ceros o unos, y N representa
el n
umero total de unos en la tabla.
Bloques
1
2
3
..
.
1
x11
x21
x31
..
.
Tratamientos
2
3
...
x12 x13 . . .
x22 x23 . . .
x32 x33 . . .
..
..
.
.
c
x1c
x2c
x3c
..
.
Total Filas
R1
R2
R3
..
.
r
Total Col
xr1
C1
xr2
C2
xrc
Cc
Rr
N
xr3
C3
...
...
Supuestos
45
Estadstico de prueba
Pc
T = c(c
T = c(c
N 2
)
j=1 (cj
c
1) Pr
Ri (c Ri )
Pi=1
c
2
2
j=1 cj (c 1)N
1)
P
cN ri=1 Ri 2
Distribucion Nula
La distribucion nula de T es muy difcil de tabular, por lo tanto se usa la
aproximacion para muestras grandes, donde el n
umero de bloques es asumido grande, y entonces la distribucion aproximada de T es:
T 2 (c1)
Hipotesis
H0 : Los tratamientos son igualmente efectivos.
H1 : Hay una diferencia en la efectividad de los tratamientos.
En terminos matematicos tenemos:
H0 : P1 = P2 = . . . = Pc dentro de cada bloque
H1 : Pi 6= Pj para algunos tratamientos i y j
Rc = {T /T X 2 1,(c1) }
valor P= P (2 (c1) > T obs)
Comparaciones m
ultiples
Si H0 es rechazada, las comparaciones por pares se pueden hacer usando el
test de McNemar.
Ejemplo 3.8.1. Cada uno de 3 entusiastas basquetbolistas predijeron los
resultados de unos juegos de basquetboll. Se seleccionaron 12 juegos al azar,
y cada deportista present
o una predicci
on del resultado de cada juego. Despues de realizados los juegos los resultados fueron tabulados, usando 1para
el exito en la predicci
on y 0para el fracaso en la predicci
on.
Deportista
1
2
3
4
5
6
7
8
9
10
11
12
Total
Predicci
on
1 2 3
1 1 1
1 1 1
0 1 0
1 1 0
0 0 0
1 1 1
1 1 1
1 1 0
0 0 1
0 1 0
1 1 1
1 1 1
8 10 7
46
Total
3
3
1
2
0
3
3
2
1
1
3
3
25
Hay evidencia muestral suficiente para sugerir que todos los deportistas tienen la misma habilidad para predecir los resultados de los juegos de Basquetboll?
solucion
H0 : Cada deportista es igualmente efectivo en su habilidad para predecir el
resultado de los juegos de basquetboll.
Pc
N 2
j=1 cj
c
T = c(c 1) Pr
i=1 Ri (c Ri )
"
25 2
25 2
25 2
8
+ 10
+ 7
3
3
3
Tobs = 3(2)
2+2+2+2+2
"
2 2 #
1 2
5
4
+
+
3
3
3
Tobs = 3(2)
2+2+2+2+2
Tobs = 2.8
T 2 (2)
2 0.95(2) = 5.991
47
R
Primero se crea la funcion cochranq.test
48
3.9.
49
Expuesto
No Expuesto
Asistente dental
Aborto No aborto
8
32
26
210
Cantidad de da
nos
Sin da
nos
Da
nos leves
Da
nos moderados
Da
nos severos
Tipo de cultivo
Labranza Mnima Contorno Terraza
17
19
4
3
10
4
0
2
2
0
0
2
Otros
21
42
34
6
50
Ejercicio 3.9.8. Tres diferentes tipos de radios son fabricados por la misma empresa, todos con un a
no de garanta, se registra el n
umero de radios
reemplazados, reparados o no retornados por garanta, los resultados fueron:
Reemplazado
Reparado
No retornado
Tipo A
12
10
82
Tipo B
3
8
96
Tipo C
6
7
58
Afro estadounidenses
24
176
Cauc
asico
147
1253
Parche de Nicotina
263
57
51
Pedacream
Curados No Curados
12
8
40
20
Profesor
Smith
Jones
White
A
12
10
15
B
45
32
19
C
49
43
32
grado
D F
6 13
18 4
20 6
WP
18
12
9
WF
2
6
7
Hombre
Mujer
Educaci
on
Cont. No cont.
2
8
12
48
Administraci
on
Cont. No cont.
5
0
1
0
Ingeniera
Cont. No cont.
3
3
1
1
52
Observaciones falsas
Observaciones verdaderas
Tipos de camuflaje
Estampado Liso
14
4
27
32
En el da
En la noche
Fin de semana
Ca
na de pescar
6
14
21
Producto
Inst. cocina M
usica CD
7
55
65
82
58
48
M
aquinas ejercicio
7
8
8
53
Cat
olico
Judio
Protestante
Otro
Artes
3
1
3
2
Negocios
1
2
3
1
Ingeniera
1
0
3
1
Otros
4
1
1
3
Captulo 4
Algunos m
etodos basados en
rangos
4.1.
El test de Mann-Whitney
Datos
Los datos consisten de 2 muestras aleatorias independientes. Sea X1 , . . . , Xn
que denota la muestra aleatoria de tama
no n de la poblacion 1, y sea
Y1 , . . . , Ym que denota la muestra aleatoria de tama
no m de la poblacion
2. Se asignan los rangos 1 a n + m a las observaciones de menor a mayor.
R(Xi ) y R(Yj ) denotan los rangos asignados a Xi y Yj ij. Sea N = n+m,
si varios valores de la muestra combinada son iguales (empates), asigne a
cada uno el promedio de los rangos.
Supuestos
CAPITULO 4. METODOS
BASADOS EN RANGOS
T =
es:
Pn
i=1 R(Xi ),
55
T n
T1 = s
N +1
2
PN
nm
nm(N + 1)2
2
R
i
N (N 1) i=1
4(N 1)
T n
T1 = s
N + 1)
2
1
2
PN
nm(N + 1)2
nm
2
R
i
N (N 1) i=1
4(N 1)
Distribucion Nula
Los cuantiles inferiores de la distribucion nula de T , estan dados en la tabla
A.4 para n 20, y m 20. Los cuantiles superiores Wp de T son obtenidos
usando, Wp = n(n + m + 1) W1p .
Donde W1p es el cuantil inferior dado en la tabla A4. Como una alternativa
0
para hallar los cuantiles superiores, se define el estadstico, T = n(N +1)T ,
el cual puede usarse con los cuantiles inferiores cuando tenemos un test de
0
cola derecha. El uso de T es mas conveniente para hallar valores P en el test
de cola derecha. Los cuantiles aproximados si no hay empates y n, m 20
son hallados con la aproximaci
on normal, as:
r
n(N + 1)
nm(N + 1)
Wp
+ Zp
,
2
12
donde Zp es el cuantil p de una n(0, 1).
Hipotesis
A) (test de 2 Colas)
Sean FX (x) y GY (x) las funciones de distribucion correspondientes a
X y Y , respectivamente, entonces, las hipotesis son:
H0 : FX (x) = GY (x) x vs. H1 : FX (x) 6= GY (x) para alg
un x
CAPITULO 4. METODOS
BASADOS EN RANGOS
H0 : E[X] = E[Y ] vs. H1 : E[X] 6= E[Y ]
H0 : P (X > Y ) = P (X < Y ) vs. H1 : P (X > Y ) 6= P (X < Y )
Rc = {T |T < W/2 o T > W1/2 },
para n 20, m 20 use la tabla A4.
para n > 20 om > 20 use la tabla A.1.
1
N +1
0
+
m
n{T,
T
}
2
2
r
Valor P= 2P
Z
nm(N + 1)
12
Valor P= 2 mn{P (Z T1 ), P (Z T1 )}
B) (test de cola izquierda)
H0 : FX (x) = GY (x) x vs. H1 : FX (x) > GY (x) para alg
un x
H0 : E[X] = E[Y ] vs. H1 : E[X] < E[Y ]
H0 : P (X > Y ) = P (X < Y ) vs. H1 : P (X > Y ) < P (X < Y )
X tiende a tener valores mas peque
nos que Y
Rc = {T |T < W } o Rc = {T1 |T1 < Z }
1
T n
+
2
r
Valor P P
Z
nm(N + 1)
12
Valor P P (Z T1 )
N +1
2
56
CAPITULO 4. METODOS
BASADOS EN RANGOS
57
N +1
1
T
2
2
o
r
Valor P P
Z
nm(N + 1)
12
N +1
1
0
T n
+
2
2
r
Valor P P Z
nm(N + 1)
12
Valor P P (Z T1 )
Ejemplo 4.1.1. La clase de u
ltimo a
no en un colegio particular tiene 48
j
ovenes. 20 j
ovenes viven en el campo y los otros 36 viven en la ciudad.
Cada joven hace una prueba de competencia fsica en la cual el puntaje bajo
indica una peor condici
on fsica. Los puntajes de los j
ovenes del campo (Xi )
y los puntajes de los j
ovenes de la ciudad (Yi ) son:
Xi (J
ovenes del campo)
14.8,7.3,5.6,6.3,9.0,4.2,10.6,12.5,12.9,16.1,11.4,2.7
Yi (J
ovenes de la ciudad)
12.7,14.2,12.6,2.1,17.7,11.8,16.9,7.9,16.0,10.6,5.6,5.6,7.6,11.3,8.3,6.7,
3.6,1.0,2.4,6.4,9.7,6.7,18.6,3.2,6.2,6.1,15.3,10.6,1.8,5.9,9.9,10.6,14.8,
5.0,2.6,4.0.
Los j
ovenes del campo, en general, son fsicamente m
as competentes que
los j
ovenes de la ciudad? use = 0.05
Solucion
H0 : Los jovenes del campo no tienden a ser fsicamente mas competentes
que los jovenes de la ciudad.
H1 :Los jovenes del campo tienden a ser fsicamente mas competentes que
los jovenes de la ciudad.
H0 : E[X] = E[Y ] vs H1 : E[X] > E[Y ]
Los puntajes son rankeados como sigue:
CAPITULO 4. METODOS
BASADOS EN RANGOS
Y
1.0
1.8
2.1
2.4
2.6
2.7
3.2
3.6
4.0
4.2
5.0
5.6
5.6
5.6
5.9
6.1
Rango
1
2
3
4
5
6
7
8
9
10
11
13
13
13
15
16
Y
6.2
6.3
6.4
6.7
6.7
7.3
7.6
7.9
8.3
9.0
9.7
9.9
10.6
10.6
10.6
10.6
Rango
17
18
19
20.5
20.5
22
23
24
25
26
27
28
30.5
30.5
30.5
30.5
Y
11.3
11.4
11.8
12.5
12.6
12.7
12.9
14.2
14.8
14.8
15.3
16
16.1
16.9
17.7
18.6
58
Rango
33
34
35
36
37
38
39
40
41.5
41.5
43
44
45
46
47
48
2
2
T1 = s
= 0.6312
12(36)
12(36)(49)2
(38016)
(48)(47)
4(47)
CAPITULO 4. METODOS
BASADOS EN RANGOS
59
S-Plus o R
x< c(14.8,7.3,5.6,6.3,9.0,4.2,10.6,12.5,12.9,16.1,11.4,2.7)
y< c(12.7,14.2,12.6,2.1,17.7,11.8,16.9,7.9,16.0,10.6,5.6,5.6, 7.6,11.3,8.3,6.7,3.6,
1.0,2.4,6.4,9.7,6.7,18.6,3.2,6.2,6.1, 15.3,10.6,1.8,5.9,9.9,10.6,14.8,5.0,2.6,4.0.)
wilcox.test(x,y,alternative=greater, correct=T)
SAS
Data uno;
input puntaje categoria $ @@;
cards;
14.8 campo 7.3 campo 5.6 campo 6.3 campo 9.0 campo 4.2 campo
10.6 campo 12.5 campo 12.9 campo 16.1 campo 11.4 campo 2.7 campo
12.7 ciudad 14.2 ciudad 12.6 ciudad 2.1 ciudad 17.7 ciudad
11.8 ciudad 16.9 ciudad 7.9 ciudad 16 ciudad 10.6 ciudad 5.6 ciudad
5.6 ciudad 7.6 ciudad 11.3 ciudad 8.3 ciudad 6.7 ciudad 3.6 ciudad
1.0 ciudad 2.4 ciudad 6.4 ciudad 9.1 ciudad 6.7 ciudad 18.6 ciudad
3.2 ciudad 6.2 ciudad 6.1 ciudad 15.3 ciudad 10.6 ciudad 1.8 ciudad
5.9 ciudad 9.9 ciudad 10.6 ciudad 14.8 ciudad 5 ciudad 2.6 ciudad
4 ciudad
;
Run;
Proc npar1way data=uno wilcoxon;
class categoria;
var puntaje;
Run;
CAPITULO 4. METODOS
BASADOS EN RANGOS
4.2.
60
Datos
Los datos consisten de 2 muestras aleatorias independientes. Sea X1 , . . . , Xn
que denota la muestra aleatoria de tama
no n de la poblacion 1, y sea
Y1 , . . . , Ym que denota la muestra aleatoria de tama
no m de la poblacion
2, y sean X e Y que denotan las variables aleatorias de las Xs y las Y s,
respectivamente.
Supuestos
n(n+m+1)
2
q
+ Zp
nm(N +1)
12
n(n+1)
2
CAPITULO 4. METODOS
BASADOS EN RANGOS
61
Mezclador A
Mezclador B
7.3
7.4
6.9
6.8
7.2
6.9
7.8
6.7
7.2
7.1
Xi
6.9
7.2
7.2
7.3
7.8
6.7
0.2
0.5
0.5
0.6
1.1
6.8
0.1
0.4
0.4
0.5
1.0
Yi
6.9
0.0
0.3
0.3
0.4
0.9
7.1
-0.2
0.1
0.1
0.2
0.7
7.4
-0.5
-0.2
-0.2
-0.1
0.4
CAPITULO 4. METODOS
BASADOS EN RANGOS
62
4.3.
El test de Kruskall-Wallis
Muestra 2
X21
X22
..
.
..
.
X2n2
...
...
...
...
Muestra k
Xk1
Xk2
..
.
..
.
Xknk
P
on mas peque
na, y as suSea N = K
i=1 ni , asigne rango 1 a la observaci
cesivamente hasta asignarle rango N a la mas grande de las observaciones.
Sea R(Xij ) el rango asignado a Xij . P
Sea Ri la suma de los rangos asignados
i
a la i-esima muestra, es decir, Ri = nj=1
R(Xij ) i = 1, 2, . . . , K. Halle Ri
para cada muestra, si hay observaciones empatadas (que se repiten), asigne
el rango promedio a cada una de estas observaciones.
Supuestos
CAPITULO 4. METODOS
BASADOS EN RANGOS
63
PK Ri 2 N (N + 1)2
1
T = S2
, donde,
i=1
ni
4
Pk Pni
N (N + 1)2
1
2
2
S = N 1
,
i=1
j=1 R (Xij )
4
N (N + 1)
si no hay empates S 2 =
y T se reduce a :
12
2
PK Ri
12
T =
3(N + 1)
N (N + 1) i=1 ni
Distribucion Nula
La distribucion exacta de T esta dada en la tabla A5 para K = 3 y todos
los ni 5, en caso contrario T 2 (K1)
Hipotesis
H0 : Todas las K funciones de distribucion son identicas.
H1 : Al menos una de las K poblaciones tiende a dar valores observados mas
grandes, que al menos otra de las poblaciones.
H0 : 1 = 2 = . . . = K
H1 : i 6= j para alg
un i y alg
un j.
2
Rc = {T |T > 1,(K1) }.
Comparaciones M
ultiples
Solo si la hipotesis nula es rechazada, podemos usar el siguiente procedimiento para determinar cuales pares de poblaciones tienden a ser diferentes.
Diremos que las poblaciones i y j son diferentes si se satisface.
Ri Rj
N 1 T 1/2 1
1 1/2
2
+
ni nj > t1/2,N K S N K
ni nj
Ejemplo 4.3.1. Se utilizan cuatro diferentes metodos para cultivar trigo,
sobre 4 parcelas de tierra, y se midi
o la producci
on por acre en cada parcela,
se desea comparar las medianas de cada una de las parcelas, los resultados
fueron:
CAPITULO 4. METODOS
BASADOS EN RANGOS
1
83
91
94
89
89
96
91
92
90
Metodo
2
3
91 101
90 100
81 91
83 93
84 96
83 95
88 94
91
89
84
64
4
78
82
81
77
79
81
80
81
Hay evidencia muestral suficiente para sugerir que algunos metodos para
cultivar trigo tienden a dar mayor producci
on que otros?
Solucion
H0 : Todos los metodos para cultivar trigo tienden a dar la misma produccion.
H1 : algunos metodos para cultivar trigo tienden a dar mayor produccion que
otros.
Metodo
1
Obs. Rango
83
11
91
23
94
28.5
89
17
89
17
96
31.5
91
23
92
26
90
19.5
Ri
ni
196.5
9
2
Obs. Rango
91
23
90
19.5
81
6.5
83
11
84
13.5
83
11
88
15
91
23
89
17
84
13.5
153
10
3
Obs. Rango
101
34
100
33
91
23
93
27
96
31.5
95
30
94
28.5
207
7
4
Obs. Rango
78
2
82
9
81
6.5
77
1
79
3
81
6.5
80
4
81
6.5
38.5
8
CAPITULO 4. METODOS
BASADOS EN RANGOS
N = 34,
"
PK Pni
i=1
j=1 R
2 (X )
#ij
2
65
= 13664
1
34 (35)
13664
33
4
"
#
1
(196.5)2 (153)2 (207)2 (38.5)2 34 (35)2
=
+
+
+
98.5303
9
10
7
8
4
= 25.6298
S2 =
Tcal
Tcal
Poblaciones
1,2
1,3
1,4
2,3
2,4
3,4
Ri Rj
ni nj
6.533
7.738
17.021
14.271
10.488
24.759
2.041(24.062)1/2 ( n1i +
>
>
>
>
>
>
1 1/2
nj )
4.6138
5.0605
4.8794
4.9486
4.7632
5.1971
S-Plus o R
x< c(83,91,94,89,89,96,91,92,90,91,90,81,83,84,83,88,91,89,84,101,100,91,
93,96,95,94,78,82,81,77,79,81,80,81)
g< c(rep(1,9),rep(2,10),rep(3,7),rep(4,8))
kruskal.test(x,g)
CAPITULO 4. METODOS
BASADOS EN RANGOS
66
SAS
Data uno;
input produccion metodo @@;
cards;
83 1 91 1 94 1 89 1 89 1 96 1 91 1 92 1 90 1
91 2 90 2 81 2 83 2 84 2 83 2 88 2 91 2 89 2 84 2
101 3 100 3 91 3 93 3 96 3 95 3 94 3
78 4 82 4 81 4 77 4 79 4 81 4 80 4 81 4
;
Run;
Proc npar1way data=uno wilcoxon;
class metodo;
var produccion;
Run;
4.4.
Datos
Los datos consisten de 2 muestras independientes. Sea X1 , . . . , Xn una muestra aleatoria de tama
no n de la poblacion 1, y sea Y1 . . . . , Ym una muestra
aleatoria de tama
no m de la poblacion 2. Construya:
ui = |Xi 1 | i = 1, 2, . . . , n
Vj = |Yj 2 | j = 1, 2, . . . , m
donde 1 y 2 son las medias de las poblaciones 1 y 2. Si 1 y 2 son des y 2 = Y . Luego asigne rangos de 1 a n + m a la
conocidas use 1 = X
muestra combinada de los i y los Vj , si hay empates asigne el rango promedio.
Note que los rangos de los i y los Vj son iguales a los rangos de (Xi 1 )2
y (Yj 2 )2 .
Supuestos
CAPITULO 4. METODOS
BASADOS EN RANGOS
67
CAPITULO 4. METODOS
BASADOS EN RANGOS
68
!
Zp
mn(N + 1)(2N + 1)(8N + 11)/180
!
T n(N + 1)(2N + 1)/6
valor P der = P Z p
mn(N + 1)(2N + 1)(8N + 11)/180
valor P izq = P
CAPITULO 4. METODOS
BASADOS EN RANGOS
69
CAPITULO 4. METODOS
BASADOS EN RANGOS
4.5.
70
1
D2
Pk
Sj2
j=1 nj
N (S)2
donde nj es el n
umero de observaciones de la muestra j
Sj es la suma de cuadrados de los rangos de la muestra j
P
N = kj=1 nj
P
S = N1 kj=1 Sj
hP
i
N
4 N (S)2
D2 = N 11
R
i=1 i
Si no hay empates
S=
(N +1)(2N +1)
6
y D2 =
CAPITULO 4. METODOS
BASADOS EN RANGOS
71
Si
ni
Sj
nj
Ejemplo
m
aquinas
compa
na
contenido
> t1/2,N k
q
q
1
2
D2 N 1T
N k
ni +
1
nj
4.5.1. Se dispone de 3 m
aquinas empacadoras de cereal. Estas
empacan una cantidad variable, algunas veces menos de lo que la
dice en su caja y otras veces m
as. A continuaci
on se presenta el
de las cajas empacado por las 3 m
aquinas:
Contenido de las cajas
M
aquina 1 M
aquina 2 M
aquina 3
10.8
10.8
12.3
11.1
10.5
11.5
10.4
11.0
12.4
10.1
10.9
11.2
11.3
10.8
12.0
10.7
12.6
10.8
Pk Sj2
2
T2 = D12
j=1 nj N (S)
n1 = 5, n2 = 7, n3 = 6, N = 18
= |X2i X 2 |
0.01 (3)
0.29 (9)
0.21 (8)
0.11 (7)
0.01 (3)
0.09 (6)
0.01 (3)
S2 = 257
u3i = |X3i X 3 |
0.3 (10)
0.5 (17)
0.4 (13)
0.8 (18)
0.0 (1)
0.6 (16)
S3 = 1046
CAPITULO 4. METODOS
BASADOS EN RANGOS
72
Pk
= 2107
18 = 117.0556
4
i=1 Ri =h432235
i
2
PN
4 N (S)2 = [43225518(117.0556) ] = 10918.75042
D2 = N 11
R
i=1 i
17
S=
PN
1
N
j=1 Sj
8042
7
6
T2 = 5
= 6.8172,
T2 2(2) .
10918.75042
Rc = {T2 |T2 > 20.95,2 } = {T2 |T2 > 5.991}
Valor P = P (2(2) 6.8172),
0.025 < Valor P < 0.05
Como T2
/ Rc y el valor P < 0.05 = , no se rechaza H0 , es decir, hay
evidencia muestral suficiente para sugerir que las tres maquinas tienen diferente variabilidad, con = 0.05. Por lo tanto podemos hacer comparaciones
multiples.
Como H0 se rechaza, se pueden hacer comparaciones m
ultiples.
Como tq
0.975,15 = 2.131,
q
2
t0.975,15 D2 N 1T
=
2.131
(10.918.75) 176.8172
= 183.4606
N k
15
q
Si Sj
Poblaciones
183.4606 n1i + n1j
ni nj
1,2
124.086
>
107.424
1,3
13.530
>
111.091
2,3
122.933
>
102.068
Se concluye que la varianza de la maquina 1 es diferente a la varianza de las
maquinas 2 y 3, pero no hay diferencia en la varianza de las maquinas 2 y
3, con un nivel de signifiacancia de = 0.05.
4.6.
Medidas de correlaci
on por medio de rangos
Una medida de correlacion es una variable aleatoria, que es usada en situaciones donde los datos constan de pares de n
umeros, como observaciones
bi-variadas. Suponga que una muestra bi-variada de tama
no n es representada por (X1 , Y1 ), . . . , (Xn , Yn ), se usara (X, Y ) cuando nos refiramos a un
(Xi , Yi ) en general.
Una medida de correlacion entre X, Y debe satisfacer las siguientes condiciones:
1. La medida de correlacion debe tomar valores entre -1 y 1.
2. Si valores grandes de X tienden a ser pareja de valores grande de Y ,
y por lo tanto valores peque
nos de X e Y tienden a ser pareja, entonces la medida de correlacion sera positiva, y si la tendencia es fuerte,
CAPITULO 4. METODOS
BASADOS EN RANGOS
73
n
2
2 1/2
i=1 (Xi X) (Yi Y )
Para facilitar el calculo se utiliza
Pn
r=h
Pn
2
i=1 Xi
i=1 Xi Yi nXY
i h
2 1/2 Pn
2
nX
i=1 Yi
nY
i
2 1/2
r es una medida de la fuerza de asociacion lineal entre X e Y , esto significa que si un grafico de Y contra X muestra los puntos (X, Y ) todos muy
proximos a una lnea recta, entonces r ser
a muy cercano a 1 si la recta tiene
pendiente ascendente, y sera muy cercano a -1 si la recta tiene pendiente
descendente. Esta medida de correlacion puede ser usada con algunos datos
de naturaleza numerica y escala de medida de intervalo o de razon.
4.6.1.
- de Spearman
Datos
Los datos consisten de una muestra aleatoria bi-variada de tama
no n,
(X1 , Y1 ), . . . , (Xn , Yn ). Sea R(Xi ) el rango de Xi , comparado con los otros
valores de X, para i = 1, 2, . . . , n; sea R(Yi ) igual a 1, 2, . . . , n dependiendo
de la magnitud relativa de Yi comparado con los demas valores de Y para
cada i = 1, 2, . . . , n.
Los datos tambien pueden consistir de observaciones no numericas ocurridas
CAPITULO 4. METODOS
BASADOS EN RANGOS
74
= "
Pn
i=1 R
2 (x )
i
n+1
2
2 #1/2 "
Pn
n+1
2
i=1 R
2 (y
i)
n+1
2
2 #1/2
Pn
2
i=1 [R(xi ) R(yi )]
n(n2 1)
=1
6T
,
n(n2 1)
P
donde T = ni=1 [R(xi ) R(yi )]2 .
Este coeficiente de correlacion se puede usar como un estadstico de prueba
para probar independencia entre dos variables aleatorias
Distribucion Nula Los cuantiles exactos de cuando X, Y son independientes estan dados en la tabla A7, para n 30 y cuando no hay empates.
Para n grande o muchos empates, el p-esimo cuantil de esta dado aproximadamente por:
CAPITULO 4. METODOS
BASADOS EN RANGOS
75
b) Hay una tendencia para que los valores grandes de X hagan pareja
con valores peque
nos de Y .
Rc = {/|| > W1/2 },
donde, W1/2 es obtenido de la tabla A7 o con la aproximaci
on nor
mal Wp = Zp / n 1.
Valor P = 2P (Z || n 1)
B) (test de cola izquierda para correlacion negativa )
H0 : los Xi y los Yi son mutuamente independientes.
H1 : Hay una tendencia para que los valores peque
nos de X hagan
pareja con los valores grandes de Y y viceversa.
Rc = {/ < W }, donde W se saca de la tabla A7, o con la aproximacion normal.
Valor P = P (Z n 1)
C) (test de cola derecha para correlacion positiva)
H0 : Los Xi y los Yi son mutuamente independientes.
H1 : Hay una tendencia para que los valores peque
nos de X y de Y
hagan pareja.
Rc = {/ > W1 }, donde W1 se saca de la tabla A7, o con la
aproximacion normal.
Valor P = P (Z n 1)
Ejemplo 4.6.1. Doce graduados de una universidad, est
an estudiando la
medida de intensidad de la relaci
on entre el puntaje en el examen de admisi
on a la universidad (Adm) y sus puntajes promedio, cuando ellos estuvieron en dicha universidad (P.M ), los datos son los siguientes:
CAPITULO 4. METODOS
BASADOS EN RANGOS
Estudiante
1
2
3
4
5
6
7
8
9
10
11
12
Adm(X)
710
610
640
580
545
560
610
530
560
540
570
560
76
P.M (Y )
4
4
3.9
3.8
3.7
3.6
3.5
3.5
3.5
3.3
3.2
3.2
Hay evidencia muestral suficiente para sugerir que valores grandes del puntaje de admisi
on tienden a asociarse con valores grandes del puntaje promedio?.
Solucion
H0 : La calificacion promedio es independiente del puntaje en el examen de
admision
H1 : La correlacion entre el puntaje en el examen de admision y la calificacion promedio es positiva.
Estudiante
1
2
3
4
5
6
7
8
9
10
11
12
Adm(X)
710
610
640
580
545
560
610
530
560
540
570
560
P.M (Y )
4
4
3.9
3.8
3.7
3.6
3.5
3.5
3.5
3.3
3.2
3.2
R(X)
12
9.5
11
8
3
5
9.5
1
5
2
7
5
R(Y )
11.5
11.5
10
9
8
7
5
5
5
3
1.5
1.5
R(X)R(Y )
138
109.25
110
72
24
35
47.5
5
25
6
10.5
7.5
CAPITULO 4. METODOS
BASADOS EN RANGOS
Pn
i=1 R
Pn
i=1 R
Pn
2 (X )
i
2 (Y )
i
77
= 647.5
= 647
= 589.75
2
589.75 12 13
2
= rh
= 0.59
13 2 i h
13 2 i
647.5 12 2
647 12 2
Como un punto de comparacion el coeficiente de correlacion de Pearson es
r = 0.663.
W0.95 = 0.4965 de la tabla A7.
Como = 0.59 > W0.95 , se rechaza H0 , es decir, hay evidencia muestral
suficiente para sugerir que hay una correlacion positiva entre Adm y P.M.
con = 0.05.
S-Plus o R
Adm< c(710,610,640,580,545,560,610,530,560,540,570,560)
PM< c(4,4,3.9,3.8,3.7,3.6,3.5,3.5,3.5,3.3,3.2,3.2)
cor.test(Adm,PM,alternative=greater,method=s)
SAS
Data correla;
input ADM PM @@;
cards;
710 4.0 610 4.0 640 3.9 580 3.8 545 3.7 560 3.6
610 3.5 530 3.5 560 3.5 540 3.3 570 3.2 560 3.2
;
run;
proc corr spearman;
var ADM PM;
CAPITULO 4. METODOS
BASADOS EN RANGOS
78
run;
4.6.2.
Tau de Kendall
Datos
Los datos consisten en una muestra aleatoria de tama
no n, (Xi , Yi ) para
i = 1, 2, . . . , n. Las observaciones (1, 2) y (3, 4) se llaman concordantes, ya
que al aumentar la coordenada en x de una observaci
on a otra, la respectiva
coordenada
en
y
tambi
e
n
aumenta,
sea
N
el
n
u
mero
de pares concordantes
c
n
de los 2 posibles pares de observaciones, un par de observaciones tal como
(1, 2) y (2, 1) se llama discordante, ya que al aumentar la coordenada x de
una observacion a otra, la respectiva coordenada en y disminuye, sea Nd el
n
umero total de pares discordantes. Los pares con empates en las xs o en
las ys se trataran mas adelante.
Medida de correlacion Si no hay empates =
Si todos los pares son concordantes = 1
Si todos los pares son discordantes = 1
Nc Nd
n
2
Empates
En terminos mas precisos un par de observaciones bi-variadas (X1 , Y1 ), (X2 , Y2 )
es considerado concordante si (Y2 Y1 )/(X2 X1 ) > 0, y discordante si
(Y2 Y1 )/(X2 X1 ) < 0. Si X1 = X2 el denominador es cero y no se puede
hacer ninguna comparacion, si Y1 = Y2 y X1 6= X2 (Y2 Y1 )/(X2 X1 ) = 0,
en este caso el par es considerado 21 concordante y 12 discordante.
Nc Nd
En el caso de empates podemos usar =
, el cual es llamado por
Nc + Nd
algunos autores el coeficiente GAM M A.
En resumen,
Yj
Xj
Yj
Si
Xj
Yj
Si
Xj
Si
Yi
> 0, hay concordancia
Xi
Yi
< 0, hay discordancia
Xi
Yi
= 0, hay 12 concordancia y
Xi
1
2
discordancia
CAPITULO 4. METODOS
BASADOS EN RANGOS
79
Si Xi = Xj no se hace comparacion.
El calculo de Nc y Nd se hace mas sencillo si las observaciones (Xi , Yi ) son
arregladas de acuerdo con valores crecientes de X, y luego con respecto a
valores crecientes de Y , as cada Y es comparado con los de abajo.
Test de hipotesis
El de Kendall tambien es usado como un test estadstico para probar la
hipotesis de independencia entre X y Y .
Si se usa T = Nc Nd como test estadstico, se puede evitar algunos calculos, pero solo se puede usar en el caso de no empates.
Distribucion Nula Los cuantiles superiores exactos para y T cuando X e
Y son independientes estan dados en la tabla A8 para n 60, en el caso
de no empates. Los cuantiles inferiores son los negativos de los cuantiles
superiores dados en la tabla A8. Para n grande o muchos empates el cuantil
p aproximado de esta dado por:
p
2(2n + 5)
Wp = Zp p
, donde Zp es el cuantil p de una n(0, 1).
3 n(n 1)
r
n(n 1)(2n + 5)
El cuantil p de es aproximadamente Wp = Zp
18
Hipotesis
A) (Test de 2 colas)
H0 : X e Y son independientes.
H1 : Los pares de observaciones tienden a ser concordantes o discordantes.
Rc = { (| < W/2 o > W1/2 }
Rc = {T |T < W/2 o T > W1/2 }
!
!)
(
(T + 1) 18
(T 1) 18
VP = 2 mn P Z p
,P Z p
,
n(n 1)(2n + 5)
n(n 1)(2n + 5)
donde T = Nc Nd .
B) (test de cola izquierda)
H0 : X e Y son independientes.
H1 : Los pares de observaciones tienden a ser discordantes.
CAPITULO 4. METODOS
BASADOS EN RANGOS
Rc = { | < W }
Rc = {T |T <W }
Valor P = P
(T + 1) 18
80
Zp
n(n 1)(2n + 5)
(T 1) 18
Valor P = P Z p
n(n 1)(2n + 5)
Ejemplo 4.6.2. Usando de nuevo los datos del ejemplo 4.6.1, hallar el valor
de de kendall, y realice un test de independencia.
Solucion
H0 : El puntaje de admision (Adm) y el puntaje promedio (P.M) son independientes.
H1 : Hay una relacion de rango positiva entre (Adm) y (P.M)
Xi , Y i )
(530,3.5)
(540,3.3)
(545,3.7)
(560,3.2)
(560,3.5)
(560,3.6)
(570,3.2)
(580,3.8)
(610,3.5)
(610,4.0)
(640,3.9)
(710,4.0)
=
Pares Concordantes
7
8
4
5.5
4.5
4
5
3
2
0.5
1
0
Nc = 44.5
Pares Discordantes
4
2
5
0.5
1.5
2
0
1
0
1.5
0
0
Nd = 17.5
Nc Nd
44.5 17.5
=
= 0.4355
Nc + Nd
44.5 + 17.5
CAPITULO 4. METODOS
BASADOS EN RANGOS
81
T = Nc Nd = 44.5 17.5 = 27
Rc = {T |T > W0.95 }
De la tabla A8, con n = 12 y P = 0.95 se obtiene que W0.95 = 24, si no
hubiera empates, pero como hay empates se usa:
r
12(11)(24 + 5)
= 23.959
18
Como T = 27 > W0.95 , se rechaza H0 , es decir, hay evidencia muestral suficiente para sugerir que hay una relacion de rango positiva entre Adm y P.M,
con = 0.05.
(27 1) 18
Valor P = P (T 27) P Z p
= P (Z 1.7829)
(12)(11)(29)
Valor P 0.037
W0.95 = Z0.95
S-Plus o R
Adm< c(710,610,640,580,545,560,610,530,560,540,570,560)
PM< c(4,4,3.9,3.8,3.7,3.6,3.5,3.5,3.5,3.3,3.2,3.2)
cor.test(Adm,PM,alternative=greater,method=k)
SAS
Data correla;
input ADM PM @@;
cards;
710 4.0 610 4.0 640 3.9 580 3.8 545 3.7 560 3.6
610 3.5 530 3.5 560 3.5 540 3.3 570 3.2 560 3.2
;
run;
proc corr kendall;
var ADM PM;
run;
CAPITULO 4. METODOS
BASADOS EN RANGOS
4.7.
82
M
etodos de regresi
on lineal no param
etrica
4.7.1.
Repaso de regresi
on lineal
4.7.2.
M
etodos no param
etricos para regresi
on lineal
Datos
Los datos consisten de una muestra aleatoria (X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn ),
de alguna distribucion bi-variada.
Supuestos
1. La muestra es una muestra aleatoria Estos metodos son validos, si
los valores de X son cantidades no aleatorias y los valores de Y son
variables aleatorias independientes, con distribuciones condicionales
identicas.
2. La regresion de Y sobre X es lineal. Esto implica una escala de medida
de intervalo tanto de X como de Y .
Estimacion por mnimos cuadrados
El metodo de mnimos cuadrados da la estimacion, Y = a + bx, de la
CAPITULO 4. METODOS
BASADOS EN RANGOS
83
i=1 Xi Yi nX Y
b= P
n
2 nX
2 , y a = Y bX
X
i=1 i
Inferencia sobre la pendiente
Para realizar pruebas de hipotesis respecto a , adicionamos el siguiente supuesto:
3. El residual y E[Y |x] es independiente de x.
Para probar hipotesis sobre , se puede utilizar el de Spearman de
la siguiente manera:
Sea 0 un valor especfico del parametro , para cada par (Xi , Yi ) halle,
ui = Yi 0 Xi , y luego halle el de Spearman entre los pares (Xi , ui )
i = 1, 2, . . . , n.
A) (test de 2 colas)
H0 : = 0 vs H1 : 6= 0
Rc = {| < W/2 o > W1/2 }
B) (test de cola izquierda)
H0 : = 0 vs H1 : < 0
Rc = {| < W }
C) (test de cola derecha)
H0 : = 0 vs H1 : > 0
Rc = {| > W1 }
CAPITULO 4. METODOS
BASADOS EN RANGOS
84
710
-3.1
12
1
610
-2.6
9.5
2
610
-2.1
9.5
7
530
-1.8
1
11
640
-2.5
11
3.5
560
-2.1
5
7
580
-2
8
9.5
540
-2.1
2
7
545
-1.75
3
12
570
-2.5
7
3.5
560
-2
5
9.5
560
-2.4
5
5
CAPITULO 4. METODOS
BASADOS EN RANGOS
Pn
= "
Pn
i=1 R
2 (x )
i
n+1
2
2 #1/2 "
Pn
n+1
2
85
i=1 R
2 (u
i)
n+1
2
2 #1/2
= 0.7273
P12
P11
P10
P9
P8
P7
P6
P5
P4
P3
P2
28
41
19
53
33
27
57
15
50
0
14
P1
36
60
21
87
50
37
100
17
133
-33
P2
62
100
46
160
100
80
200
67
NA
P3
0
29
-31
60
0
-20
75
-100
P4
60
125
29
300
150
100
600
P5
-75
-33
-200
0
-300
-400
P6
33
150
-67
NA
NA
P7
0
100
-133
NA
P8
-100
-50
-333
P9
833
800
P10
-200
P11
CAPITULO 4. METODOS
BASADOS EN RANGOS
86
s = N + 1 r = 62 + 1 17 = 46
Un I.C del 95 % para es:
[S (17) , S (46) ] = (0, 0.008),
donde las pendientes ordenadas son:
0.0400, 0.0333, 0.0300, 0.0200, 0.0200, 0.0133, 0.0100, 0.0100, 0.0075,
0.0067, 0.005, 0.0033, 0.0033, 0.0031, 0.002, 0, 0, 0, 0, 0, 0.0014, 0.0015,
0.0017, 0.0018, 0.0021, 0.0027, 0.0028, 0.0029, 0.0029, 0.0033, 0.0037, 0.0033, 0.0041,
0.0046, 0.0050, 0.0050, 0.0053, 0.0057, 0.0060, 0.0060, 0.0060, 0.0062, 0.0067, 0.0075,
0.0080, 0.0087, 0.0100, 0.0100, 0.0100, 0.0100, 0.0100, 0.0125, 0.0133, 0.0133, 0.0150,
0.0150, 0.0160, 0.0200, 0.0300, 0.0600, 0.0800.
4.8.
M
etodos no param
etricos para regresi
on mon
otona
Datos
Los datos consisten de una muestra aleatoria (X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn )
de alguna distribucion bivariada.
Supuestos
1. La muestra es una muestra aleatoria
2. La regresion de Y sobre X es monotona
Estimaci
on de E[Y |x] para un punto
Para estimar la regresion de Y sobre X para un valor x0 de X, se deben
seguir los siguientes pasos:
1. Obtenga los rangos , R(xi ), de los xi , y R(Yi ), de los Yi , en caso de
empates use el rango promedio.
2. Halle la regresion por mnimos cuadrados de los rangos: y = a2 + b2 x
donde,
CAPITULO 4. METODOS
BASADOS EN RANGOS
87
Pn
2
i=1 R(xi )R(yi ) n(n + 1) /4
b2 = P
y
n
2
2
i=1 R (xi ) n(n + 1) /4
a2 = (1 b2 )(n + 1)/2.
3. Obtenga el rango para x0 , R(x0 ), como sigue:
a) Si x0 es igual a uno de los xi observados, haga R(x0 ) = R(xi )
b) Si x0 esta entre 2 valores adyacentes de x, interpole para hallar
R(x0 ), es decir, si xi < x0 < xj , entonces,
x0 xi
R(x0 ) = R(xi ) +
[R(xj ) R(xi )], este rango algunas veces
xj xi
no es entero.
c) Si x0 < mn(xi ) o x0 > max(xi ) no se puede interpolar.
4. Halle R(y0 ) = a2 + b2 R(x0 )
5. Use R(y0 ) para hallar una estimacion de E[Y |X = x0 ] as:
a) Si R(y0 ) esta entre 2 rangos de 2 valores adyacentes de Y , digamos yi y yj , donde yi < yj , interpole entre yi y yj , as:
b |X = x0 ] = Yi + R(y0 ) R(yi ) (yj yi ).
E[Y
R(yj ) R(yi )
b |X = x0 ] = yi .
b) Si R(y0 ) = R(yi ) para alg
un i, haga E[Y
b |X = x0 ] = max yi .
c) Si R(y0 ) > max R(yi ), haga E[Y
b |X = x0 ] = mn yi .
d ) Si R(y0 ) < mn R(yi ), haga E[Y
CAPITULO 4. METODOS
BASADOS EN RANGOS
88
0
> 30
5.6
12
0.5
> 30
6.0
6
1.0
> 30
6.5
8
1.8
28
7.3
4
2.2
24
8.0
5
2.7
19
8.8
6
4.0
17
9.3
4
4.0
9
9.8
6
4.9
12
CAPITULO 4. METODOS
BASADOS EN RANGOS
89
Solucion
xi
0
0.5
1.0
1.8
2.2
2.7
4.0
4.0
4.9
5.6
6.0
6.5
7.3
8.0
8.8
9.3
9.8
yi
> 30
> 30
> 30
28
24
19
17
9
12
12
6
8
4
5
6
4
6
R(xi )
1
2
3
4
5
6
7.5
7.5
9
10
11
12
13
14
15
16
17
R(yi )
16
16
16
14
13
12
11
8
9.5
9.5
5
7
1.5
3
5
1.5
5
b i)
R(y
16.47
15.54
14.6
13.67
12.74
11.8
10.4
10.4
9
8.07
7.13
6.2
5.27
4.33
3.4
2.46
1.53
ybi
> 30
29.54
28.6
26.67
22.67
18.6
15
15
11
9.13
8.13
7.2
6.26
5.67
5.2
4.64
4.02
b i)
R(x
1.5
1.5
1.5
3.64
4.71
5.78
6.85
10.06
8.46
8.46
13.28
11.13
17.03
15.42
13.28
17.03
13.28
xbi
0.25
0.25
0.25
1.52
2.09
2.59
3.44
5.63
4.58
4.58
7.5
6.07
No
9.01
7.5
No
7.5
Luego se grafican los puntos (xi , ybi ), (xbi , yi ) y se unen con segmentos de
recta, para obtener la estimacion de la curva de regresion monotona no
parametrica. En este caso la regresion de los rangos de yi contra xi , es:
R(yi ) = 17.4037 0.9337R(xi ) i = 1, 2, . . . , n.
Para realizar la grafica se utiliza el codigo de R:
x=c(0,0.5,1,1.8,2.2,2.7,4,4,4.9,5.6,6,6.5,7.3,8,8.8,9.3,9.8,0.25,0.25,0.25,
1.52,2.09,2.59,3.44,5.63,4.58,4.58,7.5,6.07,9.01,7.5,7.5)
y=c(30,29.54,28.6,26.67,22.67,18.6,15,15,11,9.13,8.13,7.2,6.26,5.67,5.2,
4.64,4.02,30,30,30,28,24,19,17,9,12,12,6,8,5,6,6)
x1=x[order(x)]
y1=y[order(x)]
x2=c(0,0.5,1,1.8,2.2,2.7,4,4,4.9,5.6,6,6.5,7.3,8,8.8,9.3,9.8)
y2=c(30,30,30,28,24,19,17,9,12,12,6,8,4,5,6,4,6)
plot(x1,y1,type=l,xlab=libras de az
ucar, ylab=Das de fermentaci
on)
points(x2,y2)
title(main=C
urva de regresion no parametrica)
CAPITULO 4. METODOS
BASADOS EN RANGOS
90
10
15
20
Das de fermentacin
25
30
10
libras de azucar
4.9.
Datos
Los datos consisten de n0 observaciones (x1 , y1 ), . . . , (xn0 , yn0 ) sobre las respectivas variables aleatorias bi-variadas (Xi , Yi ), . . . , (Xn0 , Yn0 ). Hallar las n0
diferencias Di = yi xi (en el caso de una muestra, las Di son las observaciones en la muestra), las diferencias absolutas |Di | = |Yi Xi | i = 1, 2, . . . , n0
son calculadas para cada uno de los n0 pares, se omiten los pares con diferencia cero. Denotemos por n el n
umero de pares con diferencia diferente
de cero, n n0 . Asigne los rangos de 1 a n a estos n pares as: asigne
rango 1 al par (x1 , y1 ) con el menor |Di | =
6 0, el rango 2 al siguiente, y
as sucesivamente, y si hay empates asigne el rango promedio.
Supuestos
1. La distribucion de cada Di es simetrica.
2. Los Di0 s son mutuamente independientes.
CAPITULO 4. METODOS
BASADOS EN RANGOS
91
Pn
Pn
Ri + 1
Z qi=1 Ri 1
,
P
Valor P = 2 mn P Z qi=1
Pn
Pn
2
2
i=1 Ri
i=1 Ri
CAPITULO 4. METODOS
BASADOS EN RANGOS
92
Valor P = P Z qi=1
Pn
2
i=1 Ri
C) (test de cola izquierda)
H0 : E[D] 0 H1 : E[D] > 0
Rc = {T + /T + > W1 }
n(n+1)
+
donde W1 =
es hallado de la tabla A9 para T .
2 W y W
Pn
Ri 1
Valor P = P Z qi=1
Pn
2
i=1 Ri
Ejemplo 4.9.1. Doce conjuntos de gemelos son analizados mediante test
psicol
ogicos para medir en alg
un sentido que tan agresivos son. Los resultados son los siguientes, donde el mayor puntaje indica mayor agresividad.
Primero xi
Segundo yi
1
86
88
2
71
77
3
77
76
4
68
64
5
91
96
6
72
72
7
77
65
8
91
90
9
70
65
10
71
80
11
88
81
12
87
72
Hay evidencia muestral suficiente para sugerir que el primer recien nacido
tiende a ser m
as agresivo que el segundo?.
Solucion
Las hipotesis son:
H0 : El primer recien nacido no tiende a ser mas agresivo que el segundo.
H1 : El primer recien nacido tiende a ser mas agresivo que el segundo.
Equivalentemente.
H0 : E[yi ] E[xi ]
H1 : E[yi ] < E[xi ]
CAPITULO 4. METODOS
BASADOS EN RANGOS
Primero xi
Segundo yi
Di
R|Di |
Ri
1
86
88
2
3
3
2
71
77
6
7
7
3
77
76
-1
1.5
-1.5
4
68
64
-4
4
-4
5
91
96
5
5.5
5.5
6
72
72
0
7
77
65
-12
10
-10
8
91
90
-1
1.5
-1.5
93
9
70
65
-5
5.5
-5.5
10
71
80
9
9
9
11
88
81
-7
8
-8
12
87
72
-15
11
-11
Estadstico de prueba
Pn
Ri
T = qPi=1
= 0.7565
= 17
505
n
2
R
i=1 i
Rc = {T /T < W0.05 } = 0.05
Rc = {T /T < 1.6449} W0.05 = 1.6449
Como T = 0.7565
> W0.05 , no
rechazamos H0 , ademas,
Pn
Ri + 1
16
=
P
Z
= P (Z 0.71)
valor P = P Z qi=1
Pn
505
2
R
i=1 i
valor P = 0.238
Como valor P > 0.1, no rechazamos H0 , es decir, no hay evidencia muestral
suficiente para sugerir que el primer recien nacido, de una pareja de gemelos,
tiende a ser mas agresivo que el segundo.
S-Plus o R
primero < c(86,71,77,68,91,72,77,91,70,71,88,87)
segundo < c(88,77,76,64,96,72,65,90,65,80,81,72)
wilcox.test(segundo, primero, alternative = less, paired=T)
Usa la aproximacion de Lehmann.
Ahora suponga que Y es una variable aleatoria con la misma distribucion
de las Yi0 s, y las Yi0 s son una muestra aleatoria de tama
no n0 , y sea m una
constante especfica, se desea probar:
A) (test de 2 colas)
H0 : la mediana de Y es m
H1 : la mediana de Y no es m
CAPITULO 4. METODOS
BASADOS EN RANGOS
94
CAPITULO 4. METODOS
BASADOS EN RANGOS
Yi
23.8
26.0
26.9
27.4
28.0
30.3
30.7
31.2
31.3
32.8
33.2
33.9
34.3
34.9
35.0
Di
-6.2
-4.0
-3.1
-2.6
-2.0
0.3
0.7
1.2
1.3
2.8
3.2
3.9
4.3
4.9
5.0
Rango |Di |
17
11
8
6
5
1
2
3
4
7
9
10
12
13
14
Ri
-17
-11
-8
-6
-5
1
2
3
4
7
9
10
12
13
14
Yi
35.9
36.1
36.4
36.6
37.2
37.3
37.9
38.2
39.6
40.6
41.1
42.3
42.8
44.0
45.8
Di
5.9
6.1
6.4
6.6
7.2
7.3
7.9
8.2
9.6
10.6
11.1
12.3
12.8
14.0
15.8
Rango |Di |
15
16
18
19
20
21
22
23
24
25
26
27
28
29
30
95
Ri
15
16
18
19
20
21
22
23
24
25
26
27
28
29
30
i=1 Ri 1
Valor P P Z r
n(n + 1)(2n + 1)
6
P
como ni=1 Ri = 418 47 = 371
Valor P P Z
3711
9455
S-Plus o R
primero< c(23.8,26,26.9,27.4,28,30.3,30.7,31.2,31.3,32.8,33.2,33.9,34.3,
34.9,35,35.9,36.1,36.4,36.6,37.2,37.3,37.9,38.2,39.6,40.6,41.1,42.3,42.8,
44,45.8)
segundo< c(rep(30,30))
CAPITULO 4. METODOS
BASADOS EN RANGOS
96
4.10.
Test de Friedman
Datos
Los datos consisten de b variables aleatorias k-variables mutuamente independientes (Xi1 , Xi2 , . . . , Xik ), llamadas b bloques i = 1, 2, . . . , b. La variable
aleatoria Xij esta en el bloque i y esta asociada con el tratamiento j. Los b
bloques son arreglados como sigue:
Bloques
1
2
..
.
1
X11
X21
..
.
Tratamientos
2
3
...
X12 X13 . . .
X22 X23 . . .
..
..
.
.
k
X1k
X2k
..
.
Xb1
Xb2
Xbk
Xb3
...
Sea R(Xij ) el rango, desde 1 hasta k, asignado a Xij dentro del bloque (fila)
i, los rangos son asignados a todos y cada uno de los bloques.
P
Sea Rj = bi=1 R(Xij ) j = 1, . . . , k, la suma de rangos para cada uno de
los tratamientos.
Supuestos
1. Las b variables aleatorias k-variables son mutuamente independientes,
los resultados dentro de un bloque, no influencian los resultados dentro
de otro bloque.
2. Dentro de cada bloque, las observaciones pueden ser rankeadas, de
acuerdo a alg
un criterio de interes.
Estadstico de prueba
Friedman sugiere usar el estadstico.
2
Pk
b(k+1)
12
T1 = bk(k+1)
j=1 Rj
2
Si se presentan empates se necesita hacer ajustes.
CAPITULO 4. METODOS
BASADOS EN RANGOS
Sea A1 =
C1 =
Pb
i=1
bk(k+1)2
,
4
Pk
j=i R
2 (X
ij )
97
factor de correccion.
2
P
k
2
(k 1)
(k 1) kj=1 Rj b(k+1)
j=1 Rj bC1
2
T1 =
=
A1 C1
A1 C1
Debido a que la distribucion aproximada del estadstico T1 es muy mala, se
(b1)T1
recomienda usar el estadstico T2 , T2 = b(k1)T
.
1
Distribucion Nula
La distribucion exacta de T1 (o T2 ) es difcil de hallar, y usualmente se
usa una distribucion aproximada. T1 2(k1) , la cual por lo general es
una aproximacion muy pobre, por lo que se recomienda usar el estadstico
T2 F (k1 , k2 ) donde k1 = k 1, k2 = (b 1)(k 1), cuando H0 es cierta.
Hipotesis
H0 : los tratamientos tienen efectos identicos.
H1 : Al menos uno de los tratamientos tiende a tomar valores observados
mas grandes que al menos uno de los otros tratamientos.
Rc = {T2 /T2 > f1 (k1 , k2 )}, donde f1 (k1 , k2 ) se encuentra en la tabla
A18
Comparaciones M
ultiples
Si el test de Friedman resulta en un rechazo de la hipotesis nula, los tratamientos individuales se pueden comprar usando el siguiente metodo.
Los tratamientos i y j son diferentes si se satisface la siguiente desigualdad.
"
#1/2
P
2(bA1 kj=1 Rj2 )
|Rj Ri | > t1/2
(b 1)(k 1)
donde t1/2 es el cuantil 1 /2 de la distribucion t dada en la tabla
A16 con (b 1)(k 1) grados de libertad. El valor de es el mismo que el
usado en el test de Friedman.
Alternativamente, la desigualdad puede expresarse como una funcion de T1 ,
as:
CAPITULO 4. METODOS
BASADOS EN RANGOS
(A1 C1 )2b
(b 1)(k 1)
T1
b(k 1)
98
1/2
Propietario
1
2
3
4
5
6
7
8
9
10
11
12
1
4
4
3
3
4
2
1
2
3.5
4
4
3.5
Cesped
2
3
3
2
2
3
1.5 1.5
1
2
2
1
2
2
3
2
4
1
1
2
1
3
2
3
1
2
4
1
1
4
4
3
4
4
3
3.5
2
1
3.5
Hay evidencia suficiente para sugerir que algunos tipos de cesped son preferidos sobre otros?.
Solucion
H0 : Todos los tipos de cesped son igualmente preferidos.
H1 : Algunos tipos de cesped son preferidos sobre otros.
CAPITULO 4. METODOS
BASADOS EN RANGOS
Propietario
1
2
3
4
5
6
7
8
9
10
11
12
Rj
1
4
4
3
3
4
2
1
2
3.5
4
4
3.5
38
Cesped
2
3
3
2
2
3
1.5
1.5
1
2
2
1
2
2
3
2
4
1
1
2
1
3
2
3
1
2
23.5 24.5
99
4
1
1
4
4
3
4
4
3
3.5
2
1
3.5
34
Primero
A1
P hallamos
P
A1 = bi=1 kj=i R2 (Xij ) = 356.5
C1 =
T1 =
T1 =
bk(k+1)2
4
)
= (12)(4)(5
= 300
4
hP
i
k
2 bC
(k 1)
R
1
j=1 j
A1 C1
3[(38)2 +(23.5)2 +(24.5)2 +(34)2 12(300)]
356.5300
T1 = 8.097
T2 =
(b1)T1
b(k1)T1
(11)(8.097)
(12)(3)8.097
= 3.19
Si = 0.05
Rc = {T2 /T2 > f0.95 (3, 33)}
f0.95 (3, 33) 2.92 de la tabla A18, como T2 > 2.92 se rechaza la hipotesis
nula, por lo que podemos concluir que hay evidencia muestral suficiente para
sugerir que algunos tipos de cesped son preferidos sobre otros, con = 0.05.
Valor P = P (T2 > 3.19) = 1 P (T2 3.19)
0.95 < P (T2 3.19) < 0.975
0.025 < valor P < 0.05.
CAPITULO 4. METODOS
BASADOS EN RANGOS
100
|Rj Ri |
t0.975
1,2
1,3
1,4
2,3
2,4
3,4
>
>
<
<
<
<
2(bA1
#1/2
2
j=1 Rj )
Pk
(b 1)(k 1)
11.49
11.49
11.49
11.49
11.49
11.49
Los tipos de cesped 1,2 y 1,3 son significativamente diferentes. Las demas
comparaciones no son significativas, por lo que se podra concluir que hay
evidencia muestral suficiente para sugerir que el tipo de cesped 1 es mas
preferido que los tipos de cesped 2 y 3.
S-Plus o R
y=c(4,4,3,3,4,2,1,2,3.5,4,4,3.5,3,2,1.5,1,2,2,3,4,1,1,2,1,2,3,1.5,2,1,2,2,
1,2,3,3,2,1,1,4,4,3,4,4,3,3.5,2,1,3.5)
bloques=c(rep(1:12,4))
grupos=c(rep(1,12),rep(2,12),rep(3,12),rep(4,12))
friedman.test(y, grupos, bloques)
4.11.
Extensi
on del test de Friedman: Caso de varias observaciones por tratamiento
CAPITULO 4. METODOS
BASADOS EN RANGOS
101
Bloques
1
..
.
b
1
X111
..
.
Tratamientos
2
3
...
X121 X131 . . .
..
..
..
.
.
.
k
X1k1
..
.
X11m
X211
..
.
X12m
X221
..
.
X13m
X231
..
.
...
...
..
.
X1km
X2k1
..
.
X21m
..
.
X22m
..
.
X23m
..
.
...
X2km
..
.
Xb11
..
.
Xb21
..
.
Xb31
..
.
...
..
.
Xbk1
..
.
Xb1m
Xb2m
Xb3m
...
Xbkm
1
, k = 1, 2, . . . , N.
N
CAPITULO 4. METODOS
BASADOS EN RANGOS
102
N
X
k=1
N
X
kP (X = k)
k=1
1
N
N
1 X
k
N
k=1
=
=
1 N (N + 1)
N
2
(N + 1)
2
n(N + 1)
2
V (X) =
n(N + 1)(N n)
12
m
b X
X
E[R(Xijn )]
i=1 n=1
=
=
b X
m
X
mk + 1
i=1 n=1
b
X
i=1
mk + 1
2
bm(mk + 1)
2
(Resultado anterior)
CAPITULO 4. METODOS
BASADOS EN RANGOS
103
b
X
i=1
b
X
i=1
m
X
!
R(Xijn )
n=1
m(mk + 1)(mk m)
(Resultado anterior con n = m y N = mk)
12
X
m(k 1)
R(Xijn ) mkb(mk + 1)2 /4
V (Rj ) =
k(mk 1)
#Rangos
El test estadstico:
T =
k
X
(k 1) [Rj E(Rj )]2
2(k1)
k
V (Rj )
j=1
1/2
2kb(mk 1)V (Rj )
T
1
(k 1)(mbk k b + 1)
b(mk 1)
Datos ficticios
Marca
CHEVROLET
3
5
2
1
5
6
RENAULT
4
3
2
2
4
3
CAPITULO 4. METODOS
BASADOS EN RANGOS
104
Hay evidencia para pensar que los compradores prefieren Chevrolet a Renault?
Solucion:
Los rangos por bloque y tratamiento se presentan a continuaci
on:
N
umero de autos vendidos (rango)
Tienda
1
2
3
Rj =
Marca
CHEVROLET
3 (1.5)
5 (4)
2 (3)
1 (1)
5 (3)
6 (4)
16.5
RENAULT
4 (3)
3 (1.5)
2 (3)
2 (3)
4 (2)
3 (1)
13.5
En este problema, k = 2, b = 3 y m = 2.
E(Rj ) =
=
=
=
V (Rj ) =
=
=
=
bm(mk + 1)
2
3 2(4 + 1)
2
30
2
15 . Como hay empates,
2
X
m(k 1)
mkb(mk + 1)
R(Xijn )2
k(mk 1)
4
#Rangos
2(2 1)
2 2 3(4 + 1)2
87.5
2(4 1)
4
2
2
12(5)
87.5
6
4
1
[87.5 75] = 4.167
3
El test estadstico,
T
k
X
(k 1) [Rj E(Rj )]2
=
k
V (Rj )
j=1
CAPITULO 4. METODOS
BASADOS EN RANGOS
105
Ahora, 2(k1) (1 /2) = 2(1) (0.975) = 5.024. Como 0.53996 < 5.024 no se
rechaza H0 y por lo tanto, estos datos no contienen suficiente evidencia para
concluir que hay una preferencia por los autos Chevrolet.
4.12.
El test de Quade
Bloques
1
2
..
.
1
X11
X21
..
.
Tratamientos
2
3
...
X12 X13 . . .
X22 X23 . . .
..
..
.
.
Xb1
Xb2
Xb3
...
k
X1k
X2k
..
.
Xbk
Sea R(Xij ) el rango, desde 1 hasta k, asignado a Xij dentro del bloque (fila)
i, los rangos son asignados a todos y cada uno de los bloques.
Luego, use de nuevo las observaciones originales Xij a fin de calcular los
rangos muestrales dentro de cada bloque. Los rangos se asignan a los bloques
de acuerdo al tama
no del rango muestral dentro de cada bloque. Recuerde
que el rango muestral del bloque i est
a dado por
Rango muestral bloque i = max Xij mn Xij
j
Como hay b bloques, hay b rangos muestrales (uno por cada bloque).
CAPITULO 4. METODOS
BASADOS EN RANGOS
106
b
X
Sij , i = 1, 2, . . . , k
i=1
b X
k
X
2
Sij
i=1 j=1
Donde Sij esta dada por la expresion de arriba. Este termino se conoce como
la Suma de cuadrados total. Cuando no hay empates A2 = b(b + 1)(2b +
1)k(k + 1)(k 1)/72. Luego, calcule el termino:
k
1X 2
B=
Sj
b
j=1
CAPITULO 4. METODOS
BASADOS EN RANGOS
107
(b 1)B
A2 B
2b(A2 B) 1/2
|Si Sj | > t1 2
(b 1)(k 1)
Esta comparacion se hace para todos los pares de tratamientos, usando el
mismo del test de Quade.
Ejemplo 4.12.1. Se seleccionan 7 tiendas para una encuesta de mercados.
En cada tienda, 5 marcas distintas de un nuevo tipo de crema para las manos
se colocan una junto a otra. Al final de la semana, el n
umero de botellas
de crema vendidas de cada marca se registra. Se observaron los siguientes
resultados
N
umero de consumidores (rango dentro de la tienda)
Marca
Tienda
A
B
C
D
E
1
5 (2)
4 (1)
7 (3)
10 (4)
12 (5)
2
1 (2.5)
3 (5)
1 (2.5)
0 (1)
2 (4)
3
16 (2)
12 (1)
22 (3.5)
22 (3.5)
35 (5)
4
5 (4.5)
4 (2.5)
3 (1)
5 (4.5)
4 (2.5)
5
10 (3.5)
9 (2)
7 (1)
13 (5)
10 (3.5)
6
19 (2)
18 (1)
28 (3)
37 (4)
58 (5)
7
10 (5)
7 (2.5)
6 (1)
8 (4)
7 (2.5)
CAPITULO 4. METODOS
BASADOS EN RANGOS
108
Hay evidencia para pensar que unas marcas se prefiere sobre otras?
Solucion:
Los rangos R(Xij ) aparecen en parentesis en la tabla anterior. Ahora se
deben calcular los rangos muestrales dentro de cada tienda (o bloque). Por
ejemplo, en la tienda 1, el rango muestral es 12-4=8. La siguiente
tabla mues
tra los rangos muestrales, los rangos Qi y los scores Sij = Qi R(Xij ) k+1
2 :
Tienda
1
2
3
4
5
6
7
Rango
muestral
8
3
23
2
6
40
4
Rango
Qi
5
2
6
1
4
7
3
Sj =
A
-5
-1
-6
1.5
2
-7
6
-9.5
B
-10
4
-12
-0.5
-4
-14
-1.5
-38
0 s
Sij
Marca
C
0
-1
3
-2
-8
0
-6
-14
D
5
-4
3
1.5
8
7
3
23.5
E
10
2
12
-0.5
2
14
-1.5
38
7 X
5
X
2
Sij
i=1 j=1
2
B =
1X 2
Sj
7
j=1
= 532.4
As,
T3 =
6(532.4)
= 3.83
1366.5 532.4
CAPITULO 4. METODOS
BASADOS EN RANGOS
h
Marca
|Si Sj |
A,B
A,C
A,D
A,E
B,C
B,D
B,E
C,D
C,E
D,E
t0.975
<
<
<
>
<
>
>
<
>
<
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
2b(A2 B)
(b1)(k1)
i1/2
109
h
= 2.064
14(834.1)
24
i1/2
**
**
**
**
4.13.
test de Durbin
CAPITULO 4. METODOS
BASADOS EN RANGOS
110
Por ejemplo, si se van a aprobar 20 comidas distintas, cada juez puede encontrar muy dificil ranquear de manera adecuada todas ellas en
orden de preferencia.
Aquellos dise
nos experimentales en los que no es posible aplicar todos los tratamientos a cada bloque se denominan dise
nos en bloques
incompletos.
Ademas, si el dise
no se balancea de manera que 1) Cada bloque contenga k unidades experimentales, 2) Cada tratamiento aparece en r
bloques y 3) cada tratamiento aparece con cualquier otro tratamiento
un n
umero igual de veces2 , se denomina Dise
no en bloques balanceado
imcompleto.
Durbin (1951)3 presenta un test de rangos que puede usarse para probar la hipotesis nula de no diferencias entre los tratamientos en un
dise
no en bloques balanceado incompleto.
En realidad existen metodos parametricos para analizar este tipo de dise
nos,
pero se basan en supuestos de normalidad lo cual justifica el uso del metodo
no parametrico en caso de que dicho supuesto no se cumpla. Otra justificacion para usar el metodo no parametrico, es que las observaciones iniciales
pueden consistir de rangos. El test de Friedman es un caso particular del test
de Durbin cuando el n
umero de tratamiento iguala el n
umero de unidades
experimentales dentro del bloque.
Datos: Se usara la siguiente notacion:
t = N
umero de tratamientos
k = N
umero de unidades experimentales por bloque (k < t)
b = N
umero de bloques
r = N
umero de veces que cada tratamiento aparece (r < b)
= N
umero de bloques en los que los tratamientos l y m aparecen juntos.
es el mismo para todos los pares de tratamientos
Los datos se arreglan en un dise
no en bloques balanceado incompleto. Sea
Xij el resultado observado en el tratamiento j y en el bloque i, si el tratamiento j aparece en el i-esimo bloque. Ranquee los Xij s dentro de cada
2
A
un si esta condici
on no se satisface, este test que se propone puede ser v
alido en
muchas situaciones
3
Durbin, J. Incomplete blocks in ranking experiments. British Journal of Psycology
(Statistical Section), 4, 85-90 (5.9)
CAPITULO 4. METODOS
BASADOS EN RANGOS
111
b
X
R(Xij )
i=1
t
X
12(t 1)
r(k + 1) 2
T1 =
Rj
rt(k 1)(k + 1)
2
j=1
t
k X
X
i=1 j=1
R2 (Xij )
CAPITULO 4. METODOS
BASADOS EN RANGOS
112
Para que este ajuste sea efectivo, se debe calcular la cantidad C (conocida
como factor de correccion) como:
bk(k + 1)2
4
De esta manera, el estadstico de prueba, corregido por empates, esta dado
por:
hP
i
t
2 rC
(t 1)
R
j=1 j
T1 =
AC
C=
T1 /(t 1)
(b(k 1) T1 ) /(bk b t + 1)
1/2
2r(A C)
T1
|Ri Rj | > t(bkbt+1) (1 /2)
1
bk b t + 1
b(k 1)
En caso de que no hayan empates, se recomienda usar:
1/2
rk(k + 1)
|Ri Rj | > t(bkbt+1) (1 /2)
(b(k 1) T1 )
6(bk b t + 1)
CAPITULO 4. METODOS
BASADOS EN RANGOS
113
Persona
1
2
3
4
5
6
7
Rj =
Variedad helado
2 3 4 5 6
3
1
3 1
2
2 1
3
1 2
3
1 2
3
1
3
1
8 9 4 3 5 6
1
2
3
2
2
7
CAPITULO 4. METODOS
BASADOS EN RANGOS
114
t
X
12(t 1)
r(k + 1) 2
T1 =
Rj
rt(k 1)(k + 1)
2
j=1
(12)(6)
=
(8 6)2 + (9 6)2 + (4 6)2 + + (7 6)2
(3)(7)(2)(4)
= 12
Como 2(71) (1 0.05) = 2(6) (0.95) = 12.59 y 12.59 > 12 no se rechaza H0 .
Pero si se calcula T2 :
T1 /(t 1)
(b(k 1) T1 ) /(bk b t + 1)
12/(7 1)
=
(7(3 1) 12) /((7)(3) 7 7 + 1)
12/(6)
=
(14 12) /(8)
= 8
T2 =
|8 9| = 1
|8 4| = 4
|8 3| = 5
|8 5| = 3
|8 6| = 2
|8 7| = 1
|9 4| = 5
|9 3| = 6
|9 5| = 4
|9 6| = 3
|9 7| = 2
|4 3| = 1
|4 5| = 1
|4 6| = 2
|4 7| = 3
<
>
>
>
<
<
>
>
>
>
<
<
<
<
>
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
**
**
**
**
**
**
**
**
CAPITULO 4. METODOS
BASADOS EN RANGOS
h
Comparacion
|Ri Rj |
4,5
4,6
4,7
5,6
5,7
6,7
|3 5| = 2
|3 6| = 3
|3 7| = 4
|5 6| = 1
|5 7| = 2
|8 9| = 1
t(bkbt+1) (1 /2)
<
>
>
<
<
<
115
rk(k+1)
6(bkbt+1)
i1/2
(b(k 1) T1 )
2.824
2.824 **
2.824 **
2.824
2.824
2.824
agricolae_1.0-9.zip
CAPITULO 4. METODOS
BASADOS EN RANGOS
116
CAPITULO 4. METODOS
BASADOS EN RANGOS
117
CAPITULO 4. METODOS
BASADOS EN RANGOS
118
4.14.
Cant. Pantano
Sin pantano
Leve
Moderado
Severo
Tipo de cultivo
Mn. Labranza Contorno Terraza
17
19
4
3
10
4
0
2
2
0
0
2
Otro
21
42
34
6
146
176
-540
180
110
1052
192
212
642
185
108
-281
153
196
67
CAPITULO 4. METODOS
BASADOS EN RANGOS
119
1
650
640
2
720
580
3
580
500
4
670
570
5
600
630
6
510
630
7
480
520
8
610
610
Estudiante
Matem
aticas X
Verbal Y
9
460
510
10
520
500
11
740
680
12
450
600
13
530
550
14
570
500
15
680
510
16
740
570
24
68
31
85
38
84
45
92
45
90
Los estudiantes m
as viejos tienden a tener puntajes m
as altos?
a) Use el de Spearman.
b) Use el de Kendall.
Ejercicio 4.14.5. Se desea ver si la temperatura en la ciudad 1 es superior
a la temperatura en la ciudad 2, las temperaturas tomadas en las dos ciudades, en el verano, son las siguientes:
Ciudad 1
Ciudad 2
83
77
89
78
89
79
90
80
91
81
91
1
92
81
94
82
96
Ejercicio 4.14.6. En un laboratorio de ambiente controlado, fueron examinados 10 hombres y 10 mujeres para determinar la temperatura m
as confortable del cuarto, los resultados fueron los siguientes:
CAPITULO 4. METODOS
BASADOS EN RANGOS
Hombres
Mujeres
74
75
72
77
77
78
76
79
73
77
75
73
73
78
120
74
79
75
78
76
80
Metodo presente
Metodo nuevo
68
64
72
60
79
68
69
73
84
72
80
70
78
Dieta A
Dieta B
7
6
2
5
-1
2
4
8
Claro
Dibujado
25
26
28
12
16
16
34
21
38
20
21
14
29
10
43
18
32
22
36
20
CAPITULO 4. METODOS
BASADOS EN RANGOS
121
ser
a la susceptibilidad a ser hipnotizados. Suponga que los datos violan los
supuestos necesarios para el uso de la prueba F, pero al menos presentan
una escala ordinal.
Abogados
26
17
27
32
20
25
Medicos
14
19
28
22
25
15
Bailarines
30
21
35
29
37
34
Los individuos de diversas profesiones tienen distintos grados de susceptibilidad a ser hipnotizados?
Ejercicio 4.14.11. Una sic
ologa investiga la hip
otesis de que el orden de
nacimiento en una familia afecta la asertividad. Los sujetos del experimento
son 20 j
ovenes adultos entre 20 y 25 a
nos de edad. Hay 7 primogenitos, 6
individuos que nacieron en segundo lugar y 7 que en tercero. Cada sujeto
presenta una prueba de asertividad con los siguientes resultados. Las calificaciones altas indican una mayor asertividad. Suponga que los datos no se
distribuyen de manera normal, por lo que la prueba F no puede utilizarse,
pero los datos presentan al menos una escala ordinal.
Primogenito
18
8
4
21
28
32
10
Ejercicio 4.14.12. Una muestra aleatoria de tres diferentes tipos de bombillas de luz fueron examinadas para ver cuanto tiempo duran las bombillas,
los resultados son:
Tipo A
Tipo B
Tipo C
73
84
82
64
80
79
67
81
71
62
77
75
70
CAPITULO 4. METODOS
BASADOS EN RANGOS
122
Tratamiento B
14
8
25
16
26
28
9
Tratamiento usual
42
35
30
53
57
26
37
30
51
62
59
CAPITULO 4. METODOS
BASADOS EN RANGOS
123
Es el tratamiento de hipnosis m
as eficaz que el tratamiento usual?
Ejercicio 4.14.15. Cuatro programas de entrenamiento fueron ensayados
en 20 empleados, donde 5 empleados fueron asignados de manera aleatoria a
cada programa de entrenamiento. A los 20 empleados se les asign
o el mismo
supervisor y al final de cierto periodo, el supervisor organiz
o por rangos a
los empleados de acuerdo a la habilidad para trabajar, donde el rango m
as
peque
no es asignado al trabajador con menor habilidad, los resultados son:
Programa
Programa
Programa
Programa
1
2
3
4
4
1
20
18
6
8
19
15
7
12
16
17
2
3
14
13
10
11
5
9
Dieta B
0.96
1.23
1.54
1.61
1.96
2.59
2.94
3.68
5.59
6.96
Dieta C
2.07
3.72
3.92
4.5
4.9
6
6.42
6.84
8.23
10.33
Dieta D
0.68
0.69
0.74
0.84
0.96
1.06
1.16
1.34
1.35
2.08
Dieta E
1.36
1.4
1.51
1.59
1.74
2.49
3
4.81
5.12
5.21
hay diferencia significativa en las dietas de tal forma que afecte la cantidad
de hierro presente en el hgado?.
Ejercicio 4.14.17. Para cada uno de los tres planes para reducir peso fueron
asignados doce voluntarios. La asignaci
on de los 12 voluntarios fue aleatoria
y se asume que todos los 36 voluntarios se asemejan a una muestra aleatoria
de personas que podran intentar un programa de reducci
on de peso, se desea
ver si hay una diferencia significativa entre los tres programas para reducir
peso, los resultados fueron:
CAPITULO 4. METODOS
BASADOS EN RANGOS
Plan A
2 17
12 4
5 25
4
6
26 21
8
6
Plan B
17 5
15 6
3 19
19 4
5
9
14 7
124
Plan C
29 5
3 25
25 32
28 24
11 36
7 20
58
66
76
74
82
69
74
76
79
72
65
73
74
75
86
67
68
Es la variaci
on entre los hombres significativamente m
as grande que la variaci
on entre las mujeres.
Ejercicio 4.14.19. Una lnea divisoria de aguas ha aumentado su extensi
on
los u
ltimos a
nos. Se toma una muestra aleatoria de los flujos de corriente de
la lnea divisoria y se compar
o con otra muestra aleatoria de epocas pasadas
para ver si la variabilidad ha cambiado, los resultados fueron:
Presente
Pasada
32
39
36
21
41
58
27
46
35
30
48
22
31
17
28
19
CAPITULO 4. METODOS
BASADOS EN RANGOS
125
Metodo de instrucci
on
Clases estructuradas Estudios individuales
0.7
1.7
1
2.1
2
-0.4
1.4
0
0.5
1.1
0.8
0.9
1
2.3
1.1
1.3
1.9
0.4
1.2
0.5
1.5
1.0
No aulas
0.9
0.9
1
0
0.1
-0.6
2.2
-0.3
0.6
2.4
2.5
147
122
158
128
131
125
142
123
183
115
151
120
196
108
129
143
155
124
158
123
1
6.1
2
7.5
3
7.7
4
5.9
5
5.2
6
6.1
7
5.3
8
4.5
9
4.9
10
4.6
11
3
12
4
Los datos indican una mejora significativa sobre el tiempo para este trabajador?, use el de Spearman y el de Kendall.
Ejercicio 4.14.23. Cada vez que un carro tanqueaba, un dispositivo llev
o el
control de la cantidad de gasolina en galones puestos en el tanque, y la
distancia en millas recorridas, los resultados fueron:
13
3.7
CAPITULO 4. METODOS
BASADOS EN RANGOS
Millas
Galones
142
11.1
116
5.7
194
14.2
250
15.8
88
7.5
157
12.5
255
17.4
126
154
8.8
43
3.4
208
15.2
129
2546
75
1335
87
1019
99
1858
Facultades
Estudiantes
64
1063
40
267
61
753
300
4500
190
3164
109
1141
77
784
90
1189
4.5
2.6
5.1
2.7
8
3.1
2.2
0.8
-4.6
-2.5
-0.6
0.1
10.3
4.9
2.2
1
CAPITULO 4. METODOS
BASADOS EN RANGOS
127
10.7
4
13.9
4.4
15.8
4.7
17
5.1
18.1
9.3
19.9
11.2
20.7
13.7
21.6
15
19.7
Antes
Despues
0.68
0.73
0.64
0.62
0.68
0.66
0.82
0.92
0.58
0.68
0.8
0.87
0.72
0.77
0.65
0.7
0.84
0.88
0.73
0.79
Antes
Despues
0.65
0.72
0.59
0.6
0.78
0.78
0.67
0.66
0.65
0.68
0.76
0.77
0.61
0.72
0.86
0.86
0.74
0.72
0.88
0.97
18
16
12
10
7
8
21
23
19
13
14
10
8
8
11
13
19
9
16
8
8
8
11
5
CAPITULO 4. METODOS
BASADOS EN RANGOS
128
N
umero de nacimientos
Invierno Primavera Verano Oto
no
92
112
94
77
9
11
10
12
98
109
92
81
19
26
19
18
21
22
23
24
58
71
51
62
42
49
44
41
1
18
14
16
20
2
7
6
5
10
3
13
14
16
17
4
15
10
12
14
5
12
11
12
18
Estudiante
6
7
11 15
9 16
9 10
16 14
8
10
8
11
16
9
14
12
13
15
10
9
9
9
10
11
8
6
9
14
12
10
11
13
16
CAPITULO 4. METODOS
BASADOS EN RANGOS
X (D
osis)
Y (Porc. de reacci
on)
0.5
0
1
0
1.5
20
2
0
2.5
40
3
60
129
3.5
40
4
80
4.5
100
5
100
X (Publicidad)
Y (Ventas)
1
4
10
2
62
33
3
31
39
4
-11
-14
Compa
na
5
6
7
47 88 16
37 39 18
8
-1
-8
9
74
45
10
21
33
1
22
2
9
3
4
4
5
5
1
6
16
7
15
8
26
9
47
10
8
11
31
12
7
Se puede usar el test de Wilcoxon?, cuales supuestos del modelo son violados
en este problema?
Ejercicio 4.14.34. A cada miembro del equipo de baloncesto de ni
nas, se le
dio un breve periodo de calentamiento y luego se les dijo que dispararan 25
tiros libres, y se registr
o el n
umero de cestas, X, marcadas por cada ni
na.
CAPITULO 4. METODOS
BASADOS EN RANGOS
130
1
18
16
2
12
10
3
7
8
4
21
23
5
19
13
6
14
10
7
8
8
8
11
13
9
19
9
10
16
8
11
8
8
12
11
5
1
1
2
1
2
Tipo de neum
atico
2 3 4 5 6
3
1 4
3
4
1
3
2 4
3
1 4 3
4 1 3
1
2 3 4
7
2
2
4
2
CAPITULO 4. METODOS
BASADOS EN RANGOS
Coyote
1
2
3
4
5
6
7
8
9
10
1
12
16
8
22
28
15
Olor
3 4
14
2
1 6
42
10
6
31
16 4
7
67 5 18
6 16
2
23
17
131
5
2
0
1
0
4
1
Existe una diferencia significativa entre los olores?. Si es as, cuales son los
mejores olores?
Ejercicio 4.14.37. La raz
on de emisiones de Oxido Nitroso por uso de
automobiles es medido con un dinamometro, donde un conductor sigue las
directrices sobre las tasas de aceleraci
on y desaceleraci
on por un periodo de
15 minutos. Ver si hay diferencia en las mediciones debido a los diferentes conductores, seis automobiles son probados repetidamente por estos tres
conductores de una estaci
on, con los siguientes resultados:
Carro
1
2
3
4
5
6
Conductor
1
2
3
6.2
6.3
6.0
12.6 12.9 12.7
10.2 10.6 9.8
13.0 13.1 13.0
5.6
5.9
5.5
8.1
8.1
7.8
Captulo 5
Datos
Consisten de una muestra X1 , . . . , Xn de tama
no n, asociada con una funcion de distribucion desconocida, denotada F (x).
Supuestos
1. La muestra es una muestra aleatoria.
Estadstico de prueba
Sea S(x) la funcion de distribucion emprica basada en la muestra aleatoria
X1 , . . . , Xn , el estadstico de prueba depende del test estadstico que se desee
probar.
Hipotesis
A) (test de 2 colas)
H0 : F (x) = F (x) vs
H1 : F (x) 6= F (x)
133
Distribucion Nula
Cuando F (x) es continua y la hipotesis nula es cierta, la distribucion exacta
de T + y T esta dada por:
nj
j1
PJn(1x)K n
j
j
G(x) = 1 x j=0
x
+
, donde Jn(1 x)K
1
n
n
j
es el mayor entero menor o igual a n(1 x), la distribucion asint
otica
2
de T + y T es H(x) = 1 e2x , la distribucion aproximada de T es
P (T x) = [G(x)]2 .
Los cuantiles exactos de T + , T y T se encuentran tabulados en la tabla A10.
Valores P
A) (test de 2 colas)
nj
j1
PJn(1t)K n
j
j
Valor P = 2t j=0
t
+
1
n
n
j
B) C) (test de cola izquierda o cola derecha)
nj
j1
PJn(1t)K n
j
j
Valor P = t j=0
1
t
+
j
n
n
134
x
0.203
0.329
0.382
0.477
0.480
0.503
0.554
0.581
0.621
0.710
x
F (x) =
0
si
0.1
si
0.2 si
0.3 si
0.4 si
0.5 si
S(x) =
0.6
si
0.7 si
0.8
si
0.9 si
1
si
S (x)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
S + (x)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
F (x)
0.203
0.229
0.382
0.477
0.480
0.503
0.554
0.581
0.621
0.710
si x < 0
si 0 x 1
si x > 1
x < 0.203
0.203 x < 0.329
0.329 x < 0.382
0.382 x < 0.477
0.477 x < 0.48
0.48 x < 0.503
0.503 x < 0.554
0.554 x < 0.581
0.581 x < 0.621
0.621 x < 0.710
x 0.710
|S (x) F (x)|
0.203
0.229
0.182
0.177
0.080
0.003
0.046
0.119
0.179
0.190
|S + (x) F (x)|
0.103
0.129
0.082
0.077
0.020
0.097
0.146
0.219
0.279
0.290
135
0.29
+
j
10
10
Valor P = 2(0.29)(0.112 + 0.117 + 0.101 + 0.081 + 0.061 + 0.04 + 0.017 + 0)
Valor P = 0.307
S-Plus
x=c(0.621,0.503,0.203,0.477,0.71,0.581,0.329,0.48,0.554,0.382)
ks.gof(x,alternative=two.sided,distribution=unif orm,min=0,max=1)
R
x=c(0.621,0.503,0.203,0.477,0.71,0.581,0.329,0.48,0.554,0.382)
ks.test(x,punif ,min=0,max=1))
5.2.
5.2.1.
Datos
Consisten de una muestra aleatoria X1 , . . . , Xn de tama
no n asociada con
alguna funcion de distribucion desconocida, denotada
por F (x). Calcule la
1 Pn
2
media muestral x y la varianza muestral S 2 = n1
i=1 (Xi X) .
Para estimar y 2 respectivamente y luego estandarice los Xi como:
Xi X
Zi =
i = 1, 2, . . . , n y el test es aplicado a los Zi s en lugar de la
S
muestra original Xi .
Supuestos
136
Solucion
H0 : los datos se distribuyen normal.
H1 : los datos no se distribuyen normal.
137
Z
-1.69
-1.63
-1.48
-1.37
-1.27
-1.21
-1.16
-1.05
-1.00
-0.95
-0.79
-0.69
-0.63
-0.58
-0.53
-0.37
-0.05
0.05
0.10
0.16
0.21
0.31
0.37
0.42
0.47
0.52
0.58
0.68
0.79
0.95
1.00
1.05
1.16
1.37
1.68
1.79
2.00
2.21
F (x)
0.046
0.052
0.069
0.085
0.102
0.113
0.123
0.147
0.159
0.171
0.215
0.245
0.264
0.281
0.298
0.356
0.480
0.520
0.540
0.564
0.583
0.622
0.644
0.663
0.681
0.699
0.719
0.752
0.785
0.829
0.841
0.853
0.877
0.915
0.954
0.963
0.977
0.986
S (x)
0.00
0.04
0.06
0.08
0.10
0.12
0.14
0.18
0.20
0.22
0.24
0.26
0.30
0.32
0.34
0.36
0.40
0.44
0.46
0.50
0.58
0.60
0.64
0.66
0.68
0.70
0.72
0.74
0.78
0.80
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.98
S + (x)
0.04
0.06
0.08
0.10
0.12
0.14
0.18
0.20
0.22
0.24
0.26
0.30
0.32
0.34
0.36
0.40
0.44
0.46
0.50
0.58
0.60
0.64
0.66
0.68
0.70
0.72
0.74
0.78
0.80
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.98
1.00
|S (x) F (x)|
0.046
0.012
0.009
0.005
0.002
0.007
0.017
0.033
0.041
0.049
0.025
0.015
0.036
0.039
0.042
0.004
0.080
0.080
0.080
0.064
0.003
0.022
0.004
0.003
0.001
0.001
0.001
0.012
0.005
0.029
0.001
0.007
0.003
0.015
0.034
0.023
0.017
0.006
138
|S + (x) F (x)|
0.006
0.008
0.011
0.015
0.018
0.027
0.057
0.053
0.061
0.069
0.045
0.055
0.056
0.059
0.062
0.044
0.040
0.060
0.040
0.016
0.017
0.018
0.016
0.017
0.019
0.021
0.021
0.028
0.015
0.011
0.019
0.027
0.023
0.005
0.014
0.003
0.003
0.014
139
0.83
dn = ( n 0.01 + n )
Como n= 50
0.83
0.895
d50 = ( 50 0.01 +
) = 7.17845 W0.95 = 0.895
d50 = 7.17845 = 0.1247
50
Como T1
/ Rc, no se rechaza H0 , es decir, los datos son compatibles con
una distribucion normal.
S-plus
x=c(23,23,24,27,29,31,32,33,33,35,36,37,40,42,43,43,44,45,48,48,54,54,56,
57,57,58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97)
ks.gof(x,alternative=two.sided,distribution=normal)
SAS
data shapiro;
input x @@;
cards;
23 23 24 27 29 31 32 33
36 37 40 42 43 43 44 45
54 54 56 57 57 58 58 58
61 61 62 63 64 65 66 68
73 73 74 75 77 81 87 89
;
run;
proc univariate normal;
var x;
run;
5.3.
33
48
58
68
93
35
48
59
70
97
140
Xi
Test estadstico
Para su calculo se recomienda graficar la distribucion emprica S(x) basada
en los Z1 , . . . , Zn . Luego, sobre ese mismo grafico, graficar F (x) = 1 ex
para x > 0 (en realidad, solo los valores para los n puntos se requieren,
x = Z1 , x = Z2 , . . . , x = Zn ). La maxima distancia vertical entre F (x) y
S(x),
T2 = sup |F (x) S(x)|
es el test estadstico (del tipo K-S).
Hipotesis:
H0 : La muestra aleatoria proviene de una distribucion exponencial:
1 ex/t x > 0
F (x) =
0
x<0
Donde t es un parametro desconocido.
H1 : La distribucion de X no es exponencial.
Rechace H0 a un nivel si T2 excede el cuantil 1 dado en la tabla A15.
Ejemplo 5.3.1. El tiempo entre llamadas telef
onicas de larga distancia que
llegan a una central tiene una distribuci
on exponencial. Un cierto lunes,
las primeras 10 llamadas despues de la 1:00 p.m. ocurrieron a las 1:06,
1:08, 1:16, 1:22, 1:23, 1:34, 1:44, 1:47, 1:51 y 1:57. De esta manera, los
tiempos sucesivos entre llamadas (en minutos) son 6,2,8,6,1,11,10,3,4 y 6.
Es razonable pensar que estos tiempos siguen una distribuci
on exponencial?
Solucion:
= 5.7.
X
1
e(1)
141
5.3.1.
Datos
Los datos consisten de una muestra aleatoria X1 , X2 , . . . , Xn de tama
no n
asociados a alguna funcion de distribucion desconocida F (x).
Supuestos
142
H1 : F (x) no es normal.
Rc = {W/W < W }
El valor P= P (T3 < T3 obs ), el cual se puede aproximar usando la tabla A14.
Ejemplo 5.3.2. Considere los 50 n
umeros de 2 dgitos del ejemplo anterior. Use el test de Shapiro-Wilk, para verificar si estos datos siguen una
distribuci
on normal.
Solucion
H0 : los datos se distribuyen normal.
H1 : los datos no se distribuyen normal.
143
ai
X (ni+1) X (i) ai (X (ni+1) X (i) )
0.3751
97-23=74
27.7574
0.2574
93-23=70
18.018
0.2260
89-24=65
14.69
0.2032
87-27=60
12.192
0.1847
81-29=52
9.6044
0.1691
77-31=46
7.7786
0.1554
75-32=43
6.6822
0.1430
74-33=41
5.863
0.1317
73-33=40
5.268
0.1212
73-35=38
4.6056
0.1113
70-36=34
3.7842
0.1020
68-37=31
3.162
0.0932
68-40=28
2.6096
0.0846
66-42=24
2.0304
0.0764
65-43=22
1.6808
0.0685
64-43=21
1.4385
0.0608
63-44=19
1.1552
0.0532
62-45=17
0.9044
0.0459
61-48=13
0.5967
0.0386
61-48=13
0.5018
0.0314
59-54=5
0.157
0.0244
58-54=4
0.0976
0.0174
58-56=2
0.0348
0.0104
58-57=1
0.0104
0.0035
58-57=1
0.0035
Total
130.6261
P50
D = i=1 (Xi X)2 = 17698
hP
i2
25
(ni+1) X (i) )
a
(X
= (130.6261)2 = 17063.178
i
i=1
17063.178
T3 =
= 0.96413
17698
De la Tabla A13 con n = 50, W0.05 = 0.947.
Como Tobs = 0.96413
/ Rc, se acepta H0 , es decir, hay evidencia muestral
suficiente para sugerir que los datos son compatibles con una distribucion
normal, con = 0.05.
Para calcular el valor P usamos la tabla A14, con n = 50, se obtiene
144
T3 d50
n(0, 1), donde b50 = 7.677 c50 = 2.212
1 T3
d50 = 0.1436.
0.9642 0.1436
G = 7.677 + 2.212 ln
1 0.9642
G = 0.7488
G = b50 + c50 ln
R o S-Plus
x=c(23,23,24,27,29,31,32,33,33,35,36,37,40,42,43,43,44,45,48,48,54,54,56,
57,57,58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97)
shapiro.test(x)
SAS
data shapiro;
input x @@;
cards;
23 23 24 27 29 31 32 33
36 37 40 42 43 43 44 45
54 54 56 57 57 58 58 58
61 61 62 63 64 65 66 68
73 73 74 75 77 81 87 89
;
Run;
proc univariate normal;
var x;
run;
5.4.
33
48
58
68
93
35
48
59
70
97
Test de Smirnov
Datos
Los datos consisten de 2 muestras aleatorias independientes, una de tama
no
145
n, X1 , . . . , Xn y otra de tama
no m, Y1 , . . . , Ym . Sean F (x) y G(x) que representan sus respectivas funciones de distribucion.
Supuestos
1. Las 2 muestras son muestras aleatorias.
2. Las 2 muestras aleatorias son mutuamente independientes.
3. La escala de medida es al menos ordinal.
4. Para que este test sea exacto se necesita que las variables aleatorias
sean continuas.
Estadstico de prueba
Sea S1 (x) la funcion de distribucion emprica basada en la muestra aleatoria
X1 , X2 , . . . , Xn , y sea S2 (x) la funcion de distribucion emprica basada en la
otra muestra aleatoria Y1 , . . . , Ym , el estadstico de prueba se define diferente
para cada una de las hipotesis a probar.
A) (test de 2 colas)
T1 = sup |S1 (x) S2 (x)|
H0 : F (x) = G(x) x R
H1 : F (x) 6= G(x) para alg
un x.
Rc = {T1 /T1 > W1 } donde el W1 esta dado en la tabla A15 para
n = m o en la tabla A16 para n 6= m, para el test de 2 colas. Si los
valores de m o n no aparecen en las tablas, use la aproximaci
on normal
que aparece al final de la tabla. Si m = n el valor P exacto se puede
hallar como:
2 2n
donde c = JnTobs K
Valor P = n+c
2n
n
146
Valor P = n+c
2n , donde c = JnTobs K
n
Xi
Yi
Xi
Yi
7.6
5.2
11.2
10.8
8.4
5.7
8.6
5.9
8.7
6.5
9.3
6.8
9.9
8.2
10.1
9.1
11.3
11.5
12.3
12.5
13.4
14.6
10.6
9.8
Solucion
Denotemos por F (x), la funcion de distribucion acumulada de la primera
muestra, y por G(x), la funcion de distribucion acumulada de la segunda
muestra.
H0 : F (x) = G(x) x
H1 : F (x) 6= G(x) para alg
un x.
Luego se tiene que:
Yi
5.2
5.7
5.9
6.5
6.8
7.6
8.2
8.4
8.6
8.7
9.1
9.3
S1 (x) S2 (x)
1/15
2/15
3/15
4/15
5/15
2/9
13/45
8/45
1/15
2/45
1/15
4/45
Xi
Yi
9.8
9.9
10.1
10.6
10.8
11.2
11.3
11.5
12.3
12.5
13.4
14.6
147
S1 (x) S2 (x)
1/45
2/15
11/45
16/45
13/45
2/5
1/3
4/15
1/5
2/15
1/15
0
S-Plus
X=c(7.6, 8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
Y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
ks.gof(X,Y, alternative=two.sided)
R
x=c(7.6, 8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
ks.test(x,y, alternative=two.sided)
5.5.
148
Test de Cram
er-Von Mises para 2 muestras
Datos
Los datos consisten de 2 muestras aleatorias independientes, X1 , . . . , Xn y
Y1 , . . . , Ym con funciones de distribucion desconocidas F (x) y G(x), respectivamente.
Supuestos
S
(x
)]
[S
(y
)
S
(y
)]
1
i
2
i
1
j
2
j
i=1
j=1
(m + n)2
T2 =
Hipotesis
H0 : F (x) = G(x) x
H1 : F (x) 6= G(x) para alg
un x R.
Rc = {T2 /T2 > W1 }, donde W1 es hallado de la siguiente tabla para m
y n grandes.
W0.10
W0.20
W0.30
W0.40
= 0.046
= 0.062
= 0.079
= 0.097
W0.50
W0.60
W0.70
W0.80
= 0.119
= 0.147
= 0.184
= 0.241
W0.90 = 0.347
W0.95 = 0.461
W0.99 = 0.743
W0.999 = 1.168
149
Solucion
Denotemos por F (x), la funcion de distribucion acumulada de la primera
muestra, y por G(x), la funcion de distribucion acumulada de la segunda
muestra.
H0 : F (x) = G(x) x
H1 : F (x) 6= G(x) para alg
un x.
Luego se tiene que:
Xi
Yi
5.2
5.7
5.9
6.5
6.8
7.6
8.2
8.4
8.6
8.7
9.1
9.3
P9
P15
T2 =
Xi
Yi
9.8
9.9
10.1
10.6
10.8
11.2
11.3
11.5
12.3
12.5
13.4
14.6
(15)(9)
(0.45924 + 0.66074) = 0.2625
(24)2
R
library(boot)
library(cramer)
x=c(7.6,8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
150
y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
cramer.test(x,y)
5.6.
0
F (x) =
x2
100
si x < 0
si 0 x 10
si x > 10
151
Ejercicio 5.6.7. Algunas veces se asume que la cantidad de agua que fluye
hacia un riachuelo o rio, se distribuye como una lognormal. Se seleccionaron
8 riachuelos de varios tama
nos y se les midi
o la afluencia, en pies c
ubicos
por segundo, tomados una vez por semana, por varias semanas, y se us
o el
test de Shapiro Wilk sobre los logaritmos de las afluencias en cada riachuelo,
obteniendose:
Riachuelo
1
2
3
4
5
6
7
8
Semanas
8
10
6
14
9
10
14
12
T3
0.972
0.858
0.875
0.840
0.966
0.924
0.881
0.868
A
nos
18
34
26
43
40
29
35
38
42
47
T3
0.875
0.874
0.948
0.980
0.937
0.915
0.915
0.890
0.963
0.941
Los resultados combinados indican que la lluvia anual sigue una distribuci
on
normal.
152
-14
-51
-62
-31
-38
+14
-19
-12
-21
-27
-28
-38
-32
-10
-40
+6
Programa
A
A
B
B
B
A
B
A
A
A
Ahorro
143
106
182
158
161
108
131
138
101
83
Casa
11
12
13
14
15
16
17
18
19
20
Programa
B
B
B
A
A
A
A
B
B
B
Ahorro
175
142
111
82
12
58
42
96
90
144
153
Tratamiento
Control
0.8
0.6
0.0
1.6
Tama
no del tumor
0.6 1.1 1.2 0.5
1.7 1.3 2.2 1.5 0.7
0.7
1.6
Ap
endice A
Tablas Estadsticas
Tabla A1 Cuantiles de la distribucion Normal
Tabla A2 Cuantiles de la distribucion chi cuadrado
Tabla A3 Cuantiles de la distribucion Binomial
Tabla A4 Cuantiles del Estadstico de Mann - Whitney
Tabla A5 Cuantiles de Kruskal Wallis
Tabla A6 Cuantiles del Test de Varianza
Tabla A7 Cuantiles del Estadstico de Spearman
Tabla A8 Cuantiles del Estadstico de Kendall
Tabla A9 Cuantiles del Estadstico de Wilcoxon
Tabla A10 Cuantiles del Estadstico de Kolmogorov
Tabla A11 Cuantiles de Lilliefors para Normalidad
154
APENDICE
A. TABLAS ESTADISTICAS
155
APENDICE
A. TABLAS ESTADISTICAS
Tabla A1 Cuantiles
Z
0.00
0.01
0.0 0.500 0.504
0.1 0.540 0.544
0.2 0.579 0.583
0.3 0.618 0.622
0.4 0.655 0.659
0.5 0.692 0.695
0.6 0.726 0.729
0.7 0.758 0.761
0.8 0.788 0.791
0.9 0.816 0.819
1.0 0.841 0.844
1.1 0.864 0.867
1.2 0.885 0.887
1.3 0.903 0.905
1.4 0.919 0.921
1.5 0.933 0.935
1.6 0.945 0.946
1.7 0.955 0.956
1.8 0.964 0.965
1.9 0.971 0.972
2.0 0.977 0.978
2.1 0.982 0.983
2.2 0.986 0.986
2.3 0.989 0.990
2.4 0.992 0.992
2.5 0.994 0.994
2.6 0.995 0.996
2.7 0.997 0.997
2.8 0.997 0.998
2.9 0.998 0.998
3.0 0.999 0.999
3.1 0.999 0.999
3.2 0.999 0.999
de la distribucion Normal
0.02
0.03
0.04
0.05
0.508 0.512 0.516 0.520
0.548 0.552 0.556 0.560
0.587 0.591 0.595 0.599
0.626 0.629 0.633 0.637
0.663 0.666 0.670 0.674
0.699 0.702 0.705 0.709
0.732 0.736 0.739 0.742
0.764 0.767 0.770 0.773
0.794 0.797 0.800 0.802
0.821 0.824 0.826 0.829
0.846 0.849 0.851 0.853
0.869 0.871 0.873 0.875
0.889 0.891 0.893 0.894
0.907 0.908 0.910 0.912
0.922 0.924 0.925 0.927
0.936 0.937 0.938 0.939
0.947 0.948 0.950 0.951
0.957 0.958 0.959 0.960
0.966 0.966 0.967 0.968
0.973 0.973 0.974 0.974
0.978 0.979 0.979 0.980
0.983 0.983 0.984 0.984
0.987 0.987 0.988 0.988
0.990 0.990 0.990 0.991
0.992 0.993 0.993 0.993
0.994 0.994 0.995 0.995
0.996 0.996 0.996 0.996
0.997 0.997 0.997 0.997
0.998 0.998 0.998 0.998
0.998 0.998 0.998 0.998
0.999 0.999 0.999 0.999
0.999 0.999 0.999 0.999
0.999 0.999 0.999 0.999
156
0.06
0.524
0.564
0.603
0.641
0.677
0.712
0.745
0.776
0.805
0.832
0.855
0.877
0.896
0.913
0.928
0.941
0.952
0.961
0.969
0.975
0.980
0.985
0.988
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
0.999
0.07
0.528
0.568
0.606
0.644
0.681
0.716
0.749
0.779
0.808
0.834
0.858
0.879
0.898
0.915
0.929
0.942
0.953
0.962
0.969
0.976
0.981
0.985
0.988
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000
0.08
0.532
0.571
0.610
0.648
0.684
0.719
0.752
0.782
0.811
0.837
0.860
0.881
0.900
0.916
0.931
0.943
0.954
0.963
0.970
0.976
0.981
0.985
0.989
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000
0.09
0.536
0.575
0.614
0.652
0.688
0.722
0.755
0.785
0.813
0.839
0.862
0.883
0.902
0.918
0.932
0.944
0.955
0.963
0.971
0.977
0.982
0.986
0.989
0.992
0.994
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A2 Cuantiles de la distribucion chi cuadrado
k
p = 0.750 0.900 0.950 0.975 0.990 0.995 0.999
1
1.323
2.706 3.841 5.024 6.635 7.879 10.83
2
2.773
4.605 5.991 7.378 9.21
10.6 13.82
3
4.108
6.251 7.815 9.348 11.34 12.84 16.27
4
5.385
7.779 9.488 11.14 13.28 14.86 18.47
5
6.626
9.236 11.07 12.83 15.09 16.75 20.51
6
7.841
10.64 12.59 14.45 16.81 18.55 22.46
7
9.037
12.02 14.07 16.01 18.48 20.28 24.32
8
10.22
13.36 15.51 17.53 20.09 21.96 26.13
9
11.39
14.68 16.92 19.02 21.67 23.59 27.88
10
12.55
15.99 18.31 20.48 23.21 25.19 29.59
11
13.7
17.28 19.68 21.92 24.73 26.76 31.26
12
14.85
18.55 21.03 23.34 26.22 28.3 32.91
13
15.98
19.81 22.36 24.74 27.69 29.82 34.53
14
17.12
21.06 23.68 26.12 29.14 31.32 36.12
15
18.25
22.31
25
27.49 30.58 32.8
37.7
16
19.37
23.54 26.3 28.85
32
34.27 39.25
17
20.49
24.77 27.59 30.19 33.41 35.72 40.79
18
21.6
25.99 28.87 31.53 34.81 37.16 42.31
19
22.72
27.2 30.14 32.85 36.19 38.58 43.82
20
23.83
28.41 31.41 34.17 37.57
40
45.32
21
24.93
29.62 32.67 35.48 38.93 41.4
46.8
22
26.04
30.81 33.92 36.78 40.29 42.8 48.27
23
27.14
32.01 35.17 38.08 41.64 44.18 49.73
24
28.24
33.2 36.42 39.37 42.98 45.56 51.18
25
29.34
34.38 37.65 40.65 44.31 46.93 52.62
26
30.43
35.56 38.89 41.92 45.64 48.29 54.05
27
31.53
36.74 40.11 43.19 46.96 49.64 55.48
28
32.62
37.92 41.34 44.46 48.28 50.99 56.89
29
33.71
39.09 42.56 45.72 49.59 52.34 58.3
30
34.8
40.26 43.77 46.98 50.89 53.67 59.7
40
45.62
51.81 55.76 59.34 63.69 66.77 73.4
50
56.33
63.17 67.5 71.42 76.15 79.49 86.66
60
66.98
74.4 79.08 83.3 88.38 91.95 99.61
70
77.58
85.53 90.53 95.02 100.4 104.2 112.3
80
88.13
96.58 101.9 106.6 112.3 116.3 124.8
90
98.65
107.6 113.1 118.1 124.1 128.3 137.2
100
109.1
118.5 124.3 129.6 135.8 140.2 149.4
Zp
0.675
1.282 1.645 1.96 2.326 2.576 3.09
q 3
2
2
Si k > 100 use la aproximaci
on Wp = k 1 9k
+ Zp 9k
157
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la
n y p = 0.05 0.10
1 0
0.950
0.900
1
1.000
1.000
2 0
0.903
0.810
1
0.998
0.990
2
1.000
1.000
3 0
0.857
0.729
1
0.993
0.972
2
1.000
0.999
3
1.000
1.000
4 0
0.815
0.656
1
0.986
0.948
2
1.000
0.996
3
1.000
1.000
4
1.000
1.000
5 0
0.774
0.591
1
0.977
0.919
2
0.999
0.991
3
1.000
1.000
4
1.000
1.000
5
1.000
1.000
6 0
0.735
0.531
1
0.967
0.886
2
0.998
0.984
3
1.000
0.999
4
1.000
1.000
5
1.000
1.000
6
1.000
1.000
7 0
0.698
0.478
1
0.956
0.850
2
0.996
0.974
3
1.000
0.997
4
1.000
1.000
5
1.000
1.000
6
1.000
1.000
7
1.000
1.000
distribucion Binomial
0.15
0.20
0.30
0.850 0.800 0.700
1.000 1.000 1.000
0.723 0.640 0.490
0.978 0.960 0.910
1.000 1.000 1.000
0.614 0.512 0.343
0.939 0.896 0.784
0.997 0.992 0.973
1.000 1.000 1.000
0.522 0.410 0.240
0.891 0.819 0.652
0.988 0.973 0.916
1.000 0.998 0.992
1.000 1.000 1.000
0.444 0.328 0.168
0.835 0.737 0.528
0.973 0.942 0.837
0.998 0.993 0.969
1.000 1.000 0.998
1.000 1.000 1.000
0.377 0.262 0.118
0.777 0.655 0.420
0.953 0.901 0.744
0.994 0.983 0.930
1.000 0.998 0.989
1.000 1.000 0.999
1.000 1.000 1.000
0.321 0.210 0.082
0.717 0.577 0.329
0.926 0.852 0.647
0.988 0.967 0.874
0.999 0.995 0.971
1.000 1.000 0.996
1.000 1.000 1.000
1.000 1.000 1.000
158
0.35
0.650
1.000
0.423
0.878
1.000
0.275
0.718
0.957
1.000
0.179
0.563
0.874
0.985
1.000
0.116
0.428
0.765
0.946
0.995
1.000
0.075
0.319
0.647
0.883
0.978
0.998
1.000
0.049
0.234
0.532
0.800
0.944
0.991
0.999
1.000
0.40
0.600
1.000
0.360
0.840
1.000
0.216
0.648
0.936
1.000
0.130
0.475
0.821
0.974
1.000
0.078
0.337
0.683
0.913
0.990
1.000
0.047
0.233
0.544
0.821
0.959
0.996
1.000
0.028
0.159
0.420
0.710
0.904
0.981
0.998
1.000
0.45
0.550
1.000
0.303
0.798
1.000
0.166
0.575
0.909
1.000
0.092
0.391
0.759
0.959
1.000
0.050
0.256
0.593
0.869
0.982
1.000
0.028
0.164
0.442
0.745
0.931
0.992
1.000
0.015
0.102
0.316
0.608
0.847
0.964
0.996
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la
n y p = 0.50 0.55
1 0
0.500
0.450
1
1.000
1.000
2 0
0.250
0.203
1
0.750
0.698
2
1.000
1.000
3 0
0.125
0.091
1
0.500
0.425
2
0.875
0.834
3
1.000
1.000
4 0
0.063
0.041
1
0.313
0.242
2
0.688
0.609
3
0.938
0.909
4
1.000
1.000
5 0
0.031
0.019
1
0.188
0.131
2
0.500
0.407
3
0.812
0.744
4
0.969
0.950
5
1.000
1.000
6 0
0.016
0.008
1
0.109
0.069
2
0.344
0.255
3
0.656
0.559
4
0.891
0.836
5
0.984
0.972
6
1.000
1.000
7 0
0.008
0.004
1
0.063
0.036
2
0.227
0.153
3
0.500
0.392
4
0.773
0.684
5
0.938
0.898
6
0.992
0.985
7
1.000
1.000
distribucion Binomial (
0.60
0.65
0.75
0.400 0.350 0.250
1.000 1.000 1.000
0.160 0.123 0.063
0.640 0.578 0.438
1.000 1.000 1.000
0.064 0.043 0.016
0.352 0.282 0.156
0.784 0.725 0.578
1.000 1.000 1.000
0.026 0.015 0.004
0.179 0.127 0.051
0.525 0.437 0.262
0.870 0.822 0.684
1.000 1.000 1.000
0.010 0.005 0.001
0.087 0.054 0.016
0.317 0.235 0.104
0.663 0.572 0.367
0.922 0.884 0.763
1.000 1.000 1.000
0.004 0.002 0.000
0.041 0.022 0.005
0.179 0.117 0.038
0.456 0.353 0.169
0.767 0.681 0.466
0.953 0.925 0.822
1.000 1.000 1.000
0.002 0.001 0.000
0.019 0.009 0.001
0.096 0.056 0.013
0.290 0.200 0.071
0.580 0.468 0.244
0.841 0.766 0.555
0.972 0.951 0.867
1.000 1.000 1.000
159
continuacion )
0.80
0.85
0.200 0.150
1.000 1.000
0.040 0.023
0.360 0.278
1.000 1.000
0.008 0.003
0.104 0.061
0.488 0.386
1.000 1.000
0.002 0.001
0.027 0.012
0.181 0.110
0.590 0.478
1.000 1.000
0.000 0.000
0.007 0.002
0.058 0.027
0.263 0.165
0.672 0.556
1.000 1.000
0.000 0.000
0.002 0.000
0.017 0.006
0.099 0.047
0.345 0.224
0.738 0.623
1.000 1.000
0.000 0.000
0.000 0.000
0.005 0.001
0.033 0.012
0.148 0.074
0.423 0.283
0.790 0.679
1.000 1.000
0.90
0.100
1.000
0.010
0.190
1.000
0.001
0.028
0.271
1.000
0.000
0.004
0.052
0.344
1.000
0.000
0.001
0.009
0.082
0.410
1.000
0.000
0.000
0.001
0.016
0.114
0.469
1.000
0.000
0.000
0.000
0.003
0.026
0.150
0.522
1.000
0.95
0.050
1.000
0.003
0.097
1.000
0.000
0.007
0.143
1.000
0.000
0.001
0.014
0.185
1.000
0.000
0.000
0.001
0.023
0.226
1.000
0.000
0.000
0.000
0.002
0.033
0.265
1.000
0.000
0.000
0.000
0.000
0.004
0.044
0.302
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
8
0
0.663
0.431 0.273 0.168 0.100 0.058 0.032
1
0.943
0.813 0.657 0.503 0.367 0.255 0.169
2
0.994
0.962 0.895 0.797 0.679 0.552 0.428
3
1.000
0.995 0.979 0.944 0.886 0.806 0.706
4
1.000
1.000 0.997 0.990 0.973 0.942 0.894
5
1.000
1.000 1.000 0.999 0.996 0.989 0.975
6
1.000
1.000 1.000 1.000 1.000 0.999 0.996
7
1.000
1.000 1.000 1.000 1.000 1.000 1.000
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
0
0.630
0.387 0.232 0.134 0.075 0.040 0.021
1
0.929
0.775 0.600 0.436 0.300 0.196 0.121
2
0.992
0.947 0.859 0.738 0.601 0.463 0.337
3
0.999
0.992 0.966 0.914 0.834 0.730 0.609
4
1.000
0.999 0.994 0.980 0.951 0.901 0.828
5
1.000
1.000 0.999 0.997 0.990 0.975 0.946
6
1.000
1.000 1.000 1.000 0.999 0.996 0.989
7
1.000
1.000 1.000 1.000 1.000 1.000 0.999
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10 0
0.599
0.349 0.197 0.107 0.056 0.028 0.014
1
0.914
0.736 0.544 0.376 0.244 0.149 0.086
2
0.989
0.930 0.820 0.678 0.526 0.383 0.262
3
0.999
0.987 0.950 0.879 0.776 0.650 0.514
4
1.000
0.998 0.990 0.967 0.922 0.850 0.752
5
1.000
1.000 0.999 0.994 0.980 0.953 0.905
6
1.000
1.000 1.000 0.999 0.997 0.989 0.974
7
1.000
1.000 1.000 1.000 1.000 0.998 0.995
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
160
0.40
0.017
0.106
0.315
0.594
0.826
0.950
0.992
0.999
1.000
0.010
0.071
0.232
0.483
0.733
0.901
0.975
0.996
1.000
1.000
0.006
0.046
0.167
0.382
0.633
0.834
0.945
0.988
0.998
1.000
1.000
0.45
0.008
0.063
0.220
0.477
0.740
0.912
0.982
0.998
1.000
0.005
0.039
0.150
0.361
0.621
0.834
0.950
0.991
0.999
1.000
0.003
0.023
0.100
0.266
0.504
0.738
0.898
0.973
0.996
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3
n
y
8
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10 0
1
2
3
4
5
6
7
8
9
10
Cuantiles de la
0.50
0.55
0.004 0.002
0.035 0.018
0.145 0.089
0.363 0.260
0.637 0.523
0.856 0.780
0.965 0.937
0.996 0.992
1.000 1.000
0.002 0.001
0.020 0.009
0.090 0.050
0.254 0.166
0.500 0.379
0.746 0.639
0.910 0.851
0.981 0.962
0.998 0.995
1.000 1.000
0.001 0.000
0.011 0.005
0.055 0.027
0.172 0.102
0.377 0.262
0.623 0.496
0.828 0.734
0.945 0.900
0.989 0.977
0.999 0.998
1.000 1.000
161
0.85
0.000
0.000
0.000
0.003
0.021
0.105
0.343
0.728
1.000
0.000
0.000
0.000
0.001
0.006
0.034
0.141
0.401
0.768
1.000
0.000
0.000
0.000
0.000
0.001
0.010
0.050
0.180
0.456
0.803
1.000
0.90
0.000
0.000
0.000
0.000
0.005
0.038
0.187
0.570
1.000
0.000
0.000
0.000
0.000
0.001
0.008
0.053
0.225
0.613
1.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.070
0.264
0.651
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.006
0.057
0.337
1.000
0.000
0.000
0.000
0.000
0.000
0.001
0.008
0.071
0.370
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.012
0.086
0.401
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
11 0
0.569
0.314 0.167 0.086 0.042 0.020 0.009
1
0.898
0.697 0.492 0.322 0.197 0.113 0.061
2
0.985
0.910 0.779 0.617 0.455 0.313 0.200
3
0.998
0.982 0.931 0.839 0.713 0.570 0.426
4
1.000
0.997 0.984 0.950 0.885 0.790 0.668
5
1.000
1.000 0.997 0.988 0.966 0.922 0.851
6
1.000
1.000 1.000 0.998 0.992 0.978 0.950
7
1.000
1.000 1.000 1.000 0.999 0.996 0.988
8
1.000
1.000 1.000 1.000 1.000 0.999 0.998
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12 0
0.540
0.282 0.142 0.069 0.032 0.014 0.006
1
0.882
0.659 0.444 0.275 0.158 0.085 0.042
2
0.980
0.889 0.736 0.558 0.391 0.253 0.151
3
0.998
0.974 0.908 0.795 0.649 0.493 0.347
4
1.000
0.996 0.976 0.927 0.842 0.724 0.583
5
1.000
1.000 0.995 0.981 0.946 0.882 0.787
6
1.000
1.000 0.999 0.996 0.986 0.961 0.915
7
1.000
1.000 1.000 0.999 0.997 0.991 0.975
8
1.000
1.000 1.000 1.000 1.000 0.998 0.994
9
1.000
1.000 1.000 1.000 1.000 1.000 0.999
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
162
0.40
0.004
0.030
0.119
0.296
0.533
0.754
0.901
0.971
0.994
0.999
1.000
1.000
0.002
0.020
0.083
0.225
0.438
0.665
0.842
0.943
0.985
0.997
1.000
1.000
1.000
0.45
0.001
0.014
0.065
0.191
0.397
0.633
0.826
0.939
0.985
0.998
1.000
1.000
0.001
0.008
0.042
0.135
0.304
0.527
0.739
0.888
0.964
0.992
0.999
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial continuacion
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
11 0
0.001
0.000 0.000 0.000 0.000 0.000 0.000
1
0.006
0.002 0.001 0.000 0.000 0.000 0.000
2
0.033
0.015 0.006 0.002 0.001 0.000 0.000
3
0.113
0.061 0.029 0.012 0.004 0.001 0.000
4
0.274
0.174 0.099 0.050 0.022 0.008 0.002
5
0.500
0.367 0.247 0.149 0.078 0.034 0.012
6
0.726
0.603 0.467 0.332 0.210 0.115 0.050
7
0.887
0.809 0.704 0.574 0.430 0.287 0.161
8
0.967
0.935 0.881 0.800 0.687 0.545 0.383
9
0.994
0.986 0.970 0.939 0.887 0.803 0.678
10
1.000
0.999 0.996 0.991 0.980 0.958 0.914
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.003
0.001 0.000 0.000 0.000 0.000 0.000
2
0.019
0.008 0.003 0.001 0.000 0.000 0.000
3
0.073
0.036 0.015 0.006 0.002 0.000 0.000
4
0.194
0.112 0.057 0.026 0.010 0.003 0.001
5
0.387
0.261 0.158 0.085 0.039 0.014 0.004
6
0.613
0.473 0.335 0.213 0.118 0.054 0.019
7
0.806
0.696 0.562 0.417 0.276 0.158 0.073
8
0.927
0.866 0.775 0.653 0.508 0.351 0.205
9
0.981
0.958 0.917 0.849 0.747 0.609 0.442
10
0.997
0.992 0.980 0.958 0.915 0.842 0.725
11
1.000
0.999 0.998 0.994 0.986 0.968 0.931
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
163
0.85
0.000
0.000
0.000
0.000
0.000
0.003
0.016
0.069
0.221
0.508
0.833
1.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.024
0.092
0.264
0.557
0.858
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.019
0.090
0.303
0.686
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.026
0.111
0.341
0.718
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.015
0.102
0.431
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.002
0.020
0.118
0.460
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
13 0
0.513
0.254 0.121 0.055 0.024 0.010 0.004
1
0.865
0.621 0.398 0.234 0.127 0.064 0.030
2
0.976
0.866 0.692 0.502 0.333 0.203 0.113
3
0.997
0.966 0.882 0.747 0.584 0.421 0.278
4
1.000
0.994 0.966 0.901 0.794 0.654 0.501
5
1.000
0.999 0.993 0.970 0.920 0.835 0.716
6
1.000
1.000 0.999 0.993 0.976 0.938 0.871
7
1.000
1.000 1.000 0.999 0.994 0.982 0.954
8
1.000
1.000 1.000 1.000 0.999 0.996 0.987
9
1.000
1.000 1.000 1.000 1.000 0.999 0.998
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14 0
0.488
0.229 0.103 0.044 0.018 0.007 0.002
1
0.847
0.585 0.357 0.198 0.101 0.048 0.021
2
0.970
0.842 0.648 0.448 0.281 0.161 0.084
3
0.996
0.956 0.854 0.698 0.521 0.355 0.221
4
1.000
0.991 0.953 0.870 0.742 0.584 0.423
5
1.000
0.999 0.989 0.956 0.888 0.781 0.641
6
1.000
1.000 0.998 0.988 0.962 0.907 0.816
7
1.000
1.000 1.000 0.998 0.990 0.969 0.925
8
1.000
1.000 1.000 1.000 0.998 0.992 0.976
9
1.000
1.000 1.000 1.000 1.000 0.998 0.994
10
1.000
1.000 1.000 1.000 1.000 1.000 0.999
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
164
0.40
0.001
0.013
0.058
0.169
0.353
0.574
0.771
0.902
0.968
0.992
0.999
1.000
1.000
1.000
0.001
0.008
0.040
0.124
0.279
0.486
0.693
0.850
0.942
0.983
0.996
0.999
1.000
1.000
1.000
0.45
0.000
0.005
0.027
0.093
0.228
0.427
0.644
0.821
0.930
0.980
0.996
1.000
1.000
1.000
0.000
0.003
0.017
0.063
0.167
0.337
0.546
0.741
0.881
0.957
0.989
0.998
1.000
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
13 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.002
0.001 0.000 0.000 0.000 0.000 0.000
2
0.011
0.004 0.001 0.000 0.000 0.000 0.000
3
0.046
0.020 0.008 0.003 0.001 0.000 0.000
4
0.133
0.070 0.032 0.013 0.004 0.001 0.000
5
0.291
0.179 0.098 0.046 0.018 0.006 0.001
6
0.500
0.356 0.229 0.130 0.062 0.024 0.007
7
0.710
0.573 0.426 0.284 0.165 0.080 0.030
8
0.867
0.772 0.647 0.500 0.346 0.206 0.099
9
0.954
0.907 0.831 0.722 0.579 0.416 0.253
10
0.989
0.973 0.942 0.887 0.798 0.667 0.498
11
0.998
0.995 0.987 0.970 0.936 0.873 0.766
12
1.000
1.000 0.999 0.996 0.990 0.976 0.945
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.001
0.000 0.000 0.000 0.000 0.000 0.000
2
0.007
0.002 0.001 0.000 0.000 0.000 0.000
3
0.029
0.011 0.004 0.001 0.000 0.000 0.000
4
0.090
0.043 0.018 0.006 0.002 0.000 0.000
5
0.212
0.119 0.058 0.024 0.008 0.002 0.000
6
0.395
0.259 0.150 0.075 0.032 0.010 0.002
7
0.605
0.454 0.308 0.184 0.093 0.038 0.012
8
0.788
0.663 0.514 0.360 0.220 0.112 0.044
9
0.910
0.833 0.721 0.577 0.416 0.259 0.130
10
0.971
0.937 0.876 0.780 0.645 0.479 0.302
11
0.994
0.983 0.960 0.916 0.839 0.719 0.552
12
0.999
0.997 0.992 0.980 0.953 0.899 0.802
13
1.000
1.000 0.999 0.998 0.993 0.982 0.956
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
165
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.008
0.034
0.118
0.308
0.602
0.879
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.012
0.047
0.147
0.352
0.643
0.897
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.007
0.034
0.134
0.379
0.746
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.009
0.044
0.158
0.415
0.771
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.025
0.135
0.487
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.004
0.030
0.153
0.512
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
15 0
0.463
0.206 0.087 0.035 0.013 0.005 0.002
1
0.829
0.549 0.319 0.167 0.080 0.035 0.014
2
0.964
0.816 0.604 0.398 0.236 0.127 0.062
3
0.995
0.944 0.823 0.648 0.461 0.297 0.173
4
0.999
0.987 0.938 0.836 0.687 0.516 0.352
5
1.000
0.998 0.983 0.939 0.852 0.722 0.564
6
1.000
1.000 0.996 0.982 0.943 0.869 0.755
7
1.000
1.000 0.999 0.996 0.983 0.950 0.887
8
1.000
1.000 1.000 0.999 0.996 0.985 0.958
9
1.000
1.000 1.000 1.000 0.999 0.996 0.988
10
1.000
1.000 1.000 1.000 1.000 0.999 0.997
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16 0
0.440
0.185 0.074 0.028 0.010 0.003 0.001
1
0.811
0.515 0.284 0.141 0.064 0.026 0.010
2
0.957
0.789 0.561 0.352 0.197 0.099 0.045
3
0.993
0.932 0.790 0.598 0.405 0.246 0.134
4
0.999
0.983 0.921 0.798 0.630 0.450 0.289
5
1.000
0.997 0.977 0.918 0.810 0.660 0.490
6
1.000
1.000 0.994 0.973 0.920 0.825 0.688
7
1.000
1.000 0.999 0.993 0.973 0.926 0.841
8
1.000
1.000 1.000 0.999 0.993 0.974 0.933
9
1.000
1.000 1.000 1.000 0.998 0.993 0.977
10
1.000
1.000 1.000 1.000 1.000 0.998 0.994
11
1.000
1.000 1.000 1.000 1.000 1.000 0.999
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
166
0.40
0.001
0.005
0.027
0.091
0.217
0.403
0.610
0.787
0.905
0.966
0.991
0.998
1.000
1.000
1.000
1.000
0.000
0.003
0.018
0.065
0.167
0.329
0.527
0.716
0.858
0.942
0.981
0.995
0.999
1.000
1.000
1.000
1.000
0.45
0.000
0.002
0.011
0.042
0.120
0.261
0.452
0.654
0.818
0.923
0.975
0.994
0.999
1.000
1.000
1.000
0.000
0.001
0.007
0.028
0.085
0.198
0.366
0.563
0.744
0.876
0.951
0.985
0.997
0.999
1.000
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
15 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.001
0.000 0.000 0.000 0.000 0.000 0.000
2
0.004
0.001 0.000 0.000 0.000 0.000 0.000
3
0.018
0.006 0.002 0.001 0.000 0.000 0.000
4
0.059
0.026 0.009 0.003 0.001 0.000 0.000
5
0.151
0.077 0.034 0.012 0.004 0.001 0.000
6
0.304
0.182 0.095 0.042 0.015 0.004 0.001
7
0.500
0.347 0.213 0.113 0.050 0.017 0.004
8
0.696
0.548 0.390 0.245 0.131 0.057 0.018
9
0.849
0.739 0.597 0.436 0.278 0.148 0.061
10
0.941
0.880 0.783 0.648 0.485 0.314 0.164
11
0.982
0.958 0.910 0.827 0.703 0.539 0.352
12
0.996
0.989 0.973 0.938 0.873 0.764 0.602
13
1.000
0.998 0.995 0.986 0.965 0.920 0.833
14
1.000
1.000 1.000 0.998 0.995 0.987 0.965
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.002
0.001 0.000 0.000 0.000 0.000 0.000
3
0.011
0.004 0.001 0.000 0.000 0.000 0.000
4
0.038
0.015 0.005 0.001 0.000 0.000 0.000
5
0.105
0.049 0.019 0.006 0.002 0.000 0.000
6
0.227
0.124 0.058 0.023 0.007 0.002 0.000
7
0.402
0.256 0.142 0.067 0.026 0.008 0.002
8
0.598
0.437 0.284 0.159 0.074 0.027 0.007
9
0.773
0.634 0.473 0.312 0.175 0.080 0.027
10
0.895
0.802 0.671 0.510 0.340 0.190 0.082
11
0.962
0.915 0.833 0.711 0.550 0.370 0.202
12
0.989
0.972 0.935 0.866 0.754 0.595 0.402
13
0.998
0.993 0.982 0.955 0.901 0.803 0.648
14
1.000
0.999 0.997 0.990 0.974 0.937 0.859
15
1.000
1.000 1.000 0.999 0.997 0.990 0.972
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
167
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.017
0.062
0.177
0.396
0.681
0.913
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.024
0.079
0.210
0.439
0.716
0.926
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.056
0.184
0.451
0.794
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.003
0.017
0.068
0.211
0.485
0.815
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.036
0.171
0.537
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.007
0.043
0.189
0.560
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
17 0
0.418
0.167 0.063 0.023 0.008 0.002 0.001
1
0.792
0.482 0.253 0.118 0.050 0.019 0.007
2
0.950
0.762 0.520 0.310 0.164 0.077 0.033
3
0.991
0.917 0.756 0.549 0.353 0.202 0.103
4
0.999
0.978 0.901 0.758 0.574 0.389 0.235
5
1.000
0.995 0.968 0.894 0.765 0.597 0.420
6
1.000
0.999 0.992 0.962 0.893 0.775 0.619
7
1.000
1.000 0.998 0.989 0.960 0.895 0.787
8
1.000
1.000 1.000 0.997 0.988 0.960 0.901
9
1.000
1.000 1.000 1.000 0.997 0.987 0.962
10
1.000
1.000 1.000 1.000 0.999 0.997 0.988
11
1.000
1.000 1.000 1.000 1.000 0.999 0.997
12
1.000
1.000 1.000 1.000 1.000 1.000 0.999
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18 0
0.397
1.150 0.054 0.018 0.006 0.002 0.000
1
0.774
0.450 0.224 0.099 0.040 0.014 0.005
2
0.942
0.734 0.480 0.271 0.135 0.060 0.024
3
0.989
0.902 0.720 0.501 0.306 0.165 0.078
4
0.999
0.972 0.879 0.716 0.519 0.333 0.189
5
1.000
0.994 0.958 0.867 0.718 0.534 0.355
6
1.000
0.999 0.988 0.949 0.861 0.722 0.549
7
1.000
1.000 0.997 0.984 0.943 0.859 0.728
8
1.000
1.000 1.000 0.996 0.981 0.940 0.861
9
1.000
1.000 1.000 0.999 0.995 0.979 0.940
10
1.000
1.000 1.000 1.000 0.999 0.994 0.979
11
1.000
1.000 1.000 1.000 1.000 0.999 0.994
12
1.000
1.000 1.000 1.000 1.000 1.000 0.999
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
168
0.40
0.000
0.002
0.012
0.046
0.126
0.264
0.448
0.641
0.801
0.908
0.965
0.989
0.998
1.000
1.000
1.000
1.000
1.000
0.000
0.001
0.008
0.033
0.094
0.209
0.374
0.563
0.737
0.865
0.942
0.980
0.994
0.999
1.000
1.000
1.000
1.000
1.000
0.45
0.000
0.001
0.004
0.018
0.060
0.147
0.290
0.474
0.663
0.817
0.917
0.970
0.991
0.998
1.000
1.000
1.000
1.000
0.000
0.000
0.003
0.012
0.041
0.108
0.226
0.392
0.578
0.747
0.872
0.946
0.982
0.995
0.999
1.000
1.000
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
17 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.001
0.000 0.000 0.000 0.000 0.000 0.000
3
0.006
0.002 0.001 0.000 0.000 0.000 0.000
4
0.025
0.009 0.003 0.001 0.000 0.000 0.000
5
0.072
0.030 0.011 0.003 0.001 0.000 0.000
6
0.166
0.083 0.035 0.012 0.003 0.001 0.000
7
0.315
0.183 0.092 0.038 0.013 0.003 0.001
8
0.500
0.337 0.199 0.099 0.040 0.012 0.003
9
0.686
0.526 0.360 0.213 0.105 0.040 0.011
10
0.834
0.710 0.552 0.381 0.225 0.107 0.038
11
0.928
0.853 0.736 0.580 0.403 0.235 0.106
12
0.976
0.940 0.874 0.765 0.611 0.426 0.242
13
0.994
0.982 0.954 0.897 0.798 0.647 0.451
14
0.999
0.996 0.988 0.967 0.923 0.836 0.690
15
1.000
0.999 0.998 0.993 0.981 0.950 0.882
16
1.000
1.000 1.000 0.999 0.998 0.993 0.978
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.001
0.000 0.000 0.000 0.000 0.000 0.000
3
0.004
0.001 0.000 0.000 0.000 0.000 0.000
4
0.015
0.005 0.001 0.000 0.000 0.000 0.000
5
0.048
0.018 0.006 0.001 0.000 0.000 0.000
6
0.119
0.054 0.020 0.006 0.001 0.000 0.000
7
0.240
0.128 0.058 0.021 0.006 0.001 0.000
8
0.407
0.253 0.135 0.060 0.021 0.005 0.001
9
0.593
0.422 0.263 0.139 0.060 0.019 0.004
10
0.760
0.609 0.437 0.272 0.141 0.057 0.016
11
0.881
0.774 0.626 0.451 0.278 0.139 0.051
12
0.952
0.892 0.791 0.645 0.466 0.2825 0.133
13
0.985
0.959 0.906 0.811 0.667 0.4813 0.284
14
0.996
0.988 0.967 0.922 0.835 0.6943 0.499
15
0.999
0.998 0.992 0.976 0.940 0.8647 0.729
16
1.000
1.000 0.999 0.995 0.986 0.9605 0.901
17
1.000
1.000 1.000 1.000 0.998 0.9944 0.982
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
169
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.008
0.032
0.099
0.244
0.480
0.748
0.937
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.003
0.012
0.042
0.121
0.280
0.520
0.776
0.946
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.022
0.083
0.238
0.518
0.833
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.028
0.098
0.266
0.550
0.850
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.009
0.050
0.208
0.582
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.011
0.058
0.227
0.603
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
19 0
0.377
0.135 0.046 0.014 0.004 0.001 0.000
1
0.755
0.420 0.199 0.083 0.031 0.010 0.003
2
0.934
0.705 0.441 0.237 0.111 0.046 0.017
3
0.987
0.885 0.684 0.455 0.263 0.133 0.059
4
0.998
0.965 0.856 0.673 0.465 0.282 0.150
5
1.000
0.991 0.946 0.837 0.668 0.474 0.297
6
1.000
0.998 0.984 0.932 0.825 0.666 0.481
7
1.000
1.000 0.996 0.977 0.923 0.818 0.666
8
1.000
1.000 0.999 0.993 0.971 0.916 0.815
9
1.000
1.000 1.000 0.998 0.991 0.967 0.913
10
1.000
1.000 1.000 1.000 0.998 0.990 0.965
11
1.000
1.000 1.000 1.000 1.000 0.997 0.989
12
1.000
1.000 1.000 1.000 1.000 0.999 0.997
13
1.000
1.000 1.000 1.000 1.000 1.000 0.999
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000
20 0
0.359
0.122 0.039 0.012 0.003 0.001 0.000
1
0.736
0.392 0.176 0.069 0.024 0.008 0.002
2
0.925
0.677 0.405 0.206 0.091 0.036 0.012
3
0.984
0.867 0.648 0.411 0.225 0.107 0.044
4
0.997
0.957 0.830 0.630 0.415 0.238 0.118
5
1.000
0.989 0.933 0.804 0.617 0.416 0.245
6
1.000
0.998 0.978 0.913 0.786 0.608 0.417
7
1.000
1.000 0.994 0.968 0.898 0.772 0.601
8
1.000
1.000 0.999 0.990 0.959 0.887 0.762
9
1.000
1.000 1.000 0.997 0.986 0.952 0.878
10
1.000
1.000 1.000 0.999 0.996 0.983 0.947
11
1.000
1.000 1.000 1.000 0.999 0.995 0.980
12
1.000
1.000 1.000 1.000 1.000 0.999 0.994
13
1.000
1.000 1.000 1.000 1.000 1.000 0.999
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000
20
1.000
1.000 1.000 1.000 1.000 1.000 1.000
170
0.40
0.000
0.001
0.006
0.023
0.070
0.163
0.308
0.488
0.668
0.814
0.912
0.965
0.988
0.997
0.999
1.000
1.000
1.000
1.000
1.000
0.000
0.001
0.004
0.016
0.051
0.126
0.250
0.416
0.596
0.755
0.873
0.944
0.979
0.994
0.998
1.000
1.000
1.000
1.000
1.000
1.000
0.45
0.000
0.000
0.002
0.008
0.028
0.078
0.173
0.317
0.494
0.671
0.816
0.913
0.966
0.989
0.997
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.001
0.005
0.019
0.055
0.130
0.252
0.414
0.591
0.751
0.869
0.942
0.979
0.994
0.999
1.000
1.000
1.000
1.000
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
0.85
19 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
2
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
3
0.002
0.001 0.000 0.000 0.000 0.000 0.000 0.000
4
0.010
0.003 0.001 0.000 0.000 0.000 0.000 0.000
5
0.032
0.011 0.003 0.001 0.000 0.000 0.000 0.000
6
0.084
0.034 0.012 0.003 0.001 0.000 0.000 0.000
7
0.180
0.087 0.035 0.011 0.003 0.001 0.000 0.000
8
0.324
0.184 0.089 0.035 0.011 0.002 0.000 0.000
9
0.500
0.329 0.186 0.088 0.033 0.009 0.002 0.000
10
0.676
0.506 0.333 0.186 0.084 0.029 0.007 0.001
11
0.820
0.683 0.512 0.334 0.182 0.078 0.023 0.004
12
0.917
0.827 0.692 0.519 0.335 0.175 0.068 0.016
13
0.968
0.922 0.837 0.703 0.526 0.332 0.163 0.054
14
0.990
0.972 0.930 0.850 0.718 0.535 0.327 0.144
15
0.998
0.992 0.977 0.941 0.867 0.737 0.545 0.316
16
1.000
0.999 0.995 0.983 0.954 0.889 0.763 0.559
17
1.000
1.000 0.999 0.997 0.990 0.969 0.917 0.802
18
1.000
1.000 1.000 1.000 0.999 0.996 0.986 0.954
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000 1.000
20 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
2
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
3
0.001
0.000 0.000 0.000 0.000 0.000 0.000 0.000
4
0.006
0.002 0.000 0.000 0.000 0.000 0.000 0.000
5
0.021
0.006 0.002 0.000 0.000 0.000 0.000 0.000
6
0.058
0.021 0.007 0.002 0.000 0.000 0.000 0.000
7
0.132
0.058 0.021 0.006 0.001 0.000 0.000 0.000
8
0.252
0.131 0.057 0.020 0.005 0.001 0.000 0.000
9
0.412
0.249 0.128 0.053 0.017 0.004 0.001 0.000
10
0.588
0.409 0.245 0.122 0.048 0.014 0.003 0.000
11
0.748
0.586 0.404 0.238 0.113 0.041 0.010 0.001
12
0.868
0.748 0.584 0.399 0.228 0.102 0.032 0.006
13
0.942
0.870 0.750 0.583 0.392 0.214 0.087 0.022
14
0.979
0.945 0.874 0.755 0.584 0.383 0.196 0.067
15
0.994
0.981 0.949 0.882 0.763 0.585 0.370 0.170
16
0.999
0.995 0.984 0.956 0.893 0.775 0.589 0.352
17
1.000
0.999 0.996 0.988 0.965 0.909 0.794 0.595
18
1.000
1.000 1.000 0.998 0.992 0.976 0.931 0.824
19
1.000
1.000 1.000 1.000 0.999 0.997 0.989 0.961
20
1.000
1.000 1.000 1.000 1.000 1.000 1.000 1.000
Si Y b(n, p), con n > 20, el cuantil r de Y se puede aproximar con:
p
Yr = np + Zr np(1 p), donde Zr es el cuantil r de la normal estandar
171
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.009
0.035
0.115
0.295
0.580
0.865
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.011
0.043
0.133
0.323
0.608
0.878
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.067
0.245
0.623
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.016
0.076
0.264
0.642
1.000
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles
n
p
m=2
0.001
3
0.005
3
0.01
3
2 0.025
3
0.05
3
0.10
3
0.001
6
0.005
6
0.01
6
3 0.025
6
0.05
6
0.10
7
0.001
10
0.005
10
0.01
10
4 0.025
10
0.05
10
0.10
11
0.001
15
0.005
15
0.01
15
5 0.025
15
0.05
16
0.10
17
0.001
21
0.005
21
0.01
21
6 0.025
21
0.05
22
0.10
23
0.001
28
0.005
28
0.01
28
7 0.025
28
0.05
29
0.10
30
del Estadstico
3
4
5
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
5
6
6
6
6
6
6
6
6
6
6
6
7
7
7
8
8
8
9
10 10 10
10 10 10
10 10 11
10 11 12
11 12 13
12 14 15
15 15 15
15 15 16
15 16 17
16 17 18
17 18 20
18 20 21
21 21 21
21 22 23
21 23 24
23 24 25
24 25 27
25 27 29
28 28 28
28 29 30
29 30 32
30 32 34
31 33 35
33 35 37
de Mann
6
7
3
3
3
3
3
3
3
3
4
4
5
5
6
6
6
6
6
7
8
8
9
9
10 11
10 10
11 11
12 12
13 14
14 15
16 17
5 15
17 17
18 19
19 21
21 22
23 24
21 21
24 25
25 26
27 28
29 30
31 33
29 30
32 33
33 35
35 37
37 40
40 42
172
- Whitney
8
9 10
3
3
3
3
3
3
3
3
3
4
4
4
5
5
5
6
6
7
6
6
6
6
7
7
7
8
8
9
9 10
10 11 11
12 12 13
10 10 11
12 12 13
13 14 14
15 15 16
16 17 18
18 20 21
16 17 17
18 19 20
20 21 22
22 23 24
24 25 27
26 28 29
23 24 25
26 27 28
28 29 30
30 32 33
32 34 36
35 37 39
31 32 34
35 36 38
36 38 40
39 41 43
42 44 46
45 47 50
11
3
3
3
5
5
7
6
7
8
10
12
14
11
13
15
17
19
22
18
21
23
25
28
31
26
29
31
35
38
41
35
39
41
45
48
52
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles del Estadstico
n
p
m = 12 13 14 15
0.001
3
3
3
3
0.005
3
3
3
3
0.01
3
4
4
4
2 0.025
5
5
5
5
0.05
6
6
7
7
0.10
8
8
8
9
0.001
6
6
6
6
0.005
8
8
8
9
0.01
9
9
9 10
3 0.025
11
11 12 12
0.05
12
13 14 14
0.10
15
16 17 17
0.001
11
12 12 12
0.005
14
14 15 16
0.01
16
16 17 18
4 0.025
18
19 20 21
0.05
20
21 22 23
0.10
23
24 26 27
0.001
18
19 19 20
0.005
22
23 23 24
0.01
24
25 26 27
5 0.025
27
28 29 30
0.05
29
31 32 34
0.10
33
34 36 38
0.001
26
27 28 29
0.005
31
32 33 34
0.01
33
34 35 37
6 0.025
36
38 39 41
0.05
39
41 43 45
0.10
43
45 47 49
0.001
36
37 38 39
0.005
41
42 44 45
0.01
43
45 46 48
7 0.025
47
49 51 53
0.05
50
53 55 57
0.10
55
57 60 62
de Mann
16 17
3
3
3
3
4
4
5
6
7
7
9 10
6
7
9
9
10 11
13 13
15 16
18 19
13 13
16 17
18 19
22 22
25 26
28 29
21 21
25 26
28 29
31 33
35 36
39 41
30 31
35 37
38 40
43 44
47 48
51 53
40 42
47 48
50 52
55 57
59 62
65 67
173
- Whitney
18 19
3
3
3
4
4
5
6
6
8
8
10 11
7
7
9 10
11 11
14 14
16 17
20 21
14 14
17 18
20 20
23 24
27 28
31 32
22 23
27 28
30 31
34 35
38 39
43 44
32 33
38 39
41 42
46 47
50 52
56 58
43 44
50 51
53 55
59 61
64 66
70 72
(continuaci
on)
20
3
4
5
6
8
11
7
10
12
15
18
22
14
19
21
25
29
33
23
29
32
36
41
46
34
40
44
49
54
60
45
53
57
63
68
75
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles del
n
p
2
3
0.001 36 36
0.005 36 36
0.01 36 37
8 0.025 37 39
0.05 38 40
0 10 39 42
0.001 45 45
0.005 45 46
0.01 45 47
9 0.025 46 48
0.05 47 50
0.10 48 51
0.001 55 55
0.005 55 56
0.01 55 57
10 0.025 56 59
0.05 57 60
0.10 59 62
0.001 66 66
0.005 66 67
0.01 66 68
11 0.025 67 70
0.05 68 72
0.10 70 74
0.001 78 78
0.005 78 80
0.01 78 81
12 0.025 80 83
0.05 81 84
0.10 83 87
0.001 91 91
0.005 91 93
13 0.01 92 94
0.025 93 96
0.05 94 98
0.10 96 101
Estadstico
4
5
36
37
38
39
39
41
41
43
42
45
44
47
45
47
47
49
49
51
50
53
52
55
55
58
56
57
58
60
59
62
61
64
63
67
66
69
67
69
69
72
71
74
73
76
75
79
78
82
79
81
82
85
84
87
86
90
88
92
91
96
93
95
95
99
97 101
100 104
102 107
105 110
de Mann 6
7
38
39
41
43
43
44
45
47
47
50
50
53
48
49
51
53
53
55
56
58
58
61
61
64
59
61
62
65
64
67
67
70
70
73
73
77
71
73
74
77
76
79
80
83
83
86
86
90
83
86
88
91
90
93
93
97
96 100
100 105
97 100
102 105
104 108
108 112
111 116
115 120
174
Whitney (continuaci
on)
8
9
10
11
41
42
43
45
44
46
48
50
46
48
50
52
50
52
54
56
52
55
57
60
56
59
61
64
51
53
54
56
55
57
59
62
57
60
62
64
61
63
66
69
64
67
70
73
68
71
74
77
62
64
66
68
67
69
72
74
69
72
75
78
73
76
79
82
76
80
83
87
80
84
88
92
75
77
79
82
80
83
85
88
82
85
89
92
86
90
93
97
90
94
98 101
94
98 103 107
88
91
93
96
94
97 100 103
96 100 103 107
101 105 108 112
105 109 111 117
109 114 118 123
103 106 109 112
109 112 116 119
112 115 119 123
116 120 125 129
120 125 129 134
125 130 135 140
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles del Estadstico de Mann - Whitney (continuaci
on)
n
p
12
13
14
15
16
17
18
19
20
0.001 46
48
49
51
52
54
55
57
58
0.005 52
54
55
57
59
61
63
65
67
0.01
54
56
59
61
63
65
67
69
71
8 0.025 59
61
63
66
68
71
73
75
78
0.05
63
65
68
70
73
76
78
81
84
0 10
67
70
73
76
79
82
85
88
91
0.001 58
60
61
63
65
67
69
71
72
0.005 64
66
68
70
73
75
77
79
82
0.01
67
69
72
74
77
79
82
84
86
9 0.025 72
74
77
80
83
85
88
91
94
0.05
76
79
82
85
88
91
94
97 100
0.10
81
84
87
91
94
98 101 104 108
0.001 70
73
75
77
79
81
83
85
88
0.005 77
80
82
85
87
90
93
95
98
0.01
80
83
86
89
92
94
97 100 103
10 0.025 85
89
92
95
98 101 104 108 111
0.05
90
93
97 100 104 107 111 114 118
0.10
95
99 103 107 110 114 118 122 126
0.001 84
87
89
91
94
96
99 101 104
0.005 91
94
97 100 103 106 109 112 115
0.01
95
98 101 104 108 111 114 117 120
11 0.025 100 104 107 111 114 118 122 125 129
0.05 105 109 113 117 121 124 128 132 136
0.10 111 115 119 124 128 132 136 140 145
0.001 98 102 104 106 110 113 116 118 121
0.005 106 110 113 116 120 123 126 130 133
0.01 110 114 117 121 125 128 132 135 139
12 0.025 116 120 124 128 132 136 140 144 148
0.05 121 126 130 134 139 143 147 151 156
0.10 128 132 137 142 146 151 156 160 165
0.001 115 118 121 124 127 130 134 137 140
0.005 123 126 130 134 137 141 145 149 152
13 0.01 127 131 135 139 143 147 151 155 159
0.025 133 137 142 146 151 155 159 164 168
0.05 139 143 148 153 157 162 167 172 176
0.10 145 150 155 160 166 171 176 181 186
175
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles
n
p
2
0.001 105
0.005 105
14 0.01
106
0.025 107
0.05
109
0.10 1 10
0.001 120
0.005 120
0.01
121
15 0.025 122
0.05
124
0.10
126
0.001 136
0.005 136
0.01
137
16 0.025 138
0.05
140
0.10
142
0.001 153
0.005 I53
0.01
154
17 0.025 156
0.05
157
0.10
160
0.001 171
0.005 171
0.01
172
18 0.025 174
0.05
176
0.10
178
del Estadstico de
3
4
5
105 107 109
107 110 113
108 112 116
111 1 15 119
113 1 17 122
116 121 126
120 122 125
123 126 129
124 128 132
126 131 135
128 133 139
131 137 143
136 139 142
139 142 146
140 144 149
143 148 152
145 151 156
148 154 160
154 156 159
156 160 164
158 162 167
160 165 171
163 169 174
166 172 179
172 175 178
174 178 183
176 181 186
179 184 190
181 188 194
185 192 199
Mann - Whitney
6
7
8
112 115 118
117 121 124
119 123 128
123 128 132
127 132 137
131 137 142
128 133 135
133 137 141
136 140 145
140 145 150
144 149 154
148 154 160
145 148 152
150 155 159
153 158 163
158 163 168
162 167 173
166 173 179
163 167 171
169 173 178
172 177 182
176 182 188
180 187 193
185 192 199
182 186 190
188 193 198
191 196 202
196 202 208
200 207 213
206 213 220
176
(continuaci
on)
9
10
11
121 125 128
128 132 136
132 136 140
137 142 146
142 147 152
147 153 158
138 142 145
145 150 154
149 154 158
155 160 165
160 165 171
166 172 178
156 160 164
164 168 173
168 173 178
174 179 184
179 185 191
185 191 198
175 179 183
183 188 193
187 192 198
193 199 205
199 205 211
206 212 219
195 199 204
203 209 214
208 213 219
214 220 227
220 227 233
227 234 241
APENDICE
A. TABLAS ESTADISTICAS
Tabla A4 Cuantiles del Estadstico de Mann - Whitney (continuaci
on)
n
p
12
13
14
15
16
17
18
19
20
0.001 131 135 138 142 145 149 152 156 160
0.005 140 144 148 152 156 160 164 169 173
14 0.01 144 149 153 157 162 166 171 175 179
0.025 151 156 161 165 170 175 180 184 189
0.05 157 162 167 172 177 183 188 193 198
0.10 164 169 175 180 186 191 197 203 208
0.001 149 153 157 161 164 168 172 176 180
0.005 158 163 167 172 176 181 185 190 194
0.01 163 168 172 177 182 187 191 196 201
15 0.025 170 175 180 185 191 196 201 206 211
0.05 176 182 187 193 198 204 209 215 221
0.10 184 189 195 201 207 213 219 225 231
0.001 168 172 176 180 185 189 193 197 202
0.005 178 182 187 192 197 202 207 211 216
0.01 183 188 193 198 203 208 213 219 224
16 0.025 190 196 201 207 212 218 223 229 235
0.05 197 202 208 214 220 226 232 238 244
0.10 204 211 217 223 230 236 243 249 256
0.001 188 192 197 201 206 211 215 220 224
0.005 198 203 208 214 219 224 229 235 240
0.01 203 209 214 220 225 231 236 242 247
17 0.025 211 217 223 229 235 241 247 253 259
0.05 218 224 231 237 243 250 256 263 269
0.10 226 233 239 246 253 260 267 274 281
0.001 209 214 218 223 228 233 238 243 248
0.005 219 225 230 236 242 247 253 259 264
0.01 225 231 237 242 248 254 260 266 272
18 0.025 233 239 246 252 258 265 271 278 284
0.05 240 247 254 260 267 274 281 288 295
0.10 249 256 263 270 278 285 292 300 307
177
APENDICE
A. TABLAS ESTADISTICAS
178
19
20
p
0.001
0.005
0.01
0.025
0.05
0.10
0.001
0.005
0.01
0.025
0.05
0.10
12
231
242
247
256
263
272
253
265
271
280
288
297
13
236
248
254
263
271
280
259
271
278
287
295
305
14
241
254
260
269
278
288
265
278
284
294
303
313
15
246
260
266
276
285
295
270
284
291
301
311
321
16
251
265
273
283
292
303
276
290
298
309
318
330
17
257
272
279
290
300
311
281
297
304
316
326
338
18
262
278
285
297
307
319
287
303
311
323
334
346
19
268
284
292
304
314
326
293
310
318
330
341
354
20
273
290
298
310
321
334
299
316
325
338
349
362
APENDICE
A. TABLAS ESTADISTICAS
Tabla A5 Cuantiles de Kruskal Wallis
tama
nos muestrales W0.90
W0.95
2,2,2
3.7143 4.5714
3,2,1
3.8571 4.2857
3,2,2
4.4643 4.5000
3,3,1
4.0000 4.5714
3,3,2
4.2500 5.1389
3,3,3
4.6000 5.0667
4,2,1
4.0179 4.8214
4,2,2
4.1667 5.1250
4,3,1
3.8889 5.0000
4,3,2
4.4444 5.4000
4,3,3
4.7000 5.7273
4,4,1
4.0667 4.8667
4,4,2
4.1455 5.2364
4,4,3
1.7730 5.5758
4,4,4
4.5000 5.6538
5,2,1
4.0500 4.4500
5,2,2
4.2933 5.0400
5,3,1
3.8400 4.8711
5,3,2
4.4946 5.1055
5,3,3
4.4121 5.5152
5,4,1
3.9600 4.8600
5,4,2
4.5182 5.2682
5,4,3
4.5731 5.6308
5,4,4
4.6187 5.6176
5,5,1
4.0364 4.9091
5,5,2
4.5077 5.2462
5,5,3
4.5363 5.6264
5,5,4
4.5200 5.6429
5,5,5
4.5000 5.6600
179
W0.99
4.5714
4.2857
5.3571
5.1429
6.2500
6.4889
4.8214
6.0000
5.8333
6.3000
6.7091
6.1667
6.8727
7.1364
7.5385
5.2500
6.1333
6.4000
6.8218
6.9818
6.8400
7.1182
7.3949
7.7440
6.8364
7.2692
7.5429
7.7914
7.9800
APENDICE
A. TABLAS ESTADISTICAS
Tabla A6 Cuantiles del test de
n
p
m=3
4
5
0.005
14
14
14
0.01
14
14
14
0.025
14
14
21
0.05
21
21
26
3
0.1
26
29
35
0.9
65
90 117
0.95
70
101 129
0.975
77
110 138
0.99
77
110 149
0.995
77
110 149
0.005
30
30
30
0.01
30
30
39
0.025
30
39
50
0.05
39
50
57
4
0.1
50
62
71
0.9
111
142 182
0.95
119
154 197
0.975
126
165 206
0.99
126
174 219
0.995
126
174 230
0.005
55
55
66
0.01
55
66
75
0.025
66
79
88
0.05
75
88 103
5
0.1
87
103 121
0.9
169
214 264
0.95
178
228 282
0.975
183
235 297
0.99
190
246 310
0.995
190
255 319
0.005
91
104 115
0.01
91
115 124
0.025
115
130 143
0.05
124
139 164
6
0.1
136
163 187
0.9
243
300 364
0.95
255
319 386
0.975
259
331 406
0.99
271
339 424
0.995
271
346 431
la varianza
6
7
14
14
14
21
26
29
30
38
42
50
149 182
161 197
170 213
194 230
194 245
39
39
46
50
54
63
66
78
85
99
222 270
246 294
255 311
270 334
281 351
75
79
82
90
100 114
120 135
142 163
319 379
342 410
363 433
382 459
391 478
124 136
139 155
164 184
187 211
215 247
435 511
463 545
486 574
511 607
526 624
180
8
14
21
30
42
59
221
238
257
285
302
46
51
71
90
114
321
350
374
401
414
88
103
130
155
187
445
479
508
543
559
152
175
208
239
280
592
634
670
706
731
9
21
26
35
49
69
260
285
308
329
346
50
62
78
102
130
375
413
439
470
494
99
115
I4S
175
212
514
558
592
631
654
167
191
231
268
315
679
730
771
817
847
10
21
26
41
54
77
305
333
362
394
413
54
66
90
114
149
435
476
510
545
567
110
127
162
195
239
591
639
680
727
754
182
210
255
299
352
772
831
880
935
970
APENDICE
A. TABLAS ESTADISTICAS
Tabla A6 Cuantiles
n
p
m=3
0.005
140
0.01
155
0.025
172
0.05
188
7
0.1
203
0.9
335
0.95
347
0.975
356
0.99
364
0.995
371
0.005
204
0.01
221
0.025
249
0.05
268
8
0.1
285
0.9
447
0.95
464
0.975
476
0.99
485
0.995
492
0.005
304
0.01
321
0.025
342
0.05
365
9
0.1
390
0.9
581
0.95
601
0.975
615
0.99
624
0.995
629
0.005
406
0.01
425
0.025
457
0.05
486
10
0.1
514
0.9
742
0.95
765
0.975
778
0.99
793
0.995
798
del test de la
4
5
155 172
172 191
195 217
212 240
236 271
407 487
428 515
443 536
456 560
467 571
236 260
249 276
276 311
300 340
329 374
536 632
560 664
579 689
599 716
604 731
325 361
349 384
380 423
406 457
444 501
689 603
717 840
741 870
757 900
769 916
448 486
470 513
505 560
539 601
580 649
866 1001
901 1045
925 1078
949 1113
961 1130
varianza Continuaci
on
6
7
8
9
195
212
235
257
212
236
260
287
245
274
305
338
274
308
344
384
308
350
394
440
572
665
764
871
608
707
814
929
635
741
856
979
664
779
900 1032
683
803
929 1067
284
311
340
368
309
340
372
408
345
384
425
468
381
426
473
524
423
476
531
590
735
846
965 1091
776
896 1023 1159
807
93S 1071 1215
840
980 1124 1277
863 1005 1156 1319
393
429
466
508
423
464
508
553
469
517
570
624
510
567
626
689
561
625
694
766
925 1056 1195 1343
972 1112 1261 1420
1009 1158 1317 1485
1049 1209 1377 1556
1073 1239 1417 1601
526
573
620
672
561
613
667
725
616
677
741
808
665
734
806
883
724
801
885
972
1144 1296 1457 1627
1197 1360 1533 1715
1241 1413 1596 1788
1286 1470 1664 1869
1314 1505 1708 1921
181
10
280
315
372
425
489
984
1051
1106
1172
1212
401
445
513
576
652
1224
1303
1368
1442
1489
549
601
682
755
843
1498
1587
1662
1745
1798
725
785
879
963
1064
1806
1907
1991
2085
2145
APENDICE
A. TABLAS ESTADISTICAS
Tabla A7 Cuantiles del Estadstico de Spearman
n p = 0.900
0.95
0.975
0.99
0.995
4
0.8000
0.8000
5
0.7000
0.8000 0.9000 0.9000
6
0.6000
0.7714 0.8286 0.8857 0.9429
7
0.535
0.6786 0.7500 0.8571 0.8929
8
0.5000
0.6190 0.7143 0.8095 0.8571
9
0.4667
0.5833 0.6833 0.7667 0.8167
10
0.4424
0.5515 0.6364 0.7333 0.7818
11
0.4182
0.5273 0.6091 0.7000 0.7455
12
0.3986
0.4965 0.5804 0.6713 0.7203
13
0.3791
0.4780 0.5549 0.6429 0.6978
14
0.3626
0.4593 0.5341 0.6220 0.6747
15
0.3500
0.4429 0.5179 0.6000 0.6500
16
0.3382
0.4265 0.5000 0.5794 0.6324
17
0.3260
0.4118 0.4853 0.5637 0.6152
18
0.3148
0.3994 0.4696 0.5480 0.5975
19
0.3070
0.3895 0.4579 0.5333 0.5825
20
0.2977
0.3789 0.4451 0.5203 0.5684
21
0.2909
0.3688 0.4351 0.5078 0.5545
22
0.2829
0.3597 0.4241 0.4963 0.5426
23
0.2767
0.3518 0.4150 0.4852 0.5306
24
0.2704
0.3435 0.4061 0.4748 0.5200
25
0.2646
0.3362 0.3977 0.4654 0.5100
26
0.2588
0.3299 0.3894 0.4564 0.5002
27
0.2540
0.3236 0.3822 0.4481 0.4915
28
0.2490
0.3175 0.3749 0.4401 0.4828
29
0.2443
0.3113 0.3685 0.4320 0.4744
30
0.2400
0.3059 0.3620 0.4251 0.4665
182
0.999
0.9643
0.9286
0.9000
0.8667
0.8364
0.8112
0.7857
0.7670
0.7464
0.7265
0.7083
0.6904
0.6737
0.6586
0.6455
0.6318
0.6186
0.6070
0.5962
0.5856
0.5757
0.5660
0.5567
0.5479
APENDICE
A. TABLAS ESTADISTICAS
Tabla A8 Cuantiles del Estadstico T y de
n p = 0.900
0.95
0.975
4
4(0.6667)
4(0.6667)
6(1.0000)
5
6(0.6000)
6(0.6000)
8(0.8000)
6
7(0.4667)
9(0.6000)
11(0.7333)
7
9(0.4286)
11(0.5238)
13(0.6190)
8 10(0.3571) 14(0.5000)
16(0.5714)
9 12(0.3333) 16(0.4444)
18(0.5000)
10 15(0.3333) 19(0.4222)
21(0.4667)
11 17(0.3091) 21(0.3818)
25(0.4545)
12 18(0.2727) 24(0.3636)
28(0.4242)
13 22(0.2821) 26(0.3333)
32(0.4103)
14 23(0.2527) 31(0.3407)
35(0.3846)
15 27(0.2571) 33(0.3143)
39(0.3714)
16 28(0.2333) 36(0.3000)
44(0.3667)
17 32(0.2353) 40(0.2941)
48(0.3529)
18 35(0.2288) 43(0.2810)
51(0.3333)
19 37(0.2164) 47(0.2749)
55(0.3216)
20 40(0.2105) 50(0.2632)
60(0.3158)
21 42(0.2000) 54(0.2571)
64(0.3048)
22 45(0.1948) 59(0.2554)
69(0.2987)
23 49(0.1937) 63(0.2490)
73(0.2885)
24 52(0.1884) 66(0.2391)
78(0.2826)
25 56(0.1867) 70(0.2333)
84(0.2800)
26 59(0.1815) 75(0.2308)
89(0.2738)
27 61(0.1738) 79(0.2251)
93(0.2650)
28 66(0.1746) 84(0.2222)
98(0.2593)
29 68(0.1675) 88(0.2167) 104(0.2562)
30 73(0.1678) 93(0.2138) 109(0.2506)
31 75(0.1613) 97(0.2086) 115(0.2473)
32 8(0.1613) 102(0.2056) 120(0.2419)
33 84(0.1591) 106(0.2008) 126(0.2386)
34 87(0.1551) 111(0.1979) 131(0.2335)
35 91(0.1529) 115(0.1933) 137(0.2303)
36 94(0.1492) 120(0.1905) 144(0.2286)
37 98(0.1471) 126(0.1892) 150(0.2252)
183
Kendall en parentesis
0.99
0.995
6(1.0000)
6(1.0000)
8(0.8000)
10(1.0000)
11(0.7333)
13(0.8667)
15(0.7143)
17(0.8095)
18(0.6429)
20(0.7143)
22(0.6111)
24(0.6667)
25(0.5556)
27(0.6000)
29(0.5273)
31(0.5636)
34(0.5152)
36(0.5455)
38(0.4872)
42(0.5285)
41(0.4505)
45(0.4945)
47(0.4476)
51(0.4857)
50(0.4167)
56(0.4667)
56(0.4118)
62(0.4559)
61(0.3987)
67(0.4379)
65(0.3801)
73(0.4269)
70(0.3684)
78(0.4105)
76(0.3619)
84(0.4000)
81(0.3506)
89(0.3853)
87(0.3439)
97(0.3834)
92(0.3333) 102(0.3696)
98(0.3267) 108(0.3600)
105(0.3231) 115(0.3538)
111(0.3162) 123(0.3504)
116(0.3069) 128(0.3386)
124(0.3054) 136(0.3350)
129(0.2966) 143(0.3287)
135(0.2903) 149(0.3204)
142(0.2863) 158(0.3185)
150(0.284!) 164(0.3106)
155(0.2763) 173(0.3084)
163(0.2739) 179(0.3008)
170(0.2698) 188(0.2984)
176(0.2643) 198(0.2943)
APENDICE
A. TABLAS ESTADISTICAS
184
n(n1)(2n5)
18
2(2n+5)
Wp Zp
3
n(n1)
APENDICE
A. TABLAS ESTADISTICAS
Tabla A9 Cuantiles del Estadstico de Wilcoxon
n W0.005 W0.01 W0.025 W0.05 W0.10 W0.20
4
0
0
0
0
1
3
5
0
0
0
1
3
4
6
0
0
1
3
4
6
7
0
1
3
4
6
9
8
1
2
4
6
9
12
9
2
4
6
9
11
15
10
4
6
9
11
15
19
11
6
8
11
14
18
23
12
8
10
14
18
22
28
13
10
13
18
22
27
33
14
13
16
22
26
32
39
15
16
20
26
31
37
45
16
20
24
30
36
43
51
17
24
28
35
42
49
58
18
28
33
41
48
56
66
19
33
38
47
54
63
74
20
38
44
53
61
70
83
21
44
50
59
68
78
91
22
49
56
67
76
87
100
23
55
63
74
84
95
110
24
62
70
82
92
105
120
25
69
77
90
101
114
131
26
76
85
99
III
125
142
27
84
94
108
120
135
154
28
92
102
117
131
146
166
29
101
111
127
141
158
178
30
110
121
138
152
170
191
31
119
131
148
164
182
205
32
129
141
160
176
195
219
33
139
152
171
188
208
233
34
149
163
183
201
222
248
35
160
175
196
214
236
263
36
172
187
209
228
251
279
37
184
199
222
242
266
295
38
196
212
236
257
282
312
39
208
225
250
272
298
329
40
221
239
265
287
314
347
41
235
253
280
303
331
365
42
248
267
295
320
349
384
43
263
282
311
337
366
403
44
277
297
328
354
385
422
45
292
313
344
372
403
442
46
308
329
362
390
423
463
47
324
346
379
408
442
484
48
340
363
397
428
463
505
49
357
381
416
447
483
527
50
374
398
435
467
504
550
185
W0.30
3
5
8
11
14
18
22
27
32
38
44
51
58
65
73
82
91
100
110
120
131
143
155
167
180
193
207
221
236
251
266
283
299
316
334
352
371
390
409
429
450
471
492
514
536
559
583
W0.40
4
6
9
12
16
20
25
30
36
42
48
55
63
71
80
89
98
108
119
130
141
153
165
178
192
206
220
235
250
266
282
299
317
335
353
372
391
411
431
452
473
495
517
540
563
587
611
W0.50
5
7.5
10.5
14
18
22.5
27.5
33
39
45.5
52.5
60
68
76.5
85.5
95
105
115.5
126.5
138
150
162.5
175.5
189
203
217.5
232.5
248
264
280.5
297.5
315
333
351.5
370.5
390
410
430.5
451.5
473
495
517.5
540.5
564
588
612.5
637.5
n(n+1)
2
10
15
21
28
36
45
55
66
78
91
105
120
136
153
171
190
210
231
253
276
300
325
351
378
406
435
465
496
528
561
595
630
666
703
741
780
820
861
903
946
990
1035
1081
1128
1176
1225
1275
APENDICE
A. TABLAS ESTADISTICAS
Tabla A10 Cuantiles del Estadstico
Test de una cola p = 0.90 0.95
Test de 2 colas p = 0.80
0.9
n=1
0.9
0.95
2
0.684
0.776
3
0.565
0.636
4
0.493
0.565
5
0.447
0.509
6
0.41
0.468
7
0.381
0.436
8
0.358
0.41
9
0.339
0.387
10
0.323
0.369
11
0.308
0.352
12
0.296
0.338
13
0.285
0.325
14
0.275
0.314
15
0.266
0.304
16
0.258
0.295
17
0.25
0.286
18
0.244
0.279
19
0.237
0.271
20
0.232
0.265
21
0.226
0.259
22
0.221
0.253
23
0.216
0.247
24
0.212
0.242
25
0.208
0.238
26
0.204
0.233
27
0.2
0.229
28
0.197
0.225
29
0.193
0.221
30
0.19
0.218
31
0.187
0.214
32
0.184
0.211
33
0.182
0.208
34
0.179
0.205
35
0.177
0.202
36
0.174
0.199
37
0.172
0.196
38
0.17
0.194
39
0.168
0.191
40
0.165
0.189
1.07
1.22
n > 40
n
n
186
de Kolmogorov
0.975 0.99
0.95
0.98
0.975 0.99
0.842
0.9
0.708 0.785
0.624 0.689
0.563 0.627
0.519 0.577
0.483 0.538
0.454 0.507
0.43
0.48
0.409 0.457
0.391 0.437
0.375 0.419
0.361 0.404
0.349 0.39
0.338 0.377
0.327 0.366
0.318 0.355
0.309 0.346
0.301 0.337
0.294 0.329
0.287 0.321
0.281 0.314
0.275 0.307
0.269 0.301
0.264 0.295
0.259 0.29
0.254 0.284
0.25 0.279
0.246 0.275
0.242 0.27
0.238 0.266
0.234 0.262
0.231 0.258
0.227 0.254
0.224 0.251
0.221 0.247
0.218 0.244
0.215 0.241
0.213 0.238
0.21 0.235
1.36
1.52
0.995
0.99
0.995
0.929
0.829
0.734
0.669
0.617
0.576
0.542
0.513
0.489
0.468
0.449
0.432
0.418
0.404
0.392
0.381
0.371
0.361
0.352
0.344
0.337
0.33
0.323
0.317
0.311
0.305
0.3
0.295
0.29
0.285
0.281
0.277
0.273
0.269
0.265
0.262
0.258
0.255
0.252
1.63
APENDICE
A. TABLAS ESTADISTICAS
0.83
donde dn = n 0.01 + n
187
APENDICE
A. TABLAS ESTADISTICAS
Tabla A12 Cuantiles
n
p = 0.05
2
0.3127
3
0.2299
4
0.2072
5
0.1884
6
0.1726
7
0.1604
8
0.1506
9
0.1426
10
0.1359
12
0.1249
14
0.1162
16
0.1091
18
0.1032
20
0.0982
22
0.0939
24
0.0901
26
0.0868
28
0.0638
30
0.0811
35
0.0754
40
0.0707
45
0.0668
50
0.0636
60
0.0582
70
0.0541
80
0.0507
90
0.0479
100
0.0455
0.455
n > 100
n
188
0.553
0.6
0.7957
0.8678
0.90
0.5934
0.5111
0.4442
0.4045
0.3732
0.3481
0.3274
0.3101
0.2955
0.2714
0.2525
0.2371
0.2242
0.2132
0.2038
0.1954
0.1881
0.1815
0.1756
0.1630
0.1528
0.1443
0.1371
0.1255
0.1164
0.1090
0.1029
0.0977
0.95
0.6133
0.5508
0.4844
0.442
0.4085
0.3811
0.3590
0.3404
0.3244
0.2981
0.2774
0.2606
0.2465
0.2345
0.2241
0.215
0.2069
0.1997
0.1932
0.1793
0.1681
0.1588
0.1509
0.1381
0.1281
0.1200
0.1132
0.1075
0.99
0.6284
0.6003
0.5574
0.5127
0.4748
0.4459
0.4208
0.3995
0.3813
0.3511
0.3272
0.3076
0.2911
0.2271
0.2649
0.2547
0.2447
0.2362
0.2286
0.2123
0.1990
0.1880
0.1787
0.1635
0.1517
0.1421
0.1341
0.1274
0.9773
1.0753
1.2743
APENDICE
A. TABLAS ESTADISTICAS
189
8
0.6052
0.3164
0.1743
0.0561
-
9
0.0588
0.3244
0.1976
0.0947
0.0000
10
0.5739
0.3291
0.2141
0.1224
0.0399
i
1
2
3
4
5
6
7
8
9
10
11
0.560
0.332
0.226
0.143
0.070
0.000
-
12
0.548
0.333
0.235
0.159
0.092
0.030
-
13
0.536
0.333
0.241
0.171
0.110
0.054
0.000
-
14
0.525
0.332
0.246
0.180
0.124
0.073
0.024
-
15
0.515
0.331
0.250
0.188
0.135
0.088
0.043
0.000
-
16
0.506
0.329
0.252
0.194
0.145
0.101
0.059
0.020
-
17
0.497
0.327
0.254
0.199
0.152
0.111
0.073
0.036
0.000
-
18
0.489
0.325
0.255
0.203
0.159
0.120
0.084
0.050
0.016
-
19
0.481
0.323
0.256
0.206
0.164
0.127
0.093
0.061
0.030
0.000
20
0.473
0.321
0.257
0.209
0.169
0.133
0.101
0.071
0.042
0.014
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
21
0.464
0.319
0.258
0.212
0.174
0.140
0.109
0.080
0.053
0.026
0.000
-
22
0.459
0.316
0.257
0.213
0.176
0.144
0.115
0.088
0.062
0.037
0.012
-
23
0.454
0.313
0.256
0.214
0.179
0.148
0.120
0.094
0.070
0.046
0.023
0.000
-
24
0.449
0.310
0.255
0.215
0.181
0.151
0.125
0.100
0.076
0.054
0.032
0.011
-
25
0.445
0.307
0.254
0.215
0.182
0.154
0.128
0.105
0.082
0.061
0.040
0.020
0.000
-
26
0.441
0.304
0.253
0.215
0.184
0.156
0.132
0.109
0.088
0.067
0.048
0.028
0.009
-
27
0.437
0.302
0.252
0.215
0.185
0.158
0.135
0.113
0.092
0.073
0.054
0.036
0.018
0.000
-
28
0.433
0.299
0.251
0.215
0.186
0.160
0.137
0.116
0.097
0.078
0.060
0.042
0.025
0.008
-
29
0.429
0.297
0.250
0.215
0.186
0.162
0.140
0.119
0.100
0.082
0.065
0.048
0.032
0.016
0.000
30
0.425
0.294
0.249
0.215
0.187
0.163
0.142
0.122
0.104
0.086
0.070
0.054
0.038
0.023
0.008
APENDICE
A. TABLAS ESTADISTICAS
Tabla A13 Coeficientes de Shapiro Wilk (continuacion )
i
31
32
33
34
35
36
37
1 0.422 0.419 0.416 0.413 0.410 0.407 0.404
2 0.292 0.290 0.288 0.285 0.283 0.281 0.279
3 0.248 0.246 0.245 0.244 0.243 0.242 0.240
4 0.215 0.214 0.214 0.213 0.213 0.212 0.212
5 0.187 0.188 0.188 0.188 0.188 0.188 0.188
6 0.164 0.165 0.166 0.167 0.167 0.168 0.168
7 0.143 0.145 0.146 0.148 0.149 0.150 0.151
8 0.124 0.127 0.128 0.130 0.132 0.133 0.134
9 0.107 0.109 0.112 0.114 0.116 0.118 0.120
10 0.090 0.093 0.096 0.099 0.101 0.104 0.106
11 0.074 0.078 0.081 0.084 0.087 0.090 0.092
12 0.059 0.063 0.067 0.071 0.074 0.077 0.080
13 0.044 0.049 0.053 0.057 0.061 0.065 0.068
14 0.029 0.034 0.040 0.044 0.048 0.052 0.056
15 0.014 0.021 0.026 0.031 0.036 0.040 0.044
16 0.000 0.007 0.013 0.019 0.024 0.029 0.033
17
0.000 0.006 0.012 0.017 0.022
18
0.000 0.006 0.011
19
0.000
20
-
190
38
0.402
0.277
0.239
0.211
0.188
0.169
0.151
0.136
0.121
0.108
0.095
0.082
0.071
0.059
0.048
0.037
0.026
0.016
0.005
-
39
0.399
0.276
0.238
0.210
0.188
0.169
0.152
0.137
0.123
0.109
0.097
0.085
0.073
0.062
0.052
0.041
0.031
0.020
0.010
0.000
40
0.396
0.274
0.237
0.210
0.188
0.169
0.153
0.138
0.124
0.111
0.099
0.087
0.076
0.065
0.055
0.044
0.034
0.024
0.015
0.005
APENDICE
A. TABLAS ESTADISTICAS
Tabla A13 Coeficientes de Shapiro Wilk ( continuacion )
i
41
42
43
44
45
46
47
1 0.394 0.392 0.389 0.387 0.385 0.383 0.381
2 0.272 0.270 0.268 0.267 0.265 0.264 0.262
3 0.236 0.235 0.233 0.232 0.231 0.230 0.229
4 0.209 0.209 0.208 0.207 0.207 0.206 0.205
5 0.188 0.187 0.187 0.187 0.187 0.186 0.186
6 0.169 0.169 0.170 0.170 0.170 0.170 0.170
7 0.153 0.154 0.154 0.154 0.155 0.155 0.155
8 0.138 0.139 0.140 0.141 0.141 0.142 0.142
9 0.125 0.126 0.127 0.128 0.129 0.129 0.130
10 0.112 0.114 0.115 0.116 0.117 0.118 0.119
11 0.100 0.102 0.104 0.105 0.106 0.107 0.109
12 0.089 0.091 0.093 0.094 0.096 0.097 0.099
13 0.078 0.080 0.082 0.084 0.086 0.088 0.089
14 0.068 0.070 0.072 0.075 0.077 0.078 0.080
15 0.058 0.060 0.063 0.065 0.067 0.069 0.071
16 0.048 0.051 0.053 0.056 0.058 0.061 0.063
17 0.038 0.041 0.044 0.047 0.050 0.052 0.055
18 0.028 0.032 0.035 0.038 0.041 0.044 0.047
19 0.019 0.023 0.026 0.030 0.033 0.036 0.039
20 0.009 0.014 0.018 0.021 0.025 0.028 0.031
21 0.000 0.005 0.009 0.013 0.016 0.020 0.023
22
0.000 0.004 0.008 0.012 0.015
23
0.000 0.004 0.008
24
0.000
25
-
191
48
0.379
0.260
0.228
0.205
0.186
0.169
0.155
0.142
0.131
0.120
0.110
0.100
0.091
0.082
0.073
0.065
0.057
0.049
0.041
0.034
0.026
0.019
0.011
0.004
-
49
0.377
0.259
0.227
0.204
0.185
0.169
0.155
0.143
0.131
0.121
0.111
0.101
0.092
0.083
0.075
0.067
0.059
0.051
0.044
0.036
0.029
0.022
0.014
0.007
0.000
50
0.375
0.257
0.226
0.203
0.185
0.169
0.155
0.143
0.132
0.121
0.111
0.102
0.093
0.085
0.076
0.069
0.061
0.053
0.046
0.039
0.031
0.024
0.017
0.010
0.004
APENDICE
A. TABLAS ESTADISTICAS
Tabla A14
n
0.01
3 0.753
4 0.687
5 0.686
6 0.713
7 0.730
8 0.749
9 0.764
10 0.781
11 0.792
12 0.805
13 0.814
14 0.825
15 0.835
16 0.844
17 0.851
18 0.858
19 0.863
20 0.868
21 0.873
22 0.878
23 0.881
24 0.884
192
0.98
1.000
0.996
0.991
0.986
0.985
0.984
0.984
0.983
0.984
0.984
0.984
0.984
0.984
0.985
0.985
0.986
0.986
0.986
0.987
0.987
0.987
0.987
0.99
1.000
0.997
0.993
0.989
0.988
0.987
0.986
0.986
0.986
0.986
0.986
0.986
0.987
0.987
0.987
0.988
0.988
0.988
0.989
0.989
0.989
0.989
APENDICE
A. TABLAS ESTADISTICAS
Tabla A14
n
0.01
25 0.888
26 0.891
27 0.894
28 0.896
29 0.898
30 0.900
31 0.902
32 0.904
33 0.906
34 0.908
35 0.910
36 0.912
37 0.914
38 0.916
39 0.917
40 0.919
41 0.920
42 0.922
43 0.923
44 0.924
45 0.926
46 0.927
47 0.928
48 0.929
49 0.929
50 0.930
193
0.98
0.988
0.988
0.988
0.988
0.988
0.988
0.988
0.988
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.99
0.989
0.989
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
APENDICE
A. TABLAS ESTADISTICAS
Tabla A15 Convertir Shapiro Wilk en una normal G
n
3
4
5
6
(dn )
(0.7500) (0.6297) (0.5521)
(0.4963)
v = 7
-3.29
-5.4
-2.81
-5
-2.68
-4.6
-2.54
-4.2
-2.40
-3.8
-2.25
-3.50
-3.4
-2.10
-3.27
-3
-1.94
-3.05
-4.01
-2.6
-1.77
-2.84
-3.70
-2.2
-1.59
-2.64
-3.38
-1.8
-1.40
-2.44
-3.11
-1.4
-1.21
-2.22
-2.87
-1
-1.01
-1.96
-2.56
-3.72
-0.6
-0.80
-1.66
-2.20
-2.88
-0.2
-0.60
-1.31
-1.81
-2.27
0.2
-0.39
-0.94
-1.41
-1.85
0.6
-0.19
-0.57
-0.97
-1.38
1
0.00
-0.19
-0.51
-0.84
1.4
0.18
0.15
-0.06
-0.33
1.8
0.35
0.45
0.37
0.18
2.2
0.52
0.74
0.75
0.64
2.6
0.67
1.00
1.09
1.06
3
0.81
1.23
1.40
1.45
3.4
0.95
1.44
1.67
1.83
3.8
1.07
1.65
1.91
2.17
4.2
1.19
1.85
2.15
2.50
4.6
1.31
2.03
2.47
111.00
5
1.42
2.19
2.85
3.09
5.4
1.52
2.34
3.24
3.54
5.8
1.62
2.48
3.64
6.2
1.72
2.62
6.6
1.81
2.75
7
1.90
2.87
7.4
1.98
2.97
7.8
2.07
3.08
8.2
2.15
3.22
8.6
2.23
3.36
9
2.31
9.4
2.38
9.8
2.45
3 dn
Para 3 n 6, primero hallamos v = ln T1T
3
194
APENDICE
A. TABLAS ESTADISTICAS
195
APENDICE
A. TABLAS ESTADISTICAS
Tabla A16 Cuantiles del test de Smirnov para 2 muestras con igual tama
no
Test de una cola p = 0.90 p = 0.95 p = 0.975 p = 0.99
p = 0.995
Test de 2 colas
p = 0.80 p = 0.90 p = 0.95 p = 0.98
p = 0.99
n=3
2/3
2/3
4
3/4
3/4
3/4
5
3/5
3/5
4/5
4/5
4/5
6
3/6
4/6
4/6
5/6
5/6
7
4/7
4/7
5/7
5/7
5/7
8
4/8
4/8
5/8
5/8
6/8
9
4/9
5/9
5/9
6/9
6/9
10
4/10
5/10
6/10
6/10
7/10
11
5/11
5/11
6/11
7/11
7/11
12
5/12
5/12
6/12
7/12
7/12
13
5/13
6/13
6/13
7/13
8/13
14
5/14
6/14
7/14
7/14
8/14
15
5/15
6/15
7/15
8/15
8/15
16
6/16
6/16
7/16
8/16
9/16
17
6/17
7/17
7/17
8/17
9/17
18
6/18
7/18
8/18
9/18
9/18
19
6/19
7/19
8/19
9/19
9/19
20
6/20
7/20
8/20
9/20
10/20
21
6/21
7/21
8/21
9/21
10/21
22
7/22
8/22
8/22
10/22
10/22
23
7/23
8/23
9/23
10/23
10/23
24
7/24
8/24
9/24
10/24
11/24
25
7/25
8/25
9/25
10/25
11/25
26
7/26
8/26
9/26
10/26
11/26
27
7/27
8/27
9/27
11/27
11/27
28
8/28
9/28
10/28
11/28
12/28
29
8/29
9/29
10/29
11/29
12/29
30
8/30
9/30
10/30
11/30
12/30
196
APENDICE
A. TABLAS ESTADISTICAS
Tabla A16 Cuantiles del test de Smirnov para 2 muestras con igual tama
no
Test de una cola p = 0.90 p = 0.95 p = 0.975 p = 0.99
p = 0.995
Test de 2 colas
p = 0.80 p = 0.90 p = 0.95 p = 0.98
p = 0.99
31
8/31
9/31
10/31
11/31
12/31
32
8/32
9/32
10/32
12/32
12/32
33
8/33
9/33
11/33
12/33
13/33
34
8/34
10/34
11/34
12/34
13/34
35
8/35
10/35
11/35
12/35
13/35
36
9/36
10/36
11/36
12/36
13/36
37
9/37
10/37
11/37
13/37
13/37
38
9/38
10/38
11/38
13/38
14/38
39
9/39
10/39
11/39
13/39
14/39
40
9/40
10/40
12/40
13/40
14/40
1.52
1.73
1.92
2.15
2.30
n > 40
n
n
n
n
n
197
APENDICE
A. TABLAS ESTADISTICAS
198
APENDICE
A. TABLAS ESTADISTICAS
199
APENDICE
A. TABLAS ESTADISTICAS
Tabla A18 Cuantiles de la distribucion t
g.l. r
p = 0.6 0.75
0.9
0.95
1
0.325
1.000 3.078 6.314
2
0.289
0.816 1.886 2.920
3
0.277
0.765 1.638 2.353
4
0.271
0.741 1.533 2.132
5
0.267
0.727 1.476 2.015
6
0.265
0.718 1.440 1.943
7
0.263
0.711 1.415 1.895
8
0.262
0.706 1.397 1.860
9
0.261
0.703 1.383 1.833
10
0.260
0.700 1.372 1.812
11
0.260
0.697 1.363 1.796
12
0.259
0.695 1.356 1.782
13
0.259
0.694 1.350 1.771
14
0.258
0.692 1.345 1.761
15
0.258
0.691 1.341 1.753
16
0.258
0.690 1.377 1.746
17
0.257
0.689 1.333 1.740
18
0.257
0.688 1.330 1.734
19
0.257
0.688 1.328 1.729
20
0.257
0.687 1.325 1.725
21
0.257
0.686 1.323 1.721
22
0.256
0.686 1.321 1.717
23
0.256
0.685 1.319 1.714
24
0.256
0.685 1.318 1.711
25
0.256
0.684 1.316 1.708
26
0.256
0.684 1.315 1.706
27
0.256
0.684 1.314 1.703
28
0.256
0.683 1.313 1.701
29
0.256
0.683 1.311 1.699
30
0.256
0.683 1.310 1.697
40
0.255
0.681 1.303 1.684
60
0.254
0.679 1.296 1.671
120
0.254
0.677 1.289 1.658
r > 120
0.253
0.674 1.282 1.645
0:975
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.021
2.000
1.980
1.960
200
0.99
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.423
2.390
2.358
2.326
0.995
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.704
2.660
2.617
2.576
0.9975
127.320
14.089
7.453
5.598
4.773
4.317
4.029
3.833
3.690
3.581
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.197
3.174
3.153
3.135
3.119
3.104
3.091
3.078
3.067
3.057
3.047
3.038
3.030
2.971
2.915
2.860
2.807
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F
r1 =grados de libertad del numerador
r2
1
2
3
4
5
6
0.9
39.86
49.5
53.59
55.83
57.24
58.2
0.95 161.45
199.5
215.71 224.58 230.16 233.99
1
0.99 4052.2 4999.5 5403.4 5624.6 5763.6
5859
0.999 405284 500000 540379 562500 576405 585937
0.9
8.53
9
9.16
9.24
9.29
9.33
0.95
18.51
19
19.16
19.25
19.3
19.33
2
0.99
98.5
99
99.17
99.25
99.3
99.33
0.999 998.5
999
999.17 999.25
999.3
999.33
0.9
5.54
5.46
5.39
5.34
5.31
5.28
0.95
10.13
9.55
9.28
9.12
9.01
8.94
3
0.99
34.12
30.82
29.46
28.71
28.24
27.91
0.999 167.03
148.5
141.11
137.1
134.58 132.85
0.9
4.54
4.32
4.19
4.11
4.05
4.01
0.95
7.71
6.94
6.59
6.39
6.26
6.16
4
0.99
21.2
18
16.69
15.98
15.52
15.21
0.999 74.14
61.25
56.18
53.44
51.71
50.53
0.9
4.06
3.78
3.62
3.52
3.45
3.4
0.95
6.61
5.79
5.41
5.19
5.05
4.95
5
0.99
16.26
13.27
12.06
11.39
10.97
10.67
0.999 47.18
37.12
33.2
31.09
29.75
28.83
0.9
3.78
3.46
3.29
3.18
3.11
3.05
0.95
5.99
5.14
4.76
4.53
4.39
4.28
6
0.99
13.75
10.92
9.78
9.15
8.75
8.47
0.999 35.51
27
23.7
21.92
20.8
20.03
0.9
3.59
3.26
3.07
2.96
2.88
2.83
0.95
5.59
4.74
4.35
4.12
3.97
3.87
7
0.99
12.25
9.55
8.45
7.85
7.46
7.19
0.999 29.25
21.69
18.77
17.2
16.21
15.52
0.9
3.46
3.11
2.92
2.81
2.73
2.67
0.95
5.32
4.46
4.07
3.84
3.69
3.58
8
0.99
11.26
8.65
7.59
7.01
6.63
6.37
0.999 25.41
18.49
15.83
14.39
13.48
12.86
0.9
3.36
3.01
2.81
2.69
2.61
2.55
0.95
5.12
4.26
3.86
3.63
3.48
3.37
9
0.99
10.56
8.02
6.99
6.42
6.06
5.8
0.999 22.86
16.39
13.9
12.56
11.71
11.13
201
7
58.91
236.77
5928.4
592873
9.35
19.35
99.36
999.36
5.27
8.89
27.67
131.58
3.98
6.09
14.98
49.66
3.37
4.88
10.46
28.16
3.01
4.21
8.26
19.46
2.78
3.79
6.99
15.02
2.62
3.5
6.18
12.4
2.51
3.29
5.61
10.7
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F ( continuaci
on )
r1 =grados de libertad del numerador
r2
8
9
10
12
15
20
0.9
59.44
59.86
60.19
61.22
61.22
61.74
0.95 238.88 240.54 241.88 245.95 245.95 248.01
1
0.99 5981.1 6022.5 6055.8 6157.3 6157.3 6208.7
0.999 598144 602284 605621 615764 615764 620908
0.9
9.37
9.38
9.39
9.42
9.42
9.44
0.95
19.37
19.38
19.4
19.43
19.43
19.45
2
0.99
99.37
99.39
99.4
99.43
99.43
99.45
0.999 999.37 999.39
999.4
999.43 999.43 999.45
0.9
5.25
5.24
5.23
5.2
5.2
5.18
0.95
8.85
8.81
8.79
8.7
8.7
8.66
3
0.99
27.49
27.35
27.23
26.87
26.87
26.69
0.999 130.62 129.86 129.25 127.37 127.37 126.42
0.9
3.95
3.94
3.92
3.87
3.87
3.84
0.95
6.04
6
5.96
5.86
5.86
5.8
4
0.99
14.8
14.66
14.55
14.2
14.2
14.02
0.999
49
48.47
48.05
46.76
46.76
46.1
0.9
3.34
3.32
3.3
3.24
3.24
3.21
0.95
4.82
4.77
4.74
4.62
4.62
4.56
5
0.99
10.29
10.16
10.05
9.72
9.72
9.55
0.999 27.65
27.24
26.92
25.91
25.91
25.39
0.9
2.98
2.96
2.94
2.87
2.87
2.84
0.95
4.15
4.1
4.06
3.94
3.94
3.87
6
0.99
8.1
7.98
7.87
7.56
7.56
7.4
0.999 19.03
18.69
18.41
17.56
17.56
17.12
0.9
2.75
2.72
2.7
2.63
2.63
2.59
0.95
3.73
3.68
3.64
3.51
3.51
3.44
7
0.99
6.84
6.72
6.62
6.31
6.31
6.16
0.999 14.63
14.33
14.08
13.32
13.32
12.93
0.9
2.59
2.56
2.54
2.46
2.46
2.42
0.95
3.44
3.39
3.35
3.22
3.22
3.15
8
0.99
6.03
5.91
5.81
5.52
5.52
5.36
0.999 12.05
11.77
11.54
10.84
10.84
10.48
0.9
2.47
2.44
2.42
2.34
2.34
2.3
0.95
3.23
3.18
3.14
3.01
3.01
2.94
9
0.99
5.47
5.35
5.26
4.96
4.96
4.81
0.999 10.37
10.11
9.89
9.24
9.24
8.9
202
25
62.05
249.26
6239.8
624017
9.45
19.46
99.46
999.46
5.17
8.63
26.58
125.84
3.83
5.77
13.91
45.7
3.19
4.52
9.45
25.08
2.81
3.83
7.3
16.85
2.57
3.4
6.06
12.69
2.4
3.11
5.26
10.26
2.27
2.89
4.71
8.69
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F (continuaci
on )
r1 =grados de libertad del numerador
r2
30
40
50
60
120
0.9
62.26
62.53
62.69
62.79
63.06
0.95
250.1
251.14 251.77
252.2
253.25
1
0.99 6260.6 6286.8 6302.5
6313
6339.4
0.999 626099 628712 630285 631337 633972
0.9
9.46
9.47
9.47
9.47
9.48
0.95
19.46
19.47
19.48
19.48
19.49
2
0.99
99.47
99.47
99.48
99.48
99.49
0.999 999.47 999.47 999.48 999.48 999.49
0.9
5.17
5.16
5.15
5.15
5.14
0.95
8.62
8.59
8.58
8.57
8.55
3
0.99
26.5
26.41
26.35
26.32
26.22
0.999 125.45 124.96 124.66 124.47 123.97
0.9
3.82
3.8
3.8
3.79
3.78
0.95
5.75
5.72
5.7
5.69
5.66
4
0.99
13.84
13.75
13.69
13.65
13.56
0.999 45.43
45.09
44.88
44.75
44.4
0.9
3.17
3.16
3.15
3.14
3.12
0.95
4.5
4.46
4.44
4.43
4.4
5
0.99
9.38
9.29
9.24
9.2
9.11
0.999 24.87
24.6
24.44
24.33
24.06
0.9
2.8
2.78
2.77
2.76
2.74
0.95
3.81
3.77
3.75
3.74
3.7
6
0.99
7.23
7.14
7.09
7.06
6.97
0.999 16.67
16.44
16.31
16.21
15.98
0.9
2.56
2.54
2.52
2.51
2.49
0.95
3.38
3.34
3.32
3.3
3.27
7
0.99
5.99
5.91
5.86
5.82
5.74
0.999 12.53
12.33
12.2
12.12
11.91
0.9
2.38
2.36
2.35
2.34
2.32
0.95
3.08
3.04
3.02
3.01
2.97
8
0.99
5.2
5.12
5.07
5.03
4.95
0.999 10.11
9.92
9.8
9.73
9.53
0.9
2.25
2.23
2.22
2.21
2.18
0.95
2.86
2.83
2.8
2.79
2.75
9
0.99
4.65
4.57
4.52
4.48
4.4
0.999
8.55
8.37
8.26
8.19
8
203
1000
63.3
254.19
6362.7
636301
9.49
19.49
99.5
999.5
5.13
8.53
26.14
123.53
3.76
5.63
13.47
44.09
3.11
4.37
9.03
23.82
2.72
3.67
6.89
15.77
2.47
3.23
5.66
11.72
2.3
2.93
4.87
9.36
2.16
2.71
4.32
7.84
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F ( continuaci
on )
r1 =grados de libertad del numerador
r2
1
2
3
4
5
6
7
0.9
3.29
2.92
2.73
2.61
2.52 2.46 2.41
0.95
4.96
4.1
3.71
3.48
3.33 3.22 3.14
10 0.99 10.04 7.56
6.55
5.99
5.64 5.39 5.2
0.999 21.04 14.91 12.55 11.28 10.48 9.93 9.52
0.9
3.23
2.86
2.66
2.54
2.45 2.39 2.34
0.95
4.84
3.98
3.59
3.36
3.2
3.09 3.01
11 0.99
9.65
7.21
6.22
5.67
5.32 5.07 4.89
0.999 19.69 13.81 11.56 10.35 9.58 9.05 8.66
0.9
3.18
2.81
2.61
2.48
2.39 2.33 2.28
0.95
4.75
3.89
3.49
3.26
3.11
3
2.91
12 0.99
9.33
6.93
5.95
5.41
5.06 4.82 4.64
0.999 18.64 12.97 10.8
9.63
8.89 8.38
8
0.9
3.14
2.76
2.56
2.43
2.35 2.28 2.23
0.95
4.67
3.81
3.41
3.18
3.03 2.92 2.83
13 0.99
9.07
6.7
5.74
5.21
4.86 4.62 4.44
0.999 17.82 12.31 10.21 9.07
8.35 7.86 7.49
0.9
3.1
2.73
2.52
2.39
2.31 2.24 2.19
0.95
4.6
3.74
3.34
3.11
2.96 2.85 2.76
14 0.99
8.86
6.51
5.56
5.04
4.69 4.46 4.28
0.999 17.14 11.78 9.73
8.62
7.92 7.44 7.08
0.9
3.07
2.7
2.49
2.36
2.27 2.21 2.16
0.95
4.54
3.68
3.29
3.06
2.9
2.79 2.71
15 0.99
8.68
6.36
5.42
4.89
4.56 4.32 4.14
0.999 16.59 11.34 9.34
8.25
7.57 7.09 6.74
0.9
3.05
2.67
2.46
2.33
2.24 2.18 2.13
0.95
4.49
3.63
3.24
3.01
2.85 2.74 2.66
16 0.99
8.53
6.23
5.29
4.77
4.44
4.2 4.03
0.999 16.12 10.97 9.01
7.94
7.27
6.8 6.46
0.9
3.03
2.64
2.44
2.31
2.22 2.15 2.1
0.95
4.45
3.59
3.2
2.96
2.81
2.7 2.61
17 0.99
8.4
6.11
5.19
4.67
4.34
4.1 3.93
0.999 15.72 10.66 8.73
7.68
7.02 6.56 6.22
0.9
3.01
2.62
2.42
2.29
2.2
2.13 2.08
0.95
4.41
3.55
3.16
2.93
2.77 2.66 2.58
18 0.99
8.29
6.01
5.09
4.58
4.25 4.01 3.84
0.999 15.38 10.39 8.49
7.46
6.81 6.35 6.02
204
8
2.38
3.07
5.06
9.2
2.3
2.95
4.74
8.35
2.24
2.85
4.5
7.71
2.2
2.77
4.3
7.21
2.15
2.7
4.14
6.8
2.12
2.64
4
6.47
2.09
2.59
3.89
6.19
2.06
2.55
3.79
5.96
2.04
2.51
3.71
5.76
9
2.35
3.02
4.94
8.96
2.27
2.9
4.63
8.12
2.21
2.8
4.39
7.48
2.16
2.71
4.19
6.98
2.12
2.65
4.03
6.58
2.09
2.59
3.89
6.26
2.06
2.54
3.78
5.98
2.03
2.49
3.68
5.75
2
2.46
3.6
5.56
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F ( continuacion )
r1 =grados de libertad del numerador
r2
10
12
15
20
25
30
40
50
60
0.9
2.32 2.28 2.24 2.2 2.17 2.16 2.13 2.12 2.11
0.95 2.98 2.91 2.85 2.77 2.73 2.7 2.66 2.64 2.62
10 0.99 4.85 4.71 4.56 4.41 4.31 4.25 4.17 4.12 4.08
0.999 8.75 8.45 8.13 7.8
7.6 7.47 7.3 7.19 7.12
0.9
2.25 2.21 2.17 2.12 2.1 2.08 2.05 2.04 2.03
0.95 2.85 2.79 2.72 2.65 2.6 2.57 2.53 2.51 2.49
11 0.99 4.54 4.4 4.25 4.1 4.01 3.94 3.86 3.81 3.78
0.999 7.92 7.63 7.32 7.01 6.81 6.68 6.52 6.42 6.35
0.9
2.19 2.15 2.1 2.06 2.03 2.01 1.99 1.97 1.96
0.95 2.75 2.69 2.62 2.54 2.5 2.47 2.43 2.4 2.38
12 0.99
4.3 4.16 4.01 3.86 3.76 3.7 3.62 3.57 3.54
0.999 7.29
7
6.71 6.4 6.22 6.09 5.93 5.83 5.76
0.9
2.14 2.1 2.05 2.01 1.98 1.96 1.93 1.92 1.9
0.95 2.67 2.6 2.53 2.46 2.41 2.38 2.34 2.31 2.3
13 0.99
4.1 3.96 3.82 3.66 3.57 3.51 3.43 3.38 3.34
0.999 6.8 6.52 6.23 5.93 5.75 5.63 5.47 5.37 5.3
0.9
2.1 2.05 2.01 1.96 1.93 1.91 1.89 1.87 1.86
0.95
2.6 2.53 2.46 2.39 2.34 2.31 2.27 2.24 2.22
14 0.99 3.94 3.8 3.66 3.51 3.41 3.35 3.27 3.22 3.18
0.999 6.4 6.13 5.85 5.56 5.38 5.25 5.1
5
4.94
0.9
2.06 2.02 1.97 1.92 1.89 1.87 1.85 1.83 1.82
0.95 2.54 2.48 2.4 2.33 2.28 2.25 2.2 2.18 2.16
15 0.99
3.8 3.67 3.52 3.37 3.28 3.21 3.13 3.08 3.05
0.999 6.08 5.81 5.54 5.25 5.07 4.95 4.8
4.7 4.64
0.9
2.03 1.99 1.94 1.89 1.86 1.84 1.81 1.79 1.78
0.95 2.49 2.42 2.35 2.28 2.23 2.19 2.15 2.12 2.11
16 0.99 3.69 3.55 3.41 3.26 3.16 3.1 3.02 2.97 2.93
0.999 5.81 5.55 5.27 4.99 4.82 4.7 4.54 4.45 4.39
0.9
2
1.96 1.91 1.86 1.83 1.81 1.78 1.76 1.75
0.95 2.45 2.38 2.31 2.23 2.18 2.15 2.1 2.08 2.06
17 0.99 3.59 3.46 3.31 3.16 3.07
3
2.92 2.87 2.83
0.999 5.58 5.32 5.05 4.78 4.6 4.48 4.33 4.24 4.18
0.9
1.98 1.93 1.89 1.84 1.8 1.78 1.75 1.74 1.72
0.95 2.41 2.34 2.27 2.19 2.14 2.11 2.06 2.04 2.02
18 0.99 3.51 3.37 3.23 3.08 2.98 2.92 2.84 2.78 2.75
0.999 5.39 5.13 4.87 4.59 4.42 4.3 4.15 4.06
4
205
120
2.08
2.58
4
6.94
2
2.45
3.69
6.18
1.93
2.34
3.45
5.59
1.88
2.25
3.25
5.14
1.83
2.18
3.09
4.77
1.79
2.11
2.96
4.47
1.75
2.06
2.84
4.23
1.72
2.01
2.75
4.02
1.69
1.97
2.66
3.84
1000
2.06
2.54
3.92
6.78
1.98
2.41
3.61
6.02
1.91
2.3
3.37
5.44
1.85
2.21
3.18
4.99
1.8
2.14
3.02
4.62
1.76
2.07
2.88
4.33
1.72
2.02
2.76
4.08
1.69
1.97
2.66
3.87
1.66
1.92
2.58
3.69
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F ( continuaci
on )
r1 =grados de libertad del numerador
r2
1
2
3
4
5
6
7
8
0.9
2.99
2.61
2.4 2.27 2.18 2.11 2.06 2.02
0.95
4.38
3.52 3.13 2.9 2.74 2.63 2.54 2.48
19 0.99
8.18
5.93 5.01 4.5 4.17 3.94 3.77 3.63
0.999 15.08 10.16 8.28 7.27 6.62 6.18 5.85 5.59
0.9
2.97
2.59 2.38 2.25 2.16 2.09 2.04
2
0.95
4.35
3.49
3.1 2.87 2.71 2.6 2.51 2.45
20 0.99
8.1
5.85 4.94 4.43 4.1 3.87 3.7 3.56
0.999 14.82 9.95
8.1
7.1 6.46 6.02 5.69 5.44
0.9
2.96
2.57 2.36 2.23 2.14 2.08 2.02 1.98
0.95
4.32
3.47 3.07 2.84 2.68 2.57 2.49 2.42
21 0.99
8.02
5.78 4.87 4.37 4.04 3.81 3.64 3.51
0.999 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31
0.9
2.95
2.56 2.35 2.22 2.13 2.06 2.01 1.97
0.95
4.3
3.44 3.05 2.82 2.66 2.55 2.46 2.4
22 0.99
7.95
5.72 4.82 4.31 3.99 3.76 3.59 3.45
0.999 14.38 9.61
7.8 6.81 6.19 5.76 5.44 5.19
0.9
2.94
2.55 2.34 2.21 2.11 2.05 1.99 1.95
0.95
4.28
3.42 3.03 2.8 2.64 2.53 2.44 2.37
23 0.99
7.88
5.66 4.76 4.26 3.94 3.71 3.54 3.41
0.999 14.2
9.47 7.67 6.7 6.08 5.65 5.33 5.09
0.9
2.93
2.54 2.33 2.19 2.1 2.04 1.98 1.94
0.95
4.26
3.4
3.01 2.78 2.62 2.51 2.42 2.36
24 0.99
7.82
5.61 4.72 4.22 3.9 3.67 3.5 3.36
0.999 14.03 9.34 7.55 6.59 5.98 5.55 5.23 4.99
0.9
2.92
2.53 2.32 2.18 2.09 2.02 1.97 1.93
0.95
4.24
3.39 2.99 2.76 2.6 2.49 2.4 2.34
25 0.99
7.77
5.57 4.68 4.18 3.85 3.63 3.46 3.32
0.999 13.88 9.22 7.45 6.49 5.89 5.46 5.15 4.91
0.9
2.91
2.52 2.31 2.17 2.08 2.01 1.96 1.92
0.95
4.23
3.37 2.98 2.74 2.59 2.47 2.39 2.32
26 0.99
7.72
5.53 4.64 4.14 3.82 3.59 3.42 3.29
0.999 13.74 9.12 7.36 6.41 5.8 5.38 5.07 4.83
0.9
2.9
2.51
2.3 2.17 2.07
2
1.95 1.91
0.95
4.21
3.35 2.96 2.73 2.57 2.46 2.37 2.31
27 0.99
7.68
5.49
4.6 4.11 3.78 3.56 3.39 3.26
0.999 13.61 9.02 7.27 6.33 5.73 5.31
5
4.76
206
9
1.98
2.42
3.52
5.39
1.96
2.39
3.46
5.24
1.95
2.37
3.4
5.11
1.93
2.34
3.35
4.99
1.92
2.32
3.3
4.89
1.91
2.3
3.26
4.8
1.89
2.28
3.22
4.71
1.88
2.27
3.18
4.64
1.87
2.25
3.15
4.57
APENDICE
A. TABLAS ESTADISTICAS
Tabla A19 Cuantiles de la distribucion F ( continuacion )
r1 =grados de libertad del numerador
r2
10
12
15
20
25
30
40
50
60
0.9
1.84 1.79 1.74 1.69 1.65 1.63 1.59 1.57 1.56
0.95 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.79 1.77
28
0.99 3.03 2.9 2.75 2.6 2.51 2.44 2.35 2.3 2.26
0.999 4.35 4.11 3.86 3.6 3.43 3.32 3.18 3.09 3.02
0.9
1.83 1.78 1.73 1.68 1.64 1.62 1.58 1.56 1.55
0.95 2.18 2.1 2.03 1.94 1.89 1.85 1.81 1.77 1.75
29
0.99
3
2.87 2.73 2.57 2.48 2.41 2.33 2.27 2.23
0.999 4.29 4.05 3.8 3.54 3.38 3.27 3.12 3.03 2.97
0.9
1.82 1.77 1.72 1.67 1.63 1.61 1.57 1.55 1.54
0.95 2.16 2.09 2.01 1.93 1.88 1.84 1.79 1.76 1.74
30
0.99 2.98 2.84 2.7 2.55 2.45 2.39 2.3 2.25 2.21
0.999 4.24
4
3.75 3.49 3.33 3.22 3.07 2.98 2.92
0.9
1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.48 1.47
0.95 2.08
2
1.92 1.84 1.78 1.74 1.69 1.66 1.64
40
0.99
2.8 2.66 2.52 2.37 2.27 2.2 2.11 2.06 2.02
0.999 3.87 3.64 3.4 3.14 2.98 2.87 2.73 2.64 2.57
0.9
1.73 1.68 1.63 1.57 1.53 1.5 1.46 1.44 1.42
0.95 2.03 1.95 1.87 1.78 1.73 1.69 1.63 1.6 1.58
50
0.99
2.7 2.56 2.42 2.27 2.17 2.1 2.01 1.95 1.91
0.999 3.67 3.44 3.2 2.95 2.79 2.68 2.53 2.44 2.38
0.9
1.71 1.66 1.6 1.54 1.5 1.48 1.44 1.41 1.4
0.95 1.99 1.92 1.84 1.75 1.69 1.65 1.59 1.56 1.53
60
0.99 2.63 2.5 2.35 2.2
2.1 2.03 1.94 1.88 1.84
0.999 3.54 3.32 3.08 2.83 2.67 2.55 2.41 2.32 2.25
0.9
1.66 1.61 1.56 1.49 1.45 1.42 1.38 1.35 1.34
0.95 1.93 1.85 1.77 1.68 1.62 1.57 1.52 1.48 1.45
100
0.99
2.5 2.37 2.22 2.07 1.97 1.89 1.8 1.74 1.69
0.999 3.3 3.07 2.84 2.59 2.43 2.32 2.17 2.08 2.01
0.9
1.63 1.58 1.52 1.46 1.41 1.38 1.34 1.31 1.29
0.95 1.88 1.8 1.72 1.62 1.56 1.52 1.46 1.41 1.39
200
0.99 2.41 2.27 2.13 1.97 1.87 1.79 1.69 1.63 1.58
0.999 3.12 2.9 2.67 2.42 2.26 2.15
2
1.9 1.83
0.9
1.61 1.55 1.49 1.43 1.38 1.35 1.3 1.27 1.25
0.95 1.84 1.76 1.68 1.58 1.52 1.47 1.41 1.36 1.33
1000 0.99 2.34 2.2 2.06 1.9 1.79 1.72 1.61 1.54 1.5
0.999 2.99 2.77 2.54 2.3 2.14 2.02 1.87 1.77 1.69
207
120
1.52
1.71
2.17
2.86
1.51
1.7
2.14
2.81
1.5
1.68
2.11
2.76
1.42
1.58
1.92
2.41
1.38
1.51
1.8
2.21
1.35
1.47
1.73
2.08
1.28
1.38
1.57
1.83
1.23
1.3
1.45
1.64
1.18
1.24
1.35
1.49
1000
1.48
1.66
2.08
2.72
1.47
1.65
2.05
2.66
1.46
1.63
2.02
2.61
1.38
1.52
1.82
2.25
1.33
1.45
1.7
2.05
1.3
1.4
1.62
1.92
1.22
1.3
1.45
1.64
1.16
1.21
1.3
1.43
1.08
1.11
1.16
1.22