· B I O E S T A D ( S T I C A

Herramienta para la Investigación

ANGEL CANALES
BIOESTADÍSTICA.

Herramient� para la Investigación

Autor-Editor:

© Ángel Canales Gutiérrez

Puno - Perú

Primera Edición, 201 1

Tiraje: 1000 ejemplares

Diagramación y Edición: 1von Rocío Gutierrez Flores

Hecho el Depósito Legal en la Biblioteca Nacional del Perú Nº 2 0 1 1 - 1 2 1 1 6

ISBN: 978-612-00-0700-6

Impreso en:

Corporación MERÚ E.I.R.L.

Jr. Puno 2 1 9 Interior esq. Con Jr. Moquegua, Telef. ( 0 5 1 ) 363934 - Puno

Puno - Perú

Octubre, 201 I
 PRESENTACION

La bioestadística, es una herramienta fundamental para realizar

trabajos de investigación, donde se analiza variables biológicas, que

sirven para plantear y probar hipótesis.

Muchos investigadores poseen limitaciones para aplicar

bioestadística descriptiva e ínferencíal, principalmente en esta

última, siendo una limitante para publicar e interpretar los

resultados obtenidos de la investigación.

El libro Bioestadística: Herramienta para la investigación, permitirá

al investigador encaminar en el campo de la investigación desde una

biocstadístíca descriptiva simple hasta una prueba ínfercncial,

permitiendo una mayor rigurosidad en la interpretación y discusión

de los resultados obtenidos.

La aceptación o rechazo de una hipótesis, no será posible sino no se

aplica una prueba bioestadística adecuada. En el libro existe una

variedad de ejemplos con variables biológicas, que posibilita al

lector-investigador aplicar pruebas inferenciales.

Contrariamente, existirá investigadores que no le dan importancia a

la aplicación de pruebas bioestadísticas, siendo una respuesta a la

limitación del conocimiento y utilidad de las diversas pruebas que

detecten diferencias y/o igualdades en la investigación.

EL AUTOR

l
1

t
 ÍNDICE

PÁG.

CAPÍTULO l. Principios de la bioestadística 07

1 . 1 Reseña histórica 07

1 . 2 Población y muestra 08

1 . 3 Precisión y exactitude 09

1 . 4 Parámetro 11

1 . 5 Esta dígrafo 11

1 . 6 Ciclo metodológico 1 1.

1.7Variables 13

1 . 8 Distribución de frecuencias 15

1 . 9 Representación gráfica de datos 27

1 . 1 0 Problemas propuestos · 31

CAPÍTULO II. Estadística descriptiva 33

2 . 1 Media 33

2 . 2 Mediana 37

2 . 3 Moda 40

2 . 4 Desviación estándar 43

2 . 5 Varianza 48

2 . 6 Coeficiente de variabilidad 49

2 . 7 Problemas propuestos 50

CAPITULO 1 1 1 . Probabilidades, distribuciones,

límites de confianza, hipótesis, asimetrías 52

3 . 1 Probabilidades 52

3 . 2 Distribución normal de probabilidad 53

3 . 3 Distribución de P o i s s o n y espacial 56

3 . 4 Intervalos de confianza 64

3.SAsimetríayKurtosis 66

3 . 6 Pruebas de hipótesis 69

3.7Tamañodemuestra 75

3 . 8 Problemas propuestos 82
CAPITULO IV. Pruebas bioestadístícas paramétricas 83

4 . 1 Supuestos para pruebas bioestadísticas 83

4.2 ANDEVA de clasificación simple 94

4.3 ANDEVA factorial 110

4.4 Regresión 127

4 . 5 Correlación 134

4.5 Problemas propuestos 143

CAPITULO V. Pruebas no paramétricas 14 7

5 . 1 J i cuadrado 149

5 . 2 Tabla de contingencia 154

5 . 3 Kruskal Wallis 159

5 . 4 Mann Whitney 169

5 . 5 Friedman Two Way 172

5 . 6 Problemas propuestos 177

ANEXOS 179

BIBLIOGRAFÍA 217
_il. Canales G. Bioestadistica

CAPITULO I

PRINCIPIOS DE LA BIOESTADISTICA

1 . 1 . RESEÑA HISTÓRICA: ETAPA INICIAL DE LA SISTEMATIZACIÓN Y

ETAPA ACTUAL

1 . 2 . POBLACIÓN MUESTRA

1 . 3 . PRECISIÓN Y EXACTITUD

1.4. PARÁMETRO

1 . 5 . ESTADÍGRAFO

1 . 6 . CICLO METODOLÓGICO

1 . 7 . VARIABLESCONTINUAS,DISCRETASYATRIBUTOS

1.8. DISTRIBUCIÓN DE FRECUENCIAS

1.9. H I S T O G RA M A E N F O R M A D E F I G U RA S

PROBLEMAS PROPUESTOS

1.1. BREVERESEÑAHISTÓRICA

El desarrollo histórico de la estadística atraviesa por 3 etapas.

a) Etapa inicial

Se extiende desde la antigüedad hasta mediados del siglo XVIII. Se

caracteriza porque la estadística está asociada a los censos poblacionales,

registros de bienes y servicios del estado. La palabra estadística deriva del

vocablo "estado".

La cultura egipcia contó con recopilaciones regulares de datos de su

administración estatal, sobresaliendo Saphkit, diosa de los libros y de los

cuentos.

b) Etapa de sistematización

Se caracteriza por la aparición de escuelas que sistematizan la estadística,

destacándose tres:

Escuela alemana: Creó la primera cátedra de la estadística considerando

esta disciplina como la descripción de los fenómenos concernientes a

estado o administración.

Escuela inglesa: Cuantificaron las leyes que rigen los fenómenos sociales,

como consecuencia "aritmetizaron" la estadística.

07
 A. Canales G. Bioestadistica

Escuela Francesa: Introduce la teoría de las probabilidades como

. fundamento m a t e m á t i c o de la estadística.

e) Etapa actual

Comprendida entre p r i n c i p i o s del siglo XIX hasta nuestros días. En esta

etapa, la matemática se plasma como la columna vertebral de la

estadística y se caracteriza p o r el gran desarrollo alcanzado como ciencia

y como metodología de investigación científica aplicada a todas las ramas

del saber h u m a n o : biología, medicina, ingeniería, economía, entre otros.

La estadística, es hoy un campo extremadamente activo, cuyas

aplicaciones alcanzan a casi todas las ciencias e incluso a todas las

humanidades.

1.2. P O B L A C I Ó N Y M U E S T RA

Población

Es el conjunto mayor de objetos (universo) que estos tengan al menos una

característica, acerca de las cuales se desea información.

Conjunto de individuos de la misma especie que tienen las mismas

características que viven en un determinado espacio y tiempo, pueden

ser infinitos o finitos, denominado también universo.

Muestra

Es una parte de población que puede ser tomado aleatoriamente y debe

ser una parte representativa de la población. Si la muestra no es

representativa, no podemos inferir acerca de la población. Existen

fórmulas para determinar el tamaño de muestra, siendo un dato muy

importante para realizar trabajos de investigación.

Población

X X

08
 A. Canales G. Bioes tadística

1 . 3 . PRECISIÓN Y EXACTITUD

. "Exactitud" y "Precisión" se usan · sinónimamente en la conversación

normal, pero estadísticamente haremos una distinción.

Exactitud, es la cercanía de un dato m e d i d o o computado a su verdadero

valor.

Precisión, es la cercanía entre medidas repetidas del mismo objeto o ente.

Los valores p r e c i s o s s o n usuales, aunque no necesariamente, números

enteros. Así, cuando contamos cuatro huevos en un nido, no existe

ninguna duda acerca del número exacto de huevos que hay en el nido si

hemos contado correctamente; serán cuatro, no cinco ni tres, y

claramente tampoco podrán ser cuatro más o menos una parte fr a c c í o n a l ,

Las variables discretas, también suelen medirse como números exactos.

De forma similar las variables continuas que derivan de otras discretas

pueden, bajo ciertas c o n d i c i o n e s , ser también números exactos. Si en una

colonia de animales hay 1 8 hembras y 1 2 machos, la p r o p o r c i ó n entre

hembras y machos es 1 , 5 valor continuo y también número exacto.

El último dígito de la m e d i d a establecida debe, denotar precisión, esto es,

l o s límites sobre la e s c a l a de medidas entre los que nosotros creemos que

se encuentra el valor exacto. Así una medida de longitud 1 2 , 3 mm quiere

decir que el verdadero valor de dicha longitud se encuentra en algún lugar

entre 1 2 , 2 5 m m y 1 2 , 3 5 m m .

Entre estos dos límites reales de 1 2 , 2 5 1 2 , 3 5 , se encuentra la verdadera

longitud de la estructura que m e d i m o s , no lo s a b e m o s . Algo puede

objetarse al definir, como h e m o s hecho, l o s límites reales como 1 2 , 2 5 y

1 2 , 3 5 m m .

Esto está claro, dado que la m e d i d a de 1 2 , 2 implicaría consigo límites

reales de 1 2 , 1 5 y 1 2 , 2 5 mm. ¿Entonces, puede cualquiera preguntarse,

caer a una medida exacta de 1 2 , 2 5 ? ¿ N o tendría iguales p o s i b i l i d a d e s de

ser escogida en cualquiera de las dos clases 1 2 , 3 y 1 2 , 2 creando de esta

manera un estado insatisfactorio en el método? Lo mismo ocurriría con

una m e d i d a de 1 2 , 3 5 mm. ¿ D o n d e la clasificaríamos, en la clase 1 2 , 3 d e s d e

2 , 2 5 hasta 1 2 , 3 4 9 9 9 9 ... , así corno l o s de 1 2 , 2 entre 1 2 , 1 5 y 1 2 , 2 4 9 9 9 . . . . .

09
 G. Biocstadisuca
.A.

Tal argumento es correcto, pero cuando registramos un número como

. 1 2 , 2 o 1 2 , 3 denotamos que la decisión, por supuesto, no es arbitraria, sino

que está basada sobre la medida más válida. Si la escala de medidas es tan

precisa que un valor de 1 2 , 2 5 fuese claramente reconocido, entonces la

medida debería registrarse originalmente con cuatro cifras significantes.

Los límites reales, por consiguiente, tienen una cifra más que la última

cifra significante m e d i d a por el observador.

Límites reales

192 ,3 192, 5 193 ,5

192, 8 192, 75 192, 85

1 9 2 , 76 192 , 7 5 5 192, 765

Una regla fácil de recordar, es que el número de pasos de una unidad desde

la más p e q u e ñ a hasta la más grande de las medidas de una ordenación

debería estar comprendido entre 3 0 y 3 0 0 . A continuación se presenta en

forma de figuras las diferencias entre precisión y exactitud.

Sin error y Sin error, pero no

preciso :::::No exacto

Con error. pero Con error y no

= N o exacto No exacto

Figura 1 . 2 . Diferencias entre error, precisión en la toma de datos

JO
 .il. Canales G. Bioes tadis tica

1.4. PARÁMETRO Y ESTADIGRAFO

Parámetro

Es un número que describe alguna característica de la población y para

determinar su valor es necesario utilizar la información poblacional

completa, y por lo tanto, las decisiones se toman con certidumbre total.

Estadígrafo

Es un número que se obtiene a partir de los datos muestrales y describe

alguna característica de la muestra y la toma de decisiones contiene un

grado de incertidumbre.

1 . 5 . ESTÁDÍSTICA DESCRIPTIVA E INFERENCIAL

Estadística: Es la aplicación de los conocimientos de la matemática con la

finalidad de recolectar y analizar datos para obtener información.

Bioestadistica

Está relacionado a la recolección y análisis de datos biológicos o variables

biológicos. Ejemplos: peso, talla, temperatura, número de especies,

individuos, número de enfermedades, número de bacterias, entre otros.

Estadística descriptiva

Trata de la recopilación, clasificación, presentación y descripción de los

datos. No es recomendable utilizar ésta estadística para analizar

diferencias. Hay dos clases de estadística descriptiva, los estadísticos

centrales o de localización y estadísticos de dispersión. Los estadísticos

centrales señalan la p o s i c i ó n de una muestra de dimensión dada. Por lo

tanto, un estadístico central debe p o s e e r un valor representativo para la

masa de observaciones.

Estadística inferencial

N o s proporciona la teoría para tomar decisiones frente a la incertidumbre

o afirmar algo acerca de la población a partir de los datos bajo estudio.

Esta estadística, es la que debe de emplearse en trabajos de investigación

y para publicaciones en revistas científicas.

1 . 6 . CICLO M E T O D O L Ó G I C O

¡
¡
Cuando no sea posible obtener una información completa de la población,
¡

J se extraen muestras representativas de dicha población mediante las

11
 _11. Canales G. Bioestadistica
���-��������·

técnicas de muestreo y en base al estudio o información obtenida de los

. datos muestrales se toman decisiones frente a la incertidumbre, o se

afirma algo acerca de la población total con ayuda de la bioestadística

ínferencial.

Este ciclo se cumple en la mayoría de los trabajos de la bioestadística.

POBLACIÓN

Técnicas de muestreo Muestra

.

0
Bioestadística inferencia!

Figura 1 . 3 . Ciclo metodológico de la bíoestadístíca inferencial.

La recolección de los datos, es en forma desordenada, luego procedemos a

ordenarlo y una vez ordenada, procedemos a presentar en forma de

figuras, cuadros y tablas. En este proceso interviene el ciclo metodológico.

Ejemplo:

Cuadro 1 . 1 . Procedencia de los Estudiantes de la Facultad de Ciencias

Biológicas de la UNA Puno ( 2 0 0 7 ) .

Provincias Mujeres Hombres

Ayaviri 40 20

Azángaro 30 20

Huancané 6 4

J u l i a ca 80 70

Puno 100 80

Otros 5 4

12
 iL Canales G. Bioestadistica

Figura 1.4. Representación en forma de barras de los datos

numéricos de alumnos de la FCCBB-UNA Puno

1 . 7 . VARIABLES

Qué es variable.

Una variable es una p r o p i e d a d c o n r e s p e c t o a la cual l o s i n d i v i d u o s de una

muestra se diferencian en algo verificable y medible. Si la propiedad no

diferencia a los individuos de la muestra bajo estudio, o al menos a las

muestras que han sido estudiadas, puede no ser de interés estadístico.

Conservándose uniforme, tal propiedad no sería una variable en el

sentido etimológico de la palabra, y por tanto, ni siquiera debería ser

llamada así.

Las variables adquieren valor para la investigación científica cuando

pueden ser relacionadas con otras (formar parte de una hipótesis o una

teoría).

P o d e m o s dividir variables b i o l ó g i c a s c o m o s i g u e :

13

J
_.A. Canales G. Bioes tadistica

Variables mensurables.

Son todas aquellas cuyos diferentes estados pueden ser expresados de

una manera numérica. Podemos establecer una división en dos clases:

a. Las variables continuas

Las cuales teóricamente p u e d e n alcanzar un número infinito de valores

entre dos puntos fijos cualesquiera.

Por ejemplo, entre las medidas longitudinales, 1 , 5 y 1 , 6 cm hay un número

infinito de longitudes que podrían ser medidas, si se tuvieran un método

de calibración suficientemente preciso para obtener tales medidas.

Cualquier lectura de una variable continua, tal como de la longitud

1 , 5 7mm, es de s d e luego una aproximación a la lectura exacta, la cual en la

práctica es incognoscible. Para medir este tipo de variables se utiliza

e q u i p o s e instrumentos.

E j e m p l o s de variables continuas: longitudes, áreas, volúmenes, pesos,

ángulos, temperaturas, períodos de tiempo, porcentajes.

b. Variables discontinuas. discretas o merísticas.

En contraste con las variables continuas existe otro tipo llamado de

variables discontinuas, c o n o c i d o s también como variables discretas o

merísticas. Éstas son variables que p o s e e n únicamente algunos valores

numéricos fijos y además no pueden tomar valores intermedios entre

dichos valores fijos.

Así el número de artejos del apéndice de un insecto dado puede s e r 4; 5 ó 6

pero nunca 5,5 ó 4,3. Ejemplos: El número de una cierta estructura

( segmentos, cerdas, dientes ó glándulas), el número de vástagos o prole, el

número de colonias de microorganismos, animales, número de plantas en

un área determinada, entre otros.

Variable ordinal o atributo

Algunas variables no pueden ser medidas, pero pueden ser ordenadas y _

clasificadas por su magnitud. Así, en un experimento se puede clasificar

ordenadamente la emergencia de 1 0 pupas sin especificar la hora exacta

en la que cada pupa emergió. En tales casos, registramos los datos como

una variable ordinal, que es el orden de emergencia.

14
.
..4. Canales G. Bioestadisuca

Las variables que no pueden ser medidas, pero que p u e d e expresarse

cualitativamente, reciben el nombre de atributos.

Todas ellas s o n propiedades, tales como blanco o negro, preñada o no

preñada, vivo o muerto, macho o hembra. Cuando tales atributos

aparecen combinados con frecuencias pueden tratarse estadísticamente.

De 8 0 ratones, p o d e m o s establecer que cuatro de ellos s o n negros y el

resto grises. Cuando l o s atributos se combinan con frecuencias en cuadros

adecuados para su tratamiento, nos referimos a ellos llamándoles datos

de enumeración.

Así, los d a t o s d e enumeración sobre el color de los ratones, se dispondrían

como siguen:

Color Frecuencia

Negro 4

Gris 76

Total 80

En algunos casos, los atributos pueden convertirse en variables, si esto se

considera necesario. Así, cabe sustituir los colores por longitudes de onda

o por valores sobre una figura, los cuales son magnitudes mensurables.

Algunos otros atributos que pueden ser clasificados u ordenados, son

susceptibles de ser codificados a fin de convertirlos en variables

ordinales. E j e m p l o : Los tres atributos siguientes que designaremos por

las expresiones "pobremente desarrollado", "bien desarrollado", e

"hipertrófico", podrían ser codificados convenientemente mediante las

cifras 1, 2, 3 . Estos valores denotan el orden de desarrollo pero no la

magnitud relativa entre estos estados de crecimiento.

1 . 8 DISTRIBUCIÓN DE FRECUENCIAS

Cuando se trabaja con conjuntos grandes de datos, con frecuencia es útil

organizarlos y resumirlos p o r m e d io de la construcción de una tabla que

liste los distintos valores posibles de los datos (ya sea de forma individual

o por grupos), junto con las frecuencias correspondientes, es decir, el

número de veces que ocurren dichos valores.

Construcción de una distribución de frecuencias

1) Sean las siguientes cifras, los calificativos de un curso de bioestadística,

en el que se han evaluado a n = 5 6 personas, siendo la escala de evacuación

de O a 1 0 0 .

15
 A.. Canales G. Bioestadisttca

Cuadro 1.2 Datos para la distribución de frecuencias

73 81 44 69 30 38

75 66 76 84 72 82

58 89 73 59 87 63

43 59 64 74 63 63

48 52 77 68 47 53

63 72 52 55 75 43

67 61 87 39 62

75 69 53 79 95

50 38 70 84 82

95 59 75 36 65

¡ '
J

2) El siguiente paso es, ordenarlos sea en sentido creciente o en sentido

decreciente. En el presente ejemplo ordenaremos en sentido creciente, es

decir del me n o r al mayor dato.

Cuadro 1 . 3 . Ordenamiento de datos del menor al mayor

30 50 61 68 75 84

36 56 62 69 75 87

38 56 63 69 75 87

38 53 63 70 76 89

39, 53 63 72 77 95

43 55 63 72 79 95

43 58 64 73 81

44 59 65 73 82

47 59 66 74 82

48 59 67 75 84

En el cuadro ¿qué relaciones podemos distinguir entre los números?

Hay un valor menor o valor mínimo V min = 3 0

Existe un valor mayor o valor m á x i m o = 9 5

Hay datos que se repiten

Existen relaciones que no se perciben y para poder percibirlas se

clasificarán los 56 datos en grupos o conjuntos, que en lenguaje

bioestadístico se llaman intervalos de clases, según los siguientes p a s o s :

1 . ¿cuántas clases o intervalos necesitaremos? Para saber esto, se utiliza la

fórmula de Sturges.

16
 I I i : >es 1 , u I is t i ,

K = 1 + 3 , 3 l o g l/

En l a q u e :

K = número de i n t e r v a l o s o c l a s e s

N = n ú m e r o de datos ( t a m a ñ o de la muestra)

La fórmula de Sturges, es de mucha u t i l i d a d d e b i d o a que o r i e n t a y n o s d a

una idea de cuantos intervalos usar, pero es una fórmula poco

c o n s e r v a d o r a y n o s d a un n ú m e r o de i n t e r v a l o s un p o c o m e n o r d e l q u e s e

u t i l i z a en la p r á c t i c a .

E n este e j e m p l o :

En la fórmula t e n e m o s :

K = 1 + 3,3 log 5 6 log 5 6 = 1 , 7 4 8

K = 1 + 3,3 (1,748)

K = 1 + 5,8

K 6,8

La fórmula es conservadora, entonces para obtener el número que

r e a l m e n t e es n e c e s a r i o , r e d o n d e a m o s al s i g u i e n t e entero mayor.

K = 7

N o t a : E n la práctica el n ú m e r o de intervalos debe t o m a r s e a l r e d e d o r d e

1 0 , el número de datos con el q u e se trabajan, es más o m e n o s a l r e d e d o r

de 1 0 0 .

C u a n d o el n ú m e r o de datos es m e n o r q u e 1 0 0 , el n ú m e r o de i n t e r v a l o s se

debe tomar m e n o r de 1 0 . Para un número de datos bastante grande, el

n ú m e r o de intervalos es mayor a 1 0 , la p r á c t i c a a c o n s e j a l o s s i g u i e n t e s

límites.

5 < K ;;;;,,. 1 5

Lo que quiere decir, es q u e se r e c o m i e n d a q u e el n ú m e r o de c l a s e s n o d e b e

ser m e n o r de 5 n i mayor a 1 5 .

2 . Luego se h a c e el r e c o r r i d o o e x t e n s i ó n de l o s datos que se d e n o t a con la

letra L. S u fórmula e s :

L = valor m á x i m o - v a l o r m í n i m o + 1

Se debe s u m a r el n ú m e r o 1 c u a n d o l o s d a t o s s e e x p r e s a n en n ú m e r o s

enteros, Si los datos son d e c i m a l e s no se toma l .

1 '
'"7

� ¡
 V m a x = 95

V min = 3 0

L = 95 - 30 +1

L= 6 6

Entonces la extensión o r e c o r r i d o en 6 6 .

3 ) La i d e a es resumir l o s valores para percibir algunas características o

p r o p i e d a d e s de l o s datos, que no s e notan a s i m p l e vista. Por la fórmula de

Sturges t e n e m o s 7 intervalos, clasificando las 5 6 notas en 7 grupos.

El r e c o r r i d o se dividiría en 7 partes iguales o intervalos.

S e d e b e r e p r e s e n t a r el a n c h o o amplitud de cada intervalo con la letra C .

Este a n c h o de intervalo s e obtiene mediante la fórmula:

L
C = ­
k

L o s valores L y K s o n c o n o c i d o s : L = 6 6 y K = 7 . 0

A p l i c a n d o l o s datos en la fórmula anterior t e n e m o s :

66
e = - = 9 43
7 1

Redondearemos a 1 O.

El entero inmediato inferior a 1 0 es 9, y no es conveniente porque el

recorrido de trabajo s e r á :

I = c x K = 9 x 7 = 63 esto daría lugar a que el dato 9 5 se encuentre fuera de

este recorrido.

Luego C = 10 y por lo tanto el recorrido de trabajo obtenido como

c o n s e c u e n c i a de r e d o n d e a r 9 . 4 3 a 1 0 s e r á :

T = c x K = 10 x 7 = 70
 � L Canales n. Bioe« uulistica

. 4) Teniendo en cuenta que este recorrido es mayor que el recorrido

o r i g i n a l b u s c a r e m o s el exceso:

Exceso= 7 0 - 76

Exceso= 4

El exceso proviene de h a b e r a u m e n t a d o la amplitud de cada intervalo de

9,43 a 1 0 .

Para b u s c a r la simetría de la d i s t r i b u c i ó n de los datos, d e b e m o s repartir

este exceso a l o s d o s extremos del r e c o r r i d o original, mitad para cada

l a d o . vl + Z

R e s t a m o s 2 al valor m í n i m o y s u m a m o s 2 al valor m á x i m o .

95 + 2 = 97

30 - 2 = 28

A partir del valor o b t e n i d o 2 8 agregamos sucesivamente la amplitud 1 0 y

a s í o b t e n e m o s d o s p u n t o s de d i v i s i ó n que determinan l o s 7 intervalos

( ver figura)

1 8 38 48 58 68 -g 88 98

Pero se presenta una dificultad c u a n d o algunos de los datos c o i n c i d e n con

c u a l q u i e r a de l o s puntos en d i v i s i ó n c o m o s o n :

3 8 , 48, 5 8 y 6 8

Supongamos que un dato es 38 ¿dónde lo colocamos? ¿En el primer

intervalo de cuyos extremos s o n 2 8 y 3 8 ? ó ¿en el s e g u n d o q u e t i e n e n los

extremos 3 8 y 4 8 ?

19
 • l. Canalc« G. Bioesuuiisticc:

Para despejar esta duda adoptaremos por acuerdo, el intervalo

cerrado p o r la i z q u i e r d a , que incluye el n ú m e r o 2 8 ( extremo inferior

d e l intervalo) y abierto por la d e r e c h a que no incluye el número 38

( extremo superior del intervalo). En el lenguaje matemático, un

intervalo de este t i p o se r e p r e s e n t a p o r el s í m b o l o [ 2 8 , 3 8 > . El n ú m e r o

3 8 s ó l o sirve de frontera s u p e r i o r p a r a i n d i c a r que el intervalo p u e d e

c o n t e n e r n ú m e r o s a n t e r i o r e s a 3 8 , pero no al 3 8 . Por e j e m p l o , p o d r á

c o n t e n e r el n ú m e r o 3 7 , 9 9 9 , p e r o n u n c a l l e g a r á a i n c l u i r el n ú m e r o 3 8 .

El s i g u i e n t e intervalo [ 3 8 , 4 8 ] > al n ú m e r o 3 8 pero no al 4 8 .

E n la práctica, los intervalos deben colocarse unos debajo del otro,

formando una c o l u m n a b a s e o c o l u m n a matriz, q u e dará o r i g e n a la

d i s t r i b u c i ó n de f r e c u e n c i a s . E j e m p l o s :

Intervalos o c l a s e s

Intervalos o c l a s e s Intervalos o c l a s e s

[ 28 - 38> 2 8 � 3 8

[ 3 8 - 48> 38�48

[ 48 - 5 8 >
4 8 - 5 8

[ 5 8 - 68> 5 8 - -> 6 8

[ 68 - 7 8 > 68 ->78

[ 78 - 8 8 > 7 8 · --> 8 8

[ 88 - 9 8 > 8 8 - -.. 9 3

Para h a c e r más s e n c i l l a la r e p r e s e n t a c i ó n d e l o s i n t e r v a l o s en la c o l u m n a

matriz, r e d u c i m o s el t a m a ñ o del c o r c h e t e y d e l p a r é n t e s i s a n g u l a r " > " y l o

4
c o l o c a m o s entre d o s n ú m e r o s , y e s c r i b i m o s 28 - 3 8 en vez d e [ 2 8 - 3 8 > .

Procediendo en forma similar para los otros intervalos, se obtiene la

c o l u m n a matriz q u e se p r e s e n t a en el cuadro anterior.

5) El s i g u i e n t e p a s o de este p r o c e s o de r e s u m e n , es p o n e r n o s de a c u e r d o

que todos y cada uno de los datos que se halle dentro de un mismo

intervalo, estén representados por un mismo valor. Este valor

caracterizan a la c l a s e y p o r e s o se llama marca de c l a s e , la m i s m a q u e s e

o b t i e n e p r o m e d i a n d o l o s extre m os de c a d a intervalo.

20
 , l . Ccu 1.11 lcs ( · Dir1f'Sl.1ulis,

Las marcas de c l a s e de los 7 intervalos s o n :

2 8 + 38 = 33 48 + 5 8 = 53 68 + 7 8 = 73 88 + 98 = 93

2 2 2 2

3 8 + 48 = 43 5 8 + 68 = 63 7 8 + 88 = 83

2 2 2

Otra m a n e r a de o b t e n e r la marca de clase, es p r o m e d i a r l o s extremos del

p r i m e r intervalo ( 2 8 + 3 8 ) "'"" 2 = 3 3 y a c o n t i n u a c i ó n s u m a r la a m p l i t u d 1 0 ,

para d e esta m a n e r a obtener la m a r c a de c l a s e del s e g u n d o intervalo que

es 3 3 + 1 0 = 4 3 . Es decir, c o l o c a r cada uno de l o s datos en el intervalo que le

c o r r e s p o n d e . A m e d i d a que a s i g n e m o s un dato a un intervalo anterior que

es 4 3 más la a m p l i t u d 1 0 , o b t e n i e n d o 5 3 , q u e es .la marca de c l a s e del

tercer intervalo y así p o d e m o s continuar hasta acabar con el s é p t i m o

intervalo.

6) Ahora l l e v a r e m o s a cabo la c l a s i f i c a c i ó n y el c o n t e o de l o s datos, es

decir, c o l o c a r cada uno de l o s datos en el intervalo que l e c o r r e s p o n d e . A

medida que asignemos un dato a un intervalo r e p r e s e n t a r e m o s en la

c o l u m n a de c o n t e o p o r m e d i o de un palote. U n a vez que h e m o s acabado

de a s i g n a r todos los datos a un intervalo d e t e r m i n a d o , todos e l l o s estarán

re presentados por la marca de c l a s e de d i c h o intervalo. De esta forma,

d e s p u é s de o r d e n a r l o s datos en forma creciente ( t a m b i é n s e p u e d e h a c e r

todo el p r o c e s o de c o n s t r u c c i ó n de la d i s t r i b u c i ó n de frecuencia con l o s

datos ordenados en forma creciente, lo que dará lugar a otro tipo de

distribución de frecuencias). Tal como están en el cuadro anterior,

tomamos como primer número 30, que está entre 28 y 38, es decir,

p e r t e n e c e el p r i m e r intervalo, a c o n t i n u a c i ó n m a r c a m o s un palote en la

c o l u m n a de conteo.

El s e g u n d o n ú m e r o 3 6 t a m b i é n pertenece al intervalo 2 8 - 3 8 , por lo

tanto marcamos otro palote en el m i s m o casillero que l e c o r r e s p o n d e en la

c o l u m n a de conteo, y así sucesivamente hasta llegar al p e n ú l t i m o número

8 9 q u e pertenece al intervalo de 8 8 - 9 8 , luego m a r c a r e m o s un palote e n ·

el c a s i l l e r o de e s e intervalo en la c o l u m n a de conteo y p o r ú l t i m o el dato 9 5

que también p e r t e n e c e a ese intervalo, para el que a s i g n a r e m o s un palote

en el c a s i l l e r o c o r r e s p o n d i e n t e de la c o l u m n a de conteo.

2-1
 ' S Í U C / l s ! Ü ' U

Cuadro 1.4 Cuantificación y conteo de datos

Intervalos Marcas de clase Conteo Frecuencias

2 8 ----> 3 8 33 11 2

38 ->48 43 IIIII II 7

4 8 -----> 5 8 53 IIIII II 7

58-•68 63 II I I I I I I 11 1 III 14

68->78 I I I II III 1 1 III II 15

78 - - -> 8 8 83 IIJII III 8

8 8 -----> 9 8 93 III 3

n 56

Contando el número de palotes del primer intervalo, obtenemos dos

palotes, lo que e s c r i b i m o s en la c o l u m n a de frecuencias con el número 2,

en el segundo intervalo obtenemos 7 palotes lo que expresamos

e s c r i b i e n d o el número 7 en la c o l u m n a de frecuencias.

A c o n t i n u a c i ó n r e s u m i m o s l o s p a s o s ( 5 ) , (6) y (7) en el Cuadro 1 . 5 , al q u e

se d e n o m i n a cuadro de distribución de frecuencias absolutas.

Cuadro 1 . 5 . Distribución de frecuencias absolutas

Intervalos Xi Fi

33 2
2 8 - - J. 3 8

43 7
3 8 --),48

53 7
48-58

63 14
58 ---> 68

73 15
68-78

83 8
78 -+88

93 3
88 -�98

n == 5 6

El s u b í n d i c e i es una variable entera que indica un intervalo determinado

y p o r l o tanto, en este c a s o , d e b e variar d e s d e 1 hasta 7 ( 1 1, 2 , 3, 4, 5, 6 y

7).
..J . Canales. G. Bioesuulistica
------------- .-- . .- · - · . ----- · - · - - - -

- Lu e g o :

Xl = 3 3 f1 = 2

X2 43 f2 = 7

X3 53 f3 = 7

X4 = 6 3 f4 = 1 4

X = 93 f = 3

Interpretación del cuadro de distribución de frecuencias

Las frecuencias van cambiando a partir del valor 2 en el primer intervalo o

clase, hasta a l c a n z a r los valores mayores: 1 4 y 1 5 en l o s intervalos q u e

están en la parte central de la columna de frecuencias. Al continuar

c r e c i e n d o la variable x, la frecuencia c o m i e n z a a d i s m i n u i r hasta l l e g a r al

valor 3, en el extremo inferior. Esto significa que hay p o c o s a l u m n o s que

t i e n e calificativo m e n o r y t a m b i é n que hay p o c o s a l u m n o s que t i e n e n

calificativo mayor. Así m i s m o , gran parte del n ú m e r o d e a l u m n o s t i e n e n

calificativos i n t e r m e d i o s .

Ejemplo 1 . 1 . Sean l o s siguientes p e s o s d e n = 5 0 p e r s o n a s t o m a d a s de un

gimnasio, el p e s o está expresado en kilogramos.

73 102 90 97 98 106 108 93 87 88

100 87 104 85 90 95 80 98 82 98

104 112 90 98 101 94 105 98 93 82

91 84 93 88 97 103 84 105 92 114

96 100 104 96 101 75 93 82 100 95

1) C o n s t r u i r u n cuadro de d i s t r i b u c i ó n de frecuencias.

Cuadro 1 . 6 . O r d e n a m i e n t o de datos en forma creciente

73 82 87 90 93 96 98 100 103 105

75 84 88 91 93 96 98 100 104 106

80 84 88 92 94 97 98 101 104 112

82 85 90 93 95 97 98 101 104 112

82 87 90 93 95 98 100 102 105 114

.28
 .J. Canales U. Bio-stcuiissica

2) C a l c u l a m o s el n ú m e r o de intervalo mediante la fórmula de Sturges

K = 1 + 3 , 3 3 log n

K = 1 + 3,3 log 5 0

K = 1 + 3,3 (1,69)

K = 1 + 5,58

K = 6,58

C o m o la fórmula de Sturges es un p o c o conservadora, n o s dará un valor

algo menor del necesario, luego redondearemos este valor al entero

i n m e d i a t o s u p e r i o r.

. K = 7, entonces tendremos 7 intervalos o clases

3) Luego determinaremos el recorrido de extensión de los datos

m e d i a n t e la siguiente fórmula.

I = valor máximo valor m í n i m o + 1

Valor máximo = 114

Valor m í n i m o = 7 3

1 = 1 1 4 - 7 3 + 1 = 4 2

4) C o m o con la fórmula de Sturges h e m o s o b t e n i d o 7 intervalos o clases,

tendremos que dividir el recorrido en 7 partes i g u a l e s o 7 intervalos.

E n la fórmula I = c x k, ya s a b e m o s q u e I = 42 y K = 7, e n t o n c e s la a m p l i t u d

de cada uno de l o s intervalos, que l l a m a r e m o s c s e r á :

1 42

c = - = - = 6

K 7

5) Ahora elaboraremos la columna matriz o columna base de la

d i s t r i b u c i ó n d e frecuencias.

C o m e n z a r e m o s a c o n s t r u i r el p r i m e r intervalo, para lo cual s u m a m o s la

amplitud 6 al valor m í n i m o , q u e será el extremo inferior de l primer

intervalo, obteniendo de este modo el extremo superior del primer

intervalo:

Extremo i n f e r i o r + a m p l i t u d = 7 3 + 6 = 7 9

O b t e n e rn o s de este m o d o el primer intervalo 7 3 --. 7 9

24
_A. Canales G. Bioestadistica

Para el segundo_intervalo tomaremos como número menor 8 5 y como

número límite superior 8 5 + 6 = 9 1 , procediendo en la misma forma para

los demás intervalos, obtenemos el cuadro. Estos intervalos forman la

columna matriz, que se encuentran en el cuadro y es la que se muestra en

el siguiente cuadro de d i s t r i b u c i ó n de frecuencias.

+H -H+H-
73 7JJ 85 j'1 lp. 103 101 11�

Observamos. que en los intervalos son del tipo semi-cerrado, luego el

primer intervalo: 73-> 7 9 , contiene como propio al número 7 3 , pero no

contiene el número 79, el cual sirve sólo de referencia superior; p ue d e

contener el número 7 8 , 7 8 o el número 7 8 , 9 9 8 pero no al 7 9 . El siguiente

intervalo si contiene el número 79, como propio, pero no el número 8 5

que s ó l o le sirve de referencia superior.

Intervalos

7 3 ----+ 7 9

79 ----+ 8 5

8 5 ----+ 9 1

9 1 ----+ 9 7

9 7 ----+ 1 0 3

1 0 3 ----+ 1 0 9

109-115

6) A continuación convenimos en que todos y que cada uno de l o s años

que se hallan dentro de un m i s mo intervalo, estarán representados p o r el

m i s m o valor que se denomina marca de clase. Las marcas de clase se

obtienen promediando l o s extremos del intervalo.

Las marcas de clase de los 7 intervalos serán:

73 + 79 = 76 85 + 9 1 = 88 97 + 1 0 3 = 100 1 0 9 + 115 = 112

2 2 2 2

79 + 85 = 82 2.1±_97 = 94 1 0 3 + 109 = 106

2 2 2

Nótese que las marcas de clase s e podrían obtener p r o m e d i a n d o los

extremos del p r i m e r intervalo ( 7 3 + 7 9 ) / 2 = 76 y luego, p r o c e d i e n d o a

sumar sucesivamente la amplitud s e i s . Así, para el segundo intervalo

25
 A:. Canales G. Bioestadistica

tenemos la marca de c l a s e del primer intervalo más la amplitud 6 : 7 6 + 6 =

8 2 , para el tercer intervalo t e n d r e m o s 8 2 + 6 = 88 y a s í hasta l a marca de

clase del s é p t i m o intervalo.

7) E n el s i g u i e n t e d e b e m o s r e a l i z a r la c l a s i f i c a c i ó n y conteo d e l o s datos, o
:
1

s e a c o l o c a r cada uno de e l l o s dentro de s u restrictiva c l a s e , r e p r e s e n t a n d o

·i;.,

'
i

c a d a dato p o r un p a l o t e . D e esta m a n e r a c e n t r a m o s nuestra a t e n c i ó n , en

l
'

¡:¡
l o s d a t o s o r d e n a d o s en forma c r e c i e n t e y a s í v e m o s que el p r i m e r n ú m e r o ,

n el 7 3 , p e r t e n e c e al p r i m e r i n t e r v a l o : 7 3 - 7 9 , l u e g o d i b u j a m o s un p a l o t e

H en el primer casillero de la columna de conteo. A continuación en el

número 75 que también perítense al primer intervalo, dibujamos un

\l p a l o t e e n el p r i m e r c a s i l l e r o de la c o l u m n a de c o n t e o .
¡ :

':l

,
1

Después el valor 80 que pertenece al intervalo 79 - 85, entonces

'
l

1 . d i b u j a m o s un p a l o t e e n el s e g u n d o c a s i l l e r o de la c o l u m n a de conteo y así
¡

¡ continuamos dibujando p a l o t e s en l o s c a s i l l e r o s d e la c o l u m n a d e c o n t e o ,

hasta l l e g a r al p e n ú l t i m o dato 1 1 2 que p e r t e n e c e al intervalo 1 0 9 - 1 1 5 .

L u e g o d i b u j a m o s un p a l o t e en el ú l t i m o intervalo de la c o l u m n a de c o n t e o
1
y por último tenemos el valor 114, que también pertenece al último

\ j '
intervalo, p o r lo tanto dibujamos un palote en el último casillero de la

c o l u m n a de c o n t e o .
11

\ i

Luego c o n t a m o s el n ú m e r o de palotes en cada c a s i l l e r o d e la c o l u m n a de

conteo y l o e x p r e s a m o s en una c o l u m n a a d i c i o n a l , q u e será la c o l u m n a d e

l
f r e c u e n c i a s . Para el p r i m e r c a s i l l e r o t e n e m o s 2 p a l o t e s , le c o r r e s p o n d e l a
: ¡

111 frecuencia 2, para el segundo tenemos 6 palotes, le corresponde la

f r e c u e n c i a 6 . Así c o n t i n u a m o s hasta el último c a s i l l e r o , t e n e m o s 8 p a l o t e s

¡"
q u e lo e x p r e s a m o s c o n la f r e c u e n c i a 8 y el último q u e t i e n e 2 palotes lo

e x p r e s a m o s c o n el 2 .

Cuadro 1 . 7 . I n t e r v a l o s , c o n t e o y frecuencias

Intervalos Conteos Frecuencias

!
7 3 --> 7 9 lI 2

79 --> 8 5 IIIII I 6

85 - - > 9 1 IIIII III 8

9 1 -- .. 9 7 lI I I I II III I 11

9 7 ··-, 1 0 3 II III II I I I III 13

103 -�109 IIIII II 8

1 0 9 --> 1 1 5 II 2

n = SO

26
 l:l. Canales G. Bioestadistica

Por último, r e s u m i m o s los pasos ( 5 ) , (6) y (7) en el siguiente cuadro de

distribución de frecuencias:

Cuadro 1.8. Intervalos, marcas de clase y frecuencias

Intervalos Xi Frecuencias

73-79 76 2

79-85 82 6

85-91 88 8

91-97 94 11

97 - 1 0 3 100 13

103 +: 109 106 8

109 -> 115 112 2

n = SO

E L s u b í n d i c e i a p a r e c e en el encabezamiento de la c o l u m n a X l y de la

columna fi, es una variable entera cuyos valores s o n :

i=1,2,3,4,5,6y7

Xl = 7 6 f1 = 2

X2 = 8 2 f2 = 6

X3 = 88 f3 = 8

X 7= 1 1 7 f 7= 2

1 . 9 REPRESENTACIÓN GRÁFICA DE DATOS

Histogramas

Entre l o s distintos tipos de figuras, los histogramas s o n particularmente

importantes.

El histograma es una figura de barras, en d o n d e la escala horizontal

representa clases de valores de datos y la escala vertical representa

frecuencias. Las alturas de las barras c o r r e s p o n d e n a l o s valores de

frecuencias, en tanto que las barras se d i b u j a n de manera adyacente (sin

e s p a c i o s entre ellas).

El histograma no es a d e c u a d o para determinar si hay c a m b i o s a lo largo

del tiempo.

27
 _,A. Cuna/es
Bioesuulisiicc:

En la Figura 1.5, se presenta un histograma que corresponde a la

distribución de frecuencia del Cuadro 1 . 5 .

AsC para el intervalo 2 8 - � 3 8 le corresponde la altura de 2 (frecuencia). De

esta forma, d i b u j a m o s un rectángulo cuya b a s e es el intervalo 2 8 --� 3 8 y

cuya altura es 2 . Para el siguiente intervalo de frecuencias 3 8 --> 48 le

corresponde la altura 7. Para el siguiente intervalo 48 --> 5 8 tendremos un

rectángulo cuya base es dicho intervalo y cuya altura es el valor 7, p o r q u e

7 es la frecuencia que c o r r e s p o n d e a ese intervalo. Así p r o c e d e m o s a

dibujar los d e m á s rectángulos hasta llegar al intervalo 8 8 ---> 98 que se

toma como base del último rectángulo, siendo su altura 3 .

15

28 38 48 58 68 78 88 98

Figura 1 . 5 . Histograma de frecuencias

Polígono de frecuencias

EL polígono de frecuencia, utiliza segmentos lineales conectados a

puntos que se l o c a l i z a n directamente p o r e n c i m a de l o s valores de las

marcas de clase.

La altura de los puntos corresponde a las frecuencias de clase, en tanto

que los segmentos lineales se extienden hacia la derecha y la izquierda, de

manera que la figura i n i c i a y termina sobre el eje horizontal.

Comenzaremos determinando las escalas horizontal y vertical. Luego

sobre el intervalo 88----> 9 6 , dibujamos un rectángulo cuya base es el

rectángulo 8 8 ---> 9 6 y la altura es la frecuencia 5, de esa forma c o n t i n u a m o s

hasta el último intervalo y o b t e n e m o s la Figura 1 . 6 .

.A. Canales G. Bioestodistica

15

O X
88 96 104 112 120 128 136 144

Figura 1 . 6 . Histograma de frecuencias y polígono de frecuencias

Observación

Si unimos los puntos de la línea s u p e r i o r de cada uno de l o s rectángulos de

un histograma de frecuencia obtendremos el polígono de frecuencias

correspondiente a la m i s m a distribución de frecuencias.

Ejercicios de polígonos e histogramas de frecuencias

En el papel milimetrado dibujar los polígonos y los histogramas de

frecuencias de las distribuciones de frecuencias.

Frecuencias
14
absolutas

/\
10

o
..___._
\ .........._Intervalos

.. 3 79 85 91 �r 103 109 115

Figura 1 . 7 . Polígono de frecuencias absolutas e intervalos

29
 ;L C a n a l c» B io cs t cu lis iico

38 46 62 70 78

Figura 1 . 8 . Polígono de frecuencias absolutas e intervalos

Ahora, realizaremos una figura .con barras para las frecuencias

porcentuales. Primero elegiremos la escala horizontal, sistema de

c o o r d e n a d a s rectangulares, señalamos las categorías en el eje horizontal,

y en el eje vertical c o l o c a m o s la frecuencia absoluta.

Escala horizontal

1 distancia 1 , 2 cm

D o n d e la distancia será la s e p a r a c i ó n que hay en el eje horizontal entre

cinco categorías ( c a s a d o s , solteros, divorciados, viudos y categorías de l o s

que no declaran). No hay ninguna regla particular que señale la magnitud

de la distancia. C o m o hay 5 categorías, el tamaño de la b a s e s e r á :

B a s e = 5 x 2cm = 10cm.

Determinación de la escala vertical.

C o m o la altura debe ser % de la base, tendremos:

Altura= .3. ( b a s e ) = .3. (10cm) = 30 7,Scm

4 4 4

Por lo tanto la altura máxima de la figura será 7 , S c m , h a c e m o s el siguiente

razonamiento:
 A Canales G. Bioesuulisiica

(Altura máxima) 7 , S c m __ 2 5 unidades de frecuencia

lcm x

lcm * 2 5 u . d. f
X = = 3,33
7,Scm

Escala vertical

l c m = 5 u.d.f.

Luego en la escala vertical para cada cm le corresponde 5 u n i d a d e s de

frecuencia absoluta ( u.d.f.). Se ha aproximado a S por c o m o d i d a d porque

este número ofrece facilidades para trabajar en el papel milimetrado.

Así, para el valor 2 5 u.d.f. trazamos una línea horizontal, hasta cortar la

barra levantada por la categoría casado, quedando de este modo

determinada la altura de la barra.

e s o V NO

Figura 1 . 9 . Barras con frecuencias absolutas de las cinco categorías

1 . 1 0 PROBLEMAS PROPUESTOS

1 . Haga un listado de 2 0 variables continuas, 2 0 discretas y 2 0 atributos,

r e l a c i o n a d o s con variables estadísticas.

. 1

. • 1

2 . Resuelva el siguiente e j e r c i c i o de datos d e s o r d e n a d o s , recolectado de

campo sobre número de plantas silvestres en 1 m 2 , evaluado en el cerro

H u a j e de P u n o .

31
 A . Canales ( x . liiucstudisticn

a) Calcule los datos en un cuadro

b] C a l c u l e cuántas clases de intervalos se requieren.

c) Represente en forma de figuras los resultados de l o s siguientes datos: S,

4,3,4,4,8,11,12,8,6,6,13,16,17,14,17,19,7,18,22,21,20,7,9,14.

3 . Haga 1 0 e j e m p l o s de p r e c i s i ó n y 1 0 e j e m p l o s de exactitud.
 .A. Canales G. Bioestadistica

CAPITULO II

ESTADÍSTICA DESCRIPTIVA

2.1.MEDIA

2 . 2 . MEDIANA

2.3.MODA

2.4. DESVIACION ESTANDAR

2 . 5 . VARIANZA

2 . 6 . COEFICIENTE DE VARIABILIDAD

2 . 7 . PROBLEMAS PROPUESTOS

2.1.MEDIA

La media es en la mayoría de los c a s o s un valor no observable, viene dado

en la misma unidad de m e d i d a que la variable.

Es la más usual de las medidas de concentración y la más conocida. Es

llamada también m e d i a aritmética o p r o m e d i o .

Para calcular la media s e distingue dos c a s o s :

1. C u a n d o los datos no están agrupados

2. Cuando los datos están clasificados, formando distribuciones de

frecuencias.

Primer caso:

Cuando l o s datos no están agrupados, se suman los números y s e dividen

1
1
entre el número de c a s o s .

Ejemplo 2 . 1 . Los datos s o n calificaciones del curso de bioestadística, de

un alumno de la Facultad de Ciencias Biológicas de la UNA Puno.

P r i m e r examen 14

Segundo examen 13

Prácticas 12

Quizes 15

S u m a total 54

Nota final (media) 5 4 / 5 = 13,5

3o
 .A. Canales U.
B i o es u ui i s ii c c :

Ejemplo 2 . 2 . Hallar la media aritmética d e : 5, 7, 9, 3, 4, 6.

La fórmula para calcular la media aritmética para este caso incluye el

símbolo L, que se llama sumatoria e i n d i c a operación de a d i c i ó n .

- 1 f,
X = �¿Xi

i=l

Donde: i, es la variable entera que toma valores desde i = 1, i = 2, i 3 y así

sucesivamente hasta i n. Desarrollando el símbolo sumatoria tenemos:

1
X = - (x l + x2 + x3 + · .. + xn)
n

Volviendo a los datos que teníamos al comenzar el presente ejemplo

tenemos:

N o s dieron 6 números 5, 7, 9, 3, 4 y 6, entonces n = 6.

1 1
X = (S + 7 + 9 + 3 + 4 + 8) = (36) = 6
6 6
n

Con respecto al símbolo ¿ x¡ se dan casos en que se simplifica y se escribe

la L x 1, en vez de i X¡ • Es'to se hace cuando no hay posibilidades de crear

confusiones. issl

Ejemplo 2 . 3 . Encontrar el p r o m e d i o de los siguientes datos:

1 5 , 1 6 , 1 7 , 1 3 , 9, 1 1 , 1 0 , 1 3 , 1 9 , 2 1

Fórmula:

X = �Ixi
i=L

X = 1 / 1 0 ( 1 5 + 1 6 + 1 7 + 1 3 + 9 + 1 1 + 1 0 + 1 3 + 19 + 2 1 ) 14.4

Segundo caso:

C u a n d o los datos están agrupados formando cuadros de frecuencias, se

ut ili za la f órmula:

""' f. X .
X == L.. 1 1

n
 /1. Canales G. BirJcstadistfr·a

x: Media aritmética

f : frecuencia de cada dato.

X;: cada uno de los datos

Ejemplo 2.4. Datos de la longitud de las de una muestra de p o b l a c i ó n de

m a r i p o s a s . Calcular la m e d i a aritmética.

X¡ (cm) f¡ f¡X¡ (cm)

3,3 1 3,3

3,4 o o
3,5 1 3,5

3,6 2 7,2

3,7 1 3,7

3,8 3 11,4

3,9 3 11,7

4,0 4 16,0

4,1 3 12,3

4,2 2 8,4

4,3 2 8,6

4,4 1 4,4

4,5 1 4,5

6Íi = 24 I=:LX¡ = 9 5 , 0

¿f¡ = n = 24

_ 95,0cm
X = = 3 96cm
1

24

Propiedades de la media

1) La suma algebraica de las desviaciones de un conjunto de valores con

respecto a su m e d í a aritmética es O.

Explicación

Sean l o s números: 1 5 , 2 , 1 0 , 8 , 9 y 7

Su m e d i a aritmética:

( 1 5 + 2 + 1 0 + 8 + 9 +7) + 6 = 51 + 6 = 8.5
 Bioestadistica

Sus desviaciones con respecto a la media s o n :

( 1 5 - 8 . 5 ) , (2 - 8 . 5 ) , ( 1 0 - 8 . 5 ) , ( 8 - 8 . 5 ) , ( 9 - 8 . 5 ) , (7 - 8 . 5 ) , la suma es:

( 1 5 - 8 . 5 ) + (2 - 8 . 5 ) + ( 1 0 - 8 . 5 ) + ( 8 - 8 . 5 ) + (9 - 8 . 5 ) + (7 - 8 . 5 ) = 6 . 5 - 6 . 5 +

1.5-0.5 + 0.5-1.S = O

2) La suma de l o s cuadrados de las desviaciones de un conjunto de

n ú m e r o s : xl x2 x3 . . . xn con respecto a su media x, es mínimo.

Explicación

Esta propiedad significa que si calculamos la suma de l o s cuadrados de las

desviaciones con respecto con respecto a otro número cualquiera a,

diferente de la x y comparamos con la suma de cuadrados de Ias

desviaciones con respecto a la media, comprobaremos esta última es

menor.

Las ideas con l o s números 1 2 , 5, 7, 8 .

Primero: calcularemos las desviaciones con respecto a la m e d i a .

Su m e d i a e s : ( 1 2 + 5 + 7 + 8) + 4 = 3 2 + 4 = 8, es d e c i r X = 8 sus d e s v i a c i o n e s

con respecto a la m e d i a s o n :

1 2 - 8 = 4; 5 - 8 = -3 7 - 8 = 1 8 - 8 = O

La suma de l o s cuadrados de estas desviaciones e s :

2 2
4 + (-3)2 + 0 = 1 6 + 9 + 1 + o = 2 6

Segundo: Calculemos las desviaciones con respecto a cualquier otro

número: 1 0

(2)2 + ( - 5 ) 2 + ( - 3 ) 2 + ( - 2 ) 2 = 4 + 2 5 + 9 + 4 = 42

C o m p a r a n d o 1 y 2 vemos que:

2 6 < 4 2 , lo q u e verifica la propiedad.

Usos de la media

1 . - La media de la muestra se usa cuando se necesita una medida de

t e n d e n c i a central que no varíe mucho entre una y otra muestra extraída

de la m i s m a propiedad, esta es la razón para preferirla, cuando se d e s e a la

máxima confiabilidad en la estimulación de la media poblacional.

2 . - También se usa la m e d i a cuando la distribución de frecuencias de l o s

datos es simétrica o t i e n e p o c a asimetría. Igualmente cuando se aproxima

a la distribución normal de probabilidades porque esta distribución es

simétrtca.
 A . Canales G. Bioes tadis U cu

3 . - Se calcula la media, varianza o la desviación estándar (según medidas

de variabilidad que se estudiarán).

Ejercicios para calcular la media aritmética

Hallar la media aritmética de los siguientes datos:

a) 12,14,1�9,14,12,13,18,21

b) 2 2 , 24, 3 0 , 1 9 , 1 8 , 2 2 , 3 3 , 2 8 , 2 6 , 3 2

Calcule la media aritmética para las siguientes distribuciones de

frecuencias.

Intervalos Frecuencia Intervalos Frecuencia

28-38 7 8 8 -¿ 9 6 21

38-48 4 9 6 ->104 15

48-58 12 104-112 25

5 8 ->68 5 112 -120 16

6 8 - ;,. 7 8 9 120 - 1 2 8 11

78-88 13 128 - 1 3 6 13

88-98 4 136-144 22

2 . 2 . MEDIANA

La m e d i a n a es el punto que divide la distribución de los datos en dos

partes iguales. Por debajo de la mediana estará la mitad del número de

c a s o s y p o r e n c i m a de ella estará la otra mitad. La mediana se designa con

el símbolo M d .

Se presentan dos casos

1. C u a n d o los datos n o están agrupados

¡ 2. Cuando los datos están clasificados, formando distribuciones de

frecuencias.

Primer caso

a) Cuando el número de elementos de la clasificación es impar.

Ejemplo 2 . 5 .

3, 8, 5 6 , 14, 2 6 , 3 1 , 2, 7, 5 2 hay nueve elementos.

Lo primero que se hace es ordenar l o s datos en forma creciente (también

se podría ordenar en forma decreciente).

 .iL G. B ices iad is cica

2, 3, 7, 8, 14, 24, 3 1 , 5 2 , 5 6

La mediana es el número que ocupa el centro de la distribución.

Observamos que hay cuatro valores menores que 1 4 y 4 valores mayores

que 14, entonces la m e d i a n a es 1 4 .

B) Cuando el número de elementos de la distribución es par.

Ejemplo 2 . 6 .

38, 56, 87, 2 2 , 1 5 , 90, 43, 3 3

Ordenamos: 1 5 , 2 2 , 3 3 , 39, 43, 56, 87, 9 0

Vemos que hay dos valores centrales, la mediana será la media de esos

valores centrales.

39 + 43
Md = = 41
2

Segundo caso

E j e m p l o 2 . 7. Calcular la median de la distribución de valores.

Intervalos fi Fi

i = 1 2 8 --" 3 8 2 2

i·
i = 2 3 8 --" 4 8 7 9

1· i = 3 4 8 --" 5 8 7 16

i = 4 5 8 --" 6 8 14 30

i = 5 68 ->78 15 45
:j

i = 6 78-88 8 53

i = 7 88 ->98 3 56
i

n = 56
1

!
S e debe seguir la siguiente regla
j

1) Se obtiene las frecuencias acumuladas.

Estas frecuencias acumuladas presentan un ordenamiento de los 56

elementos de la distribución, así:

E n el primer intervalo están los elementos: 1 º - 2 º

En el s e g u n d o intervalo están los elementos:

3 º - 4 º - 5 º - 6º - 7º - 8º - 9 º

En el tercer intervalo están los elementos:

17º - 1 8 º - 1 9 º ... 29º - 30º

38
En la quinta clase están los elementos:

3 1 º - 3 2 º - 3 3 º . ..44º - 45º

En la sexta clase están l o s e l e m e n t o s :

46º - 47º - 48º . . . 5 2 º - 5 3 º

y en la séptima y última clase están l o s elementos:

54º - S S º y 56º

2) Se determina la clase en d o n d e se encuentra la mediana, para esto se

hace la división:

n 56
- = - = 28
2 2

Luego, la m e d i a no o c u p a el lugar 2 8 º y p o r lo tanto, debe encontrarse en

la clase cuarta (i = 4) puesto que en esta clase están los elementos que

ocupan los lugares 1 7 º hasta el 3 0 º .

3) Se a p l i c a la fórmula:

( g - Fi - 1 )
2
Md extremo i n f e r i o r + fi c

Datos

Extremo inferior del intervalo (i = 4) es 5 8

n/2 = 2 9

f4 = 1 4 en la frecuencia del intervalo d o n d e están M d .

C = 1 0 amplitud del intervalo.

Fi - 1 = F4 1 = F3 = 16, frecuencia acumulada hasta la tercera clase, es

decir, acumulada hasta la clase anterior o clase en donde está la mediana (i

=4).

Reemplazamos los datos en la fórmula y obtenemos:

(29 - 16)
Md = 56 + 10
14

M d = 56 + 9,29 65,29
 A . Canales G. Btoestadistica

· E j e m p l o 2.8.

Intervalos fi F

i = 1 2 8 -> 3 8 5 5

i = 2 38->48 8 13

i = 3 4 8 --> 5 8 15 8

i = 4 5 8 --> 6 8 3 31

i = 5 68->78 5 36

i = 6 78 ->88 2 38

i = 7 88 - > 9 8 2 40

n = 40

n 40
- = - = 20
2 2

Luego la mediana está en la clase tercera (i = 3)

Luego se aplica la siguiente fórmula:

(� - Fi - 1 )
. .e . + 2
Md = extremointerior ---f-i--c

Datos:

Extremo i n f e r i o r = 48

N/2 = 20

F i = f3 = 1 5

C=S

F i- 1 = F 3 - 1 = F 2 = 13

(20 - 13)
Md = 48+ 8 = 51,73
15

2.3.MODA

Llamaremos moda de una distribución de frecuencias, al valor de las

variables correspondiente a la mayor frecuencia de datos o lo que es lo

mismo el valor representado o el máximo de individuos. Cuando el

n ú m e r o de observaciones es pequeño, no debe c a l c u l a r s e la moda, ya que

no puede apreciarse si existe una decidida tendencia de los valores

concentrarse en uno s o l o .

Si se trata de una distribución de frecuencias con datos discretos, no

agrupados, el cálculo es inmediato: basta con mirar la columna de

frecuencias absolutas, y el valor de la variable correspondiente a la

máxima frecuencia, es la moda.

40
 A . Canale: G. Bioesuulistic«
.: __ ,:_ �_" ., �····-------------·-··-------·-----�--------------------------------------·-·--

. La moda de un conjunto de datos es el valor más repetido. Se representa

. p o r el símbolo M o ,

Primer caso:

1) D e t e r m i n a r la m o d a del siguiente conjunto de d a t o s : 2, 2, 3, 4, 5, 6,

7, 7, 7, 9, 9, 1 2 .

La moda es el número 7, p o r q u e s o n l o s m á s repetidos (3 v e c e s ) . Esta

d i s t r i b u c i ó n s e l l a m a u n i m o d a l , p o r q u e s ó l o p o s e e una m o d a .

2) El siguiente c o n j u n t o de datos no tiene m o d a : 1 5 , 1 9 , 2 0 , 3 5 , 4 7 ,

5 9 , 6 5 .

Porque n i n g u n o de e l l o s está repetido

3) La s i g u i e n t e d i s t r i b u c i ó n es b i m o d a l , es decir, tiene d o s m o d a s : 8,

9, 9, 1 3 , 1 3 , 1 3 , 1 3 , 1 8 , 2 0 , 24, 2 4 , 24, 3 3 , 5 9 , 7 8 , 7 8 .

Mo = 1 3 y t a m b i é n M o = 2 4 .

4) La s i g u i e n t e es t r i m o d a l : 4, 8 , . 8 , 8, 1 5 , 1 5 , 1 5 , 2 0 , 2 0 , 2 1 , 2 1 , 2 1 , 2 1 ,

3 2 , 40, 40, 40, 40, 8 0 , 8 0 , 9 0 .

M o = 8, Mo = 2 1 , Mo = 40

Segundo caso:

C u a n d o los datos están agrupados formando una distribución de

frecuen ci as , la m o d a se c a lcula p o r la siguiente fórmula:

61
Mo = Extremo i n f e r i o r + [ ] e
61 + 62

E n d o n d e :

El e x tremo in f r e ior repr e senta el valor inferior de la c l a s e m o d a l .

61- R e p resent a el e x ceso de la f recuenc i a de la clase modal , c o n

respecto a la clase contigua posterior a ell a.

62-- R epresenta el e x ceso de la f recuencia de la clase m o d a l con

respecto a la clase conti g ua p o s t e r i o r a ella.

C ---- R p e resenta a la am p lit ud de ca da interv a lo.

L a l m a m o s c l a s e m o d a l a q uella que tiene la mayor f r e c u e n c i a .

Ejemplo 2 . 9 . E n la d i s t r i b u c i ó n de frecuencias del cuadro s i guient e,

cal cu lar la m o d a :

41
 /L Canales G. Bioestadisuca

Intervalos f Intervalos f

5
2 8 ----> 3 8 2 88 ----> 9 6

8
3 8 --> 4 8 7 96 - � 1 0 4

15
48 ----> 5 8 7 1 0 4 ----> 1 1 2

3
58 ----> 6 8 14 1 1 2 ->120

5
68 ----> 7 8 15 1 2 0 ----> 1 2 8
¡

2
78 ----> 8 8 8 1 2 8 - -* 1 3 6

2
88 ----> 9 8 3 136-144

1
s
:1
Para el cuadro de arriba (izquierda), buscamos cuál es el intervalo o clase

� que t i e n e la mayor frecuencia, siendo 1 5 y c o r r e s p o n d e a la clase 68 � 7 8

l�.
l l a m á n d o s e clase modal.
l·
�
Extremo inferior; es el valor inferior de la clase 68 -----> 78 o clase m o d a l ,
JI
e n t o n c e s el extremo inferior es 6 8 .
i'

LH - 1 5 - 1 4 - 1 ; jj, 2 - 1 5 -8 - 7

C - 1 0

Mo = Extremo i n f e r i o r + [ .D.i ] e
.D.1 + .D.z
Aplicado la fórmula:
1-]
Mo = 68 + [- 10
1 + 7

Mo-68+10/8-68+ 1,25-69,25

Mo --- 6 9 , 2 5

Usos de la moda

Primero: Cuando se necesita una estimación rápida de la tendencia

central.

Segundo: Cuando s e d e s e a c o n o c e r el punto d e máxima frecuencia en una

distribución asimétrica de datos, esto es el valor más repetido d e · un

conjunto de datos.

Tercero: En general la m o d a es la m e n o s usada.

X, Md, Mo

42
 Bioes uuiistico.

. O b s e r v a c i ó n : En l a s d i s t r i b u c i o n e s de frecuencias s i m é t r i c a s , las tres

m e d i d a s a n t e r i o r e s c o i n c i d e n :

X - M d - - M o .

Cuadro 2 . 1 . Comparación de la media, mediana y la moda

Medida Definición ¿Qué tan Existencia ¿Torna ¿Seve Ventajas y

de común es? en afectada desventajas

tendencia cuenta por

central cada valores

valor? extremos?

Media µ = í:x/n "promedio" Siempre Sí Sí Funciona

más existe bien con

conocido muchos

métodos
1

estadísticos.

Valor en De uso Siempre No No S u e l e ser

¡Mediana
medio común existe una b u e n a

o p c i ó n si

hay algunos

valores

extremos

Moda Valor más Se usa en Podría no No No Apropiada

frecuente ocasiones existir; para datos

podría en el nivel

haber más nominal

de una
--·

2.4 DESVIACIÓN ESTÁNDAR O DESVIACIÓN TÍPICA

La d e s v i a c i ó n e s t á n d a r de un c o n j u n t o de d a t o s m u e s t r a l e s , es l a m e d i d a

d e v a r i a c i ó n de l o s v a l o r e s c o n r e s p e c t o a la m e d i a . E s u n t i p o d e

d e s v i a c i ó n p r o m e d i o de l o s v a l o r e s , c o n r e s p e c t o a la m e d i a .

A co n t i n u a c i ó n s e cita p r o p i e d a d e s importantes q u e s o n c o n s e c u e n c i a de

la forma en que s e d e f i n e la d e s v i a c i ó n e s t á n d a r :

1. La d e s v i a c i ó n estándar, es u n a m e d i d a d e v a r i a c i ó n de t o d o s l o s

v a l o r e s c o n r e s p e c t o a l a m e d i a .

2 . El v a l o r d e la d e s v i a c i ó n e s t á n d a r s s u e l e s e r p o s i t i v o . S ó l o es

i g u a l a c e r o c u a n d o t o d o s l o s v a l o r e s de l o s d a t o s s o n el m i s m o

n ú m e r o . A d e m á s , valores grandes s i n d i c a n mayores c a n t i d a d e s

de v a r i a c i ó n .

43
.A. Caruilcs G-. Bioesuulistica

3. El valor de la desviación estándar (s) se puede incrementar de

manera drástica con la i n c l u s i ó n de u n o o más datos distantes

(valores de datos que se encuentran muy l e j o s de los d e m á s ) .

4. Las u n i d a d e s de la desviación estándar s ( c o m o m i n u t o s , p i e s ,

libras) son las m i s m a s d e los datos o r i g i n a l e s .

D a d o e l conjunto de n ú m e r o s Xi -- X 2 , X3, . . . Xn, d o n d e i es una variable

entera que toma l o s valores 1, 2, 3, hasta n. Sea el X la m e d i a aritmética de

este conjunto de valores, entonces definimos la d e s v i a c i ó n estándar del

conjunto de n ú m e r o s Xi, mediante la siguiente fórmula:

s = Jí:C\: X)2

En d o n d e S representa la d e s v i a c i ó n estándar, s i e n d o la raíz cuadrada de

la s u m a d e l o s cuadrados de las d e s v i a c i o n e s de cada valor con respecto a

la m e d i a , dividida entre el número de valores. E j e m p l o :

C a l c u l a r la d e s v i a c i ó n estándar del siguiente conjunto de n ú m e r o s : 3, 5, 7,

1 0 , 18, 1 5 .

Aplicaremos la anterior fórmula, d ó n d e el promedio (media aritmética)

del conjunto de n ú m e r o s es X - 9 , 6 7

2 2 2 2
(3 - 9 , 6 7 ) + (5 - 9 , 6 7 ) + (7 - 9 , 6 7 ) + ... + (15 9,67)
S =
6

2 2 2 2
(-6,67) + (-4,67) + (2,67) + ... + (5,33)
S =
6

41,5 + 21,8 + 7,13 + 0,11 + 69,39 + 28,41

s = 6

S = j17�34

S = � 28,56 = 5,34

44-
 A . Canales O. Bicestadistica

. Ejercicios resueltos del cálculo de la desviación estándar para datos

no agrupados.

Ejemplo 2 . 1 0 . Calcular la d e s v i a c i ó n estándar del siguiente conjunto de

n ú m e r o s , a p l i c a n d o la siguiente fórmula

s = 1 "'
; ¿ X
2
i
-
- X
2

i=l

� 9 . 1� 1 9 , 2 3 , 2 8 , 3 7 , 5 4 , 6 2 , 7 0

2
x --32 ; x -1024

2 2
2:1':!\ X 2 ---42 + 92 + 1 4 + 2 3 2 + 2 8 2 + 3 7 2 + 542 + 6 2 2 + 7 0 = 14996

1
S = 10 (14996) - 1024 = -) 1 4 9 9 , 6 - 1 0 2 4

S = -) 4 7 5 , 6 = 21,80

Ejemplo 2 . 1 1 . C a l c u l a r d e s v i a c i ó n estándar del siguiente conjunto de

números, a p l i c a n d o la fórmula anterior:

-3, - 2 2 , - 2 0 , - 1 0 , 6, 9, 1 5 , 40

x---1,s15 3F -3,516

.í:f==l X = (-3)2 + (-22)2 + (-20)2 + (-10)2 + 62 + 92 + 1 5 2 + 402

1
S = (2935) - 3 , 5 1 6 = -) 3 6 6 , 8 1 5 - 3 , 5 1 6
8

S = -) 3 6 3 , 3 5 9 = 19,06

Ejemplo 2 . 1 2 . Calcular la desviación estándar del siguiente conjunto de

números:

3, 8, 2 5 , 40, 5 5 , 60, 65, 7 3 , 8 1

X-45.56 x2 - - 2 0 7 5 . 3 1

2 2 2 2 2 2 2
Li==I X -3 + 82 + 2 5 + 40 + 552 + 602 + 65 + 73 + 81 -25038

1
S (25038) - 2075,31 = -) 2 7 8 2 - 2 0 7 5 , 3 1
9

S = -) 7 0 6 , 6 9 = 26,58
 Bioc« ( m i ís tic«

Ejemplo 2 . 1 3 . Calcular desviación estándar del siguiente conjunto de

números.

- 1 5 , - 1 2 , -3, 5, 8, 1 0 , 1 6 , 2 0

2
x--3.62s X -13.141

1
s = 8 (1223) - 13,141 = -} 1 5 2 . 8 7 5 - 1 3 , 1 4 1

S = -} 1 3 9 , 7 3 4 = 11,82

Ejemplo 2 . 1 4 . Calcular la desviación estándar del siguiente conjunto de

números, a p l i c a n d o la fórmula

- 2 5 0 , - 1 3 4 , - 5 9 , - 3 2 , 1, 1 5 , 2 3 2 , 4 5 8

2
X-28,875; X ---833,76

2
If=1 x -348775

1
S = (348775) - 833,76 = -} 4 3 5 9 6 , 8 7 5 - 8 3 3 , 7 6
8

S = -} 4 2 7 6 , 1 1 5 = 206,79

Cálculo de la desviación estándar para datos agrupados

C u a n d o l o s datos se encuentran agrupados formando d i s t r i b u c i o n e s de

frecuencias; d o n d e no se tiene en cuenta el número de datos que hay en

cada clase, es decir, la frecuencia de la clase. Para este caso se t i e n e la

siguiente fórmula.

S = o S =
n-1

En d o n d e fi representa la frecuencia de cada clase.

E j e m p l o 2 . 1 4 . Calcular la desviación estándar de la siguiente clase de

frecuencias:

46
 [fo ws uulis iica

Inte.rvalos Xi fi Xi-µ (Xi - µ)2 fi(Xi - µ)2

3 -17,S 306,25
40 --+ S O 45 918,75

s -7,S 56,25
so --+ 6 0 SS 281,25

7 2,5 6,25
60 -->70 65 43,75

4 12,S 156,25
70 ->80 75 625,00

1 22,S 506,25
80 -->90 85 506,25

20
2375

Según los m é to do s a p rendido s al tratar la m e d i a aritmética, observamos

que:

- IP-1 fi * Xi 1250
X = - n = = 62,S
20

En la columna Xi, restamos a cada valor la media aritmética µ y

obtenemos:

45 62,5 = -17,5

SS - 62,5 = -7,5

65 - 6 2 , 5 = 2,2

75 - 62,5 = 12,5

86 - 6 2 , 5 = 2 2 , 5

Entonces, aplicando la fórmula:

S � = S = fi 1 8 , 7 5 = 10,9

Método clave

Todo el p r o c e s o anterior p u e d e simplificarse utilizando el método clave,

que e m p l e a la siguiente fórmula.

S = C ¿ fi: U2 _ ¡z: f� * U r
En el mismo ejemplo anterior aplicaremos el método clave en el siguiente

cuadro:

'Intervalos Xi u fi fi*u uz fi*u2

40 -->50 45 -2 3 -6 4 12
-·
50 -*60 55 -1 5 -5 1 5
--
60 -->70 65 o 7 o o o
->80 75 1 4 4 1 4

B0-->90 85 2 1 2 4 4

sn- 20 í::fi*u ----5 í::fi*u 2 25

 ;C \ . Ccuuuc«

e-amplitud de los intervalos-10

n - I : f i - 2 0 número de elementos

Los valores de la columna u (-2, - 1 , O, 1, 2) p u e d e n interpretarse de la

m i s m a manera.

X i - A
u=--­
e

La e l e c c i ó n del valor A se hace entre l o s valores de las marcas de clase Xi en

forma arbitraria. En el presente caso elegimos A - 6 5 porque entre las

marcas de clase es el valor que está en medio. De esa forma obtenemos

que u :

45 65 -20
u = = -2
10 10

55 65 -10
u = = -1
10 10

En la práctica se p o n e u · - O para el intervalo d o n d e se ha e l e g i d o el valor

de A, que es 6 5 en este c a s o . Para los valores m e n o r e s de las marcas de

clase: 5 6 , 4 5 se p o n e u -·-1 --2 respectivamente.

65 65 O 75 - 65 85 - 65
_1_0_ = 10 = O; =-1-0-= l ; =-1-0-= 2

A p l i c a n d o la fórmula anterior o b t e n e m o s :

25 (-5)
s = 10 20 - 20 = 1 0 .J 1 , 2 5 - 0 , 0 6 1 5

S = 1 0 .j l , 1 8 7 5 = 10(1,09) = 10,9

2 . 5 LA VARIANZA

Se def i ne como el c u adrado de la desv i a c i ó n est á ndar . E n tonce s p ara

calcular la var i an z a , p reviamente h arem o s uso de lo s métodos pa ra

calcular la desviación est á ndar. Se re p re s enta co n el s í m b o l o s',

L os valores altos de la varian z a en datos biológicos, no so n r e c o m e n d a b l e s

p ara f i ne s de i nter p retac i ón cie n t í fi c a . Es importan t e qu e d i c h o s v al o res

de b an ser bajos.
 Curwles G. Bioestadistica

, En el ejercicio anterior se calculó la desviación e s t á n d a r - 1 0 . 9

'La varianza será:

2
s -(10,9)2--118,81

2 . 6 COEFICIENTE DE VARIABILIDAD

El coeficiente de variación es una medida de dispersión relativa, sin

d i m e n s i o n e s , y cuya unidad es la m e d i a :

s
CV=M

Si la media es cero, está claro que esta medida no puede utilizarse. A

m e n u d o se utiliza también expresada en forma de p o r c e n t a j e :

s
cv fµf * 100

Y s u valor está c o m p r e n d i d o entre el 0 % y el 1 0 0 % .

En muestras no demasiadas pequeñas, extraídas de poblaciones

normales el CV no s u e l e ser mayor del 3 0 % .

Un CV superior al 5 0 % debe hacernos pensar en una población estadística

no homogénea.

Este coeficiente resulta también muy adecuado, en el caso que las

medidas de las distribuciones a comparar difieren mucho, a u n q u e estén

expresadas en las mismas u n i d a d e s .

Ejemplo 2 . 1 5 . Datos de tallas y p e s o de estudiantes. Después de calcular

la media y la desviación típica de esas medidas, se obtuvieron los

siguientes r e s u l t a d o s :

Variable X = talla Variable Y = p e s o

X = 1,70m Y = 69kg

Sx = O , S m Sy = Skg

¿ E n cuál de las v a r i a b l e s existe mayor d i s p e r s i ó n ?

49
 ..A. Canales G-. Bioes iad ís t i ca

SOLUCIÓN:

Como las variables están expresadas en u n i d a d e s diferentes ( m y kg)

utilizamos el coeficiente de variación que es una medida de dispersión

adimensional:

0,5
CV(tallas) = -_- * 100 = 29,41
1,70

5
CV(pesos) = * 1 0 0 = 7, 2
69

Esto i m p l i c a que la variable " p e s o s " está m e n o s dispersada que la

2 . 7 PROBLEMAS PROPUESTOS

Ordenar los datos en forma ascendente.

1. 1,2,2,3,3,3,3,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,5,5,S,S,S,5,5,5,

5,5,6,6,6,6,6,6,6,6,6,6,6,6, 7,7,7, 7,8,8,8,9,9,9,9.

2. Calcular la mediana de los siguientes datos

a) 14, 1 5 , 1 6 , 1 9 , 2 3

b) 14,15,16,19

3. Calcular el promedio, desviación estándar, varianza y coeficiente

de variabilidad de l o s datos que se presentan en los siguientes

cuadros.

a) C a l c u l e la m o d a en el siguiente cuadro de distribuciones de

frecuencias.

Intervalos f

117�126 2

126 � 1 3 5 3

135 --+ 144 10

144 �153 13

153 �162 6

162�171 4

171�180 2

50
 G. Bioes tad is iica
..A .

b) Datos tomados de estudiantes del 2 d o nivel de la Facultad de

Ciencias Biológicas de la UNA Puno ( 2 0 0 7 ) .

Muestra Talla (cm) Peso (kg) Edad

1 152 46 17

2 150 48 18

3 153,5 46 20

4 149 44 18

5 457 47 18

6 152 46 19

7 154 45 19
>-·

8 160 57 18

9 147 54 19

10 155 48 19

11 146 49 19

12 157,5 51 20
,---

13 148 44 18

14 155,5 44 20

15 150 47 22

16 154 50 19

17 160,5 53 19

18 147 45 18

19 144,5 43 18

20 156,5 44 19

21 151 46 18

22 161,5 54 18

23 165 58 19

24 157,5 59 20

25 167 57 18

26 157 61 24

27 153 47 18

28 157 56 20

29 160 51 20

30 155,5 58 19

51
 13 ioes uul istica

CAPITULOIII

PROBABILIDADES, DISTRIBUCIONES, LÍMITES DE CONFIANZA,

HIPÓTESIS, ASIMETRÍAS

3 . 1 . PROBABILIDADES

3 . 2 . D I S T R I B U C I Ó N NORMAL DE PROBABILIDAD

3 . 3 . D I S T R I B U C I Ó N DE P O I S S O N Y ESPACIAL

3 . 4 . INTERVALOS DE CONFIANZA

3 . 5 . A S I M E T R Í A YCURTOSIS

3 . 6 . PRUEBAS DE HIPÓTESIS

3 . 7. TAMAÑO DE MUESTRA

3 . 8 . PROBLEMAS PROPUESTOS

3 . 1 PROBABILIDADES

Es una m e d i d a de ocurrencia de un evento o s u c e s o (P), que se obtiene

dividiendo el número de resultados favorables para la ocurrencia entre el

número total de p o s i b i l i d a d e s .

Un experimento es determinístico si se obtiene el mismo

resultado a repetirlo en igualdad de condiciones. · Por

ejemplo, un objeto cae siempre con una gravedad de

2•

9,8m/seg

Un experimento es aleatorio cuando al repetirlo en igualdad

de condiciones, los resultados varían. Por ejemplo, el

lanzamiento de una moneda.

Las características de los fenómenos aleatorios s o n :

a) Son fenómenos tales, que al repetirlos indefinidamente y en

igualdad de condiciones, presenta resultados distintos en cada

experiencia particular.

b) Si repetimos una experiencia n veces y anotamos el número de

veces q u e aparece un determinado fenómeno.

En el caso del lanzamiento de una moneda, nunca p o d e m o s predecir

en un determinado lanzamiento si va ha s a l i r cara o sello, pero a

m e d i d a que a u m e n t e n , el valor Nº de caras/Nº total de lanzamientos

tiende a estabilizarse a medida que n aumente.

 Canales Cí. " Bioesuulistica

Espacio muestral

Conjunto formado por todos los sucesos elementales, recibe el

nombre de e s p a c i o muestral.

Suceso if""*

En general l l a m a m o s s u c e s o a todo subconjunto del e s p a c i o muestral.

Merece e s p e c i a l atención el s u c e s o seguro, que es el p r o p i o e s p a c i o

muestral y el s u c e s o i m p o s i b l e .

Ejemplo 3 . 1 . ¿ C u á l es la p r o b a b i l i d a d de obtener un número determinado

al lanzar un dado?

3
PA = (2,4,6) = = 0,5; 50%
6

Ejemplo 3 . 2 . ¿Cuál es la probabilidad de obtener una c o m b i n a c i ó n de

n ú m e r o s que sumados sean m e n o r e s que 4 al lanzar dos dados?

P(N) 1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6

3,1 3,2 3,3 3,4 3,5 3,6

4,1 4,2 4,3 4,4 4,5 4,6

5,1 5,2 5,3 5,4 5,5 5,6

6,1 6,2 6,3 6,4 6,5 6,6

3}�· '
P(N) = ( 1.1 ; 1 . 2 ; 2 . 1 ) = . = 0,08; 8%
3 6

3 . 2 D I S T R I B U C I Ó N NORMAL DE PROBABILIDADES

Distribución normal, aparece p o r primera vez en 1 7 3 3 en los trabajos de

Moivre relativos a cálculos de distribución límite de una variable

binomial.

·
� f

Más tarde, en 1 8 0 9 GAUSS y posteriormente Laplace ( 1 8 1 2 ) , la estudian

en relación a trabajos sobre la teoría de errores con datos experimentales.

A finales del siglo X V I I I y principios del XIX, los astrónomos encontraban

siempre la desagradable situación de que los resultados de sus medidas,

eran distintas unos a otros, y se p o d í a resolver p o r la imperfección de l o s

instrumentos de medida disponibles. Era pues, necesario averiguar

valores p o s i b l e s . Primero GAUSS, p e n s ó que la media aritmética de todos

los valores observados sería el valor correcto.

53
 .il. Canales G·. B toes iadis tica

Más tarde, GAUSS y LAPLACE se les ocurrió pintar la distribución de

frecuencias de los resultados. Observaron cómo los valores extremos eran

correctos, y cada vez las medidas se hacen más iguales y más numerosas

. hasta concentrarse en un valor medio que es el valor más frecuente. Por

esta razón, la distribución normal es como distribución de GAUSS y

LAPLACE. Se creyó entonces, que en la práctica la mayoría de las

distribuciones eran de este tipo y por eso se le puso "distribución

normal", llamando a las restantes distribuciones anormales.

Quetelet descubrió que la distribución normal para la biometría de las

anchuras de tórax de 5 7 3 8 soldados escoceses. El valor más frecuente fue

aproximadamente 40 pulgadas, 3 9 pulgadas se presentaban casi con la

misma frecuencia, 4 1 y 3 8 fueron más raros, 42 y 3 7 más aún, hasta que

l

!
por fin 3 3 y 48 pulgadas resultaron ser valores extremos aislados.
1

1
La distribución normal se define de la ecuación:

J
2]

·I
l
1 ¡-1 (x. x)
l
¡
y = crV2rre 2 �

y¡·:_l_¡. Donde:

X: variables aleatoria

µ: es la m e d i a de l o s valores de la variable X
1

o: desviación estándar de la variable aleatoria X

i¡
rt: 3,1416

e: 2 , 7 1 8

:I

Regla empírica para datos con distribución normal (Figura 3 . 1 )

Aproximadamente el 68% de todos los valores, están dentro

de una desviación estándar de la media.

Aproximadamente el 9 5 % de todos los valores, están dentro

de d o s desviaciones estándar de la media.

Aproximadamente el 9 9 . 7 % de todos los valores, están dentro de tres

desviaciones estándar de la media.

Figura3.1 Curva normal general

54
 Bioes tadis iica

La curva tiene la forma acampanada con un máximo en X . Es simétrica en

torno a :X ya que el valor de la densidad es idéntico en X + c y en X - c, para

todo valor de e.

La curva es cóncava hacia a b a j o en :X y en sus proximidades, se vuelve

cóncava hacia arriba al alejarse de X, suficientemente en cualquier

d i r e c c i ó n . Es decir, la curva presenta dos puntos de inflexión en X = X - o y

en X = X + c. T i e n e como eje X como asíntota.

Las medidas de partida, se convierten en números expresados en

desviaciones estándar, c o m o u n i d a d e s a la derecha o a la i z q u i e r d a de la

media.

Si se define una variable Z =X - µ/ o, Z tiene esa propiedad, es decir, si x,

Z = O; si X = X +O, Z = 1, si X = X + 2 o, Z = 2 .

X - 2 a X-a X X + O X + 2 a
I Valores X

Valores Z -2 1 o 1 2

C o m o X es una variable aleatoria, Z también l o es.

Existe la tabla de probabilidades normales, las cuales son expresadas

como valores de la variable estandarizada "Z".

Ejemplos 3 . 3 . C a l c u l a r la p r o b a b i l i d a d del evento: que la variable toma

valores comprendidos entre O y 1,27. Busque en la tabla de

probabilidades.

P ( O < Z < 1,27)

U7

P ( O < Z < 1,27) = 0,3980 = 39,80%

a) Calcular

P ( O < Z < 3 , 4 5 ) . Respuesta: 0 , 4 9 9 7 = 4 9 , 9 7 %

b) Calcular

P ( O < Z < 0 , 8 ) . Respuesta 0 , 2 8 8 1 = 2 8 , 8 1 o/o

:

55
/l. Canales G. Bioestadisuca

c) Calcular la probabilidad del evento "Z" tome valores comprendidos

entre-2,4 y - 0 , 8 5

P (-2,4 < Z < 0,85)

Área entre ( - 2 , 4 y - 0 , 8 5 ) = área entre ( - 2 , 4 y O) - área entre ( - 0 , 8 5 y O)

- 0,4918-0,3023 = 0,1895

Luego: P (-2,4 < Z < 0,85) = 0 , 1 8 9 5 = 18,95%.

3 . 3 D I S T R I B U C I Ó N DE P O I S S O N Y ESPACIAL

a) Distribución de Poisson

La distribución de P o i s s o n es de importancia fundamental en el estudio

de fenómenos aleatorios: físicos, químicos, biológicos, astronómicos

entre otros, ya que representa un modelo probabilístico apropiado para

la descripción de tales fenómenos.

Siguen esta distribución una gran cantidad de variables. Por ejemplo, la

d i s t r i b u c i ó n de P o i s s o n p u e d e representar adecuadamente valores tan

d i s p e r s o s como número de partículas radiactivas emitidas p o r unidad de

tiempo, un número de llamadas que entran en una central telefónica

durante cierta periodo de tiempo, cantidad de plancton, recuento de

c o l o n i a s bacterianas por p l a c a petrí, en estudios m i c r o b i o l ó g i c o s y en

estudios de e c o l o g í a .

Hay, pues, dos m o d e l o s generales que llevan a una distribución Poisson,

aquellos en los que se estudia un medio (agua, aire, sangre entre otros) en

el encuentran números elevados de entidades pequeñas discretas

(plancton, bacterias, hematíes, levaduras, plantas, individuos, entre

otros).

El propósito de ajustar una distribución de Poisson a varios de los

acontecimientos raros que ocurren en la naturaleza, es comprobar si los

acontecimientos raros ocurren independientemente unos de otros. Si es

así, seguirán una distribución de Poisson. Si la aparición de un

56
 B i o ee uu l í s ii ca

acontecimiento aumenta la probabilidad de que ocurra un segundo

acontecimiento igual al primero, obtenemos una distribución de contagio.

Si el éxito de un acontecimiento impide que se dé un segundo, obtenemos

una distribución espacialmente uniforme. La distribución de Poisson

puede ser usada como prueba para comprobar la aleatoriedad o

i n d e p e n d e n c i a de l o s s u c e s o s , no s ó l o espacialmente, sino también en el

tiempo.

Para determinar la distribución espacial, no solamente contabilizamos en

forma directa l o s individuos de una determinada especie, sino también,

p o d e m o s contabilizar nidos, madrigueras, huellas, fecas, plumas, pieles,

cráneos y todo indicio de la presencia de la especie.

bJ Distribución Espacial

La distribución espacial, trabaja en espacios pequeños, donde se

contabiliza el número de individuos de una e s p e c i e que se encuentra en

un hábitat y en un tiempo determinado. La metodología recomendada son

2

los cuadrantes aleatorios, que pueden variar d e s d e I rn ' hasta 2 5 m de

acuerdo a la e s p e c i e que se está investigando. No confundir la distribución

espacial con la distribución geográfica, que es totalmente diferente,

trabaja con espacios grandes, relacionando con las zonas de vida y

coordenadas geográficas.

Para determinar la distribución espacial, se requieren 09 parámetros

importantes, como s o n :

L Frecuencia observada

2 . Frecuencias Esperada

3. Media = (X)

. - s- - 1 [e" ·2f') (¿ Xífi)Z]

4 . Vananza - - I fi L, Xl 1 - �

2
S . Índice de D i s p e r s i ó n (ID = rr /X)

6. Grados de Libertad (n 1)

7 . Nonograma de Clapham

8. Prueba de H i p ó t e s i s
2

9. Prueba Bioestadística de X = ID (n 1)

No es recomendable, con solamente hallar el índice d e d i s p e r s i ó n , la

misma que ayuda a inferir el tipo de distribución espacial, se debe realizar

 A. Canales O. F3ü >es tadis tica

otras pruebas co m o la pruebas de hipótesis y la comprobación a través de

una prueba bioestadística.

En la naturaleza, en forma general encontramos tres tipos de distribución

especial.

Distribución Uniforme

Se presenta cuando los individ uos de u n a d e t e r m i n a d a e s p e c i e de flora o

fauna silvestre, se encuentran en altas concentraciones de individuos en

un es pacio limitado, p e r m i t i e n d o que los individuos tengan antagonismo

por acceder a un es pa cio y alimento.

Para demostrar este tipo de distribución, se debe realizar no m e n o s de 2 0

r epet iciones . Esta cantidad puede incrementarse de acuerdo al área de

muestreo.

Es probable si se presenta. este tipo de distribución, el hábitat tenga

perturbación y/ o transformación inducida por la actividad del hombre,

if
por lo es necesario considerar programas de manejo del hábitat o

estrategias de recuperación de la especie de flora y fauna silvestre.

j

q,

.l
,¡
11
• • 11

11
lt

• • •
j

''
. ¡

11
• • • •

• • • •

Figura 3 . 2 . Representación de la distribución uniforme

Este tipo de distribución se presenta también, cuando los datos

recolectados del campo y analizadas a través de frecuencias o b s e r v a d a s )

es per a das , presenta una varianza mucho menor que la M e d i a (Varianza=

1,4; M e d i a = 4, 7 ) . Así mismo se p u e d e calcular el índice de d i s p e r s i ó n cor

los Grados de Libertad del número mayor de individuos.

58
En este tipo de distribución espacial, el Índice de D i s p e r s i ó n ( I D ) , debe

estar cercano a O ( I D = 0 , 3 ; GL = 4 0 ) . También, como estos datos se p u e d e

platear en el Nomograma de Clapham, tal como se presenta en la figura

que se presenta a continuación (Diseño original de N omograma de

ClaphamA. Canales, 1 9 9 6 ) .

, .... ....
······••·

l :
'

: i
¡

\ :

' ·:
i
¡
r.s 11,.

:
•
. 7 :
..•..
,_ .... ,...•.•..
, ,
.....
•··-··-·
,. . ¡ -···

• \

1.6
D I . s
;T
R i l
:s , u :( l l o !�� !e o : �
l(i. l . o
:s : A

!
i ' . . .,

.s , \ : :

'",,,.

1A
'"�, •.
. 3

:
:
2

J D
1 :s T R I
s u e j
lo N A l. iE itl. T to iR I iA

¡
;
1
'

,,,,;,w·
:
.9

¡
.
1 l" :

. 7 :
.l
.

lf
i
.6 ,
¡
:
:

, :, l : ¡
:

i/(
.4
t o ! s T : R
il :8 u
:( :! ! O , N
: u i N if i o IR I M f

.3

----

2
··-·· ¡

N o. i
f�Yf• : :
:

¡
(J : ;
i
! i '
' 1

ioo 200

G
[) o O E l H T A

Figura 3.3. Representación de la distribución uniforme en el

Nomograma de Claphan

Distribución Aleatoria

Este tipo de distribución espacial, se presenta cuando los individuos de la

especie en investigación, no tienen inconvenientes con la disponibilidad

de alimentos ni de hábitat, esto implica que el hábitat es de buena calidad

y con alimentos disponibles para la alimentación de individuos. Entonces

los individuos pueden ocupar cualquier espacio dentro del hábitat, sin

ningún riesgo de ser excluido o presentar antagonismo.

Este tipo de distribución, es la más recomendable, p o r esta razón se

r e c o m i e n d a plantear l a s hipótesis de que los individuos se encuentran en

una distribución aleatoria.

 Biocstadistia:

lll

•
11 • •
•
1111
11!1
•
11 •
• 1
•
11
111
•
• •
•
!11 •
1 • 1

lfj 1 11
..
!
1'11
..
¡ :
111
• • 1
• llt 11 •
lll • 11

• •

Figura 3 . 4 . Representación de la distribución aleatoria

Este tipo de d i s t r i b u c i ó n , es cuando después de un a n á l i s i s de frecuencias

observadas y esperadas, presentan una varianza s i m i l a r o igual que la

M e d i a ( V a r i a n z a = 1,4; M e d i a = 1 , 7 ) . Así m i s m o se puede calcular el índice

de dispersión con los Grados de libertad. En este caso, el Índice de

D i s p e r s i ó n con l o s Grados de Libertad, d e b e estar cercano a 1 o un p o c o

más que 1 ( l . D . = 1, 1 ; G . L . = 2 0 ) . También con estos datos se p u e d e platear

en el Nomograma de Clapham, tal como se presenta en la figura que se

presenta a c o n t i n u a c i ó n .

l
1 \

N 1.9 \

O
1
1.S
1.7
-1-··-fllL,.....¡. .• -;,..•••• +-···+·-··-·····-j.···---

\.
............... ·-· --4-·+--·+--·+--·-+--1·-·- ----..¡...¡-·,1-, ! -�· _¡_

C 1.6 ' 'l. O_ '-·· s .. T ..... R •• 1 B \J C l Ó .!:!-+--+(-..¡.(_)-+N,-+T-·.¡.A--¡.G

_. ,J1 . 2.-�=
E 1.5;..-i-----...........;-""'!l,---i---+--+--+---+--+--+-+ ·¡-- _

1.4 ,. 1

O 1.3 ......_ ···- --:-·>···---- ·- --t--- - - >-- >- ·

E l.2 .111 1t.. l 1 1

O 1-�E·_
__· - - � .. 0 1 S T R I efu C · I lº·+·N-+-+-A.....¡...L......¡...E_j
, A T º ¡ R . l l _ � - - -

+-4··--····+--+-·-i. __i ���l-=j,--,""""*�=-+=-1-1

o.9+-I-+--+--·--+--+-·-,,,F--'-+--+--...--1-+--+'......+........--i-·--+'_
o.al __ /l 1 1
i

p o.7r 1 / 1 1

! �::�--1-+---..l-
/ ! _---+--ti·-·+---+--+--+-l----+--+- : ' ·-- -- F-_1i _..... .-. --+---+--+--+--!

0.4l_ __l f j o 1 :5 T iH Íl 6 U le I Ó N U N Ji jF O R M E

l 0.3¡ l ,, J

Ó 0.2i 1 / :

N
o _J
0.1 __ J ........L.--+·--l--+·--+--+---t--1---..;,.---+
-17 i 1
.. ··-+-··l-····+--·-+-·-+·-·-+-.!
: +-··+··-�----·�--�-·1·---,---�-i

10 so 1 eo no 200 ase

G R .A O O S O E L I B E R T A O

Figura 3.5. Representación de la distribución aleatoria en el

Nomograma de Claphan

60
 Canales Cr. Bioes tadis U ca

Distribución Contagiosa o Amontonada

Este tipo de distribución, se presenta cuando los individuos de una

especie, se encuentran en forma agrupada o amontonada, formando

g r u p o s · dentro del hábitat. Este comportamiento puede tener varias

razones, pudiendo ser por comportamiento reproductivo, defensa

territorial, o debido a que solo en los lugares de agrupamiento se

encuentran l o s alimentos n e c e s a r i o s y espacio d i s p o n i b l e . Sin embargo,

este tipo de comportamiento no es de mucho riesgo para la e s p e c i e , pero

se debe tener cuidado con las p o b l a c i o n e s y el hábitat.

Figura 3 . 6 . Representación de la distribución contagiosa

Este tipo de distribución, es c u a n d o después de un análisis de frecuencias

observadas y esperadas, presentan una Varianza mucho mayor que la

Media (Varianza= 2,4; M e d i a = 0 , 9 ) . Así m i s m o se p u e d e calcular el Índice

de Díspersión con los Grados de Libertad. En este caso, el Í n d i c e de

Dispersión debe s e r mucho mayor que 1 ( I . D . = 2 , 3 ; G.L. = 4 0 ) . También,

con estos datos se p u e d e plotear en el Nomograma de Clapham, tal como

se presenta en la siguiente figura.

61
f '. .

.iL Canales G·. B toes iad is l tea

¡ \ ! ! ¡ 1
1 ! 1

l ¡
t--.

1 .Li.Lí..
l

U N l if O R M E

10 50

G R O E L I B E R T A D

Figura 3 . 7. Representación de la distribución contagiosa en el

Nomograma de Clapham

Resumen:

a) I D = m e n o r a 1 cercano a O V < M = D. Uniforme

b) I D = cercano 1 V = M = D. Poisson o Aleatoria

c) ID=muchomayorquel V> M = D. Contagiosa.

l
Ejemplo 3.4. Numero de madrigueras de vizcacha evaluados en la
!

l o c a l i d a d de Llalli, Prov. Lampa, 2 0 0 8 (Cada c u a d r a n t e = S ü m 2 ) .

1
8 5 3 4 9 4 8 3 7 6 6

7 9 5 5 6 9 4 4 5 7 4

1 1

5 4 2 6 6 6 7 6 4 8 4

4 4 3 4 6 5 5 2 4 6 5
ll

! I

5 4 5 3 9 4 4 1 6 6 6

1 1

¡ I

¡ ;

!:{
Para hallar el tipo de distribución espacial, empleamos las siguientes
¡ j

formulas.
l í
1 ,

I •

62

¡ .
.A. G. Bioestadisuca

s- = �. [e� · 2 · ) - (¿ Xifí)Z]

:E fí L XI ñ :E fi

:Exifi

M e d i a (X) = :E fi

sz
I D =

G.L. = ( n - 1 )

xz = I D (n - - 1 )

Luego se tabula los datos acuerdo al cuadro p r e s e n t a d o .

Xi Fi Xi2 Xi2fi Xifi

o o o o o

1 1 1 1 1

2 2 4 8 4

3 4 9 36 12

4 15 16 240 60

5 10 25 250 50

6 12 36 432 72

7 4 49 196 28

8 3 64 192 24

9 4 81 324 36

¿ 55 285 1678 287

2]

2 1 [ 287
s = 55 1679 - 55

s2 = 3,35

287
Media(X) = = 5,218
55
3,35
I D = - - = 063 1

5,218

G.L.=(n-1)=9 1 = 8

xz = 0,63(8) = 5,04

Respuesta: La d i s p o s i c i ó n de las madrigueras de las vizcachas, presentan

una distribución uniforme, esto implica que tienen problemas con el

hábitat. Es probable que exista una perturbación del hábitat, la que t i e n e

sus efectos en la falta de alimento y lugares para construir sus

ma,drigueras.

63
il. Canales (i. Bioestcuiistica

3 . 4 INTERVALOS DE CONFIANZA

Es definido como la p r o b a b i l i d a d de que el parámetro se encuentra dentro

del intervalo dado. También se puede d e n o m i n a r niveles de confianza. Los

más usuales s o n el 9 5 % y el 9 9 % .

Nivel de confianza a l 95%

Implica que de 1 0 0 datos, se espera que 9 5 de ellos se encuentren dentro

del intervalo construido del parámetro evaluado. También se e s p e r a que 5

de ellos se encuentren fuera del intervalo, ya sea a la derecha o a la

izquierda.

Nivel de confianza al 9 9 %

Significa que de 1 0 0 casos o datos, se espera que 99 de ellos estén dentro

del intervalo construido del parámetro evaluado. También se espera que i

esté fuera del intervalo construido.

Intervalo de confianza para estimar la media poblacional

Es necesario que la muestra sea tomada en forma aleatoria, con l o s datos

de la muestra se calcula la m e d i a y la desviación estándar.

Se emplea la siguiente fórmula:

X ± Zo e X, donde:

X = Es la m e d i a aritmética de la muestra

Zo = Es el coeficiente de confianza.

a Es el error estándar de la m e d i a y su valor depende de la

desviación estándar poblacional.

El extremo izquierdo del intervalo se llama, límite de confianza inferior, el

extremo derecho, se llama límite de confianza superior.

Intervalo de confianza de 95% para estimar la medía p o b l a c i o n a l

95%=0,95
 G. Bioesiadistica

�=04750
2 J

En la tabla de probabilidades normales, para el área de O ,4 7 5 0 se obtiene el

punta je Z = 1, 96

La fórmula para el intervalo de confianza es:

x±1,96o x

Intervalo de confianza de 9 9 % para estimar la media poblacional 9 9 % = 0,99:

99
·º' =0 4 9 5 0
2 1

Luego: X ± 2 , 5 8 o X

·2.SS o

Ejemplo 3 . 5 . A partir de la estatura (cm) media de 6 0 0 estudiantes, se

tomó una muestra representativa de 40 estudiantes.

De esta manera se obtuvo:

n > 0,05 N

40 > 0 , 0 5 ( 6 0 0 )

40>30

X =164,3cm S=6,096

Determinar los intervalos de confianza de 9 5 % y 9 9 % para estimar el

parámetro indicado.

Para el 9 5 % de confianza

X ± 1 , 9 6 o :X

dX = :O J � = � = 6:06 = �oºo � �o

(J * x = ü.93

X± 1,96 o x = 164,3 ± 1,96 * o,93 = 164,3 ± 1,83

162,,47 166,13

65
Para el 9 9 % de confianza

x ± 2,58 o x = 164,3 ± 2 , 5 8 * o,93 = 164,3 ± 2,4

161,90

3.5ASIMETRÍAYCURTOSIS

Asimetría

Es la deformación horizontal de las curvas de frecuencias. Cuando la curva

está inclinada hacia la derecha se denomina asimetría a la derecha o

asimetría positiva.

Observamos que la M d aritmética que era hacia el lado más largo ( el

derecho) y que x > Md > M o ,

O l\'.lo l\Id X

O X 1\-Id Iv!o
 Bioes tadis tic a

�·---X
o X

'.Md

!\fo

Cuando la curva está alargada o inclinada al lado izquierdo se llama

asimetría a la i z q u i e r d a o negativo. Notamos que la Md está del lado más

largo ( el izquierdo) y q u e :

X < M d > Mo

En la figura, vemos que la curva está igualmente inclinada hacia ambos

l a d o s , a este tipo de distribución se llama curva simétrica. Es importante

observar que la Media (X), mediana (Md) y la moda (Mo) coinciden en el

m i s m o eje horizontal, en este c a s o :

X = Md = Mo.

Curtos is

Es la deformación vertical de una curva de frecuencias. Se define como el

grado de apuntamiento muy pronunciado. Se aplica en la prueba de

normalidad de datos, debiendo estar entre -z a +z. Existen tres

deformaciones que a continuación d e s c r i b i r e m o s :

a) Leptocúrtica:

Aplastamiento horizontal y la curva con apuntamiento p ro n u n ci a d o ,

,-:; · puesto que los datos se encuentrnn en las colas y en la parte m e d i a .

67
A.. Canales G. Bioestadisüca

b) Platicúrtica

Una curva achatada, es decir, que tienen muy poco apuntamiento, los -

datos se encuentran en las partes medias.

e) Mesocúrtica

Una curva que tiene una situación intermedia entre las dos anteriores, es

decir, no tiene un fuerte apuntamiento pero que tampoco es muy

e s p a c i a d a . Los datos s e encuentran en la parte media.

68
 A. Canales G. B ioes tadis tic a

· Goeficiente·de·ourtosis pertentílíco

Es una m e d i da de la c urtos is bas a da en ' los cuarti l es y pe rcentiles q ue se

define p or la f ór m ul a.

K = Q
P90 - P 1 0

En d o n d e :

K = coeficiente de curto sis

P90 = percentil 90

P 1 0 = percentil 1 0

Q = Q 3 - Q 1 2 es el rango semicuartil

Para la curva normal de probabilidades K = 0 , 2 6 3

Orienta tener las siguientes pautas:

a) Si K tiende a 0,5 se dice que la curva es leptocúrtica.

b) Si K tiende a 0 , 2 5 se dice que la curva es m e s oc ú r t í c a ,

Si K tiende a O, se dice que la curva e� platicúrtica.

0.125 0.25 0.375 0.5

ol 1 1 1
1

platicúrticas mesocúrtica leptocúrtica

3 . 6 PRUEBA DE HIPÓTESIS

Las pruebas de hipótesis fueron creadas entre el periodo 1 9 1 5 y 1 9 3 3 ,

como resultado de la labor de dos grupos o tendencias: por un lado,

Ronald Fisher ( 1 8 9 0 - 1 9 6 2 ) y por el otro, Jerzy Neyman ( 1 8 9 4 - 1 9 8 1 ) en

conjunto con Egon Pearson ( 1 8 9 5 - 1 9 8 0 ) . Ambas tendencias tuvieron

como antecedente la famosa prueba de ji al cuadrado de Karl Pearson

(1857 -1936).

El planteamiento de la hipótesis en la investigación, es un componente

fundamenta l que per m ite inferir sobre el problema . La aceptació n y/ o

recha z o de hipótesis, per m itir á p lantear o mejorar nuevos cono ci mientos

como principios, le y es, teor í as o me j o r ar una metodolog í a empleada por

otro investigador .

Seguramente, existen investigadores que no plantean ninguna hipótesis,

por tanto, su investigación es meramente descriptiva, al no probar

ninguna hipótesis. Esto no implica que no sirva la investigación, pudiendo

69
il. Canales G. Biocs tculisiica

servir de base para continuar una investigación ínferencial, donde es

posible probar una hipótesis.

Consideramos que es fundamental tener en cuenta la hipótesis nula y

alterna, lo usual es que siempre deseamos comprobar una hipótesis

alterna, esto implica detectar diferencias a través del uso de alguna

prueba bioestadística.

Otros autores consideran, hipótesis de trabajo e hipótesis estadística, lo

cual no es recomendable. Es adecuado que la hipótesis sea la unión de

ambas y no p o r separado.

Lo que deseamos en un trabajo de investigación, es demostrar nuevas

teorías, leyes y principios, o al m e n o s mejorarlas. Entonces, el resultado

de la aceptación o rechazo de las hipótesis de la investigación, permitirá

que la c i e n c i a avance con estas nuevas acepciones inferenciales.

Las hipótesis deben cumplir algunos requisitos.

a) Referencia a hechos reales. Toda hipótesis se refiere siempre a los

hechos reales, de otro modo las hipótesis serian especulativos y

carecerían de fundamento práctico.

bJ Fundamentación teórica. Toda hipótesis esta incluida en el contexto de

una teoría, o, fundamentada por conocimientos logrados por la ciencia.

Por esta razón, se afirma que las hipótesis científicas son supuestos

razonables en la medida en que la sustentan en teorías, cuya consistencia

esta probada.

Es posible que una hipótesis, en si consistente pero totalmente nueva,

pueda contradecir una teoría vigente. Se trata en este caso, de una

hipótesis que siendo consistente en si misma, hace apertura a una nueva

teoría. Estos casos se dan en la ciencia de manera excepcional.

e) Fundamentación lógica. Las hipótesis científicas deben ser razonables

y lo son si cumplen con las exigencias de la lógica.

Respetan y expresan formalmente los principios lógicos, por ejemplo el

principio de no contradicción.

d) Predictividad. Las hipótesis son supuestos con los cuales el

investigador puede adentrarse a los hechos.

70
 G. Bioesiadistica

, e) Comprensible. Deben ser entendible por la comunidad científica. Los

científicos prefieren evitar el lenguaje misterioso.

La exigencia de que una hipótesis sea compresible, platea que el

investigador utilice un lenguaje de tal manera, que no sea subjetivo ni

contenga juicios de valor.

Existen varias definiciones de hipótesis planteados p o r diversas autores,

pero al final todos mantienen la definición principal de la h i p ó t e s i s .

Definiciones de hipótesis

- Es una proposición enunciada para r e s p o nd er tentativamente a un

problema (Pardinas, 1 9 8 7 ) .

Son conjeturas basados en leyes y teorías (Bunge, 1 9 9 7 ) .

Enunciado afirmativo y condicional que establece una relación entre

hechos, respondiendo así provisionalmente un problema de

investigación y sujetándose a comprobación (Tafur, 1 9 9 7 ) .

Nos indican lo que estamos buscando o tratando de probar, y p u ede

definirse como explicaciones tentativas del fenómeno investigado,

formuladas a manera de p r o p o s i c i o n e s (Fernández et al., 1 9 9 7 ) .

Es un enunciado condicional de posible respuesta a un problema,

basado en hechos, teorías, leyes y principios, que pued e ser aceptado o

rechazado a través de la aplicación de pruebas bioestadísticas

adecuadas (Canales, 1 9 9 9 ) .

Predicción

Bunge ( 1 9 7 3 ) , Sokal y Rohlf ( 1 9 8 1 ) y Baker &Allen ( 1 9 8 0 ) .

+ ¿Cualserálacausadexsobrey?,

+ ¿ Que ocurriría si X = Y?

A las respuestas de estas preguntas se llama predicción, que en el sentido

común, es una previsión basada en generalizaciones empíricas tácticas,

fundamentada en teorías.

La predicción científica, es condicional y por lo tanto es una aplicación de

la teoría científica ( anticipa nuevo conocimiento y es contrastada).

+ Mientras, que la conjetura y la profecía, son enunciados

i n c o n d i c i o n a l e s de la forma "ocurrirá p"

+ En la hipótesis, esta implícita la predicción.

+ Un experimento prueba una hipótesis verificando si las

predicciones que se derivan de la misma son correctas.

71
A . Canales G. Bioestadistíca

Tabla de la verdad

+ Hipótesis Predicción

Correcta Correcta

Falsa Correcta o falsa

Ejemplos de hipótesis con predicciones:

+ Hipótesis: S i . . . el salmón, utiliza s o l o el estimulo visual para

encontrar el arroyo d o n d e nació, para p o n e r sus huevos . . .

+ PREDICCION: entonces . . . . un salmón al que se le i m p i d e ver

mediante una venda, no p u e d e retornar al arroyo d o n d e n a c i ó .

+ H i p ó t e s i s : S i . . . el salmón encuentra la ruta de vuelta a su arroyo

natal mediante el olor especifico de sus aguas ...

+ PREDICCION: entonces ... obstruyendo los sacos olfatorios,

p o d e m o s evitar que el salmón encuentre su arroyo natal.

+ H i p ó t e s i s l : El beriberi es el resultado de un d e s o r d e n dietético,

y no se debe a una infección ba c te r í a l ,

+ Hipótesis I I : Un factor presente en la cáscara del arroz parece

evitar la manifestación de este trastorno.

+ Eijkman pud o hacer una pr e di c c i ó n s e n c i l l a mediante estas

dos hipótesis.

+ Hipótesis 1 : S i . . . e l beriberi es un transtorno dietético, ...

+ Hipótesis I I : S i . . . el beriberi es el resultado de alimentarse con

arroz descascarado ...

P R E D I C C I O N : entonces . . . el darle arroz descascarado a l o s p o l l o s

debe producir esta d o l e n c i a . Por el contrario, alimentarlos con

arroz con cáscara debe mantenerlos saludables.

Propuestas de hipótesis con predicción

1) Hipótesis: Si... el acceso a una revista científica indexada,

limita las publicaciones de las investigaciones de los docentes

de las universidades,

P R E D I C C I O N : entonces la creación de una revista científica de

distribución a nivel internacional propia de las universidades,

elevara el número de publicaciones. ,

2) Hipó tes is: Si... la falta de publicaciones científicas de los

profesores de las universidades, esta limitada por el tipo de

formato propuesto por la dirección de Investigación . . . ,

72
 Canales G. Bioestudistica

P R E D I C C I Ó N : Entonces ... la modificación de formato de acuerdo

a una revista científica indexada, posibilitará un mayor número

de publicaciones.

Hipótesis considerando diferencias o igualdades.

Con diferencia

La diversidad de e s p e c i e s de fauna silvestre, disminuirá conforme la

altitud (msnm) se incremente, es decir a menores altitudes existirá una

mayor diversidad que a los mayores altitudes, esto debido a las

condiciones favorables de factores climáticos y de competencia por

hábitat y alimentos que ocurre en zonas bajas, mientras que en zonas con

mayores altitudes, las condiciones de los factores climáticos son adversos

(temperatura, humedad, precipitación pluvial entre otros) (Primack,

1 9 9 4 , Pianka, 1 9 7 8 ) .

Con igualdades

La diversidad de e s p e c i e s de fauna silvestre, será igual conforme la altitud

(msnm) se incremente, es decir a menores y mayores altitudes existirá

similar cantidad de diversidad de especies, esto debido a la

homogeneidad de hábitat y a la selección natural ( adaptación y

especialización) (Caughley, 1 9 9 4 ) .

Es importante que las hipótesis estén basados en teorías, leyes,

publicaciones por científicos en libros, revistas científicas, p o r ello se

debe colocar el nombre del autor.

Vale la pena distinguir los siguientes términos:

(i) Expectativa, es una actitud automática de anticipación que se

encuentra en todo los animales. La expectativa, es una operación

consciente, pero carece de fundamento.

(ii) Conjetura, intento consciente pero no racionalmente justificado sin

fundamentos. La conjetura, puede ser juego divertido, una

superstición peligrosa.

(iii) Profecía, en gran escala, basada en el supuesto fundamento de la

revelación o de otra fuente esotérica "ciencia oculta". Nunca es

contrastada.

Hablando en el lenguaje de la biología, puede decirse que la predicción es

el tipo más alto de adaptación -del hombre. Mediante ella, el hombre se

73
 /L Canales G. Bioes iadis iico

adapta anticipadamente a las nuevas condiciones que el mismo configura.

Las, profecías, o conjeturas de gran escala como las del Apocalipsis, de

Nostradamus y de ciertos políticos, son tan infundadas como las

conjeturas.

Cuando Creso Preguntó al o r á c u l o de Belfos, qué ocurriría si atacaba a los

Persas, la respuesta fue: "Un gran reino será destruido". Creso no se dio

cuenta de la ambigüedad de la sentencia y atacó: un reíno, el suyo quedo

destruido, como estaba profetizado.

Predicción con regresión

Sokál y R o h t f ( 1 9 8 1 ) .

Una función, es una relación matemática que nos permite predecir que los

valores de una variable Y, corresponden a valores dados de una variable X.

El tipo más simple de regresión sigue la ecuación Y = X (relación entre el

Número de anillos de crecimiento de un árbol c o m o una función de la

edad).

Para p o d e r rechazar y/ o aceptar una hipótesis, es necesario utilizar

pruebas bioestadísticas, caso contrario se puede incurrir en errores que

pueden ser negativos para el avance científico.

El uso de la pruebas bioestadísticas son una herramienta de ayuda para el

investigador y no una limitan te.

La bioestadística, provee las herramientas para d i s c e r n i r con mayor

claridad las causas, efectos, diferencias, asociaciones de los datos, y p o r lo

tanto, es más sencilla la interpretación y discusión de las resultados.

Al hacer una prueba bioestadística, puede haber dos resultados:

Aceptar la hipótesis nula (no hay diferencia) o rechazarla (si hay

diferencia). Existen dos tipos posibles de errores: rechazar la hipótesis

nula cuando es verdadera ( error tipo 1) o aceptarla cuando es falso ( error

tipo I I ) . A menudo la hipótesis es aceptada cuando es falsa, debido al

p e q u e ñ o tamaño de muestra. El error tipo II puede ser común en estudios

de conservación ya que generalmente las poblaciones son pequeñas. La

aceptación de una hipótesis p u e d e tener consecuencias muy serias en

proyectos de conservación por ejemplo: Imaginemos que una especie está

disminuyendo, pero que nuestras estimaciones poblacionales no

7,4

1 1
 ii. G. Biocntadisiica

detectan ninguna diferencia. Si concluimos que no hay diferencia

( cometiendo un error de tipo H), entonces no habrá medidas de

conservación para modificar la tendencia.

La forma de conocer si el diseño es adecuado para no cometer un error de

tipo II, es mediante el cálculo del p o d e r estadístico. El p o d e r estadístico es

la probabilidad de rechazar una hipótesis nula falsa. Se calcula como 1

beta.

Cuadro 3 . 1 . Definiciones de Hipótesis y errores de tipo I y I I .

r Parámetros Definiciones

Hipótesis nula (Ho) Hipótesis que generalmente indica que no

existe diferencias

-I�ipótesis alternativa (Ha) Hipótesis que generalmente indica que

existe diferencias

----
Error Tipo I Rechazo' de una Hipótesis nula verdadera

-·
Error Tipo I I Aceptación de una hipótesis nula falsa

-·
Alfa Probabilidad de cometer un error Tipo I

Beta Probabilidad de cometer un error Tipo II

Poder Capacidad de una prueba bioestadística

para rechazar la hipótesis nula cuando no

es verdadera. Grado de d i s m i n u c i ó n de

L errores de Tipo 1 1 .

3 . 7 . TAMAÑO DE MUESTRA

Tamaño de muestra en el muestreo aleatorio simple, cuando la

variable es continua.

Partimos de la fórmula del intervalo de confianza, para estimar la media

poblacional de la variable:

·-----E-----
 Canales ( } .

En donde:

x= media de la varianza

Z = coeficiente de confianza, que depende del nivel de confianza asumido.

a x = error estándar de la media. Es la desviación estándar de la

distribución muestra} de la media.

E = error al estimar la media poblacional. Es la distancia o separación

entre un extremo del intervalo y el centro del mismo, se t i e n e n :

E = z-x

Consideramos dos casos:

1) Cuando el tamaño de la población (N) es grande, n < 0 . 0 5 N

2) Cuando el tamaño de la población, no es muy grande, n > O . O S N.

Estudiaremos el caso 1) cuando N es grande se utiliza la fórmula:

O'

CJX = -

Fn

En donde, a es la desviación estándar poblacional n es el tamaño de la

muestra.

Reemplazándose se tiene:

Zcr
E = -

Fn

Elevamos al cuadrado ambos miembros de la fórmula:

z2
Ez = - cr z
n
Despejando n.

z2
2
n = - cr
Ez

Esta es la fórmula para el caso de población grande (n< O , O S N )

El valor de n varía en forma directamente proporcional a los valores que

están en el numerador. Además, n varía en forma inversamente

proporcional al valor del denominador de la fórmula.

Cuando el nivel de confianza asumido es 99%, según la tabla de

probabilidades normales Z = 2,58.

 A . Canales G. B ioes tadis tica

Para el nivel de confianza de 9 5%, la tabla da Z = 1, 9 6 .

La desviación estándar poblacional u no se obtiene directamente. En la

práctica, se le estima tomando la desviación estándar de una

investigación semejante ya efectuada. Si no hay antecedente, se toma del

universo de una muestra piloto, llamada también, muestra guía o muestra

de ensayo, de tamaño arbitrario. Supongamos de 8 0 o 1 0 0 elementos. Con

los datos de la pre muestra, se calcula su media aritmética x y su desviación

estándars:

(Y = s

Es decir, la desviación estándar poblacional estimada, es igual a la

desviación estándar de la pre muestra.

El error E lo fija el especialista, puesto que es la persona más indicada para

estimar el máximo error que se pueda admitir al calcular el valor m e d i o

poblacional de la variable de estudio.

En la práctica, cuando no hay el especialista se toma:

E = 3 % de X o 5 % de X

Esto es el 3 % o el 5 % del valor medio de la pre muestra.

Ejemplo 3 . 6 . En una p o b l a c i ó n de 1 0 0 0 0 0 hombres adultos, se trata de

construir un cuadro que correlacione los p e s o s con la talla y la edad de las

p e r s o n a s . Se quiere estimar el tamaño de una muestra aleatoria que sea

representativa de la población dada. De varias facultades de la

universidad se toma una muestra de S O personas varones, de edades y

tallas que están dentro de l o s límites de estudio. Sus pesos en kg son:

55 68 73 64 80

85 90 77 82 52
¡,,,,.---,,---

60 83 72 66 78

59 58 56 74 57

72 64 72 62 73

70 77 81 69 54

71 72 73 85 76
-80 70 85 71 78

58 69 74 70 80

61 60 62 71 70

77
 A . Canales

De estos valores obtenemos:

X = 70,38Kg

<J = 9,28Kg

Asumimos el nivel de confianza de 9 9 % , luego Z = 2 , 5 8

CJ = 9,28Kg

70'38
1
E = 2° 0 de X 2 * = 1 41Kg
í'l 100 '

Aplicando los datos en la fórmula:

z2
n = -az
. Ez

2 2
2,58 x9,28
288,22

n = 2 8 8 personas.

Es el tamaño mínimo, de acuerdo a las c o n d i c i o n e s dadas

Observación

Si asumimos un nivel de confianza de 9 9 % y las aceptamos donde sólo 1

kg de error, se tiene:

Datos: Z = 2,58 o = s = 9,28

E=l

2 2
2 58 x 9 28
Luego: n = ' ' = 603,27

n = 5 7 3 personas

Tamaño mínimo de acuerdo a las nuevas condiciones.

Caso 2 : Cuando el tamaño de la población no es muy grande ( n > O , O S N ) , el

procedimiento es el siguiente:

1. Se calcula el tamaño de la muestra n como si la población fuese

grande, p o r medio de la siguiente fórmula:

z2
n = - <J z
Ez

78
 G. Bioestadistica

2. El valor de no, se corrige por la siguiente fórmula:

no
n =
+ no
1
N

En el problema anterior, para una población de sólo 1800 personas

tenemos:

Datos: Z = 2,58

CY = 9,52

E = 2 % de x E = 1 , 4

2 2
2,58 x 9,52
no= ----- = 3 0 8 personas
1,42

Se observa que n > O . O S N , es decir, 3 0 8 > ( 0 , 0 5 ) ( 1 8 0 0 ) = 9 0

Luego:

no 308
n = = , 308 = 262,99
+ no
1
N I + 1800

Este es el tamaño mínimo que cumple las c o n d i c i o n e s prefijadas.

Ejemplo 3 . 7. Conociendo las variables de un estudio (cualitativas), se

pide determinar el tamaño de una muestra a extraerse de una población

de 1 3 0 0 personas, a s u m i e n d o un nivel de confianza de 9 5 % y aceptando

un error de muestreo de 5 % .

Datos:

N = 1 3 0 0 personas

Z = 1 , 9 6 , cuando el nivel de confianza es 9 5 % , por medio de la Tabla de

distribución normal de probabilidades, se calcula el coeficiente de

confianza Z = 1, 9 6

E = 5% = 0 , 0 5 . Como tenemos otra i n f o r m a c i ó n , consideraremos que la

varianza es máxima, luego:

p = 0,5

q 0,5

Aplicando los datos de la fórmula:

2
1,96 X 0,5 X 0,5
N o = O = 384,16 = 385
, 052

79
.iL Canales G. B ioestad ís tica

Teniendo en cuenta que nuestra población es de sólo N = 1 3 0 0 personas,

entonces se cumple que n < 0 , 0 5

N = 0 , 0 5 x 1 3 0 0 = 6 5 , corregimos usando la fórmula.

no 385
n = 397,3
+ no 385
1
N l + 1300

n = 3 9 7 personas

Observación

Con criterio práctico, consideramos una población grande con respecto a

la muestra, cuando n < 0 , 0 5 N, es decir, cuando el tamaño de la muestra es

m e n o r que el 5 % del tamaño de la población. La p o b l a c i ó n no es muy

grande en el caso contrario: n = > O . O S N.

En el mismo problema anterior, asumír el nivel de confianza de 9 9 % y el

error de muestreo de E = 3%'¿Cuál será el tamaño de la muestra?

Datos:

N = 1 3 0 0 personas

Z = 2 , 5 8 . Para el nivel de confianza de 9 9 % la tabla de probabilidades

normales nos da:

Z = 2,58

E=3%=0,03

p=0,5

q =0,5

L u e g o : no = z , 5 s 2 x o,5 x o,5 = 1850

2
0.03

N u n c a p u e d e ser N o > N, p o r lo tanto corregimos:

1850
n = = 764,46
1850
l + 1300

n = 7 64 personas

Este es el tamaño mínimo de la muestra bajo las condiciones dadas.

80
 Bioestculistica

Tamaño de muestra en el muestreo aleatorio simple, cuando la

variable es cualitativa (proporciones)

Es muestreo para proporciones de utilidad, cuando la variable en estudio

es cualitativa, en escala nominal o en escala ordinal. Por ejemplo, con la

variable sexo se tiene dos categorías: hombre y mujer. Supongamos que

hay 20 personas de las cuales 8 son hombres, y 12 mujeres. Las

frecuencias en las categorías s o n :

Categorías f. absoluta f. relativa f. porcentual

"-iíoñi'bre 8 p = 8/20 = 0.4 40%

Mujer 12 q = 1 2 / 2 0 = 0.4q 60%

Total 20 p + q = l 100%

En donde:

nº de hombres en el grupo
p = proporción de hombres = d
nº tota 1 e personas

. , . nº de mujeres en el grupo
q = p r o p o r c i on de mujeres = d
nº tata 1 e personas

Propiedades y conceptos:

1. Una proporción es la razón o cociente del número de elementos

que tienen una propiedad dada, entre el total de elementos de la

población.

2. Se demuestra que:

a = p.q, es decir:

La varianza a2, es igual al producto de la proporción de elementos

que tienen cierta propiedad, por la proporción de elementos que

no la tienen.

3. También, en el análisis matemático se demuestra que para la

varianza máxima se tienen:

p=q=0,5

De donde se deduce que el valor máximo de la varianza es:

2�.:-
cr máxima= O , S x 0 , 5 = 0 , 2 5

81
..A . Canales

3 . 8 PROBLEMAS PROPUESTOS

a) Calcule el tamaño de muestra para la toma de datos de talla de pejerrey

de una población grande de 1 5 0 0 0 0 individuos, con un nivel de confianza

de 9 5 % . Se conoce el promedio ( 2 5 c m ) , desviación estándar ( 1 , 5 6 ) , error

(3%).

b ) Calcule el tamaño de muestra de los siguientes datos:

N 1500

Z = 1,96

Promedio 1,56

Desviación estándar= 3 , 5

Error=3,5%

e) Calcule el tamaño de muestra de la p o b l a c i ó n de vizcachas, tomar datos

de peso (kg) de una población de 3500 individuos, se conoce los

siguientes datos:

Z = 1,96

Promedio 2 , 5 kg

Desviación estándar= 3 , 6

Error=5%

d) Que haría U d. Si no tiene promedio ni varianza de la especie y/ o

población que desea estudiar. Plantee todas las alternativas de solución.

A Canales G. Bioesuulisiica

CAPITULO IV

PRUEBAS BIOESTADÍSTICAS PARAMÉTRICAS

4.1. SUPUESTOS PARA PRUEBAS BIOESTADÍSTICAS

4.2. ANDEVA DE CLASIFICACIÓN SIMPLE.

4.3. ANDEVA FACTORIAL.

4.4. REGRESIÓN

4.5. CORRELACIÓN

PROBLEMAS PROPUESTOS

4 . 1 . SUPUESTOS PARA PRUEBA BIOESTADÍSTICAS

Para aplicar pruebas bioestadísticas (paramétricas y no paramétricas ), se

recomienda que las variables deban ser continuas y discretas. Algunas de

las pruebas bioestadísticas paramétricas son: Análisis de Varianza

(ANDEVA), Regresión, Correlación, Prueba de t (aunque otros autores

consideran como no paramétricas utilizada como prueba de contaste).

Para aplicar una prueba bioestadística paramétrica, es necesario cumplir

con los siguientes supuestos:

1. Normalidad de datos.

Para comprobar si existe normalidad en los datos, debe realizar pruebas

de bondad de ajuste como: kurtosis. Esto implica que los datos analizados

estén en un rango de - 1 a + G 1 y G2 que debe ser igual O, entonces nos

indica que los datos tienen normalidad. En caso de no existir normalidad

de datos puede, hacer una transformación con Arcsen, Raiz cuadrada,

logaritmo y Box Cox. Ejemplo de una prueba gráfica de normalidad de

datos.

Las consecuencias de la no normalidad del error, no son demasiado

graves. Únicamente una distribución muy asimétrica tendría un efecto

marcado sobre el nivel de significación del resultado o sobre la eficiencia

del error. La mejor manera de corregir la falta de normalidad es hacer una

transformación, a fin de cumplir con el supuesto de normalidad. Si a pesar

de la transformación de los datos, continua la anormalidad, entonces se

debe optar por una prueba no paramétríca.

83
 .A Canales G. Bioestadistica

4 5 6

PESO

Figura 4 . 1 . Curva de normalidad de datos

Interpretación: La figura muestra que la mayoría de los datos se

encuentran dentro de los rangos de Kurtosis aceptable, p o r lo que se

acepta que l o s datos tienen normalidad.

Ejemplo 4 . 1 . Se presenta las alturas de de los primeros 7 0 estudiantes

graduados en el curso de bioestadística.

H o : La muestra viene de una población normal.

H 1 : La muestra no viene de una distribución normal.

Marca de Altura Frecuencia f¡X; f;X;2 P(X;) Frecuencia (f;-fe;)Z /fe;

clase (X;) observada esperada

(f¡) (fe;)

1'1
< 62,5 o 0,0102 0,7140 0,1523

62.5-63,5 63 2 126 7938 0,0115 0,8050 0,1423

;¡
63,5-64,5 64 2 128 8192 0,0219 1,5330 0,1004

i l
64,5-65,5 65 3 195 12675 0,0357 2,4990 0,3834
1 1

¡ 65,5-66,5 66 5 330 21780 0,0542 3,7940 0,3127

66,5-67,5 67 4 268 17956 0,0755 5,2850 0,1337

67,5-68,5 68 6 408 27744 0,0995 6,9650 1,0371

 A.. - Canales G. Bioestadistica

68,5-69,5 69 5 345 23805 0,1122 7,8540 0,0136

69,5-70,5 70 8 560 39200 0,1191 8,3370 0,1474

71 7 497. 35287 0,1156 8,0920 0,0046

70,5-71,5

71,5-72,5 72 7 504 36288 0,1026 7,1820 2,6560

72,5-73,5 73 10 730 53290 0,0858 6,0060 0,6941

73,5-74,5 74 6 444 32856 0,0311 4,2770 0,0036

74,5-75,5 75 3 225 16875 0,0414 2,8980 0,0241

75,5-76,5 76 2 152 11552 0,0256 1,7920

76,5-77,5 77 o o o 0,0145 1,0150 1,9670

>77,5 o 0,0136 0,9520

I;[¡ - 7 0 _Ef¡ I;f¡X/= I; P(X¡) E f e ¡ = 70,000 xz = 7 , 7 7 2 3

X¡=4912 345438 = 1,000

¿f¡X¡ 4912
µ = -n
- = 7CJ = 70,17

49122
345438 -
70
S =
69

S = �=3,31

Para hallar P (proporción) se debe calcular Z:

X · - µ
Z = - 1__

s
Entonces, empezaremos con la clase de mayor tamaño, en este caso las

medidas > 7 7 , 5 . Aquí nos preguntamos cuál es la proporción de una

e población normal (y por lo tanto, que proporción de una muestra

e aleatoria de esa población es normal) con µ = 7 0 , 1 7 y S = 3 , 3 1 , que

esperamos tenga una altura > 7 7 , 5 . A s í , Z = ( 7 7 , 5 - 7 0 , 1 7 ) / 3 , 3 1 = 2 , 2 1 , para

este valor de Z, la proporción es 0 , 0 1 3 6 (Tabla A).

Similarmente, por calcular Z = (76,5 - 7 0 , 1 7 ) / 3 , 3 1 = 1 , 9 1 , la proporción

sería 0,0145, la misma que nos informa que 0,0145 de la población

tendría una altura mayor a 7 6 , 5 . Por lo tanto, 0 , 0 2 8 1 - 0 , 0 1 3 6 = 0 , 0 1 4 5 de

las observaciones, o ( 0 , 0 1 4 5 ) (70) = 1 , 0 1 5 0 de los individuos, estarían

entre 7 6 , 5 y 7 7 , 5 .

Para determinar la proporción de la p o b l a c i ó n > 7 5 ,5, calculamos Z = (7 5 , 5

·- 70,17)/3,31 = 1 , 6 1 , y luego P (Z > 1,61) = 0,0537. Por lo tanto, la

proporción de la población que está entre 7 5 , 5 y 76,5 sería P ( 1 , 6 1 < Z <

1,91) = 0,0537 -0,0281 = 0,056.

Luego, probabilidades similares son obtenidas, empezando con la clase

más pequeña y procediendo hasta alcanzar la clase que contiene µ. Esto

es, para estaturas< 6 2 , 5 , Z = ( 6 2 , 5 - 7 0 , 1 7 ) / 3 , 3 1 = -2,32 y P ( X i < 62,5) = P

85
 Canales G. Bioes tadística

(Z< - 2 , 3 2 ) = 0 , 0 1 0 2 . Para alturas< 6 3 , 5 , Z - 2 , 0 2 , por lo tanto P ( 6 2 , 5 < X i >

6 3 , 5 ) = P ( - 2 , 3 2 < Z < - 2 , 0 2 ) = 0 , 0 2 1 7 - 0 , 0 1 0 2 = 0 , 0 1 1 5 . Para alturas <

6 4 , 5 , Z = - 1 , 7 1 , entonces P ( - 2 , 0 2 < Z < - 1 , 1 7 ) = 0 , 0 4 3 6 - 0 , 0 2 1 7 = 0 , 0 2 1 9 .

Finalmente determinamos la proporción de la p o b l a c i ó n en que la clase

contiene l a µ . Esto e s : '

. P (69,5 < X i < 70,5) = 1 , 0 0 0 0 - P (Xi< 69,5) - P (Xi> 70,5)

= 1 , 0 0 0 0 - P ( Z < - 0 , 2 0 ) - P (Z > 0 , 1 0 )

= 1 , 0 0 0 0 - 0,4207 - 0,4602

=0,1191

Después de obtener l o s valores de P(Xi), la proporción de la curva normal

proyectado dentro de cada una de las 1 7 clases de altura, las frecuencias

esperadas para cada clase de altura es:

f e = [P(Xi)] [ n]

Por lo tanto, fe, = ( 0 , 0 1 0 2 ) ( 7 0 ) = O, 7 1 4 0 , fe2 = ( 0 , 0 1 1 5 ) ( 7 0 ) = 0 , 8 0 5 0 y así

sucesivamente.

Finalmente:

2
X = 7,772 Xl 0512
= 21,026

Por lo tanto, n o rechazamos la Ho ( 0 , 7 5 < P < 0 , 9 0 )

10

Frecuencia observada (fi} •

·

--
a 68,

69,

9 69,

701

10 70,

71,

11 71,

72;
--

12 rz;
73.

13 73

74:

14 14.

75

15 75

Altura en pulgadas (Xi) 76

16 76
Figura 4 . 2 . Curva de frecuencia para datos de altura de estudiantes
17
del ejemplo 4.1, mostrando también la curva de frecuencia que se
i'i
esperaría si los datos siguieran una distribución normal

86
 G. Bioes iadisiica

. . Ejemplo 4.2. En base a los datos del ejemplo 4 . 1 , se aplicará la prueba de

, I{olmogorov - Smirnov para evaluar si la muestra proviene de una

distribución normal.

H o : La p o b l a c i ó n muestreada proviene de una distribución normal

H l : La población muestreada no proviene de una distribución normal.

i Clase Frecuencia Frecuencia Frecuencia Frecuencia Di m

observada observada observada esperada

(fi) acumulada acumulada acumulada

(Fi) relativa relativa

(rel Fil (rel Fei)

1 < 62,5 o o 0,0000 0,0102 0,0102 0,0184

2 62,5- 2 2 0,0286 0,0146 0,0140 0,0425

63,5

3 63,5- 2 4 0,0571 0,0135 0,0135 0,0564

64,5

4 64,5- 3 7 0,1000 0,0207 0,0207 0,0921

65,5

5 65,5- 5 12 0,1714 0,1335 0,0379 0,0951

66,5

6 66,5- 4 16 0,2286 0,2090 0,0196 0,1053

67,5

7 67,5- 6 22 0,3143 0,3085 0,0058 0,0772

68,5

8 68,5- 5 27 0,3857 0,4207 0,0350 0,0793

69,5

9 69,5- 8 35 0,5000 0,5398 0,0398 0,0602

70,5

10 70,5- 7 42 0,6000 0,6554 0,0554 0,0446

71,5

11 71,5- 7 49 0,7000 0,7580 0,0580 0,0849

72,5

12 72,5- 10 59 0,8429 0,8438 0,0009 0,0848

73,5

13 73,5- 6 65 0,9286 0,9049 0,0237 0,0665

74,5

14 74,5- 3 68 0,9714 0,9463 0,0251 0,0537

75,5

15 75,5- 2 70 1,0000 0,9719 0,0281 0,0281

76,5

16 76,5- o 70 1,0000 0,9864 0,0136 0,0136

77,5

.17 >77,5 o 70 1,0000 1,0000 0,0000 0,0000

87
 ..A . Canales G.

Con los valores d e µ = 7 0 , 7 1 y S = 3 , 3 1 resuelto en el Ejemplo 4 . 1 , ahora

determinaremos la frecuencia esperada acumulada relativa. Por ejemplo,

para encontrar P ( X i < 6 2 , 5 ) operamos Z = (62,5- 70,17)/3,31 = -2,32,yP

(Z < - 2 , 3 2 ) = O, 0 1 0 2 (Tabla A). Similarmente fe, = P ( X i < 6 3 , 5 ) = P (Z < -

2,18) 0 , 0 1 4 6 , y así sucesivamente. El Cuadro A da proporciones en el

lado derecho de la curva. Pero desde que la curva normal es simétrica, el

lado izquierdo de la curva contiene la misma p r o p o r c i ó n . Así, P (Z < - 2 , 3 2 )

= P (Z > 2 , 3 2 ) y d e s p u é s se lee directamente del Tabla A.

Si la Z es positiva, sin embargo, la frecuencia esperada acumulada relativa

es 1 , 0 0 0 0 menos la proporción tabulada. Por ejemplo, P ( X i < 7 2 , 5 ) = P (Z <

O, 70) = 1 , 0 0 0 0 - P (Z > O, 70) = 1 , 0 0 0 0 - 0 , 2 4 2 0 = O, 7 5 8 0 .

Máximo Di 0 , 0 5 8 0 , máximo D'I = 0,1053, D = 0,1053

De acuerdo a la prueba de normalidad D 0 . 0 5 , 7 0 = 0 , 1 0 6 (Tabla B)

Por lo tanto, n o rechazamos la H o ( 0 , 0 5 < P < 0 , 1 0 )

X.i en pulgadas

Figura 4 . 3 . Polígono de la frecuencia acumulada de los datos de

altura de los estudiantes del ejemplo 4 . 1 .

88
J-l. Canales G. B toes tculistica

Otro método para determinar si una muestra proviene de una

distribución normal, es la prueba de Shapiro and Wilk, conocida como

prueba W. El p o d e r de W ha mostrado ser excelente cuando evalúa para

salidas de n o r m a l i d a d .

El procedimiento de W para una prueba de normalidad, especialmente

cuando n > S O puede ser muy engorroso. Un procedimiento alternativo es

D'Agostino, que implica el cálculo de una estadística que el llama D,

aplicable como una poderosa prueba para partidas de normalidad.

T
D = - ­
-J n 3 S S

Donde, SS es la suma de cuadrados.

Ejemplo 4.4. Prueba D ' Agostino para probar normalidad, aplicado a

datos del e j e m p l o 4 . 1 .

H o : La muestra proviene de una población normal

H l : La muestra no proviene de una p o b l a c i ó n normal

Xi fl i

63 2 1 - 2

64 2 3 - 4

65 3 5 - 7

66 5 8 - 1 2

67 4 13 - 1 6

68 6 17 - 2 2

69 5 23 - 27

70 8 28 - 35

71 7 36-42

72 7 43-49

73 10 so - 59

74 6 6 0 - 65

75 3 6 6 - 68

76 2 69 - 70

2 2
(¿ f1. X 1· ) 4912
SS - f.X� - 345 4 3 8 - - - - - 7 S S 9429
I
-
- i i n - 70 - � =<¡

n + 1 70 + 1
-2
- = -2
- = 35,5

89
 A. Canales G. Bioestadis tica

T = ( 1 - 3 5 , 5 ) (63) + (2 - 3 5 , 5 ) (63) + (3 - 3 5 , 5 ) (64) + (4 - 3 5 , 5 ) (64) + ( 5 -

3 5 , 5 ) ( 6 5 ) + (6 - 3 5 , 5 ) (65)+ (7 - 3 5 , 5 ) (65) + . . . + (66 - 3 5 , 5 ) ( 7 5 ) + (67 -

3 5 , 5 ) ( 7 5 ) + ( 6 8 - 3 5 , 5 ) ( 7 5 ) + ( 6 9 - 3 5 , 5 ) (76) + ( 7 0 - 3 5 , 5 ) ( 7 6 )

· T=4579,00

4579,00
D = = 0,2844
3
.) 7 0 ( 7 5 5 , 9 4 2 9 0 )

Puesto que D no e s < 0 , 2 7 2 6 n i > 0 , 2 8 6 4 (ver Tabla C), no rechazamos la

Ho.

2. Independencia de datos.

La falta de independencia de los datos, puede tener su origen en el tiempo

más que el espacio. En un experimento podríamos medir el efecto de un

tratamiento mediante el registro de los p e s o s de diez individuos. Estas

m e d i c i o n e s p u e d e n dar resultados discordantes de sobreestimación y

subestimación. Por e j e m p l o , p o d e m o s determinar el orden en que se

pesan los individuos de los · diversos grupos, de acuerdo con algún

procedimiento aleatorio. N o es sencillo realizar una transformación de

datos para vencer la no independencia. Pero, existen algunas pruebas

c o m o las pruebas de bondad de ajuste de las corridas hacia abajo y hacia

arriba que trabaja con la prueba Z y también se puede hacer pruebas

gráficas .

... ., � ••. Ir �

• � • • • • • t � • ' .
'
. . .. ... �
.. .. . . . .
. . .

X X
" . .. . é

. .

. . . .
» Ó ,

Si existe independencia de datos No existe i n d e p e n d e n c i a de datos

Figura 4.4. Independencia de datos

90
 G. Bioes tad is tica

. 3. Homogeneidad de varianzas.

La igualdad de varianzas en un grupo de muestras es una precondición

importante para diversas pruebas bioestadísticas. Las pruebas que se

pueden aplicar para analizar o corregir este supuesto tenemos las

pruebas de Cochran, Bartlett que trabajan probabilidades. Así mismo, se

p u e de realizar pruebas gráficas donde l o s residuos de los datos deben

estar distribuidos cerca de la m e d i a .

X X

Si existe homogeneidad de varianzas No existe homogeneidad de varianzas

Figura 4 . 5 Homogeneidad de varianzas

A continuación se presenta un ejemplo desarrollado con la prueba de

Bartlett.

Ejemplo 4 . 5 . Diecinueve cerdos fueron divididos en cuatro grupos, y

cada grupo fue alimentado con diferentes alimentos. Los datos que se

presentan s o n l o s pesos en kilogramos, y se desea evaluar si la varianza de

los pe s o s en todos los cerdos es la misma en l o s cuatro tipos de alimentos.

H o : Las cuatro varianzas de las poblaciones son homogéneas.

H 1 : Las cuatro varianzas de las p o b l a c i o n e s son heterogéneas

91
 A . Canales O.

Alimento 1 Alimento 2 Alimento 3 Alimento 4

60,8 6 8 ,7 102,6 87,9

57,0 67,7 102,1 84,4

65,0 74,0 100,2 83,1

58,6 66,3 96,5 85,7

61,7 69,8 90,3

x 60,62 69,3 100,35 86,28

ss, 37,57 34,26 22,97 33,55 l::; S S ¡ = 128,55

gl, 4 4 3 4 6V¡ 15
21
s 9,39 8,56 7,66 8,39

21
log s 0,9727 0,9325 0,8842 0,9238

21)
gl.flog s 3,8908 3,7300 2,6526 3,6952 I::; gL(log s21) = 1 3 , 9 7

1/ gl, 0,250 0,250 0,333 0,250 I::; (1/ gh) = 1 , 0 8 3

SS = t [t, (X¡i Xi)z j

2 2 2
ssi = (60,8 60,62) + (57 - 60,62) + . . . + (61,7 60,62) 37,57

2 ¿SSi

Sp = ¿g}i

2 - 128,35 - 8 56
5P
- 15 - r
log si = 0, 9 3 2 5

B = 2 , 3 0 2 5 9 [ (Iogsi) (I gli) - ¿ gl¡logsf]

B = 2 , 3 0 2 5 9 ( ( 0 , 9 3 2 5 ) ( 1 5 ) - 13,9686]

B = 2,30259[0,0189]

B = 0,0435

e - 1 + 1 (� 2_ _ _
1 )
- 3 ( k - l) L gli r gl,

e= 1 +
3
!3) ( 1,83 - ts)

e = 1,113

B 0,0435
B = = 0,0391
e C 1,113

X� 05 3
= 7,815

92
 G. Bioestadistica

Por lo tanto, no rechazamos la Ho, lo que indica que sí existe

homogeneidad de varianzas.

4. Interacción

Para análisis con más de dos variables, además de los tres primeros

supuestos ( normalidad, independencia y h o m o g e n e i d a d de varianzas), se

debe cumplir el supuesto de interacción. Si la interacción es significativa

se debe transformar l o s datos, se requiere que l o s efectos no deban tener

interacción significativa. Se p u e d e aplicar las pruebas de Tukey para la no

aditividad.

Si la interacción existe, entonces la prueba será poco eficaz y

posiblemente falso cuando dicho efecto es muy grande. Existe la

posibilidad de transformar los datos, si a pesar de dicha transformación

persiste la interacción, puede analizarse los datos con ANDEVA simple o

de una vía.

E j e m p l o (Utilizando el programa Statgraphics):

Cuadro 4.1. Análisis de Varianza de dos factores con replicación

(interacción no significativa). Factor a: especies de moluscos (a=2):

Acmaea scabray A. Dijitalis. Factor B : concentraciones de oxigeno de agua

demar(b=3): 100%, 7 5 % y 5 0 % .

FdeV se GL CM Fcalc p

A (especies) 6,63808 1 16,638075 1,721 0,1964ns

B (salinidad) 181,32102 2 90,660508 9,376 0,0004s

AxB 23,9262 2 11,9631 1,251 0,2 ns

(Interac,)

Error 401,5213 42 9,6692614

-·
Total 623,40659 47

F (0,05) ( 1 , 4 2 ) = 4,07 F(0,05)(2,42) = 3,22 F ( 0 , 0 0 1 ( 2 , 4 2 ) = 8 , 1 8

Interpretación: El c o n s u m o de oxígeno no difiere para las dos especies de

moluscos, pero difiere con respecto a la salinidad. Al 5 0 % de agua de mar,

disminuye el consumo de oxígeno. No existe suficiente evidencia de una

interacción del consumo de oxígeno entre e s p e c i e x salinidad.

El no cumplimiento de los supuestos para las pruebas p a r a m é t r ícas,

pu ede tener resultados contrarios en la interpretación de los datos y dar

98
 A. Canales G. Bioestadistica

sugerencias erróneas. Actualmente, existen varios paquetes

b i o e s t a d í s t i c o s para c o m p u t a d o r a s que p u e d e n r e a l i z a r todas las pruebas :

p a r a m é t r i c a s y no paramétricas y también c o m p r o b a r l o s s u p u e s t o s .

Pero, para manejar dichos paquetes se debe tener una base sólida de

conocimiento teórico de conceptos y procedimientos bioestadísticos. ,

Caso contrario, "si introduce basura a los programas también recibirá

c o m o resultado basura". Los programas q u e tienen exigencia científica y

recomendables son: S T A T G RA P H I C S , SAS, SYSTAT, INFOSTAT y otros

m e n o s exigentes.

4.2.. ANÁLISIS DE VARIANZA DE CLASIFICACION SIMPLE (ANDEVA)

La Bioestadística ha desarrollado la técnica de Fisher, conocida como

t análisis de varianza (ANDEVA) para la prueba de hipótesis de varias ·.

¡ p o b l a c i o n e s con datos en m u e s t r a s . Esta t é c n i c a es u n a herramienta muy

útil en muchas disciplinas del s a b e r h u m a n o y en investigaciones en las

c u a l e s s e a p l i c a n la o b s e r v a c i ó n y la e x p e r i m e n t a c i ó n .
¡;':!
.. ·•··
I}

La técnica c o n s i s t e en s e p a r a r que la v a r i a c i ó n total observada las causas

r y factores p a r c i a l e s , s i g u i e n d o l o s s i g u i e n t e s p a s o s :

l
a) Clasificar o s e p a r a r las c a u s a s parciales de variación

b ) C a l c u l a r l o s grados de l i b e r t a d (GL), para c a d a factor o causa p a r c i a l de

variación.

e) Calcular la suma de los cuadrados de las desviaciones de las

observaciones (SC) con respecto a la media, para cada una de las

c a u s a s de v a r i a c i ó n .

d) Calcular la varianza o cuadrado medio CM) para cada factor de

variación.

e) Probar hipótesis por medio de a prueba de Fisher; conocida como

1 p r u e b a de F o r e l a c i ó n de varianzas.

:¡
f) Comparar l o s p r o m e d i o s ( d i s c r i m i n a r v a r i a b l e s ) p o r varios m é t o d o s .

1 E l a n á l i s i s de varianza sirve para determinar la diferencia o igualdad entre

1
¡
d o s o más m e d i a s p o b l a c i o n a l e s , utilizando muestras i n d e p e n d i e n t e s . El

f !
m é t o d o s e b a s a en la siguiente pregunta: ¿habrá mayor variación entre las
¡ ¡

q m e d i a s de distintos g r u p o s , que entre l o s grupos m i s m o s ?

I ¡

H
¡ ¡
¡ l

!l U na diferencia entre las medias ha de ser grande con respecto a la

u variabilidad i nherent e a los gr u pos para que sea significativa.

H
; ¡

94
A. Canales G. Bioestadistico.

El nombre de análisis de varianza se utiliza porque la variabilidad total en

el conjunto de datos se p u e d e descomponer, en la suma de la variabilidad

entre las distintas medidas muestrales y la variabilidad en las muestras.

Es un método que sirve para estudiar la variación entre medias y esa

variación se mide p o r una varianza.

Aplicación del ANDEVA, cuando el número de repeticiones es constante

para todas las muestras (n = nl = n2 = n 3 , etc.).

E j e m p l o 4 . 5 . Peso en K g d e 1 0 n i ñ o s al nacer tomados al azar.

H o : N o existe diferencia de los pesos de recién nacidos.

H l : Existe diferencia de los pesos de recién nacidos, entre los hospitales

evaluados.

HOSPITALES

N A B e D

1 3,000 3,625 3,800 3,050

2 3,500 3,450 3,500 2,800

3 3,400 3,400 3,350 3,500

4 3,400 3,625 3,250 3,400

5 3,350 3,625 4,100 3,350

6 5,050 3,150 3,900 3,200

7 4,760 3,360 3,900 3,050

8 3,400 3,230 4,000 3,400

9 3,650 3,950 3,670 2,900

10 3,260 3,400 3,600 3,100

¿Xij 36,770 34,815 37,070 31,75

X 3,677 3,482 3,707 3,175

N =In¡= 40

i=l

Cualquier valor es Xij. Por e j e m p l o X 1 1 = 3 , 0 0 0 ; X12 = 3 , 5 0 0 ; X24 = 3 , 6 2 5 ; X41

3 , 0 5 0 , etc.

El Gran Total e s :

95
 A . Canales G. Bioestadistica.

LL X¡j = 36,770 + 34,395 + 3 7 , 0 7 + 3 1 , 7 5 = 140,405

i j

L L Xl = 3
2
+ 3,5
2
+ 3,4
2
+ . . . 2,9
2
+ 3,1
2
= 500,386

i j

2 2 2 2
36,77 34,395 37,07 31,75
=--+ +--+--=494636 1

r n¡ 10 10 10 10

La variación total observada en los 40 niños muestreados se puede

¡ atribuir las siguientes causas parciales.

a) Variación entre hospitales o entre muestras.

b) Variación dentro de cada hospital o de cada muestra (variación de

muestreo que más tarde definiremos como error experimental y que,

como se explicará, tiene también varias causas parciales.

Cálculo de la suma de los cuadrados ( S C ) .

l. F e = C 2:: i i i X ¡ i ) 2

¿n¡

2 . se total = L Li XG - Fe

¿·X�
1-'1
3.Se grupos= ¿¡- - Fe
n¡

4. se error = se total - se grupos

Cualquier método puede emplearse, pero el descrito en 3ª es el de uso más

común por ser bastante práctico.

Aplicando estas 4 fórmulas a los ejemplos, tiene:

140'4052
1 . FC = = 492 839 1

40

2. se total = 5 0 0 , 3 8 6 - 4 9 2 , 8 3 9 = 7 , 5 4 7

1 1

i l 3. se g ru p o s = 494, 6 3 6 - 4 9 2 , 8 3 9 = 1, 7 9 7
l j

4.SC error= se total_- se muestras= 7,547 - 1 , 7 9 7 = 5,73

!t

J I
Cálculo de cuadrados m e d i o s :

96
A. Canales G. Bioestadistica

se grupos
CM grupos = ---­
gl grupos

se error
CM e r r o r =
g1 error

Finalmente cálculo de la F:
CM grupos
F=---­
CM error

Cuadro 4 . 2 . ANDEVA Clasificación Simple de niños nacidos en cuatro

hospitales.

FdeV GL se CM Fe (0,05) Ft (0,05) Con d.

Hospitales (a-1) = 3 1,797 0,599 3,767 2,84 Signif.

Error A(n-1) = 36 5,75 0,159

Total a(n-1) = 39 7,547

�·

Interpretación: El peso (Kg) de niños nacidos, presenta diferencia entre

los cuatro hospitales Fe ro.os, = 3, 7 6 7 ; gl = 3 , 3 6 ; Ft 0 , 0 5 ; 3 , 3 6 = 2,84.

En base al E j e m p l o 4 . 5 , se presenta los resultados estadísticos

utilizando el Software Infostat.

3.40

3.40

3,35

5.05

4.7'6

3.40

3.65 1

3.26 1

3.63 2

3.45 2

3.40 2
,.

97
A. Canales G. Biocstadistica

CU.adro de A.ná.Usis d e l. a Varianza. < se uvo III)

f.V. se gl CM r p-valor

Modelo 1.80 3 0.60 3.75 0.0192

HOSP 1.60 3 0.60 3.75 0.0192

Error 5.75 36 0 . 1 6

Total 7.SS 39

Interpretación: El valor p = 0 , 0 1 9 2 , sugiere el rechazo de Ho, es decir

existe diferencia de los p e s o s de los recién nacidos entre los hospitales en�
los que se hizo la evaluación. Corroborando con los resultados obtenidos:'

manualmente.

Importante: Cuando el resultado del análisis de ANDEVA es sígnificativa/.

se tiene que hacer en forma obligatoria, los análisis de contrastes con lá ·

Prueba Tukey y otras pruebas que determinan diferencias entre los

tratamientos, zonas, dietas entre otras. Contrariamente si los resultados ·

son, no Significativos no es necesario hacer una prueba de contraste. Para ,

realizar la prueba de contraste es necesario que las comparaciones deban;'.

ser más de dos tratamientos.

En l o s próximos ejemplos, se harán las respectivas pruebas de c o n t r a s t e. "

las mismas que pueden ser numéricas o gráficas.

Ejemplo 4 . 6 . C o n s i d e r e m o s una variable sobre lo que actúa un factorque,

puede presentarse bajo un determinado número de niveles, t. Por ejemplo.

p o d e rn o s considerar un fármaco que s e : administra a t = 3 grupos d e ,

personas y se les realiza cierta medición del efecto causado:

Datos de personas con gripe, apendicitis y sanos, organizado en tres<

niveles.

Gripe (nivel 1) 5 3 2 5 4 3

Apendicitis (nivel 2) 8 9 6 7 8 9 10 8 · 10 ,
,

Sanos ( nivel 3) 2 3 2 1 2 3 2 i ·.�

, � ·.. ;

98
. A Canales G.
Bioesiadistica

cuadro 4.3. Análisis de varianza ( 9 5 % límites de confianza) mediante el

programa Statgraphics del Ejemplo 4.6.

Datos sobre casos de personas con Gripe, Apendicitis y sanos:

5 3 2 5 4 3 8 9 6 7 8 9 10 8 10 2 3 2 1 2 3 2

Datos sobre casos de personas con Gripe, Apendicitis y sanos:

6 3 2 5 4 3 8 9 6 7 8 9 10 8 10 2 3 2 1 2 3 2

Muestreos en los tres niveles: 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3

se GL CM Fcal p
FdeV

Entre niveles 167.62771 2 83.813853 65.830 0.0009

-Dentro de 24.19048 19 1.273183

niveles

Total 191.81818 21

Interpretación: Los resultados del análisis, indica que existe diferencia

entre los tres niveles de evaluación (gripe, apendicitis y sanos), por lo que

se debe hacer los contrastes respectivos con la prueba de Tukey para

identificar los niveles homogéneos o diferentes.

Cuadro 4.4. Análisis de contraste de rango múltiple para: 5 3 2 5 4 3 8 9 6

7 8 910 810 2 3 2 1 2 3 2

Método : 9 5 % Tukey HSD

Nivel Tamaño Promedio �rnpos

3 7 2,1428571 X

1 6 3,6666667 X

2 9 8,3333333 X

Contraste Diferencia +/� límites

-2 -4,6666667 1,51145*

-3 1,52381 1,59549

-3 6,19048 1,44523*

* denota significancia estadística

En este caso los factores que influyen en las observaciones son tres: el que

la persona padezca la gripe, apendicitis, o que esté sana.

De donde, los tamaños de cada muestran TI¡, no tienen que ser

necesariamente iguales. En este caso decimos que se trata del modelo no

equilibrado.

99
.A. Canales G. Bioes taclístíca

D e ahora en adelante asumiremos que las siguientes condiciones son

verificadas por la t muestras.

• Las observaciones proceden de poblaciones normales;

• Las t muestras son aleatorias e independientes. Además, dentro d e '.

cada nivel las observaciones son independientes entre sí. ·

• En el modelo de un factor s u p o n e m o s que las observaciones del nivel.

i, xw provienen de una variable Xij de forma que todas tienen la misma

varianza --hipótesis de homocasticidad.

Cálculo en forma manual de un Análisis de Varianza, con datos desiguales.',

p:.
�

Ejemplo 4. 7. Cantidad de alimento consumido por venados (kg) en u n · ·

hábitat experimental en diferentes meses del año.

H o : La cantidad de alimento consumido por venado, es similar en los

m e s e s evaluados.

H l : La cantidad de alimento consumido por los venados, es diferente en

los mese evaluados.

Estaciones y/ o meses

1 2 3 4

4,7 4,6 4,8 4,9

4,9 4,4 4,7 5,2

, .-:;

5,0 4,3 4,6 5,4

4,8 4,4 4,4 5,1

,.

4,7 4,1 4,7 5,6

�
9

4,2 4,8

�Xij 24,1 26,0 28,0 26,2

'i

nl = 5 nl = 6 nl = 6 nl = 5

X 4,82 4 33 4 67 5 24
.,

A. Probar Ho, que en este caso es que el consumo de alimento sea similar ;

en las 4 estaciones.

N = 22

¿¿ X¡i = 104,3

í j

¿¿x5 = 497,41

í j

"n¡ 2
( ¿_. i = l X¡i)
__n
_ ¡__ = 496,783

100
 -�

(J. Bioestadistica

B. Cálculo de se.
1 4•32
· , e == º = 494 4 7 6 8
1. F 22 '

1. se total= 497A1 - 494,4768 = 2 , 9 3 3 2

2. se grupos = 4 9 6 , 7 8 3 - 4 9 4 , 4 7 6 8 = 2,3062

3. se error = se total - se muestras = 2,9332 - 2,3062 = 0,627

cuadro 4.5. ANDEVA para los datos de la cantidad de alimento

. consumido por venados.

FdeV GL se CM Fe (0,05) Ft (0,05) Con el.

Hospitales 3 2,3062 0,769 22,0 (S) 3,16 Signif.

Error 18 0,6270 0,035

Total 21 2,9332

Interpretación: La cantidad de alimentos consumidos por los venados,

en los diferentes meses evaluados presenta diferencia (Fe = 2 2 , 0 ; GL =

3,18; Fo,os;
3,18
= 3 . 1 6 ) , de manera que en ·ciertos meses consumen más que

en otros. Para detectar las diferencias entre muestras, debe realizarse

una prueba de contraste.

5.35

4.79

i
.9
e

.�
4.23
-¡
01

3.67

3 . 1 1 ...----.,,-----------.---

1.0 2.0 3.0 4.0

Meses

Figura 4.6. Prueba gráfica de contraste.

101
A. Canales G. Bioestadistica .

Como se observa en la Figura 4.6, existe diferencia entre los meses 2 y 3, en�

cuanto al consumo de alimentos por los venados.

Ejemplo 4 . 8 . Cuatro técnicas de dieta utilizadas para evaluar la longitud

de crecimiento e cm) de plantas cultivadas en laboratorio.

Ho: El crecimiento de las plantas no difiere entre las cuatro dietas;

utilizadas.

H l : El crecimiento de las plantas es diferente con las dietas utilizadas.

·¡;

Técnicas
,;. _

1 2 3 4

34 37 34 36
.·

;,,:
36 36 37 34

34 35 35 37

35 37 37 34
;
34 37 36 35

I: 1 7 3 182 179 176

/,,

¿¿xij = 710

i j

¿¿ X
2
ij = 25234

i j

N = 20

7102
FC = = 25 205 O 1

20

se total= 2 5 2 3 4 - 2 5 2 0 5 , 0 0 = 29,0

se técnicas = 25205,0

se error = 29,0 - 9,0 = 20,0

Cuadro 4.6. ANDEVA para determinar la diferencia y/o igualdad entre

técnicas para evaluar el crecimiento de la longitud en plantas cultivadas

en laboratorio.

FdeV GL se CM Fe (0,05) Ft ( 0 , 0 5 ) '

Técnicas 3 9,0 3,0 2,40 3,24

Error 16 20,0 1,25

-
Total 19 29,0

Fo.os (3,16) = 3,24

102
 Bíoes iculistica

. Interpretación: N o existe diferencia entre las cuatro t é c n i c a s empleadas

para evaluar el crecimiento de plantas cultivadas en laboratorio '(Fe =

2 , 4 0 ; G . L . = 3 , 1 6 ; Fo.os: 6,16 = 3 , 2 4 ) .

E j e m p l o 4 . 9 . N ú m e r o de e s p e c i e s de aves: 1 2 1 5 1 7 1 0 1 8 3 6 2 9 3 5 2 5

2 3 1 7 1 4 1 0 9 y Z o n a d e e s t u d i o : 1 1 1 1 1 2 2 2 2 2 3 3 3 3 . A n á l i s i s

de Varianza de una vía ( P r o g r a m a Systat).

H o : N o existe diferencia d e l n ú m e r o de e s p e c i e s de aves entre las tres

zonas evaluadas.

H 1 : Existe diferencia del n ú m e r o de e s p e c i e s de aves entre las tres z o n a s

evaluadas

1 = Vallecito, 2 = Hospital 3 = E s p i n a r (nivel de confianza 9 5 % ) .

Cuadro 4. 7. A N D EVA para determinar la diferencia y/ o i g u a l d a d del

n ú m e r o de e s p e c i e s de aves entre las tres z o n a s e v a l u a d a s .

se G.L. CM Fcal(0.05) p
FdeV

Entre especies 835,45714 2 417,72857 20,754 0,0002

Dentro de especies 221,40000 11 20,12727

Total 1056 8571 13

Interpretación: Existe diferencia entre el número de e s p e c i e s de aves

entre las tres z o n a s de e s t u d i o (Fe = 2 0 , 7 5 4 ; G . L . = 2 , 1 1 ; P = 0 , 0 0 2 ) .

Cuadro 4 . 8 . A n á l i s i s de rango m ú l t i p l e (contraste) para el E j e m p l o 4 . 9 ,

utilizando el Programa E s t a d í s t i c a S T A T G RA P H IC S : 1 2 1 5 1 7 1 0 1 8 3 6

2 9 3 5 2 5 2 3 1 7 1 4 1 0 9 p o r : 1 1 1 1 1 2 2 2 2 2 3 3 3 3 .

Contraste Diferencia +/- límites

1-2 - 1 5 2000 7,67054*

1-3 1,90000 8,13583

2-3 17,1000 8,13583*

* d e n o t a diferencia b i o e s t a d í s t i c a significativa.

Int er pr e t a ción: La z o n a 1 (V alle cito ) y la z o n a 2 ( H o s p i t a l ) s o n diferentes

en el n ú m e r o de e s p e c i e s de aves , la z o n a 2 ( H o s p i t a l ) co n r e s p e c t o a la

zona 3 ( E s p i n a r ) t a m b i é n s o n diferentes , mie n tras q ue las z o n a s 1 y 3 s o n

igu a les en el n ú m e r o de e s p e c i e s de aves.

103
 A. Canales G. Bioestadística �j

Ejemplo 4 . 1 0 . Datos de medidas de longitud ( cm) de pejerrey capturados

en Chimu (1 ), Bahía Puno (2) y Capachica ( 3 ) . Analizados mediante -

Programa INFOSTAT.

Ho: La longitud del pejerrey capturado, no difiere entre las zonas de

captura.

H 1 : L a longitud del pejerrey capturado es diferente entre las tres zonas

de captura �

LONGITUD (cm) CODIGO

20,4 1

19,4 1

21,2 1

23,2 2

24,1 2

20,2 2

19,3 2

18,9 2

21 2

20,6 2

28,5 3

30,2 3

32,2 3

31,2 3

33,2 3

31,5 3

29,5 3

31,2 3

32,3 3

Cuadro 4.9. Análisis de Varianza de medidas de Longitud (cm) de

pejerreycapturados en tres zonas (Chimu, Bahía de Puno y C a p a c h i c a ) .

FdeV se G.L. CM Fcal(0,05) · p

Entre Zonas 499,59 2 249,79 93,23* <0,0001

Error 41,53 16 2,60

Total 54i,12 18

104

I '

1
. A. Canales G. Bioestadistica

· interpretación: Existe diferencia significativa entre las mediciones de

longitudes ( cm) de pejerrey entre las tres zonas de captura (1 = Chimu, 2 =

Bahía y 3 = Capachica) ( F e = 9 3 , 2 3 ; G.L. = 2 , 1 6 ; P = < 0 , 0 0 0 1 ) .

33.92

29.98

�
o
::::)

r-
<15 26.05

�
....J

22.12

1 8 . 1 13
B i
ZONAS

Figura 4. 7. Análisis de contraste para determinar diferencias entre

las tres zonas de muestreo de longitud de pejerrey.

De acuerdo a la Figura 4.7, existe diferencia de la longitud de los

pejerreyes capturados entre las zonas de Chimu ( 1 ) y Capachica (3). Así

mismo, entre las zonas de Bahía de Puno (2) y Capachica ( 3 ) , existiendo

una mayor longitud en la zona de Capachica. Por otra parte, las longitudes

de los peces entre las zonas de Bahía de Puno y Chimu, no existe

diferencia, ello debido a que estas zonas se encuentran cercanas una de

otra y las características de las aguas son similares.

Ejemplo 4 . 1 1 . Datos sobre concentración de Estroncio (mg/ml) en cinco

diferentes cuerpos de agua.

1 2 3 4 5

28,2 39,6 46,3 41,0 56,3

33,2 40,8 42,1 44,1 54,1

37,9 43,5 46,4 59,4

34,6 37,1 48,8 40,2 62,7

29,1 43,6 43,7 38,6 60,0

31,0 42,4 40,1 36,3 57,3

t's\ = 3 2 , 1 mg/ml X 2 = 40,2 mg/ml X3 = 44,1 mg/ml X4 = 40,2 mg/ml X 5 = 40,2 mg/ml

111 = 6 n2 = 6 n 3 -= 6 n4 = 6 nS 6

105
 A. Canales G. liioesladLsli�

Cuadro 4.10. Análisis de varianza de concentración de Estronci9'1

( mg/ml) en cinco diferentes cuerpos de agua. ��

f

'"tj
FdeV GL se CM Fe Ft . .

· f

Cuerpos de agua 4 2193,4420 548,3605 56,2s 2,76

�

Error 25 244,1300 9,7652 "°"' '

º I
¡
Total 29 2437,5720
¡
¡

548 3 6 0 5
Fe (O O S )
1
= ' = 56 2 1

9,7652

Ft 0 0 5 ¡ 1 1 . 4 w = 2, 7 6, por lo tanto H o es rechazado.

Interpretación: Existe diferencias entre las concentraciones de"

Estroncio (mg/ml) evaluados en cinco cuerpos de agua (Fe 5 6 , 2 ; G.L. :::'

4 , 2 5 ; Fto.os; 4 • 2 5 = 2 , 7 6 .

Como existe diferencia se aplicará la prueba de contraste de Tukey, en el

que se tiene que calcular el error estándar:

,-·

SE= r:
D o n d e C M es la suma de cuadrados del error y n es el número de datos.

Luego se determina el valor de q :

1

En base a los resultados del Ejemplo 4.11, se aplicará la prueba de

contraste de Tukey:
¡

f
1 2 4 3 5
;l
x 32,1 40,2 41,1 44,1 58,3
,¡

H o us = uA

11

H r;,mz
S E = � � = .J l , 6 2 7 5 = 1,28
!l

jl

1
1 1

106
¡ ¡

Ji
) '
 G. Bioes tadis tic a

Crtadro 4.11. Prueba de contraste de TUKEY para identificar las

. diferencias e igualdades de las concentración de Estroncio (mg/ml) en

cinco diferentes cuerpos de agua.

comparación (B vs A) Diferencia XB - XA SE Q q Conclusión

0,05(25,4)

5 vs 1 58,3-32,l = 26,2 1,28 20,47 3,901 Rechazar Ho uS = u1

5 vs 2 5 8 , 3 - 3 2 , l = 26,2 1,28 14,14 3,901 Rechazar Ho uS = u2

5 vs 4 58,3-32,1 = 26,2 1,28 13,44 3,901 Rechazar Ho uS = u4

5 vs 3 58,3-32,1 = 26,2 1,28 11,09 3,901 Rechazar Ho uS = u3

3 vs 1 4 4 , 1 - 3 2 , 1 = 9,0 1,28 9,38 3,901 Rechazar Ho u3 = u1

3 vs 2 4 4 , 1 - 3 2 , 1 = 9,0 1,28 3,05 3,901 Rechazar !-lo u3 = u2

3 vs 4 No es posible contrastar

4vs l 4 4 , 1 - 3 2 , 1 = 9,0 1,28 7,03 4,166 Rechazar Ho u4 = ul

4vs 2 No es posible contrastar

2 vs l 40,2 - 3 2 , l = 8 , 1 1,28 6,33 4,166 Rechazar Ho u2 = u1

Conclusión: u l u 2 = u4 = u3 u S , . e s decir todos los tratamientos causan

difieren entre sí.

105.40

82.87

80.34

67.81
f

AUMENTOS

Figura 4.8. Análisis de contraste para determinar diferencias de

pesos en cerdos, como consecuencia de diferentes alimentos

suministrados.

Según la Figura, 4.8 todos los tratamientos difieren entre sí, corroborando

los resultados obtenidos con la prueba numérica de contraste de Tukey.

107
A.. Canales G. Bioestadística

Ejemplo 4 . 1 2 . Diecinueve cerdos son asignados aleatoriamente a cuatro:

grupos experimentales. Cada grupo es alimentado con una dieta!

diferente. Los datos son del peso de los cerdos (Kg) después de haber:�

aumentado con estas dietas. ·

H o : La media de l o s p e s o s en los cuatro dietas son similares.

H l : La media de los p e s o s en las cuatro dietas no s o n iguales.

Alimento 1 Alimento 2 Alimento 3 Alimento 4<i.i

- �

60,8 68,7 102,6 87,9

57,0 67,7 102,1 84,2

...

65,0 74,0 100,2 83,1 ..

58,6 66,3 96, 5 85,7 ")

61,7 69,8 90,3 . '

n¡ 5 5 4 5 fa
· !

.
, :
r,J

Cuadro 4 . 1 2 . Análisis de varianza para determinar diferencia o igualdad'

entre los p e s o s de cerdos alimentados con diferentes dietas.

FdeV GL se CM Fe Ft

Dietas 3 4226,35 1408,783 164,64 3,29)

Error 15 128,35 8.557

Total 18 4354,70

Interpretación: Existe diferencias de los p e s o s de l o s cerdos entre las,

dietas utilizadas para su alimentación (Fe = 1 6 5 ; G.L. = 3 , 1 5 ; Ft o.os.

3,15
=i
3,29.

En X el Ejemplo 4.12, el número de repeticiones en cada grupo de;

evaluación es diferente. Se aplicará la prueba de Tukey, para tamaños·

muestrales d e s i g u a l e s .

Dietas 1 2 4 3

de los grupos 60,62 69,30 86,24 100,35

Tamaño de muestra 5 5 5 4

Comon3 = n l:

8'� 57)
st = ( G + �) = )C4,27s5)(0,25 + 0,20) = u2;

108
, A . Canales G. Bioestadis tíca

Como n4 = n l. :

(1 1)
S E = (- 5
-
8,55 7) ¡+ S = .J l , 7 1 1 4 = 1 , 3 1

cuadro 4 . 1 3 . Prueba de contraste de TUKEY (tamaño muestra! desigual)

para identificar las diferencias e igualdades de l o s p e s o s de los cerdos

entre las dietas suministradas.

comparación (B vs A) Diferencia XB - XA SE Q q Conclusión

0,05(25,4)

3 vs 1 1 0 0 , 5 - 60,62 = 39,73 1,39 28,58 4,076 Rechazar Ho u3 = ul

3 vs 2 1 0 0 , 3 5 - 69,30 = 1,39 22,34 4,076 Rechazar Ho u3 = u2

31,05

3 vs 4 1 0 0 , 3 5 - 86,24 = 1,39 10,15 4,076 Rechazar Ho u3 = u4

14,11

4 vs 1 86,24 - 6 0 , 6 2 = 25,62 1,31 19,56 4,076 Rechazar Ho u4 = ul

4 vs 2 86,24 - 69,30 16,94 1,31 12,93 4,07q Rechazar Ho u4 = u2

2 VS 1 6 9 , 3 0 - 60,62 = 8,68 1,31 6,63 4,076 Rechazar Ho u2 = ul

Interpretación: Entonces, concluimos que los pesos de los cerdos

difieren entre las dietas suministradas, es decir µ1 * µ2 * µ3 * µ4

A continuación, se presenta la prueba de contraste de Tukey del Ejemplo

4 . 1 2 , utilizando el Software Infostat.

i!Miíf,1!r-------·----------. ------------·-------·-----------
Caso Pesos �
- Análisis c1e ta vmann

60. 80 Modelo C00'4)Mac:lones j Contraste,s l

�ljljlj Selecclolw Método de Compar�ÍÓl'l

Presentadót1
57,00� · r � r.[_� · r. En asta �nte

3 65. 00 1 r' LSD Fisher r- Ounc.sn r: en lista descend..te

DGC r: SNK
En fQrma rnatrlclal
4 58.60 1 r Jolll'e r: sss
,·NiValslgniftcadón ·

61 , 7 O 1 r: Bonfetronl r Scott J(nott

r. o.os
6 68.70 2
r 0.01

67.70 2

8 74.00 2

66.:30 2

10 69.80 2

11 102.60 3 , � r oar - · · - · ·
r sc 11po 1

í Res!&»�
12 102.10 3 r· Predkhos

r P.esestud.
13 100.20 3
r Abs(res!d\40$)
¡,; SohfE<Setlbll'
14 9650 3

Tes,t,: 'l'ukey Al1 a • O . 05 DMS•5. 48296

P:r.r:o.r.: 8.6561 g1:.: 1. 6

A:l.itnt!:!ttt.·o Mediae n E. E.

1 60.62 S 1 . 3 1 A

2 69,30 S 1 , 3 1 B

6 6 . ;? 4 S 1. . 3 1 e

109
ínteruretacton: Tal como se vio con el existe

diferencia de los p e s o s de los cerdos entre los cuatro grupos, puesto que

ningunas de las letras coinciden.

4.3, ANDEVA FACTORIAL

En muchos experimentos interviene el estudio de dos o más

s i e n d o para estos casos, la aplicación de un ANDINA factorial

a d e c u a d o para el a n á l i s i s de datos.

Así por e j e m p l o : P o d e m o s agrupar l o s datos en dos c l a s e s de

separados: d o s i s diferentes de una y a diferentes

que se estas drogas.

Existen varios tipos de ANDEVA factorial c o m o : ANDEVA de dos o más

factores con repetición, ANDEVAanidada, entre otros.

Para una m e j o r c o m p r e s i ó n de éste tipo d e ANDEVA,

varios ejercicios, en forma manual y mediante Programas para

computadoras.

Nota: El planteamiento de las hipótesis nulas, es para fines ""�'"'-·<A'-'

comprensión. Se recomienda sólo plantear alternas

Ejemplo 4 . 1 3 . Promedio en Kg de p e s o al nacer de los niños y niñas

muestreadas en cada uno de l o s Hospitales con s e i s n i ñ o s ( a s ) de cada

sexo.

Ho: El p r o m e d i o de p e s o s de n i ñ o s r e c i é n n a c i d o s no difieren entre los

hospitales evaluados.

H 1 : El promedio de p e s o s de niños recién nacidos, s o n diferentes entre los

hospitales evaluados.

H o : El promedio de pesos de niños recién nacidos, no son diferentes entre

los sexos.

H l : El p r o m e d i o de p e s o s de n i ñ o s recién n a c i d o s , s o n diferentes entre los

sexos.
 Canales G. Bioes uulis tica

Hospital (A) Sexo (B) Suma

Niños Niñas I: Xi X

1 3,750 3,183 6,933 3,467

2 3,516 3,307 6,823 3,412

3 3,418 3,528 6,946 3,473

4 3,400 3,066 6,466 3,233

5 3,586 3,672 7,258 3,629

6 3,403 3,325 6,728 3,364

7 3.492 3,158 6,650 3,325

8 3,460 3,025 6,485 3,243

9 3,877 3,412 7,289 3,645

10 3,225 2,900 6,125 3,063

11 3,058 3,117 6,175 3,088

12 3,175 2,858 6,133 3,017

I: Xj 41,360 38,$51 79,911

Xj (Prom) 3,447 3,212 3,329

% Relativo 107 100

La variación total p u ed e clasificarse en:

a) Entre hospitales

b) Entre sexos

e) Error

X
En promedio x = 3,33 los niños pesan al nacer 3 , 3 4 , sin considerar ni
24

el sexo ni el hospital, pero hay variación entre los hospitales, d e : 3 , 0 6 3 kg

el niño de menor peso y 3 , 3 6 4 5 kg el niño de mayor p e s o .

En general, los niños pesan en promedio 7% más que las niñas. M Para

evaluar la variación y determinar sí la diferencia es por casualidad o si es

debida a factores biológicos, es necesario hacer un ANO EVA

Proceso para calcular SC

a = 1 2 ; i = 1, 12; n = 2 , j = 1,2

l. FC 266,074
n 24

2. ,se total 2:x2ii FC = (3,752 + . . . +2,8582) - 266,074 1,576

111
 .il. Canales G.

1 6 9332 6' 1 3 3 2
3. se h o s p i t a l e s = If=i(It= xii) - Fe= ' +/ - F e = 0,9615

2 2
If=1 Cif=1 Xii)2 Fe 41,360 + 38,551
4. Se sexo = - = Fe = 0 , 3 2 8
a

5.

-....-------·

i FdeV se i G.L. CM ¡ Fe

Hospitales [a-L] 0,961 11 0,084 1 3,231

Sexo [ n - L ] 0,328 1 0,328 i 12,615

Error ( a - l ) ( n - 1 ) 0,287 11 0,026

1

Total (an-1) 1,576 23

1

Interpretación: Existe diferencia entre los p e s o s (kg) de los niños(as¡_"�

nacidos(as) en 1 2 hospitales ( F e = 3 , 2 3 1 ; G . L . = 1 1 , 1 1 ; Ft o.os. •

11 11
= 2,82). De:)
la misma manera existe diferencia de los p e s o s entre los sexos de los

y niñas nacidas en los hospitales ( F e = 1 2 , 6 1 5 ; G.L. = 1 , 1 1 ; Ft 0 • 0 5 , 1 • 1 1 = 4,84).

En base al Ejemplo 4.13, se presenta los resultados estadísticos,

utilizando el Software Infostat.

I Variables I Particiones .••

! · Variables depe�dientes· _

!Pesos

112
 Hospital. 0.96 11. 3 . 3 7 o.02:76

Sexo 0.33 1 12.66 0.0045

Error 0.29 11 0.03

Interpretación: Al ser p 0,0278, se rechaza Ho, entonces existe

diferencia de los p e s os de n i ñ os recién nacidos entre los hospitales

evaluados. Así mismo, corno p = 0 , 0 0 4 5 , existe diferencia estadística de los

pesos entre los sexos.

Ejemplo 4.14. Temperaturas tornadas en el lago R o t e n horas de la tarde

durante cuatro días a 1 O profundidades.

H o : No existe diferencia de la temperatura en el lago Rot a diferentes

profundidades. .

H1: Existe diferencia de la temperatura en el lago Rot a diferentes

profundidades

H o : No existe diferencia de la temperatura en el Lago Rot durante los días

de evaluación

H l : Existe diferencia de la temperatura en el Lago Rot durante los días de

evaluación

Días (B)
Profundidad
29julio 30julio 31julio 1 sxr
(A)
agosto

o 23.8 24,0 24,6 24,8 97,2

1 22,6 22,4 22,9 23,2 91,1

2 22,2 22,1 22,1 22,2 88,6

3 21,2 21,8 21,0 21,2 85,2

4 18,4 19,3 19,0 18,8 75,5

5 13,5 14,4 14,2 13,8 55,9

6 9,8 9,9 10,4 9,6 39,7

9 6,0 6,0 6,3 6,3 24,6

12 5,8 6,0 6,0 5,8 23,6

15,5 5,6 5,6 5,5 5,6 22,3

l:Xj 148,9 151,4 152 151,3 Gran suma 6 0 3 , 6

113
 A. Canales G.

Cálculos:

2
603 6
FC = ¿= 9108,324

se total= (23,82 + 22,62 + 22,22 + 2 1 , 1 2 + +5,62) - 9 1 0 8 , 3 2 4 = 2 1 2 3 , 6 4 6

se profundidad= (92,72 + 9 1 , 1 2 + 88,62 + + 22,32)/4 - 9108,324 = 2120,8285

se d í a s = (148,92 + 151,42 + 1522 + 1 5 1 , 3 2 ) / 1 0 - 9 1 0 8 , 3 2 4 = 0,562

se error= 2123,646 - 2 1 2 0 , 8 2 8 5 - 0,562 = 2 , 2 5 5 5

Cuadro 4 . 1 5 . Análisis de varianza de dos factores sin replicaciones

FdeV se G.L CM Fcal Ftab

.• !···

Días 0;5620 3 0,187 2 , 2 3 9 5 ns 2,96 .

Profundidad 2120,8285 9 235,6476 2822,126 s 2,25

Error 2,2555 27 0,0835

Total (an-1) 2123,646 39

Interpretación: Existe diferencia de la temperatura a medida que los

muestreos se dan a una mayor profundidad (Fe = 2 8 2 2 , 1 2 6 ; G . L . = 9; Fto.os,

3•27
= 2 , 2 5 ) . Para evaluar los días debemos de s u p o n e r que la interacción

entre los días y las profundidades es cero.

Ejemplo 4 . 1 5 . Se presenta datos de las concentraciones de calcio en la

sangre (mg/100ml) de aves (variable a ser evaluada), y dos factores

simultáneamente a ser considerados, que s o n el tratamiento hormonal y

el sexo.

H o : No hay efecto del tratamiento hormonal en la concentración media de

calcio de las aves.

H 1 : Hay un efecto del tratamiento hormonal en la concentración media de

calcio de las aves.

H o : No hay diferencia de la concentración media de calcio entre aves

machos y hembras.

H 1 : Hay diferencia de la concentración media de calcio entre aves machos

y hembras.

H o : N o hay interacción entre el sexo y el tratamiento hormonal, sobre la

concentración media de calcio en las aves.

H l : Hay interacción entre el sexo y el tratamiento hormonal, sobre la.

concentración media de calcio en las aves.

114
�4. Canales G. Bioes tadis tica

Tratamiento sin Tratamiento con

' h o r m o n a s hormonas

Hembra Macho Hembra Macho

16,5 14,5 39,1 32,0

18,4 11,0 26,2 23,8

12,7 10,8 21,3 28,8

14,0 14,3 35,8 25,0

12,8 10,0 40,2 29,3

Total células

5 5 5 5

I X111 = 74,4 ¿ X121 = 60,6 ¿ X211 = 162,6 ¿ X221 = 138, 9

i=l i=l i=l i=l

2 2 5

ILL Xijl = 436,5

i=l j=l l =L

2 2 5

IL¿ Xijl
2
11354,31

i=l j=l l=l

a = número de grupos de h o r m o n a s = 2

b = número de s e x o s = 2

n = número de replicas por c e l d a s = 5

N = abn = ( 2 ) ( 2 ) ( 5 ) = 2 0

Total sin tratamiento hormonal:

2 S

II X1jl = 74,4 + 60,6 = 135,0

j=l i=l

Total con tratamiento h o r m o n a l :

2 S

II X2jl = 162,6 + 138,9 = 301,5

j=1 i=1

Total h e m b r a s :

2 S

¿¿ xill = 74,4 + 162,6 = 237,o

j=1i=1

1 1 5
 /L G.

Total m a c h o s :

2 S

II Xi 2 l = 60,6 + 138,9 = 199,5

j=1 Í=1

a b n

se t o t a l = III ijl2 - F e = 11354,31 - 9526,6125 = 1827,6975

i=1 j=1 1=1

Total gl = N - 1 = 1 9

a b "n X"l

se c e l d a s = II L, ] = � lJ - Fe

i=1 i=1

2 2 2 2
74,4 + 60,6 + 162,6 + 138,9
se celdas · S - 9526,6125

se c e l d a s = 1 4 6 1 , 3 2 5 5

Celdas gl = ab - 1 = ( 2 ) ( 2 ) - 1 = 3

SC dentro celdas ( error) = SC Total - SC células

se e r r o r = 1 8 2 7 , 6 9 7 5 - 1 4 6 1 , 3 2 5 5 = 3 6 6 , 3 7 2 0

Error gl = a b ( n - 1 ) = ( 2 ) ( 2 ) ( 4 ) = 1 6

--FC

Factor A S C (Grupo de hormonas) =

bn

2 2
SCA = (suma sin h o r m o n a s ) + (suma con h o r m o n a s )

2 2
135 0 1
+ 301 5 1

SeA = - 9526,6125
2 *

SCA = 1 3 8 6 , 1 1 2 5

Factor A Gl a - 1 = 1

Factor B se (sexo) FC
an

_::.___..,__ ::..___::__._...,,______::...... - Fe
n ú m e r o de datos p o r sexo

9526,6525 = 70,3125
 A. Canales G. Bioes tadistica

Factor B Gl = b - 1 = 1
. f

se AxB i n t e r a c c i ó n = se celdas - Se Factor A - Se Factor B

scAxB interacción= 1 4 6 1 , 3 2 5 5 - 1 3 8 6 , 1 1 2 5 - 7 0 , 3 1 2 5 = 4,9005

GLAxB interacción = (GL Factor A) (GL Factor B) = 1

cuadro 4 . 1 6 . ANDEVA factorial con interacción sobre concentración de

calcio (mg/100ml) en aves de ambos sexos, con tratamiento y sin

tratamiento de hormonas.

FdeV GL se CM Fe Ft

Celdas 3 1461,3255

Factor A 1 1386,1125 1386,1125 60,53s 4,49

.-Factor B 1 70,3125 70,3125 3,71ns 4,49

AxB 1 4,9005 4,9005 0,21ns 4,49

Error 16 366,3720 22,8982

Total 19 1 827,6975

Para H o : Existe una diferencia significativa de las concentraciones de

calcio por l o s tratamientos a los que fueron sometidos las aves (Fe (o.osj =

6 0 , 5 3 ; gl = 1, 1 6 ; F t 0 . 0 5 c 1 : 1 6 1 = 4,49).

Por lo tanto rechazamos H o

Para H o : No hay diferencia de la concentración media de calcio entre aves

machos y hembras (Fcco.osi = 3 , 0 7 1 ; gl = 1 , 1 6 ; F t 0 , 0 5 c 1 , 1 6 i= 4 , 4 9 ) .

Entonces aceptamos H o .

Para H o : N o hay interacción entre el sexo y el tratamiento hormonal, sobre

la concentración media de calcio en las aves (Fe co.osi = 0 , 2 1 ; gl = 1 . 1 6 ; Ft

0,05 (1,16) = 4,49).

Por lo tanto, aceptamos H o .

Nota: El resultado de la interacción, debe ser no significativo, como en

este caso. En el caso que la interacción sea significativa, debe

transformarse los datos, si persiste el problema de la interacción, se debe

analizar los datos mediante un ANDEVA de una vía o simple paramétrica

y/ o no paramétrica.

117
 Canales G.

En base al ejemplo 4.15, se presenta los resultados estadísticos con

interacción, utilizando el Software Infostat.

l 136tL 1 1

1 4.90

366.37 16 22.

Interpretación: Para el caso del sexo, al ser p = 0 , 0 9 8 9 , se acepta la Ho, de

manera que la concentración de calcio en sangre es similar en aves

amachos y hembras. Para el caso del tratamiento hormonal, p < 0 , 0 0 0 1 ,

por lo tanto se rechaza Ho, entonces las hormonas suministradas,

influyen en la concentración de calcio en la sangre de las aves. Finalmente,

en cuanto la interacción, p = 0 , 6 4 9 9 , entonces rechazamos Ho, por lo que

la interacción entre los factores sexo y tratamiento hormonal no es

significativa.

Ejemplo 4 . 1 6 . Tasas de consumo de oxígeno por dos especies de lapas,

Acmaea scabra y A. diqitaiis, a tres concentraciones de salinidad. La

variable medida es µl Oz/mg cuerpo seco peso/minuto a 2 2 º C . Hay 8

replicaciones por combinación de especies y salinidad (n = 8 ) .

H o : No hay diferencias de consumo de oxígeno entre Acmaea scabra y A.

diqitaiis

1-1 1 : Existe diferencias de consumo de oxígeno entre Acmaea scabra y A.

diqitalis

18
 A. Canales G. Bioes iadis tica

Ho: No hay diferencias de consumo de oxígeno a diferentes

concentraciones de salinidad.

· H l : Hay diferencias de consumo de oxígeno a diferentes concentraciones

de s a l i n i d a d .

Ho: No existe interacción entre las especies y la concentración de

salinidad, sobre el consumo de oxígeno.

H l : existe interacción entre las especies y la concentración de salinidad,

sobre el consumo de oxígeno.

j Facto B: Factor A: Especies

I Concentración ( a = 2)
I;Xi
de salinidad
Acmaea scabra Acmaea diqitalis
(b = 3)

7,16 5,26 6,14 6,14

6,78 14,00 3,86 10,00

100% 13,60 16,10 10,40 11,60

8,93 9,66 5,49 5,80

36,47 45,02 25,89 33,54 140,92

5,20 13,20 4,47 4,95

5,20 8,39 9,90 6,49

75% 7,18 10,40 5,75 5,44

6,37 7,18 11,80 9,90

23,95 39,17 31,92 26,78 121,82

11,11 10,50 9,63 14,50

9,74 14,60 6,38 10,20

50% 18,80 11,10 13,40 17,70

9,74 11,80 14,50 12,30

49,39 48 43,91 54,7 196

I; X ¡ 242 216,74 458,74

Cuadro 4 . 1 7 . Análisis de varianza de dos factores con repetición de tasas

de consumo de oxígeno en dos especies de moluscos Acmaea scabra y A.

digitalis en tres concentraciones de agua del mar.

FdeV se G.L CM Fcal p

A (especies) 16,63808 1 16,638075 1,740 0,1964ns

B(salinidad) 181,32102 2 90,660508 9,483 0,0004s

AxB(Interac) 23,9262 2 11 , 9 6 3 1 1,251 0,12ns

Error 401,5213 42 9,5600

Total (an-1) 623,40659 47

119
 /L Canales G,

Interpretación: El consumo de oxigeno no difiere entre las dos especies

de moluscos (Fe 1 . 7 4 0 , 1, 42, Ft o.os.

1,42
= 4 . 0 7 ) , pero si difiere con la

salinidad (Fe = 9 . 4 8 3 , gl = 2, 42, Ft. o.os,

2,42
= 3 . 2 2 ) . Al 5 0 % de salinidad el

c o n s u m o de oxígeno incrementa. La salinidad parece afectar a las dos

especies igualmente, dado que no existe suficiente evidencia de una

interacción especie X salinidad.

Ejemplo 4 . 1 7 . Se presenta datos de intoxicación p o r cianuro en Phoxinus

laevis, u s a n d o 5 concentraciones de ión CN, 3 concentraciones de oxígeno

y 3 temperaturas.

FACTORB
FACTORA FACTORC
Cy1 Cyz Cy3 Cy4 Cys

01 201 150 131 130 97

T1 Oz 246 164 138 136 102

Ü3 271 170 149 127 99

01 124 104 86 89 60

Tz Oz 158 111 99 91 74

03 207 117 81 87 72

01 79 63 50 51 32

T3 Oz 129 54 51 52 46

Ü3 142 93 62 51 52

Los datos fueron arreglados en tres cuadros de doble factor. El valor en

cada celda de los cuadros representa la media de los dos factores

c o m b i n a d o s . Así, el valor 2 3 9 , 3 3 3 3 en el cuadro A x B representa la

combinación T 1 x Cy1 promediado como sigue: ( 2 0 1 + 246 + 271)/3 =

239,3333.

Totales A x B (T x Cy)

Cy1 Cyz Cy3 Cy4 Cys

T1 718 484 418 393 298

Tz 489 332 266 267 206

T3 350 210 163 154 130

Totales A X e (T X O) Totales B x e (Cy x O)

01 02 Ü3 01 02 03

T1 709 786 816 Cy1 404 533 620

T2 463 533 564 Cy2 317 329 380

T3 275 332 400 Cy3 267 288 292

Cy4 270 279 265

Cys 189 222 223

 G. Bioesuulistica

Cálculos preliminares:

. 1. Gran total = Lª Lb Le xijk = 4878

48
z. FC; :t = 528 775,2

3. SCT = Lf=l Lf=1 Lk=1 Lr=l X[jk! - a::n = 1 2 6 502,8

4. SCA(SC de t e m p e r a t u r a ) = n:cLi1xL FC = 5 7 , 1 1 6 . 1 3 3 3

Cálculo de SCA

SCA = {(2311)2 + (1560)2 + (1007)2}/3*5- 528775,2

SCA = {5340721 + 2433600 + 1014049}/15-528775,2

SCA = {8788370}/15 528775,2

SCA = 585891,3333-528775,2

SCA = 57116,3333
Seguir el mismo procedimiento para calcular SC 8 y SCc.

5. S C 8 ( S C de concentración de c i a n u r o ) = ª:).:� 1 XJ.. - FC = 55 545,4667

6. S C c ( S C de concentración de oxígeno) = n:b ¿�=1 X�1c. = 3758,8000

7. SCAB (SC temperatura X cianuro ) = � ¿f=1 If=1 xn - FC - SCA - SCB = 3685,866 7

Cálculo de SCAs:

SCAB = {(718)2 + (489)2 + ... + (130)2}/3 - 528775,2 - 57116,333 -

55545,4667

SCAB = {515524 + 2 3 9 1 2 1 + ... +16900}/3 - 528775,2 - 57116,333 -

55545,4667

SCAB = (1935368)/3- 5 2 8 7 7 5 , 2 - 5 7 1 1 6 , 3 3 3 - 55545,4667

SCAB = 645122,6667 -641436,9997

SCAB= 3 6 8 5 , 8 6 6 7

Seguir el mismo procedimiento para SCAc y SC8c

8. SCAc(SC temperaturax oxígeno) = i Í:�1 ¿f=1 xfk FC se A SCc 97,0667

9. S C 8 c ( S C cianuro x o x í g e n o ) = � Í:�1 ¿�=1 X�, - FC - SC8 - SCc = 5264,5333

na

1 0 . SCABC = ;;. í:f: 1 If=l Lk=l X[jk - FC - SCA - SC 8 - SCc - SCAB - SCAc - SC 8 c

SCABC = { ( 2 0 1 ) 2 + (246)2 + ( 2 7 1 ) 2 + . . . + ( 5 2 ) 2 } / 1 - 5 2 8 7 7 5 , 2 ·- 5 7 1 1 6 , 3 3 3

55545,4667 - 3 7 5 8 , 8 - 3685,8667 -97,0667 - 5264,5333

SCABC = (4 0 4 0 1 + 6 0 5 1 6 + 73441 + ... + 2 7 0 4 ) / 1 - 6 5 4 2 4 3 , 2 6 6 4

121
 ··�

/l. Canales x /C,':, ; t " } : . . « : :::'"'"

-
SCABC = (655278) - 654243,2664

SCABC = 655278-654293,2664

SCABC = 1034,9333

Ahora llenaremos la tabla del análisis de varianza

Fuente de variación I gl se MS F

Principales efectos -

A a - 1 2 2/(a - 1)
-

B b 1 3 3/(b - 1)
·-

e c - 1 4 4/(c 1)

Primer orden de interacción

AxB (a - l ) ( b - 1 ) 5 5/(a -1) ( b - 1 ) MS/MCAOC

Ax.C (a-1) ( c - 1 ) 6 6/(a - 1 ) (c - 1 ) MS/MCAB�

B x C (b-l)(c-1) 7 7 /(b - 1 ) (c 1) MS/MCABC

Segundo orden de interacción

A x B x C (a - 1 ) (b - l ) ( c - 1 ) 8 8/(a - 1 ) (b l)(c-1)

Total aben - 1 2: ( 2 . . . 19)

Cuadro 4 . 1 8 . Resultados de ANDEVA factorial con interacción sobre

intoxicación de en Phoxinus laevis, usando 5 concentraciones de cianuro,

3 de oxígeno y 3 diferentes temperaturas.

Fuente de variación gl se MS Fe

Temperatura (A) 2 57116,1333 28558,0667 441,506

Cianuro (B) 4 55545,4667 13886,3667 214,682

Oxígeno (C) 2 3758,8000 1879,4000 29,0554

T x C y (AxB) 8 3685,8667 460,7333 7,123

T x O ( A x C) 4 96,0667 24,2667 0 , 2 5 0 (n.s]

C y x O (B x C) 8 5264,5333 658,0667 10,174

T X Cy X o (A X B X C) 16 1034,9333 64,6833

Total 44 126502,8000

Interpretación: Existe diferencia significativa del tiempo de

sobrevivencia a causa de las diferentes temperaturas a las que fueron

sometidas la especie en estudio (Fe ro.osi = 4 4 1 , 5 0 6 ; gl = 2, 1 6 ; Ft 0 , 0 5 ¡

1,161
=
3,63).

También, existe diferencia significativa del tiempo de sobrevivencia como

consecuencia de las diferentes concentraciones de cianuro en el agua (Fe

[O.OS) 2 1 4 , 6 8 2 ; gl 4,16; Ft0.05 (4,16) = 3,01).

 A. Canales G. Bioestadistica

. flnalmente, existe diferencia significativa del tiempo de sobrevivencia

por las diferentes concentraciones.de oxígeno en el agua (Fc¡o.osi = 2 9 , 0 5 5 4 ;

gl = 2,16; Ft 0,05 cz. 16 ¡ = 3,63).

La interacción entre la temperatura y el cianuro, así como la interacción

entre cianuro y oxígeno es significativa, esto es, el efecto del ión cianuro en

el tiempo de sobrevivencia depende de la concentración de oxígeno y de

la temperatura del agua (Fe ro.os: = 7 , 1 2 3 ; gl = 8 , 1 6 ; Ft 0 , 0 5 ¡8,16¡ = 2,59)

Nota: En el Ejemplo 4 . 1 7 , no existe SCerror' puesto que es un ANDEVA sin

replicación. En el siguiente ejemplo se mostrará como calcular SCerror·

Figura 4.9. Gráfico que demuestra el primer orden de interacción

entre la temperatura y cianuro.

En base al Ejemplo 4.17, a continuación se desarrolla utilizando el

Software Infostat.

128
A. Canales G.

Caso lntox. Temp Oxígeno :Dia�1 � ®�•llrl•nu

201..(i .1. 1 • 1; Modek} fcorn¡;at�i Cooo� !

· � oon d.e ios t é � del modclo

246 00 1 2 1 Íte�.

3 2 7 1 00 1 3 1 1 1 � � ;:

4 '124 00 2 'I ¡�:::::�.:::;

1
r;;'
5 158 00 2 2 '
1 ¡ O:dgeno*'CW!U!'o
. j i�r,ll)."0:<1,;too�<.:;,11n,.wo

6 207.00 2 3 . ¡

; 1;::: :; i

9' 142.00 3 3 1 : 1

10 150.00 1 1 2 ¡
11 1 64 0 0 1 2 2f·;::""·------------�"'=---"="'::;'-��..;.�

12 1 7 0 00 1 3 2 r P•VbS

13 104 00 2 1 2

14 11'100 2

cuad:r:o ele Anál.isis tte l.a Varianza. ( se tipo III)

F.v. se gl CM F p-valor

Modelo 12 6 5 0 2 . 80 44 2875. 06 sd sd

Temp. 5 7 1 1 6 . 13 2 2 8 5 5 8 . 07 sd sd

Oxigeno 3758,60 2 1879,40 s-d sct

Cianuro 5 5 5 -4 5 . 4 7 4 13886.37 sd sd
11
Temp .. oxigeno 97.07 4 24.27 sd :,ct

Ten-1p. *C il.U!l.lt:O 3 6 8 5 . 67 8 -4 6 0 . '13 sd :,¡j

Oxigeno "P:C :i.trmuro 52 64 . 53 8 6 5 6 . 07 Eid !Id

Terélp. 1roxigeno\!:Cia.nuro 1034.93 16 6 4 . 68 sd sd.

Error n.oo O o.oo

Total 12 6502 . 80 44

Interpretación: Existe diferencia estadística del tiempo de sobrevivencia �

entre las diferentes concentraciones de cianuro, niveles de temperatura y-�

oxígeno. Corroborando con los resultados obtenidos en el d e s a r r o l l o ".

manual. �

Ejemplo 4 . 1 9 . Una empresa embotelladora de refrescos está ínteresada Í

en obtener alturas de llenada más uniformes en las botellas que se!

fabrican en su proceso de manufactura. Teóricamente la máquina de

llenado llena cada botella a la altura objetivo correcta, pero en la práctica, :

existe variación en torno a ese objetivo, y a la embotelladora le gustaría i

entender mejor las fuentes de esta variabilidad y, en última instancia ·

reducirla.

El ingeniero del p r o c e s o puede controlar tres variables durante el procese]

de llenado; porcentaje de carbonatación (A), p r e s i ó n de operación en el:�

llenador (B) y la rapidez de línea (C). La variable respuesta observada es l?!i

desviación promedio de la altura del llenado objetivo que se observa e_n!

una corrida de producción de botellas con cada conjunto de condiciones.

124
A. Canales G. Bioestadistica

-
Presión de operación (B)
,Porcentaje de

25psi 30psi
�arboriatación

1: X

(A) Rapidez en línea (C) Rapidez en línea (C)

2 0 0 2 5 0 200 2 5 0

-3 -1 -1 1
10
- -1
-4

- o
-1
,___

o
- 1
1----

1
2 -4

o 2 2 6
'-----
12 1- '---
11 20
-¡----
1 3 5

1 3 5

5 7 7 10
....___
14 9 1- 13 16
'----- 2 1 59
-¡- 6 9 11

T o t a l e sB x C
6 15 20 34
75

rXj 21 54

Totales A x B LXii Totales A x C LXik

A A
2 5 30 200 2 5 0

10 -5 1 10 -5 1

12
4 16 12 6 14

14 22 37 14 25 34

Cálculos preliminares:

FC= 234,375

se total= 3 3 6 , 6 2 5

se carbonatación = 2 5 2 , 7 5 0

se presión= 4 5 , 3 7 5

se rapidez= 2 2 , 0 4 2

SCAB=5,250

SCAc= 0,583

S C 8 c = 1,042

se ABC = 1 , 0 8 3

a b e

SCsubtotales(ABC) = � III X{jk - FC = 328,125

i=l j = l k=l

2 2 2 2 2

S(subtotales(ABC) = {(-4 J 2 + 1 + 9 + (-1 ) + 3 + ··· + 21 } /2 - 2 3 4 , 3 7 5

S(subtotales(ABC) = ( 1 1 2 5 ) / 2 - 2 3 4 , 3 7 5

scrnbtotales(ABC) = 5 6 2 , 5 - 2 3 4 , 3 7 5

S(subtotales(ABC) = 3 2 8 , 1 2 5

S(error = S(total - scsubtotales(ABC)

scerror= 3 3 6 , 6 2 5 - 3 2 8 , 1 2 5

scerror = 8 , 5 0 0

125
 _11. Canales G.

Cuadro 4.19. Análisis de varianza de los efectos del porcentaje d(

carbonatación, presión de operación y rapidez de línea, sobre la\

desviación promedio de la altura de llenado de una embotelladora . ¿

}
.

Fuente de variación se gl CM Fe p
i I

o/o carbonatación (A) 252,750 2 126,375 178,4126 < 0,0001 . '

Presión de operación (B) 45,375 1 45,375 64,059 < 0,0001

�
Rapidez de l í n e a (C) 22,042 1 22,042 31,118 0,0001

AB 5,250 2 2,625 3,706 0,0558

"

AC 0,583 3 0,292 0,412 0,6713 . , ;

.

BC 1,042 1 1,042 1,471 0,2485 · � }

ABC 1,083 2 0,542 0,765 0,4:867 '" �

Error 8,500 12 0,708

Total 336,625 23 #

Interpretación: Se observa que el porcentaje de carbonatación (Fe co.os, �}

1 7 8 , 4 1 2 6 ; gl = 2 , 1 2 ; Ft o.os ¡2,121 = 3 , 8 9 ) , presión de operación (Fe co.osJ =: "

6 4 , 0 5 9 ; gl = 1 , 1 2 ; Ft o.os ¡
1,121
= 4, 7 5 ) y rapidez de línea (Fe ccwsi = 3 1 , 1 1 8 ; gl d:�

1 , 1 2 ; Ft 0 . 0 5 c 1 . 1 2 1 = 4 , 7 5 ) afectan significativamente el volumen de llenado.

.. 2 � ,-----·-·-·-- ..... ---,··�-··--·--------1 -z· 2s ····--·--···--·····-····----·-···------·-·-- :m

10 12 14

Presión operación (b)

% carbonatación {a)

.2
-2.00 ....----......---

10 l;l: �
Raplde,de línea {e} % carMnatación (d)

Figura 4 . 1 0 . Gráficas de los efectos principales, utilizando software Infestan

(a) porcentaje de carbonatación, (b) Presión de operación y (c) Rapidez de

línea. Con la figura ( d) se demuestra que no hay interacción entre el

porcentaje de carbonatación y la presión de operación.

126
 _, Canales G. Bioes taclís iica

2)

;4. REGRESION {r

- Éúipo más simple de regresión sigue la ecuación Y = X. Se puede citar el

eJemplo de la relación que existe entre el número de anillos de

"Crecimiento de un árbol en una función de la edad ( en a ñ o s ) . Es obvio que

cualquiera que sea el valor de X (edad en a ñ o s ) , el valor de Y (número de

anillos de crecimiento) será igual a la magnitud, de esta manera si el árbol

tiene diez años de edad poseerá diez anillos de crecimiento.

cuando X = O, Y será también igual a cero y la línea descrita por la función

atraviesa el origen de coordenadas del sistema. Esto significa que un

anillo de cero años de edad no po s e e anillos de crecimiento.

A la variable Y se le conoce como variable dependiente, mientras que a la X

se le denomina variable independiente. La magnitud de Y depende de la

magnitud de X y puede, por tanto, deducirse de la variable dependiente,

que presumiblemente p u e d e variar con libertad. Recuerde que aunque

una causa puede siempre considerarse como una variable independiente

y un efecto como una variable dependiente, una relación funcional

conservada en la naturaleza p u e d e realmente no ser una relación causa -

efecto. Las técnicas de regresión permite hacer predicciones sobre los

valores de cierta variable Y (dependiente}, a partir de los de otra X

(independiente), entre las que intuimos que existe una relación. Existen

relaciones simples cuando se trabaja con solo un factor, y múltiples

cuando es más de dos factores. A la deducción, a partir de una serie de

datos de este tipo de relaciones entre variables, es lo que denominamos

regresión (r"},

Una función es la relación matemática que nos permite predecir qué

valores de una variable Y corresponden a valores dados de una variable X.

Tal relación, generalmente escrita como Y = f(x), nos resulta familiar a

todos.

Entonces, la regresión determina la relación que existe entre una variable

independiente (X) y una .dependiente (Y). La relación funcional está

indicada mediante la ecuación de Y = a +bX, donde a = intercepto y b =

pendiente y X la variable fijada.

La variable independiente, es la que fija o decide el investigador. Ejemplos,

grupos etáreos, sexo, tratamientos, dosis, lugares, altitudes, horas,

temperaturas, entre otras. Mientras que la variable dependiente, es la

127
_/l. Canales G. Bíoestaclísti

respuesta aleatoria de la variable fijada, el investigador no puede fijar �l

modificar dicha respuesta. Sólo se puede mencionar váriab:&1

independiente y variable dependiente, cuando deseamos aplicar un\1

prueba bioestadística de regresión. ,

Modelos de regresión

Modelo/

Es el más común y aplicado en situaciones experimentales. Sin embar

los datos deben cumplir los supuestos de independencia, normalidad:

homogeneidad de varianzas.

Modeloll

Las variables independientes (X) y dependientes (Y) se miden con erroi:J

Existen diversos métodos para resolver la ecuación de regresión en u�i

caso del M o d e l o 11, dependiendo de los conocimientos que se posean
2 2
acerca de las varianzas error a e: cr 8.

Un método relativamente sencillo, en el que no se requieren

conocimientos de estas varianzas es el denominado método de los grupos.

de Barlett. Este método nos proporciona una línea convencional de -

regresión mínimo cuadrática.

Usos de la regresión

a) Estudio de la causalidad. Si la variación de una variable Y es causada

por los cambios en otra variable X.

b) Descripción de las leyes científicas y las predicciones. Descripción

matemática y funcional de relaciones entre variables en la naturaleza.

e] Control estadístico. Los métodos bioestadísticas pueden en gran

número de casos, sustituir a las técnicas experimentales y

ocasionalmente incluso pueden ser preferibles a éstas.

Existen diferentes tipos de pendiente de la regresión, como se puede

observar en la siguiente Figura.

128
 Canales G. Biocstadistica

Modelo lineal Modelo no lineal

Modelo lineal
Mal ajuste
Buen ajuste Buen ajuste

Cuan d o X y Y

crece

Cuando X y Y crece • Cuando X y Y crece

Modélo lineal
Variables: no relacionadas
Buen ajuste Modelo no lineal
ninguna curva de refresi6n
Buen ajuste
adecauda

. .

Cuando X crece,

Y decrece
L
Cuando X crece,

Y decrece
.. •

Figura 4 . 1 1 . Diferentes nubes de puntos y modelos de regresión

Ejemplo 4 . 1 9 . Longitud (cm) de alas de loros capturados en varios días

Edad = Días (X) Longitud de alas (Y) X * Y

3,0 1,4 4,2

4,0 1,5 6,0

5,0 2,2 11,0

6,0 2,4 14,4

8,0 3,1 24,8

9,0 3,2 28,8

10,0 3,2 32,0

11,0 3,9 42,9

12,0 4,1 49,2

14,0 4,7 65,8

15,0 4,5 67,5

16,0 5,2 83,2

17,0 5,0 85,0

N = 13 ,E = 5 1 4 , 8

129
 A. Canales G.

n = 13

� X = 130,0 � y = 44,4

x= 10,0 Y = 3,415

2=
�X 1562,0

2'.::XY = 514, 80

130 4'4)
í: xy = 5 1 4 , 8 0 - c '�)t = 70,80

1302

" X 2 = 1562 o - = 262

L, ' 13

70'80
b = Ixy = = O 27cm/día
¿x2 262,0 '

_ _ 0 , 2 7 cm
a = Y - bX = 3 , 4 1 5 c m - d' ( 1 0 días)
ras

a = 3 , 4 1 5 cm - 2 , 7 0 c m = 0 , 7 1 5 cm

Y = 0 , 7 1 5 + 0,27X

Calculo de ANDEVA de REGRESIÓN, que sirve para determinar

. coeficiente de la regresión [r"],

2
� 444
se total=¿ Y
2
= 171,30 - ¿

se total= 1 7 1 , 30 - 1 5 1 , 6 4 3 1

se total= 19,656923

GL Total = n -1 = 12

� x y = 70,80

�x2 = 262,00

. , CI xy)
2
70,8o
2

Se regres10n = � = -­
t., X 262,00

5012,64
se regresión= = 19,132214
262100

130
 G. Btoestadistica

.cuadro 4 . 20 . ANDEVA de Regresión Simple

FdeV GL se CM Fe Ft

Línea 1 19,132214 19,132214 401.ls 4,84

Regresión

Error 11 0,524709 0,047701

Total 12 19,656923

se regresión 19,132214
rz =
se total 19,656923

rz == 0,9733

Interpretación: Existe una relación del 9 7 % entre las variables edad

(días) y longitud (cm) de crecimiento de las alas de loro. Es decir, el 9 7 %

del crecimiento de las alas depende de la edad de los loros, mientras que

un 3 % del crecimiento de las alas puede deberse a factores fisiológicos.

En base al Ejemplo 4 . 1 9 , se presenta los resultados estadísticos utilizando

el Software Infostat.

Variabtesley .... ,.,,, ,:.,:,. >;.

i.rav1C,1QnJJ ,,.,.

;'Varlabfe, dependiente�
4.00
long. alas
5.00

6.00 2.40

8.00 3. 1 0

9.00 3.20

10.00 3.20 ',

11.00 3.90,

12.00 4 . 1 0 J
!

4 . 7 0 ,,
14.00

15.00 4.50

16.00

17.00

ll

!!

¡¡

:¡¡

un !,!.·

lt
�
.../L Canales (}.

n . 27 o. o
_, 1__0__
. 2
_ '1__ 30
0_._ _2
_ 0
_ ._o3_, < O . eco 1 __2.'iª-.:.2.§

Edad 19 . 1 3 1 1 9 . 13 4 0 1 . 09 < 0 . 0001

Error 0.52 11 o.os

Total 19.66 12

Interpretación: Donde a = 0,71 y b = 0 , 2 7 , entonces las ecuación de

regresión es Y = 0 , 7 1 + 0 , 2 7 X .

5.50

4-42

3.35

2.28

1.21+---������������--��---

2,30 6 . 1 5 10.00 rass 17.70

Edad

Figura 4 . 1 2 . Prueba de regresión entre las variables Edad (días) (cm) y

longitud de alas

132
 Bioes tadistica

.Ejemplo 4 .2 0 . Hipótesis de una prueba mediante el uso de la regresión de

los valores múltiples de edad ( años) presión sistólica ( mm Hg).

· H o : La regresión de la población es lineal.

H 1 : La-regresión de la población no es lineal.

Edad Años Presión Sistólica de Sangre ni

(X) (Y)

30 108, 110, 106 3

40 125, 120, 118, 119 4

so 132, 137, 134 3

60 148,151,146,147,144 s

70 162,156,164,158,159 5

N = 20

�Xij = 1050 í.= í.=Yij = 2744

� �X2ij = 59100 í.= í.=Y2ij = 383 346

�XijYij = 1 4 9 1 2 0

�xz = 5 9 1 0 0 - ( 1 0 5 0 ) 2 / 2 0 -3975

2=yZ = 3 8 3 3 4 6 (2744)2/20 -6869,20

2=xy = 1 4 9 1 2 0 ( 1 0 5 0 ) (2744)/20 -5160,00

x= 52,5 Y= 137,2

5160'00
b = Ixy = = 1 273mmHg/año
¿ xz 3975,oo '

a = Y - b x = 1 3 7 , 2 - ( 1 , 2 7 3 ) ( 5 2 , 5 ) = 7 0 , 3 7 mmHg.

Entonces la ecuación sería: Yij = 7 0 , 3 7 + 1 , 2 7 3 X i j

rz = 0,98

Interpretación: Existe una relación de 98% entre la edad (años) y la

presión sistólica de la sangre (mmHg), es decir, a medida que uno tiene

mayor edad, la presión sistólica incrementa.

Cuadro 4 . 2 1 . Resultados de regresión lineal negativa, realizada por el

programa SYSTAT para datos de altitud (X) y número de especies de aves

(Y).

Variable Coeficiente Error Estándar P (2colas)

Intercepto e a) 23,737 23,469 0,009

Pendiente (b) -0,057 0,006 0,009

r2 = 0 , 7 5 Y = 238,737 -0,057X

133
A. Canales G.

Las pruebas de regresión numérica y gráfica muestran que, existe

regresión lineal negativa.de O, 7 5 % , es decir a medida que se incrementa

altitud, disminuye el número de especies de aves.

Ejemplo 4 . 2 1 . Análisis de regresión (Modelo Lineal) Y = a +bX.

analizados con el programa Statgraphics. Variables d e p e n d i e n t e s : 6 1

6 5 69 54 9 3 87, Variable Independiente: 1 4 1 7 2 4 2 5 27

Standard T Prob.

Parámetro Estimación Error Valor Nivel.

Intercepto 19,7668 10,5497 1,87368 0,09375

(a)

Pendiente 1,86996 0,332496 5,624 0,00032

(b)

2
r = 77,85 %

Así mismo se puede utilizar las calculadoras p e r s o n a l e s a partir de 3 6 0 0 él ]

más, para calcular la fórmula de la regresión, es decir calcular; a, b y ll

También se p u e d e calcular el grado de correlación ( r).

4 . 5 . CORRELACIÓN (r)

Mide el grado de asociación entre dos variables dependientes (Yl y

Para aplicar esta prueba, el investigador no puede fijar ninguna de las

variables, debido a que las variables son aleatorias. E j e m p l o : muestree ¡

aleatorio de peces, d o n d e deseamos medir el grado de asociación entre i

peso y talla. La hipótesis e s : La talla de los peces (cm), está fuertemente':

asociado a su p e s o (Kg), a mayor talla, mayor p e s o .

Existe mucha confusión con respecto a un análisis de correlación

regresión. Muy frecuentemente los problemas de correlación, se tratan

como si fueran de regresión, dándose el caso inverso con la misma

frecuencia.

Examinemos, pues, las intenciones o propósitos de cada uno de los dos

tipos de análisis. En regresión intentamos describir la dependencia de ,

una variable Y, sobre una variable independiente X. No es necesario hacerr�

grandes esfuerzos para intuir que la relación que hay entre ambas esd

obtener una relación. En correlación medimos el grado de asociación o d e "

afinidad.

134
 Canales c. Bioes iadistica

. El grado de asociación varía de O a 1 . Las asociaciones muy bajas ( entre O a

20%) no son importantes, por tanto, no se recomienda hacer una prueba

de correlación (r).

Ejemplo 4 . 2 2 . Datos de longitud de alas ( cm) y longitud de cola ( cm).

Longitud de las alas (cm)Y1 Longitud de cola (cm) Y2

10,4 7,4

10,8 7,6

11,1 7,9

10,2 7,2

10,3 7,4

10,2 7,1

10,7 7,4

10,5 7,2

10,8 7,8

11,2 7,7

10,6 7,8

11,4 8,3

-
Y¡ 10,68 7,57

n = 12

¿Jy¡ = 1 2 8 , 2 cm ¿]Yz= 9 0 , 8 cm I;YiYz = 9 7 1 , 3 7 cm-

2
¿Jy¡z = 1 3 7 1 , 3 2 cm .EYz2= 6 8 8 , 4 0 cm-

LYi = [(10,4 - 10,68) + (10,8 - 10.68) + ( 11 , 1 - 1 0 , 6 8 ) . . . ( 1 1 , 4 - 1 0 , 6 8 ) ]

2 2 2
LYi = 1 , 7 2 cm ¿ Yi = 1,35cm ¿ YiYi = 1, 3 2 cm

2
)1,32cm
Coeficiente de c o r r e l a c i ó n = r = ( )2 =0,866
2)(
1, 7 2 c m 1,35cm

Coeficiente de d e t e r m i n a c i ó n = r = 0 , 7 5 0

866
Error estándar de r = S =� I -(o, )2 = o 158

r 12-_2 '

135
.il. Canales G.

Interpretación: Existe un grado de asociación del 86,6% entre

longitud de alas {cm) y longitud de las colas (cm) de aves. Es decir, a may

longitud de alas, mayor será el largo de las colas.

En base al Ejemplo 4.23, se presenta los resultados

utilizando el Software lnfostat.

Caso - Long. �las

,'.,� •'""' ,
, ,,',,l',),,,)¡¡¡t1/1,,i1,)1íiM',1_, ,iY ' , , • •

Var;i�bles j Particlon�s ...

10.40

¡-Variable1r·"'-'-"�•-
10.80

11.10 7.90

10.20 7.20

10.30 7.40

10.20 7.10

10.70 7.40

10.50 7.20

1 0 . 80 7.80

11.20
1(0)

11 10.60

11.40

Long. a.las Long. cola

Long. alu 1.00 2 .3E-04

Long. cola o.a; 1.00

Interpretación: Tal como se determinó en forma manual, el coeficiente

de correlación es 0, 87, entonces a mayor longitud de alas, mayor longitugj

de cola. j

136
.il. Canales G. B ioes tad istíca

Ejemplo 4.24. Se desea saber el grado de asociación de estudiantes

varones de la Facultad de Ciencias Biológicas de la UNA Puno ( 1 9 9 9 ) n =

20, utilizando el programa STATGRAPHICS.

Peso (kg) Talla (m) Peso (kg) Talla (m)

65 1,63 70 1,65

63 1,60 71 1,67

70 1,65 65 1,60

60 1,57 57 1,54

57 1,50 55 1,55

56 1,51 67 1,66

68 1,63 57 1,54

64 1,67 54 1,60

60 1,61 67 1,69

581 1,55 60 1,61

r = 0,82

Interpretación: Existe un grado de asociación entre peso (kg) y talla ( m)

de 0 , 8 2 , es decir, a mayor p e s o mayor talla ( 8 2 % ) .

Figura 4 . 1 3 . Densidad normal bivariada de datos de peso (kg) y talla

[m) de estudiantes de Ciencias Biológicas {r = 0 , 8 2 ) , utilizando el

software STATGRAPHICS

187
 A . Canales O. Biuesladístical
. ��

Cuando se tiene datos que no cumplen con el supuesto de normalidad, el I

procedimiento de correlación anteriormente visto no puede seraplicad<:>:J

En vez de ello, se debe ordenar las medidas de las variables, tal como sl j
¡\j!í¡

fuera a aplicarse una prueba no paramétrica. Para este caso utilizamos el:�

coeficiente de correlación de Spearman. J

J

Esta estadística, es una m e d i d a de a s o c i a c i ó n que requiere que ambas�

variables sean m e d i d a s por lo menos en una escala ordinal, de man�ra�il

que los objetos o individuos en estudio puedan, colocarse en dos series3

ordenadas.
j

1
Ejemplo 4 . 2 5 . Como parte del estudio acerca del efecto de las presiones�

de g�upo para �rear conformi_dad e� un i�dividuo sujet? � una situac�ón�

que mvolucra nesgo monetario, los ínvestigadores adrninístraron la hJen:J

c o n o c i d a escala F2, una m e d i d a de autoritarismo, y una escala d i s e ñ a d a ' [

para medir el esfuerzo p o r alcanzar p o s i c i ó n social de 1 2 estudiantes[

universitarios. Se b u s c a información acerca de la correlación entre los,i

puntajes de autoritarismo y los del esfuerzo por alcanzar p o s i c i ó n social."

. ¡

2
Estudiante Autoritarismo Búsqueda de RdeY1 RdeY2 d1

(Y1) posición social d 1 � ···�

¿

(Y2)

A 82 42 2 3 -1 1 5
.

B 98 46 6 4 2 4

e 87 39 5 2 3 9 :
¡ ,l

D 40 37 1 1 o o

E 116 65 10 8 2 4
,.
F 113 88 9 11 -2 4

G 111 86 8 10 -2 4

H 83 56 3 6 -3 9

1 85 62 4 7 -3 9

J 126 92 12 12 o o
K 106 54 7 5 2 4

L 117 81 11 9 2 4

n = 12

d 1 = RY1 - RY2

6¿df
r = 1 - - - ­
5
n3 - n

_ 6(52)
1
1716

r5 = 0,82

138
A. Canales G. Bioestadistica

Observamos que para estos 12 estudiantes la correlación entre

autoritarismo y búsqueda de p o s i c i ó n social es r, = 0 , 8 2 .

Cuando existen empates, la ecuación a emplearse para hallar r, e s :

3
n n
- 6
- - ¿ d ¡ - ¿ T x - ¿Ty

rs = j [n-6--2
n 3] - [n 3 -
-6--2¿Ty
n ]

L T = ¿(tf-t1) ¿ T = ¿(tf-t1)

X 12 y 12

D o n d e : t1 es el número de valores empatados en la variable Yl y Y 2

En base al Ejemplo 4 . 2 4 , se determinará el coeficiente de correlación de

Spearman, utilizando el Software Infostat.

1 82 42

2 98 46

3 87 39

4 40 37

116 65

113 88 r Eliminar
• . ·. ·. · .· •
· � · · '. · .
ttot ;.,....,........w...,..,. .
U,IVJI�

111 86

8 83 56

Yl Y'Z

Y1 1.00 0.01

Y2 0.82 LOO

139
A. Canales G. Bioestadísti

Interpretación: Tal c o m o se determinó con el procedimiento manuat

coeficiente de correlación es 0 , 8 2 .

Ejemplo 4 . 2 5 . En el ejemplo anterior, cada estudiante fue observa,d_�

individualmente en la bien c o n o c i d a situación de presiones de grupo. Bn'

esta situación, a cada grupo de sujetos se le pidió que dijeraíi,:

individualmente cuál de las líneas de un grupo tiene la misma longitud:

que una línea estándar. Todos los sujetos, excepto uno, son aliados del

experimentador, y en ciertos ensayos escogen únicamente un pareja

incorrecta. El sujeto ingenuo, que es el último al que se le pide que reporte1

su j u i c i o , tiene la oportunidad de quedarse sólo al s e l e c c i o n a r la pareja�

verdadera (inconfundible en situaciones donde no están implicada:s·!

presiones de grupo) o de "condescender" a las presiones de grup_d'j

señalado que la línea indebida forma la pareja incorrecta. La modificadóri1

de este experimento fue pagar a cada sujeto 5 0 centavos por cada juidoJ

correcto, y penalizarlo con 5 0 centavos por cada juicio incorrecto, A los�

sujetos se les dio $ 2 al empezar el experimento, en la inteligencia de que•

podían conservar el dinero que poseyeran al final de la s e s i ó n . El sujeto

ingenuo creía que el mismo acuerdo era mantenido con todos los'.

miembros del grupo que hicieron los j u i c i o s . Cada sujeto ingenio hizo lá'.
ensayos "cruciales" , es decir, 12 ensayos en los que los aliados:

unánimemente escogieran la línea indebida c o m o la correcta. De esti

manera, cada sujeto engañado podía "condescender" hasta 12 veces.

Como parte del estudio los investigadores desearon saber si 11!

c o n d e s c e n d e n c i a en esta situación está correlacionada con la b ú s q u e d a

de p o s i c i ó n social, medida por la escala descrita anteriormente.

21
Estudiante Nº de Búsqueda de RdeYl Rde d1 d

concesiones (Yl) posición social (YZ) YZ

A o 42 1,5 3 -1,5 2,25 .

B o 46 1,5 4 -2,5 6,25,

e 1 39 3,5 2 1 ,5 2,25 -

D 1 37 3,5 1 2,5 6,25

E 3 65 5 8 - 3,0 9,00

F 4 88 6 11 - 5 ,0 25,00

G 5 86 7 10 -3,0 9,00

H 6 56 8 6 2 ,0 4,00

I 7 62 9 7 2,0 4,00

J 8 92 10,5 12 -1,5 2,25

K 8 54 10,5 5 -5,5 30,25

L 12 81 12 9 3 ,0 9,00

n = 12

140
 Canales G. Bioestadistica

En la variable Yl hay tres valoraciones que se repite, por lo tanto:

3 3 3
""' - (2 2) + (2 - 2) + (2 - 2) -
L Tx - - 1,5
12

En la variable Y2 no hay dos medidas repetidas, por lo tanto:

ITy= o

Por lo tanto.
123 12)
C - - 1 0 9 50 - 1 5 O
6 1 1 175
r - ----0615
s - - 284 49 - '
123 12
J[ i - 2(1,5)] [(123 - 12)/6 - 2(0)]

4.6 CONCORDANCIA: CORRELACIÓN DE RANGOS ENTRE MUCHAS

VARIABLES

El concepto de correlación entre dos variables no paramétricas, puede ser

ampliado hasta considerar una asociación entre más de d os . Este tipo de

asociación se mide no paramétricamente por un estadístico conocido

como El coeficiente de concordancia de Kendall.

Tal media puede ser particularmente útil en estudios de confiabilidad

entre pruebas y también tiene aplicaciones en estudios de agrupamientos

de variables.

estudios de confiabilidad entre pruebas y también tiene aplicaciones en

estudios de agrupamientos de variables.

Ejemplo 4.26. Se presenta datos de tres variables (longitud de ala,

longitud de cola, longitud de p i c o ) .

Longitud de alas Longitud de cola Longitud de pico

�ve(i)
(cm) (cm) (mm)

Dato Rango Dato Rango Dato Rango

1 10,4 4 7,4 5 17 5,5

2 10,8 8,5 7,6 7 17 5,5

3 11,1 10 7,9 11 20 9,5

4 10,2 1,5 7,2 2,5 14,5 2

5 10,3 3 7,4 5 15,5 3

6 10,2 1,5 7,1 1 13 1

7 10,7 7 7,4 5 19,5 8

8 10,5 5 7,2 2,5 16 4

9 10,8 8,5 7,8 9,5 21 11

10 11,2 11 7,7 8 20 9,5

11 10,6 6 7,8 9,5 18 7

12 11,4 12 8,3 12 22 12
M = 3

n = 12

Sin corrección por los datos empatados:

.L Rf - (_¿ R¡)2

w = ----,-----=---·

2 2 2)
(14,5 + 21 + ... + 36 - -"---------,----'-·

W=------------------��---

2
(5738,5) C �1)2
W = 1
_ 5
_ 4
_ 4
_ 4 _

-:rz

1175,5
W = - - = 0913
1

1287

H o : No hay a s o c i a c i ó n entre las tres variables

H 1 : Hay asociación entre las tres variables

X; = M(n - 1)W

X; = (3)(12 - 1)(0,913)

X; = 30,129

gl= 1 1

Para hallar el valor crítico, usar la tabla de Chi cuadrado

X6.os,11 = 19,675

Entonces rechazamos Ho, p o r lo tanto hay asociación entre las variables.

Ejemplo 4 . 2 8 . Datos de una encuesta a tres niños sobre el rango de la

palatabilidad de seis sabores de helados. Se desea saber si los tres

evaluadores llegan a la m i sm a conclusión.

H o : N o hay un acuerdo entre los tres evaluadores

H l : Hay un acuerdo entre l o s tres evaluadores

 Canales G. Bioestodisiico

Sabores (i)
Niño
1 2 3., 4 5 6

1 5 1 3 2 4 6

2 6 2 3 1 5 4

3 6 3 2 1 4 5

I; Rango (R¡) 17 6 8 4 13 15 .E Ri = 63

n = 6

La fórmula ha aplicar e s :

L R? - (¿ R ¡ ) 2
W = i n
2 3
M (n - n)

12

172 + 62 + 82 + 42 + 132 + 1 5 2 - 632

6
W=---------------
3 2 ( 6 3 - 6)

12

137,5
W = - 5 = 0,873
1 7, 5

X ; = M(n - l)W

X; = ( 3 ) ( 6 - 1 ) ( 0 , 8 7 3 )

X ? = 13,095

Usando la Tabla D, (X\) o.os.s.s = 7,000

Por lo tanto, rechazamos Ho

4. 7 PROBLEMAS PROPUESTOS

1. Analice mediante ANDEVA y haga una breve interpretación

científica de los resultados, de los siguientes ejemplos:

a) Cuadro: Datos de peso (g) de c o n e j o s con tres dietas (1 = alfalfa; 2

= Pasto natural y 3 = Zanahoria), durante seis m e s e s .

143
./l. Canales G

Meses 1 2 3

Enero 3.00 300 300

Febrero 450 430 470

Marzo 561 520 580

Abril 671 630 670

Mayo 890 700 920

Junio 1100 950 1300

b) Alimento consumido (kg)/día por venado adulto capturado en

diferentes m e s e s .

Febrero Mayo Agosto Noviembre

4,7 4,6 4,8 4,9

4,9 4,4 4,7 5,2

5,0 4,3 4,6 5,4

4,8 4,4 4,4 5,1

4,7 4,1 4,7 5,1

4,2 4,8 5,6

c) Se llevo a cabo un experimento para investigar la eficacia de cinco

materiales aislantes. Se probaron cuatro muestras de cada

material con un nivel elevado de voltaje para acelerar el tiempo

de falla. Los tiempos de falla ( en minutos) son los datos que se

muestran.

Material Tiempo de falla (minutos)

1 110 157 194 178

2 1 2 4 18

3 880 1250 5276 4355

4 495 7040 5307 10,050

5 7 5 2
 Bioestadistica

d]. El porcentaje de la concentración de madera dura en la pulpa

bruta, la presión de la cuba y el tiempo de cocción de la pulpa se

investigan en cuanto a sus efectos sobre la resistencia del papel.

Se seleccionan tres niveles de la concentración de madera dura,

tres niveles de la presión y dos tiempos de cocción. Se lleva a cabo

un experimento factorial con dos réplicas, obteniéndose los

siguientes datos

%1 de la Tiempo de cocción 3 horas Tiempo de cocción 4 horas

concentración Presión Presión

de madera dura 400 500 650 400 500 650

196,6 197,7 199,8 198,4 199,6 200,6

2
196,0 196,0 199,4 198,6 200,4 200,9

198,5 196,0 198,4 197,5 198,7 199,6

4
197,2 196,9 197,6 198,1 198,0 199,0

197,5 195,6 197,4 197,6 197,0 198,S

8
196,6 196,2 198,1 198,4 197,8 199,8

Analizar l o s datos y saca conclusiones

Construir las gráficas de los residuales apropiadas

¿Bajo qué conjunto de condiciones debería operarse este proceso?

¿porqué?

2, Calcule los valores de la ecuación lineal, interprete los resultados

brevemente.

Altitud
2)
Nº e s p e c i e s de plantas (5 m
(msnm)

3500 18 17 19 18

3600 16 16 18 19

3700 16 15 17 18

3800 15 14 15 16

3900 14 13 12 12

4000 12 11 12 10

4100 10 9 9 8

145
/l. Canales G.

3. Determine el grado de asociación de los siguientes datos de peso

(g) y talla (cm) de trucha arco iris de 1 año de edad.

Peso (g) Talla (cm)

500 27,5

510 28,2

515 28,8

520 30,2

521 30,3

525 32,2

527 33,4

539 35,4

540 37,2

550 38,6
 Canales G. Bioesuuiistic«

CAPlTULOV

PRUEBAS NO PARAMÉTRICAS

2)

5 . 1 . JI CUADRADO (X
2)

5 . 2 . TABLA DE CONTINGENCIA (X

5 . 3 . KRUSKAL WALLIS (H)

5.4. MANN WHITNEY (U)

5 . 5 . FRIEDMAN TWO WAY (U)

5 . 6 . PROBLEMAS PROPUESTOS

Una prueba no paramétrica, es aquella cuyo modelo no especifica l a s .

condiciones de los parámetros de la población de la que se obtuvo la

muestra.

Las pruebas no paramétricas, solo requiere el supuesto de i n d e pe n d e nc i a

de datos, debido a que trabaja con variables discretas o merístícas,

pudiendo ser cualitativas, ordinales y nominales. Este tipo de variables

para su medición, no requieren el uso de equipos o instrumentos para

registrarlos, sólo utilizamos los sentidos o la propia observación visual

directa.

Criterios para la elección de una prueba estadística:

a) La potencia de la prueba; b) La aplicabilidad del m o d e l o estadístico en

que se basa los datos de investigación; e) Potencia eficiencia, y d) El nivel

de medida logrado en la investigación. Una prueba estadística

paramétrica es más eficaz cuando se reúnen todas las suposiciones de su

modelo estadístico y al medir las variables analizadas por lo menos con

una escala de intervalo.

Sin embargo, aun cuando se satisfacen todas las suposiciones de la prueba -

p a r a m é t r í c a acerca de la población, los requerimientos de fuerza y de

medición, el concepto de potencia-eficiencia nos señala que, al aumentar

apropiadamente el tamaño de la muestra p o d e m o s usar una prueba no

paramétrica en lugar de una paramétrica sin perder potencia para

rechazar Ho.

147
.i-1. Canales G.

En muchas de las pruebas no paramétricas que presentaremos, los datos·

pasan de puntajes a rangos y aun a signos. Tales métodos pueden dar lugar

a críticas como, "no se usa toda la información de la muestra" o

desperdicia información".

Estas o b j e c i o n e s tienen la m i s m a respuesta que las siguien t es pre guntas: ·

a) D e los métodos d i s p o n i b l e s , paramétricas y no param é tricas , ¿ Cuál usa

la in f o rmación de la muestra de manera má s apropiada ? b) ¿Qué

i m portancia se da a las conclusiones de la investigación , se apli quen en

g e n eral y no a p o b l a c i o n e s con distribuciones normales ? .

La respuesta a la primera pregunta depende del nivel de medida lograd ·

en la investigación y del conocimiento que el investigador tenga de

p o b l a c i ó n . Si la medida es más débil que de · una escala de intervalo.j

empleo de pruebas paramétricas, "agregaría información" , crearí

distorsiones que pueden ser tan grandes y da ñ i nas como las o c a s í o n a da j

por " desperdiciar i nformac i ón ", lo que sucede al co n vertir l o s pun t a j e s e

ran g os .

Además, los supuestos que deben hacerse para justificar el uso d

pruebas paramétricas suelen descansar en conjeturas y deseos, porqu

casi invariablemente se carece de conocimiento acerca de los parámetro

de la población. Finalmente, para algunas distribuciones de poblacíones

la prueba bioestadística no paramétrica es claramente superior

potencia a la paramétrica.

a.- Las ventajas de las pruebas no para métricas ;:.,;

1. Las declaraciones de probabilidad obtenidas de la mayoría de Ias}1

1

pruebas bioestadísticas no paramétricas, son probabilidadesf

exactas ( excepto en el caso de muestras grandes, qu ':'..

proporcionan excelentes aproximaciones).

2. Si los tamaños de las muestras son tan pequeños como N = 6, Q

hay alternativa de elección de una prueba bioestadística n ·

paramétrica, a menos que se conozca exactamente la naturale ·

de la distribución de la población.

3. Hay pruebas bioestadísticas no paramétricas adecuadas par

observaciones hechas en poblaciones diferentes.

148
 Canales G. Bioestadistica

4. Las pruebas no p a r a m é t r í c a s , son útiles para los datos inherentes

a los rangos como datos cuyos puntajes aparentemente

numéricos tienen fuerza de rangos.

5. Los métodos no paramétricas, son útiles para los datos

simplemente clasificatorios, medidos en una escala nominal.

6. Las pruebas bíoestadísticas no paramétricas, son típicamente

mucho más fáciles de aplicar que las pruebas paramétricas.

b> Desventajas de las pruebas bioestadistica no paramétricas

1. Si todos los supuestos del modelo bioestadística paramétrico son

satisfechos realmente p o r los datos, y si la medida tiene la fuerza

requerida, las pruebas bioestadísticas no paramétricos disipan

los datos. El grado de desperdicio se expresa por la potencia -

eficiencia de la prueba no paramétrica.

2. Hasta ahora no hay métodos no paramétricos para probar las

interacciones dentro del modelo de análisis de varianza, a menos

que se hagan s u p o s i c i o n e s especiales acerca de la aditividad.

Otra objeción a los métodos no paramétricos, es que las pruebas y sus

cuadros de valores significativos se hallan muy dispersas en diversas

publicaciones, muchas de ellas altamente especializados, y por

consiguiente han sido relativamente inaccesibles a los científicos de la

conducta.

Existe una gran cantidad de pruebas no paramétricas como s o n :

2

Regresión y correlación no paramétricas, X Kruskal Wallis, Tabla de

Contingencia, Mann Whitney, Kolomogorov Smirnov, G, Wilcoxon,

Friedman Two Way entre otros muchos.

2)

5 . 1 . JI CUADRADO (X
2

Conocidas también como pruebas de bondad de ajuste (X ). Es muy ·

común tratar de probar si los valores observados experimentalmente (O),

están de acuerdo con los valores esperados (E) conforme a una teoría
2
determinada. La prueba x es aplicable a una serie de situaciones en d o n d e

hacen conteos y en donde los datos no obedecen a la distribución normal

y a los métodos que se conoce como bioestadística paramétrica.

149
.r1. Canales G.

Las pruebas de X son por tanto conocidas una modalidad no paramétrica.

La prueba de X2, es frecuentemente aplicada en estudios de biología.

Ejemplos: "!

1. En todos los animales la relación del sexo es 1 : 1, es decir, la mitad son,

hembras y la mitad son machos. Si en un muestreo de sexos en 20'1]

animales no hay 1 0 0 hembras y 1 0 0 machos, sino, por ejemplo, hfíf!

1 1 O hembras y 9 0 machos al investigador le interesa probar si la falta

de concordancia entre lo experimental y lo teórico o b e d e c e a causa

del azar o del muestreo, o si tales desviaciones o b e d e c e n a o . ·

causas, esto si no se cumple la relación 1 : 1 .

2. En la generación F2 de un monohibrido, la relación fenotípica,

teórica debe ser 3 : 1 . Si esta relación no se manifiesta, el genetistai

2

dispone de la prueba de X , una herramienta estadística, partl

desechar o aceptar su hipótesis. ·

3. En un dihidrido, cuando los caracteres son independientes, l�

relación fenotípica debe ser 9 : 3 : 3 : 1 , las desviaciones de esta relacíóa]

p u e d e n deberse al azar, a la casualidad, y errores del muestreo o al

tamaño de la muestra, pero también puede deberse a que los genes;

no sean independientes y presenten ligamiento factorial y por Ioil

tanto, no se manifiesta la relación 9 : 3 : 3 : 1 .

4. Las desviaciones entre los experimentales y lo teórico, al arrojar ..

2•

monedas, datos, otros, se prueban mediante la X ·

La fórmula que se aplica para la X , es la siguiente:

xz = ¿(fo.- fe)z

fe

Donde: = sumatorias de las frecuencias

f o = frecuencia observada

f e = frecuencia esperada

o también se puede representar así:

2
(Oíj - E i j )
xz =
II Eij

150
 A. Canales G. Bioestadis tica

·Doride: Oij es el número observado de casos clasificados en la fila y de la

columna j, y Eij es el número de casos esperados conforme a H o que

clasificarían en la fila y de la columna j.

2
Los valores de x dados p o r la formula, s o n distribuidos aproximadamente
2
como X con g l = ( r - 1 ) ( k - 1 ) , d o n d e r e s el número de filas y k es el número

de columnas.

Para encontrar la frecuencia esperada para cada celdilla (Eij), se

multiplican l o s d o s datos totales marginales comunes p o r una celdilla

particular y se divide este producto por el número total de casos, N.

Ejemplo 5.1. Proporción de la población F2 de un monohibrido de

chícharo, presentado por M e n d e l en 1 8 6 5 .

Semillas Observado Relación Relación teórica

Experimental teórica En 8 0 2 3 (fe)

(fo)

Amarillas 6022 3 6017,25

Verdes 2001 1 2005,75

Suma(n) 8023 4 8023,00

Considerando la frecuencia relativa o probabilidad, y llamando n al

tamaño de la muestra, el número teórico esperado (E) de cada clase o . : ..

categoría se calcula con la expresión.

3
Frecuencia teórica esperada (E) = x 8023 = 6017,25
4
2•
Análisis completo de datos aplicando X

Cuadro 5 . 1 . Análisis de datos con prueba b o n d a d de ajusteX'] de 1 0 0

colores de flores con una proporción hipotética de 3 : 1 = 4.

Frecuencias Color de flores N

Amarillas Rojas

fo 84 · 16 100

fe (75) (25)

15]
A. Canales G.

Flores am a r i l l as : (fe) = � x 1 0 0 = 75
4

3
F l o r e s rojas: (e) = x 1 0 0 = 25
1

GL = v = k-1 = 2 1 = 1

2 2 2
X2c = ¿(fo-fe) = (84--75) (16-25)

fe 75 + 25

x2c = 92 + 92

75 25

2c=
X 1,08 + 3,24

x2c= 4 , 3 2

X2tab = 3,841

Interpretación: Existe diferencia significativa entre la proporción 3:1"

decolores de plantas Amarillas y Rojas (X'cal ( 0 , 0 5 ) = 3 , 2 4 0 ; GL = 1; X2tao

( O . O S ) = 3,841.

e¡

Ejemplo 5.2. Muestreo de población de fl o r e s de rosas que¡

;
hipotéticamente tienen una proporción de 9 : 3 : 3 : 1 . '::,

•
.

Frecuenci Colores
o; ¡
as Amarillo Rojos Granate Rosadas n •..

+.

fo 152 39 53 6 2 5 ff · ..
'1

r,=

fe (140,625) e4 6 , 8 7 5 ) (46,8750) (15,6250)

V = k - 1 = 3

2
¿(fo-fe)
x2 =
fe

2 2 2 2
x2 = (11,375) + (7,875) + (6,125) + (9,625) = 8 972

146,625 46,875 46875 15,6625 '

X2tab ( 0 0 5 ) ( 3 ) = 7 , 8 1 5

Interpretación: Existe diferencia significativa entre la proporcíó11i

9 : 3 : 3 : 1 de colores de plantas (Amarillas, Rojas, Granates y Rosadas (X'cal:

(0,05) = 8,972; G�L = 3; X'tab ( 0 , 0 5 ) = 7,815.

152
 Canales G Bioesuulistica

Ej·empfo 5.3. Datos de número de personas, para probar si las personas

altas y bajas difieren con respecto a sus cualidades como dirigentes.

H a : La altura es un factor independiente en el líder y en el adepto.

H 1 : La altura es un factor dependiente en el líder y en el adepto.

Bajo Alto Total

Líder 12 32
44
19,9 24,1

Adepto 22 14
56
16,3 14

Inclasificable 9 6
15
6,8 8,2

Tota 43 52 95

Donde los números en cursiva son las frecuencias esperadas y fueron

calculadas de la siguiente manera:

43x44 52x44 52x15

95 = 19,9; 95 = 2 4 . 1 ; 95 = 8,2

2 2 2
2 - ( 1 2 - 19,9) (32 - 24,1) . • . (6 - 8 , 2 )

X - 19,9 + 24,1 + + 8,2

xz = 3,14 + 2,59 + 1,99 + 1,65 + 0,71 + 0,59

xz = 10,67

2
X t 2,0.os= 5,99

Por lo tanto rechazamos Ha, entonces el factor altura si influye en la

proporción de líderes y adeptos.

Ejemplo 5.4. En una investigación de la naturaleza y consecuencias de la

estratificación social en una p e q u e ñ a comunidad de Estados Unidos, se

observó que los miembros de la comunidad se clasifican a sí m i s m o s en

cinco clases s o c i a l e s : I, II, I I I , IV y V. Su investigación se centró en l o s

correlatos de esta estratificación entre la juventud de la c o m u n i d a d . Una

de las predicciones fue que los adolescentes de las diferentes clases

sociales se inscribirían en diferentes cursos (preparatorio, general y

153
 ,A. Canales G.

comercial) en la secundaria. Se hizo la prueba por medio

identificación de la clase social de 390 estudiantes

determinando el curso en que se inscribió cada u n o .

Ho: L a proporción de estudiantes inscritos en los tres cursos que

ofrecen a su elección es la misma en todas las clases sociales.

Hl: La proporción de estudiantes inscritos en los tres cursos que

ofrecen difieren de una clase social a otra.

Clase social
] .
Curso Total
I y II 111 IV V

Preparatoria 23 40 16 2

8.1
}
7,3 30,3 38,0 5,4

General 11 75 107 14
207
18,6 77,5 97,1 13,8

Comercial 1 31 60 10
102
9,1 38,2 47,9 6,8
!

Total 35 146 183 26 390

,.�

x' = 69,2

g l = 3x2 = 6

X\, 0,01
= 16,81

Por lo tanto rechazamos Ho, entonces la elección del curso de i n s c r i p c i ó n ·

de los estudiantes de secundaria no es independiente de la clase social a

que pertenecen entre la juventud de la comunidad en estudio.

2).

5.2 TABLAS DE CONTIGENCIA (X

Cuando se estudian datos de una población que caracterizan a los

individuos con respecto a dos atributos observados conjuntamente, el

2
cálculo de X permite probara si dichos atributos son independientes

entre sí, o si alguno de e l l o s tiene influencia s o b r e el otro.

C a da carácter, atributo o factor p u e d e manifestar dos o más clases de

manera que los individuos de una muestra pueden ser clasificadas d.é�

acuerdo con una de las categorías o clases de cada carácter. Es decir si se

puede calcular la frecuencia teórica.

154
 Canales G.

Para lograr lo anterior es necesario hacer un Cuadro de Contingencia o

Cuadro de Doble Entrada a x b. Algunos autores, también conocen como

Tablas de Contingencia.

Factor o carácter Clases

a i = 1, .......a

b j = 1, . . . . . . . b

Cuadro 5 . 2 . Cuadro de contingencia a = 4, b = 3

Clases b1 b2 b3 �X¡

al fll f12 f13 Xl

a2 f21 X2

Xij

a3 f31 X3

a4 f41 f43 X4

�Xi Xl X2 X3 X...

Fij = (fo) = Frecuencia observada o experimental de individuos con

caracteres que varían conjuntamente.

fij (fe) Frecuencia esperada o teoría, si las características son

independientes.

Ejemplo 5 . 5 . Datos para probar la i n d e p e n d e n c i a entre sexos y color del

cabello de un muestreo en humanos i = 1, . . . 2 ; j = 1, . . . 4 b = 3 = 3

H o : El color del cabello en humanos es independiente del sexo.

H l : El color del cabello en humanos d e p e n d e n del sexo (No s o n ambos

caracteres independientes).

Sexo Color del cabello

�X¡
Negro Café Rubio Rojo

Hombres 32(29) 43(36) 16(26,67) 9(8,33) Xl = 100

Mujeres 55(58) 65(72) 64(53,33) 16(16,67) X2 = 200

I: X i Xl = 87 X2 = 108 X3 = 80 X4 = 25 X .. = 300

155
 100X87 100x108
F11 = = 29; F12 = ---= 36
300

Seguir el mismo procedimiento para calcular las demás frecuencias

esperadas.

200x87 200x25
F21 = 300- = 58; F24 = � = 16,67

Seguir el m i sm o procedimiento para calcular las demás frecuencias

esperadas.

x-. = ¿ 02ij = ¿(fo - fe)2

Eij fe

( 3 2 -- 2 9 ) 2 e43 + 36)2 c16 - 16,67)2

29 --- + 36 + ... + 16.67

X2c 0,3103 + 1,3611 + ... + 0,0267

X2c = 8 , 9 8 7

G L = ( a - 1) (b - 1) = 1 x 3 = 3

xzc 8,992 > X2(0,05(3)) = 7,815

Interpretación: Se rechaza la Ho, el color del cabello depende del sexo,

con un riego de error que tiene una p < 5 % .

El Ejemplo 5 . 6 muestra las frecuencias con que 43 especies de aves Sé

encuentran a 3000 msnm. 52 aves se encuentran a 1000 msnm. La

variable altitud es un factor que p u e d e influir en el número de especies dé

aves.

Ahora, si las frecuencias observados están estrechamente de acuerdo cor

las frecuencias esperada, las diferencias (Oij - Eji] serán por supuestc
2

pequeñas y consecuentemente el valor de X será p e q u e ñ o .

Ejemplo 5 . 6 . Frecuencias observadas y esperadas del número de aves

p o r gremios funcionales de acuerdo a la altitud (msnm). Analízados

mediante el Programa de STATGRAPHICS

 .1-l. Canales G. B ioestadistica

Granívoras 12 (19,9) 32(24,1) 44

Insectívoras 22 (16,3) 14(9,7) 36

Frugívoras 9(6,8) 6(8,2) 15

Total 43 52 95

Datos que se presentan dentro de paréntesis son las frecuencias

esperadas.

Cuadro 5 . 3 . Datos del cuadro anterior analizados mediante el programa,

2

Statgraphics con la prueba b o n d a d de ajuste de X •

Frecuencia Frecuencia Chi -

observada esperada square

12 19,9 3,136

32 24,1 2,59

22 16,3 1,993

14 19,7 1,649

9 6,8 0,712

6 8,2 0,59

2
X � 1 0 , 6 7 0 3 , gl = S; P = 0,0583232

Existe diferencia entre gremios funcionales en aves con respecto a la

altitud.

Ejemplo 5 . 7 . Se hizo un experimento para saber las proporciones de

animales sobrevivientes con un tratamiento de droga

H o : La sobrevivencia de los animales es independiente de si la droga es

administrada.

H l : La sobrevivencia de los animales está asociada con la

administración de la droga.

Muertos Vivos Total

--

. Tratado 9 15 24
--
No tratado 15 10 25

Total 24 25 49

157
 /L ( 'anales ().

xz _ n [lf11f22 f12f21 l - n/2]2

e - (C C R R
1 2 1 2)

49[1(9)(10) - (15)(15)1 - 24,5]2

xz
e
(24) (25) (24) (25)

X � = 1,662

gl = 1

xg 05.1
= 3,841

Interpretación: Entonces, aceptamos la hipótesis nula, por lo que

sobrevívencía de los animales no es influenciado por la aplicación de la

droga.

Tabla de contingencia 2x2x2

Ejemplo 5 . 8 . En el siguiente ejemplo se tiene tres filas (r) en el que están

las especies, cuatro columnas ( e ), que representa lugares geográficos, y

dos gradas (t), que representa la ausencia o presencia de una enfermedad.

Ho = La ocurrencia de la enfermedad en las especies y lugares evaluados,

son mutuamente independientes en la población muestreada.

H1 = La ocurrencia de la enfermedad en las especies y lugares evaluados,

no son mutuamente independientes en la población muestreada.

Enfermedad Presente Enfermedad Ausente Total Especies

Localidad 1 Localidad 2 Localidad 1 r = 2

Localidad 2

Especies 1 44 ( 3 8 , 8 7 5 9 ) 12 ( 1 8 , 5 4 0 8 ) 38 ( 3 1 , 5 4 0 8 ) 10 ( 1 5 , 0 4 2 5 ) Rl = 104

Especies 2 28 ( 3 2 , 8 9 5 0 ) 22 (15,6884) 20 (26,6884) 18 ( 1 2 , 7 2 8 3 ) R2 = 88

Total T1 = 106 T2 = 86 Gran

Enfermedad T o t a l = 192

Total

localidad Cl = 1 3 0 cz 62

Para calcular las frecuencias esperadas, utilizar la siguiente fórmula:

R·C.T1
fe=-l_J_
n2

158
iL Canales G-. Bioes iaclis tica

Entonces

106 * 130 * 104

__ 1_9_22-- = 3 8 , 8 7 5 9

106 * 62 * 104
1922 = 18,5408

86 * 130 * 104
31,5408

8 6 * 62 * 88
fe24 = 1922 = 12,7283

( 44 - 3 8 , 8 7 5 9 ) 2 (12 18,5408)2 (18 - 12,7283)2

2
x = 38,8759 + 18,5408 + ... + 12,7683

x2 = o,6754 + 2 , 3 0 7 5 + 1 , 3 2 2 8 + 1,6903 + o,7284 + 2 , 5 3 9 2 + 1,6762 + 2 , 1 8 3 4

x2 = 13,123

V = rct - r - e - t + 2 = (2) (2) (2) - 2 - 2 2 + 2 = 4

2
X o,os;4 = 9,488

Ho

0.01 < P < 0.025

Interpretación: Entonces rechazamos la hipótesis nula, por lo tanto la

ocurrencia de las enfermedades dependen tanto de la especie como de la

zona en laque se hizo la evaluación.

5 . 3 . KRUSKAL WALLIS (H)

El contraste de Kruskal-Wallis es la alternativa no paramétrica del

método ANDEVA, es decir, sirve para contrastar la hipótesis de que k

muestras cuantitativas han sido obtenidas de la misma p o b l a c i ó n . La

única exigencia versa sobre la aleatoriedad en la extracción de las

muestras, no haciendo referencia a ninguna de las otras condiciones

adicionales de homogeneidad de varianzas y normalidad necesarias para

la aplicación de la prueba paramétrica AND EVA

De este modo, este contraste es el que debemos aplicar necesariamente

cuando no se cumple algunas de las condiciones que se necesitan para

aplicar dicho método.

Al igual que las demás técnicas no p a r a rn é t r i c a s , ésta se apoya en el uso de

los rangos asignados a las observaciones

La hipótesis a contrastar es:

H o : Las muestras independientes son de poblaciones similares

H l : Las muestras independientes son de poblaciones diferentes

Supuestos

1. Tenemos al menos tres muestras indepe ndi e nte s, que se

s e l e c c i o n a n aleatoriamente.

2. C a d a muestra tiene al m e n o s cinco observaciones.

3. No existe el requisito de que las poblaciones tengan una

distribución normal o cualquiera otra distribución particular.

La regla para decidir si se ha de rechazar o no la hipótesis nula es la

siguiente:

Se rechaza cuando el valor de H calculada supera el valor teórico que

encontramos en la tabla de Kruskal-Wallis.

La fórmula e s :

H = [ 12 (¿(¿ R ) z ) ] - 3(N + 1)
N(N + 1) ni

En el siguiente e j e m p l o , se muestra un e j e m p l o utilizando la prueba de

Kruskal Wallis, en el que se detalla los p a s o s a seguir para hallar H .

1. Se le asigna un rango a cada dato, empezando del menor

número hasta el mayor número.

2. Si hubiera datos que se repiten ( como en el siguiente ejemplo),

se le asigna el rango que le correspondería, y luego se suma los

valores asignados a los datos, y finalmente dividirlosentre las

veces que se repite el dato.

3. S u m a r los rangos , para lue g o aplicarlos en la fó r m ula .

 Canales G. Bioesuulistica

Ejemplo 5 . 9 . Datos de abundancia de aves, en tres hábitats diferentes:

bofedal, pastizal y arenal.

Especies Bofedal Pastizal Arenal

Tinamotis nentlandii 3 (22) 2 (17,5)

Notoprocta so 1(7)

Mustixacsicolla andina 1 (7) 1 (7) 1 (7)

Troaloditas aedorn 1 (7)

Gallína,qo qallinaqo 1 (7)

Friqilus alpina 2 (17,5) 2 (17,5) 1 (7)

Ctitoeotiaoa melanoptera 2 (17,5)

Teristicus caudatus 2 (17,5)

Falco femara/is 1 (7) 1 (7)

Falco sparverius · 1 (7)

Cinclodes fuscus 4 (23,5) 2 (17,5) 2 (17,5)

Zenaida auriculata 2 (17,5) 1(7)

Rhea pennata 4 (23,5) 1(7) 1 (7)

Trinqa flavipes 6 (25)

n 9 10 6

Sumatoria de ranzos 156 106 63

2 2 2}
12 {� 1 5 6 106 63
3(25
H = (25)(25 + 1) ¿-9-+ 10 + 6 - + l)

12
H = (2704 + 1 1 2 3 , 6 + 661,5) - (78)
650

12
H = (4 4 8 9 , 1 ) - (78)
650

H = 82,876-48

Hcal = 4 , 8 7 6

Como existen rangos repetidos, se halla el factor de corrección, el m i s m o

que es calculado con la siguiente fórmula:

¿T
C = 1 - N3 - N

Donde:

m = número de grupos de rangos repetidos

t; = número de veces que el rango es repetido en i grupo.

Por lo tanto, el correcto valor de He e s :

161
 A. Canales

H
H = -
e e

Entonces el verdadero valor de He del E j e rn p l o 5 . 9 , es:

3 3 3

I: T = ( 1 3 - 1 3 ) + (8 - 8) + ( 2 - 2)

I.:; T = 2 6 9 4

Recordando que el rango 7, se repite 1 3 veces, el rango 1 7 , 5 se repite 8

veces y el rango 2 3 , 5 se repite 2 veces.

2694
e = 1 - = o,827
25

4,876
Hcal = = 5,896
01827

Interpretación: No existe diferencia de aves en los tres hábitats

evaluados (bofedal, pastizal y arenal) (He = 5 , 8 9 6 , gl = 2 , Htab cz;o.osi =5,991).

En base al ejemplo 5.9, se aplicará la prueba utilizando el Software

Infostat.

{ P·rueba de Kruskat WaWs

Caso Abundancí a

Variables j Particiones . . .
1 1
l ¡Aouna:anc;1a
Variables
2 --···---·-···----

3 2

4 2
: 1

5 2 1

6 4

7 2

8 4

9 6 'l

10 3 2

11

1 2

13 1

Real Registros: 25"'2

Al:'Jundemc:l.a Bofedal 9 2 , 67 1 , 66 2 .00

Ji.bundancia Ps8tizal 10 1.40 o. 70 1.00

 A . Canales G. Bioestadistica

Interpretación: Como p = 0,0525 se acepta Ho, de manera que la

abundancia de aves es similar en los tres hábitats evaluados.

Ejemplo 5 . 1 0 . Datos de abundancia de especies en tres hábitats: b o s q u e

primario, b o s q u e secundario, charral.

H o : La abundancia de e s p e c i e s es la m i s m a en l o s tres hábitats evaluados

H l : La abundancia de e s p e c i e s es diferente en l o s tres hábitats e v a l u a d o s .

Meses BOSQUE PRIMARIO B. SECUNDARIO CHARRAL I:R

Enero 120 140 135 130 100 100 125 115 160 180 145 130 679

(50,5) (69) (65) (60,5) (20,5) (20,5) (54,5) (43,5) (78) (85,5) (71) (60,5)

Febrero 125 160 138 125 90 95 85 (5) 79 (4) 170 160 198 160 612,5

(54,5) (78) (68) (54,5) (6,5) (11) (185) (78) (92) (78)

Marzo 137 115 118 135 110 120 115 100 155 160 150 145 669

(67) (83) (48) (65) (35) (50,5) (43,5) (20,5) (74) (78) (73) (71)

Abril 160 170 180 190 130 100 95 (8) 78 (3) 100 110 130 120 597,5

(78) (83) (85,5) (89,5) (60,5) (20,5) (20,5) (35) (60,5) (50,5)

Mayo 135 145 125 110 120 100 110 95 115 160 128 130 581,5

(65) (71) (54,5) (35) (50,5) (20,5) (35) (11) (43,5) (78) (57) (60,5)

Junio 90 110 95 100 100 68 (1) 77 (2) 100 100 98 110 101 213,5

(6,5) (35) (11) (20,5) (20,5) (20,5) (20,5) (14) (35) (27)

Julio 170 110 185 190 93 (8) 192 186 100 100 112 95 130 634

(83) (35) (87) (89,5) (91) (88) (20,5) (20,5) (40) (11) (605)

Agosto 2qo 250 200 210 110 115 102 106 102 116 110 115 669

(93,5) (96) (93,5) (95) (35) (43,5) (28,5) (30) (28,5) (47) (35) (43,5)

ER 498 510,5 512,5 509,5 236,5 258,5 267,5 153,0 368,5 455,5 434,5 451,5

ER 2030,5 915,5 1710

Determinar la igualdad y diferencia de la abundancia en los tres

hábitats.

Para este caso utilizamos la sumatoria de rangos que fueron hallados

horizontalmente, c o m o se muestra a continuación.

2 2 2]-
_ 12 ¡� ( 2 0 3 0 , 5 ) + (915,5) + (1710)
3
H - 96 (96 + 1) L 32 (96 + l)

1
H = [246411,5781] - 291
776

H e = 26,5406

Entonces la He corregida es 26,64 7

Interpretación: Existe diferencia de abundancia de e s p e c i e s en l o s tres

hábitats evaluados ( H e = 2 6 , 6 4 7, gl = 2, Htcz.o.osi = 5 , 9 9 1 ) , p u d i e n d o deberse

a la disponibilidad de alimentos, agua y otros.

168
 ../l. Canales G.

1 56

141
l

<ti
·;;¡
e

""
'O 1 28
e
;;;¡
f
n
<(

114

j ,.;¡
·
�

�
SS
·I
0.p1Ílll81'ÍO e. secundlllrio Charrnl

Hábitats

Figura 5 . 1 . Análisis de contraste para determinar diferencias de Ii

abundancia entre tres hábitats de evaluación, utilizando softwaré'

lnfostat.

D e acuerdo a la Figura 5 . 1 , la presencia de individuos entre los tres

hábitats evaluados ( b o s q u e primario, bosque secundario y charral) son

diferentes entre sí, existiendo una mayor a b u n d a n c i a en b o s q u e primario,

s e g u i d o del charra} y finalmente el b o s q u e s e c u n d a r i o .

Determinar la igualdad o diferencia de la abundancia en los

diferentes m e s e s .

1
H = ( 2 8 7 4 0 0 6 ] - 2 9 1

7 7 6

H e = 3 4 1 2 , 6 1 5 9

La H e c o r r e g i d a es 3 4 2 6 , 3 2 1

Interpretación: Existe diferencia de abundancia de e s p e c i e s durante lo:

m e s e s evaluados ( H e = 3 4 2 6 , 3 2 1 , gl = 7; H t c
7,0051
= 1 4 , 0 6 7 ) .

164
A. Canales G. Bioestadistico

164

1 l

145
i
�
J

t
,. j
·� j
,.
"O 126 1 1
_g

< t
l

107·

f
89
M A M

Meses

Figura 5 . 2 . Análisis de contraste para determinar diferencias de la

abundancia de especies entre ocho meses de evaluación.

De acuerdo a la Figura 5 . 2 , existen diferencias de la abundancia entre los

meses de junio con el resto de los meses. Así mismo hay diferencias entre

el mes de mayo y agosto, mientras que para los demás m e s e s no hay

diferencias significativas.

Si se quiere hacer una prueba numérica de contraste, se p u e d e utilizar la

prueba de contraste no paramétrica de Tukey, en el que en lugar de

utilizar las medias para contrastar, utiliza la sumatoria de rangos. Para

calcular el error estándar se utiliza la siguiente fórmula:

SE= n ¡ ( N ) ( N - 1)

12

Cuando se tiene muestras con diferentes tamaños de repeticiones, la

fórmula es:

¿T )(1 1)
S E =
(N(N
12+ l ) - 1 2 ( N - 1) nA + n8

165
Entonces para el ejemplo 5 . 1 0 , primera pregunta:

SE= = 157,582
(32(96)(97))
12

Muestras clasificadas de acuerdo a la suma de los rangos 1 2 3

Suma de rangos R¡ 915,5 1710 2030,5

El valor crítico sería: qcx, CXJ, k, o sea qo.os, CXJ, 3= 3,314

Cuadro 5.4. Análisis de contraste de Tukey para determinar el grupo

diferente en la evaluación de aves en tres hábitats.

Comparación Diferencia SE Q Qo.os, 00 , 3 Conclusión

(RB - RA)

3 vs 1 2030,5 - 915,5 = 1 1 1 5 157,582 7,076 3,314 Diferencia de

especies entre los

hábitats 3 y 1

- 3 vs 2 2030,5 1710 = 320,5 157,582 2,034 3,314 No hay diferencia

de especies entre

los hábitats 3 y 2

2 vs 1 1 7 1 0 - 9 1 5 , 5 = 794,5 157,582 5,042 3,314 Diferencia de

especies entre los

hábitats 2 y 1

Interpretación: Existe diferencia de la abundancia de especies entre los

hábitats bosque primario y bosque secundario, así como entre los

hábitats de b o s q u e primario y charral, mientras que entre los hábitats de

b o s q u e secundario y charra! no existe diferencia. Lo anterior se justifica

en que en un b o s q u e primario ante la inexistencia de perturbaciones

humanas, existe una mayor disponibilidad de alimentos, agua, los

hábitats no están degradados.

Los resultados obtenidos por la prueba de contraste de Tukey; respaldan a

los resultados obtenidos mediante la p r u e b a gráfica.

Ejemplo 5 . 1 1 . Estudio distribución vertical de mariposas en un bosque y

obtiene cinco colecciones de mariposas para cada diferente tipo de

vegetación (Herbáceo, Arbustivo y Árbol)

166
 JL Canales G-. Btoestadisüca

Ho: La abundancia de mariposas es la misma en los tres tipos de

vegetación.

H1: L abundancia de mariposas es diferentes en los tres tipos de

vegetación.

3
Números m a r i p o s a s / m de follaje

Herbáceo Arbusto Árbol

14,0(15) 8,4(11) 6,9(8)

12,1(14) 5,1(2) 7,3(9)

9,6(12) 5,5(4) 5,8(5)

8,2(10) 6,6(7) 4,1(1)

10,2(13) 6,3(6) 5,4(3)

nl = 5 n2 = 5 n3 = 5

Rl = 64 R2 = 30' R3 = 26

N = 5 + 5 + 5 = 15

2 2 2]

12 [64 30 26
H = 1sc16) s + s + s -3c16)

12
H = [ 1 1 3 4 , 4 0 0 ] - 48
240

H = 5 6 , 7 2 0 - 48

H = 8,720

H o.os. 5, 5, 5 = 5,780

0,005 < P < 0,01

Interpretación: Existe diferencia entre el número de m a r i p o s a s / m " de

follaje entre los estratos herbáceo, arbustivo y árbol ( H e =8, 7 2 9 ; Ht ro.osjjs.s.s:

= 5,780).

Ejemplo 5.12. Estudio de uso d e hábitat de ñandú en tres hábitats:

bofedal, pastizal y arenal. Se solicita a) determinar diferencias del número

tle individuos entre los hábitats evaluados, b) determinar diferencias del

número de individuos entre los meses de evaluación.

167
 V: t»

il. Canales G. LJ •• -
e,,
•
�

MESES INDIVIDUOS/HÁBITATS
"'9
BOFEDAL PASTIZAL ARENAL
r-:�
2 3 3 2 1 2
24�$
Enero 5 (47) (22,5) (35,5) 5 (47) (35,5) (22,5) (10,5) (22,5) O (3,5)

1 2 2 2 1 2 1
167,�
Febrero 4 (42,5) (10,5) (22,5) (22,5) (22,5) (10,5) (22,5) (10,5) O (3,5)

3 4 2 3 3 1 240:fi
Marzo 6 (51) (35,5) (42,5) (22,5) (35,5) (35,5) O (3,5) O (3,5) (10,5)

4 2 2 2 3
211,_sJ
Abril 4 (42,5) 5 (47) 7 (53) (42,5) (22,5) (22,5) (22,5) O (3,5) (35,5)

2 3 1 3 2 2 3 285.Ssi
,-,,:;;,'

Mavo 8 (54) (22,5) 5 (47) (35,5) (10,5) (35,5) (22,5) (22,5) (35,5)

3 2 1 1 2

Junio 6 (51) 5 (47) (35,5) (22,5) 6 (51) (10,5) (10,5) (22,5) O (3,5)
2S:i
IR 709 507 269 ·,,

.
,

Para la primera pregunta:

2 2 2]-
_ 12 [709 + 507 + 269
3
H - 54 ( 5 5 ) 18 (55)

2
H = (4 6 2 2 7 , 2 7 8 ) - 1 6 �
495

H e = 21,777

La H e corregida es 2 2 , 6 3 7

Interpretación: Hay diferencia significativa de la presencia del númetl'

de individuos en los diferentes hábitats ( H e = 2 2 , 6 3 7 , Ht cz; _

0 051
= 5,991)1

d e b i d o a que en el bofedal hay una mayor cantidad de alimentos y agua.

Para la segunda pregunta:

2 2 2 2 2 2]-
_ � [246,5 + 167,5 + 240 + 211,5 + 285,5 + 254
3(55)
H - 54(55) 9

2
H = (41935,22) - 1 6 5
495

H e = 4,435

La H e corregida es 4 , 6 1

Interpretación: No hay diferencia de la p r e s e n c i a de individuos a

largo de l o s m e s e s evaluados ( H e = 4 , 6 1 , gl = 5, Hto.os,s = 1 1 , 0 7 0 ) .

168
 A. Canales G. Bioestadistica
------ ' . --· ---·------- ...-�----·--

cuadro 5 . 5 . Análisis de Kruskal Wallis en Programa Statgraphics. Datos:

casos de enfermedades venéreas: 12 1 5 1 7 1 8 1 6 1 1 1 0 9 1 1 1 4 1 5 1 0 9 8

· 1 1 por tres localidades (Lima, Arequipa y Cusca) 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3

Tamaño de
Nivel Rango Promedio
muestreo

1 5 125,000

2 5 620,000

3 5 530,000

Prueba estadística de H = 7, 7 9 2 4 1 P = 0,020

Interpretación: Existe diferencia en los casos de enfermedades venéreas

evaluados en varones de 1 8 a 3 5 años en las localidades de Lima Arequipa

y C u s c a . Teniendo un mayor rango de promedio la ciudad de Lima,

seguido de Arequipa y luego C u s c a .

5.4. MANN WHITNEY (U)

Cuando se ha logrado p o r lo menos, una medida ordinal, la prueba de U de

Mann - Whitney puede usarse para probar 1;

\; dos grupos independientes

han sido tomados de la misma población. Es una de las pruebas no

paramétricas más poderosas y constituye la alternativa más út il ante la

pr ue b a para mé trica , cuando el investigador desea evitar l as s u p o s i c i o n e s

qu e ésta ex ige.

La fó rmula utili z ada e s :

nl(nl + 1)
U = n1n2 + - R1
2

Ej em plo 5 . 1 3 . S e presenta datos de la altura de varones y mu j eres en

centímetros.

Altura de varones Altura de Mujeres Rango de Rango de

(cm) (cm) varones Mujeres

193 175 1 7

188 173 2 8

185 168 3 10

183 165 4 11

180 163 5 12

178 6

170 9

nl = 7 nl = 5 Rl = 30 R2 = 48

169
 /l. Canales G.

n2.Cn2 + 1)
o U = n1n2 + - R
2
2

7)(S)
U = (7)(5) + C - 30
2

U = 35 + 28 -30

U = 33

U ' = n l n2 - U

U ' = (7) (5) - 33

U'=2

Ut ro.os, (7,5J = Ut ro.os) c21 (5,7J = 30

Interpretación: Entonces 3 3 > 30, por lo tanto se rechaza la hipótesis

nula (Uc = 3 3 ; gl = 5, 7; U t a o s ; ú = 3 0 ) , de manera que si existe diferencia de

la altura y/ o talla entre l o s estudiantes varones y mujeres.

Ejemplo 5 . 1 4 . En una prueba transcultural de algunas hipótesis de la

teoría del comportamiento tomadas de la teoría psicoanalítica, se estudió

la relación entre las prácticas de crianza de los niños y las costumbres 1

relacionadas con la enfermedad dentro de contextos culturales de 1

analfabetas. ·1

Ho: La ansiedad de socialización oral es igualmente severa en · las

s o c i e d a d e s sin ellas.

H l : Las s o c i e d a d e s con explicaciones de tipo oral de las enfermedades son

(estocásticamente) más altas en ansiedad de socialización oral que

sociedades que no tiene explicaciones de tipo oral de las enfermedades.

170
 A. Canales G. Bioestadistica

Sociedades Estimación de la
Sociedades con Estimación de la
sin ansiedad de
explicaciones ansiedad de
explicaciones socialización oral
de tipo oral socialización oral
de tipo oral

Lapp 13 (29,5) Marquesanos 1 7 (39)

Chamorros 12 (24,5) Dobuanos 1 6 (38)

Samoanos 1 2 (24,5) Baigas 1 5 (36)

Arapesh 10 ( 1 6 ) Kwomas 1 5 (36)

Balineses 10 ( 1 6 ) Thongas 15 (36)

Hopis 10 ( 1 6 ) Al o reses 14 ( 3 3 )

Tanalas 10 (16) Chaggas 14 ( 3 3 )

Paiutes 9 (12) Navajos 14 (33)

Chenchus 8 (9,5) Dahomeanos 1 3 (29,5)

Tetones 8 (9,5) Lesus 13 (29,5)

....Flathead 7 (5) Masaís 13 ( 2 9 , 5 )

Papagos 7 (5) Lepchas 1 2 (24,5)

Vendas 7 (5) Maorí es 12 (24,5)

Warraus 7 (5) Pukapukanos 12 (24,5)

Wogeos 7 (5) Trobrianderos 1 2 (24,5)

Ontog-Javaneses 6 (1,5) Kwakiutleños 11 (20,5)

!:R1 = 200 Manus 1 1 (20,5)

Chiricahuas 10 ( 1 6 )

Comanches 1 0 (16)

Sirionos 10 (16)

Ben as 8 (95)

Slave 8 (9,5)
--
Kurtatchis 6 (1,5)

!:Rz = 580

El rango aparece en paréntesis

, 1 6 ( 1 6 + 1)

U = (16)(23) + - 200

u'= 304

Como n, > 2 0 la determinación de la significación de un valor observado

de U se calcula mediante la siguiente fórmula:

U - n1n2

z = -;:=========2==========
Cn1)Cn2)Cn1 + n2 + 1)

12

171
.A.. Canales G. Bioestadística

Cuando la aproximación normal a la distribución muestral de U se utiliza,,,'

en la prueba de Ho, no importa el empleo de una u otra fórmula al calcular

U, porque el valor absoluto de4 z dado por la anterior fórmula, será

mismo para cualquiera de las dos. EL sigo de z depende de que haya usado

u o U', pero no así su valor.

Para el Ejemplo 5 . 1 4 :

304 _ (16)(23)
2
z =-.::===================
[( 1 6 ) ( 2 3 ) ( 1 6 + 23 + 1)
� ..;.. 12

z = 3,43

De acuerdo al Cuadro A, revela que z > 3 . 4 3 tiene una probabilidad de una �

cola conforme a Ho de p < 0 . 0 0 0 3 , menor que a = 0 , 0 1 . Por lo tanto, se

rechaza Ho y se acepta �1. Se concluye que las sociedades cort:,I

explicaciones de tipo oral de las enfermedades tienen ( estocásticamente J,;1

una mayor ansiedad de socialización oral que las sociedades sínH

explicaciones de tipo oral. .'<;
. ,,

�,
2

5 . 5 . FRIEDMANTWOWAY(X r)

Es una prueba no paramétrica de análisis de varianza, pudiendo utilizarse

en la forma de análisis de b l o q u e s aleatorios.

Cuando l o s datos de k muestras igualadas están, por lo m e n o s en una:,:

escala ordinal, el análisis de la varianza de dos clasificaciones por rangos:�

de Friedman es útil para probar hipótesis de nulidad de que las k muestras]

han sido sacadas de la misma población. Puesto que las muestras han s i d o'. J

igualadas, el número de casos es el mismo en cada una de las muestras. La -�

igualación puede hacerse estudiando el mismo grupo de sujetos en cada "'

una de las k condiciones.

El investigador p u e d e obtener varios conjuntos, compuesto cada uno

sujetos igualados, para asignar al azar un sujeto de cada conjunto a

primera condición, un sujeto de cada conjunto a la segunda c o n d i c i ó n .

La fórmula empleada es la siguiente:

X
2
r·= ba(�� l) ¿ 2
R i - 3b(a + 1)

172
A. Canales G. Bioestadistica
------,------·-------·-·-----

Ejemplo 5 . 1 5 . Peso de cerdos con 4 t i p o s de dieta

H a : El peso ganado por los cerdos es la misma en cada una de las dietas

especificadas

H 1 : El p e s o ganado por l o s cerdos no es la misma en cada una de las dietas

especificadas.

Bloques (b) Dietas (a)

1 2 3 4

1 1,5(2) 2,7(4) 2,1(3) 1,3(1)

2 1,4(2) 2,9(4) 2,2(3) 1,0(1)

3 1,4(2) 2,1(3) 2 , 4 ( 4) 1,1(1)

4 1,2(1) 3,0(4) 2,0(3) 1,3(2)

5 1,4(1) 3,3(4) 2,5(3) 1,5(2)

Suma de 8 19 16 7

Rango (Ri)

12
2 2 2 2 2 ) -
X r = ( 8 + 19 + 16 + 7 3(5)(4 + 1)
(5)(4)(4 + 1)

x2r= 0 , 1 2 ( 7 3 0 ) - 75 = 87,60 - 75 = 12,60

gl = a - 1 = 3

X2t ( O . O S ) (3) = 7,815

Interpretación: Existe diferencia en el peso ganado por los cerdos

2

alimentados con cuatro tipo de dietas (X = 1 2 , 6 , gl = 3 , X \ . o s ; 3 = 7 , 8 1 5 ) .

Ejemplo 5.16. Evaluación de individuos de aves en tres hábitats

diferentes durante 6 meses de evaluación

H a : La presencia de individuos de aves, es la misma en cada hábitat a lo

largo de los m e s e s evaluados

Hl: La presencia de individuos de aves, es diferente en los hábitats

evaluados a lo largo de los meses evaluados.

173
 A. Canales G. Bioestadísti.ca '!

}
HÁBITATS (a)
¡
; ;, '.

MESES (b) AllENAL CHARRAL BOSQUE

,)j

Enero 23 ( 1 0 ) 2 7 (14) 34 (17)

j
Febrero 25 (11,5) 30 (15,5) 3 7 (18)
,:'

Marzo 2 2 (9) 25 (11.5) 30 ( 1 5 , 5 )

,
) '
Abril 19 (6) 2 1 (7,8) 26 (13)
·
�

Mayo 15 (3,5) 1 7 (5) 2 1 (7,8) i(,

z
Junio 9 (9) 12 (12) 1 5 (3,5)

:ER 41 55,8 74,8

,,

X2r= 1659,613 "

�
x2t co,osl(2) = 5, 9 9 1 '":

Interpretación: Existe diferencia significativa de la presencia de especies ·�

en relación a los hábitats evaluados, así como durante los meses de �

2
evaluación (X = 1 6 5 9 , 6 1 3 , gl = 2, X \ o s ; z = 5 , 9 9 1 ) . 1

Ejemplo 5 . 1 7 . Datos de la concentración de grasa ( en porcentaje) en la ,;�,

leche d e ratas. Los factores experimentales son dietas (tres niveles) y '
.-;

radiación ( dos niveles)

H o : No hay un efecto del tratamiento de radiación en la cantidad de grasa ,

.

, de la l e c h e de las ratas.
, ¡

H l : Hay un efecto del tratamiento de radiación en la cantidad de grasa de

la leche de las ratas.

H o : N o hay diferencia de la concentración de grasa en la leche entre las

ratas en las tres dietas suministradas.

H l : Hay diferencia de la concentración de grasa en la leche entre las ratas

en las tres dietas suministradas.

Ho: No hay interacción de la radiación con el tipo de dieta, sobre la

concentración de grasa en la leche de las ratas.

Hl: Hay interacción de la radiación con el tipo de dieta, sobre la

concentración de grasa en la leche de las ratas.

* Los rangos se muestran en paréntesis

174
 A. Canales G. Bioes tadis tica

Tratamiento sin radiación Tratamiento con radiación

Dieta L Dieta M Dieta H Dieta L Dieta M Dieta H

12,9 (10) 14,S ( 2 1 ) 1 3 , 4 ( 16) 1 2 , 1 (4) 12,2 (5,5) 1 3 , 1 (13)

13,6 (17) 1 5 , 0 (24) 13,8 (18) 1 1 , 9 (1) 1 2 , 3 (7) 13,3 (15)

1 2 , 7 (9) 14,8 ( 2 2 , 5 ) 14,3 (20) 1 2 , 6 (8) 13,0 (11) 13,1 (13)

14,0 (19) 1 4,8 ( 2 2 , 5 ) 1 2 , 2 (5,5) 12,0 (2,5) 13,1 (13) 12,0 (2,5)

SS 90 59,S 15,S 36,S 43,S

Suma de rangos para el tratamiento sin radiación= 5 5 + 9 0 + 5 9 , 5 = 2 0 4 , 5

Suma de rangos para el tratamiento con r a d i a c i ó n = 1 5 , 5 + 3 6 , 5 + 43,5 =

95,5

Suma de rangos para la dieta L = 5 5 + 1 5 , 5 = 7 0 , 5

Suma de rangos para la dieta M = 9 0 + 3 6 , 5 = 1 2 6 , 5

Suma de rangos para la dieta H = 5 9 , 5 + 4 3 , 5 = 103

2 2
N (N + 1) 24(25)
FC = = = 3750
4 4

2 2 2 2 2 2
55 + 90 + 59,5 + 15,5 + 36,5 + 43,5
se celdas = - FC = 782,500
4

gl celdas = 6 1 = 5

2 2
204 5 1
+ 95 5 1

SCradiación = - FC = 495,0417
12

gl radiación = 2 - 1 = 1

2 2 2
70,5 + 126,5 + 103
S C ct i e t a s = - FC = 197,6875
8

gl dietas = 3 - 1 = 2

se interacción= 7 8 2 , 5 0 - 4 9 5 , 0 4 1 7 - 1 9 7 , 6 8 7 5 = 89,7708

gl i n t e r a c c i ó n = ( 1 ) ( 2 ) = 2

N(N + 1) 24(25)
CM total = = � 50,00
12

175
 Canolcs G.

Cuadro 5.6. Análisis de varianza no paramétrico.

Fuente de variación se gl

Celdas 782,5000 5

Factor A (radiación) 495,0417 1

Factor B (dietas) 197,6875 2

AxB 89,7708 2

Para la hipótesis concerniente a los efectos del factor A (radiación)

495,0417
H = SCradiación
9'9 1
MS 50,0000 = º

x�.os.i 3,841

Interpretación: Por lo tanto rechazamos Ho, entonces se concluye que el

contenido de grasa en la leche es diferente con el tratamiento con

radiación y sin radiación.

Para la hipótesis concerniente al efecto de las dietas:

scdietas 197,6875
H=---­ 3,954
Total M S 50,0000 =

x�.os.z = 5,991

Interpretación: Entonces aceptamos la Ho, por lo tanto las dietas

suministradas en la alimentación de las ratas no tienen efecto en la

concentración de grasa en la leche de las ratas.

Para la hipótesis concerniente a la interacción entre la radiación y dietas:

89,7708
H 795
Total M S 50,0000 = t.

x�.os.z = s,991

Interpretación: Por lo tanto, aceptamos Ho, entonces no hay interacción

entre el efecto de la radiación y las dietas sobre la concentración de grasa

en la leche de las ratas.

76
 .il. Canales G-. Bioes iadistica

5.6. PROBLEMAS PROPUESTOS

a) Resuelva los siguientes ejemplos, para ello aplique la prueba

bioestadística más adecuada y haga la interpretación respectiva.

Tratamiento muertos vivos Total

Tratado 9 15 24

N o tratado 15 10 25

Total 24 25 49

b) Haga una breve interpretación a cada uno de los resultados que se

encuentran dentro del cuadro. Los datos son número de especies de

plantas por m'.

Ejemplo N Chí-cuadrado GL

1 3 (7,0000) 1 1 (7,0000) 14 4,5714* 1

2 4 (8,0000) 1 2 (8,000Ó) 16 4,0000* 1

3 5 (10,0000) 15 (10,0000) 20 5,0000* 1

4 14 ( 9 , 0 0 0 0 ) 4 (9,0000) 18 5,5556 1

5 13 (8,5000) 4 (8,5000) 17 4,7647* 1

6 17 5 (11,0000) 22 6,5455* 1

(11,0000)

* Significativo

estadístico

e) Calcule las frecuencias esperadas y aplique una prueba de Cuadro de

Contingencia y realice una breve interpretación de los resultados. Los

datos s o n colores de los ojos por sexo.

Colores

Sexo Negro Café Azul Marrón Total

Macho 22 33 26 19

Hembra 45 SS 54 26

�o tal

177
A. Canales G. B ioestadis ti(Ja

d) Datos de precipitación pluvial ( en pulgadas). Utilizando estos datos

pruebe la aseveración de que los siete días de la semana . tienén

distribuciones que no s o n las mismas. Aplique la prueba no paramétrica

de Kruskal Wallis · "

<·

Lunes Martes Miércoles Jueves Viernes Sábado Domingo �l

0,05 0,44 0,14 0,04 0,04 0,1 0,05 �

0,01 0,01 0,64 0,06 0,03 0,64 0,09

0,12 0,06 0,01 0,71 0,04 0,05 0,28

1,41 0,02 0,01 0,04 0,01 0,05 0,27

0,47 0,65 0,18 0,16 0,32 0,49 0,01

:1
0,92 0,09 0,31 0,39 0,78 0,1 0,33

0,01 0,14 0,02 0,3 0,01 0,17 0,44·

0,01 0,36 0,06 0,24 0,87 0,54 0,01 , · '

j
0,03 0,11 0,27 0,09 0,04 0,4 0,23

0,01 0,05 0,08 0,08 0,27 0,49 0,21

.

0,11 0,03 0,06 0,14 0,71 0,05 0,21

0,01 0,01 0,64 0,02 0,12 0,07 1,28

··· 1

0,49 0,02 0,08 0,01 0,11 0,18 0,01

0,01 0,01 0,12 0,01 0,01 0,04 0,02 ..

0,12 0,74 0,01 0,85 0,03 0,4 0,28.

,.

0,59 0,3 0,06 0,04 0,26 0,68 0,01.

0,01 0,02 0,24 1,48 1

0,41 0,02 0,05 0,69

0,43 0,01 0,96 0,79

e '

0,02 .
'
v ,

.
.

178
 ..1. Canales G. Bioes tadis tica

.ANEXOS

TABLA A. P R O P O R C I O N E S DE LA CURVA NORMAL (UNA COLA)

Esta tabla da la proporción de la curva normal que pertenece a una

desviación normal dada. Por ejemplo, la porporción de una distribución

normal para Z > 1 . 5 1 es 0 . 0 6 5 5 .

z o 1 2 3 4 5 6 7 8 9 z

o.o 0.5000 0.496 0.492 0.488 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641 o.o
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247 0.1

0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859 0.2

0.3 0.3821 0.3785 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483 0.3

0.4 0.3446 0.3409 0.3372 0.3316 0.3300 0.3764 0.3228 0.3192 0.3156 0.3121 0.4

0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776 0.5

0.6 0.2743 Ú.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451 0.6

0.7 0.2420 0.2389 0.2358 0.2327 0.2297 0.2266 0.2236 0.2207 0.2177 0.2148 0.7

0.8 0.2119 0.209 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867 0.8

0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611 0.9

1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379 1.0

1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170 1.1

1.2 0.1151 0.1131 0.1112 0.1093 0.1075 Q.1056 0.1038 0.1020 0.1003 0.0985 1.2

1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823 1.3

1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681 1.4

1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559 1.5

1.6 0.0548 0.0537 0.0526 0.0516 o.osos 0.0495 0.0485 0.0475 0.0465 0.0455 1.6

1.7 0.0446 0.0436 0.0427 0.0329 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367 1.7

1.8 0.0359 0.0351 0.0344 0.0262 0.0329 0.0322 0.0314 0.0307 0.0301 0.0234 1.8

1.9 o.Ó287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233 1.9

2. 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183 2.0

2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143 2.1

2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113. 0.0110 2.2

2.3 0.0107 0.0104 0.0102 0.0098 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084 2.3

2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064 2.4

2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048 2.5

2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036 2.6

2.7 0.0035 0.0034 0.0033 0.0052 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026 2.7

2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019 2.8

2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014 2.9

3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.001 3.0

3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007 3.1

3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005 3.2

3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003 3.3

3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002 3.4.

3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 3.5

3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.6

3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.7

3.8 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.8

179
A . Canales G.

TABLA B. VALORES CRÍTICOS DE D PARA LA PRUEBA DE

KOLMOGOROV SMIRNOV PARA EL SUPUESTO DE NORMALIDAD DE

DATOS

n a == 0.15 a == 0.10 a == 0.05 a == 0.025 a == 0 . 0 1

1 0.421 0.445 0.486 0.519 0.562 i

2 0.366 0.406 0.446 0.476 0.516

3 0.350 0.037 0.404 0.432 0.468

4 0.321 0.339 0.271 0.395 0.429

5 0.297 ,0.316 0.343 0.366 0.397

6 0.278 0.294 0.321 0.343 0.371

7 0.262 0.277 0.303 0.323 0.39

8 0.2-48 0.263 0.287 0.306 0.332

·
'

9 0.237 0.25 0.273 0.292 0.316

10 0.227 0.239 0.262 0.279 0.303

11 0.218 0.23 0.251 0.268 0.290

12 0.209 0.221 0.242 0.258 0.280

13 0.202 0.214 0.234 0.249 0.270

14 0.196 0.207 0.226 0.241 0.261

15 0.196 0.201 0.219 0.234 0.254

16 0.184 0.196 0.213 0.227 0.242

17 0.179 0.019 0.207 0.221 0.240,

18 0.175 0.185 0.202 0.215 0.233

19 0.171 0.180 0.157 0.210 0.226

20 0.167 0.176 0.152 0.205 0.222

21 0.163 0.172 0.188 0.201 0.218 .:

22 0.159 0.168 0.184 0.156 0.213

23 0.156 0.165 0.180 0.152 0.209

24 0.153 0.620 0.177 0.189 0,204

25 0.150 0.159 0.173 0.185 0.201

26 0.147 0.156 0.170 0.182 0.157

27 0.145 0.153 0.167 0.179 0.193

28 0.142 0.150 0.164 0.175 0.190

29 0.140 0.148 0.162 0.173 0.187

30 0.138 0.146 0.159 0.170 0.184 ·

31 0.136 0.143 0.157 0.167 0.161

32 0.134 0.141 0.154 0.165 0.179

33 0.132 0.139 0.152 0.162 0.176

34 0.130 0.137 0.150 0.160 0.173

35 0.128 0.135 0.148 0.158 0.171

36 0.126 0.134 0.146 0.156 0.169

37 0.125 0.132 0.144 0.154 0.167

38 0.123 0.130 0.142 0.152 0.164

39 0.122 0.129 0.140 0.150 0.162

40 0.120 0.127 0.139 0.148 0.160

41 0.119 0.126 0.137 0.146 0.159

42 0.117 0.124 0.136 0.145 0.157

43 0.116 0.123 0.124 0.143 '0.155

44 0.115 0.121 0.123 0.141 0.153

45 0.114 0.120 0.121 0.14 0.152

46 0 . 11 2 0.119 0.120 0.138 0.150

47 0.111 0.118 0.128 0.137 0.149

48 0.110 0.116 0.127 0.136 0.147

49 0.109 0.115 0.126 0.124 0.1.46

so 0.108 0.114 0.125 0.123 0.144

180
 Canales G. Bioesiadistica

TABLA C. VALORES CRÍTICOS DE LA PRUEBA DE AGOSTINO D PARA

NORMALIDAD DE DATOS

n a = 0.20 0.10 o.os 0.02 0.01

0.2632, 0.2513, 0.2436,

10 0.2835 0.2573, 0.2843 0.2849 0.2855 0.2379, 0.2857

0.2653, 0.2544, 0.2473,

12 0.2841 0.2598, 0.2849 0.2854 0.2859 0.2420, 0.2862

0.2669, 0.2568, 0.2503,

14 0.2848 0.2618, 0.2853 0.2858 0.2862 0.2455, 0.2865

0.2681, 0.2587, 0.2527,

16 0.2848 0.2634, 0.2855 0.2860 0.2865 0.2482, 0.2867

0.2690, 0.2603, 0.2547,

18 0.2850 0.2646, 0 . 2 8 5 5 0.2862 0.2866 0.2505, 0.2868

0.2699, 0.2617, 0.2564,

20 0.2852 0.2651, 0.2857 0.2863 0.2867 0 . 2 5 2 5 , 0.2869

0.2705, 0.2629, 0.2579,

22 0.2853 0.2670, 0.2859 0.2864 0.2869 0.2542, 0.2870

0.2711, 0.2638, 0.2591,

24 0.2853 0.2675, 0.2860 0.2865 0.2870 0.2557, 0.2871

0.2717, 0.2647, 0.2603,

26 0.2854 0.2682, 0.2861 0.2866 0.2870 0.2570, 0.2872

0.2721, 0.2655, 0.2612,

28 0.2854 0.2688, 0.2861 0.2866 0.2870 0.2581, 0.2873

0.2725, 0.2662, 0.2622,

30 0.2854 0.2693, 0.2861 0.2866 0.2871 0.2592, 0.2872

0.2729, 0.2668, 0.2630,

32 0.2854 0.2698, 0.2862 0.2867 0.2871 0.2600. 0.2873

0.2732, 0.2674, 0.2636,

34 0.2854 0.2703, 0.2862 0.2867 0.2871 0 . 2 6 0 9 . 0.2873

0.2735, 0.2679, 0.2643,

36 0.2854 0.2707, 0.2862 0.2867 0.2871 0 . 2 6 1 7 . 0.2873

0.2738, 0.2683, 0.2649,

38 0.2854 0.2710, 0.2862 0.2867 0.2871 0.2623, 0.2873

0.2740, 0.2688, 0.2655,

40 0.2854 0 . 2 7 1 4 , 0.2862 0.2867 0.2871 0.2630, 0.2874

0.2743, 0.2691. 0.2659,

42 0.2854 0.2717. 0.2861 0.2867 0.2871 0.2636, 0.2874

0.2745. 0.2695. 0.2664,

44 0.2854 0.2720. 0.2861 0.2866 0.2871 0.2641, 0.2874

0.2747, 0.2698, 0.2668,

46 0.2854 0.2722. 0.2861 0.2866 0.2871 0.2646, 0.2874

0.2749. 0.2702, 0.2672,

48 0.2854 0.2725. 0.2861 0.2866 0.2871 0 . 2 6 5 1, 0 . 2 8 7 4

0.2751. 0.2705, 0.2676,

so 0.2853 0.2727. 0.2861 0.2866 0.2871 0.2655, 0.2874

0.2557, 0.2717, 0.2692,

60 0.2852 0.2737, 0.2860 D.2865 0.2870 0.2673, 0.2873

0.2763 0.2726 0.2708

181
il. Canales G.

70 0.2851 0.2744, 0 . 2 8 5 9 0.2864 0.2869 0 . 2 6 8 7 , 0.2872

0.2768, 0.2734, 0.2713,

80 0.2850 0.2750, 0.2857 0.2863 0.2868 0.2698, 0.2871

0.2771, 0.2740, 0.2721,

90 0.2849 0.2755, 0.2856 0.2862 0.2866 0 . 2 7 0 7 , 0.2870

0.2774, 0.2745, 0.2727,

100 0.2849 0.2759, 0.2855 0.2860 0.2865 0 . 2 7 1 4 , 0.2869

0.2779, 0.2752, 0.2737,

120 0.2847 0.2765, 0.2853 0.2858 0.2863 0 . 2 7 2 5 , 0.2866

0.2782, 0.2758, 0.2744,

140 0.2846 0.2770, 0.2852 0.2856 0.2862 0.2734. 0.2865

0.2785, 0.2763, 0.2750,

160 0.2845 0.2774, 0 . 2 8 5 1 0.2855 0.2860 0.27 41. 0.2863

0.2787, 0.2767, 0.2755,

180 0.2844 0.2777, 0.2850 0.2854 0.2859 0 . 2 7 4 6 . 0.2862

0.2789, 0.2770, 0.2759,

200 0.2843 0.2779, 0.2848 0.2853 0.2857 0 . 2 7 5 1 . 0.2860

0.2793, 0.2776. 0.2767,

250 0.2841 0.2784, 0.2846 0.2850 0.2855 0.2760, 0.2858

0.2796, 0.2781, 0.2772,

300 0.2840 0.2788, 0.2844 0.2848 0.2853 0.2766, 0.2855

0.2798, 0.2784, 0.2776,

350 0.2839 0.2791. 0.2843 0.2847 0.2851 0.2771, 0.2853

0.2799, 0.2787, 0.2780,

400 0.2838 0 . 2 7 9 3 . 0.2842 0.2845 0.2849 0 . 2 7 7 5 , 0.2853

0.2801, 0.2789, 0.2782,

450 0.2837 0.2795. 0.2841 0.2844 0.2848 0.2778, 0.2851

0.2802, 0.2791, 0.2785,

500 0.2836 0.2796, 0.2840 0.2843 0.2847 0 . 2 7 8 0 , 0.2849

0.2804, 0.2794, 0.2788,

600 0.2835 0.2799, 0.2839 0.2842 0.2845 0.2784, 0.2847

0.2805, 0.2796, 0.2791,

700 0.2834 0.2800, 0.2838 0.2840 0.2844 0.2787, 0.2846

0.2806, 0.2798, 0.2793,

800 0.2833 0.2802, 0.2837 0.2839 0.2842 0 . 2 7 9 0 , 0.2844

0.2807, 0.2799, 0.2795,

900 0.2833 0.2803, 0 . 2 8 3 6 0.2838 0.2841 0 . 2 7 9 2 , 0.2843

0.2808, 0.2800, 0.2796,

1000 0.2832 0.2804, 0 . 2 8 3 5 0.2838 0.2840 0 . 2 7 9 3 , 0.2842

0.2809, 0.2803, 0.2799,

1250 0.2831 0.2806, 0.2834 0.2836 0.2839 0.2797,_ 0.2840

0.2810, 0.2805, 0.2801,

1500 0.2830 0.2807, 0.2833 0.2835 0.2837 0.2799, 0.2839

0.2811, 0.2806, 0.2803,

1750 0.2830 0.2808, 0.2832 0.2834 0.2836 0.2801, 0.2838

0.2812, 0.2807, 0.2804,

2000 0.2829 0.2809, 0 . 2 8 3 1 0.2833 0.2835 0.2802, 0.2837

182
A. Canales G. Bioestaclís tica

TABLA D. VALORES CRÍTICOS DE LA DISTRIBUCIÓN DE FRIEDMAN

X2R

a fn) b(M) a = O.SO 0.2 0.1 O.OS 0.02 0.01 0.005 0.002 0.001

3 2 3.000 4

3 3 2.667 4.667 6.000 6.000

3 4 2.000 4.5 6.000 6.500 8;000 8.000 8.000

3 5 2.800 3.6 5.200 6.400 8.400 8.400 10.000 10.000 10.000

3 6 2.330 4 5.330 7.000 8.330 9.000 10.330 10.330 12.000

3 7 2.000 3.714 5.429 7.143 8.000 8.857 10.286 1 1.1 4 3 12.286

3 8 2.250 4 5.250 6.250 7.750 9.000 9.750 12.000 12.250

3 9 2.000 3.556 5.556 6.222 8.000 9.556 10.667 11.556 12.667

3 10 1.800 3.8 5.000 6.200 7.800 9.600 10.400 12.200 12.600

3 11 1.636 3.818 4.909 6.645 7.818 9.455 10.364 11.838 12.273

3 12 1.500 3.500 5.167 6.167 8.000 9.500 10.167 12.167 12.500

3 13 1.846 3.846 4.769 6.000 8.000 9.385 10.308 11.538 12.923

3 14 1.714 3.571 5.143 6.143 8.143 9.000 10.429 12.000 13.280

3 15 1.733 3.600 4.933 6.400 8.133 8.933 10.000 12.133 12.933

4 2 3.600 5.400 6.000 6.000

4 3 3.400 5.400 6.600 7.400 8.200 9.000 9.000 9.000

4 4 3.000 4.800 6.300 7.800 8.400 9.600 10.200 10.200 11.100

4 5 3.000 5.160 6.360 7.800 9.240 9.960 10.920 11.840 12.800

4 6 3.000 4.800 6.400 z.soc 9.400 10.200 11.400 12.200 12.800

4 7 2.829 4.886 6.429 7.800 9.342 10.371 11.400 12.771 13.800

4 8 2.550 4.800 6.300 7.650 9.450 10.350 11.850 12.900 12.950

..A . Canales (1.

TABLA E. VALORES CRÍTIVOS DE LA DISTRIBUCIÓN KRUSKAL

WALLISH

nl n2 n3 a = 0.10 O.OS 0.02 0.01 0.005 0.002 0.001

2 2 2 4.571

3 2 1 4.286

3 2 2 4.500 4.174

3 3 1 4.571 5.143

3 3 2 4.556 5.361 6.250

3 3 3 4.622 5.600 6.489 7.200 7.200

4 2 1 4.500

4 2 2 4.458 5.333 6.000

4 3 1 4.036 5.208

4 3 2 4.511 5.444 6.144 6.444 7.000

4 3 3 4.709 5.791 6.564 6.745 7.318 8.018

4 4 1 7.167 4.967 6.667 6.667

4 4 2 4.555 5.455 6.630 7.636 7.282 7.855

4 4 3 4.545 5.598 6.712 7.144 7.598 8.227 8.909

4 4 4 4.654 5.692 6.962 7.654 8.000 8.654 9.269

.5 2 1 4.200 5.000

5 2 2 4.373 5.160 6.000 6.533

5 3 1 4.018 4.960 6.044

5 3 2 4.651 5.251 6.124 6.909 7.182

5 3 3 4.533 5.648 6.533 7.079 7.636 8.048 8.727

5 4 1 3.987 4.985 6.431 6.955 7.364

5 4 2 4.541 5.273 6.505 7.205 7.573 8.114 8.591

5 4 3 4.549 5.656 6.675 7.445 7.927 8.481 8.795

5 4 4 4.619 5.657 6.953 7.760 8.189 8.868 9.168

5 5 1 4.109 5.127 6.145 7.309 8.182

5 5 2 4.623 5.338 6.446 7.338 8.131 6.446 7.338

5 5 3 4.515 5.735 6.886 7.578 8.316 8.809 9.521

5 5 4 4.523 5.666 7.000 7.823 8.523 9.163 9.606

5 5 5 4.743 5.780 7.220 8.000 8.780 9.620 9.920

5 1 1 ------

5 2 1 4.200 4.822

6 2 2 4.545 5.345 6.182 6.982

5 3 1 3.909 4.855 6.236

5 3 2 4.692 5.348 6.227 6.970 7.515 8.182

6 3 3 4.538 5.615 6.590 7.410 7.872 8.628 9.346

A. Canales G. Bioestadistica

. 6 4 1 4 . 0 3 8 4.947 6 . 1 7 4 7 . 1 0 6 7 . 6 1 4

6 4 2 4.494 5 . 3 4 0 6 . 5 7 1 7 . 3 4 0 7 . 8 4 6 8 . 4 9 4 8 . 8 2 7

6 4 3 4,604 5 . 6 1 0 6 . 7 2 5 7 . 5 0 0 8 . 0 3 3 8 . 9 1 8 9 . 1 7 0

6 4 4 4 . 5 9 5 5 . 6 8 1 6 . 9 0 0 7 . 7 9 5 8 . 3 8 1 9 . 1 6 7 9 . 8 6 1

6 5 1 4 . 1 2 8 4 . 9 9 0 6 . 1 3 8 7 . 1 8 2 8 . 0 7 7 8 . 5 1 5

6 5 2 4 . 5 9 6 5 . 3 3 8 6 . 5 8 5 7 . 3 7 6 8 . 1 9 6 8 . 9 6 7 9 . 1 8 9

6 5 3 4 . 5 3 5 5 . 6 0 2 6 . 8 2 9 7 . 5 9 0 8 . 0 1 4 9 . 1 5 0 9 . 6 0 9

6 5 4 4 . 5 2 2 5 . 6 6 1 7 . 0 1 8 7 . 9 3 6 8 . 6 4 3 9 . 4 5 8 9 . 9 6 0

6 5 5 4 . 5 4 7 5 . 7 2 9 7 . 1 1 0 8 . 0 2 8 8 . 8 5 9 9 . 7 7 1 1 0 . 2 7 1

6 6 1 4 . 0 0 0 4 . 9 4 5 6 . 2 8 6 7 . 1 2 1 8 . 1 6 5 9 . 0 7 7 9 . 6 9 2

6 6 2 4 . 4 3 8 5 . 4 1 0 6 . 6 6 7 7 . 4 6 7 8 . 2 1 0 9 . 2 1 9 9 . 7 5 2

6 6 3 4 . 5 5 8 5 . 6 2 5 6 . 9 0 0 7 . 7 2 5 8.450 9 . 4 5 8 1 0 . 1 5 0

5 6 4 4 . 5 4 8 5 . 7 2 4 7 . 1 0 7 8 . 0 0 0 8 . 7 5 4 9 . 6 6 2 1 0 . 3 4 2

5 6 5 4 . 5 4 2 5 . 7 6 5 7 . 1 5 2 8 . 1 2 4 8 . 9 8 7 9 . 9 4 8 1 0 . 5 2 4

5 6 6 4 . 6 4 3 5 . 8 0 1 7 . 2 4 0 8 . 2 2 2 9 . 1 7 0 1 0 . 1 8 7 1 0 . 8 8 9

7 7 7 4 . 5 9 4 5 . 8 1 9 7 . 3 3 2 8.378 9 . 3 7 3 1 0 . 5 1 6 1 1 . 3 1 0

8 8 8 4 . 5 9 5 5 . 8 0 5 7 . 3 5 5 8 . 4 6 5 9 . 4 9 5 1 0 . 8 0 5 1 1 . 7 0 5

2 2 1 1 ------

2 2 2 1 5 . 3 5 7 5 . 6 7 9

2 2 2 2 5 . 6 6 7 6 . 1 6 7 6 . 6 6 7 6 . 6 6 7

3 1 1 1 -------

3 2 1 1 5 . 1 4 3

3 2 2 1 5 . 5 5 6 5 . 8 3 3 6 . 5 0 0

3 2 2 2 5 . 5 1 1 5 . 3 3 3 6 . 9 7 8 7 . 1 3 3 7 . 5 3 3

3 3 1 1 5 . 3 3 3 6 . 3 3 3

3 3 2 1 5 . 6 8 7 6 . 2 4 4 6 . 6 0 9 7 . 2 0 0 7 . 4 0 0

3 3 2 2 5 . 7 4 5 6 . 2 5 7 7 . 1 8 2 7 . 6 3 6 7 . 8 7 3 8 . 0 1 8 8 . 4 5 5

3 3 3 1 5 . 6 5 5 6 . 6 0 0 7 . 1 0 9 7 . 6 0 0 8 . 0 5 9 8 . 3 4 5

3 3 3 2 5 . 8 7 9 6 . 7 2 7 7 . 6 3 6 8 . 1 0 5 8 . 3 7 9 8 . 8 0 3 9 . 0 0 0

3 3 3 3 6 . 0 2 6 7 . 0 0 0 7 . 8 7 2 8 . 5 3 8 8 . 8 9 7 9 . 4 6 2 9 . 5 1 3

4 1 1 1 -------

4 2 1 1 5 . 2 5 0 5 . 8 3 3

4 2 2 1 5 . 5 3 3 6 . 1 3 3 6 . 6 6 7 7 . 0 0 0

4 2 2 2 5 . 7 5 5 6 . 5 4 5 7 . 0 9 1 7 . 3 9 1 7 . 9 6 4 8 . 2 9 1

4 3 1 1 5 . 0 6 7 6 . 1 7 8 6 . 7 1 1 7 . 0 6 7

4 3 2 1 5 . 5 9 1 6 . 3 0 9 7 . 0 1 8 7 . 4 5 5 7 . 7 7 3 7 . 1 8 2

4 3 2 2 5 . 7 5 0 6 . 6 2 1 7 . 5 3 0 7 . 8 7 1 8 . 2 7 3 8 . 6 8 9 8 . 9 0 9

4 3 3 1 5 . 5 3 2 6 . 5 4 5 . 7 . 4 8 5 7 . 7 5 8 8 . 2 1 2 8 . 6 9 7 9 . 1 8 2

4 3 3 2 5 . 8 7 2 6 . 7 9 5 7 . 7 6 3 8 . 3 3 3 8 . 7 1 8 9 . 1 6 7 8 . 4 5 5

185
A. Canales G. Bioestadis tica

4 3 3 3 6.016 6.984 7.995 8.659 8.253 9.709

-
10.016

4 4 1 1 5.182 5.945 7.091 7.909 7.909 ,J

4 4 2 1 5.568 6.386 7.364 7.886 8.341 8.591 8.909

4 4 2 2 5.808 6.731 7.75 8.346 8.692 9.269 9.462

4 4 3 1 5.692 6.635 7.66 8.231 8.583 9.038 9.327

4 4 3 2 5.901 6.874 7.951 8.621 9.165 9.615 9.945

4 4 3 3 6.019 7.038 8.181 8.876 9.495 10.105 10.467

4 4 4 1 5.554 6.725 7.879 8.588 9.000 9.478 9.757:8

4 4 4 2 5.914 6.957 8.157 8.871 9.486 10.043 10.429

4 4 4 3 6.042 7.142 8.350 9.075 9.742 10.542 10.929

4 4 4 4 6.088 7.235 8.515 9.287 9.971 10.809 Ü.338

2 1 1 1 1 ----------

2 2 1 1 1 5.785

2 2 2 1 1 6.25 6.75

2 2 2 2 1 6.6 7.133 7.533 7.533

2 2 2 2 2 8.982 7.418 8.073 8.291 8.727 8.727

3 1 1 1 1 ---------

3 2 1 1 1 6.139 6.583

3 2 2 1 1 6.511 6.800 7.400 7.600

3 2 2 2 1 6.709 7.309 7.836 8.127 8.327 8.610

3 2 2 2 2 6.955 7.682 8.303 8.682 8.985 9.273 9.364

3 3 1 1 1 6.311 7.111 7.467

3 3 2 1 1 6.600 7.200 7.892 8.073 8.345

3 3 2 2 1 6.788 7.591 8.258 8.576 8.924 9.167 9.303

3 3 2 2 2 7.026 7.910 8.667 9.115 9.474 9.769 10.026

3 3 3 1 1 6.788 7.576 8.242 8.424 8.848 9.455 9.455

3 3 3 2 1 6.910 7.769 8.590 9.051 9.410 9.769 9.974

3 3 3 2 2 7.121 8.044 9.011 9.505 9.890 10.330 10.637

3 3 3 3 1 7.077 8.000 8.879 9.451 9.846 10.286 10.549

3 3 3 3 2 7.210 8.8.2 9.267 9.876 10.333 10.838 ' 1 1. 1 7 1

3 3 3 3 3 7.333 8.333 9.467 10.200 10.733 10.267 11.667

186
_¡l. Canales G. Bioestodistica

TABLA.F. Valores críticos de la distribución de Mann Whitney U

a (2) 0.2 0.1 O.OS ·0.02 0.01 0.005 0.0002 0.001

a f1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

9 9

10 10

11 11

12 12

13 13

14 14

15 15

16 16

17 17

18 18

19 18 19

20 19 20

21 20 21

22 21 22

23 22 23

24 23 24

25 24 25

' 2 6 25 26

27 26 27

28 27 28

29 27 29

30 28 30

31 29 31

32 30 32

33 31 33

34 32 34

35 33 35

36 34 36

37 35 37

38 36 38

39 36 38 39

40 37 40 40

2 2

3 6

4 8

5 9 10

6 11 12

7 10 14

8 14 15 16

9 16 17 18

2 10 17 19 20

187
 Canales G.

O'. (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0:001
,
.

O'. (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005 . /

n1 n2

19 21 22 -- .. -- -- ..
2 11

12 20 22 23 .. .. .. .. ..

24 .. .. ..
13 22 25 26 -·

25 25 27 28 .. .. .. ..
14

25 27 29 30 .. .. .. ..
15

,
'::¡

-- .. .. ..
16 22 29 31 32
.. .. .. ..
17 28 31 32 34

30 32 36 .. .. .. ..
18 34

31 34 37 38 .. ..
19 36 ·,; ·...,
J i!

40 .. ..
20 33 36 38 39
·:::

34 37 41 42 .. .. .. .
21 39

22 36 39 41 43 44 .. ..

23 37 41 43 45 46 ..
--
i
j

24 39 42 45 47 48 -- --
.. .. /'
25 41 44 47 49 50 --

'

26 42 46 48 51 52 -- .. ..

27 44 47 50 52 53 54 -· --

28 45 49 52 54 55 56 -- --

29 47 51 54 56 57 58 .. .. :

30 48 55 55 58 59 60 ..

31 50 54 57 60 61 62 .. ..
··;

32 51 56 59 62 63 64 -- --

33 53 58 61 64 65 66 -- --
.
..

34 55 59 63 65 67 68 ..

61 64 67 69 -- ..
35 56 70

69 71 ..
36 58 63 66 72 ·-

37 59 64 71 73 -· ..
68 74
, . . .

61 66 73 75 -- ..
38 70 76
.. ..
39 62 68 71 75 76 77

40 64 69 73 77 78 79 .. ..

3 3 8 9 ·- -- -- -- ..
--

4 11 12 -- -- -- ..
--

5 13 14 15 .. .. .. ..

6 15 16 17 ..
-- .. ..

7 19 .. .. .. ..
15 20 21

19 21 22 24 -· -- -- ..
8

22 23 .. ..
9 25 26 27 -·

24 26 .. .. ..
10 27 29 30

11 26 28 30 32 .. .. ..
33

28 .. ..
12 31 32 34 35 36

13 30 33 35 37 38 39 --

14 32 35 37 40 ..
41 42 --

15 35 38 40 42 43 ·- ..
44

16 37 40 42 45 46 47 ..

17 39 42 45 47 49 50 51 ..

18 41 45 47 50 52 53 54 --

19 43 47 50 53 54 56 57 --

20 45 . 49 ..
3 52 55 57 58 60

188
A Canales G. Bioestadistica

(( (2) 0.2 0.1 o.os Q.02 0.01 0.005 0.0002 0.001

(( (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

3 21 42 52 SS 58 60 61 62 63

22 so 54 57 60 62 64 65 66

23 52 56 60 63 65 67 68 69

24 54 59 62 66 68 69 71 72

25 56 61 65 68 70 72 74 75

26 58 63 67 71 73 75 77 78

27 60 66 70 74 76 78 79 80

28 63 68 72 76 79 80 82 83

29 65 70 74 79 81 83 85 86

30 67 73 77 81 84 86 88 89

31 69 75 79 84 87 89 91 92

32 7l 77 82 87 89 91 94 95

33 75 80 84 89 92 94 96 98

34 76 82 87 92 95 97 99 101

35 78 84 89 94 97 100 102 103

36 80 87 92 97 100 103 105 106

37 82 89 94 100 103 105 108 109

38 84 91 97 102 105 108 111 112

39 86 94 99 105 108 111 113 115

40 89 96 107 107 , 111 114 116 118

4 13 15 16 -- -- -- -- --

s 16 18 19 20 -- -- -- --

6 19 21 22 23 24 -- -- --

7 20 24 25 25 28 -- -- --

8 25 27 28 26 31 32 -- --

9 27 30 32 32 35 36 -- --

10 30 33 35 35 38 39 40 --

11 33 36 38 40 42 43 44 --

12 36 39 41 43 45 46 48 --

13 39 42 44 47 49 so 51 52

14 41 45 47 so 52 53 SS 56

15 44 48 so 53 SS 57 59 60

16 47 so 53 57 59 60 62 63

17 so 53 57 60 62 64 66 67

18 52 56 60 63 66 67 69 71

19 SS 59 63 67 69 71 73 74

20 58 62 66 70 72 75 77 78

21 61 65 69 73 76 78 80 82

22 63 68 72 77 79 82 84 85

23 66 71 75 80 83 85 88 89

24 69 74 79 83 86 89 91 93

25 72 77 82 87 90 92 95 97

26 74 80 85 90 93 96 98 100

27 77 83 88 93 96 99 102 104

28 80 86 91 96 100 103 106 108

29 83 89 94 100 103 106 109 111

30 85 92 97 103 107 110 113 115

31 88 95 100 106 110 111 117 119

189
.A Canales G.

a 2 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a 1 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

4 32 91 98 104 110 114 117 120 122

33 94 103 107 113 117 120 124 126

34 96 104 110 116 120 124 127 130

35 99 107 113 120 124 127 131 133

36 102 110 116 123 127 131 135 137

37 105 113 119 126 131 134 138 141

38 107 116 122 130 134 138 142 144

39 110 118 125 133 137 141 145 148

40 113 121 129 156 141 145 149 152

5 20 21 23 24 23

6 23 25 27 28 29 30

7 24 29 30 32 34 35

8 30 32 34 36 38 39 40

9 33 36 38 40 42 45 44 45

10 37 39 42 44 46 47 49 50

11 40 43 46 48 50 52 53 54

12 43 47 49 52 54 56 58 59

13 47 50 53 56 58 60 62 63

14 50 54 57 60 63 64 67 68

15 53 57 61 64 67 69 71 72

16 57 61 65 68 71 73 75 77

17 60 65 68 72 75 77 80 81

18 63 68 72 76 79 81 84 86

19 67 72 76 80 85 86 88 90

20 70 75 80 84 87 90 93 95

21 73 79 83 88 91 94 97 99

22 77 82 87 92 96 96 102 104

23 80 86 91 96 100 100 106 108

24 84 90 95 100 104 104 110 113

25 87 93 98 104 108 108 115 117

26 90 97 102 108 112 115 119 121

27 94 100 106 112 119 120 123 126

28 97 104 110 116 120 124 128 130

29 100 107 113 120 124 128 132 135

30 104 111 117 124 128 132 136 139

31 107 115 121 128 133 136 141 144

32 110 118 125 132 137 141 145 148

33 114 122 128 136 141 145 150 153

34 117 125 132 140 145 149 154 157

35 120 129 136 144 149 153 158 161

36 124 132 140 148 153 158 163 166

37 127 136 144 154 157 162 167 170

38 130 140 147 156 161 166 171 175

39 134 143 151 160 164 170 176 179

40 137 147 155 164 169 174 180 184

6 27 29 31 33 34 34

7 29 34 36 38 39 40 42

8 35 38 40 42 44 45 47 48

190
 Bioestadistica

0.01 .
i

0.0002.¡ (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

0.0001 (1)
0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

�2
� 9 39 42 44 47 49 so 52 53
120
120 120
10 43 46 49 52 54 55 57 58
124
124 124
127
127
13] 11 47 so 53 57 59 60 62 64
127
12 51 SS 58 61 63 65 68 69
131 131
135 13 55 59 62 66 68 70 73 74
34 134
138 14 59 63 67 71 73 75 78 79
37 138
142 15 63 67 71 75 78 80 83 85

145

49 16 62 71 75 80 83 85 88 90

�-- 17 71 76 80 84 87 90 93 95

18 74 80 84 89 92 95 98 100
30
19 78 84 89 94 97 100 103 106
35
20 82 88 93 98 102 105 108 111
39

45 40

47 44 21 86 92 97 103 107 110 114 116

49 22 90 96 102 108 111 115 119 121

23 94 101 106 112 116 120 124 126

52

56 53 24 98 105 111 117 121 125 129 132

60 58 25 102 109 115 121 126 130 134 137

64 62

69 67
26 106 113 119 126 131 134 139 142
71
27 110 117 124 131 135 139 144 147
73
28 114 122 128 135 140 144 149 152
77 75
29 118 126 132 140 145 149 154 157
i
81 80
&, 30 122 130 137 145 150 154 159 163
86 84
e
90 88
9¡ 31 125 134 141 149 154 159 164 168
93
9; 32 129 138 146 154 159 164 169 173

33 133 142 150 158 164 169 174 178

97

102 99 34 137 147 154 165 169 174 179 183

10: 35 141 151 159 168 173 179 185 188

106

110 loe
1:1 36 145 155 163 172 178 184 190 194
115
37 149 159 167 177 183 188 195 499
1?
38 153 163 172 182 188 193 200 204
119

123 12 39 157 167 176 186 193 198 205 209

6,
128 12 6 40 161 172 181 191 197 203 210 214

132 130 7 7 36 38 41 43 45 46 48 49

136 135 8 40 43 46 49 so 52 54 55
-
c,s

139 9 45 48 51 54 56 58 60 61

141 10 49 53 56 59 61 63 65 67

145

150 11 54 58 61 65 67 69 71 73

154 12 58 63 66 70 72 75 77 79

158 13 63 67 71 75 78 80 83 85

14 67 72 76 81 83 86 89 91

15 72 77 81 86 89 92 95 97

16 76 82 86 91 94 97 101 103

17 81 86 91 96 100 103 106 109

18 85 91 96 102 105 108 112 115

1
19 90 96 101 107 111 114 118 120

20 94 101 106 112 116 120 124 126

21 99 106 111 117 122 125 129 132

1 22 103 110 116 123 127 131 135 138

191
 /t Canales G. Bioestaclíst:ica

a 2 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a 1 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

7 23 108 115 121 128 132 136 161 144

24 112 120 126 133 138 142 147 150

25 117 125 131 139 143 148 153 156

26 121 129 136 144 149 153 158 162

27 126 134 141 49 154 159 164 168

28 130 139 146 154 160 164 170 174

29 135 144 151 160 165 170 176 179

30 139 149 156 165 170 176 181 185

31 158 153 161 170 176 181 187 191

32 148 158 166 175 181 187 193 197

33 153 163 171 181 187 192 199 203

34 157 168 176 186 192 198 204 209

35 162 172 181 191 198 203 210 215

36 166 177 186 196 203 209 216 221

37 171 182 191 202 '208 215 222 227

38 175 187 196 204 214 220 227 232

39 180 191 201 212 219 226 233 238

40 184 196 206 217 225 231 239 244

8 8 45 49 51 55 57 58 60 62

9 50 54 _57 61 63 65 67 68

10 56 60 63 67 69 71 74 75

11 61 65 69 73 75 77 80 82

12 66 70 74 79 81 84 87 89

13 71 76 80 84 87 90 93 95

14 76 81 86 90 94 96 100 ·_ 1 0 2

15 81 87 91 96 100 103 106 109

16 86 92 97 102 106 109 113 115

17 91 97 102 107 112 115 119 122

1
18 96 103 108 114 118 122 126 129

19 101 108 114 120 124 128 132 135

1 20 106 113 119 126 130 134 139 142

I :
21 112 119 125 132 136 140 145 148

22 117 124 131 138 142 147 152 155

¡,
23 122 130 136 144 149 153 158 162

¡
24 127 135 142 150 155 159 165 168
l
1
25 132 140 147 155 161 165 171 175

1 26 137 146 153 161 167 172 177 181

27 142 151 159 167 173 178 184 188

l. 28 147 156 164 173 179 184 190 195
! -

29 152 162 170 179 185 190 197 201

1 30 157 167 175 185 191 197 203 208

¡

¡
31 162 172 181 191 197 203 210 214

32 167 178 187 197 203 209 216 221

33 172 183 192 203 209 215 223 227

34 177 188 198 208 215 222 229 234

35 182 194 203 214 221 228 235 241

36 188 199 209 220 228 234 242 247

8 37 193 205 215 226 234 240 248 254

192
A. Canales G. Bioestadística

a (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

n1 n2

8 38 198 210 220 232 240 247 255 260

39 203 215 226 238 246 253 261 267

8 40 204 221 231 244 252 259 268 273

9 9 56 60 64 67 70 72 76 76

10 62 66 80 74 77 79 82 83

11 68 72 76 81 83 86 89 91

12 73 78 82 87 90 97 96 98

16 79 84 89 94 97 100 103 106

14 85 90 95 100 104 107 111 113

15 90 96 101 107 111 114 118 120

16 96 102 107 113 117 121 125 128

17 101 108 114 120 124 128 132 168

18 107 114 120 126 131 135 139 142

19 113 120 126 133 138 142 146 150

20 118 126 132 140 144 149 154 157

21 124 132 139 146 151 155 161 164

22 130 138 145 153 158 162 168 172

23 135 144 151 159 164 169 175 179

24 141 150 157 166 171 176 182 186

25 147 156 163 172 178 183 189 193

26 152 162 170 179 185 190 196 201

27 158 168 176 185 191 197 203 208

28 164 174 182 192 198 204 211 215

29 169 179 188 198 205 211 218 222

30 175 185 194 205 212 218 225 230

31 180 191 201 211 218 224 232 237

32 186 197 207 218 225 231 239 244

33 192 203 213 224 232 238 246 251

34 -197 209 219 231 238 245 253 259

35 203 215 226 237 245 252 260 266

36 209 221 232 244 252 259 267 273

37 214 227 238 250 258 266 275 280

38 220 233 244 257 265 273 282 288

39 225 239 250 263 272 280 289 295

40 231 245 257 270 279 286 296 302

10 10 68 73 77 81 84 87 90 92

11 74 79 84 88 92 94 98 100

12 81 86 91 96 99 402 106 108

13 87 93 97 103 106 110 113 116

14 93 99 104 110 114 117 121 124

15 99 106 111 117 121 125 129 132

16 106 112 118 124 129 133 ;t. 3 7 140

17 112 119 125 132 136 140 145 148

18 118 125 132 139 153 148 153 156

19 124 132 138 146 151 155 161 164

20 130 138 145 153 158 163 168 172

10 21 137 145 152 160 166 170 176 180

193
li. Canales (}.

a (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005-

nl n2

10 22 143 152 159 167 173 178 184 188

23 149 158 166 175 180 186 192 196

24 155 165 173 182 188 193 200 204

25 161 171 179 189 195 201 207 212

26 168 174 186 196 202 208 215 220

27 174 184 193 203 210 215 223 228

28 180 191 200 210 217 223 231 236

29 186 197 207 217 224 231 238 244

30 192 204 213 224 232 238 246 252

31 199 210 220 232 239 246 254 259

32 205 217 227 239 246 253 262 267

33 211 223 234 246 254 261 269 275

34 217 230 241 253 261 268 277 283

35 223 236 247 260 268 276 285 291

36 229 243 254 267 276 284 293 309

37 236 249 261 274 283 283 300 307

38 242 256 268 281 290 290 308 315

39 248 262 275 289 298 298 316 323

10 40 254 269 281 296 105 305 324 331

11 11 81 87 91 96 100 103 106 109

12 88 94 99 104 108 111 115 117

13 95 101 106 112 116 119 123 126

14 102 108 114 120 124 128 132 135

15 108 115 121 128 132 136 141 144

16 115 122 129 135 140 144 149 152

17 122 130 136 143 148 152 158 161

18 129 137 143 151 156 161 166 170

19 136 144 151 159 164 169 175 178

20 142 151 158 167 172 177 183 187

21 149 158 166 174 180 185 191 196

22 156 165 173 182 188 222 213 204

23 163 172 190 190 196 202 208 213

24 169 179 188 198 204 210 217 222

25 176 186 195 205 212 218 225 230

26 183 194 203 213 220 226 234 239

27 190 201 210 221 228 234 242 247

28 196 208 218 229 236 243 251 256

29 203 215 225 236 244 251 259 265

30 210 222 232 244 252 259 267 273

31 217 229 240 252 260 267 276 282

32 223 236 247 260 268 275 284 290

33 230 243 255 267 276 285 293 299

34 237 250 262 275 284 292 301 307

35 244 257 269 283 292 300 309 316

36 250 265 277 290 300 308 318 325

37 257 272 284 298 308 316 326 333

38 264 279 291 306 316 324 335 342

39 271 286 299 314 323 332 343 350

11 40 277 293 306 321 331 341 351 359

 Canales G. Bioestadistica

a f2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

u[l) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

n1' n2

12 12 95 102 107 113 117 120 124 127

13 103 109 115 121 125 129 133 13 6

14 110 117 123 130 134 138 143 146

15 117 125 131 138 143 147 152 155

16 125 132 139 146 151 156 161 165

17 132 140 147 155 160 165 170 174

18 139 148 155 163 169 173 179 183

19 147 156 163 172 177 182 188 193

20 154 163 171 180 186 191 198 202

21 161 171 179 188 194 200 207 211

22 169 179 187 197 203 209 216 220

23 176 186 195 205 212 218 225 230

24 1.83 194 203 213 220 227 234 239

25 191 202 211 222 229 235 243 248

26 198 209 219 230 238 244 252 258

27 205 217 227 239 246 253 261 264

28 213 225 235 247 255 264 270 276

29 220 232 243 255 263 271 279 285

30 227 240 251 264 272 279 288 295

31 235 248 259 272' 280 288 297 304

32 242 256 267 280 289 297 307 313

33 249 263 275 289 298 306 316 322

34 257 271 248 297 306 315 325 332

35 264 279 291 305 315 323 334 341

36 271 286 299 314 323 332 343 350

37, 278 294 307 322 332 341 352 359

38 286 302 315 330 340 350 361 368

39 293 309 323 339 349 359 370 378

12 40 300 317 331 347 354 367 379 387

13 13 111 118 124 130 135 139 143 146

14 119 126 132 139 144 148 153 157

15 127 134 141 148 153 158 163 167

16 134 143 149 157 163 167 173 177

17 142 151 158 166 172 188 183 187

18 150 159 167 175 181 186 192 197

19 158 167 175 184 190 196 202 207

20 166 176 184 193 200 205 212 217

21 174 184 193 202 209 215 222 227

22 182 192 201 211 218 224 232 2237

23 190 201 210 220 227 234 241 243

24 198 209 218 229 237 243 251 256

25 205 217 227 238 246 253 261 266

26 213 225 236 248 255 262 270 276

27 221 234 244 256 264 271 280 286

28 229 242 253 265 273 281 290 296

29 237 250 261 274 283 290 300 306

30 245 258 270 283 292 300 309 316

13 31 253 267 278 292 301 309 319 326

195
A . Canales (}

a (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

11 32 260 275 287 301 310 319 329 336

33 268 283 296 310 319 328 338 346
34 276 291 304 319 329 337 348 355
35 284 299 313 328 338 347 358 365

36 292 308 321 337 347 356 367 375

37 300 316 330 346 356 366 377 385
38 308 324 338 355 365 375 387 392
39 315 332 347 363 374 385 397 405
13 40 323 341 355 372 384 394 406 415

14 14 127 135 141 149 154 161 164 167

15 136 144 151 159 164 169 174 178

16 144 153 160 168 174 179 185 189

17 153 161 169 178 187 189 195 199

18 161 170 178 187 197 199 206 210

19 169 179 188 197 203 209 216 221

20 178 188 197 207 213 219 226 231

21 186 197 206 216 223 229 237 242

22 195 206 215 215 233 240 247 253
23 203 215 224 224 243 250 258 263

24 212 223 234 234 253 260 268 274

25 220 232 243 243 263 270 278 284

26 228 241 252 264 272 280 289 295

27 237 250 261 274 282 290 299 306

28 245 259 270 283 292 300 309 316
29 254 267 279 293 302 310 320 327

30 262 276 289 302 312 320 330 337

31 271 285 298 312 321 330 340 348

32 279 294 307 321 331 340 351 358

33 287 303 316 331 341 350 361 369

34 296 312 325 341 351 360 371 379

35 304 320 334 350 361 370 382 390

36 313 329 343 360 370 380 392 400

37 321 338 353 369 380 390 402 411

38 329 347 362 379 390 400 413 451

39 338 356 371 388 400 410 423 432

40 345 364 380 398 410 420 433 442

15 15 145 153 161 169 174 179 185 189

16 154 163 170 179 185 190 197 201

17 163 172 180 189 195 201 208 212

18 172 182 190 200 206 212 219 224

19 181 191 200 210 216 223 230 235

20 190 200 210 220 227 233 241 246

21 199 210 219 230 237 244 252 257

22 208 219 229 240 248 255 263 269

23 217 229 239 251 258 265 274 280

24 226 238 249 261 269 276 285 291

15 25 235 247 258 271 279 287 296 302

196
 A . Canales G. B ioestadistica

a (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

, nl n2

15 26 244 257 268 281 290 298 307 313

· 27 253 266 278 291 300 308 318 325

28 262 276 288 301 311 319 329 336

29 271 285 297 312 321 330 340 347

30 280 294 307 322 331 340 351 358

31 288 304 317 332 342 351 362 369

32 297 313 327 342 352 362 373 381

33 306 323 336 352 363 342 384 392

34 315 332 346 362 373 383 395 403

35 324 341 356 372 383 394 406 414

36 333 351 366 382 394 404 417 425

37 342 360 375 393 404 415 428 436

38 . 351 369 385 403 415 425 439 448

39 360 379 395 413 425 436 449 459

40 369 388 404 423 435 447 460 470

16 16 163 173 181 190 196 202 204 213

17 173 183 191 201 207 213 220 225

18 182 193 202 212 218 224 232 237

19 192 203 212 222 230 236 244 249

20 201 213 222 233 241 247 255 261

21 211 223 233 244 252 259 267 271

22 221 233 243 255 263 270 279 285

23 230 243 253 266 274 281 290 296

24 240 253 264 276 285 293 302 308

25 249 263 274 287 296 304 314 320

2p 259 273 284 298 307 315 325 332

27 268 283 295 309 318 327 337 344

28 278 292 305 319 329 338 348 356

29 287 302 315 330 340 349 360 367

30 297 312 326 341 351 360 372 379

31 306 322 336 352 362 372 381 391

32 316 332 346 362 373 383 395 403

33 325 342 357 373 384 394 406 415

34 335 352 367 384 395 406 414 427

35 344 362 377 395 406 417 429 438

36 354 372 388 405 417 428 441 450

37 363 382 398 416 428 439 453 462

38 373 392 408 427 439 451 464 474

39 382 402 418 437 450 462 476 485

16 40 392 412 429 448 461 473 487 497

17 17 183 193 202 212 219 225 232 238

18 193 204 213 224 231 237 245 250

19 203 214 224 235 242 249 257 263

20 213 225 235 247 254 261 270 275

21 223 236 246 258 266 273 282 288

22 233 246 257 269 278 285 294 300

23 244 257 268 281 289 297 306 313

24 254 267 279 292 301 309 319 325

17 25 264 278 290 303 313 321 331 338

197
A. Canales G. Bioestadistu-n

a (2) 0.2 0.1 o.os .0.02 0.01 0.005 0.0002 0.001

. a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.000 1 0.0005

nl n2

17 26 274 288 301 315 324 333 343 350

27 284 299 312 326 336 345 355 365

28 294 309 322 337 348 357 368 375

29 304 320 333 349 359 369 380 388

30 314 330 344 360 371 380 392 4ÓO

31 324 341 355 371 382 392 404 413

32 334 351 366 383 394 404 417 425

33 344 362 377 394 406 416 429 438

34 354 372 388 405 417 428 441 450

35 365 383 399 417 429 440 453 462

36 375 393 410 424 440 452 465 475

37 385 404 420 439 452 464 478 487

38 395 414 431 451 464 476 490 500

39 405 425 442 462 475 487 502 512

17 40 415 435 453 473 487 499 514 525

18 18 204 215 225 236 243 250 258 263

19 214 226 236 248 255 257 271 277

20 225 237 248 26 0 268 275 284 287

21 236 248 259 272 280 288 297 303

22 246 260 271 284 292 300 310 316

23 257 271 282 296 305 313 323 329

24 268 282 294 308 317 325 336 343

25 278 293 305 320 329 338 348 356

26 289 304 317 332 341 350 361 369

27 300 315 328 344 354 363 374 382

28 310 326 340 355 366 376 387 395

29 321 337 351 367 378 388 400 408

30 331 348 363 379 390 401 413 421

31 342 359 374 391 403 413 426 434

32 353 370 386 403 415 426 438 447

33 363 382 397 415 427 438 451 460

34 374 393 409 427 439 451 464 473

35 385 404 420 439 451 463 477 487

36 395 415 432 451 464 475 490 500

37 406 426 443 463 476 488 502 513

38 416 437 454 475 488 500 515 526

39 427 448 466 486 500 516 528 539

18 40 438 459 477 498 512 525 541 552

19 19 226 238 248 260 268 361 284 291

20 237 250 261 273 281 289 298 304

21 248 261 273 286 294 302 312 318

22 259 273 285 298 307 315 325 332

23 270 285 297 311 320 329 339 346

24 282 296 309 323 333 342 352 360

25 293 308 321 336 346 355 366 373

26 304 320 333 348 359 368 379 387

27 315 331 345 361 371 381 393 401

19 , 28 326 343 357 373 384 394 406 415

198
_iL Canales G. Bioestadistica

a (2) 0.2 0.1 o.os 0.02 0.01 0.005 0.0002 0.001

a (1) 0.1 o.os 0.025 0.01 0.005 0.0025 0.0001 0.0005

nl n2

19 29 338 355 369 386 397 407 420 428

30 349 366 381 398 410 421 433 442

31 360 378 393 411 423 434 447 456

32 371 390 405 423 436 447 460 469

33 382 401 417 436 448 480 474 483

34 393 413 429 448 461 473 487 497

35 405 424 441 461 474 486 500 511

36 416 436 453 473 487 499 514 524

37 427 448 465 486 500 512 527 538

38 468 459 477 498 512 525 541 552

39 449 471 489 511 525 538 554 565

19 40 -- 482 502 523 538 551 568 579

20 20 249 262 273 286 295 303 312 319

21 260 274 286 299 308 317 326 333

22 272 276 299 313 322 330 341 348

23 284 299 311 326 335 344 355 362

24 296 311 324 339 349 358 369 377

25 307 323 337 352 362 372 385 391

26 319 335 349 365 376 386 397 405

27 331 348 367 378 389 399 411 420

28 343 360 374 391 403 413 425 434

29, 354 372 387 404 416 427 440 449

30 366 384 400 418 430 440 454 463

31 378 396 412 431 443 454 468 577

32 389 409 425 444 456 468 482 492

33 401 421 438 457 470 482 496 506

34 413 433 450 470 483 495 510 520

35 425 445 463 483 497 509 524 534

36 436 457 475 496 510 523 538 549

37 448 469 488 509 523 536 552 563

38 -- 482 501 522 537 550 566 577

39 -- 513 535 550 564 580 592

20 40 -- -- 526 548 563 577 594 606

199
i1. Canales G. Bioesiad is tica
-·---·-------·----------·

TABLA G. VALORES CRÍTICOS DE LA DISTRIBUCIÓN q

a=0.50

V k(o p) = 2 3 4 5 6 7 8 9 10

1 1.414 2.338 2.918 3.335 3.658 3.920 4.139 4.327 4.491

2 1.155 1.908 2.377 2.713 2.973 3.184 3.361 3.513 3.645

3 1.082 1.791 2.230 2.545 2.789 2.987 3.152 3.294 3.418

4 1.048 1.737 2.163 2.468 2.704 2.895 3.055 3.193 3.313

5 1.028 1.705 2.124 2.423 2.655 2.843 3.000 3.135 3.253

6 1.015 1.685 2.098 2.394 2.623 2.809 2.964 3.097 3.214

7 1.006 1.670 2.080 2.375 2.601 2.785 2.938 6.07 3.186

8 0.9990 1.659 2.067 2.359 2.584 2.767 2.920 3.051 3.165

9 0.9938 1.651 2.057 2.347 2.572 2.753 2.905 3.035 3.149

10 0.9897 1.645 2.049 2.338 2.561 2.742 2.893 3.023 3.137

11 0.9863 1.639 2.042 2.330 2.553 2.733 2.884 3.014 3.127

12 0.9836 1.635 2.067 2.324 2.546 2.726 2.876 3.055 3.118

13 0.9812 1.631 2.032 2.319 2.540 2.719 2.870 2.998 3.111

14 0.9792 1.628 2.028 2.314 2.535 2.714 2.867 2.993 3.105

15 0.9735 1.625 2.025 2.310 2.531 2.709 2.859 2.987 3.099

16 0.9760 1.623 2.022 2.307 2.527 2.705 2.855 2.983 3.095

17 0.9747 1.621 2.020 2.304 2.524 2.702 2.851 2.979 3.091

18 0.9735 1.629 2.019 2.301 2.521 2.699 2.848 2.976 3.087

19 7.9724 1.618 2.015 2.299 2.518 2.696 2.845 2.973 3.084

20 0.9715 1.616 2.013 2.297 2.516 2.693 2.842 2.970 3.081

24 0.9685 1.611 2.007 2.290 2.509 2.685 2.834 2.961 3.071

30 0.9656 1.606 2.001 2.284 2.501 2.678 2.825 2.952 3.062

40 0.9626 1.602 1.996 2.277 2.494 2.670 2.817 2.943 3.053

60 0.9597 1.597 1.990 2.270 2.486 2.662 2.808 2.934 3.043

120 0.9568 1.592 1.984 2.264 2.479 2.654 2.799 2.925 3.034

00 0.9539 1.588 1.978 2.257 2.472 2.645 2.791 2.915 3.024

V kfo n] = 11 12 13 14 15 16 17 18 19

1 4.637 4.767 4.885 4.992 5.091 5.182 5.266 5.345 5.420

2 3.762 3.857 3.963 4.049 4.129 4.203 4.271 4.335 4.395

3 3.528 3.626 3.715 3.797 3.871 3.940 4.004 4.064 4.120

4 3.419 3.515 3.601 3.680 3.752 3.819 3.881 3.939 3.993

5 3.357 3.451 3.533 3.613 3.681 3.749 3 . 8 11 3.867 3.920

6 3.317 3.409 3.493 3.569 3.639 3.704 3.764 3.820 3.873

7 3.288 3.380 3.463 3.538 3.608 3.672 3.732 3.788 3.840

8 3.267 3.358 3.440 3.515 3.585 3.648 3.708 3.763 3.815

9 3.250 3.341 3.423 3.498 3.567 3.630 3.689 3.744 3.796

10 3.237 3.328 3.410 3.484 3.552 3.616 3.674 3.729 3.781

11 3.227 3.317 3.398 3.472 3.54 3.604 3.662 3.717 3.769

12 3.219 3.308 3.389 3.463 3.531 3.592 3.652 3.706 3.757

13 3.211 3.3 3.381 3.455 3.523 3.585 3.643 3.698 3.749

14 3.204 3.297 3.375 3.448 3.515 3.578 3.636 3.690 3.741

15 3.199 3.288 3.369 3.442 3.509 3.572 3.630 3.684 3.735

16 3.194 3.283 3.364 3.436 3.504 3.567 3.624 3.678 3.729

17 3.190 3.278 3.359 3.432 3.499 3.562 3.620 3.673 3.724

18 3.186 3.274 3.355 3.428 3.495 3.558 3.315 3.669 3.719

19 3.183 2.271 3.352 3.424 3.491 3.554 3.611 3.665 3 . 71 5

20 3.179 3.268 3.348 3.421 3.488 3.550 3.608 3.661 3.712

24 3.170 3.258 3.338 3.410 3.477 3.539 3.596 3.650 3.700

30 3.160 3.248 3.327 3.400 3.466 3.528 3.583 3.639 3.688

40 3.150 3.238 3.317 3.389 3.456 3.517 3.574 3.627 3.677

60 3.141 3.228 3.306 3.378 3.444 3.505 3.562 3.615 3.665

120 3.131 3.217 3.296 3.347 3.433 3.494 3.551 3.601 3.653

= 3.121 3.207 3.285 3.356 3.422 3.482 3.538 3.591 3.640

200
A. Canales CJ. Btoesuulistica

a=0.50

V k(o n) = 20 22 24 26 28 30 32 34 36

1 5.489 5.616 5.731 5.835 5.930 6.017 6.098 6.173 6.277

2 4.451 4.554 4.646 4.730 4.807 4.878 4.943 5.004 5.061

3 4.172 4.269 4.356 4.434 4.507 4.573 4.643 4.691 4.745

4 4.044 4.138 4.222 4.298 4.368 4.432 4.492 4.547 4.599

5 3.. 97 4.062 4.145 4.220 4.288 4.352 4.410 4.464 4.515

6 3.922 4.014 4.095 4.169 4.237 4.299 4.357 4.411 4.461

7 3.889 3.979 4.060 4.133 4.200 4.262 4.319 4.372 4.422

8 3.864 3.953 4.033 4.106 4.174 4.234 4.291 4.344 4.394

9 3.844 3.933 4.013 4.086 4.152 4.214 4.27 4.323 4.372

10 3.829 3.917 3.997 4.069 4.135 4.196 4.253 4.305 4.354

11 3.816 3.904 3.984 4.056 4.122 4.183 4.239 4.291 4.340

12 3.806 3.894 3.973 4.045 4.110 4.171 4.227 4.279 4.328

13 3.797 3.884 3.964 4.035 4.101 4.162 4.218 4.269 4.318

14 3.789 3.877 3.956 4.027 4.092 4.153 4.209 4.261 4.309

15 3.783 3.870 3.949 4.020 4.085 4.145 4.201 4.253 4.302

16 3.777 3.864 3.942 4.014 4.079 4.139 4.195 4.246 4.295

17 3.772 3.859 3.937 4.009 4.073 4.133 . 4.189 4.241 4.289

18 3.767 3.854 3.932 4.003 4.069 4.128 4.184 4.236 4.284

19 3.763 3.850 3.928 3.999 4.064 4.124 4.180 4.231 4.279

20 3.759 3.846 3.995 3.995 4.600 4.120 4.175 4.227 4.275

24 3.748 3.834 3.912 3.983 4.048 4.107 4.162 4.214 4.262

30 3.736 3.822 3.899 3.970 4.035 4.094 4.149 4.200 4.248

40 3.724 3.809 3.887 3.957 4.021 4.080 4.135 4.186 4.234

60 3.711 3.797 3.874 3.944 4.008 4.067 4.121 4.172 4.220

120 3.699 3.784 3.861 3.930 3.994 4.053 4.107 4.157 4.204

= 3.686 3.771 3.847 3.916 3.979 4.037 4.091 4.141 4.188

V k(op)=20 30 40 50 60 70 80 90 100

1 6.310 6.372 6.372 6.637 6.847 7.021 7.169 7.297 7.411

2 5.115 5.165 5.165 5.379 5.550 5.69 5.810 5.914 6.006

3 4.795 4.842 4.842 5.043 5.202 5.335 5.447 5.544 5.630

4 4.647 4.693 4.693 4.888 5.043 5.171 5.280 5.374 5.458

5 4.563 4.608 4.608 4.799 4.951 5.077 5.184 5.277 5.359

6 4.500 4.552 4.552 4.741 4.891 5.016 5.121 5.213 5.294

7 4.469 4.513 4.513 4.700 4.850 4.973 5.078 5.169 5.249

8 4.440 4.484 4.484 4.671 4.819 4.941 5.045 5.136 5.215

9 4.418 4.462 4.462 4.647 4.794 4.916 5.020 5.110 5.189

10 4.400 4.444 4.444 4.629 4.775 4.897 5.000 5.090 5.169

11 4.386 4.429 4.429 4.613 4.760 4.881 4.984 5.073 5.152

12 4.374 4.417 4.417 4.600 4.747 4.867 4.970 5.059 5.138

13 4.364 4.406 4.406 4.590 4.736 4.856 4.959 5.048 5.126

14 4.355 4.397 4.397 4.581 4.726 4.846 4.949 5.037 5.116

15 4.347 4.390 4.390 4.573 4.718 4.838 4.940 5.029 5.107

16 4.340 4.383 4.383 4.566 4.710 4.831 4.932 5.021 5.099

17 4.334 4.377 4.377 4.559 4.704 4.824 4.926 5.014 5.092

18 4.329 4.372 4.372 4.554 4.698 4.818 4.920 5.008 5.086

19 4.324 4.367 4.367 4.549 4.693 4.813 4.914 5.003 5.081

20 4.320 4.363 4.363 4.545 4.689 4.808 4.910 4.998 5.076

24 4.307 4.349 4.349 4.530 4.674 4;793 4.894 4.982 5.060

30 4.293 4.335 4.335 4.515 4.659 4.778 4.878 4.966 5.044

40 4.279 4.321 4.321 4.500 4.644 4.762 4.862 4.950 5.027

60 4.264 4.306 4.306 4.485 4.627 4.745 4.845 4.932 5.009

120 4.249 4.290 4.290 4.469 4.610 4.727 4.827 4.914 4.990
co . 4.232 4.274 4.274 4.450 4.591 4.707 4.806 4.892 4.968

201
/1. Canales G. Bioesiadistica

a=0.20

V k(ó p) = 2 3 4 5 6 7 8 9 10

1 4.353 6.615 8.075 9.138 9.966 10.64 11.21 11.70 12.12

2 2.667 3.820 4.559 5.098 5.521 5.867 6.158 6.409 6.. 63

3 2.316 3 '. 2 4 5 3.833 4.261 4.597 4.872 5.104 5.305 5.481

4 2.168 3.004 3.527 3.907 4.205 4.449 4.655 4.832 4.989

5 2.087 2.872 3.358 3.712 3.988 4.214 4.405 4.570 4.715

6 2.360 2.788 3.252 3.588 3.850 4.065 4.346 4.403 4.540

7 2.001 2.731 3.179 3.503 3.756 3.962 4.136 4.287 4.419

8 1.976 2.689 3.126 3.440 3.686 3.886 4.055 4.201 4.330

9 1.956 2.658 3.085 3.393 3.633 3.828 3.994 4.136 4.261

10 1.941 2.632 3.053 3.355 3.590 3.782 3.944 4.084 4.206

11 1.928 2.612 3.027 3.325 3.557 3.745 3.905 4.042 4.162

12 1.918 2.597 3.006 3.300 3.529 3.715 3.810 4.007 4.126

13 1.910 2.582 2.988 3.279 3.505 3.689 3.844 3.978 4.095

14 1.902 2.570 2.973 3.261 3.485 3.667 3.820 3.953 4.069

15 1.896 2.560 2.960 3.246 3.467 3.648 3.800 3.931 4.046

16 l. 8 9 1 2.551 2.948 3.232 3.452 3.631 3.782 3.912 4.026

17 1.886 2.543 2.938 3.220 3.439 3.617 3.766 3.892 4.008

18 1.882 2.536 2.930 3.210 3.427 3.604 3.756 3.881 3.993

19 1.878 2.530 2.933 3.200 3.416 3.592 3.740 3.867 3.979

20 1.874 5.524 2.914 3.192 3.407 3.582 3.729 3.855 3.966

24 1.864 2.507 2.892 3.166 3.377 3.549 3.649 3.81.8 3.927

30 ,1.853 2.490 2.870 3.140 3.348 3.517 3.659 3.781 3.887

40 1.843 2.473 2.848 3.114 3 .' 3 1 8 3.484 3.624 3.743 3.848

60 1.833 2.456 2.826 3.089 3.290 3.452 3.589 3.707 3.809

120 1.822 2.440 2.805 3.063 3.260 3.420 3.554 3.669 3.770
00 1.812 2.424 2.784 3.037 3.232 3.389 3.520 3.632 3.730

k(o p) =
V 11 12 13 14 15 16 17 18 19

1 12.500 12.840 13.140 13.43 13.68 13.93 14.14 14.350 14.54

2 9.826 7.002 7.162 7.308 7.442 7.566 7.882 7.790 7.891

3 5.637 5.778 5.906 6.023 6.131 6.230 6.�23 6.410 6.491

4 5.128 2.253 5.367 5.471 5.566 5.655 5.738 5.815 5.888

5 4.844 4.960 5.066 5.162 5.251 5.334 5.411 5.482 5.550

6 4.663 4.773 4.873 4,965 5.049 5.128 5.201 5.269 5.333

7 4.537 4.643 4.739 4.827 4.908 4.984 5.054 5.120 5.181

8 4.444 4.547 4.640 4.726 4.805 4.877 4.945 5.009 5.069

9 4.372 4.473 4.564 4.647 4.724 4.796 4.862 4.924 4.982

10 4.316 4.414 4.503 4.585 4.660 4.730 4.795 4.856 4.913

11 4.270 4.366 4.454 4.534 4.608 4.677 4.741 4.801 4.857

12 4.231 4.327 4.413 4.492 4.565 4.633 4.696 4.755 4.810

13 4.199 4.293 4.379 4.457 4.529 4.596 4.658 4.716 4.770

14 4.172 4.265 7.349 4.426 4.498 4.564 4.625 4.683 4.737

15 4.148 4.240 4.324 4.400 4.471 4.536 4.597 4.654 4.707

16 4.127 4.218 4.301 4.377 4.447 4.512 4.572 4.628 4.681

17 4.109 4.199 4.282 4.357 4.427 4.490 4.550 4.606 4.659

18 4.093 4.182 4.264 4.339 4.407 4.471 4.531 4.586 4.638

19 4.078 4.167 4.248 4.323 4.391 4.454 4.513 4.569 4.620

20 4.065 4.154 4.234 4.308 4.376 4.439 4.498 4.552 4.604

24 4.024 4.111 4.190 4.262 4.329 4.391 4.448 4.503 4.552

30 3.982 4.068 4.145 4.216 4.281 4.342 4.398 4.451 4.500

40 3.941 4.025 4.101 4.170 4.234 4.293 4.348 4.399 4.447

60 3.900 3.982 4.056 4.124 4.186 4.244 4.297 4.347 4.395

120 3.859 3.938 4.011 4.077 4.138 '4.194 4.246 4.295 4.341

= 3.817 3.895 3.966 4.030 4.089 4.144 4.195 4.242 4.287

202
.A. Canales G. Bioestadistica

a=0.20

V k(o p) = 2 0 22 24 26 28 30 32 34

1 14.72 15.06 15.36 15.63 15.88 16.11 16.32 16.52

2 7.986 8.162 8.320 8.463 8.594 8.715 8.827 8.931

3 6.568 6.709 6.835 6.951 7.075 7.154 7.244 7.328

4 5.956 6.082 6.195 6.298 6.392 6.479 6.560 6.635

5 5.613 5.730 5.835 5.931 6.019 6.100 6.175 6.245

6 5.393 5.504 5.604 5.695 5.779 5.856 5.927 5.994

7 5.239 5.346 5.442 5.530 5.610 5.684 5.753 5.817

8 5.125 5.228 5.322 5.470 5.485 5.557 5.624 5.686

9 5.037 5.138 5.229 5.312 5.388 5.459 5.524 5.585

10 4.967 5.066 5.155 5.237 5.311 5.380 5.444 5.504

11 4.91 5.007 5.095 5.175 5.248 5.316 5.379 5.437

12 4.862 4.958 5.044 5.123 5.196 5.262 5.324 5.382

13 4.822 4.917 5.002 5.080 5.151 5.217 5.278 5.335

14 4.787 4.881 4.965 5.042 5.113 5.178 5.238 5.295

15 4.757 4.850 4.934 5.010 5.080 5.144 5.204 5.260

16 4.731 4.823 4.906 4.981 5.050 5.114 5.174 5.229

17 4.708 4.799 4.881 4.956 5.025 5.088 5.147 5.202

18 4.688 4.778 4.859 4.934 5.020 5.065 5.123 5.177

19 4.669 4.759 4.840 4.914 4.981 5.044 5.102 5.156

20 4.652 4.742 4.822 4.895 4.963 5.025 5.082 5.136

24 4.599 4.687 4.766 4.838 4.904 4.964 5.021 5.073

30 4.546 4.632 4.710 4.779 4.844 4.903 4.958 5.010

40 4.493 4.576 4.652 4.720 4.783 4.841 4.895 4.945

60 4.439 4.520 4.594 4.661 4.722 4.778 4.831 4.880

120 4.384 4.463 4.535 4.600 4.659 4.714 4.765 4.812

= 4.329 4.405 4.475 4.537 4.595 4.648 4.697 4.743

V k(op) =38 40 50 60 70 80 90 100

1 16.88 17.05 17.74 18.30 18.76 19.150 19.490 19.790

2 9.121 9.207 9.576 9.869 10.11 10.320 10.500 10.660

3 7.481 7.551 7.849 8.086 8.283 8.450 8.596 8.725

4 6.771 6.834 7.100 7.313 7.489 7.639 7.769 7.885

5 6.372 6.430 6.678 6.877 7.041 7.181 7.303 7.411

6 6.115 6.170 6.406 6.595 6.751 6.885 7.001 7.103

7 5.934 5.987 6.214 6.397 6.548 6.676 6.788 6.887

8 5.799 5.851 6.072 6.249 6.395 6.520 6.629 6.725

9 5.695 5.745 5.961 6.134 6.277 6.399 6.506 6.600

10 5.612 5.661 5.873 6.042 6.182 6.302 6.407 6.499

11 5.544 5.592 5.800 5.967 6.105 6.223 6.326 6.416

12 5.487 5.535 5.740 5.904 6.400 6.156 6.257 6.347

13 5.438 5.486 5.689 5.850 5.985 6.100 6.200 6.288

14 5.397 5.444 5.644 5.804 5.937 6.051 6.150 6.237

15 5.361 5.407 5.606 5.764 5.896 6.008 6.106 6.193

16 5.329 5.375 5.572 5.729 5.859 5.971 6.068 6.154

17 5.301 5.347 5.542 5.698 5.827 5.938 6.034 6.119

18 5.276 5.321 5.515 5.670 5.798 5.908 6.004 6.089

19 5.254 5.299 5.491 5.645 5.772 5.881 5.976 6.061

20 5.233 5.278 5.469 5.622 5.749 5.857 5.951 6.035

24 5.169 5.212 5.400 5.549 5.674 5.780 5.872 5.954

30 5.103 5.146 5.329 5.475 5.597 5.701 5.791 5.871

40 5.037 5.078 5.257 5.399 5.518 5.619 5.708 5.786

60 4.969 5.009 5.183 5.321 5.437 5.535 5.621 5.697

120 4.899 4.938 5.106 5.240 5.352 5.447 5.530 5.603

oo 4.826 4.864 5.026 5.155 5.262 5.353 5.433 5.503

203
A. Canales O.

a=0.10

V k(o p) = 2 3 4 5 6 7 8 9 10

1 8.929 13.44 16.36 18.49 20.15 21.31 22.64 23.62 24.48

2 4.130 5.733 6.773 7.538 8.139 8.633 9.049 9.409 9.725

3 3.328 4.468 5.199 5.738 6.162 6.511 6.806 7.062 7.287

4 3.015 3.976 4.586 5.035 5.388 5.679 5.926 6.139 6.327

5 2.850 3.717 4.264 4.664 4.979 5.238 5.458 5.648 5.816

6 2.748 3.559 4.065 4.435 4.726 4.966 5.168 5.344 5.499

7 2.680 3.451 3.931 4.280 4.555 4.780 4.972 5.137 5.283

8 2.630 3.374 3.834 4.169 4.431 4.646 4.829 4.987 5.126

9 2.592 3.316 3.761 4.084 4.337 4.545 4.721 4.873 5.007

10 2.563 3.270 3.704 4.018 4.264 4.465 4.636 4.783 4.913

11 2.540 3.234 3.658 3.965 4.205 4.401 4.568 4.711 4.838

12 2.521 3.204 3.621 3.922 4.156 4.349 4.511 4.652 4.776

13 2.505 3.179 3.589 3.885 4.116 4.305 4.464 4.602 4.724

14 2.491 3.158 3.563 3.854 4.081 4.267 4.424 4.560 4.680

15 2.479 3.140 3.540 3.828 4.052 4.235 4.390 4.524 4.641

16 2.469 3.124 3.520 3.804 4.026 4.207 4.360 4.492 4.608

17 2.460 3.110 3.503 3.784 4.004 4.183 4.334 4.464 4.578

18 2.452 3.089 3.488 3.767 3.984 4.161 4.311 4.440 4.554

19 2.445 3.087 3.474 3.751 3.966 4.142 4.290 4.418 4.531

20 2.439 3.078 3.462 3.736 3.950 4.124 4.271 4.398 4.510

24 2.420 3.047 3.423 3.692 3.900 4.070 4.213 4.336 4.445

30 2.400 3.017 3.386 3.648 �.851 4.016 4.155 4.275 4.381

40 2.381 2.988 3.349 3.050 3.803 3.963 4.099 4.125 4.312

60 2.363 2.959 3.312 3.562 3.755 3.911 4.042 4.155 4.254

120 2.344 2.930 3.276 3.520 3.707 3.859 3.987 4.096 4.191
oo 2.326 2.902 3.240 3.478 3.661 3.808 3.931 4.037 4.129

V k(o p) = 1 1 12 13 14 15 16 17 18 19

l 25.24 25.92 26.54 27.10 27.62 28.10 28.54 28.960· 29.350

2 10.01 10.26 10.49 10.70 10.89 11.07 11.24 11.390 11.540

1
3 7.487 7.667 7.832 7.982 8.120 8.249 8.368 8.479 8.584

4 6.495 6.645 6.783 6.909 7.025 7.133 7.233 7.327 7.414

5 5.966 6.101 6.223 6.336 6.440 6.536 6.626 6.710 6.789

6 5.637 5.762 5.875 5.979 6.075 6.164 6.247 6.325 6.398

7 5.413 5.530 5.637 5.735 5.826 5.910 5.988 6.061 6.130

8 5.250 5.362 5.464 5.558 5.644 5.724 5.799 5.897 5.935 .

9 5.127 5.234 5.333 5.423 5.506 5.583 5.655 5.723 5.786

10 5.029 5 . 13 4 5.229 5.317 5.397 5.472 5.542 5.607 5.668

11 4.951 5.053 5.146 5.231 5.309 5.382 5.450 5.514 5.573

12 4.886 4.986 5.077 5.160 5.236 5.308 5.374 5.436 5.495

13 4.832 4.930 5.019 5.100 5.176 5.245 5.311 5.372 5.429

14 4.786 4.882 4.970 5.050 5.124 5.192 5.256 5.316 5.373

15 4.746 4.841 4.927 5.006 5.079 5.147 5.209 5.269 5.324

16 4.712 4.805 4.890 4.968 5.040 5.107 5.169 5.227 5.282

17 4.682 4.774 4.858 4.935 5.005 5.071 5.133 5.190 5.244

18 4.655 4.746 4.829 4.905 4.975 5.040 5.101 5.158 5.211

19 4.631 4.721 4.803 4.879 4.958 5.012 5.073 5.129 5.182

20 4.609 4.699 4.780 4.855 4.924 4.987 5.047 5.103 5.155

24 4.541 4.628 4.708 4.780 4.847 4.909 4.966 5.021 5.071

30 4.474 4.559 4.635 4.703 4.770 4.830 4.886 4.939 4.988

40 4.408 4.490 4.564 4.632 4.695 4.752 4.807 4.857 4.905

60 4.342 4.421 4.496 4.558 4.619 4.675 4.727 4.775 4.821

120 4.276 4.353 4.422 4.482 4.543 4.597 4.647 4.694 4.738
oo 4.211 4.285 4.351 4.412 4.468 4.519 4.568 4.612 4.654

204
A.. Canales G. Bioestadisiica

a=0.10

V k(o p) = 20 22 24 26 28 30 32 34 36

1 29.71 30.39 30.99 31.54 32.04 32.5 32.93 33.33 33.71

2 11.68 11.93 12.16 12.36 12.55 12.73 12.89 13.04 13.18

3. 8.683 8.864 9.029 9.177 9.314 9.44 9.557 9.666 9.768

4 7.497 7.650 7.789 7.914 8.029 8.135 8.234 8.326 8.412

5 6.863 7.000 7.123 7.236 7.340 7.435 7.523 7.606 7.683

6 6.467 6.593 6.708 6.812 6.908 6.996 7.078 7.155 7 .. 2 2 7

7 6.195 6.315 6.422 6.521 6.611 6.695 6.773 6.845 6.913

8 5.997 6.111 6.214 6.308 6.395 6.485 6.549 6.618 6.683

9 5.846 5.956 6.055 6.146 6.229 6.306 6.378 6.444 6.507

10 5.726 5.833 5.930 6.017 6.098 6.173 6.242 6.307 6.368

11 5.630 5.734 5.828 5.914 5.992 6.065 6.132 6.196 6.255

12 5.550 5.652 5.744 5.827 5.904 5.976 6.042 6.103 6.161

13 5.483 5.583 5.673 5.755 5.830 5.900 5.965 6.025 6.082

14 5.426 5.524 5.612 5.693 5.767 5.836 5.899 5.959 6.014

15 5.376 5.473 5.560 5.639 5.713 5.780 5.843 5.901 5.956

16 5.333 5.428 5.515 5.593 5.665 5.732 5.793 5.851 5.905

17 5.259 5.389 5.474 5.552 5.632 5.689 5.750 5.806 5.860

18 5.262 5.355 5.439 5.515 5.585 5.650 5.711 5.767 5.820

19 5.232 5.324 5.407 5.483 5.552 5.616 5.676 5.732 5.784

20 5.205 5.296 5.378 5.453 5.522 5.586 5.645 5.700 5.752

24 5.119 5.208 5.287 5.360 5.427 5.489 5.546 5.600 5.650

30 5.034 5.120 5.197 5.367 · 5.332 5.392 5.447 5.499 5.547

40 4.949 5.032 5.107 5.174 5.236 5.294 5.347 5.397 5.444

60 4.834 4.944 5.015 5.081 5.141 5.196 5.247 5.295 5.340

120 4.779 4.856 4.924 4.987 5.044 5.097 5.146 5.192 5.235

= 4.694 4.767 4.832 4.892 4.947 4.997 5.044 5.087 5.128

V k(o p) = 3 8 40 50 60 70 80 90 100

1 34.06 34.38 35.79 36.91 37.83 38.62 39.30 39.91

2 13.31 13.44 13.97 14.40 14.75 15.05 15.31 15.54

3 9.864 9.954 10.34 10.65 10.91 11.12 11.31 11.48

4 8.493 8.569 8.896 9.156 9.373 9.557 9.718 9.860

5 7.756 7.825 8.118 8.353 8.548 8.715 8.859 8.988

6 7.294 7.358 7.630 7.848 8.029 8.184 8.319 8.438

7 6.976 7.036 7.294 7.500 7.672 7.818 7.946 8.06

8 6.744 6.801 7.048 7.245 7.409 7.550 7.672 7.780

9 6.566 6.621 6.859 7.050 7.208 7.343 7.461 7.566

10 6.425 6.479 6.709 6.859 7.048 7.150 7.295 7.396

11 6.310 6.363 6.588 6.768 6.918 7.047 7.158 7.258

12 6.215 6.267 6.487 6.663 6.810 6.936 7.045 7.142

13 6.135 6.186 6.402 6.575 6.719 6.842 6.949 7.045

14 6.067 6.116 6.329 6.499 6.641 6.762 6.868 6.961

15 6.008 6.057 6.266 6.433 6.573 6.692 6.796 6.888

16 5.956 6.004 6.210 6.376 6.513 6.631 6.734 6.824

17 5.910 5.958 6.162 6.325 6.461 6.577 6.679 6.769

18 5.870 5.917 6.118 6.280 6.414 6.529 6.630 6.719

19 5.833 5.880 6.079 6.239 6.372 6.486 6.585 6.674

20 5.801 5.847 3.044 6.203 6.335 6.447 6.546 6.633

24 5.697 5.741 5.933 6.086 6.214 6.324 6.419 6.503

30 5.593 5.636 5.821 5.969 6.093 6.198 6.291 6.372

40 5.488 5.529 5.708 5.850 5.969 6.071 6.160 6.238

60 5.382 5.422 5.593 5.730 5.844 5.941 6.026 6.102

120 5.275 5.313 5.476 -5.606 5.715 5.808 5.888 5.960

oo 5.166 5.202 5.357 5.480 5.582 5.669 5.745 5.812

205
 Canales (}.

a-O.OS

V k(op)=2 3 4 5 6 7 8 9 10

1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07

2 6.068 8.331 9.798 10.88 11.74 12.44 13.03 13.54 13.99

3 4.501 5.910 6.825 9.798 8.037 8.478 8.853 9.177 9.462

4 3.927 5.040 5.757 6.825 6.707 7.053 7.347 7.602 7.826

5 3.635 4.602 5.218 5.673 6.033 6.330 6.582 6.802 6.995

6 3.461 4.339 4.896 5.305 5.628 5.895 6.122 6.319 6.493

7 3.344 4.165 4.681 5.060 5.359 5.606 5.815 5.998 6.158

8 3.261 4.041 4.529 4.886 5.167 5.399 5.597 5.767 5.918

9 3.199 3.949 4.415 4.756 5.024 5.244 5.432 5.595 5.739

10 3.151 3.887 4.327 4.654 4.912 5.124 5.305 5.461 5.599

11 3.113 3.820 4.046 4.574 4.823 5.028 5.202 5.353 5.487

12 3.082 3.773 4.199 4.508 4.751 4.950 5.119 5.265 5.395

13 3.055 3.735 4.151 4.453 4.690 4.885 5.049 5.192 5.318

14 3.033 3.702 4.111 4.407 4.639 4.829 4.990 5.131 5.254

15 3.014 3.674 4.076 4.367 4.595 4.782 4.940 5.077 5.198

16 2.998 3.649 4.046 4.333 4.557 4.741 4.897 5.031 5.150

17 2.984 3.628 4.020 4.303 4.524 4.705 4.458 4.991 5.108

18 2.971 3.609 3.997 4.277 4.495 4.673 4.824 4.956 5.071

19 2.960 3.593 3.977 4.253 4.469 4.645 4.794 4.924 5.038

20 2.950 3.578 3.958 4.232 4.445 4.620 4.768 4.896 5.008

24 2.919 3.532 3.901 4.166 4.373 4.541 4.684 4.807 4.915

30 2.888 3.486 3.845 4.102 4.302. 4.464 4.602 4.720 4.824

40 2.858 3.442 3.791 4.039 4.232 4.389 4.521 4.635 4.735

60 2.829 3.399 3.737 3.977 4.163 4.314 4.441 4.550 4.646

120 2.800 3.356 3.685 3.917 4.096 4.241 4.363 4.468 4.560

= 2.772 3.314 3.314 3.858 4.030 4.170 4.286 4.387 4.474

V k(o p) = 11 12 13 14 15 16 17 18 19

l 50.59 51.96 53.2 54.33 55.36 56.32 57.22 58.04 58.83

2 14.39 14.75 15.08 15.38 15.65 15.91 16.14 16.37 16.57

3 9.717 9.946 10.15 10.35 10.53 10.69 10.84 10.98 11.11

4 8.027 8.208 8.373 8.525 8.664 8.794 8.914 9.028 9.134

5 7.168 7.324 7.466 7.596 7.717 7.828 7.932 8.030 8.122

6 6.649 6.789 6.917 7.034 7.143 7.244 7.338 7.426 7.508

7 6.302 6.431 6.550 6.658 6.759 6.852 6.939 7.020 7.097

8 6.054 6.175 6.287 6.389 6.483 6.571 6.653 6.729 6.802

9 5.867 5.983 6.089 6.186 6.276 6.359 6.437 6.510 6.579

10 5.722 5.833 5.935 6.028 6.114 6.194 6.269 6.339 6.405

11 5.605 5.713 5.811 5.901 5.984 6.062 6.134 6.202 6.265

12 5.511 5.615 5.710 5.798 5.878 5.953 6.023 6.089 6.151

13 5.431 5.533 5.625 5.711 5.789 5.862 5.931 5.995 6.055

14 5.364 5.463 5.554 5.637 5.714 5.786 5.852 5.915 5.974

15 5.306 5.404 5.493 5.574 5.649 5.720 5.785 5.846 5.904

16 5.256 5.352 5.439 5.520 5.593 5.662 5.727 5.786 5.843

17 5.212 5.307 5.392 5.471 5.544 5.612 5.675 5.734 5.790

18 5.174 5.267 5.352 5.429 5.501 5.568 5.630 5.688 5.743

19 5.140 5.231 5.315 5.391 5.462 5.528 5.589 5.647 5.701

20 5.108 5.199 5.282 5.357 5.427 5.493 5.553 5.610 5.663

24 5.012 5.099 5.179 5.251 5.319 5.381 5.439 5.494 5.545

30 4.917 5.001 5.077 5.147 5.211 5.271 5.327 5.379 5.429

40 4.824 4.904 4.977 5.044 5.106 5.163 5.216 5.266 5.313

60 4.732 4.808 4.878 4.942 5.001 5.056 5.107 5.154 5.199

120 4.641 4.714 4.781 4.842 4.898 4.950 4.998 5.044 5.086

= 4.552 4.622 4.685 4.743 4.796 4.845 4.891 4.934 4.974

 1. Canales G.
.c Bioes iadistica

a=0.05

V k(op)=20 22 24 26 28 30 32 34 36

1 59.56 60.91 62.12 63.22 64.23 65.15 66.01 66.81 67.56

2 16.77 17.13 17.45 17.75 18.02 18.27 18.50 18.72 18.92

3 11.24 11.47 11.68 11.87 12.05 12.21 12.36 12.50 12.63

4 9.233 9.418 9.584 9.736 9.875 10.00 10.12 10.23 10.34

5 8.208 8.368 8.512 8.643 8.764 8.875 8.979 9.075 9.165

6 7.587 7.730 7.861 7.979 8.088 8.189 8.283 8.370 8.452

7 7.170 7.303 7.423 7.533 7.634 7.728 7.814 7.895 7.972

8 6.87 6.995 7.109 7.212 7.307 7.395 7.477 7.554 7.625

9 6.644 6.763 6.871 6.970 7.061 7.145 7.222 7.295 7.363

10 6.467 6.582 6.686 6.781 6.868 6.948 7.023 7.093 7.159

11 6.326 6.436 6.536 6.628 6.712 6.790 6.863 6.930 6.994

12 6.201 6.317 6.414 6.503 6.585 6.660 6.731 6.796 6.858

13 6.112 6.217 6.312 6.398 6.478 6.551 6.620 6.684 6.744

14 6.029 6.132 6.224 6.309 6.387 6.459 6.526 6.588 6.647

15 5.958 6.059 6.149 6.233 6.309 6.379 6.445 6.506 6.564

16 5.897 5.995 6.084 6.166 6.241 6.310 6.374 6.434 6.491

17 5.842 5.940 6.027 6.107 6.181 6.249 6.313 6.372 6.427

18 5.794 5.890 5.977 6.055 6.128 6.195 6.258 6.316 6.371

19 5.752 5.846 5.932 6.009 6.081 6.147 6.209 6.267 6.321

20 5.714 5.807 5.891 5.968 6.039 6.104 6.165 6.222 6.275

24 5.594 5.683 5.764 5.838 5.906 5.968 6.027 6.081 6.132

30 5.475 5.561 5.638 5.709 5.774 5.833 5.889 5.941 5.990

40 5.358 5.439 5.513 5.581 5.642 5.700 5.753 5.803 5.849

60 5.241 5.319 5.389 5.453 5.512 5.566 5.617 5.664 5.708

120 5.126 5.200 5.266 5.327 5.382 5.434 5.481 5.526 5.568

00
5.012 5.081 5.144 5.201 5.253 5.301 5.346 5.388 5.427

V k{o p) = 38 40 50 60 70 80 90 100

1 68.26 68.92 71.73 73.97 75.82 77.40 78.77 79.98

2 19.11 20.05 20.05 20.66 21.16 21.59 21.96 22.29

3 12.75 13.36 13.36 13.76 14.08 14.36 14.61 12.82

4 10.44 10.93 10.93 11.24 11.51 11.73 11.92 12.09

5 9.250 9.330 9.674 9.949 10.18 10.38 10.54 10.69

6 8.529 8.601 8.913 9.163 9.370 9.548 9.702 9.839

7 8.043 8.110 8.400 8.632 8.824 8.989 9.133 9.261

8 7.693 7.756 8.029 8.248 8.430 8.586 8.722 8.843

9 7.428 7.488 7.749 7.958 8.132 8.281 8.410 8.526

10 7.220 7.279 7.529 7.730 7.897 8.0.41 8.166 8.276

11 7.053 7.110 7.352 7.546 7.708 7.847 7.968 8.075

12 6.916 6.970 7.205 7.394 7.552 7.687 7.804 7.909

13 6.800 6.854 7.083 7.267 7.421 7.552 7.667 7.769

14 6.702 6.754 6.979 7.159 7.309 7.438 7.550 7.650

15 6.618 6.669 6.888 7.065 7.212 7.339 7.449 7.546

16 6.544 6.594 6.810 6.984 7.128 7.252 7.360 7.457

17 6.479 6.529 6.741 6.912 7.054 7.176 7.283 7.377

18 6.422 6.471 6.680 6.848 6.989 7.109 7.213 7.307

19 6.371 6.419 6.626 6.792 6.930 7.048 7.152 7.244

20 6.325 6.373 6.576 6.740 6.877 6.994 7.097 7.187

24 6.181 6.226 6.421 6.579 6.710 6.822 6.920 7.008

30 6.037 6.080 6.267 6.417 6.543 6.650 6.744 6.827

40 5.893 5.934 6.112 6.255 6.375 6.477 6.566 6.645

60 5.750 5.789 5.958 6.093 6.206 6.303 6.387 6.462

120 5.607 5.644 5.802 5.929 6.035 6.126 6.205 6.275

00
5.463 5.498 5.646 5.764 5.863 5.947 6.020 6.085

207
_iL Canales G. Biocstodisiica

a=0.025

V k(o p) = 2 3 4 5 6 7 8 9 10

1 35.99 54.00 63.69 74.22 80.87 86.29 90.85 94.77 98.20

2 8.776 l l. 9 4 14.01 15.54 16.75 17.74 18.58 19.31 19.95

3 5.907 7.661 8.880 9.660 10.34 10.89 11.37 11.78 12.14

4 4.943 6.244 7.088 7.716 8.213 8.625 8.976 9.279 9.548

5 4.474 5.558 6.257 6.775 7.186 7.527 7.816 8.068 8.291

6 6.199 5.158 5.772 6.226 6.586 6.884 7.138 7.389 2.554

7 4.018 4.897 5.455 5.868 6.194 6.464 6.695 6.895 7.072

8 3.892 4.714 5.233 5.616 5.919 6.169 6.382 6.568 6.732

9 3.797 4.578 5.069 5.430 5.715 5.950 6.151 6.325 6.479

10 3.725 4.474 4.943 5.287 5.558 5.782 5.972 6.138 6.285

11 3.667 4.391 4.843 5.173 5.433 5.648 5.831 5.989 6.130

12 3.620 4.325 4.762 5.081 5.332 5.540 5.716 5.869 6.004

13 3.582 4.269 4.694 5.004 5.248 5.449 5.620 5.769 5.900

14 3.550 4.222 4.638 4.940 5.178 5.374 5.540 8.684 5.811

15 3.522 4.182 4.589 4.885 5.118 5.309 5.471 5.612 5.737

16 3.498 4.148 4.548 4.838 5.066 5.253 5.412 5.550 5.672

17 3 . 4 77 4.118 4.512 4.797 5.020 5.204 5.361 5.496 5.615

18 3.458 4.092 4.480 4.761 4.981 5.162 5.315 5.448 5.565

19 3.442 4.068 4.451 4.728 4.945 5.123 5.275 5.405 5.521

20 3.427 4.047 4.426 4.700 4.914 5.089 5.238 5.368 5.481

24 3.381 3.983 4.347 4.610 4.816 4.984 5.126 5.250 5.158

30 3.337 3.919 4.271 4.523 4.720 4.881 5.017 5.134 5.238

40 3.294 3.858 4.197 4.439 4.627 4.780 4.910 5.022 5.120

60 3.251 3.798 4.124 4.356 4.536 4.682 4.806 4.912 5.006

120 3.210 3.739 4.053 4.276 4.447 4.587 4.704 4.805 4.894

= 3.170 3.682 3.984 4.197 4.361 4.494 4.605 4.700 4.784

V k(o p) = 1 12 13 14 15 16 17 18 19

1 101.3 104.0 106.5 108.8 110.8 112.7 114.5 116.2 117.7

2 20.52 21.03 21.49 21.91 22.30 22.67 23.01 23.32 23.62

3 Í2.46 12.75 13.01 13.26 13.48 13.69 13.88 14.06 14.23

4 9.788 10.01 10.20 10.39 10.55 10.71 10.85 10.99 1 1.1 1

5 8.490 8.670 8.834 8.984 9.124 9.253 9.374 9.486 9.593

6 7.729 7.887 8.031 8.163 8.286 8.399 8.506 8.605 8.698

7 7.230 7.373 7.504 7.624 7.735 7.839 7.935 8.025 8.111

8 6.879 7.011 7.132 7.244 7.347 7.443 7.532 7.616 7.695

9 6.617 6.742 6.856 6.961 7.058 7.148 7.232 7.311 7.385

10 6.416 6.534 6.643 6.742 6.834 6.920 7.000 7.075 7.146

11 6.256 6.369 6.473 6.568 6.657 6.739 6.815 6.887 6.955

12 6.125 6.235 6.335 6.427 6.512 6.591 6.665 6.734 6.799

13 6.017 6.123 6.220 6.309 6.392 6.468 6.539 6.607 6.670

14 5.926 6.029 6.123 6.210 6.290 6.364 6.434 6.499 6.560

15 5.848 5.949 6.041 6.125 6.203 6.276 6.344 6.407 6.467

16 5.781 5.879 5.969 6.052 6.128 6.199 6.265 6.328 6.386

17 5.722 5.818 5.907 5.987 6.062 6.132 6.197 6.258 6.315

18 5.670 5.765 5.852 5.931 6.004 6.073 6.137 6.197 6.235

19 5.624 5.718 5.803 5.881 5.954 6.02 6.083 6.142 6.198

20 5.583 5.675 5.759 5.836 5.907 5.974 6.036 6.093 6.148

24 5.455 5.543 5.623 5.697 5.764 5.827 5.886 6.941 5.994

30 5.330 5.414 5.490 5.560 5.624 5.684 5.740 5.792 5.841

40 5.208 5.288 5.360 5.426 5.487 5.544 5.597 5.646 5.693

60 5.089 5.164 5.232 5.295 5.352 5.406 5.456 5.503 5.546

120 4.972 5.043 5.107 5.166 5.221 5.271 5.318 5.362 5.403

= 4.858 4.925 4.985 5.041 5.092 5.139 5.183 5.224 5.262

208
A. Canales G-. Bioestadistica

a=0.025

k(o p) =
V 20 22 24 26 28 30 32 34 36

1 119.2 121.9 124.3 126.5 128.6 130.4 132.1 133.7 135.2

2 23.89 24.41 24.87 25.29 25.67 26.03 26.35 26.66 26.95

3 14.39 14.69 14.95 15.19 15.41 15.62 15.81 15.99 16.15

4 11.23 11.46 11.66 11.84 12.00 12.16 12.30 12.44 12.56

5 9.693 9.878 10.04 10.20 10.34 10.47 10.59 10.70 10.80

6 8.787 8.949 9.097 9.231 9.355 9.469 9.575 9.674 9.767

7 8.191 8.339 8.473 8.595 8.708 8.812 8.909 8.990 9.084

8 7.769 7.907 8.031 8.145 8.250 8.346 8.436 8.520 8.599

9 7.455 7.585 7.702 7.809 7.908 7.999 8.084 8.163 8.237

10 7.212 7.335 7.447 7.549 7.643 7.729 7.810 7.885 7.956

11 7.019 7.137 7.244 7.341 7.431 7.514 7.592 7.664 7.732

12 6.861 6.974 7.078 7.172 7.258 7.338 7.413 7.483 7.548

13 6.730 6.84 6.939 7.031 7.115 7.192 7.265 7.332 7.396

14 6.ql9 6.726 6.823 6.911 6.993 7.069 7.139 7.204 7.266

15 6.523 6.628 6.723 6.809 6.889 6.962 7.031 7.095 7.155

16 6.441 6.543 6.636 6.721 6.799 6.870 6.938 7.000 7.059

17 6.370 6.469 6.56 6.644 6.720 6.790 6.856 6.917 6.975

18 6.306 6.404 6.493 6.575 6.650 6.720 6.784 6.844 6.900

19 6.250 6.347 6.434 6.514 6.588 6.656 6.719 6.779 6.835

20 6.200 6.295 6.381 6.460 6.532 6.600 6.662 6.720 6.775

24 6.043 6.133 6.215 6.290 6.359 6.423 6.482 6.538 6.589

30 5.888 5.974 6.052 6.123 , 6.188 6.248 6.305 6.357 6.406

40 5.737 5.818 5.891 5.958 6.020 6.077 6.130 6.179 6.226

60 5.588 5.664 5.733 5.797 5.854 5.908 5.958 6.004 6.048

120 5.442 5.513 5.578 5.637 5.691 5.741 5.788 5.831 5.872

= 5.299 5.365 5.425 5.480 5.530 5.577 5.620 5.660 5.698

k(o p) =
V 38 40 50 60 70 80 90 100

1 136.6 137.9 143.6 148.1 151.8 154.9 157.7 160.0

2 27.22 24.47 28.55 29.42 30.13 30.74 31.27 31.74

3 16.31 16.46 17.08 17.59 18.00 18.36 18.67 18.95

4 12.68 12.79 13.27 13.65 13.96 14.23 14.47 14.68

5 10.91 11.00 11.40 11.72 11.99 12.21 12.41 12.59

6 9.855 9.938 10.30 10.58 10.81 11.02 11.19 11.35

7 9.164 9.239 9.563 9.822 10.04 10.23 10.38 10.53

8 8.673 8.743 9.044 9.286 9.487 9.660 9.810 9.944

9 8.307 8.373 8.657 8.885 9.076 9.238 9.381 9.507

10 8.023 8.086 8.356 8.574 8.755 8.911 9.046 9.167

11 7.796 7.856 8.116 8.325 8.499 8.648 8.779 8.894

12 7.610 7.668 7.919 8.120 8.289 8.433 8.559 8.671

13 7.455 7.512 7.755 7.950 8.113 8.253 8.375 8.484

14 7.324 7.379 7.615 7.806 7.965 8.101 8.220 8.325

15 7.212 7.2265 7.496 7.682 7.837 7.970 8.086 8.189

16 7.115 7.167 7.393 7.574 7.726 7.856 7.969 8.070

17 7.030 7.081 7.302 7.480 7.628 7.756 7.868 7.966

18 6.954 7.005 7.221 7.396 7.543 7.667 7.777 7.874

19 6.887 6.936 7.150 7.322 7.465 7.589 7.696 7.792

20 6.827 6.876 7.086 7.255 7.397 7.518 7.624 7.718

24 6.639 6.685 6.885 7.046 7.180 7.296 7.397 7.486

30 6.453 6.497 6.686 6.839 6.965 7.075 7.171 7.255

40 6.270 6.311 6.489 6.633 6.753 6.855 6.945 7.025

60 6.089 6.127 6.295 6.429 6.540 6.636 6.720 6.795

120 5.910 5.946 6.101 6.225 6.329 6.418 6.495 6.564

= 5.733 5.766 5.909 6.023 6.118 6.199 6.270 6.333

209
ii.

a=0.01

V k(op)=2 3 4 5 6 7 8 9 10

1 90.03 135.0 164.3 185.6 202.2 215.8 227.2 237.0 245.6

2 14.04 19.02 12.29 24.72 26.63 28.20 29.53 30.68 31.69

3 8.261 10.62 12.17 13.33 14.24 15.00 15.64 16.20 16.69

4 6.512 8.120 9.173 9.958 10.58 11.10 11.55 11.93 12.27

5 5.702 6.976 7.804 8.421 8.913 9.321 9.669 9.972 10.24

6 5.243 6.331 7.033 7.556 7.973 8.318 8.613 8.869 9.097

7 4.949 5.919 6.543 7.005 7.373 7.679 7.939 8.166 8.368

8 4.746 5.635 6.204 6.625 6.960 7.237 7.474 7.681 7.863

9 4.596 5.428 5.957 6.348 6.658 6.915 7.134 7.325 7.495

10 4.482 5.270 5.769 6.136 6.428 6.669 6.875 7.055 7.213

11 4.392 5.146 5.621 5.970 6.247 6.476 6.672 6.842 6.992

12 4.320 5.046 5.502 5.836 6.101 6.321 6.507 6.670 6.814

13 4.260 4.964 5.404 5.727 5.981 6.192 6.372 6.528 6.667

14 4.210 4.895 5.322 5.634 5.881 6.085 6.258 6.409 6.543

15 4.168 4.836 5.252 5.556 5.796 5.994 6.162 6.309 6.439

16 4.131 4.786 5.019 5.489 5.722 5.915 6.029 6.222 6.349

17 4.099 4.742 5.14 5.430 5.659 5.847 6.007 6.147 6.270

18 4.071 4.703 5.094 5.379 5.603 5.788 5.944 6.081 6.201

19 4.046 4.670 5.054 5.334 5.554 5.735 5.889 6.022 6.141

20 4.024 4.639 5.018 5.294 5.510 5.688 5.839 5.970 6.087

24 3.956 4.546 4.907 5.168 5.374 5.542 5.685 5.809 5.919

30 3.889 4.455 4.799 5.048 5. 2 4 2 5.400 5.536 5.653 5.756

40 3.825 4.367 4.696 4.931 5.114 5.265 5.392 5.502 5.559

60 3.762 4.282 4.595 4.818 4.991 5.133 5.253 5.356 5.447

120 3.702 4.200 4.497 4.709 4.872 5.005 5.118 5.211 5.299

= 3.643 4.120 4.403 4.603 4.757 4.882 4.987 5.078 5.157

V k(o p) = 11 12 13 14 15 16 17 18 19

1 253.2 260.0 266.2 271.8 277.0 281.8 286.3 290.4 294.3

2 32.59 33.40 34.13 34.81 35.43 36.00 36.53 37.03 37.50

3 17.13 17.53 17.89 18.22 18.52 18.81 19.07 19.32 19.55

4 12.57 12.84 13.09 13.32 13.53 13.73 13.91 14.08 14.24

5 10.48 10.70 10.89 11.08 11.24 11.40 11.53 11.68 18.81

6 9.301 9.485 9.653 9.808 9.951 10.08 10.21 10.32 10.43

7 8.548 8.711 8.860 8.997 9.124 9.242 9.353 9.456 9.554

8 8.027 8.176 8.312 8.436 8.552 8.659 8.760 8.854 8.943

9 7.647 7.784 7.910 8.025 8.132 8.232 8.325 8.412 8.495

10 7.356 7.485 7.603 7.712 7.812 7.906 7.993 8.076 8.153

11 7.128 7.250 7.362 7.465 7.560 7.649 7.732 7.809 7.883

12 6.943 7.060 7.167 7.265 7.356 7.441 7.520 7.594 7.665

13 6.791 6.903 7.006 7.101 7.188 7.269 7.345 7.417 7.485

14 6.664 6.772 6.871 6.962 7.047 7.126 7.199 7.268 7.333

15 6.555 6.660 6.757 6.845 6.927 7.003 7.074 7.142 7.204

16 6.462 6.564 6.658 6.744 6.823 6.898 6.957 7.032 7.093

17 6.381 6.480 6.572 6.656 6.734 6.806 6.873 6.937 6.997

18 6.310 6.407 6.497 6.579 6.655 6.725 6.792 6.854 6.912

19 6.247 6.342 6.430 6.510 6.585 6.654 6.719 6.780 6.837

20 6.191 6.285 6.371 6.450 6.523 6.591 6.654 6.714 6.771

24 6.017 6.106 6.186 6.261 6.330 6.394 6.453 6.510 6.563

30 5.849 5.932 6.008 6.078 6.143 6.203 6.259 6.311 6.361

40 5.686 5.764 5.835 5.900 5.961 6.017 6.069 6.119 6.165

60 5.528 5.601 5.667 5.728 5.785 5.837 5.886 5.931 5.974

120 5.375 5.443 5.505 5.562 5.614 5.662 5.708 5.750 5.790

=· 5.227 5.290 5.348 5.400 5.448 5.493 5.535 5.574 5.611

210
A Canales G. Bioes tadis tica

a=O.Ol

V k(o p) = 20 22 24 26 28 30 32 34 36

1 298.0 304.7 310.8 316.3 321.3 326.0 330.3 334.3 338.0

2 37.95 38.76 39.49 40.15 40.76 41.32 41.84 42.33 42.78

3 19.77 20.17 20.53 20.86 21.16 21.44 21.70 21.95 52.17

4 14.40 14.68 14.93 15.16 15.37 15.57 15.75 15.92 16.08

5 11.93 12.16 12.36 12.54 12.71 12.87 13.02 13.15 13.28

6 10.54 10.73 10.91 11.06 11.21 11.34 11.47 11.58 11.69

7 9.646 9.815 9.97 10.11 10.24 10.36 10.47 10.58 10.67

8 9.027 9.182 9.322 9.450 9.569 9.678 9.779 9.874 9.964

9 8.573 8.717 8.847 8.966 9.075 9.177 9.271 9.360 9.443

10 8.226 8.361 8.483 8.595 8.698 8.794 8.883 8.966 9.044

11 7.952 8.080 8.196 8.303 8.400 8.491 8.575 8.654 8.728

12 7.731 7.853 7.964 8.066 8.159 8.246 8.327 8.402 8.473

13 7.548 7.665 7.772 7.870 7.960 8.043 8.121 8.193 8.262

14 7.395 7.508 7.611 7.705 7.792 7.873 7.948 8.018 8.084

15 7.264 7.374 7.474 7.566 7.650 7.728 7.800 7.869 7.932

16 7.152 7.258 7.356 7.445 7.527 7.602 7.673 7.739 7.802

17 7.053 7.158 7.253 7.340 7.420 7.493 7.5'63 7.627 7.687

18 6.968 7.070 7.163 7.247 7.325 7.398 7.465 7.528 7.587

19 6.891 6.992 7.082 7.166 7.242 7.313 7.379 7.440 7.498

20 6.823 6.922 7.011 7.092 7.168 7.237 7.302 7.362 7.419

24 6.612 6.705 6.789 6.865 6.936 7.001 7.062 7.119 7.173

30 6.407 6.494 6.572 6.644 6.710 6.772 6.828 6.881 6.932

40 6.209 6.289 6.362 6.429 6.490 6.547 6.600 6.650 6.697

60 6.015 6.090 6.158 6.220 6.277 6.330 6.378 6.424 6.467

120 5.827 5.897 5.959 6.016 6.069 6.117 6.162 6.204 6.244

00
5.645 5.709 5.766 5.818 5.866 5.911 5.952 5.990 6.026

V k(op)=38 40 50 60 70 80 90 100

1 314.5 344.8 358.9 370.1 379.4 387.3 394.1 400.1

2 ,43.21 43.61 45.33 46.70 47.83 48.80 49.64 50.38

3 22.39 22.59 23.45 24.13 24.71 25.19 25.62 25.99

4 16.23 16.37 15.98 17.46 17.86 18.02 18.50 18.77

5 13.40 13.52 14.00 14.39 14.72 14.99 15.23 15.45

6 1 1. 8 0 11.98 12.31 12.65 12.92 13.16 13.37 13.55

7 10.77 10.85 11.23 11.52 11.77 11.99 12.17 12.34

8 10.05 10.13 10.47 10.75 10.97 11.17 11.34 11.49

9 9.521 9.594 9.912 10.17 10.38 10.57 10.73 10.87

10 9.117 9.187 9.486 9.726 9.927 10.10 10.25 10.39

11 8.798 8.864 9.148 9.377 9.568 9.732 9.875 10.00

12 8.539 8.603 8.875 9.094 9.277 9.434 9.571 9.693

13 8.326 8.387 8.648 8.859 9.035 9.187 9.318 9.436

14 8.146 8.204 8.457 8.661 8.832 8.978 9.106 9.219

15 7.992 8.049 8.295 8.492 8.658 8.800 8.924 9.035

16 7.860 7.916 8.154 8.347 8.507 8.646 8.767 8.874

17 7.745 7.799 8.031 8.219 8.377 8.511 8.630 8.735

18 7.643 7.696 7.924 8.107 8.261 8.393 8.508 8.611

19 7.553 7.605 7.828 8.008 8.156 8.288 8.401 8.502

20 7.473 7.523 7.742 7.919 8.067 8.194 8.305 8.404

24 7.223 7.270 7.476 7.642 7.780 7.900 8.004 8.097

30 6.978 7.023 7.213 7.370 7.500 7.611 7.709 7.796

40 6.740 6.782 6.960 7.104 7.225 7.328 7.419 7.500

60 6.507 6.546 6.710 6.843 6.954 7.050 7.133 7.207

120 6.281 6.316 6.467 6.588 6.689 6.776 6.852 6.919

00
6.060 6.092 6.228 6.338 6.429 6.507 6.575 6.636

211
.fl. Canales G. B ioes tadis tica

a=0.005

V k(o p) = 2 3 4 5 6 7 8 9 10

1 180.1 270.1 328.5 371.2 404.4 431.6 454.4 474.0 491.1

2 19.93 26.97 32.60 15.02 37.73 39.95 41.83 43.46 44.89

3 10.55 13.50 15.45 16.91 18.06 19.01 19.83 20.53 21.15

4 7.916 9.814 11.06 11.99 12.74 13.35 13.88 14.33 14.74

5 6.751 8.196 9.141 9.847 10.41 10.88 11.28 11.63 11.93

6 6.105 7.306 8.088 8.670 9.135 9.522 9.852 10.14 10.4

7 5.699 6.750 7.429 7.935 8.339 8.674 8.961 9.211 9.433

8 5.420 6.370 6.981 7.435 7.797 8.097 8.354 8.578 8.777

9 5.218 6.096 6.657 7.074 7.405 7.680 7.915 8.120 8.303

10 5.065 5.888 6.412 6.800 7.109 7.365 7.584 7.775 7.944

11 4.945 5.727 6.222 6.588 6.878 7.119 7.325 7.505 7.664

12 4.849 5.597 6.068 6.416 6.693 6.922 7.118 7.288 7.439

13 4.770 5.49 5.943 6.277 6.541 6.760 6.947 7.111 7.255

14 4.704 5.401 5.838 6.160 6.414 6.626 6.805 6.962 7.101

15 4.647 5.325 5.750 6.061 6.308 6.511 6.685 6.837 6.971

16 4.599 5.261 5.674 5.977 6.216 6.413 6.582 6.729 6.859

17 4.557 5.205 5.608 5.903 6.136 6.329 6.493 6.636 6.763

18 4.521 5.156 5.550 5.893 6.067 6.255 6.415 6.554 6.678

19 4.488 5.113 5.500 5.783 6.005 6.189 6.346 6.482 6.603

20 4.460 5.074 5.455 5.732 5.951 6.131 6.285 6.418 6.537

24 4.371 4.955 5.315 5.577 5.783 5.952 6.096 6.221 6.332

30 4.285 4.841 5.181 5.428 5.621 5.780 5.914 6.031 6.135

40 4.202 4.731 5.053 5.284 5.465 5.614 5.739 5.848 5.944

60 4.122 4.625 4.928 5.146 5.316 5.454 5.571 5.673 5.762

120 4.045 4.523 4.809 5.013 5.172 5.301 5.410 5.504 5.586

= 3.970 4.424 4.694 4.886 5.033 5.154 5.255 5.341 5.418

V k(o p) = 1 1 12 13 14 15 16 17 18 19

1 506.3 320.0 532.4 543.6 554.0 563.6 572.5 580.9 588.7

2 46.16 47.31 48.35 49.30 50.17 50.99 51.74 52.46 53.12

3 21.70 22.20 22.66 23.08 23.46 23.82 24.15 24.46 24.76

4 15.10 15.42 15.72 15.99 16.24 16.48 16.7 16.90 17.09

5 12.21 12.46 12.69 12.90 13.09 13.27 13.44 13.60 13.75

6 10.63 10.83 11.02 11.20 11.36 11.51 11.65 11.78 11.90

7 9.632 9.812 9.977 10.13 10.27 10.40 10.52 10.64 10.75

8 8.955 9.117 9.265 9.401 9.527 9.644 9.754 9.857 9.953

9 8.466 8.614 8.749 8.874 8.990 9.097 9.198 9.292 9.381

10 8.096 8.234 8.360 8.476 8.583 8.683 8.777 8.865 8.947

11 7.807 7.937 8.055 8.164 8.265 8.359 8.447 8.530 8.608

12 7.575 7.697 7.810 7.914 8.009 8.099 8.183 8.261 8.335

13 7.384 7.502 7.609 7.708 7.800 7.886 7.965 8.040 8.111

14 7.225 7.338 7.442 7.537 7.625 7.707 7.784 7.856 7.924

15 7.091 7.200 7.300 7.392 7.477 7.556 7.63 7.699 7.765

16 6.976 7.081 7.178 7.267 7.349 7.426 7.498 7.566 7.629

17 6.876 6.979 7.072 7.159 7.239 7.314 7.384 7.449 7.511

18 6.788 6.888 6.980 7.064 7.142 7.215 7.283 7.347 7.407

19 6.711 6.809 6.898 6.981 7.057 7.128 7.195 7.257 7.316

20 6.642 6.738 6.826 6.907 6.981 7.051 7.116 7.177 7.235

24 6.431 6.520 6.602 6.677 6.747 6.812 6.872 6.930 6.983

30 6.227 6.310 6.387 6.456 6.521 6.581 6.638 6.691 6.741

40 6.030 6.108 6.179 6.244 6.304 6.360 6.412 6.461 6.507

60 5.841 5.913 5.979 6.039 6.094 6.146 6.194 6.239 6.281

120 5.660 5.726 5.786 5.842 5.893 5.940 5.984 6.025 6.064

ex» - 5.856
5.485 5.546 5.602 5.652 5.699 5.742 5.783 5.820

212
!
_1-l. Canales G. Bioestadistica

1
a=0.005

V
. k(op) = 20 22 24 26 28 30 32 34 36

1 596.0 609.5 621.7 632.6 642.7 652.0 660.6 668.5 676.0

l
2 53.74 54.89 55.92 56.86 57.73 58.52 39.26 59.95 60.59

3 25.03 25.54 26.00 26.43 26.80 27.15 27.48 27.79 28.07

4 17.28 17.61 17.91 18.19 18.44 18.68 18.89 19.09 19.28

!
5 13.59 14.14 14.38 14.59 14.79 14,96 15.13 15.29 15.44

6 12.02 12.23 12.43 12.61 12.77 12.94 13.06 13.19 13 . 3 2

7 10.85 11.03 11.21 11.3.6 11.50 11.64 11.76 11.88 11.99

8 10.04 10.22 10.37 10.51 10.64 10.76 10.87 10.97 11.07

9 9.465 9.620 9.761 9.89 10.01 10.12 10.22 10.32 10.41

10 9.026 9.170 9.302 9.422 9.532 9.635 9.73 9.820 9.904

11 8.682 8.818 8.941 9.055 9.159 9.256 9.345 9.430 9.509

12 8.405 8.534 8.652 8.759 8.858 8.95 9.036 9.116 9.191

13 8.178 8.302 8.414 8.516 8.611 0.699 8.78 8.857 8.929

14 7.988 8.107 8.215 8.314 8.404 8.489 8.568 8.641 8.710

15 7.827 7.942 8.046 8.141 8.229 8.311 8.387 8.458 8.524

16 7.689 7.800 7.901 7.994 8.078 8.158 8.231 8.300 8.365

17 7.569 7.677 7.775 7.865 7.948 8.024 8.096 8.163 8.226

18 7.464 7.570 7.665 7.753 7.833 7.908 7.978 8.043 8.104

19 7.372 7.474 7.568 7.653 7.732 7.805 7.873 7.937 7.996

20 7.289 7.390 7.481 7.565 7.642 7.713 7.78 7.842 7.901

24 7.034 7.128 7.213 7.291 7.362 7.429 7.491 7.549 7.603

30 6.788 6.875 6.954 7.026• 7.093 7.154 7.212 7.265 7.316

40 6.550 6.631 6.704 6.77 6.832 6.889 6.942 6.991 7.038

60 6.321 6.396 6.462 6.523 6.580 6.632 6.861 6.726 6.769

120 6.101 9.169 6.230 6.286 6.337 6.385 6.428 6.470 6.508

= 5.889 5.951 6.006 6.057 6.103 6.146 6.186 6.223 6.258

V k(op)=38 40 50 60 70 80 90 100

1 683.0 689.6 717.8 740.2 758.8 774.5 788.2 800.3

2 61.19 61.76 64.19 66.13 67.74 69.10 70.29 71.35

3 28.34 28.60 29.68 30.55 31.27 31.88 32.42 32.90

4 19.46 19.63 20.36 20.93 21.42 21.83 22.18 22.50

5 15.58 15.71 16.27 16.72 17.09 17.41 17.69 17.94

6 13.43 13.54 14.02 14.40 14.71 14.98 15.21 15.43

7 12.09 12.18 12.60 12.93 13.21 13.44 13.65 13.84

8 11.16 11.25 11.61 11.93 12.18 12.39 12.58 12.75

9 10.49 10.58 10.92 11.20 11.43 11.63 11.80 11.96

10 9.983 10.06 10.38 10.64 10.86 11.04 11.20 11.35

11 9.583 9.654 9.957 10.20 10.41 10.59 10.74 10.88

12 9.262 9.328 9.617 9.850 10.04 10.21 10.36 10.49

13 8.997 9.061 9.337 9.560 9.747 9.907 10.05 10.17

14 8.775 8.837 9.103 9.317 9.497 9.652 9.787 9.907

15 8.587 8.647 8.904 9.111 9.285 9.434 9.565 9.680

16 8.425 8.483 8.733 8.933 9.102 9.247 9.373 9.486

17 8.285 8.341 8.583 8.779 8.943 9.084 9.206 9.316

18 8.162 8.212 8.452 8.643 8.803 8.840 9.061 9.167

19 8.053 8.106 8.337 8.523 8.679 8 . 8 1 .3 8.931 9.036

20 7.956 8.008 8.234 8.416 8.369 8.700 8.815 8.917

24 7.655 7.704 7.914 8.083 8.226 8.348 8.455 8.551

30 7.364 7.409 7.603 7.760 7.893 8.006 8.105 8.193

40 7.082 7.123 7.302 7.447 7.568 7.672 7.763 7.845

60 6.808 6.846 7.010 7.143 7.252 7.347 7.431 7.504

120 6.545 6.580 6.728 · 6.846 6.946 7.032 7.107 7.173

= 6.291 6.322 6.454 6.561 6.649 6.725 6.792 6.850

213
A. Canales G. Bioestadisiica

a=0.0025

V · k(o p) = 2 3 4 5 6 7 8 9 10

1 900.3 1351 1643 1856 2022 2148 2272 2370 2455

2 44.69 60.42 70.77 78.43 84.49 89.46 93.67 97.30 100.5

3 18.28 23.32 26.65 29.13 31.11 32.74 34.12 35.33 36.39

4 12.18 14.99 16.84 18.23 19.34 20.26 21.04 21.73 22.33

5 9.714 11.67 12.96 13.93 14.71 15.35 15.9 16.38 16.81

6 8.427 9.960 10.97 11.72 12.32 12.83 13.26 13.63 13.97

7 7.648 8.930 9.763 10.40 10.90 11.32 11.68 11.99 12.27

8 7.130 8.250 8.978 9.522 9.958 10.32 10.64 10.91 11.15

9 6.762 7.768 8.419 8.906 9.295 9.619 9.897 10.14 10.36

10 6.487 7.411 8.006 8.450 8.804 9.099 9.352 9.573 9.769

11 6.275 7.136 7.687 8.980 8.426 8.699 8.933 9.138 9.319

12 6.106 6.917 7.436 7.821 8.127 8.383 8.601 8.793 8.962

l3 5.970 6.740 7.231 7.595 7.885 8.126 8.333 8.513 8.673

14 5.856 6.594 7.062 7.409 7.685 7.915 8.11 8.282 8.434

15 5.760 6.470 6.92 7.252 7.517 7.736 7.925 8.088 8.234

16 5.678 6.365 6.799 7.119 7.374 7.585 7.766 7.923 8.063

17 5.608 6.275 6.695 0.005 7.250 7.454 7.629 7.781 7.916

18 5.546 6.196 6.604 6.906 7.143 7.341 7.51 7.657 7.788

19 5.492 6.127 6.525 6.817 7.079 7.242 7.405 7.549 7.676

20 5.444 6.065 6.454 6.740 6.966 7.154 7.313 7.453 7.577

24 5.297 5.877 6.238 6.503 6.712 6.884 7.031 7.159 7.272

30 5.156 5.698 6.033 6.278 6.470 6.628 6.763 6.880 6.984

40 5.022 5.528 5.838 6.063 6.240 6.386 6.509 6.616 6.711

60 4.894 5.365 5.653 5.860 6.022 6.155 6.268 6.366 6.451

120 4.771 5.211 5.476 8.667 5.815 5.937 6.039 6.128 6.206

= 4.654 5.063 5.309 5.484 5.619 5.730 5.823 5.903 5.973

V k(o p) = 11 12 13 14 15 16 17 18 19

1 2532 2600 2662 2718 2770 2818 2863 2904 2943

2 103.3 105.9 108.2 110.4 112.3 114.2 115.9 117.4 118.9

3 37.34 38.20 38.98 39.69 40.35 40.97 41.54 41.07 42.58

4 22.87 23.36 23.81 24.21 24.59 24.94 25.27 15.58 25.87

5 17.18 17.53 17.85 18.13 18.41 18.66 18.89 19.10 19.31

6 14.27 14.54 14.79 15.01 15.22 15.42 15.6 15.78 15.94

7 12.52 12.74 12.95 13.14 13.32 13.48 13.64 13.78 13.92

8 11.36 11.56 11.74 11.91 12.06 12.21 12.34 12.47 12.59

9 10.55 10.73 10.89 11.03 11.18 11.30 11.42 11.54 11.65

10 9.946 10.11 10.25 10.39 10.52 10.64 10.75 10.85 10.95

11 9.482 9.630 9.766 9.892 10.01 10.12 10.44 10.31 10.41

12 9.115 9.254 9.381 9.498 9.606 9.707 9.802 9.891 9.975

13 8.817 8.948 9.068 9.178 9.281 9.376 9.466 9.550 9.629

14 8.571 8.696 8.809 8.914 9.012 9.103 9.188 9.267 9.343

15 8.365 8.483 8.592 8.693 8.786 8.872 8.954 9.030 9.102

16 8.189 8.303 8.407 8.504 8.593 8.676 8.755 8.828 8.897

17 8.037 8.148 8.248 8.342 8.427 8.508 8.583 8.654 8.720

18 7.906 8.012 8.110 8.199 8.283 8.361 8.434 8.502 8.567

19 7.790 7.893 7.988 8.075 8.156 8.232 8.303 8.369 8.432

20 7.688 7.788 7.880 7.966 8.044 8.118 8.186 8.255 8.312

24 7.374 7.467 7.551 7.629 7.701 7.768 7.831 7.890 7.946

30 7.077 7.162 7.239 7.310 7.375 7.437 7.494 7.548 7.599

40 6.796 6.872 6.942 7.007 7.067 7.122 7.174 7.223 7.269

60 6.528 6.598 6.661 6.720 6.774 6.824 6.871 6.914 6.956

120 6.276 6.339 6.396 6.448 6.496 6.542 6.583 6.623 6.660

= 6.036 6.092 6.144 6.191 6.234 6.274 6.312 6.347 6.380

214
A. Canales G. Bioesuulisiica

a=0.0025

V k(o p) = 2 0 22 24 26 28 30 32 34 36

1 2980 3047 31.08 3163 3213 3260 3303 3343 3380

2 120.3 122.9 125.2 127.3 129.3 131.0 132.7 134.2 135.7

3 43.05 43.92 44.70 45.42 46.07 46.68 47.24 47.77 48.26

4 26.14 26.65 17.10 27.51 27.89 28.24 28.57 28.88 29.16

5 19.51 19.86 20.19 20.48 20.75 21.01 21.24 21.46 21.66

6 16.09 16.38 16.64 16.87 17.08 17.28 17.47 17.64 17.81

7 14.04 14.29 14.50 14,70 14.88 15.05 15.20 15.35 15.49

8 12.70 12.91 13.09 13.26 13.42 13.57 13.71 13.84 13.96

9 11.75 11.92 12.10 12.25 12.39 12.23 12.65 12.77 12.87

10 11.03 11.20 11.36 11.50 11.63 11.75 11.87 11.97 12.07

11 10.49 10.65 10.79 10.92 11.04 11.16 11.26 11.35 11.45

12 10.06 10.20 10.34 10.46 10.57 10.68 10.78 10.87 10.96

13 9.704 9.843 9.969 10.09 10.19 10.29 10.39 10.47 10.55

14 9.414 9.546 9.666 9.776 9.878 9.972 10.06 10.14 10.22

15 9.170 9.296 9.411 9.517 9.613 9.703 9.788 9.867 9.940

16 8.963 9.074 9.194 9.295 9.388 9.475 9.556 9.631 9.702

17 8.784 8.900 9.007 9.104 9.194 9277 9.355 9.429 9.497

18 8.628 8.741 8.844 8.938 9.025 9 . 10 6 9.181 9.251 9.380

19 8.491 8.601 8.701 8.792 8.876 8.955 9.028 9.096 9.161

20 8.370 8.477 8.574 8.663 8.745 8.821 8.892 8.959 9.021

24 7.999 8.097 8.185 8.267 8.342 8.411 8.476 8.537 8.594

30 7.647 7.735 7.816 7.89d 7.958 8.021 8.080 8.135 8.188

40 7.312 7.393 7.466 7.533 7.594 7.651 7.704 7.754 7.801

60 6.995 7.067 7.133 7.193 7.258 7.299 7.347 7.392 7.433

120 6.695 6.760 6.848 6.872 6.921 6.966 7.008 7.048 7.085

oo 6.411 6.469 6.520 6.568 6.611 6.651 6.689 6.723 6.756

V k(op)=38 40 50 60 70 80 90 100

1 3415 3448 3589 3701 3794 3873 3941 4002

2 , 137.0 138.3 143.7 148.0 1 5 1. 6 154.7 157.4 159.7

3 48.72 48.16 51.02 52.51 53.75 54.81 55.72 56.53

4 29.43 38.68 30.78 31.65 32.37 32.98 33.52 34.00

5 21.86 33.03 22.82 23.45 23.97 24.41 24.80 25.15

6 17.96 18.10 18.73 19.22 19.64 20.00 20.31 20.58

7 15.62 15.74 16.27 16.69 17.04 17.35 17.61 17.85

8 14.07 14.18 14.64 15.01 15.32 15.59 15.82 16.02

9 12.97 13 . 0 7 13.49 13.82 14.1 14.34 14.55 14.74

10 12.16 12.25 12.63 12.94 13.2 13.42 13.61 13.78

11 11.53 11.62 11.97 12.25 12.49 12.70 12.88 13.04

12 11.03 11.11 11.44 11.71 11.94 12.13 12.29 12.45

13 10.63 10.70 11.01 11.27 11.48 11.66 11.82 11.97

14 10.3 10.37 10.66 10.91 11.11 11.28 11.43 11.57

15 10.01 10.08 10.37 10.59 10.79 10.96 11.10 11.23

16 9.769 9.833 10.11 10.34 10.52 10.68 10.82 10.95

17 9.562 9.623 9.888 10.10 10.29 10.44 10.58 10.70

18 9.381 9.440 9.696 9.904 40.08 10.23 10.36 10.48

19 9.221 9.279 9.528 9.720 9.899 10.04 10.17 10.29

20 9.081 9.137 9.379 9.575 9.74 9.881 10.01 10.12

24 8.648 8.700 8.921 9.100 9.250 9.380 9.494 9.596

30 8.237 8.283 8.484 8.647 8.783 8.901 9.004 9.096

40 7.845 7.887 8.067 8.214 8.337 8.442 8.535 8.618

60 7.473 7.510 7.671 7.802 7.911 8.005 8.088 8.161

120 7.121 7.153 7.296 7.411 7.507 7.590 7.661 7.726

' = 6.787 6.816 6.941 7.041 7.124 7.196 7.259 7.314

215
 A. Canales G. Bioesuuiistica
l -------
i

BIBLIOGRAFÍA

BROWER, J; J. ZAR y C. VON ENDE. 1990. General ecology. Field and

laboratory methods. Third Edition. Editorial Wm. C. Brown Publishers,

Dubuque. USA. 2 3 7 pp.

GALINDO, V. M. P. 1994. Exposición intuitiva de métodos estadísticos.

Editorial Gráficas Varona, Salamanca, España. 794 pp.

HERRERA, C. A. 2000. Estadística aplicada. Editorial San J o s é . La Paz

Bolivia.

MONTGOMERY D. C. 2 0 0 2 . Diseño y análisis de experimentos. Segunda

edición.Editorial Limusa S. A. 686pp.

PEREZ, L. L . A . 1 9 9 9 . Estadistica básica para ciencias sociales y educación.

Editorial San Marcos, Lima. Perú. 5 6 8 pp.

REYES, C. P. 1 9 9 9 . Bioestadística. Editorial Trillas. México D.F.. México.

S I E G E L S. 1 9 8 6 . Estadística no paramétrica: aplicada a las ciencias de las

conductas. Segunda edición. Editorial Trillas S.A. México. 343pp.

SYSTAT 1 9 9 4 . SYSTAT for windows, versión 5,0. Inc. Evanston, Illinois.

U S A 6 3 5 pp.

SOKAL. R. R y J. R O H L F . 1 9 8 1 . Biometry. The principies and practice of

statistics biological research. 2da. Edición. Editorial W. H. Freeman and

Company, NewYork. USA. 8 5 8 p p .

S O KA L . R. R y J. ROHLF. 1 9 9 5 . Biometry. The principies and practice of

statistics biological research. Tercera edición. Editorial W. H. Freeman and

Company, NewYork. USA. 8 8 7 p p .

TRIOLA F. M. 2004. Estadística. Novena edición. Editorial Pearson

Educación de Mexico S.A. México. 8 3 8 p p .

ZAR, H . J. 1 9 8 4 . Bioestatisca análisis, Second Edition. Editorial. Printice

Hall International, INC, L o n d o n . Inglaterra. 7 1 8 p p .

217